Yapay zekâ ve zaman-frekans analizi kullanılarak fotovoltaik sistemlerde arıza tespiti ve tanı

Güneş Enerjisinin Sorunsuz Çalışmasını Korumak

Güneş panelleri çatıları ve çölleri kapladıkça, bunların en iyi şekilde çalışmasını sağlamak giderek daha önemli hale geliyor. Kablolama hataları veya gölgelenmiş paneller gibi gizli sorunlar, genellikle fark edilmeden uzun süre enerji ve kâr kaybına yol açabilir. Bu çalışma, yapay zekâdan gelen gelişmiş desen tanıma araçlarını kullanarak bir güneş enerjisi santralinin “nabzını” otomatik olarak dinlemenin yeni bir yolunu araştırıyor; amaç, gerçek hayatta olduğu gibi veriler gürültülü ve dağınık olsa bile sorunları erken aşamada tespit etmek.

Güneş Sistemlerinin Neden Hatalı Davrandığı

Büyük güneş tarlaları birçok birbirine bağlı panelden oluşur ve küçük sorunlar biriktiğinde önemli etki yaratır. Bazı hücreler kısa devre olabilir, panellerin tüm dizileri yanlış bağlanmış olabilir veya bölümler ağaçlar, kir veya yakın binalar tarafından kısmen gölgelendirilebilir. Bu sorunlar, sistemin elektriksel büyüklüklerinin—güneş ışığı düzeyi, panel sıcaklığı, gerilim, akım ve güç—gün içindeki değişimini etkiler. Geleneksel olarak mühendisler bu tür sorunları termal kameralar, görsel denetimler veya elle hazırlanmış kurallarla ararlar. Bu yaklaşımlar emek yoğun olabilir, ince sorunları kaçırabilir ve birden fazla arıza aynı anda ortaya çıktığında ya da sensörler eski ve gürültülüyse zorlanabilir.

Bilgisayarın Okuyabileceği Resimlere Sayıları Dönüştürmek

Araştırmacılar sıradışı bir yöntem öneriyor: sayısal verileri doğrudan makineye vermek yerine, önce elektriksel ölçümleri zaman ve frekans boyutunda nasıl değiştiklerini yakalayan küçük resim benzeri haritalara dönüştürüyorlar. Ani sıçramalar, yavaş sürüklenmeler veya farklı arıza türlerine karşılık gelen tekrarlayan dalgalar gibi desenleri açığa çıkarabilen Wigner–Ville dağılımı adlı matematiksel bir araç kullanıyorlar. Sistemin her anlık görüntüsü için beş ana ölçüm—güneş ışığı, sıcaklık ve maksimum güç noktasındaki gerilim, akım ve güç—yaklaşık bir saatlik davranışlarını temsil eden renkli blok şeritlerine dönüştürülüyor. Bu şeritlere ek olarak bunları harmanlayan altıncı bir şerit daha var; bunlar kompakt bir 6×12 karoya üst üste yerleştiriliyor. Her karo, sistemin o anki davranışının görsel bir parmak izi niteliğinde.

Desenleri Okuyan Dijital Bir Müfettiş Eğitmek

Veriler küçük resimlere dönüştürüldüğünde, ekip görüntü analizinde başarılı olan bir yapay zekâ sınıfını uygulayabiliyor: konvolüsyonel sinir ağları. Önce 30 panelli bir güneş dizisinin ayrıntılı bir dijital modelini kuruyorlar ve bir sağlıklı durum ile birkaç kısa devreli modülden geniş çaplı kısmi gölgelenme ve diziler arası karmaşık hatalara kadar 16 arıza türünü içeren 17 farklı işletme koşulunu simüle ediyorlar. Her durum için ve hem açık hem de bulutlu gökyüzü koşullarında, gerçekçi sensör okumalarından oluşan uzun diziler üretiyor, bunları 6×12 haritalara çeviriyor ve altta yatan arızaya göre etiketliyorlar. Konvolüsyonel ağ, binlerce örnekten hangi renk ve şekil düzenlerinin her belirli soruna karşılık geldiğini öğreniyor. Aynı zamanda yazarlar, aynı dönüştürülmüş veriler üzerinde daha basit sinir ağlarını ve destek vektör makineleri ile rastgele ormanlar gibi klasik makine öğrenimi araçlarını da test ederek hangi yöntemin en doğru ve en dayanıklı olduğunu karşılaştırıyorlar.

Yöntemi Gürültülü Koşullarda Test Etmek

Mükemmel temiz simülasyonlarda, beş sayısal girdiye doğrudan çalışan geleneksel sinir ağları farklı arızaları ayırt etmede neredeyse kusursuz doğruluğa—%99’un üzerinde—ulaşıyor. Görüntü tabanlı konvolüsyonel ağ da çok iyi performans gösteriyor; doğruluğu %97’nin biraz üzerinde. Ancak güneş santralleri temiz bir dünyada yaşamıyor: sensörler yaşlanıyor, hava durumu öngörülemez ve ölçümler gürültülü hale geliyor. Araştırmacılar güneş ışığı, sıcaklık, gerilim, akım ve güç okumalarına kasıtlı olarak gerçekçi sapma eklediklerinde sıralamalar dramatik biçimde değişiyor. Daha basit ağlar avantajlarının büyük bir kısmını kaybediyor ve doğrulukları %80’ler veya daha altına düşüyor. Buna karşın zaman-frekans haritalarındaki yapıyı gören konvolüsyonel ağ, normal gürültü seviyelerinde yaklaşık %90 doğruluğu koruyor ve çok eski veya düşük kaliteli sensörleri taklit etmek için gürültü üç katına çıkarıldığında bile çoğu arızayı doğru biçimde tanımlamaya devam ediyor.

Geleceğin Güneş Tarlaları İçin Anlamı

Bir uzman olmayan okuyucu için alınacak mesaj, bilgiyi bir yapay zekâ modeline nasıl sunduğumuzun modelin kendisi kadar önemli olduğudur. Ham güneş enerjisi verilerini sinyallerin ne zaman ve nasıl oynadığını yakalayan kompakt resimlere dönüştürerek, yazarlar yalnızca ideal koşullarda doğru değil, aynı zamanda gerçek güneş tarlalarının dağınık verileriyle başa çıkabilecek kadar sağlam bir dijital denetçi sağlıyorlar. Yaklaşımları, insan tarafından hazırlanmış kurallara minimum ihtiyaçla sağlıklı bir diziyi birçok benzer görünen arıza türünden otomatik olarak ayırt edebilir. Pratikte, böyle bir sistem büyük bir fotovoltaik çiftliğin arka planında çalışarak operatörleri belirli sorunlar hakkında erken uyarabilir, duruş sürelerini azaltabilir ve güneş enerjisini uzun vadede daha güvenilir ve ekonomik hale getirebilir.

Atıf: 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

Anahtar kelimeler: güneş arızası tespiti, fotovoltaik izleme, zaman-frekans analizi, konvolüsyonel sinir ağları, yenilenebilir enerji teşhisi