DOI: https://doi.org/10.1038/s41598-025-09101-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40628943
تاريخ النشر: 2025-07-08
المؤلف: Montaser Abdelsattar وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم هذه الورقة البحثية نهجًا جديدًا لاكتشاف الشقوق في وحدات الطاقة الشمسية الكهروضوئية (PV) باستخدام تقنيات التعلم العميق (DL)، مع التركيز بشكل خاص على استخدام هياكل الشبكة المتبقية (ResNet). تقيّم الدراسة ثلاثة نماذج من ResNet—ResNet34 وResNet50 وResNet152—حيث تحقق درجات F1 تبلغ 86.63% و87.37% و88.89%، على التوالي. على الرغم من الدقة الأعلى بشكل طفيف لـ ResNet152، إلا أن ResNet34 مفضل بسبب توازنه المثالي بين أداء الكشف وكفاءة الحساب. تم تدريب النموذج على مجموعة بيانات شاملة تتكون من 2000 صورة من الإضاءة الكهروضوئية (EL) من خلايا متعددة البلورات وخلايا أحادية البلورة، مما يضمن تنوع حالات الخلايا من خلال تقسيم منظم للتدريب (70%)، والتحقق (20%)، والاختبار (10%).
تؤكد النتائج على إمكانيات الأطر المتقدمة للتعلم العميق في تشخيص العيوب مبكرًا في الألواح الكهروضوئية، مما يعزز ممارسات الصيانة ويعزز الاستدامة في أنظمة الطاقة الشمسية. لا تساهم هذه الأبحاث فقط في المجال الأكاديمي من خلال تقديم حلول عملية لقطاع الطاقة المتجددة، بل تضع أيضًا أساسًا للتطورات المستقبلية في منهجيات الكشف عن العيوب المعتمدة على الصور. ستركز الأعمال المستقبلية على تحسين دقة وكفاءة الكشف من خلال استكشاف تكوينات وشبكات مختلفة، بهدف تحسين موثوقية وطول عمر بنية الطاقة الشمسية الكهروضوئية.
طرق
في قسم المنهجية، توضح الدراسة نهجًا شاملاً لاكتشاف الشقوق في الألواح الكهروضوئية (PV). يركز القسم 3.1 على تنفيذ هيكل ResNet ضمن خوارزمية الكشف، مع تسليط الضوء على فعاليته في تحديد العيوب. يوضح القسم 3.2 المنهجية الإجرائية المنهجية المستخدمة طوال الدراسة، مما يضمن نهجًا منظمًا للبحث.
علاوة على ذلك، يناقش القسم 3.3 عمليات التدريب والتقييم والتنبؤ لنموذج التعلم العميق (DL)، مع التأكيد على أهمية هذه المراحل في تحقيق نتائج دقيقة في الكشف. يتم تحليل مجموعة البيانات المستخدمة في التحقيق بشكل نقدي في القسم 3.4، مما يوفر رؤى حول أهميتها وتطبيقها. أخيرًا، يتناول القسم 3.5 التقنيات الرياضية المطبقة، مما يبرز أهميتها في المنهجية العامة لتحديد وتقييم العيوب في الألواح الكهروضوئية. كل مكون من هذه المنهجية ضروري لإظهار إطار عمل قوي للكشف عن العيوب في أنظمة الطاقة الشمسية.
نقاش
يسلط قسم النقاش في الورقة البحثية الضوء على الأهمية التاريخية والتحديات التشغيلية لتكنولوجيا الطاقة الكهروضوئية (PV)، التي تطورت منذ بدايتها في عام 1839. تعتبر أنظمة الطاقة الكهروضوئية ضرورية للطاقة المستدامة حيث تقوم بتحويل ضوء الشمس إلى كهرباء، مما يقلل من الاعتماد على الوقود الأحفوري. ومع ذلك، يمكن أن تؤثر الطبيعة المتقطعة للطاقة الشمسية والعوامل البيئية، مثل تراكم الأوساخ والعيوب الهيكلية مثل الشقوق، بشكل كبير على كفاءة الألواح الكهروضوئية. على سبيل المثال، يمكن أن تؤدي الشقوق في وحدات الطاقة الكهروضوئية المدمجة في المباني (BIPV) إلى تقليل إنتاج الطاقة بنسبة تصل إلى 43%. يؤكد القسم على ضرورة الصيانة الروتينية وتقنيات التصوير المتقدمة، مثل الإضاءة الكهروضوئية (EL) والإضاءة الضوئية (PL)، للكشف الفعال وتصنيف العيوب، والتي تعتبر حاسمة لضمان طول عمر وأداء أنظمة الطاقة الكهروضوئية.
