تشخیص و شناسایی خطا در سیستم های فتوولتائیک با استفاده از شبکه عصبی عمیق VGG۱۶

تشخیص خطا در آرایه های فتوولتائیک (PV) جهت افزایش توان خروجی و همچنین طول عمر مفید یک سیستم PV ضروری است. وجود شرایطی مانند سایه جزئی، خطاهای امپدانس بالا و وجود سامانه ردیاب نقطه حداکثر توان (MPPT)، تشخیص خطا را در شرایط محیطی به چالش می کشد. بیشتر تحقیقات انجام شده در این زمینه فقط در چند سناریو از عیوب به شناسایی و طبقه بندی پرداخته اند. این پژوهش با استفاده از شبکه ی عصبی کانولوشنی عمیق از پیش آموزش داده شده VGG۱۶)) و با بهره گیری از ویژگی ها استخراج شده بوسیله اسکالوگرام های دوبعدی تولیدشده از داده های سیستم PV، به شناسایی و طبقه بندی خطا در سیستم PV با استفاده از یک شبکه عصبی کاملا متصل می پردازد. برخلاف روش های قبلی پیشنهادشده در ادبیات موضوع تشخیص و طبقه بندی عیوب، موارد مختلف معیوب همراه با ترکیب MPPT در مطالعه ما در نظر گرفته شده است. در این تحقیق نشان داده شده است که روش پیشنهادی شاملCNN از پیش آموزش دیده تنظیم شده، از روش های موجود بهتر عمل می کند و به دقت تشخیص خطای ۳۷۵/۸۳ درصد دست پیدا می کند.

کلیدواژه ها:

آرایه فتوولتائیک ، ردیاب نقطه حداکثر توان ، طبقه بندی خطا ، شبکه عصبی کانولوشنی VGG۱۶ ، اسکالوگرام