برای نگهداری مؤثر نیروگاه های خورشیدی، شناسایی به موقع عیوب در سطوح مختلف شامل سلول، ماژول و آرایه ضروری است. روش های سنتی نیازمند بازدید میدانی و تجهیزات گرانقیمت هستند اما امروزه با بهره گیری از بینایی کامپیوتر و تحلیل داده، می توان بدون تماس مستقیم و تنها با کمک یک کامپیوتر، خرابی ها را دقیقاً تشخیص داد.

در سطح سلول که کوچکترین واحد تولید انرژی است، خرابی هایی مانند ترک های ریز ناشی از تنش حرارتی، نقاط داغ ناشی از اتصال کوتاه داخلی و جداشدگی نوارهای فلزی باسبار رخ می دهد. این عیوب در سطح ماژول به شکل لایه لایه شدن شیشه، تغییر رنگ لایه میانی به زرد و خوردگی در جعبه تقسیم ظاهر می شوند. در سطح آرایه نیز عواملی مانند سایه پویا، عدم تطابق بین رشته های موازی و خطای زمین می توانند کل سیستم را تحت تأثیر قرار دهند.

برای تشخیص این خرابی ها با کامپیوتر، از سه دسته روش اصلی استفاده می شود. نخست روش تصاویر حرارتی است. در این روش دوربین مادون قرمز از آرایه تصویربرداری می کند و کامپیوتر نقشه دمایی هر سلول را رسم می نماید. نرم افزار به طور خودکار نواحی با دمای غیرعادی را که بالاتر از میانگین محاسبه شده از کل آرایه هستند به عنوان نقطه داغ یا سلول معیوب علامت می زند. الگوریتم های خوشه بندی مانند k-means سپس سلول های مشکل دار را از سلول های سالم جدا می کنند.

دوم روش بینایی کامپیوتر با تصاویر مرئی است. در اینجا مدل های یادگیری عمیق مانند YOLO یا شبکه های عصابی کانولوشنال روی هزاران تصویر از پنل های سالم و معیوب آموزش دیده اند. وقتی یک عکس جدید از آرایه به کامپیوتر داده می شود، مدل به سرعت محل ترک فیزیکی، لایه لایه شدن یا تغییر رنگ را تشخیص داده و با کشیدن یک جعبه دور آن، نوع عیب را هم اعلام می کند. تمام این فرآیند بدون نیاز به تعریف دستی ویژگی ها انجام می شود.

سوم روش تحلیل سری زمانی داده های الکتریکی است. در این روش سنسورهای جریان و ولتاژ در سطح آرایه هر چند دقیقه یک بردار شامل ولتاژ، جریان، توان و میزان تابش خورشید را ذخیره می کنند. کامپیوتر با استفاده از شاخص های آماری مانند انحراف معیار توان در یک بازه زمانی متحرک، رفتار عادی سیستم را یاد می گیرد. الگوریتم One-Class SVM مرزهای عملکرد نرمال را رسم می کند و هر نمونه داده ای که خارج از این مرز قرار گیرد به عنوان خطا نظیر سایه ناگهانی، خرابی دیود بای پس یا عدم تطابق دسته بندی می شود.

جریان کاری تشخیص خودکار خرابی با کامپیوتر به این شکل است که ابتدا داده ها جمع آوری می شوند. دوربین حرارتی یا مرئی روی پهپاد یا ریل متحرک نصب شده و از کل آرایه تصویربرداری می کند و همزمان دیتالاگرها سری های زمانی ولتاژ و جریان را ثبت می کنند. در مرحله پیش پردازش، کامپیوتر تصاویر را نرمالیزه کرده، نویز پس زمینه مانند زمین یا آسمان را حذف کرده و سری های زمانی را با استفاده از داده های سنسور تابش هم تراز می سازد. سپس ویژگی های کلیدی استخراج می شوند. از تصاویر، هیستوگرام دما و بافت سطح و از داده های الکتریکی، ضریب پرش و مقاومت سری معادل محاسبه می گردد. در مرحله طبقه بندی، مدل کامپیوتری که می تواند جنگل تصادفی، شبکه عصبی کانولوشنال یا حافظه کوتاه مدت طویل باشد، نوع خرابی و مختصات دقیق آن را مشخص می کند، مثلاً پنل شماره دوازده، سلول ردیف سوم، نوع خطا ترک میکرو. در نهایت نتیجه به اپراتور نمایش داده می شود به صورت نقشه حرارتی آرایه همراه با هایلایت مناطق معیوب و پیشنهاد عملیات اصلاحی مانند تعویض دیود یا تمیزکاری متمرکز.

این روش ها مزایای قابل توجهی دارند. نخست اینکه بدون نیاز به تماس مستقیم، خطر برق گرفتگی یا آسیب بیشتر به پنل وجود ندارد. دوم اینکه با قابلیت نصب روی پهپاد، اسکن سریع آرایه های بزرگ در زمان کوتاه امکان پذیر است. سوم اینکه تشخیص زودهنگام خرابی به ویژه نقاط داغ می تواند از افت شدید تولید یا حتی آتش سوزی جلوگیری کند. همچنین نیازی به تجهیزات گرانقیمت تست میدانی مانند منحنی یاب نیست.

با این حال محدودیت هایی نیز وجود دارد. تشخیص ترک های زیرسلولی که در تصویر مرئی دیده نمی شوند تنها با دوربین الکترولومینسانس امکان پذیر است که هزینه بالایی دارد. در روش داده های الکتریکی، تفکیک سایه موقتی از خرابی دائم نیازمند داده هواشناسی همزمان است. همچنین مدل های یادگیری عمیق به حجم بالای تصاویر برچسب خورده از همان نوع پنل نیاز دارند.

در مجموع تشخیص خرابی در پنل های خورشیدی از سلول تا آرایه با استفاده از کامپیوتر امروزه به دو شاخه اصلی تصویرمحور برای عیوب مکانیکی و حرارتی و داده محور برای عیوب الکتریکی و تطابق تقسیم می شود. پیاده سازی این روش تنها نیازمند دوربین مناسب، یک کامپیوتر با قدرت پردازش معمولی و الگوریتم های استاندارد یادگیری ماشین است و می تواند به طور خودکار و بدون نیاز به نیروی انسانی متخصص در محل، سلامت آرایه را پایش کرده و گزارش دقیق خرابی را ارائه دهد.