با رشد سریع انرژی خورشیدی، این منابع انرژی همچنان با چالشهای قابل توجهی در زمینه نگهداری و بهرهبرداری (O&M) مواجه هستند. نیروگاههای خورشیدی شامل هزاران پنل هستند که تحت تأثیر شرایط محیطی مختلف قرار دارند و نگهداری مؤثر و پیشگیرانه برای حفظ راندمان و اطمینان از بازگشت سرمایه ضروری است.
چالشهای عمده در نگهداری سنتی شامل تشخیص دیرهنگام خرابیها، افت راندمان ناشی از گردوغبار و کاهش تدریجی راندمان پنلها است. هوش مصنوعی (AI) با پردازش دقیق دادهها و تحلیل هوشمند، این چالشها را به فرصتهایی برای بهبود کارایی و کاهش هزینههای نگهداری پنلهای خورشیدی تبدیل کرده است.
دادههای دقیق و بهروز پایه و اساس عملکرد هوش مصنوعی در نگهداری پنلهای خورشیدی هستند. بدون این دادهها، هیچگونه تحلیل یا پیشبینی دقیقی نمیتوان انجام داد. این دادهها نقش اساسی در تشخیص مشکلات و بهینهسازی عملکرد پنلها دارند.
• دادههای کلیدی که باید جمعآوری شوند: شامل دما (دمای محیط و پنلها)، شدت تابش (میزان نور خورشید بر پنلها)، جریان و ولتاژ (مقدار جریان و ولتاژ هر رشته و هر اینورتر)، و تصاویر حرارتی و مرئی (تصاویری که توسط پهپادها یا دوربینهای ثابت گرفته میشوند و به شناسایی مشکلاتی مانند آلودگی، ترکها یا داغشدگی کمک میکنند) هستند.
• اهمیت ثبت دادهها بهطور زنده: یکی از بزرگترین مزایای استفاده از هوش مصنوعی، نظارت لحظهای یا بلادرنگ است. وقتی دادهها بهطور مداوم و بهروز جمعآوری میشوند، سیستمهای هوش مصنوعی میتوانند مشکلات را به محض وقوع شناسایی کرده و واکنشهای لازم را سریعتر از روشهای سنتی شروع کنند. این روش، علاوه بر کاهش زمان تشخیص، باعث میشود که مشکلات قبل از اینکه به خرابیهای جدی تبدیل شوند، برطرف شوند. در مقالهی «مانیتورینگ نیروگاه خورشیدی چرا مهم است؟» در وبسایت دکتر سولار، اهمیت پایش و مانیتورینگ نیروگاههای خورشیدی و تأثیر آن بر عملکرد، نگهداری و افزایش بهرهوری سیستمها توضیح داده شده است.
برای نگهداری هوشمند پنلهای خورشیدی، هوش مصنوعی از مدلهای مختلفی استفاده میکند؛ هر کدام از این مدلها برای یک نوع وظیفه خاص طراحی شدهاند. بعضی برای تحلیل دادههای عددی مناسباند، برخی برای پیشبینی روندها استفاده میشوند و برخی دیگر در تشخیص مشکلات از روی تصویر عملکرد فوقالعادهای دارند.
• Random Forest و SVM: این مدلها بیشتر برای دستهبندی خرابیها و پیشبینیهای ساده بهکار میروند. آنها با استفاده از دادههای سنسورها، الگوهای غیرعادی را تشخیص میدهند و میتوانند مشخص کنند که وضعیت یک پنل طبیعی است یا مشکل دارد.
• CNN (شبکههای عصبی کانولوشنی): این مدلها مخصوص تحلیل تصویر هستند. به دلیل توانایی بالا در شناسایی جزئیات بصری، بهترین گزینه برای تشخیص هاتاسپات، ترکها و سایر مشکلات قابل مشاهده روی سطح پنل محسوب میشوند.
• LSTM و GRU: این شبکهها برای تحلیل دادههایی مناسباند که با گذشت زمان تغییر میکنند. به کمک حافظه داخلی خود، روندهای گذشته را یاد میگیرند تا بتوانند آینده را پیشبینی کنند؛ مثل پیشبینی مقدار تولید پنلها یا زمان احتمالی خرابی تجهیزات.