تقترح الورقة إطار عمل منهجي للكشف عن الشقوق المعتمد على معالجة الصور في الألواح الكهروضوئية، باستخدام تصوير عالي الدقة وخوارزميات متطورة لتحديد العيوب بدقة. يشمل ذلك تقنيات المعالجة المسبقة لتحسين الصور وتطبيق طرق كشف الحواف والتعرف على الأنماط لتحليل الشقوق المحتملة. تناقش الدراسة أيضًا أنواعًا مختلفة من العيوب، مثل الشقوق الدقيقة وعيوب المواد، وتأثيراتها الضارة على إنتاج الطاقة. علاوة على ذلك، توضح أهمية استخدام تقنيات التعلم الآلي المتقدمة، وخاصة النهج القائم على الشبكة المتبقية (ResNet)، لتحسين دقة الكشف عن العيوب وتسهيل استراتيجيات الصيانة التنبؤية. من خلال معالجة اختلالات مجموعة البيانات واستغلال منهجيات التعلم العميق، تهدف الأبحاث إلى تعزيز الكفاءة التشغيلية وموثوقية أنظمة الطاقة الشمسية، مما يساهم في النهاية في تقدم حلول الطاقة المستدامة.
DOI: https://doi.org/10.1038/s41598-025-09101-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40628943
Publication Date: 2025-07-08
Author(s): Montaser Abdelsattar et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This research paper presents a novel approach for detecting cracks in solar Photovoltaic (PV) modules using Deep Learning (DL) techniques, specifically employing Residual Network (ResNet) architectures. The study evaluates three ResNet models—ResNet34, ResNet50, and ResNet152—achieving F1-Scores of 86.63%, 87.37%, and 88.89%, respectively. Despite the marginally higher accuracy of ResNet152, ResNet34 is preferred due to its optimal balance between detection performance and computational efficiency. The model was trained on a comprehensive dataset of 2000 Electroluminescence (EL) images from various polycrystalline and monocrystalline cells, ensuring diverse cell states through a structured split of training (70%), validation (20%), and testing (10%).
The findings underscore the potential of advanced DL frameworks for early defect diagnosis in PV panels, thereby enhancing maintenance practices and promoting sustainability in solar energy systems. The research not only contributes to the academic field by providing practical solutions for the renewable energy sector but also lays a foundation for future developments in image-based defect detection methodologies. Future work will focus on optimizing detection accuracy and efficiency by exploring various network configurations and topologies, ultimately aiming to improve the reliability and longevity of solar PV infrastructure.
Methods
In the methodology section, the study outlines a comprehensive approach to detecting cracks in photovoltaic (PV) panels. Section 3.1 focuses on the implementation of the ResNet architecture within the detection algorithm, highlighting its effectiveness in identifying faults. Section 3.2 details the systematic procedural methodology employed throughout the study, ensuring a structured approach to the research.
Further, Section 3.3 discusses the training, assessment, and prediction processes of the deep learning (DL) model, emphasizing the importance of these stages in achieving accurate detection outcomes. The dataset utilized for the investigation is critically analyzed in Section 3.4, providing insights into its relevance and application. Lastly, Section 3.5 delves into the mathematical techniques applied, underscoring their significance in the overall methodology for identifying and evaluating defects in PV panels. Each component of this methodology is essential for demonstrating a robust framework for fault detection in solar energy systems.
Discussion
The discussion section of the research paper highlights the historical significance and operational challenges of Photovoltaic (PV) technology, which has evolved since its inception in 1839. PV systems are essential for sustainable energy as they convert sunlight into electricity, thereby reducing reliance on fossil fuels. However, the intermittent nature of solar energy and environmental factors, such as dirt accumulation and structural defects like cracks, can significantly impair the efficiency of PV panels. For instance, cracks in Building-Integrated Photovoltaic (BIPV) modules can lead to power output reductions of up to 43%. The section emphasizes the necessity of routine maintenance and advanced imaging techniques, such as Electroluminescence (EL) and Photoluminescence (PL), for the effective detection and classification of defects, which are crucial for ensuring the longevity and performance of PV systems.
The paper proposes a systematic framework for image processing-based crack detection in PV panels, utilizing high-resolution imaging and sophisticated algorithms for accurate defect identification. This includes preprocessing techniques for image enhancement and the application of edge detection and pattern recognition methods to analyze potential fractures. The study also discusses various types of defects, such as micro-cracks and material defects, and their detrimental effects on energy production. Furthermore, it outlines the importance of employing advanced machine learning techniques, particularly a Residual Network (ResNet) based approach, to improve the accuracy of defect detection and facilitate predictive maintenance strategies. By addressing dataset imbalances and leveraging deep learning methodologies, the research aims to enhance the operational efficiency and reliability of solar energy systems, ultimately contributing to the advancement of sustainable energy solutions.