A lightweight multi-scale deep learning approach for robust photovoltaic fault detection under noisy conditions

تُعد الألواح الشمسية بمثابة خيول العمل الهادئة في مرحلة تحول الطاقة الحديثة، حيث تحول ضوء الشمس إلى كهرباء دون أجزاء متحركة أو انبعاثات دخانية. ومع ذلك، وكأي آلة معقدة، فهي عرضة للأعطال. فمن الممكن لسلك واحد متصدع، أو بقعة ظل من شجرة قريبة، أو مكون تالف، أن يؤدي إلى خفض أداء نظام بأكمده، مما يتسبب في هدر الطاقة والمال. لطالما كان التحدي الذي يواجه المهندسين هو تحديد ماهية الخلل بالضبط، ومدى سرعة حدوثه، خاصة عندما تكون البيانات القادمة من الألواح غير منتظمة. فغالبًا ما تلتقط المستشعرات تشويشًا عشوائيًا، أو أخطاء في المعايرة، أو طفرات كهربائية مفاجئة تبدو وكأنها أعطال لكنها مجرد ضجيج. لقد كان التمييز بين مشكلة حقيقية وبين خلل في القياس لغزًا صعبًا، يتطلب غالبًا معدات باهظة الثمن أو عمليات فحص يدوية بطيئة تترك الأنظمة تعمل بكفاءة منخفضة لفترة طويلة جدًا.

لقد طور فريق من الباحثين في جامعة كوك مين في كوريا الجنوبية طريقة جديدة لحل هذه المشكلة، حيث ابتكروا نظامًا رقميًا يمكنه رصد هذه المشكلات بسرعة ودقة ملحوظتين، حتى عندما تكون البيانات غير مثالية. لقد بنوا برنامجًا حاسوبيًا متخصصًا صُمم ليعمل مثل طبيب تشخيص عالي التدريب. وبدلاً من الاعتماد على طريقة واحدة لفحص البيانات، يستخدم هذا البرنامج نهجًا هجينًا يحاكي كيفية فحص الخبير البشري للمشكلة من زوايا متعددة في وقت واحد؛ فهو يبحث عن الأنماط المحلية الصغيرة في الإشارات الكهربائية بينما يفهم أيضًا السياق الأوسع لكيفية ارتباط تلك الإشارات ببعضها البعض بمرور الوقت. وتسمح هذه الرؤية المزدوجة للنظام بتجاهل الضجيج الخلفي والتركيز على العلامات الحقيقية للمشكلات.

تم اختبار النظام، الذي أطلق عليه الباحثون اسم BLGSNet، على مجموعة بيانات تمثل ست حالات مختلفة لمصفوفة شمسية: التشغيل الطبيعي، وانقطاع سلسلة من الألواح، وخطأ أرضي، ودائرة قصر بين السلاسل، ومكون تالف، وتظليل جزئي. وفي بيئة مثالية خالية من الضجيج، حدد النظام حالة الألواح بدقة بلغت 99.36%. وهذا معيار مرتفع، لكن الاختبار الحقيقي جاء عندما أدخل الباحثون تداخلات واقعية؛ حيث قاموا بمحاكاة أخطاء المستشعرات والضجيج الكهربائي الذي يحدث في العالم الحقيقي، بإضافة تشويش عشوائي وطفرات مفاجئة إلى البيانات. وحتى عندما تعرضت البيانات للفساد بسبب الضجيج بنسبة 10%، حافظ النظام على دقة بلغت 98.08%. وعندما ارتفع الضجيج إلى مستوى تحدٍ بلغ 15%، لا يزال النظام قادرًا على تشخيص الأعطال بنسبة 94.87%. وتعد هذه الاستقرارية أمرًا بالغ الأهمية لأنها تعني أن النظام لا يحتاج إلى الاقتران بمرشحات (فلاتر) معقدة وبطيئة لتنقية البيانات أولاً، بل يمكنه التعامل مع الفوضى مباشرة.

