DOI: https://doi.org/10.3390/su16031012
تاريخ النشر: 2024-01-24
المؤلف: Ahmed Faris Amiri وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم هذه الورقة البحثية نهجًا مبتكرًا للتعلم العميق لاكتشاف الأعطال وتشخيصها في أنظمة الطاقة الشمسية (PV)، مع التأكيد على أهمية المراقبة الموثوقة من أجل الانتقال المستدام للطاقة. تتكون المنهجية من ثلاث خطوات رئيسية: تطوير نموذج PV قوي باستخدام تحسينات هيوريستية، إنشاء قاعدة بيانات شاملة تتضمن بيانات عن درجة حرارة الوحدة والإشعاع الشمسي في ظل ظروف صحية وأخرى معطلة، وتنفيذ بنية شبكة عصبية هجينة تجمع بين طبقات الشبكة العصبية التلافيفية (CNN) ووحدات التكرار المغلقة ثنائية الاتجاه (Bi-GRU). تستفيد هذه البنية بشكل فعال من البيانات المكانية والزمنية، محققة دقة عالية في تحديد أنواع الأعطال المختلفة، مثل الدوائر المفتوحة، والدوائر القصيرة، والتظليل الجزئي.
تسلط النتائج الضوء على مزايا هيكل النموذج ذو المرحلتين، خاصة للأعطال المؤقتة مثل التظليل، التي تتطلب نهجًا دقيقًا للتشخيص الدقيق. بالمقابل، يمكن تمييز الأعطال الدائمة بسهولة أكبر ويمكن معالجتها باستخدام نموذج أبسط. أظهر النموذج الهجين المقترح أداءً استثنائيًا، محققًا معدلات دقة تتجاوز 99% في اكتشاف الأعطال وتشخيصها مقارنة بالطرق التقليدية. تؤكد الدراسة على ضرورة توافق تعقيد النموذج مع طبيعة الأعطال لتحسين كل من الدقة والكفاءة الحاسوبية. ستتوسع الأعمال المستقبلية لتطبيق هذه المنهجية على أنظمة PV متنوعة واستكشاف التنفيذ في الوقت الحقيقي على منصات مثل Raspberry Pi، بهدف تعزيز التطبيق العملي والكفاءة في اكتشاف الأعطال.
مقدمة
ت outline مقدمة الورقة البحثية أهمية الدراسة ضمن مجالها، مع تسليط الضوء على القضايا الرئيسية والفجوات في الأدبيات الحالية. تؤسس السياق من خلال مناقشة النظريات ذات الصلة والنتائج السابقة، مما يمهد الطريق للتحقيق الحالي. يؤكد المؤلفون على ضرورة معالجة هذه الفجوات لتعزيز الفهم ويقترحون نهجًا أو منهجية جديدة سيتم استخدامها في الدراسة.
بالإضافة إلى ذلك، قد تقدم المقدمة الأسئلة البحثية الرئيسية أو الفرضيات التي توجه التحقيق، مع نظرة عامة موجزة عن المساهمات المتوقعة في المجال. من خلال تأطير الدراسة ضمن الخطاب الأكاديمي الأوسع، يهدف المؤلفون إلى إظهار الصلة والتأثير المحتمل لعملهم على الأبحاث المستقبلية والتطبيقات العملية.
طرق
استخدمت الدراسة نظام الطاقة الشمسية (PV) الزجاجي بدون إطار من كادميوم تيلورايد (CdTe) المثبت على سقف سكني في Buštěhrad، جمهورية التشيك، بقدرة إجمالية تبلغ 3.84 كيلووات. تم دمج الألواح الشمسية في الجانبين الشرقي والغربي من السقف المائل، واستبدلت بلاطًا قياسيًا، وتم توصيلها بأربعة محولات ميكرو ثلاثية الطور من APsystems YC1000-3. كان لكل جانب من السقف 24 لوحة مرتبطة بمحولين ميكرو، حيث يدير كل محول ميكرو أربعة قنوات لسلسلة من ثلاثة وحدات PV. تم مراقبة مقاييس أداء النظام، بما في ذلك التيار ($I_{mpp}$)، والجهد ($V_{mpp}$)، والطاقة ($P_{mpp}$) عند نقطة الطاقة القصوى، على فترات زمنية مدتها خمس دقائق منذ أكتوبر 2018.
