تتأثر كفاءة المزارع الشمسية الكبيرة بشكل كبير بتلوث الألواح (الغبار، الأوساخ، الحطام)، مما قد يقلل من إنتاج الخلايا الفوتوفولطية (PV) بنسبة تصل إلى 50% في البيئات القاسية. الفحص والتنظيف اليدوي لكل لوحة يستهلك جهدًا ووقتًا وتكاليفًا عالية. تقترح هذه الورقة حلاً متكاملاً يستخدم كاميرات المراقبة القائمة (CCTV) والتعلم الآلي للتعرف تلقائيًا على الألواح المتسخة أو ذات الأداء المنخفض، مقترناً بالاستشعار الكهربائي للتحقق من الأعطال. يقوم الشبكة العصبية التلافيفية (CNN) بتحليل تحليقات الصور لتصنيف الألواح كـ نظيفة أو متسخة. عندما يتم الكشف عن التلوث ويكون الجهد/التيار الكهربائي للوحة منخفضًا بشكل غير طبيعي، يصدر تنبيه لإرسال فريق تنظيف أو منظف آلي لتلك اللوحة المحددة فقط بدلاً من تنظيف المصفوفة بأكملها. إذا استمر الأداء منخفضًا بعد التنظيف، يتم إنشاء تذكرة صيانة لإصلاح أو استبدال اللوحة. يعتمد نهجنا على التعلم المنقول باستخدام بيانات صور تلوث الخلايا الفوتوفولطية المتاحة علنًا ونماذج صيانة تنبؤية معتمدة على المستشعرات للتغلب على نقص بيانات الموقع. تشير الدراسات المحاكاة والأعمال ذات الصلة إلى أن هذا التنظيف الموجه يوفر الوقت والمياه والتكاليف التشغيلية مقارنة بالتنظيف الروتيني لكل الألواح. نقدم تصميم النظام بصيغة IEEE، مظهرين كيف يمكن دمج نماذج الرؤية العميقة، تتبع إنترنت الأشياء والتنبيهات لجعل صيانة المزارع الشمسية أكثر كفاءة وفعالية من حيث التكلفة.
درس تياجاس جي (الخميس) هذا السؤال.