أدى الانتقال العالمي إلى مصادر الطاقة المتجددة إلى الحاجة إلى اهتمام دولي قوي بممارسة تحسين أداء أنظمة الطاقة الشمسية (PV) ، خاصة زيادة كفاءة خلايا الطاقة الشمسية. بسبب الظروف البيئية والعيوب التصنيعية ، قد تتراجع عملية تحويل الطاقة من خلال هذه الخلايا بشكل كبير. يمكن أن يكون الكشف المبكر عن هذه المشكلات مفتاحًا لتحسين إجراءات الصيانة وإطالة العمر الافتراضي للألواح الشمسية. في هذه الدراسة ، تم تقديم إطار عمل قوي للتعلم العميق (DL) بناءً على هندسة EfficientNetV2 لزيادة دقة تحديد العيوب في خلايا الطاقة الشمسية. تم تقييم ثلاثة متغيرات من EfficientNetV2 — EfficientNetV2B0 و EfficientNetV2B2 و EfficientNetV2M — لتحديد النموذج الأكثر فعالية في هذه الورقة. تجمع هذه الحلول تقنيات متطورة لمعالجة الصور وزيادة الكمية باستخدام مجموعة بيانات من 2500 صورة ، بما في ذلك خلايا معيبة وغير معيبة. تسمح هذه المقاربة لنا بتخصيص النموذج ، وخاصةً لعملية الكشف عن الشذوذ الصعبة. من بين النماذج التي تم تقييمها ، أظهر EfficientNetV2M أعلى أداء ، محققًا دقة إجمالية قدرها 89.6٪ ودرجة دقة 88.6٪ ومعدل استرجاع 77.5٪ ودرجة F1 تبلغ 82.7٪ ، مما يدل على قدرة تعميم وتعلم فائقة. عرض EfficientNetV2B2 أعلى دقة تحقق بلغت 82.4٪ في مرحلة استخراج الميزات ، مما يدل على اتساق قوي طوال التدريب. تؤكد القدرة على الكشف بدقة عن كل من المشكلات الدقيقة والظاهرة ملاءمة نهج EfficientNetV2 لصيانة الوقائية لأنظمة الطاقة الشمسية.
درس عبد الساتر وآخرون (الجمعة) هذا السؤال.