AD

Μέθοδος εντοπίζει με τη βοήθεια AI τις απώλειες των φωτοβολταϊκών από μία μόνο εικόνα φωτοφωταύγειας (pv-magazine)

Μέθοδος εντοπίζει με τη βοήθεια AI τις απώλειες των φωτοβολταϊκών από μία μόνο εικόνα φωτοφωταύγειας (pv-magazine)
Μια διεθνής ερευνητική ομάδα ανέπτυξε μια μέθοδο με τη βοήθεια AI που ποσοτικοποιεί τις απώλειες ισχύος των φωτοβολταϊκών πάνελ από μία μόνο εικόνα φωτοφωταύγειας - Η προσέγγιση πέτυχε συνολικό σφάλμα περίπου 0,5% σε δοκιμές σε 300 πάνελ που ανακτήθηκαν από το πεδίο και παρουσιάστηκε με τη χρήση απεικόνισης μέσω drone σε πάρκο ισχύος 186 kW

Μια διεθνής ερευνητική ομάδα ανέπτυξε ένα διαγνωστικό πλαίσιο που μπορεί να ανακατασκευάσει ποσοτικά την απόδοση φωτοβολταϊκών πάνελ από μία μόνο εικόνα φωτοφωταύγειας (EL).

«Η βασική καινοτομία του πλαισίου είναι ότι από μία και μόνο εικόνα φωτοφωταύγειας μπορούμε να ποσοτικοποιήσουμε την τοπική απώλεια ισχύος μέχρι το επίπεδο του pixel, αυξάνοντας σημαντικά τη δυνατότητα διενέργειας φωτοβολταϊκών διαγνωστικών ελέγχων», δήλωσε στο pv magazine ο κύριος συγγραφέας Dongchen Lan.

«Οι συμβατικές ποσοτικές διαγνωστικές μέθοδοι φωτοφωταύγειας απαιτούν συνήθως πολλαπλές εικόνες που λαμβάνονται υπό διαφορετικές συνθήκες, ενώ η δική μας προσέγγιση χρειάζεται μόνο μία».

Το σύστημα ποσοτικής διαγνωστικής φωτοφωταύγειας μίας λήψης συνδυάζει τον εντοπισμό των κυρίαρχων μηχανισμών υποβάθμισης με τη βοήθεια AI με ένα μοντέλο επαναληπτικής ανακατασκευής που βασίζεται στη φυσική και στηρίζεται στη μεταφορά και την επανασύνδεση φορέων.

Ο Lan δήλωσε ότι οι ερευνητές επικύρωσαν τη μέθοδο σε 300 φωτοβολταϊκά πάνελ που ανακτήθηκαν από το πεδίο και στη συνέχεια την παρουσίασαν σε φωτοβολταϊκό πάρκο κλίμακας κοινής ωφέλειας, χρησιμοποιώντας απεικόνιση μέσω drone.

«Με αυτόν τον τρόπο, μεταφέρουμε την τεχνολογία πέρα από ένα ισχυρό εργαλείο για εργαστήρια και γραμμές βιομηχανικής παραγωγής προς την επιθεώρηση υψηλής απόδοσης και τη συντήρηση μεγάλων φωτοβολταϊκών πάρκων», δήλωσε.

Το πλαίσιο ξεκινά με τη λήψη μίας εικόνας ηλεκτροφωταύγειας ενός φωτοβολταϊκού πάνελ σε σταθερό ρεύμα έγχυσης ίσο με 0,22 φορές την πυκνότητα ρεύματος βραχυκυκλώματος.

Ένας ελαφρύς ταξινομητής μηχανικής μάθησης προσδιορίζει αρχικά εάν η παρατηρούμενη υποβάθμιση οφείλεται κυρίως σε απώλειες επανασύνδεσης - όπως η υποβάθμιση λόγω φωτός (LID) ή η υποβάθμιση λόγω δυναμικού (PID) - ή σε ωμικές απώλειες που συνδέονται με ελαττώματα, όπως ρωγμές στις κυψέλες και σπασμένες γραμμές μεταλλοποίησης.

Αυτή η ταξινόμηση παρέχει τον φυσικό περιορισμό που απαιτείται για την ερμηνεία των παραμέτρων από μία μόνο εικόνα.

Στη συνέχεια, ένα μοντέλο αντιστροφής που βασίζεται στη φυσική συσχετίζει τις χωρικές μεταβολές στην ένταση της φωτοφωταύγειας με τις σχετικές ηλεκτρικές παραμέτρους, ανακατασκευάζοντας χάρτες ρεύματος επανασύνδεσης ή αντίστασης σειράς και χαρακτηριστικές ρεύματος-τάσης σε επίπεδο pixel.

