معدل الدقة هو 91.74%! جامعة الجنوب الشرقي تقترح نموذجًا لاكتشاف عيوب الخلايا الكهروضوئية، مما يقدم البحث في البنية العصبية لأول مرة
بفضل الاتجاه العالمي نحو "التنمية الخضراء والتحول المنخفض الكربون"، شهدت صناعة الطاقة الكهروضوئية تطوراً سريعاً وبسرعة مذهلة منذ بداية القرن الحادي والعشرين. في بلدنا، يظهر توليد الطاقة الكهروضوئية حيوية غير مسبوقة. وبحسب إحصاءات صناعة الطاقة الوطنية للفترة من يناير إلى مارس 2023 التي أصدرتها الإدارة الوطنية للطاقة في أبريل 2023، فإنه اعتبارًا من نهاية مارس من ذلك العام، تجاوزت القدرة التراكمية المثبتة للطاقة الكهروضوئية في بلدي الطاقة الكهرومائية، لتصبح ثاني أكبر مصدر للطاقة في البلاد.
مع التطبيق واسع النطاق لتوليد الطاقة الكهروضوئية، أصبح ضمان استقرار وتنمية إمدادات الطاقة الكهروضوئية المستدامة موضوع بحث مهم في الصناعة أيضًا. الوحدات الكهروضوئية هي الوحدات الأساسية للطاقة الكهروضوئية. بسبب العوامل الخارجية المختلفة مثل سلاسل الإنتاج الطويلة وسيناريوهات التطبيق المعقدة، من المرجح جدًا أن تتعرض الوحدات للتلف أثناء عمليات التصنيع والنقل والتركيب. إذا تم تشغيل هذه المكونات المعيبة فعليًا، فمن المحتمل جدًا أن تتسبب في تقليل طاقة نظام إمداد الطاقة بأكمله أو حتى حدوث مشكلات تتعلق بالسلامة. ولذلك، أصبحت متطلبات الصيانة في الموقع وتشخيص الأعطال في الأنظمة الكهروضوئية أعلى بشكل متزايد.
تتضمن طرق الكشف عن عيوب الطاقة الكهروضوئية التقليدية حاليًا منحنى التيار والجهد (IV) والتصوير الحراري بالأشعة تحت الحمراء (IRT)، ولكن بسبب محدودية دقة التعرف، فإن الطرق المذكورة أعلاه غير قادرة على تحديد عوامل الخطر المحتملة مثل الشقوق الدقيقة بشكل فعال. أصبحت الشبكات العصبية التلافيفية (CNNs) هي الطريقة السائدة لاكتشاف عيوب الطاقة الشمسية نظرًا لقدراتها القوية على التقاط الميزات جنبًا إلى جنب مع التصوير الكهربائي عالي الدقة (EL).ومع ذلك، فإن معلمات النموذج المستند إلى CNN عادة ما تكون كبيرة وتتطلب متطلبات صارمة على موارد الأجهزة، لذلك من الصعب نشرها على نطاق واسع في المشاريع الصناعية الفعلية.
من أجل تلبية متطلبات المجال الصناعي فيما يتعلق بالدقة وسرعة اكتشاف العيوب، قام فريق البروفيسور تشانغ جينشيا من كلية الأتمتة بجامعة الجنوب الشرقي،تم اقتراح نموذج جديد خفيف الوزن وعالي الأداء للكشف التلقائي عن عيوب صورة الكهربية الضوئية للخلايا الكهروضوئية يعتمد على البحث في البنية العصبية (NAS) وتقطير المعرفة.
حاليًا، تم نشر نتائج البحث على arXiv، تحت عنوان "شبكة خفيفة الوزن لاكتشاف عيوب الخلايا الكهروضوئية في صور التألق الكهربائي استنادًا إلى البحث في البنية العصبية وتقطير المعرفة".
أبرز الأبحاث:
* اقترح نموذجًا خفيف الوزن لاكتشاف عيوب الخلايا الكهروضوئية بدقة تصل إلى 91.74%؛
* لأول مرة، تم تقديم NAS في مجال اكتشاف عيوب الخلايا الكهروضوئية لتصميم الشبكة خفيفة الوزن تلقائيًا، مما يقلل من عبء العمل المتمثل في التصميم اليدوي؛
* إن إدخال تقطير المعرفة يجعل من الممكن الاستفادة الكاملة من المعرفة السابقة المختلفة، وقد أثبتت التجارب فعالية هذا التصميم في تحسين القدرة على تحديد الخلايا الكهروضوئية المعيبة.
