Een onderzoeker aan de Jönköping Universiteit in Zweden heeft met behulp van infraroodthermografie een op kunstmatige intelligentie gebaseerd monitoringsysteem voor fotovoltaïsche panelen ontwikkeld. Deze nieuwe methodologie, die geavanceerde machine learning-technieken combineert, valt op vermogen om verstoringen zoals rotatie, geluid, aanslag en waas te weerstaan. De resultaten? Een nauwkeurigheid van 98% in de trainingsfase en 96,8% tijdens het testen, zoals uitgelegd door Dr. Waqas Ahmed, auteur van de studie gepubliceerd op Energierapporten:
De huidige op beeldverwerking gebaseerde benaderingen voor gezondheids- en foutdiagnose hebben vaak beperkingen met betrekking tot specifieke datasets. Deze methoden zijn gevoelig voor factoren zoals rotatie, schaalvergroting, ruis, onscherpte en waas. Bovendien vereisen deep learning-algoritmen, hoewel krachtig, robuuste datasets en nauwkeurige hyperparameteroptimalisatie, evenals hoge rekencomplexiteit en geheugenvereisten.
Hoe het monitoringsysteem voor fotovoltaïsche panelen werkt
De innovatieve methodologie omvat het gebruik van een infrarood camera om thermografische beelden van de panelen vast te leggen. Deze beelden worden tijdens het voorbewerkingsproces verbeterd met behulp van een onttroebelingsalgoritme en contrastoptimalisatie. Vervolgens wordt elke afbeelding opgedeeld in subafbeeldingen van 5×5 pixels.
Lokale functie-extractie gebeurt via Gaussiaanse en niet-lineaire methoden, waarbij overtollige waarden worden geëlimineerd en slechts 80% van de belangrijkste informatie behouden blijft. Zodra de gegevens zijn verwerkt, reduceert een k-means clusteringalgoritme de kenmerkvector tot 300 elementen per afbeelding, waardoor het geheugengebruik wordt geoptimaliseerd.
Voor training wordt gebruik gemaakt van het model ondiepe classificatieszoals support vector machines (SVM’s). Het proces maakt gebruik van vijfvoudige kruisvalidatie om effectieve training te garanderen. Het systeem classificeert de panelen vervolgens in drie gezondheidscategorieën: gezond, met hotspot of kapot.
Vergelijking met andere AI-technieken
Het systeem werd getest op een fotovoltaïsch systeem van 44,24 kW bestaande uit 376 kristallijne siliciummodules van elk 240 W, gevestigd in Lahore, Pakistan. De beelden zijn gemaakt onder omgevingsomstandigheden met temperaturen tussen 32°C en 40°C, windsnelheden van 6,9 m/s en een instralingssterkte van 700 W/m². Het infrarood werd opgesplitst in datasets, waarbij 80% van de beelden werd gebruikt voor training en 20% voor validatie.
De methodologie heeft indrukwekkende resultaten opgeleverd, met a gemiddelde nauwkeurigheid van 96,8%nauwkeurigheidswaarden van 92%-100% en F1-scores van respectievelijk 0,958, 1,0 en 0,947 voor de fout-, gezonde- en hotspot-klassen. Vergeleken met andere AI-benaderingen vertoonde het vergelijkbare of superieure prestaties. Zo behaalde de RB-SIFT-methode de beste score met 98,66%, terwijl andere technieken zoals SURF en vooraf getrainde neurale netwerken 97% behaalden.
dr. Ahmed concludeert dat deze methode een belangrijke stap voorwaarts betekent in het verbeteren van de betrouwbaarheid van fotovoltaïsche panelen, waardoor de geheugen- en precisiebeperkingen van bestaande oplossingen worden overwonnen.