لتقييم الإشعاع الشمسي ($G$) ودرجة حرارة الوحدة ($T_m$)، تم تثبيت جهازين استشعار للإشعاع Si-RS485TC-2T-MB على كلا جانبي السقف، مع تثبيت أجهزة استشعار درجة الحرارة الخارجية على الجزء الخلفي من وحدات PV، وتسجيل البيانات على فترات زمنية مدتها دقيقة واحدة. تم التحقق من إجراء اكتشاف الأعطال والتشخيص باستخدام سنة واحدة من البيانات المجمعة من الجانب الشرقي من السقف، مع تفاصيل خصائص مولد PV وبيانات الألواح الموضحة في الجداول 1 و 2.
نتائج
تتناول قسم النتائج نتائج نهج نمذجة الطاقة الشمسية (PV) وقواعد البيانات المرتبطة، مع تسليط الضوء على أداء نظام PV عبر ظروف الطقس المختلفة وسيناريوهات الأعطال. توضح التحليلات كيف يعمل النظام تحت هذه الظروف المختلفة، مما يوفر رؤى حول مرونته وكفاءته.
علاوة على ذلك، يتم تقييم فعالية منهجية اكتشاف الأعطال والتشخيص المقترحة، والتي تجمع بين الشبكات العصبية التلافيفية (CNNs) ووحدات التكرار المغلقة ثنائية الاتجاه (Bi-GRU)، باستخدام مقاييس أداء متعددة. يهدف هذا التقييم إلى قياس التحسينات في دقة اكتشاف الأعطال ووقت الاستجابة، مما يبرز الفوائد المحتملة لدمج تقنيات التعلم الآلي المتقدمة في مراقبة وصيانة أنظمة PV.
نقاش
يؤكد قسم النقاش في الورقة على الحاجة الملحة للانتقال إلى مصادر الطاقة المتجددة (RESs) لمكافحة تغير المناخ، مع تسليط الضوء على الدور الحاسم لأنظمة الطاقة الشمسية (PV). مع تجاوز القدرة المركبة العالمية من الطاقة الشمسية علامة التيرافوات بحلول أوائل عام 2022، وتشير التوقعات إلى انخفاضات كبيرة في تكاليف توليد الطاقة الشمسية بحلول عام 2024، تصبح أهمية طرق اكتشاف الأعطال والتشخيص الموثوقة في أنظمة الطاقة الشمسية أمرًا بالغ الأهمية. تم استكشاف تقنيات التعلم الآلي (ML) والتعلم العميق (DL) المختلفة لهذا الغرض، مع دراسات تظهر فعاليتها في تحديد الأعطال مثل التظليل الجزئي، والدوائر المفتوحة، وظروف الدوائر القصيرة. ومع ذلك، لا تزال هناك تحديات، بما في ذلك القضايا المتعلقة بالتحيز الزائد وتعقيد تمثيل البيانات عالية الأبعاد.
تقترح الورقة نهجًا هجينيًا جديدًا يدمج الشبكات العصبية التلافيفية (CNNs) ووحدات التكرار المغلقة ثنائية الاتجاه (Bi-GRUs) لتعزيز اكتشاف الأعطال وتشخيصها في أنظمة الطاقة الشمسية. يستفيد هذا الأسلوب من المخرجات الديناميكية عند نقاط الطاقة القصوى (MPPs)، والتي تتوفر بسهولة أكبر من قياسات منحنيات I-V التقليدية، مما يعالج بعض القيود الموجودة في الطرق الحالية. يتم التحقق من التقنية المقترحة باستخدام سنة من البيانات المراقبة من تركيب الطاقة الشمسية في جمهورية التشيك، مع استخدام نموذج أداء مصفوفة Sandia (SAPM) لمحاكاة دقيقة لحالات النظام الصحية والمعطلة. تهدف النتائج إلى المساهمة بشكل كبير في موثوقية وكفاءة وسلامة أنظمة الطاقة الشمسية، مما يدعم في النهاية الهدف الأوسع المتمثل في تعزيز تقنيات الطاقة المتجددة.
DOI: https://doi.org/10.3390/su16031012
Publication Date: 2024-01-24
Author(s): Ahmed Faris Amiri et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This research paper presents an innovative deep learning approach for fault detection and diagnosis in photovoltaic (PV) systems, emphasizing the importance of reliable monitoring for sustainable energy transition. The methodology consists of three key steps: the development of a robust PV model using heuristic optimization, the creation of a comprehensive database that includes data on module temperature and solar irradiance under both healthy and faulty conditions, and the implementation of a hybrid neural network architecture combining Convolutional Neural Network (CNN) and Bidirectional Gated Recurrent Unit (Bi-GRU) layers. This architecture effectively leverages both spatial and temporal data, achieving high accuracy in identifying various fault types, such as open circuits, short circuits, and partial shading.
