Автор: 
Группа учёных разработала новую технологию машинного обучения для выполнения плановой очистки солнечных фотоэлектрических (PV) модулей, установленных в удалённых местах, которые не подключены к электросети. Исследовательская группа из Университета Сорбонны во Франции, Высшей школы Ренн (ENS Rennes) и Университета Париж-Сакле применила четыре алгоритма машинного обучения к данным, собранным с удалённой фотоэлектрической системы.
Убытки из-за загрязнения остаются серьёзной проблемой для удалённых энергосистем, использующих солнечную энергию. Эффективный анализ потерь мощности доступен для мониторинга крупных солнечных фотоэлектрических проектов, что помогает разработать оптимальный график очистки. Однако, с удалённым мониторингом автономных солнечных систем, используемых в сельских регионах, дело обстоит иначе.
Группа учёных исследовала возможность недорогого мониторинга работ по очистке солнечных модулей в дневное время. По словам исследователей, полезно знать, регулярное ли загрязнение, и оценить, нужно ли проводить дополнительную очистку.
Задача классификации была сформулирована с использованием временного окна измерений температуры, напряжения и тока фотоэлектрической матрицы, чтобы автоматически идентифицировать возникновение вмешательства по очистке. Для решения такой задачи классификации команда исследовала инструменты машинного обучения на основе логистической регрессии и искусственных нейронных сетей.
Эксперименты проводились на реальном наборе данных и показали многообещающие результаты с точностью классификации до 95%. Очистка солнечных панелей необходима для эффективного производства электроэнергии в рамках проекта. Частицы пыли, птичий помёт и другие твёрдые частицы приводят к снижению выработки энергии, что подчёркивает важность очистки солнечных модулей.