رابط الورقة:
https://arxiv.org/abs/2302.07455
اتبع الحساب الرسمي ورد "الخلايا الضوئية" لتحميل الورقة
مجموعات البيانات وزيادة البيانات
تتكون مجموعة البيانات لهذه الدراسة من مجموعة بيانات عامة للخلايا الكهروضوئية، والتي تحتوي على 2624 صورة EL للخلايا الكهروضوئية بدقة 300 × 300 بكسل، بما في ذلك الأنواع أحادية البلورة ومتعددة البلورات.استخدم فريق البحث 0.5 كحد أدنى وقام بتقسيم العينات إلى عينات وظيفية وعينات معيبة. وقد قاموا باختيار 751 صورة TP3T بشكل عشوائي، أو 1970 صورة، كمجموعة تدريب، و654 صورة متبقية كمجموعة اختبار. وتنقسم مجموعة التدريب إلى مجموعة تدريب البحث ومجموعة اختبار البحث. تم تغيير حجم كافة الصور إلى 150 × 150 بكسل.
زيادة البيانات هي الحصول على المزيد من التمثيلات من البيانات الأصلية مع زيادة البيانات قليلاً، وبالتالي تحسين جودة البيانات الأصلية ومساعدة النموذج على تقليلالإفراط في التجهيز، وتعزيز المتانة.تتضمن عمليات زيادة البيانات الانعكاس الأفقي العشوائي، والانعكاس الرأسي العشوائي، والدوران العشوائي في نطاق (-2 درجة، 2 درجة)، والدوران العشوائي في نطاق {0 درجة، 90 درجة، 180 درجة، 270 درجة}، والانعكاس العشوائيالتحويل الأفيني.
النموذج المقترح في هذه الدراسة يتكون من خلايا طبيعية مكدسة وخلايا اختزالية. يظهر الهيكل الداخلي الذي تم الحصول عليه بواسطة خوارزمية البحث في الشكل أدناه:
طريقة اكتشاف العيوب تعتمد على NAS وتقطير المعرفة
يظهر في الشكل أدناه تصميم بنية الشبكة خفيفة الوزن. حصل الباحثون تلقائيًا على شبكة خفيفة الوزن في مساحة البحث المصممة من خلال خوارزمية NAS، واستغلوا بشكل كامل المعرفة المسبقة التي تم الحصول عليها من النماذج واسعة النطاق المدربة مسبقًا من خلال تقطير المعرفة لتحسين أداء النموذج.
أولاً، استخدم فريق البحث إطار عمل NAS القائم على التدرج المستمر DARTS لتصميم نموذج تلقائي للكشف عن عيوب الخلايا الكهروضوئية. وبناءً على خصائص البحث السريع لـ DARTS، نظر الباحثون أيضًا في الميزات البصرية متعددة المقاييس لعيوب PV وصمموا مساحة بحث مناسبة لتعزيز التعرف على ميزات أحجام العيوب المختلفة.
تتكون مساحة البحث التي تستخدمها الشبكة خفيفة الوزن بشكل أساسي من بنيتين وحدويتين مكدستين، وهما 5 خلايا طبيعية و4 خلايا اختزال.يتم ضبط الخلية العادية للحفاظ على حجم الإدخال، ويتم ضبط الخلية المختزلة للحصول على وظيفة تقليل العينة. كما هو موضح في الشكل أعلاه، تقوم كل وحدة بدمج ميزتين بمقياسين مختلفين من الوحدتين الأوليين، وتأخذ الخلية الطبيعية الأولى نفس الميزة كمدخل مرتين.
تؤدي خلايا الاختزال الثلاث الأولى عملية خفض العينات وتوسيع القناة، ويظل عدد القنوات في خلية الاختزال الأخيرة دون تغيير. تقوم الشبكة خفيفة الوزن المقترحة بتصنيف الخلايا الكهروضوئية المدخلة على أنها وظيفية أو معيبة.