وما يجعل هذا النهج فعالًا بشكل خاص هو تصميمه؛ فقد جمع الباحثون بين نوعين مختلفين من المعالجة الرقمية. يقوم الجزء الأول من النظام بمسح البيانات باستخدام ثلاث "عدسات" مختلفة في آن واحد، حيث يبحث عن أنماط قصيرة، ومتوسطة، وطويلة نسبيًا. وهذا يسمح له برصد الأعطال التي قد تبدو مختلفة اعتمادًا على مدى دقة الفحص. ثم يأخذ الجزء الآخر من النظام هذه النتائج وينظر إليها في اتجاهين (أمامي وخلفي)، لفهم كيفية اتصال الميزات الكهربائية ببعضها البعض في تسلسل. ويسمح هذا المزيج للنظام بتعلم "البصمة" الفريدة للعطل دون أن يرتبك بالضوضاء المحيطة. وعلى عكس الطرق القديمة التي غالبًا ما تعاني عندما تصبح البيانات "متسخة" أو تتطلب قدرات حوسبة هائلة، فإن هذا التصميم الجديد خفيف الوزن؛ فهو صغير بما يكفي ليعمل على كمبيوتر مدمج ومنخفض الطاقة بحجم بطاقة الائتمان، المعروف باسم NVIDIA Jetson Nano، والذي استُخدم في الاختبارات المختبرية للفريق.

ولإثبات نجاح النظام خارج محاكاة الحاسوب، بنى الفريق إعدادًا شمسيًا صغير النطاق في مختبرهم. حيث قاموا بتوصيل لوحين شمسيين ببطارية وعاكس (إنفرتر)، ثم مرروا النظام عبر ظروف أعطال مختلفة، بما في ذلك أسلاك مقطوعة وتظليل اصطناعي. عالج النظام البيانات الحية في الوقت الفعلي، حيث استغرق التشخيص أقل من 19 ميلي ثانية. وهذه السرعة كافية للسماح باتخاذ إجراء فوري. فعندما يكتشف النظام مشكلة ما، فإنه لا يكتفي بالقول "هناك خطأ ما"، بل يترجم ذلك الاكتشاف إلى خطة واضحة وقابلة للتنفيذ. فإذا حدد عطلاً في السلسلة، فإنه يوصي بفحص الأسلاك والمصهرات (الفيوزات). وإذا رأى تظليلًا جزئيًا، فإنه يقترح البحث عن حطام أو عوائق على سطح اللوح. وتحول طبقة دعم القرار هذه نقطة البيانات الخام إلى تعليمات عملية لعامل الصيانة.

كما قارن الباحثون نظامهم الجديد بعدة طرق موجودة، بما في ذلك نماذج تعلم الآلة التقليدية وشبكات التعلم العميق الأخرى. وأظهرت النتائج أنه بينما يمكن للنماذج الأخرى أن تؤدي بشكل جيد في الظروف المثالية، إلا أن دقتها تنخفض بشكل كبير عند إدخال الضجيج. ومع ذلك، ظل النظام الجديد قويًا؛ فقد حقق هذا الأداء العالي مع استخدام موارد حوسبة أقل بكثير من منافسيه، حيث تطلب أقل من نصف الذاكرة وجزءًا ضئيلًا من قدرة المعالجة مقارنة بالنماذج المتقدمة الأخرى. ويشير هذا الكفاءة إلى إمكانية نشر مثل هذه التكنولوجيا على نطاق واسع، حتى في المنشآت الشمسية الصغيرة أو البعيدة حيث لا تتوفر أجهزة كمبيوتر قوية.

ومع أن النتائج واعدة، فقد حرص الباحثون على توضيح حدود عملهم الحالي. فقد أُجري الاختبار على مجموعة بيانات صغيرة نسبيًا وإعداد مكون من لوحين فقط في بيئة مختبرية محكومة. كما أن البيانات "الواقعية" التي استخدموها لمزيد من التحقق تم إنشاؤها باستخدام تسميات قائمة على القواعد بدلاً من سجلات الصيانة الفعلية من الإخفاقات الميدلية الحقيقية. وهذا يعني أن النظام لم يُختبر بعد على مدار سنوات من التشغيل في ظروف جوية متنوعة عبر مزارع شمسية ضخمة. ومع ذلك، فإن اتساق النتائج عبر مستويات الضجيج المختلفة والنجاح في العرض التجريبي في الوقت الفعلي على الأجهزة المادية يوفر أساسًا قويًا. إن هذا العمل يثبت أنه من الممكن بناء نظام للكشف عن الأعطال لا يتميز بالدقة فحسب، بل بالقدرة على الصمود أيضًا أمام الواقع الفيزيائي غير المثالي والمليء بالضجيج، مما يفتح الطريق نحو شبكات طاقة شمسية أكثر موثوقية وذاتية الاستدامة.