Felfynd och diagnos i fotovoltaiska system med artificiell intelligens och tids–frekvensanalys

Så att solenergin hålls igång utan avbrott

När solpaneler breder ut sig över tak och öknar blir det avgörande att hålla dem i bästa skick. Dolda problem — som ledningsfel eller skuggade paneler — kan tyst suga bort effekt och intäkter långt innan någon märker det. Denna studie utforskar ett nytt sätt att automatiskt ”lyssna” på ett solkraftverks ”hjärtslag” med hjälp av avancerade mönsterigenkänningstekniker från artificiell intelligens, med målet att upptäcka problem tidigt, även när data är brusiga och röriga, som i verkligheten.

Varför solsystem kan fungera dåligt

Stora solparker består av många sammankopplade paneler, och små problem kan adderas ihop. Några celler kan vara kortslutna, hela strängar av paneler kan vara felkopplade, eller sektioner kan delvis skuggas av träd, smuts eller närliggande byggnader. Dessa problem förändrar hur systemets elektriska storheter — ljusnivå, paneltemperatur, spänning, ström och effekt — utvecklas över dagen. Traditionellt har ingenjörer sökt efter dessa fel med termiska kameror, visuella inspektioner eller handgjorda regler. Dessa metoder är arbetsintensiva, kan missa subtila fel och har ofta svårt när flera fel uppträder samtidigt eller när sensorer är gamla och brusiga.

Att förvandla siffror till bilder som datorn kan läsa

Forskarna föreslår en ovanlig vinkel: i stället för att mata råa siffror till en dator konverterar de först mätningarna till små, bildliknande kartor som fångar hur signalerna förändras både över tid och frekvens. De använder ett matematiskt verktyg kallat Wigner–Ville-fördelning, som kan avslöja mönster som plötsliga hopp, långsamma förskjutningar eller återkommande vågmönster som motsvarar olika feltyper. För varje ögonblicksbild av systemet omvandlas fem nyckelmätningar — solinstrålning, temperatur samt spänning, ström och effekt vid maximal effektpunkt — var och en till en remsa av färgade block som representerar deras beteende över ungefär en timme. Dessa remsor, plus en sjätte som blandar dem, staplas till en kompakt 6×12-platta. Varje platta är ett visuellt fingeravtryck av hur systemet beter sig vid det ögonblicket.

Att lära en digital inspektör att läsa mönstren

När data väl ser ut som små bilder kan teamet tillämpa en klass av AI-modeller som är särskilt bra på bildanalys: konvolutionella neurala nätverk. De bygger först en detaljerad digital modell av en array med 30 paneler och simulerar 17 olika driftfall: ett friskt läge och 16 feltyper, från några kortslutna moduler till utbredd partiell skuggning och komplexa linje-till-linje-fel mellan strängar. För varje fall, och under både klart och molnigt väder, genererar de långa sekvenser av realistiska sensoravläsningar, omvandlar dem till 6×12-kartor och etiketterar dem efter underliggande fel. Det konvolutionella nätverket lär sig sedan, från tusentals exempel, vilka färg- och formkombinationer i dessa kartor som motsvarar varje specifikt problem. Parallellt testar författarna också enklare neurala nätverk och klassiska maskininlärningsverktyg såsom support vector machines och random forests, alla tränade på samma transformerade data, för att se vilken metod som är mest exakt och mest motståndskraftig.

Att pröva metoden under brusiga förhållanden

I helt rena simuleringar når traditionella neurala nätverk som arbetar direkt på de fem numeriska indata nästan fläckfri noggrannhet — över 99% — i att skilja mellan de olika felen. Det bildbaserade konvolutionella nätverket presterar också mycket väl, med en noggrannhet strax över 97%. Men solparker lever inte i en ren värld: sensorer åldras, vädret är oförutsägbart och mätningar blir brusiga. När forskarna avsiktligt injicerar realistisk jitter i solinstrålning, temperatur, spänning, ström och effekt ändras rangordningen dramatiskt. De enklare näten tappar mycket av sin fördel och sjunker till låga 80‑procentiga områden eller sämre. Däremot bibehåller det konvolutionella nätverket, som ser de strukturerade tids–frekvenskartorna, omkring 90% noggrannhet vid normala brusalternativ och identifierar fortfarande de flesta felen korrekt även när bruset tredubblas för att efterlikna mycket gamla eller dåliga sensorer.

Vad detta betyder för framtida solparker

För en lekmannaläsare är slutsatsen att sättet vi presenterar information för en AI-modell är lika viktigt som modellen själv. Genom att omvandla råa solkraftsdata till kompakta bilder som fångar både när och hur signalerna svänger, möjliggör författarna en digital inspektör som inte bara är exakt i ideala förhållanden utan också robust nog att hantera de röriga data som verkliga solparker levererar. Deras metod kan automatiskt skilja en frisk array från många ytligt liknande feltyper, med minimalt behov av handgjorda regler. I praktiken skulle ett sådant system kunna köras i bakgrunden på en stor fotovoltaisk anläggning, varna operatörer tidigt om specifika problem, minska driftstopp och göra solenergi mer pålitligt och kostnadseffektivt på lång sikt.

Citering: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

Nyckelord: felsökning solenergi, övervakning av fotovoltaik, tids-frekvensanalys, konvolutionella neurala nätverk, diagnostik för förnybar energi