نحو حلول آلية لمراقبة ألواح الطاقة الشمسية: الابتكار الثوري في كشف العيوب

تعد مراقبة أداء ألواح الطاقة الشمسية ضرورةً ملحة لضمان كفاءة الطاقة وموثوقية العمليات. ورغم الفوائد العديدة للطاقة الشمسية، فإن تفتيش الألواح بشكل يدوي يستهلك الكثير من الوقت والجهد، بل ويكون عرضةً للأخطاء البشرية، خاصةً في المنشآت الكبيرة أو تلك الموجودة في المناطق النائية. لذلك، تأتي الحاجة إلى تطوير نظام ذكي للكشف عن العيوب بشكل تلقائي، مما يسهل مراقبة الألواح بشكل مستمر، ويساهم في اكتشاف الأعطال مبكراً، وبالتالي زيادة الإنتاجية.

في هذا السياق، اقترحت دراسة جديدة نظامًا هجينًا لكشف العيوب في ألواح الطاقة الشمسية يجمع بين تقنيات التعلم العميق (Deep Learning) والميزات المُصنعة يدويًا. شملت التقنيات المستخدمة لاستخراج الميزات المُصنَّعة يدويًا أنماط التصوير الثنائي المحلي (Local Binary Patterns) ومؤشر التدرجات (Histogram of Gradients) والفلاتر الجابورية (Gabor Filters). أما الميزات العميقة، فتستند إلى استخدام نموذج DenseNet-169. تم دمج الميزات المستخرجة ثم تمريرها إلى ثلاثة أنواع مختلفة من classifiers، بما في ذلك آلات الدعم المتجهة (Support Vector Machines)، وتقنية Extreme Gradient Boost (XGBoost)، وآلة تعزيز التدرجات الخفيفة (Light Gradient-Boosting Machine).

أظهرت النتائج التجريبية على مجموعة البيانات المتزايدة أداءً متميزًا، حيث حقق التركيب DenseNet-169 مع الفلاتر الجابورية (SVM) أعلى نسبة دقة بلغت 99.17%، مما يتفوق على جميع الأنظمة الأخرى.

بصفة عامة، يوفر هذا الإطار الهجين دقةً أفضل في اكتشاف العيوب، ومقاومة، ومرونة، مما يجعله أساسًا قويًا لتطبيق نظام رصد الألواح الشمسية أوتوماتيكيًا في الحياة الواقعية.