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

सौर पैनल आधुनिक ऊर्जा संक्रमण के शांत कार्यबल हैं, जो बिना किसी चलते हुए पुर्जों या धुएं के सूर्य के प्रकाश को बिजली में बदलते हैं। फिर भी, किसी भी जटिल मशीन की तरह, वे खराब होने के प्रति संवेदनशील होते हैं। एक टूटी हुई तार, पास के पेड़ की छाया का एक हिस्सा, या एक विफल होता घटक पूरे सिस्टम के प्रदर्शन को नीचे गिरा सकता है, जिससे ऊर्जा और पैसा दोनों बर्बाद होते हैं। इंजीनियरों के लिए चुनौती लंबे समय से यह समझना रही है कि वास्तव में क्या गलत है, और कितनी जल्दी, विशेष रूप से तब जब पैनलों से आने वाला डेटा अव्यवस्थित हो। सेंसर अक्सर रैंडम स्टैटिक (static), अंशांकन त्रुटियों (calibration errors), या अचानक आने वाले इलेक्ट्रिकल स्पाइक्स को पकड़ लेते हैं जो दोषों की तरह दिखते हैं लेकिन केवल शोर (noise) होते हैं। वास्तविक समस्या और माप की गड़बड़ी (glitch) के बीच अंतर करना एक कठिन पहेली रहा है, जिसके लिए अक्सर महंगे उपकरणों या धीमी, मैन्युअल जांच की आवश्यकता होती है जो सिस्टम को बहुत लंबे समय तक अक्षमता से चलते रहने देती है।

दक्षिण कोरिया के कूक्मिन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने का एक नया तरीका विकसित किया है, जिससे एक ऐसा डिजिटल सिस्टम बनाया गया है जो दोषपूर्ण डेटा के बावजूद उल्लेखनीय गति और सटीकता के साथ इन समस्याओं को पहचान सकता है। उन्होंने एक विशेष कंप्यूटर प्रोग्राम बनाया है जिसे एक अत्यधिक प्रशिक्षित निदानकर्ता (diagnostician) के रूप में कार्य करने के लिए डिज़ाइन किया गया है। डेटा को देखने के लिए केवल एक पद्धति पर निर्भर रहने के बजाय, यह प्रोग्राम एक हाइब्रिड दृष्टिकोण का उपयोग करता है जो इस बात की नकल करता है कि कैसे एक मानव विशेषज्ञ एक साथ कई कोणों से समस्या की जांच करता है। यह विद्युत संकेतों में छोटे, स्थानीय पैटर्न की तलाश करता है और साथ ही इस व्यापक संदर्भ को भी समझता है कि वे संकेत समय के साथ एक-दूसरे से कैसे संबंधित हैं। यह दोहरा दृष्टिकोण इसे बैकग्राउंड स्टैटिक को अनदेखा करने और वास्तविक समस्याओं के संकेतों पर ध्यान केंद्रित करने की अनुमति देता है।

इस सिस्टम को, जिसे शोधकर्ताओं ने BLGSNet नाम दिया है, एक डेटासेट पर परखा गया जो सौर सरणी (solar array) की छह विभिन्न अवस्थाओं का प्रतिनिधित्व करता है: सामान्य संचालन, पैनलों की एक टूटी हुई स्ट्रिंग, ग्राउंड फॉल्ट, स्ट्रिंग्स के बीच शॉर्ट सर्किट, एक विफल होता घटक, और आंशिक छाया। एक आदर्श, शोर-मुक्त वातावरण में, सिस्टम ने पैनलों की स्थिति को 99.36% बार सही ढंग से पहचाना। यह एक उच्च मानक है, लेकिन असली परीक्षा तब आई जब शोधकर्ताओं ने वास्तविक हस्तक्षेप (interference) पेश किया। उन्होंने सेंसर त्रुटियों और इलेक्ट्रिकल शोर का अनुकरण किया जो वास्तविक दुनिया में होते हैं, डेटा में रैंडम स्टैटिक और अचानक स्पाइक्स जोड़कर। यहाँ तक कि जब डेटा को 10% के स्तर पर शोर से दूषित किया गया, तब भी सिस्टम ने 98.s8% की सटीकता बनाए रखी। जब शोर को चुनौतीपूर्ण 15% तक बढ़ाया गया, तब भी यह दोषों का 94.87% बार सही ढंग से निदान करने में सक्षम रहा। यह स्थिरता महत्वपूर्ण है क्योंकि इसका अर्थ है कि सिस्टम को डेटा को साफ करने के लिए जटिल, धीमे फिल्टरों के साथ जोड़े जाने की आवश्यकता नहीं है; यह सीधे तौर पर अव्यवस्था को संभाल सकता है।

