Photovoltaïque : un scientifique développe une méthode innovante pour identifier les panneaux solaires défectueux
Le système de surveillance des panneaux solaires alimenté par l'IA combine la thermographie infrarouge et des algorithmes avancés pour une précision de 96,8 %
Un chercheur de l'Université de Jönköping en Suède a développé un système de surveillance basé sur l'intelligence artificielle pour les panneaux photovoltaïques utilisant la thermographie infrarouge. Cette nouvelle méthodologie, qui combine des techniques avancées de machine learning, se démarque capacité à résister aux perturbations telles que la rotation, le bruit, l'entartrage et la brume. Les résultats? Une précision de 98% en phase d'entraînement et de 96,8% en test, comme l'explique le Dr. Waqas Ahmed, auteur de l'étude publiée le Rapports énergétiques:
Les approches actuelles basées sur le traitement d’images pour le diagnostic de l’état et des défauts présentent souvent des limites liées à des ensembles de données spécifiques. Ces méthodes souffrent d'une sensibilité à des facteurs tels que la rotation, la mise à l'échelle, le bruit, le flou et la brume. De plus, les algorithmes d'apprentissage en profondeur, bien que puissants, nécessitent des ensembles de données robustes et une optimisation précise des hyperparamètres, ainsi qu'une complexité de calcul et des besoins en mémoire élevés.
Comment fonctionne le système de surveillance des panneaux photovoltaïques
La méthodologie innovante implique l'utilisation d'un caméra infrarouge pour capturer des images thermographiques des panneaux. Ces images, en cours de prétraitement, sont améliorées à l’aide d’un algorithme de dévoilage et d’une optimisation du contraste. Par la suite, chaque image est divisée en sous-images de 5×5 pixels.
Extraction de fonctionnalités locales se produit grâce à des méthodes gaussiennes et non linéaires, éliminant les valeurs redondantes et ne conservant que 80 % des informations les plus significatives. Une fois les données traitées, un algorithme de clustering k-means réduit le vecteur de caractéristiques à 300 éléments par image, optimisant ainsi l'utilisation de la mémoire.
Pour la formation, le modèle est utilisé classificateurs peu profondscomme les machines à vecteurs de support (SVM). Le processus utilise une validation croisée quintuple pour garantir une formation efficace. Le système classe ensuite les panels en trois catégories de santé : sain, avec hotspot ou cassé.
Comparaison avec d'autres techniques d'IA
Le système a été testé sur un système photovoltaïque de 44,24 kW composé de 376 modules de silicium cristallin de 240 W chacun, situé à Lahore, au Pakistan. Les images ont été capturées dans des conditions ambiantes comprenant des températures comprises entre 32°C et 40°C, des vitesses de vent de 6,9 m/s et un éclairement énergétique de 700 W/m². L'infrarouge a été divisé en ensembles de données, utilisant 80 % des images pour la formation et 20 % pour la validation.
La méthodologie a obtenu des résultats impressionnants, avec un précision moyenne de 96,8 %des valeurs de précision de 92 % à 100 % et des scores F1 de 0,958, 1,0 et 0,947 pour les classes de panne, saine et hotspot respectivement. Par rapport à d’autres approches d’IA, elle a montré des performances similaires ou supérieures. Par exemple, la méthode RB-SIFT a obtenu le meilleur score avec 98,66 %, tandis que d'autres techniques telles que SURF et les réseaux neuronaux pré-entraînés ont obtenu 97 %.
Dr. Ahmed conclut que cette méthode représente une avancée importante dans l'amélioration de la fiabilité des panneaux photovoltaïques, en surmontant les limitations de mémoire et de précision des solutions existantes.
Source: Rapports énergétiques