هوش مصنوعی در نگهداری پنلهای خورشیدی مثل یک چشم همیشه بیدار عمل میکند؛ از لحظهای که کوچکترین تغییر در عملکرد رخ میدهد تا پیشبینی اتفاقاتی که ممکن است ماهها بعد رخ دهند. این فناوری با تحلیل مداوم دادهها و تصاویر، کمک میکند خرابیها زودتر تشخیص داده شوند، زمان مناسب تعمیر یا شستوشو دقیقتر تعیین شود و هزینههای نگهداشت به شکل قابل توجهی کاهش پیدا کند.
هوش مصنوعی میتواند تغییرات بسیار کوچک را که انسانها معمولاً متوجه نمیشوند، شناسایی کند.
• شناسایی زودهنگام خرابی سلولها: مدلهای یادگیری ماشین با بررسی الگوهای جریان و ولتاژ (I-V)، رفتار غیرعادی سلولها یا اتصالات ضعیف را پیدا میکنند؛ یعنی پیش از اینکه افت توان جدی رخ دهد، مشکل شناسایی میشود.
• تشخیص هاتاسپات با مدلهای بینایی کامپیوتری (CV): تصاویر حرارتی گرفتهشده توسط پهپاد یا دوربینهای ثابت، به کمک شبکههای عصبی CNN تحلیل میشوند. این مدلها نقاط بیش از حد گرم (هاتاسپات) را پیدا میکنند؛ نقاطی که نشاندهنده نقص جدی هستند و در صورت بیتوجهی میتوانند باعث خرابی کامل یا حتی آتشسوزی شوند.
بهجای اینکه پس از وقوع خرابی اقدام شود، هوش مصنوعی زمان وقوع مشکلات را پیشبینی میکند تا نگهداری از قبل برنامهریزی شود.
• پیشبینی زمان خرابی با مدلهای LSTM: این شبکههای عصبی که برای تحلیل دادههای زمانی طراحی شدهاند، با بررسی تاریخچه دادهها میتوانند تخمین بزنند که چه زمانی احتمال خرابی قطعاتی مثل اینورتر یا خازن وجود دارد و بهترین زمان تعمیر یا تعویض چه زمانی است. در مقالهی «AI for Solar Panel Predictive Maintenance» که در وبسایت VROC منتشر شده است، مطالعه موردی استفاده از هوش مصنوعی برای نگهداری پیشبین پنلهای خورشیدی و چگونگی بهرهبرداری از دادههای عملکردی برای تشخیص زودهنگام کاهش تولید و بهبود عملیات نگهداری توضیح داده شده است.
• پیشبینی کاهش راندمان بهدلیل آلودگی و فرسودگی: مدلهای هوش مصنوعی با توجه به شرایط محیطی مانند بارندگی، گردوغبار یا مدت زمان کارکرد پنل، میزان کاهش راندمان ناشی از آلودگی یا فرسودگی را پیشبینی میکنند.
در مناطق خشک یا گردوغبارخیز، تصمیمگیری درباره زمان مناسب برای شستوشو اهمیت زیادی دارد.
• تشخیص بهترین زمان شستوشوی پنلها: مدلهای هوش مصنوعی با مقایسه میزان کاهش تولید پنل با هزینههای شستوشو (آب، نیرو، تجهیزات)، زمانی را پیشنهاد میدهند که شستن پنلها بیشترین سود و کمترین هزینه را داشته باشد. این روش هزینههای تعمیر و نگهداری (O&M) را کاهش میدهد.
هوش مصنوعی با استفاده از تصاویر، امکان بازرسی سریع و بسیار دقیق پنلها را فراهم میکند.
• ترکیب پهپاد و بینایی ماشین: تصاویر دقیق گرفتهشده توسط پهپادها با استفاده از الگوریتمهای پردازش تصویر تحلیل میشوند و مواردی مثل ترکهای ریز، سایهاندازی، تجمع شدید گردوغبار، مشکلات PID یا حبابها (Delamination) در مدت زمان کوتاه و با دقت بالا شناسایی میشوند. در مقالهی «سیستمهای جمعآوری اطلاعات و مدیریت در نیروگاه خورشیدی؛ کلید بهرهبرداری هوشمند» در وبسایت دکتر سولار، نقش سیستمهای جمعآوری داده و مدیریت هوشمند در نیروگاههای خورشیدی بررسی شده و نحوه بهبود عملکرد و بهرهبرداری بهینه از طریق این سیستمها تشریح شده است.