जो इस दृष्टिकोण को विशेष रूप से प्रभावी बनाता है वह इसका डिज़ाइन है। शोधकर्ताओं ने दो अलग-अलग प्रकार के डिजिटल प्रोसेसिंग को संयोजित किया है। सिस्टम का एक हिस्सा डेटा को तीन अलग-अलग "लेंसों" का उपयोग करके एक साथ स्कैन करता है, जो बहुत छोटे, मध्यम और थोड़े लंबे पैटर्न की तलाश करता है। यह उन दोषों को पकड़ने की अनुमति देता है जो बारीकी से जांच करने पर अलग दिख सकते हैं। सिस्टम का दूसरा भाग इन निष्कर्षों को लेता है और उन्हें आगे और पीछे दोनों दिशाओं में देखता है, यह समझता है कि विद्युत विशेषताएं एक अनुक्रम (sequence) में एक-दूसरे से कैसे जुड़ती हैं। यह संयोजन सिस्टम को आसपास के शोर से भ्रमित हुए बिना दोष के अद्वितीय "फिंगरप्रिंट" को सीखने की अनुमति देता है। पुराने तरीकों के विपरीत जो अक्सर गंदे डेटा के साथ संघर्ष करते हैं या जिन्हें भारी मात्रा में कंप्यूटिंग पावर की आवश्यकता होती है, यह नया डिज़ाइन हल्का है। यह इतना छोटा है कि एक क्रेडिट कार्ड के आकार के कॉम्पैक्ट, कम शक्ति वाले कंप्यूटर पर चल सकता है, जिसे NVIDIA Jetson Nano कहा जाता है, जिसका उपयोग टीम ने अपने प्रयोगशाला परीक्षणों में किया था।

यह सिद्ध करने के लिए कि सिस्टम कंप्यूटर सिमुलेशन के बाहर काम करता है, टीम ने अपनी लैब में एक छोटे पैमाने का सौर सेटअप बनाया। उन्होंने दो सौर पैनलों को एक बैटरी और एक इन्वर्टर से जोड़ा, और फिर सिस्टम को विभिन्न दोष स्थितियों, जिसमें टूटे हुए तार और कृत्रिम छाया शामिल थी, के माध्यम से चलाया। सिस्टम ने लाइव डेटा को वास्तविक समय (real time) में प्रोसेस किया, और 19 मिलीसेकंड से भी कम समय में निदान किया। यह गति तत्काल कार्रवाई के लिए पर्याप्त तेज़ है। जब सिस्टम किसी समस्या का पता लगाता है, तो वह केवल यह नहीं कहता कि "कुछ गलत है।" वह उस निष्कर्ष को एक स्पष्ट, कार्रवाई योग्य योजना में बदल देता है। यदि यह स्ट्रिंग फॉल्ट की पहचान करता है, तो यह वायरिंग और फ्यूज की जांच करने की सिफारिश करता है। यदि यह आंशिक छाया देखता है, तो यह पैनल की सतह पर मलबे या बाधाओं को देखने का सुझाव देता है। यह निर्णय-सहायता परत (decision-support layer) एक कच्चे डेटा बिंदु को एक व्यावहारिक निर्देश में बदल देती है।

शोधकर्ताओं ने अपने नए सिस्टम की तुलना कई मौजूदा पद्धतियों से भी की, जिसमें पारंपरिक मशीन लर्निंग मॉडल और अन्य डीप लर्निंग नेटवर्क शामिल हैं। परिणामों ने दिखाया कि जबकि अन्य मॉडल स्वच्छ स्थितियों में अच्छा प्रदर्शन कर सकते थे, शोर पेश किए जाने पर उनकी सटीकता काफी गिर गई। हालाँकि, नया सिस्टम मजबूत बना रहा। इसने इस उच्च प्रदर्शन को बहुत कम कंप्यूटिंग संसाधनों का उपयोग करते हुए प्राप्त किया, जिसमें अन्य उन्नत मॉडलों की तुलना में आधे से भी कम मेमोरी और प्रसंस्करण शक्ति (processing power) की आवश्यकता पड़ी। यह दक्षता बताती है कि इस तकनीक को छोटे या दूरस्थ सौर प्रतिष्ठानों पर भी व्यापक रूप से तैनात किया जा सकता है जहाँ शक्तिशाली कंप्यूटर उपलब्ध नहीं होते हैं।

हालाँकि परिणाम उत्साहजनक हैं, शोधकर्ता अपने वर्तमान कार्य की सीमाओं को नोट करने में सावधानी बरतते हैं। परीक्षण एक अपेक्षाकृत छोटे डेटासेट और नियंत्रित लैब वातावरण में दो-पैनल सेटअप पर किया गया था। उनके द्वारा उपयोग किया गया "वास्तविक-दुनिया" का डेटा वास्तविक फील्ड विफलताओं से सत्यापित रखरखाव रिकॉर्ड के बजाय नियम-आधारित लेबल का उपयोग करके उत्पन्न किया गया था। इसका मतलब है कि सिस्टम का अभी तक बड़े सौर फार्मों में विविध मौसम स्थितियों में वर्षों के संचालन के दौरान परीक्षण नहीं किया गया है। हालांकि, विभिन्न शोर स्तरों के बीच परिणामों की निरंतरता और भौतिक हार्डवेयर पर सफल वास्तविक-समय प्रदर्शन एक मजबूत आधार प्रदान करता है। यह कार्य प्रदर्शित करता है कि एक ऐसा दोष पहचान प्रणाली बनाना संभव है जो न केवल सटीक है बल्कि भौतिक दुनिया की अपूर्ण, शोर भरी वास्तविकता के प्रति लचीली भी है, जो अधिक विश्वसनीय और आत्मनिर्भर सौर ऊर्जा नेटवर्क की ओर एक मार्ग प्रदान करती है।