تخمین بازده الکتریکی صفحه‌های فتوولتائیک با روشی مبتنی بر یادگیری عمیق با استفاده از تصویر

نوع مقاله : علمی-پژوهشی

نویسندگان

1 استادیار، گروه کامپیوتر، دانشگاه بزرگمهر قائنات، قاین، ایران

2 استادیار، دانشکده مهندسی عمران و معماری، دانشگاه تربت حیدریه، تربت حیدریه، ایران

3 استادیار، گروه فیزیک، دانشگاه آزاد اسلامی واحد قاینات، قاین، ایران

4 دانشیار، گروه مکانیک، دانشگاه بزرگمهر قائنات، قاین، ایران

چکیده

منابع انرژی تجدیدپذیر طبیعی، فراوان هستند و با انتشار کربن صفر یا بسیار کم از نظر اقتصادی جذاب هستند. از سوی دیگر، شرایط سخت محیطی و آب و هوایی مانند تجمع خاک و گرد و غبار بر کارایی منابع و سیستم‌های انرژی تجدیدپذیر تأثیر می‌گذارد. بر این اساس، نیاز به بازرسی خودکار صفحه های فتوولتائیک با افزایش تقاضا برای تولید و نصب سیستم های جدید انرژی خورشیدی در سراسر جهان حیاتی تر می شود. در این مطالعه، مجموعه داده جدیدی از تصاویر صفحه های غبارآلود و تمیز معرفی شده است. پس از آن، یک معماری شبکه عصبی کانولوشنال جدید جهت تشخیص ولتاژ تولید شده توسط صفحه فتوولتائیک معرفی شده است. در ادامه، پارامترهای برداشت شده از محیط و ولتاژ تخمین زده شده توسط شبکه عصبی پیشنهادی، با استفاده از الگوریتم رگرسیون جنگل تصادفی مورد بررسی قرار گرفته و راندمان صفحه محاسبه شده است. مجموعه فرآیند پیشنهادی به طور خاص با تشخیص تجمع گرد و غبار صفحه های فتوولتائیک سروکار دارد. نتایج به‌دست‌آمده در این کار به‌طور تجربی نشان داده‌اند که سیستم پیشنهادی نرخ‌های تشخیص بالایی را تولید می‌کند. روش جدید پیشنهادی منجربه پیاده سازی یک تکنیک تمیز کردن خودکار موثرتر و کارآمدتر برای صفحه‌های فتوولتائیک می شود.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of Electrical Efficiency of Photovoltaic Panels with Methods Based on Deep Learning Using Image

نویسندگان [English]

  • S. M. JavadiMoghaddam 1
  • H. Gholamalinejad 1
  • A. Noroozi 2
  • M. H. Abdi 3
  • H. Mortezapour 4
1 Department of Computer Engineering, Bozorgmehr University of Qaenat, Qaen, Iran
2 Department of Engineering, University of Torbat Heydarieh, Torbat Heydarieh, Iran
3 Department of Physics, Qaenat Branch, Islamic Azad University, Qaenat, Iran
4 5Department of Mechanical Engineering, Bozorgmehr University of Qaenat, Qaen, Iran
چکیده [English]

Natural renewable energy sources are abundant and economically attractive, with zero or very low carbon emissions. On the other hand, harsh environmental and weather conditions, such as soil and dust accumulation, affect the efficiency of renewable energy sources and systems. Accordingly, the need for automated inspection of photovoltaic panels is becoming more critical as the demand for new solar energy system manufacturing and installation increases worldwide. This study introduces a new dataset of images of dusty and clean plates. Furthermore, a new convolutional neural network architecture is proposed to detect the voltage generated by the panel. In the following, the parameters taken from the environment and the voltage estimated by the proposed neural network are analyzed using the random forest regression algorithm, and the panel's efficiency is calculated. The proposed process deals explicitly with detecting dust accumulation in photovoltaic panels. The results obtained in this work have experimentally shown that the proposed system produces high detection rates. The proposed new method leads to the implementing of a more effective and efficient automatic cleaning technique for photovoltaic panels.

کلیدواژه‌ها [English]

  • Electrical efficiency
  • Deep learning
  • Photovoltaic panels
  • Convolutional network

