تخمین بازده الکتریکی صفحه های 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 سیستم های انرژی تجدیدپذیر تاثیر می گذارد. 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 به دست آمده در این کار به طور تجربی نشان داده اند که سیستم پیشنهادی نرخ های تشخیص بالایی را تولید می کند. روش جدید پیشنهادی منجربه پیاده سازی یک تکنیک تمیز کردن خودکار موثرتر و کارآمدتر برای صفحه های فتوولتائیک می شود.

کلیدواژه ها:

بازده الکتریکی ، صفحه های فتوولتائیک ، یادگیری عمیق ، رگرسیون ، شبکه کانولوشن