Derin öğrenme teknikleri kullanarak fotovoltaik sistemlerde yapay zekâ temelli hata tespiti ve sınıflandırması

Günlük Yaşam İçin Daha Akıllı Güneş Enerjisi

Güneş panelleri temiz enerji vaat ediyor, ancak her teknoloji gibi bunlar da sessizce güç ve para kaybettiren gizli kusurlar geliştirebilir. Küçük çatlaklar, kötü bağlantılar veya ısı hasarı, özellikle modern enerji şebekelerine güç sağlayan geniş panel sahalarında çıplak gözle çoğu zaman görünmez. Bu çalışma, bu sorunları otomatik olarak tespit edip gördüklerini açıklayabilen PVDefectNet adlı bir yapay zekâ sistemini tanıtıyor; amaç güneş enerjisinin güvenilir, verimli ve ekonomik kalmasına yardımcı olmak.

Gizli Güneş Problemlerinin Önemi

Dünyanın elektrik talebi hızla artarken, kömür, petrol ve gaz gibi geleneksel kaynaklar iklim değişikliğini körüklüyor ve nihayetinde sınırlı. Güneş tarlalarının gelecekte büyük bir güç payı sağlaması bekleniyor, ancak performansları binlerce ayrı hücrenin düzgün çalışmasına bağlı. Üretim hataları, hava koşulları, toz veya yaşlanma nedeniyle oluşan arızalar üretimi düşürebilir veya aşırı durumlarda ekipmana zarar verebilir. Geleneksel kontroller ise yavaş, manuel denetimler ve büyük kurulumlarda ölçeklendirmesi zor elektrik testlerine dayanıyor.

Panellerin İçini Özel Kameralarla Görmek

Gizli kusurları bulmak için mühendisler, güneş hücrelerini çatlakları, bağlantı kopukluklarını ve diğer kusurları ortaya çıkaran biçimlerde parlatan elektrolüminesans görüntüleme adlı bir teknik kullanıyor. Yazarlar sistemlerini 44 güneş modülünden gelen, 2.624 hücreyi kapsayan halka açık bir görüntü koleksiyonu kullanarak oluşturdular. Her hücre uzmanlar tarafından sağlıklı, belirgin şekilde kusurlu, hafifçe bozuk veya zararsız yüzey lekesi gösteren olarak dikkatle etiketlendi. Bu, farklı panel türleri, ışıklandırma koşulları ve arıza şiddetlerini içeren AI için gerçekçi bir eğitim alanı sağladı.

Yapay Zekâ Sorunu Nasıl Öğreniyor

PVDefectNet beş aşamalı bir iş akışını takip ediyor. İlk olarak görüntüleri temizliyor ve standart hale getiriyor; yeniden boyutlandırma ve parlaklık ayarlamalarının yanı sıra döndürme ve çevirme ile çeşitli kopyalar oluşturuyor. Bu tür değişiklikler gerçek dünya kamera açı ve ışık farklılıklarını taklit ederek sistemi çeşitli koşullarda kararlı tutmaya yardımcı oluyor. Ardından, elle özellik çıkarımı gerektirmeyen ve sağlıklı hücreleri hasarlı olanlardan ayırt eden desenleri otomatik olarak öğrenen kanıtlanmış bir görüntü tanıma omurgası olan ResNet'i kullanıyor. Model daha sonra eğitilip ince ayar yapılıyor, standart başarı ölçüleriyle kontrol ediliyor ve nihayet her kararın nasıl ve neden verildiğini anlamak için analiz ediliyor.

Yapay Zekânın Kararlarını Görünür Kılmak

Birçok güçlü yapay zekâ sistemi kara kutu gibidir: bir cevap üretir ama gerekçesini göstermez. Bunu ele almak için yazarlar Grad-CAM adı verilen bir teknik kullanarak "açıklanabilir" bir adım ekliyor. Bu, modelin bir hücreyi çatlak veya sağlıklı olarak etiketlerken nerelere odaklandığını vurgulayan ısı haritası tarzı örtüşmeler üretiyor. Başarılı örneklerde parlak bölgeler uzmanlarca doğrulanmış fiziksel kusur alanlarıyla uyuşuyor. Bu görsel geri bildirim, mühendislerin sisteme güvenmesini, davranışını doğrulamasını ve çıktısını bakım için güvenilir bir rehber olarak kullanmasını sağlıyor.

Sistemin Performansı Nasıl

Görülmemiş görüntüler üzerinde test edildiğinde PVDefectNet, yaklaşık %98 genel doğrulukla kusurları doğru sınıflandırdı ve benzer şekilde güçlü hassasiyet ve geri çağırma (recall) skorları gösterdi. Hem tek renkli hem çok renkli görüntülerde güvenilir çalıştı ve daha karmaşık veya daha az şeffaf mimariler kullanan birkaç yakın tarihli yönteme kıyasla olumlu bir performans sergiledi. Ayrıntılı fiziksel denetimlere karşı yapılan çapraz kontroller neredeyse tüm vakalarda yakın uyum gösterdi. Yazarlar veri kümesinin hâlâ sınırlı olduğunu ve diğer iklimler ile panel türlerindeki performansın doğrulanması gerektiğini not ediyor, ancak sonuçlar günlük güneş izlemesi için sağlam ve pratik bir araç olduğunu gösteriyor.

Bu, Güneş Enerjisinin Geleceği İçin Ne Anlama Geliyor

Uzman olmayanlar için ana mesaj, yapay zekânın artık güneş tarları için her zaman açık bir denetçi gibi davranabileceği; sorunları erken yakalayabileceği ve mühendislerin nerelere bakacaklarını gösterebileceği. PVDefectNet insan uzmanlarının veya geleneksel güvenlik sistemlerinin yerini almaz, ancak onarım önceliklerini belirlemeye, enerji israfını azaltmaya ve işletme maliyetlerini düşürmeye yardımcı olabilir. Daha çeşitli veriler ve dikkatli dağıtımla, benzer zeki ve açıklanabilir araçlar büyüyen güneş enerji santralleri ağımızı yöneten kontrol odalarında standart hale gelebilir.

Atıf: Talaat, F.M., Salem, M. & Shaban, W.M. AI-driven fault detection and classification in photovoltaic systems using deep learning techniques. Sci Rep 16, 8727 (2026). https://doi.org/10.1038/s41598-026-40246-7

Anahtar kelimeler: güneş paneli arızaları, fotovoltaik izleme, derin öğrenme, elektrolüminesans görüntüleme, yenilenebilir enerji bakımı