مراجع

[1] محمدویسی, عباس, حاتمی, علیرضا، « 'ارائه چارچوبی برای مدیریت انرژی خانه هوشمند: برنامه‌ریزی بهینه تجهیزات خانگی و برنامه‌ریزی بهینه بهره‌برداری از منابع انرژی تجدیدپذیر»، مجله مهندسی برق دانشگاه تبریز,جلد 45، شماره1، صفحات 53-66،1394.
[2] رضا شریعتی‌نسب، بهزاد کرمانی کوشه، حمیدرضا نجفی، « طراحی حفاظت نیروگاه‌های خورشیدی در مقابل ضربات صاعقه با استفاده از میله‌های صاعقه‌گیر»، مجله مهندسی برق دانشگاه تبریز,جلد 48، شماره 1، صفحات 53-66،1394.
[3] G. M. Dantas, O. L. C. Mendes, S. M. Maia, and A. R. de Alexandria, "Dust detection in solar panel using image processing techniques: A review," Research, Society and Development, vol. 9, no. 8, pp. 321985107-321985107, 2020.
[4] S. Fan, Y. Wang, S. Cao, T. Sun, and P. Liu, "A novel method for analyzing the effect of dust accumulation on energy efficiency loss in photovoltaic (PV) system," Energy, vol. 234, pp. 121112, 2021.
[5] J. Chen, G. Pan, J. Ouyang, J. Ma, L. Fu, and L. Zhang, "Study on impacts of dust accumulation and rainfall on PV power reduction in East China," Energy, vol. 194, pp. 116915, 2020.
[6] Y. Chen et al., "Experimental study on the effect of dust deposition on photovoltaic panels," Energy Procedia, vol. 158, pp. 483-489, 2019.
[7] M. Hammoud, B. Shokr, A. Assi, J. Hallal, and P. Khoury, "Effect of dust cleaning on the enhancement of the power generation of a coastal PV-power plant at Zahrani Lebanon," Solar Energy, vol. 184, pp. 195-201, 2019.
[8] H. A. Kazem, M. T. Chaichan, A. H. Al-Waeli, and K. Sopian, "A review of dust accumulation and cleaning methods for solar photovoltaic systems," Journal of Cleaner Production, vol. 276, pp. 123187, 2020.
[9] S. Alagoz and Y. Apak, "Removal of spoiling materials from solar panel surfaces by applying surface acoustic waves," Journal of Cleaner Production, vol. 253, pp. 119992, 2020.
[10] Calle, Carlos I., et al. "Dust particle removal by electrostatic and dielectrophoretic forces with applications to NASA exploration missions." Proc. ESA Annual Meeting on Electrostatics, vol. 01, pp. 1-14, 2008.
[11] Anderson, Mark, et al. "Robotic device for cleaning photovoltaic panel arrays." Mobile robotics: Solutions and challenges Publications. pp. 367-377, 2010..
[12] D. L. Alvarez, A. S. Al-Sumaiti, and S. R. Rivera, "Estimation of an optimal PV panel cleaning strategy based on both annual radiation profile and module degradation," IEEE Access, vol. 8, pp. 63832-63839, 2020.
[13]Á. Fernández-Solas, J. Montes-Romero, L. Micheli, F. Almonacid, and E. F. Fernández, "Estimation of soiling losses in photovoltaic modules of different technologies through analytical methods," Energy, vol. 244, pp. 123173, 2022.
[14] K. Tsamaase, T. Ramasesane, I. Zibani, E. Matlotse, and K. Motshidisi, "Automated dust detection and cleaning system of PV module," IOSR J. Electr. Electron. Eng, vol. 12, pp. 93-98, 2017.
[15] C. Williams and S. Bryan, "Dirt sensing on PV modules with automated cleaning request.", 15th LACCEI International Multi-Conference for Engineering, Education, and Technology. pp.19-21, 2017.
[16] U. K. Phoolwani, T. Sharma, A. Singh, and S. K. Gawre, "IoT based solar panel analysis using thermal imaging," in 2020 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS), IEEE, pp. 1-5, 2020.
[17] M. Unluturk, A. A. Kulaksiz, and A. Unluturk, "Image Processing-based Assessment of Dust Accumulation on Photovoltaic Modules," in 2019 1st Global Power, Energy and Communication Conference (GPECOM), IEEE, pp. 308-311, 2019.
[18] D. Saquib, M. N. Nasser, and S. Ramaswamy, "Image Processing Based Dust Detection and prediction of Power using ANN in PV systems," Third International Conference on Smart Systems and Inventive Technology (ICSSIT), IEEE, pp. 1286-1292, 2020.
[19] S. Fan, Y. Wang, S. Cao, B. Zhao, T. Sun, and P. Liu, "A deep residual neural network identification method for uneven dust accumulation on photovoltaic (PV) panels," Energy, vol. 239, pp. 122302, 2022.
[20] K. A. Abuqaaud and A. Ferrah, "A novel technique for detecting and monitoring dust and soil on solar photovoltaic panel," Advances in Science and Engineering Technology International Conferences (ASET), IEEE, pp. 1-6, 2020.
[21] B. M. Das, Principles of geotechnical engineering. Cengage learning Publications, 2021.
[22]  Castaner, L. and Silvester, S, "Modeling photovoltaic Systems Using PSpice". John Willy and Sons Publications, 2002.
[23]  Mortezapour, H., GHobadian, B., Khoshtaghaza, MH and Minaei, S. Performance analysis of a two-way hybrid photovoltaic/thermal solar, Journal of Agricultural Science and Technology. Vol. 14, pp. 767-780, 2012.
 
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار