620.4, 528.7

Одним из важнейших условий эффективной эксплуатации солнечных электростанций является обеспечение систематического мониторинга состояния фотоэлектрических модулей. Статья посвящена решению данной задачи за счет использования развитой системы автоматизированного мониторинга. Решение основано на использовании беспилотного летательного аппарата с полезной нагрузкой, способной осуществлять видеосъемку и регистрировать геопространственные данные. Для выполнения процедур детектирования проблемных модулей предлагается использовать технологию технического зрения, использующую нейросетевые методы классификации, характеризующиеся высокой адаптивностью к различным параметрам изображения. Предварительные тесты технологии показали, что применение нейронной сети, основанной на архитектуре R-CNN с алгоритмом обучения - Inception v2 (COCO), позволяет в ясный день обнаруживать проблемные фотоэлектрические модули с точностью более 95%.

One of the most important conditions for the efficient operation of solar power plants is systematic monitoring of the surfaces of photovoltaic modules. This problem can be solved through the use of a developed automated monitoring system. The solution is based on the use of an unmanned aerial vehicle with a payload capable of capturing video and recording geospatial data. To perform the procedures for detecting problematic modules, we proposed to use a vision technology that uses neural network classification methods characterized by high adaptability to various image parameters. Preliminary tests of the technology showed that the use of a neural network based on the R-CNN architecture with a learning algorithm Inception v2 (COCO) makes it possible to detect problematic photovoltaic modules on a clear day with an accuracy of more than 95%.

кандидат технических наук, доцент кафедры «Возобновляемые источники энергии и электрические системы и сети» ФГАОУ ВО «Севастопольский государственный университет»

аспирант, лаборант-исследователь научно-исследовательской лаборатории «Динамика полета и управление беспилотных авиационных систем»

Kuznetsov P.N., Kotelnikov D.Y. Automated complex of intelligent monitoring of a solar power plant. Journal of Physics: Conference Series. IOP Publishing. 2021. V. 2094. No. 5. Pp. 052025.

Котельников Д.Ю., Кузнецов П.Н. Применение искусственного интеллекта в ядерной энергетике // Энергетические установки и технологии. 2021. Т. 7. №4. С. 5-11.

Кузнецов П.Н., Котельников Д.Ю. Автоматизированный комплекс интеллектуального мониторинга ветровых электростанций // Энергосбережение и водоподготовка. 2021. №1. С. 4-10.

Prasetya E.P., Djamal E.C. Rainfall forecasting for the natural disasters preparation using recurrent neural networks. 2019 International Conference on Electrical Engineering and Informatics (ICEEI). IEEE. 2019. Pp. 52-57.

Herraiz A.H., Marugan A.P., Marquez F.P.G. Photovoltaic plant condition monitoring using thermal images analysis by convolutional neural network-based structure. Renewable Energy. 2020. V. 153. Pp. 334-348.

Rao S., Spanias A., Tepedelenlioglu C. Solar array fault detection using neural networks. 2019 IEEE International Conference on Industrial Cyber Physical Systems (ICPS). IEEE. 2019. Pp. 196-200.

Chine W. et al. A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks. Renewable Energy. 2016. V. 90. Pp. 501-512.

Russakovsky O. et al. Imagenet large scale visual recognition challenge. International journal of computer vision. 2015. V. 115. No. 3. Pp. 211-252.

Bui H.M. et al. Object recognition using deep convolutional features transformed by a recursive network structure. IEEE Access. 2016. V. 4. Pp. 10059-10066.

Kuznetsov P. et al. Methods Improving Energy Efficiency of Photovoltaic Systems Operating under Partial Shading. Applied Sciences. 2021. V. 11. No. 22. Pp. 10696.