DOI: https://doi.org/10.1038/s41598-026-39386-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41720880
تاريخ النشر: 2026-02-20
المؤلف: Abdellatif Seghiour وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم هذه البحث إطار عمل جديد للذكاء الاصطناعي لاكتشاف الأعطال وتشخيصها (FDD) في أنظمة الطاقة الشمسية (PV)، يدمج الشبكات العصبية التلافيفية (CNNs) مع تحليل الزمن-التردد باستخدام توزيع ويجنر-فيل (WVD). تقوم الطريقة بتحويل القياسات الخام—مثل الإشعاع الشمسي، ودرجة الحرارة، والجهد، والتيار، والطاقة—إلى صور زمنية-ترددية مضغوطة 6×12، مما يسهل استخراج الميزات بشكل فعال بواسطة الشبكات العصبية التلافيفية. تم تقييم الإطار على مجموعة بيانات شاملة من 17 فئة، بما في ذلك حالة صحية واحدة وستة عشر نوعًا من الأعطال، تحت ظروف خالية من الضوضاء وظروف ضوضاء. أظهرت الشبكة العصبية التلافيفية أداءً متفوقًا، حيث حققت دقة 90.27% تحت ظروف ضوضاء، متفوقة على الشبكات العصبية الاصطناعية التقليدية (ANNs)، والشبكات العصبية العميقة (DNNs)، ونماذج التعلم الآلي الأخرى.
تسلط الدراسة الضوء على المساهمات الرئيسية، بما في ذلك الاستخدام المبتكر لـ WVD لتوليد تمثيلات معلوماتية لإشارات الطاقة الشمسية، واستراتيجية تنظيم بيانات منظمة، وهيكلية شبكة عصبية تلافيفية تحافظ على قدرة تمييز عالية حتى في وجود الضوضاء. أظهر إطار CNN-WVD تدهورًا قدره 8.91% فقط لكل وحدة ضوضاء، وهو أفضل بكثير من معدلات التدهور لنماذج ANN وDNN وRandom Forest. على الرغم من بعض القيود—مثل الحاجة إلى تسريع GPU أثناء التدريب والتعديلات المحتملة الخاصة بالموقع للنشر—تضع مزايا الإطار في الدقة، ومقاومة الضوضاء، والأتمتة كحل واعد لتعزيز موثوقية المراقبة ودعم الصيانة التنبؤية في التركيبات الكبيرة للطاقة الشمسية. تؤكد النتائج على أهمية أنظمة اكتشاف الأعطال الذكية في زيادة إنتاج الطاقة وتسهيل الانتقال إلى أنظمة الطاقة المستدامة.
مقدمة
تسلط المقدمة الضوء على التوسع العالمي الكبير في أنظمة الطاقة الشمسية (PV)، مع التأكيد على القضية الحرجة للأعطال التي تهدد موثوقيتها وكفاءتها. تم استخدام طرق الفحص البصري التقليدية، بما في ذلك التصوير الحراري بالأشعة تحت الحمراء، والإضاءة الكهربائية، والإضاءة الضوئية، بشكل شائع لتحديد هذه الأعطال. تقترح هذه القسم تحولًا نحو تقنيات أكثر تقدمًا، قد تتضمن منهجيات التعلم العميق، لتعزيز اكتشاف الأعطال في أنظمة الطاقة الشمسية، وبالتالي تحسين أدائها التشغيلي وطول عمرها.
النتائج
في هذا القسم، تؤكد الدراسة على أهمية النمذجة الدقيقة وتوصيف أنظمة الطاقة الشمسية (PV) من أجل تحليل فعال. تم اختيار نموذج الصمام الثنائي الفردي، نظرًا لتوازنه بين البساطة والدقة، لتكرار خصائص وحدة الطاقة الشمسية ISOFOTON 106/12. يتم تفصيل المعلمات الكهربائية للوحدة تحت ظروف الاختبار القياسية (STC) في الجدول 1، والذي يتضمن مقاييس مثل تيار نقطة القدرة القصوى ($I_{mpp}$)، والجهد ($V_{mpp}$)، والطاقة ($P_{mpp}$).
تم إجراء التحقق الثابت من وحدة الطاقة الشمسية باستخدام دائرة محاكاة في MATLAB-PSIM، مع تضمين عوامل بيئية مثل الإشعاع الشمسي ($S$) ودرجة الحرارة ($T$)، إلى جانب مسح جهد متغير. نجح النموذج في توليد خصائص التيار-الجهد (I-V) والطاقة-الجهد (P-V)، والتي تمت مقارنتها مع البيانات التجريبية. تكشف النتائج عن توافق وثيق بين النتائج التجريبية والمحاكاة، حيث حددت كلا المجموعتين نقطة القدرة القصوى (MPP) بحوالي 80 واط وجهد قريب من 18 فولت. يؤكد هذا الارتباط القوي تحت ظروف $T = 27.1^\circ C$ و$S = 809 \, \text{W/m}^2$ موثوقية نموذج المحاكاة في تمثيل الخصائص غير الخطية لوحدة الطاقة الشمسية بدقة، مما يدعم تطبيقه في تقييم الأداء والتحسين.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في تقنيات التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs)، لأتمتة اكتشاف الأعطال البصرية في أنظمة الطاقة الشمسية (PV). تم تطوير نموذج جديد لاكتشاف الأعطال وتشخيصها (FDD)، يدمج الشبكات العصبية التلافيفية مع الشبكات التنافسية التوليدية فاسرشتاين (WGANs). يتكون هذا النموذج من ثلاثة وحدات مترابطة: مميز، ومولد، ومصنف، والتي تعزز معًا تحديد الأعطال مثل أعطال الخط-خط وأعطال الدائرة المفتوحة. يتم التحقق من فعالية النموذج من خلال التجارب على نظام الطاقة الشمسية المتصل بالشبكة في المختبر، مما يظهر قدرته على تشخيص الأعطال بدقة وتحسين المراقبة والصيانة لأنظمة الطاقة الشمسية.
