تشخيص أعطال القوس الكهربائي في الأنظمة الكهروضوئية

أهمية تشخيص أعطال القوس الكهربائي في الأنظمة الكهروضوئية

تلعب الطاقة الشمسية دوراً مهماً في توفير الطاقة و”حماية البيئة”، بحيث يتزايد استخدامه بسرعة في جميع أنحاء العالم، كذلك ومن المتوقع أن يكون المصدر الرئيسي للكهرباء لتوفير حوالي (11٪) من الطاقة العالمية بحلول عام 2050م في الوقت الحاضر، لذلك تحدث “أخطاء الانحناء” في الأنظمة الكهروضوئية (خاصة الانحناء المتسلسل) بشكل متكرر بسبب زيادة مستوى الطاقة وتأثير التقادم طويل المدى وتأثير التجوية والصيانة غير المنتظمة والتركيب الخاطئ.

كما تتسبب مثل هذه الحوادث في خسارة اقتصادية كبيرة ومخاوف تتعلق بالسلامة، ونتيجة لذلك تم تقديم مخطط (UL-1699B) مبدئياً للوفاء بالمتطلبات (يجب تجهيز جميع أنواع الأنظمة الكهروضوئية بجهد تشغيل أكبر من 80 فولت بأجهزة حماية دائرة أعطال القوس الكهربائي) في المادة (690) من القانون الوطني للكهرباء (NEC- NFPA70) في عام 2011م للحد من مخاطر الحريق في الأنظمة الكهروضوئية.

كما يمكن الاطلاع على مراجعة شاملة لطرق تشخيص أعطال القوس الكهربائي في أنظمة الطاقة الكهروضوئية، حيث أن الطرق التي تستخدم تقنيات معالجة الإشارات التقليدية هي الأكثر شيوعاً، كما أنه حقق نتائج جيدة باستخدام خوارزمية الكشف الهجين القائمة على حساب المجال الزمني ووقت قصير لتحويل فورييه (STFT).

كذلك يعتبر التحقق من فعالية التحويل الموجي المنفصل (DWT) في الكشف عن أعطال القوس الكهربائي، كما بسبب التوازن الجيد بين دقة الوقت والتردد الكهربائي لـ (DWT) مقارنة بـ (STFT)، كما قدم طريقة تعتمد على تحليل الحزمة الموجية (WPD) للاستفادة من الإشارات التفصيلية والتقريبية، كما تم اقتراح طريقة جديدة تعتمد على نظرية نموذج الاحتمالية الكمية للتخفيف من تأثير ضوضاء العاكس.

أيضاً يمكن أن تحدث أعطال قوس التيار المستمر، وخاصة الانحناء المتسلسل في أنظمة الطاقة الكهروضوئية (PV) وتشكل مشكلة كشف وحماية صعبة، لذلك يتم استخدام الأساليب القائمة على التعلم الآلي بشكل متزايد لتطبيقات تشخيص الأخطاء.

ومع ذلك؛ فإن أداء خوارزميات الكشف هذه سوف يتدهور بسبب الاختلافات بين بيانات المجال المصدر المستخدمة أثناء التطوير وبيانات المجال الهدف التي تمت مواجهتها أثناء تشغيل الحقل، علاوة على ذلك عادةً ما تكون بيانات الخطأ في المجال المستهدف للتدريب النموذجي غير متوفرة.

منهجيات تشخيص أعطال القوس الكهربائي في الأنظمة الكهروضوئية

مع التطورات الحديثة في منهجيات الحوسبة وتكنولوجيا المعلومات، أصبحت الأساليب القائمة على الذكاء الاصطناعي (AI) القائمة على البيانات شائعة بشكل متزايد وتظهر نتائج واعدة في مهمة تشخيص الأعطال في العديد من المجالات مثل اكتشاف أخطاء المقاومة العالية في شبكات الجهد المتوسط  والفشل الكشف في الآلات الكهربائية وتتبع أعطال في أنظمة السكك الحديدية.

كما حققت بعض الأبحاث الحديثة نتائج جيدة للكشف عن أعطال القوس الكهربائي من سلسلة (DC) باستخدام الطريقة القائمة على (AI)، كما يتم استخدام آلة متجه الدعم (SVM) مع (WPD)، وذلك لتشخيص أعطال القوس الكهربائي المتسلسل، بحيث يتم تطبيق نموذج ماركوف المخفي (HMM) لتقدير أقصى احتمال لخطأ القوس المتسلسل لتحقيق نتائج دقيقة.

لذلك تم اقتراح نظام منطقي غامض متتالي، وذلك على الرغم من أن هذه الأساليب القائمة على الذكاء الاصطناعي يمكن أن تحقق دقة ممتازة، إلا أن تبديل المجال هو أحد المشكلات الرئيسية، مما قد يتسبب في تدهور شديد في الأداء، وعلى سبيل المثال تم تطوير بعض الخوارزميات باستخدام البيانات التي تم جمعها من مصادر طاقة التيار المستمر القائمة على إلكترونيات الطاقة (مثل المحاكيات الكهروضوئية).