Στη συνέχεια, τα τοπικά χαρακτηριστικά συνδυάζονται σύμφωνα με την ηλεκτρική διαμόρφωση του πάνελ, προκειμένου να υπολογιστούν η καμπύλη ρεύματος-τάσης (I-V), η μέγιστη ισχύς και η χωρική κατανομή των απωλειών ισχύος.

Οι ερευνητές επικύρωσαν το σύστημα σε 300 φωτοβολταϊκά πάνελ κρυσταλλικού πυριτίου, ισχύος 575 W, που ανακτήθηκαν από το πεδίο.

Τα πάνελ προέρχονταν από διαφορετικές παρτίδες παραγωγής και περιβάλλοντα λειτουργίας και παρουσίαζαν διαφορετικούς μηχανισμούς υποβάθμισης και πρότυπα αστοχίας.

Κάθε πάνελ απεικονίστηκε μία φορά σε σταθερό ρεύμα έγχυσης ίσο με 0,22 φορές την πυκνότητα ρεύματος βραχυκυκλώματος και η μέγιστη ισχύς του ανακατασκευάστηκε από την προκύπτουσα εικόνα EL.


Στη συνέχεια, οι ερευνητές συνέκριναν τις προβλέψεις με συμβατικές μετρήσεις I-V που πραγματοποιήθηκαν υπό ελεγχόμενες συνθήκες σε εσωτερικό χώρο

«Στο σύνολο δεδομένων των πάνελ που ανακτήθηκαν από το πεδίο, η ανακατασκευασμένη ισχύς συμφωνούσε στενά με τις συμβατικές μετρήσεις I-V, με συνολικό σφάλμα μόλις περίπου 0,5% και τα περισσότερα σφάλματα σε επίπεδο πάνελ να βρίσκονται εντός του 1,5%», δήλωσε ο Lan.

«Η προσέγγιση μίας λήψης μπορεί στην πραγματικότητα να είναι ακριβέστερη από τις μεθόδους πολλαπλών εικόνων, ενώ μειώνει δραστικά τον χρόνο μέτρησης και επιτρέπει την επιθεώρηση πολύ μεγαλύτερης περιοχής με ένα μόνο πέρασμα του drone».

Οι ερευνητές δοκίμασαν επίσης τη μέθοδο σε ένα φωτοβολταϊκό πάρκο ισχύος 186 kW, αποτελούμενο από 342 πάνελ, χρησιμοποιώντας νυχτερινή απεικόνιση EL μέσω drone για τη χαρτογράφηση των απωλειών ισχύος σε επίπεδο κυψέλης, πάνελ και στοιχειοσειράς.

Σε μια αντιπροσωπευτική ομάδα 24 πάνελ, η μέθοδος μέτρησε μέση απώλεια ισχύος 7,53%, ενώ οι απώλειες σε ορισμένες περιοχές κυψελών με σοβαρή υποβάθμιση έφτασαν περίπου το 25%.

Οι ερευνητές χρησιμοποίησαν επίσης την προσέγγιση για να συγκρίνουν τρεις στοιχειοσειρές των 28 πάνελ, οι οποίες επηρεάζονταν αντίστοιχα από ήπιες ρωγμές, σοβαρές ρωγμές και θραύσεις γραμμών μεταλλοποίησης και υποβάθμιση λόγω φωτός.

«Αυτή τη στιγμή εργαζόμαστε για να καταστήσουμε την προσέγγιση διαγνωστικών ελέγχων στο πεδίο ταχύτερη και πιο οικονομικά αποδοτική για τη συνήθη λειτουργία και συντήρηση των φωτοβολταϊκών, μετατρέποντας παράλληλα τις πληροφορίες για την υποβάθμιση σε πρακτική υποστήριξη λήψης αποφάσεων», κατέληξε ο Lan.

«Αυτό περιλαμβάνει τη βοήθεια στην ιεράρχηση επισκευών και αντικαταστάσεων, τη βελτίωση της πρόβλεψης απόδοσης και την παροχή πιο αντικειμενικών στοιχείων για την αξιολόγηση του λειτουργικού κινδύνου και της μακροπρόθεσμης αξίας των περιουσιακών στοιχείων. Εξετάζουμε επίσης την εφαρμογή της σε αναδυόμενες τεχνολογίες ηλιακής ενέργειας, όπως τα φωτοβολταϊκά περοβσκίτη και τα φωτοβολταϊκά διπλής διαστρωμάτωσης».

Το άρθρο «One-shot luminescence diagnostics for field-scale photovoltaics» δημοσιεύθηκε στο Matter & Light. Στη μελέτη συμμετείχαν ερευνητές από το Πανεπιστήμιο Zhejiang της Κίνας, την Quantified Energy (Nanjing), το Zhejiang Provincial Key Laboratory of Optoelectronic Functional Materials and Devices και το University of New South Wales της Αυστραλίας.

www.worldenergynews.gr

Ρoή Ειδήσεων

Δείτε επίσης