Дослідження впливу забруднення на втрати потужності фотоелектричних панелей

Abstract

Однією з найважливіших умов ефективної роботи сонячних електростанцій з великою встановленою потужністю є забезпечення систематичного моніторингу стану поверхні фотоелектричних модулів. Ця процедура спрямована на своєчасне виявлення зовнішніх пошкоджень модулів, а також їх часткового затінення. Здійснення цих заходів виключно шляхом візуального огляду обслуговуючим персоналом електростанції вимагає значної трудомісткості через великі площі генеруючих полів та умови експлуатації. Існують підходи, спрямовані на підвищення енергоефективності потужних сонячних електростанцій шляхом автоматизації процедур огляду поверхонь фотоелектричних модулів. Рішення базується на використанні різних засобів з корисним навантаженням, здатного записувати відео та геопросторові дані. Для виконання процедур виявлення проблемних модулів пропонується використовувати технологію «виявлення об'єктів», яка використовує методи класифікації нейронних мереж, що характеризуються високою адаптивністю до різних параметрів зображення. Результати тестування технології показали, що використання нейронної мережі на основі архітектури R-CNN з алгоритмом навчання Inception v2 (COCO) дозволяє виявляти проблемні фотоелектричні модулі з точністю понад 95% у ясний день.

One of the most important conditions for the effective operation of solar power plants with a large installed capacity is to ensure systematic monitoring of the surface condition of photovoltaic modules. This procedure is aimed at timely detection of external damage to the modules, as well as their partial shading. The implementation of these measures solely by visual inspection by the power plant maintenance personnel requires significant labor intensity due to the large areas of generating fields and operating conditions. There are approaches aimed at increasing the energy efficiency of powerful solar power plants by automating the procedures for inspecting the surfaces of photovoltaic modules. The solution is based on the use of various payloads capable of recording video and geospatial data. To perform the procedures for detecting problematic modules, it is proposed to use the "object detection" technology, which uses neural network classification methods characterized by high adaptability to various image parameters. The results of testing the technology showed that the use of a neural network based on the R-CNN architecture with the Inception v2 (COCO) learning algorithm allows detecting problematic photovoltaic modules with an accuracy of over 95% on a clear day.