Un ricercatore dell’Università svedese di Jönköping, il Dr. Waqas Ahmed, ha proposto un approccio al monitoraggio della salute degli impianti fotovoltaici basato sull’apprendimento automatico che utilizza la termografia a infrarossi.
Il metodo si basa su un approccio ibrido basato su caratteristiche locali per monitorare i pannelli, progettato per resistere a scalature, rumore, rotazione e foschia. Ha raggiunto un’accuratezza di addestramento del 98% e un’accuratezza di test del 96,8%.
“Gli attuali approcci di apprendimento automatico basati sull’elaborazione delle immagini per la diagnosi della salute e dei guasti sono spesso limitati a insiemi di dati specifici e soffrono di problemi quali la sensibilità alla rotazione, alla scalatura, al rumore, alla sfocatura e alla foschia”, ha dichiarato il dottor Waqas Ahmed nel suo articolo. “Questi approcci devono inoltre affrontare compromessi tra utilizzo della memoria e accuratezza. Gli approcci basati sull’apprendimento profondo, pur essendo potenti, hanno un’elevata complessità computazionale, requisiti di memoria e di elaborazione e sono inclini all’underfitting e all’overfitting in assenza di serie di dati solide e di un’attenta regolazione degli iperparametri”.
Il nuovo metodo inizia con l’acquisizione di termografie a infrarossi con una telecamera a infrarossi. Nella fase di pre-elaborazione, valuta la qualità delle termografie, migliorandole con un algoritmo di dehazing e regolando il contrasto nel canale della scala di grigi se è presente troppo rumore. Ogni termografia viene quindi suddivisa in sottotermografie di 5×5 pixel.
Le caratteristiche locali vengono estratte da ciascuna termografia utilizzando metodi gaussiani e non lineari. L’80% più significativo di queste caratteristiche viene mantenuto, mentre i valori irrilevanti e ridondanti vengono rimossi. Un algoritmo di clustering non supervisionato k-means riduce quindi il vettore di caratteristiche a 300 elementi per termografia per ottimizzare l’uso della memoria.
“I classificatori superficiali, come le macchine a vettori di supporto (SVM), addestrano il modello sui vettori di caratteristiche. Un approccio di convalida incrociata a 5 volte garantisce un addestramento corretto del modello”, ha detto Ahmed. “Un vettore di test proveniente da termografie non viste viene utilizzato per verificare l’accuratezza del modello nel classificare i pannelli fotovoltaici in tre classi basate sullo stato di salute: sano, hotspot e difettoso”.
Il nuovo metodo è stato testato su un impianto fotovoltaico su tetto in silicio cristallino (c-Si) da 44,24 kW a Lahore, in Pakistan, composto da otto stringhe, ciascuna con 22 moduli fotovoltaici in serie, per un totale di 5,28 kW. L’impianto installa 376 moduli fotovoltaici, ciascuno con una potenza nominale di 240 W. Le termografie a infrarossi sono state acquisite a temperature ambientali comprese tra 32 e 40 °C, con una velocità del vento di 6,9 m/s e un livello di irraggiamento di 700 W/m². Le termografie sono state suddivise in modo casuale: l’80% è stato utilizzato per l’addestramento e il 20% per la convalida.
“I risultati di questo studio sono particolarmente sorprendenti: il metodo ha raggiunto un’accuratezza di addestramento del 98% e un’accuratezza di test del 96,8% con una convalida incrociata di 5 volte”, ha dichiarato Ahmed. “Inoltre, i valori di precisione del modello, pari al 92%, 100% e 100%; i valori di richiamo, pari al 100%, 100% e 90%; e i punteggi F1, pari a 0,958, 1,0 e 0,947, rispettivamente per le classi di guasti, sani e hotspot, indicano un alto livello di prestazioni in queste metriche”.
Rispetto ad altri approcci di intelligenza artificiale (AI) presenti in letteratura, solo la trasformazione delle caratteristiche RB scale-invariant ha superato il metodo proposto, con un punteggio del 98,66%. Il SURF più forte ha ottenuto un punteggio del 97,6%, le caratteristiche neurali profonde (rete pre-addestrata) e il classificatore superficiale hanno ottenuto il 97%, RGB, LBP, HOG medio e texture hanno ottenuto il 96,8%, la CNN isolata ha ottenuto il 96% e Texture, HOG e PCA il 94,1%.
Ahmed ha presentato i risultati in “Enhancing solar PV reliability with hybrid local features and infrared thermography”, pubblicato di recente su Energy Reports.
I presenti contenuti sono tutelati da diritti d’autore e non possono essere riutilizzati. Se desideri collaborare con noi e riutilizzare alcuni dei nostri contenuti, contatta: editors@nullpv-magazine.com.
Inviando questo modulo consenti a pv magazine di usare i tuoi dati allo scopo di pubblicare il tuo commento.
I tuoi dati personali saranno comunicati o altrimenti trasmessi a terzi al fine di filtrare gli spam o se ciò è necessario per la manutenzione tecnica del sito. Qualsiasi altro trasferimento a terzi non avrà luogo a meno che non sia giustificato sulla base delle norme di protezione dei dati vigenti o se pv magazine ha l’obbligo legale di effettuarlo.
Hai la possibilità di revocare questo consenso in qualsiasi momento con effetto futuro, nel qual caso i tuoi dati personali saranno cancellati immediatamente. Altrimenti, i tuoi dati saranno cancellati quando pv magazine ha elaborato la tua richiesta o se lo scopo della conservazione dei dati è stato raggiunto.
Ulteriori informazioni sulla privacy dei dati personali sono disponibili nella nostra Politica di protezione dei dati personali.