وعلى الرغم من أن مصادر الطاقة هذه يمكنها إعادة إنتاج خصائص خرج تيار مستمر مماثلة لتلك الموجودة في الأنظمة الكهروضوئية الحقيقية، إلا أن الميزات المحددة للإشارة قد تختلف اعتماداً على أنواع مصدر الطاقة بالإضافة إلى بنية الإعداد التجريبي، بالإضافة إلى ذلك يمكن إخفاء إشارات القوس الكهربائي وتعديلها بسبب السعة والتحريض الطفيلية التي تساهم بها الوحدات والكابلات الكهروضوئية الحقيقية.

كما تم تطوير تعديلات مختلفة للمجال بالإضافة إلى تقنيات تعلم النقل في مجالات أخرى لمعالجة مشاكل تحويل المجال، مثل التعرف على أرقام الكتابة اليدوية والتعرف على الأشياء، وفي الآونة الأخيرة تم تطبيقها لتشخيص الأعطال، مثل اكتشاف أعطال التروس في أنظمة علبة التروس باستخدام مجموعات بيانات صغيرة مع تعلم النقل القائم على الشبكة العصبية العميقة (CNN).

ومع ذلك، تفترض معظم هذه التحقيقات أن بيانات خطأ المجال الهدف متاحة وهذا يمثل تحدياً كبيراً من الناحية العملية، كما يعد الحصول على بيانات أعطال القوس الكهربائي المتسلسل في نظام كهروضوئي حقيقي مكلفاً ويستغرق وقتاً طويلاً، علاوة على ذلك، وعلى الرغم من أن أنظمة (SCADA) (التحكم الإشرافي واكتساب البيانات) يمكن أن توفر معلومات حول الأنظمة الكهروضوئي.

لذلك؛ فإنها ليست مفيدة كثيراً بسبب التردد المنخفض لأخذ العينات والجهود المكثفة لاستخراج إشارات أعطال القوس الكهربائي المفيدة من الكمية الهائلة من البيانات غير المسماة، وبسبب هذه الأسباب، غالباً ما يتدهور أداء الخوارزميات التي تعتمد على البيانات بشكل كبير عند تطبيقها في مجال مختلف (أي من مختبر إلى آخر).

وفي هذا الطرح تم اقتراح منهجية فعالة، كما تسمى (DA-DCGAN) (المجال التكيفي والشبكة التعددية  العميقة لتشخيص أعطال القوس الكهربائي من سلسلة DC في نظام الكهروضوئية)، ولمعالجة تدهور أداء خوارزمية الكشف القائمة على التعلم العميق في مختلف نطاق، كما يمكن إنشاء البيانات المعيبة في المجال المستهدف بشكل مصطنع بناءً على الإشارات العادية.

لذلك يمكن تطبيقها لتكييف المجال لتحقيق تشخيص موثوق ودقيق لأعطال القوس سلسلة (DC) بين المجالات، حيث أنها أكثر قابلية للتطبيق على المواقف العملية في الصناعات والتطبيقات الحقيقية، حيث تتوفر فقط بيانات مجال المصدر (البيانات العادية والخاطئة) والبيانات العادية للمجال المستهدف لتطوير خوارزمية الكشف، لذلك يمكن أن يقلل بشكل كبير من الجهد (أي جمع إشارة خطأ القوس) خلال مرحلة تطوير الخوارزمية.

أيضاً يتم استخدام تيار الحلقة الكهروضوئية (تيار القوس) في معظم طرق الكشف عن “أعطال القوس الكهربائي المتسلسل”، ونظراً لأن مواقع الانحناء غير معروفة ولا يمكن قياس جهد القوس الكهربائي بشكل مباشر، لذلك يتم اختيار تيار الحلقة الكهروضوئية كإشارة إدخال للخوارزمية المقترحة لاكتشاف الأخطاء عبر المجال.

وأخيراً قدم هذا الطرح منهجية (DA-DCGAN) القائمة على التعلم العميق من أجل الكشف العملي عن سلسلة (DC) لأعطال القوس الكهربائي في الأنظمة الكهروضوئية، بحيث يتم إجراء الاختبارات على مجموعة البيانات الحالية للحلقة الكهروضوئية المسجلة مسبقاً والتجارب في الوقت الفعلي للتحقق من فعالية ومتانة المنهجية المقترحة.

وبدون الاعتماد على بيانات الأعطال من الأنظمة الكهروضوئية الحقيقية التي تتماشى أكثر مع المواقف العملية؛ فإن الطريقة المقترحة قادرة على تحقيق دقة كشف عالية دون تدهور الأداء من تبديل المجال، لذلك ستكون الخطوة التالية هي تنفيذ مصنف (CNN) خفيف الوزن (C) في (FPGA) أو (ASIC) (الدائرة المتكاملة الخاصة بالتطبيق) لتقليل التكلفة وتحسين الموثوقية.