بالإضافة إلى ذلك، تناقش الورقة منهجيات مختلفة للمراقبة والتشخيص في الوقت الحقيقي لأنظمة الطاقة الشمسية، بما في ذلك استخدام الشبكات العصبية التلافيفية المدربة مسبقًا لاكتشاف ظروف الظل الجزئي وتطبيق طرق استخراج الميزات الهجينة لتعزيز دقة تصنيف الصور. تستفيد الأساليب المقترحة من تقنيات متقدمة مثل توزيع ويجنر-فيل لتحويل البيانات الرقمية إلى تمثيلات صور، مما يسهل معالجة الشبكات العصبية التلافيفية بشكل فعال. تشير النتائج إلى أن هذه الطرق لا تحسن فقط دقة اكتشاف الأعطال ولكن أيضًا تعزز موثوقية واستدامة تقنيات الطاقة المتجددة، مما يمهد الطريق للبحث المستقبلي في تشخيص أنظمة الطاقة الشمسية.
DOI: https://doi.org/10.1038/s41598-026-39386-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41720880
Publication Date: 2026-02-20
Author(s): Abdellatif Seghiour et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This research presents a novel artificial intelligence framework for fault detection and diagnosis (FDD) in photovoltaic (PV) systems, integrating Convolutional Neural Networks (CNNs) with time-frequency analysis using the Wigner-Ville Distribution (WVD). The method converts raw measurements—such as solar irradiance, temperature, voltage, current, and power—into compact 6×12 time-frequency images, facilitating effective feature extraction by CNNs. The framework was evaluated on a comprehensive dataset of 17 classes, including one healthy condition and sixteen fault types, under both noiseless and noisy conditions. The CNN demonstrated superior performance, achieving 90.27% accuracy under noisy conditions, outperforming classical Artificial Neural Networks (ANNs), Deep Neural Networks (DNNs), and other machine learning models.
The study highlights key contributions, including the innovative use of WVD for generating informative representations of PV signals, a structured data organization strategy, and a CNN architecture that maintains high discrimination capability even in the presence of noise. The CNN-WVD framework exhibited a degradation of only 8.91% per noise unit, significantly better than the degradation rates of ANN, DNN, and Random Forest models. Despite some limitations—such as the need for GPU acceleration during training and potential site-specific adjustments for deployment—the framework’s advantages in accuracy, noise resilience, and automation position it as a promising solution for enhancing monitoring reliability and supporting predictive maintenance in large-scale PV installations. The findings underscore the importance of intelligent fault detection systems in maximizing energy yield and facilitating the transition to sustainable energy systems.
Introduction
The introduction highlights the significant global expansion of photovoltaic (PV) systems, emphasizing the critical issue of faults that threaten their reliability and efficiency. Traditional visual inspection methods, including infrared thermography, electroluminescence, and photoluminescence, have been commonly employed to identify these faults. The section suggests a shift towards more advanced techniques, potentially incorporating deep learning methodologies, to enhance fault detection in PV systems, thereby improving their operational performance and longevity.
Results
In this section, the study emphasizes the importance of accurate modeling and characterization of photovoltaic (PV) systems for effective analysis. The single diode model, chosen for its balance of simplicity and accuracy, was utilized to replicate the characteristics of the ISOFOTON 106/12 PV module. The electrical parameters of the module under Standard Test Conditions (STC) are detailed in Table 1, which includes metrics such as maximum power point current ($I_{mpp}$), voltage ($V_{mpp}$), and power ($P_{mpp}$).
The static validation of the PV module was performed using a circuit simulated in MATLAB-PSIM, incorporating environmental factors like solar irradiance ($S$) and temperature ($T$), alongside a variable voltage sweep. The model successfully generated the current-voltage (I-V) and power-voltage (P-V) characteristics, which were compared with experimental data. The findings reveal a close alignment between the experimental and simulated results, with both sets identifying the maximum power point (MPP) at approximately 80 W and a voltage near 18 V. This strong correlation under conditions of $T = 27.1^\circ C$ and $S = 809 \, \text{W/m}^2$ confirms the reliability of the simulation model in accurately representing the non-linear characteristics of the PV module, thereby supporting its application in performance evaluation and optimization.
Discussion
The discussion section of the research paper highlights advancements in deep learning (DL) techniques, particularly convolutional neural networks (CNNs), for automating visual fault detection in photovoltaic (PV) systems. A novel fault detection and diagnosis (FDD) model has been developed, integrating CNNs with Wasserstein Generative Adversarial Networks (WGANs). This model comprises three interconnected modules: a discriminator, a generator, and a classifier, which collectively enhance the identification of faults such as line-line and open circuit failures. The model’s effectiveness is validated through experiments on a laboratory grid-connected PV system, demonstrating its capability to accurately diagnose faults and improve the monitoring and maintenance of PV systems.
Additionally, the paper discusses various methodologies for real-time monitoring and diagnosis of PV systems, including the use of pre-trained CNNs for detecting partial shading conditions and the application of hybrid feature extraction methods to enhance image classification accuracy. The proposed approaches leverage advanced techniques such as the Wigner-Ville distribution for transforming numerical data into image representations, facilitating effective CNN processing. The results indicate that these methods not only improve fault detection accuracy but also enhance the reliability and sustainability of renewable energy technologies, paving the way for future research in PV system diagnostics.