Dual-Gate Electro-Visual Verification for Safe Autonomous Photovoltaic Cleaning on Edge Hardware

Sintesi Tecnica: Verifica Electro-Visuale a Doppio Gate per la Pulizia Fotovoltaica Autonoma Sicura su Hardware Edge

Definizione del Problema
I sistemi fotovoltaici (PV) nelle regioni aride soffrono di perdite energetiche significative dovute all'accumulo di polvere (soiling), micro-crepe e ombreggiamento parziale. Sebbene l'ispezione manuale sia inefficiente e l'imaging termico tramite droni sia costoso per un dispiegamento continuo, i sistemi di pulizia automatizzati affrontano una sfida critica di sicurezza: distinguere tra un pannello sporco che richiede pulizia e un pannello crepato che non la richiede. Entrambe le condizioni si manifestano come una riduzione della produzione elettrica. Un sistema basato solo sulla visione rischia di innescare la pulizia con acqua su moduli crepati, il che è inutile e potenzialmente dannoso. Inoltre, le attuali soluzioni di edge-AI spesso mancano dei livelli di verifica necessari per prevenire falsi positivi causati da artefatti transitori (ad es., riflessi di lente, insetti) o dalla classificazione errata dell'ombreggiamento come polvere.

Metodologia e Architettura del Sistema
Gli autori propongono un sistema dispiegabile all'edge che gira su un Raspberry Pi 4 (8 GB di RAM) e integra percezione visiva, rilevamento elettrico e ragionamento locale. L'architettura si compone di quattro livelli:

1. Percezione: Una telecamera RGB fissa cattura un singolo fotogramma diviso in tre regioni verticali per monitorare più pannelli (P1–P3). Due sensori INA219 misurano tensione e corrente per ogni stringa di pannelli, mentre una coppia di fotodiodi (superiore/inferiore) rileva l'asimmetria dell'ombreggiamento. Un Arduino Uno elabora i dati dei fotodiodi.
2. Calcolo: Il sistema utilizza un modello YOLOv8n (nano), ottimizzato per i vincoli della CPU del Raspberry Pi.
3. Logica Decisionale (Protocollo a Doppio Gate): Questa è l'innovazione centrale. L'attuazione della pulizia è rigorosamente proibita a meno che tre condizioni non siano soddisfatte simultaneamente:
   • Gate Visivo (Persistenza): Il modello YOLOv8n deve rilevare "polvere" costantemente per $K=3$ fotogrammi consecutivi (circa 2 secondi) per filtrare il rumore transitorio.
   • Gate di Potenza: La potenza DC misurata ($P = V \times I$) deve essere inferiore a una soglia regolabile ($P_{req} = 0.30 \times P_{rated}$).
   • Gate di Guasto Strutturale (Verifica): Un controllo indipendente analizza la firma della tensione. Se la tensione media ($\bar{V}_w$) è significativamente depressa (al di sotto di $0.5 \times V_{mp}$) ed esibisce un'instabilità ad alta frequenza (deviazione standard $> 0.1$ V), il sistema segnala un guasto strutturale (crepa di Tipo B/C) e sopprime la pulizia, indipendentemente dalle letture visive o di potenza.
4. Reporting: Un modello Llama 3.1:8B ospitato localmente (tramite Ollama) genera rapporti diagnostici conformi agli standard IEC basati sugli esiti decisionali deterministici, senza il controllo diretto sugli attuatori.

Contributi Chiave

• Protocollo Dual-Gate Detect-Then-Verify: Il documento introduce una legge decisionale in cui la rilevazione visiva non è mai autorevole. L'attuazione richiede la conferma da misurazioni elettriche indipendenti. Questo mitiga specificamente il rischio di pulire moduli crepati che imitano la firma di bassa potenza dei pannelli sporchi.
• Monitoraggio Multi-Pannello Ottimizzato per l'Edge: Una singola telecamera e una mappatura deterministica delle regioni permettono a un'unità di monitorare tre pannelli, riducendo i costi hardware rispetto alle configurazioni con telecamera per ogni pannello.
• Integrazione LLM Offline: Il sistema utilizza un Large Language Model offline e ristretto per la generazione di rapporti tecnici, garantendo la privacy dei dati e la conformità agli standard IEC senza connettività esterna.
• Dataset Validato sul Campo: Il modello è stato addestrato e testato su un dataset personalizzato di immagini RGB catturate all'aperto in condizioni di deserto caldo, colmando il divario tra i benchmark di elettroluminescenza indoor e il dispiegamento nel mondo reale.

Risultati

• Prestazioni di Rilevamento: Il modello YOLOv8n ottimizzato ha raggiunto una media della precisione media all'IoU 0.5 (mAP@0.5) del 77,3%, un miglioramento di 13,4 punti rispetto alla baseline non ottimizzata.
  • Polvere: Precisione 88,9%, Recall 87,7%.
  • Crepe: Precisione 86,2%, Recall 85,4%.
  • Il modello ha performato in modo comparabile sulla classe critica per la sicurezza "crepa" rispetto alla classe "polvere", evitando il comune bias verso le classi maggioritarie.
• Efficacia della Pulizia: In uno studio di caso sul campo, la produzione di potenza di un pannello sporco è passata da 0,33 W a 7,48 W (un aumento di 22,9 volte) dopo un ciclo di pulizia riuscito.
• Esclusione delle Crepe: Un pannello crepato ha esibito una distinta firma elettrica (tensione bassa ~5,5 V con alta instabilità). Il gate del guasto strutturale ha correttamente identificato questa firma e ha impedito qualsiasi attuazione di pulizia, nonostante la bassa potenza del pannello.
• Benchmarking: Il modello implementato ha superato altri rilevatori basati su YOLO (RGB/UAV) pubblicati e dispiegati sul campo (che variavano dal 57,7% al 75% di mAP@0.5), nonostante operasse su hardware con sola CPU e un dataset di addestramento più piccolo.

Significatività e Rivendicazioni
Il documento sostiene che il suo contributo primario sia architetturale piuttosto che puramente algoritmico. Dimostra che un rilevatore visivo con accuratezza moderata (77,3% mAP) può essere implementato in sicurezza per l'attuazione autonoma se i suoi output sono cross-validati da misurazioni fisiche indipendenti. Il sistema prova che:

1. La sicurezza è raggiungibile senza hardware ad alto costo: Utilizzando una logica "detect-then-verify", il sistema evita il fallimento catastrofico della pulizia di moduli danneggiati.
2. Viabilità Economica: Prevenendo la pulizia errata (su pannelli crepati o ombreggiati) e la manutenzione non necessaria, il sistema offre significativi risparmi di acqua e costi nelle regioni aride.
3. Fattibilità dell'Edge AI: Una percezione complessa e il ragionamento (incluso il reporting tramite LLM) possono essere eseguiti su hardware a basse risorse e basso costo come il Raspberry Pi 4 in ambienti desertici reali.

Gli autori rimangono modesti riguardo al gate del guasto strutturale, notando che è stato calibrato su un singolo modulo crepato e richiede una validazione più ampia su diverse severità di crepe e tipi di moduli prima che il rischio residuo possa essere quantificato pienamente. Tuttavia, il sistema dimostra con successo una via percorribile per una manutenzione PV sicura e basata sulle condizioni in ambienti ad alta concentrazione di polvere.