ثانيًا،يعد تقطير المعرفة أحد أكثر طرق ضغط النموذج فعالية. ويتبنى نموذج المعلم-الطالب ويمكنه نقل المعرفة من نموذج المعلم إلى نموذج الطالب.يمكن للهندسة المعمارية للشبكة التي لا تستطيع الاستفادة من المعرفة السابقة في النماذج المدربة مسبقًا تحسين أدائها من خلال تعلم معرفة شبكة المعلم. في هذه التجربة، بما أن الشبكة خفيفة الوزن لا يمكن تدريبها إلا من الصفر، فمن خلال استخدام تقطير المعرفة، يمكن الاستفادة بشكل أفضل من المعرفة السابقة للتدريب.
قام الباحثون بنقل أربع معلومات مسبقة مختلفة - معلومات الاهتمام، ومعلومات الميزة، ومعلومات اللوجيت، والمعلومات الموجهة نحو المهمة لتعزيز تأثير التقطير على مهمة اكتشاف عيب الخلية الكهروضوئية.
أداء نموذجي متميز
قام فريق البحث بمقارنة النموذج خفيف الوزن المقترح مع نموذج المعلم ودراسات أخرى، واختبره على مجموعات بيانات خاصة لمزيد من إثبات فعالية بنية الشبكة.
قام فريق البحث بمقارنة النموذج مع 6 شبكات عصبية مصممة يدويًا ونموذج المعلم على مجموعة بيانات عامة في نفس الحقب الزمنية الـ 200. وتظهر النتائج في الشكل أدناه:
وتظهر النتائج أنحقق النموذج خفيف الوزن المقترح في هذه الدراسة دقة قدرها 91.74% في مجموعة الاختبار، متجاوزًا حتى مستوى نموذج المعلم البالغ 1.22%.وفي الوقت نفسه، يتمتع النموذج الذي اقترحه المعهد بمعلمات أصغر، ويستخدم موارد أقل من بعض النماذج الكبيرة الكلاسيكية، كما أنه أسهل في النشر على الأجهزة الطرفية الفعلية.
الشكل أعلاه عبارة عن مقارنة بين دقة النموذج في تحديد الخلايا الكهروضوئية المعيبة والخلايا الكهروضوئية الوظيفية. بلغت دقة النموذج الذي اقترحه الباحثون في تحديد الخلايا الكهروضوئية المعيبة 86.28%، متجاوزة بذلك الطرق الأخرى بكثير.
وخلص إلى أنوبالمقارنة مع النماذج الأخرى المصممة يدويًا، فإن النموذج الذي اقترحه فريق البحث لا يمكنه فقط البحث تلقائيًا من خلال خوارزمية NAS، مما يقلل من عبء العمل، بل يمكنه أيضًا تحقيق أداء أعلى في ظل بنية خفيفة الوزن نسبيًا، مما يثبت فعالية الطريقة المقترحة.
لتقييم أداء النموذج المقترح بشكل أكبر، قدم فريق البحث أيضًا مقارنة للأداء على الخلايا الشمسية أحادية البلورة أو متعددة البلورات، كما هو موضح في الجدول 4:
الجدول الأيمن: مقارنة الخلايا الكهروضوئية متعددة البلورات فقط في مجموعة بيانات ELPV العامة مع طرق أخرى في ظل نفس ظروف زيادة البيانات
في الخلايا الكهروضوئية أحادية البلورة، يصل كل مؤشر للنموذج المقترح إلى أعلى مستوى، أما بالنسبة للنموذج متعدد البلورات الأكثر صعوبة، فإن النموذج يتجاوز أيضًا النماذج الأخرى بكثير.
الكفاءة والتعميم
يتطلب النشر على الأجهزة الطرفية دراسة شاملة لحجم النموذج والجهد الحسابي. لاختبار الكفاءة، قام فريق البحث بتقييم النموذج على منصة وحدة المعالجة المركزية (Intel i9-10980XE 24.75M Cache، 3 GHz).
وجد التقييم الشامل أن النموذج متفوق بشكل كبير على النماذج الصغيرة الأخرى وحتى النماذج الكلاسيكية الكبيرة.يمكن لهذا النموذج خفيف الوزن تلبية متطلبات نشر بعض الأجهزة المضمنة الشائعة منخفضة الطاقة.مثل Raspberry Pi-4B (4GB، 15W، 9~10 GEFLOPS) و NVIDLA Jetson Nano (4GB، 10W، 7.368 GEFLOPS FP64).