The findings highlight the advantages of a two-phase model structure, particularly for temporary faults like shading, which require a nuanced approach for accurate diagnosis. In contrast, permanent faults are more easily distinguished and can be addressed with a simpler model. The proposed hybrid model demonstrated exceptional performance, achieving accuracy rates exceeding 99% in fault detection and diagnosis compared to traditional methods. The study underscores the necessity of aligning model complexity with the nature of faults to optimize both accuracy and computational efficiency. Future work will extend the application of this methodology to diverse PV systems and explore real-time implementation on platforms like Raspberry Pi, aiming to enhance practical applicability and efficiency in fault detection.
Introduction
The introduction of the research paper outlines the significance of the study within its field, highlighting the key issues and gaps in existing literature. It establishes the context by discussing relevant theories and previous findings, which set the stage for the current investigation. The authors emphasize the necessity of addressing these gaps to advance understanding and propose a novel approach or methodology that will be employed in the study.
Additionally, the introduction may present the primary research questions or hypotheses that guide the investigation, along with a brief overview of the expected contributions to the field. By framing the study within the broader academic discourse, the authors aim to demonstrate the relevance and potential impact of their work on future research and practical applications.
Methods
The study utilized a frameless Glass-Glass Cadmium Telluride (CdTe) thin-film photovoltaic (PV) system installed on a residential roof in Buštěhrad, Czechia, with a total capacity of 3.84 kW. The PV panels were integrated into the east and west sides of the pitched roof, replacing standard tiles, and were connected to four APsystems YC1000-3 three-phase microinverters. Each roof side featured 24 panels linked to two microinverters, with each microinverter managing four channels for a string of three PV modules. The system’s performance metrics, including current ($I_{mpp}$), voltage ($V_{mpp}$), and power ($P_{mpp}$) at maximum power point, were monitored at five-minute intervals since October 2018.
To assess solar irradiance ($G$) and module temperature ($T_m$), two Si-RS485TC-2T-MB irradiance sensors were installed on both sides of the roof, with external temperature sensors affixed to the back of the PV modules, recording data at one-minute intervals. The fault detection and diagnosis procedure was validated using one year of data collected from the east side of the roof, with the characteristics of the PV generator and panel data detailed in Tables 1 and 2.
Results
The results section details the outcomes of the photovoltaic (PV) modeling approach and the associated databases, highlighting the PV system’s performance across various weather conditions and fault scenarios. The analysis demonstrates how the system operates under these differing circumstances, providing insights into its resilience and efficiency.
Furthermore, the effectiveness of the proposed fault detection and diagnosis methodology, which combines Convolutional Neural Networks (CNNs) and Bidirectional Gated Recurrent Units (Bi-GRU), is evaluated using multiple performance metrics. This assessment aims to quantify the improvements in fault detection accuracy and response time, underscoring the potential benefits of integrating advanced machine learning techniques in PV system monitoring and maintenance.
Discussion
The discussion section of the paper emphasizes the urgent need for a transition to renewable energy sources (RESs) to combat climate change, highlighting the critical role of solar photovoltaic (PV) systems. With the global installed PV capacity exceeding the Terawatt mark by early 2022, and projections indicating significant cost reductions in PV generation by 2024, the importance of reliable fault detection and diagnosis methods in PV systems becomes paramount. Various machine learning (ML) and deep learning (DL) techniques have been explored for this purpose, with studies demonstrating their effectiveness in identifying faults such as partial shading, open-circuit, and short-circuit conditions. However, challenges remain, including issues related to overfitting and the complexity of high-dimensional data representation.
The paper proposes a novel hybrid approach that integrates Convolutional Neural Networks (CNNs) and Bidirectional Gated Recurrent Units (Bi-GRUs) to enhance fault detection and diagnosis in PV systems. This method leverages dynamic outputs at maximum power points (MPPs), which are more readily available than traditional I-V curve measurements, thus addressing some of the limitations of existing methods. The proposed technique is validated using a year’s worth of monitored data from a PV installation in Czechia, employing the Sandia Array Performance Model (SAPM) for accurate simulation of both healthy and faulty system states. The results aim to contribute significantly to the reliability, efficiency, and safety of PV systems, ultimately supporting the broader goal of advancing renewable energy technologies.