استخدام نموذج ResNet50 لتصنيف عيوب الألواح الشمسية
DOI:
https://doi.org/10.51984/1k2xpy51الكلمات المفتاحية:
تصنيف، التعلم العميق، الخلايا الكهروضوئية، الطاقة الشمسية، العيوبالملخص
أدى النمو السريع لأنظمة الطاقة الكهروضوئية إلى زيادة الحاجة لأساليب فعالة وآلية لمراقبة حالة الألواح الشمسية وتحديد العيوب التشغيلية، ويمكن أن تؤثر عوامل متعددة مثل تراكم الغبار، فضلات الطيور، تراكم الثلوج، والأعطال الهيكلية سلبا على كفاءة إنتاج الطاقة وتقلل من العمر التشغيلي للوحدات الكهروضوئية. ونتيجة لذلك، حظيت أنظمة التشخيص الذكية المعتمدة على الصور باهتمام كبير كبديل لأساليب الفحص اليدوية التقليدية. قدمت هذه الدراسة إطارا قائما على التعلم العميق لتصنيف حالات الألواح الشمسية باستخدام نموذج ResNet50. يقوم النهج المقترح بتصنيف صور الألواح الشمسية إلى ثلاث مجموعات رئيسية: الحالة الطبيعية، وحالات التغطية السطحية والأضرار الهيكلية. خضعت صور البيانات لعدة عمليات معالجة مسبقة قبل تدريب النموذج، بما في ذلك تغيير حجم الصور وتقنيات زيادة الصور لتحسين تنوع البيانات وتعزيز قدرة النموذج على التعميم. ولمعالجة عدم التوازن بين فئات الصور، تم استخدام تقنيات أوزان الفئات خلال مرحلة التدريب لضمان تعلم متوازن عبر جميع الفئات. تم تدريب النموذج وتقييمه باستخدام مؤشرات الأداء الشائعة. أظهرت النتائج التجريبية قدرة تصنيف جيدة، حيث حقق النموذج دقة بلغت 88.42%، ودقة إيجابية (Precision) بلغت 88.58%، واسترجاع (Recall) بلغ 88.23%، ودرجة F1 بلغت 88.32%. تؤكد هذه النتائج فعالية الإطار المقترح في التمييز بين حالات الألواح الشمسية السليمة والمعيبة، مما يوفر نهجا عمليا وموثوقا لأنظمة المراقبة الذكية للألواح الكهروضوئية وتشخيص الأعطال وأنظمة الصيانة التنبؤية.
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2026 وقائع مؤتمرات جامعة سبها
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