ولتحقق من أداء التعميم للنموذج على مصادر بيانات مختلفة، قام فريق البحث بتدريب النموذج على مجموعة بيانات خاصة للخلايا الكهروضوئية. تم استخراج ما مجموعه 8580 صورة بدقة بكسل 256 × 256 من الخلايا الكهروضوئية بثلاث مواصفات: 6 × 10، 6 × 12، و6 × 24، بما في ذلك 482 عينة معيبة و 8089 عينة وظيفية.
وتظهر النتائج أنالنموذج أعلى من نموذج المعلم بحوالي 2.3% من حيث الدقة المتوازنة ودقة عينة العيب، وأعلى من نموذج المعلم بحوالي 5.7%، على التوالي.هناك فجوة كبيرة مقارنة بالطرق الأخرى. يتمتع النموذج بمعدل دقة يبلغ 94.26% للعينات المعيبة، مما يُظهر بشكل خاص قدرات أفضل للتعرف على العيوب في السيناريوهات الواقعية. كما هو موضح في الشكل التالي:
بدأ توليد الطاقة الكهروضوئية منذ مائة عام، ولا يزال هو "المفضل" في مجال الطاقة الخضراء
باعتبارها ممثلاً للطاقة الجديدة، فإن الأبحاث المتعلقة بتكنولوجيا توليد الطاقة الكهروضوئية مستمرة منذ أكثر من مائة عام. في عام 1839، اكتشف الفيزيائي الفرنسي بيكريل لأول مرةالتأثير الكهروضوئيوبعد ذلك، ومن خلال البحث المستمر وجهود العلماء من مختلف البلدان، تم إطلاق أول خلية كهروضوئية عملية في عام 1954. واليوم، استفادت صناعة الطاقة الكهروضوئية مرة أخرى من التطور الأخضر العالمي. وخاصة بعد أن طرحت الدولة أهداف "الكربون المزدوج" بوضوح، فإن تطوير صناعة الطاقة الكهروضوئية له مستقبل مشرق.
ويمكن ملاحظة ذلك من خلال البيانات الإحصائية لصناعة الطاقة الوطنية لعام 2023 التي أصدرتها الإدارة الوطنية للطاقة منذ فترة غير بعيدة. وتشير البيانات إلى أنه بحلول نهاية ديسمبر/كانون الأول، بلغت القدرة التراكمية لتوليد الطاقة المركبة في البلاد نحو 2.92 مليار كيلووات، بزيادة سنوية قدرها 13.9%. ومن بينها، بلغت القدرة المركبة لتوليد الطاقة الشمسية نحو 610 ملايين كيلووات، محققة زيادة سنوية قدرها 55.2%.
من منظور السياسة،30 مايو 2019أصدرت الإدارة الوطنية للطاقة "إشعارًا بشأن بناء مشاريع توليد طاقة الرياح والطاقة الكهروضوئية في عام 2019".وينص بوضوح على أنه ينبغي إعطاء الأولوية لبناء مشاريع متصلة بالشبكة وغير مدعومة وبأسعار معقولة، ثم ينبغي إجراء التخصيص التنافسي للمشاريع التي تتطلب إعانات وطنية. وهذا يدل على أنه على الرغم من أن صناعة الطاقة الكهروضوئية في بلدي دخلت مرحلة ناضجة من التطور المستقر، فإن تعزيز تطوير صناعة الطاقة الكهروضوئية سيظل مهمة رئيسية لتحقيق تحول هيكل الطاقة المحلية في المستقبل.
في عام 2023، أصدرت الإدارة الوطنية للطاقة واللجنة الوطنية للتنمية والإصلاح والإدارات الأخرى على التوالي عددًا من الوثائق حول أعمال الطاقة.ومن الواضح أن الطاقة الكهروضوئية هي الاتجاه الرئيسي لصناعة الطاقة في عام 2023.
لقد جلبت هذه الدراسة أخبارًا جيدة لتطوير صناعة الطاقة الكهروضوئية على المستوى الصناعي. توفر نتائج البحث التي أجراها فريق البروفيسور تشانغ جينشيا أدوات فعالة للكشف عن عيوب الخلايا الكهروضوئية من الجانب العملي للتطبيق. وعلى وجه الخصوص، فإن إدخال نظام NAS وتقطير المعرفة يوفر فكرة جديدة لتصميم نماذج سيناريو التطبيق. وقد يوفر هذا إلهامًا جديدًا للصناعة فيما يتعلق بتطبيق التعلم العميق في مجال الطاقة الكهروضوئية، وبالتالي الجمع بين التكنولوجيا والصناعة بشكل أفضل.