Новая технология обнаружения нескольких точек доступа на основе дескриптора признаков Lab*
Аккумулятор FIAMM FG 20722
Исследователь из Husqvarna разработал быстрый и понятный метод обнаружения «горячих точек» на фотоэлектрических панелях с помощью ИК-термографии и характеристик цветового пространства Lab* вместо сложных нейронных сетей. Точность метода с использованием поверхностных классификаторов достигает 95,2 %. Эта лёгкая система работает в режиме реального времени на дронах или периферийных устройствах и может ежегодно экономить 17 620 кВт⋅ч и 8,9 тонны CO₂ за счёт более эффективного обнаружения неисправностей в солнечных панелях.
Сегментация патчей
Исследователь из Husqvarna Group, шведского производителя электроинструментов для работы на открытом воздухе, разработал новую, лёгкую и понятную систему для обнаружения неисправностей фотоэлектрических систем в режиме реального времени.
Этот метод использует инфракрасную (ИК) термографию и, вместо того чтобы полагаться на общие дескрипторы характеристик изображения, основанные на многомерной текстуре, применяет анализ в едином цветовом пространстве Lab*. Lab* широко используется в полиграфии, фотографии, дизайне, производстве и колористике, поскольку он не зависит от устройства и воспринимается одинаково всеми. Разделение яркости (L) и цветности (a и b) позволяет лучше выявлять дефекты на поверхности.
«В этой работе представлен новый, ориентированный на применение подход к обнаружению нескольких горячих точек, который отличается от преобладающих тенденций в области фотоэлектрической термографии, — рассказал исследователь Вакас Ахмед в интервью журналу PV. — Вместо того чтобы полагаться на свёрточные нейронные сети или многомерные дескрипторы текстур, я предлагаю конвейер извлечения признаков на основе однородного с точки зрения восприятия цветового пространства Lab*, который создаёт компактный вектор из 80 статистических дескрипторов для каждого изображения».
«В новой конструкции приоритет отдается интерпретируемости, вычислительной эффективности и устойчивости к изменениям освещения и окружающей среды, что делает ее подходящей для использования с дронами, портативными устройствами и встроенными периферийными системами, — пояснил Ахмед. — Было удивительно наблюдать, как новая технология обеспечивает высокую точность определения горячих точек, сравнимую с гораздо более сложными моделями, при этом сохраняя устойчивость к изменениям освещения и условиям съемки».
Новый метод начинается со съёмки инфракрасных термограмм работающих фотоэлектрических модулей с разрешением 640×512 пикселей и преобразования их из исходных каналов в цветовое пространство L*, a*, b*. Затем каждое изображение делится на 16 участков размером 64×64 пикселя для локального обнаружения неисправностей.
Затем система извлекает две статистические величины из канала L* (среднее значение и стандартное отклонение) и три величины из канала b* (среднее значение, стандартное отклонение и энтропию). В целом каждое изображение содержит 80 признаков, по пять признаков извлекаются из каждого из 16 сегментов. Соответственно, для извлечения признаков можно обучить простые классификаторы.
Чтобы продемонстрировать новый метод, Ахмед собрал ИК-данные с фотоэлектрической системы мощностью 44,24 кВт, расположенной на крыше здания в Лахоре, Пакистан. Система состояла из 376 фотоэлектрических модулей мощностью 240 Вт каждый, объединённых в восемь цепочек по 22 модуля в каждой, что в сумме давало 5,28 кВт на цепочку.
Тепловизионная съёмка проводилась при температуре окружающей среды от 32 до 40 °C, скорости ветра 6,9 м/с и солнечной радиации не менее 700 Вт/м2. Затем исследователь классифицировал 309 инфракрасных термограмм как «исправные», «с горячими точками» или «неисправные».
Затем набор данных был случайным образом разделён на 80 % для обучения (246 изображений) и 20 % для тестирования (63 изображения) с равным представлением подтипов горячих точек. Затем данные были переданы набору простых классификаторов, а именно: SVM, KNN, дереву решений, наивному байесовскому классификатору и ансамблю. Было установлено, что точность теста для SVM составляет 95,2 %, для KNN — 93,7 %, а для ансамбля — 90,5 %. Наивный байесовский классификатор показал точность 84,1 %, а дерево решений — 81,0 %.
«Метод демонстрирует задержку обучения на периферийных платформах менее 6 секунд и обеспечивает измеримые преимущества на системном уровне, позволяя экономить до 17 620 кВт·ч в год и сокращать выбросы CO₂ на 8,9 т, тем самым связывая новизну алгоритмов с эксплуатационными характеристиками и воздействием на окружающую среду», — заключил Ахмед. «Моя следующая работа вместе с моим коллегой Манахилом Зульфикаром будет посвящена шуму в метках и неправильным аннотациям в наборах данных для фотоэлектрических систем, предназначенных для применения ИИ. Мы изучим методы обнаружения и исправления неправильно размеченных примеров, выделения перекрывающихся подклассов «горячих точек», а также сочетания кросс-модальных проверок согласованности, оценки неопределённости и активной перемаркировки для повышения надёжности модели.
Новый метод был представлен в статье «Термический и хроматический анализ для масштабируемого обнаружения фотоэлектрических горячих точек», опубликованной в журнале Solar Energy. Ахмед работает в шведской Husqvarna Group, Университете Йёнчёпинга и британском Имперском колледже Лондона.