هوش مصنوعی به طور مستقیم به افزایش دوام و راندمان پنلهای خورشیدی کمک میکند. این فناوری با تحلیل دقیق دادهها و تصاویر، چالشهای بزرگ نگهداری پنلها در مقیاس جهانی را مدیریت میکند و راهحلهای هوشمند برای کاهش هزینهها و بهینهسازی عملیات ارائه میدهد.
در پروژههای بزرگ خورشیدی در مناطق بیابانی، هوش مصنوعی به کمک تحلیل دادههای محیطی، مانند پیشبینی میزان گردوغبار، زمان شستوشو را بهینه میکند. این سیستمها با مقایسه سود حاصل از شستشو (افزایش تولید انرژی) با هزینههای شستشو (آب و نیروی انسانی)، دقیقاً زمان مناسب برای نظافت پنلها را مشخص میکنند. این روش باعث کاهش مصرف آب و هزینههای عملیاتی (O&M) میشود.
در مراکز انرژی خورشیدی بزرگ در آسیا مانند هند و چین، شرکتها از پهپادها و الگوریتمهای بینایی ماشین (CNN) برای تسریع در بازرسی پنلها استفاده میکنند. این فناوری به پهپادها این امکان را میدهد که هزاران پنل را در یک روز بررسی کرده و مشکلاتی مانند هاتاسپات، ترکهای ریز و سایر عیوب ساختاری را در تصاویر حرارتی و معمولی شناسایی کنند. این روش باعث کاهش زمان بازرسی و افزایش دقت در شناسایی مشکلات میشود.
در کشورهای پیشرفته مانند اروپا و آمریکای شمالی، شرکتهای مدیریت دارایی از هوش مصنوعی برای ارزیابی و مدیریت ریسک در نیروگاههای خورشیدی استفاده میکنند. هوش مصنوعی با تحلیل دادههای خرابیها و شرایط محیطی، ریسکهای بلندمدت مانند آسیب به سلولهای خورشیدی یا فرسودگی قطعات را پیشبینی میکند. این اطلاعات به سرمایهگذاران کمک میکند تا تصمیمات بهتری در مورد تمدید گارانتیها یا برنامهریزی سرمایهگذاریهای آینده بگیرند.
هوش مصنوعی (AI) با تحول فرآیند نگهداری پنلهای خورشیدی، این کار را از یک فعالیت پرهزینه و واکنشی به یک عملیات هوشمند و پیشبینیکننده تبدیل کرده است. این تحول باعث میشود که نیروگاههای خورشیدی پایداری و بازده بالاتری داشته باشند و در هزینهها نیز صرفهجویی شود. بخشهای اصلی این تحول عبارتند از:
• پایش مبتنی بر داده: هوش مصنوعی برای نظارت بر پنلهای خورشیدی از دادههای بلادرنگ (Real-Time) استفاده میکند. این دادهها شامل دما، جریان، ولتاژ و تصاویر میشود که توسط مدلهای هوش مصنوعی مانند CNN (برای تحلیل تصاویر پهپادی و شناسایی هاتاسپاتها و ترکهای ریز) و LSTM (برای پیشبینی زمان خرابی و فرسودگی) پردازش میشوند.
• تشخیص و پیشبینی مشکلات: هوش مصنوعی با تجزیه و تحلیل دادههای جریان-ولتاژ (I-V)، میتواند ناهنجاریها و الگوهای غیرعادی را شناسایی کند. این سیستمها قادرند خرابیهای سلولی یا افت راندمان ناشی از آلودگی را پیش از اینکه به مشکلات جدی تبدیل شوند، شناسایی کنند.
• بهینهسازی عملیات نگهداری: در مناطق خشک و گردوغبارخیز، هوش مصنوعی میتواند بهترین زمان برای شستشوی پنلها را پیشبینی کند. این کار با مقایسه سود حاصل از شستشو (افزایش تولید انرژی) و هزینههای عملیاتی (مصرف آب، نیروی انسانی و هزینههای نگهداری) انجام میشود. نتیجه این فرآیند، کاهش مصرف آب، کاهش هزینههای نگهداری و حفظ راندمان پنلها است.
در نهایت، استفاده از هوش مصنوعی نگهداری پنلهای خورشیدی را دقیقتر، پیشبینیپذیر و کمهزینه کرده است. با تشخیص زودهنگام مشکلات و بهینهسازی عملیات نگهداری، عمر مفید پنلها افزایش یافته و بازده نیروگاههای خورشیدی به شکل قابل توجهی بهبود مییابد.
ارسال نظر
آموزش خورشیدی