Ứng dụng AI để nhận dạng tấm quang điện mặt trời bị hư hỏng

Trong quá trình vận hành và thi công, các nhà máy điện mặt trời (NMĐMT) có thể xảy ra các dạng hư hỏng, sự cố như sự cố ở phía DC, tia lửa điện hư hỏng bộ biến tần, nứt vỡ, hư hỏng bề mặt các tấm pin mặt trời,… Trong các dạng sự cố này thì sự cố hư hỏng bề mặt các tấm pin mặt trời chiếm tỉ trọng lớn.

• Ứng dụng AI để cảnh báo sự cố, nâng cao hiệu suất hệ thống điện mặt trời
• Ứng dụng trí tuệ nhân tạo trong việc dự đoán giá bất động sản

Việc xác định tấm pin mặt trời bị hỏng có vai trò rất quan trọng trong đảm bảo vận hành an toàn, tin cậy và hiệu suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, chúng tôi đề xuất sử dụng mô hình deep learning để tự động hoá việc phân loại tấm pin mặt trời bị lỗi.

1. Mô hình nhận dạng tấm pin bị lỗi dựa trên deep learning

Mô hình nhận dạng tấm pin bị lỗi được thể hiện ở Hình 1. Đây là một mô hình deep learning được sử dụng rất phổ biến trong các bài toán nhận dạng ảnh. Kiến trúc mạng nơ-ron tích chập được thể hiện ở Hình 2. Kiến trúc này bao gồm lớp dữ liệu đầu vào, lớp dữ liệu đầu ra và nhiều lớp ẩn, các lớp ẩn có thể là lớp tích chập (convolution), hoặc lớp gộp (pooling).

Mỗi lớp tích chập sẽ được sử dụng các bộ lọc khác nhau, số lượng thường đến hàng trăm, hàng nghìn bộ lọc, sau đó sẽ kết hợp kết quả của chúng lại với nhau. Lớp tích chập này sẽ được đi qua một hàm kích hoạt để tạo ra các thông tin trừu tượng hơn cho các lớp tiếp theo. Hàm kích hoạt được áp dụng vào giá trị của một nơ-ron để cho ra giá trị của một nơ-ron liên kết với nơ-ron ban đầu. Các hàm này là các hàm phi tuyến, thể hiện cho mối quan hệ phức tạp của dữ liệu

Hàm sigmoid là hàm kích hoạt được sử dụng rất phổ biến trong các mô hình deep learning. Đây là một hàm phi tuyến với giá trị đầu vào là số thực và giá trị đầu ra là một số nằm trong khoảng (0,1). Chính vì vậy, hàm này thường được xem là xác suất cho một vài bài toán nhận dạng. Tuy nhiên, nhược điểm của hàm sigmoid là đạo hàm gần như bằng không tại các giá trị đầu vào có biên độ lớn, do đó ảnh hưởng đến tốc độ hội tụ của thuật toán. Để khắc phục nhược điểm đạo hàm bị triệt tiêu thì những năm gần đây người ta thường sử dụng hàm kích hoạt ReLU (Rectified Linear Unit). Hàm này có tốc độ tính toán nhanh hơn hàm sigmoid do có biểu thức toán học đơn giản và tránh được vấn đề đạo hàm bị triệt tiêu khi giá trị đầu vào lớn.

2. Kết quả

Mô hình được huấn luyện và kiểm thử trên bộ dữ liệu bao gồm tập dữ liệu lớn các bức ảnh điện phát quang các tấm pin mặt trời loại mono và poly có độ phân giải cao được đưa về, được trích xuất từ mô-đun năng lượng mặt trời, cụ thể hình ảnh các loại tấm pin mặt trời được mô tả tại Hình 5.

3. Kết luận

Nghiên cứu này đề xuất một một cách tiếp cận để phân loại tự động tấm quang mặt trời bị hỏng từ hình ảnh tấm quang điện mặt trời dựa trên mô hình mạng nơ-ron tích chập, kết hợp với thuật toán máy học véctơ hỗ trợ. Mạng nơ-ron tích chập đóng vai trò trích xuất các đặc trưng từ hình ảnh điện phát quang của tấm pin mặt trời, còn thuật toán máy học véctơ hỗ trợ đóng vai trò phân loại tấm pin bị hỏng từ các đặc trưng trích xuất được. Từ kết quả nghiên cứu đã chỉ ra rằng mô hình này cho kết quả nhận dạng tấm pin hỏng với độ chính xác đạt được 95,63%.

Tài liệu tham khảo

1. Zhou, ; Zhou, T.; Tian, Y.; Zhu, X.; Tu, Y. Perovskite-based solar cells: Materials, methods, and future perspectives. J. Nanomater. 2018, 2018, 8148072. [CrossRef]

2. Dhanraj, A.; Mostafaeipour, A.; Velmurugan, K.; Techato, K.; Chaurasiya, P.K.; Solomon, J.M.; Gopalan, A.; Phoungthong, K. An effective evaluation on fault detection in solar panels. Energies 2021, 14, 7770. [CrossRef]
3. Köntges, ; Kurtz, S.; Packard, C.E.; Jahn, U.; Berger, K.; Kato, K.; Friesen, T.; Liu, H.; Van Iseghem, M.; Wohlgemuth, J.; et al.Review of Failures of Photovoltaic Modules; Report EAI-PVPS T13-01:2014; International Energy Agency: Paris, France, 2014.

4. Lee, H.; Park, J.H. Developing inspection methodology of solar energy plants by thermal infrared sensor on board unmanned aerial vehicles. Energies 2019, 12, 2928. [CrossRef]
5. Shihavuddin, S.M.; Rashid, M.R.A.; Maruf, M.H.; Hasan, M.A.; ul Haq, M.A.; Ashique, R.H.; Al Mansur, A. Image based surface damage detection of renewable energy installations using a unified deep learning approach. Energy Rep. 2021, 7, 4566–4576. [CrossRef]
6. Deitsch, S.; Christlein, ; Berger, S.; Buerhop-Lutz, C.; Maier, A.; Gallwitz, F.; Riess, C. Automatic classification of defective photovoltaic module cells in electroluminescence images. Sol. Energy 2019, 185, 455–468. [CrossRef]
7. Elmeseiry, N.; Alshaer, N.; Ismail, A detailed survey and future directions of unmanned aerial vehicles (uavs) with potential applications. Aerospace 2021, 8, 363. [CrossRef]
8. An Overview of Semantic Image Segmentation. Available online: https://www.jerme/semantic-segmentation/ (accessed on 27 September 2021).

Ngô Đăng Lưu (Công ty Anh Minh Global)
Nguyễn Hùng (Trường ĐH Công nghệ TPHCM)
Nguyễn Thị Nguyệt Ánh (Trường ĐH Tài nguyên và Môi trường TPHCM)