Ένα βήμα πιο κοντά στην πλήρως αυτοματοποιημένη επιθεώρηση φωτοβολταϊκών εγκαταστάσεων φέρνει ερευνητική ομάδα από την Πολωνία και την Ισπανία, η οποία ανέπτυξε σύστημα drone που συνδυάζει θερμικές και πολυφασματικές κάμερες με τεχνητή νοημοσύνη.
Στόχος είναι το drone να μπορεί να εντοπίζει αυτόματα προβλήματα στα φωτοβολταϊκά πάνελ, χωρίς να απαιτείται συνεχής ανθρώπινη παρέμβαση. Το σύστημα αναλύει τις εικόνες που καταγράφονται κατά την πτήση και αναζητά οπτικές και θερμικές ενδείξεις που μπορεί να συνδέονται με βλάβες ή ρύπανση των πλαισίων.
Για τις δοκιμές κατασκευάστηκε ένα εξακόπτερο drone, το οποίο εξοπλίστηκε με θερμική κάμερα FLIR Boson 640 και πολυφασματική κάμερα MicaSense Altum. Ο συνδυασμός των δύο αισθητήρων επιτρέπει τη συλλογή διαφορετικών τύπων δεδομένων από τα πάνελ, με το σύστημα να αξιοποιεί στη συνέχεια αλγορίθμους τεχνητής νοημοσύνης για την αναγνώριση πιθανών ανωμαλιών.
Ιδιαίτερο ενδιαφέρον παρουσιάζει η προσέγγιση που ακολουθήθηκε για τις θερμικές εικόνες. Το σύστημα δεν βασίζεται αποκλειστικά στη μέτρηση της απόλυτης θερμοκρασίας ενός πάνελ. Αντίθετα, αναζητά θερμικά μοτίβα που διαφέρουν από την υπόλοιπη επιφάνεια και επιβεβαιώνει την ύπαρξη μιας πιθανής ανωμαλίας εξετάζοντας περισσότερες από μία εικόνες, από διαφορετικές γωνίες.
Οι ερευνητές πραγματοποίησαν αυτόνομες πτήσεις τόσο πάνω από μια μικρή οικιακή φωτοβολταϊκή εγκατάσταση όσο και σε μια μεγάλη βιομηχανική μονάδα. Οι πτήσεις έγιναν σε ύψος 18 έως 30 μέτρων, με στόχο να επιτευχθεί υψηλή ανάλυση των εικόνων. Συνολικά, για την εκπαίδευση και την αξιολόγηση του συστήματος χρησιμοποιήθηκαν 2.400 εικόνες από πραγματικές πτήσεις, δημόσια διαθέσιμα δεδομένα και εργαστηριακές δοκιμές.
Η τεχνητή νοημοσύνη εκπαιδεύτηκε να αναγνωρίζει διαφορετικές κατηγορίες προβλημάτων, όπως hotspots, σκόνη, άμμο και περιττώματα πουλιών, ενώ ως ξεχωριστή κατηγορία καταγράφηκαν τα καθαρά πάνελ.
Από τα μοντέλα που δοκιμάστηκαν, καλύτερη συνολική απόδοση παρουσίασε το EfficientNet-B0. Ιδιαίτερα υψηλή ήταν η αποτελεσματικότητά του στον εντοπισμό hotspots και καθαρών πάνελ, όπου οι δείκτες ακρίβειας, ανάκλησης και F1 έφτασαν στο 1,000. Αντίθετα, μεγαλύτερη δυσκολία παρουσιάστηκε στον εντοπισμό της σκόνης, καθώς οι συγκεκριμένες αλλοιώσεις είναι συχνά λιγότερο ευδιάκριτες στις εικόνες.
Η συγκεκριμένη τεχνολογία θα μπορούσε να μειώσει σημαντικά τον χρόνο που απαιτείται για τον έλεγχο μεγάλων φωτοβολταϊκών πάρκων. Αντί για χειροκίνητες επιθεωρήσεις, τα drones θα μπορούν να καλύπτουν αυτόνομα μεγάλες εκτάσεις και να επισημαίνουν τα σημεία που χρειάζονται περαιτέρω έλεγχο ή συντήρηση.
Οι ερευνητές εκτιμούν, παράλληλα, ότι η αρχιτεκτονική του συστήματος μπορεί να επεκταθεί ώστε να επιτρέπει τη συνεργασία πολλών drones και την ταυτόχρονη αξιοποίηση δεδομένων από περισσότερους αισθητήρες. Η εξέλιξη αυτή θα μπορούσε να ανοίξει τον δρόμο για ταχύτερη και πιο στοχευμένη παρακολούθηση μεγάλων φωτοβολταϊκών εγκαταστάσεων.
Η έρευνα των επιστημόνων από το Rzeszow University of Technology της Πολωνίας και το Polytechnic University of Valencia της Ισπανίας δημοσιεύθηκε στο επιστημονικό περιοδικό Measurement.
