تخمین بازده الکتریکی صفحه‌های فتوولتائیک با روشی مبتنی بر یادگیری عمیق با استفاده از تصویر

منابع انرژی تجدیدپذیر طبیعی، فراوان هستند و با انتشار کربن صفر یا بسیار کم از نظر اقتصادی جذاب هستند. از سوی دیگر، شرایط سخت محیطی و آب و هوایی مانند تجمع خاک و گرد و غبار بر کارایی منابع و سیستم‌های انرژی تجدیدپذیر تاثیر می‌گذارد. بر این اساس، نیاز به بازرسی خودکار صفحه های فتوولتائیک با افزایش تقاضا برای تولید و نصب سیستم های جدید انرژی خورشیدی در سراسر جهان حیاتی تر می شود. در این مطالعه، مجموعه داده جدیدی از تصاویر صفحه های غبارآلود و تمیز معرفی شده است. پس از آن، یک معماری شبکه عصبی کانولوشنال جدید جهت تشخیص ولتاژ تولید شده توسط صفحه فتوولتائیک معرفی شده است. در ادامه، پارامترهای برداشت شده از محیط و ولتاژ تخمین زده شده توسط شبکه عصبی پیشنهادی، با استفاده از الگوریتم رگرسیون جنگل تصادفی مورد بررسی قرار گرفته و راندمان صفحه محاسبه شده است. مجموعه فرآیند پیشنهادی به طور خاص با تشخیص تجمع گرد و غبار صفحه های فتوولتائیک سروکار دارد. نتایج به‌دست‌آمده در این کار به‌طور تجربی نشان داده‌اند که سیستم پیشنهادی نرخ‌های تشخیص بالایی را تولید می‌کند. روش جدید پیشنهادی منجربه پیاده سازی یک تکنیک تمیز کردن خودکار موثرتر و کارآمدتر برای صفحه‌های فتوولتائیک می شود.

estimation of electrical efficiency of photovoltaic panels with methods based on deep learning using image

natural renewable energy sources are abundant and economically attractive, with zero or very low carbon emissions. on the other hand, harsh environmental and weather conditions, such as soil and dust accumulation, affect the efficiency of renewable energy sources and systems. accordingly, the need for automated inspection of photovoltaic panels is becoming more critical as the demand for new solar energy system manufacturing and installation increases worldwide. this study introduces a new dataset of images of dusty and clean plates. furthermore, a new convolutional neural network architecture is proposed to detect the voltage generated by the panel. in the following, the parameters taken from the environment and the voltage estimated by the proposed neural network are analyzed using the random forest regression algorithm, and the panel’s efficiency is calculated. the proposed process deals explicitly with detecting dust accumulation in photovoltaic panels. the results obtained in this work have experimentally shown that the proposed system produces high detection rates. the proposed new method leads to the implementing of a more effective and efficient automatic cleaning technique for photovoltaic panels.