Đánh giá chất lượng pin năng lượng mặt trời bằng mạng học sâu dựa trên ảnh điện phát quang

##plugins.themes.academic_pro.article.main##

Author

  • Lưu Trọng Hiếu
    Trường Đại học Cần Thơ
    Lâm Văn Tính
    Trường Cao đẳng nghề Bạc Liêu
    Cao Thành Tân
    Trường Đại học Cần Thơ
    Nguyễn Chí Ngôn
    Trường Đại học Cần Thơ

Từ khóa:

ảnh quang điện tử
xử lý ảnh
trí thông minh nhân tạo
mạng học sâu Alexnet
pin năng lượng mặt trời

Tóm tắt

Nghiên cứu trình bày một phương pháp đánh giá chất lượng pin năng lượng mặt trời bằng mạng học sâu AlexNet dựa trên kỹ thuật xử lý ảnh. Ảnh sử dụng cho mạng học sâu là dạng ảnh điện phát quang, chỉ có thể chụp được từ máy ảnh hồng ngoại. Để thu được ảnh điện phát quang, một phòng tối được xây dựng để thu thập dữ liệu. Tấm pin được cấp nguồn điện một chiều và máy ảnh hồng ngoại được bố trí vuông góc với tấm pin. Tập dữ liệu này được chia thành ba nhóm với tỉ lệ hư hỏng khác nhau và được huấn luyện thông qua mạng học sâu AlexNet. Nghiên cứu cũng đề xuất một giải pháp đánh giá phần trăm hư hỏng của các tấm pin. Kết quả huấn luyện và phân loại của giải pháp cho thấy, có thể đánh giá chất lượng tấm pin với độ chính xác hơn 90%.

Tài liệu tham khảo

    [1] Nguyen, Q. K. “Annual Report on Electric Power Generation Development Scenerios in Vietnam”, Green Innovation and Delelopment Centre of Vietnam, 2019.
    [2] Rajput, G.N. Tiwari, O.S. Sastry, B. Bora, and V. Sharma. “Degradation of monocrystalline photovoltaic modules after 22 years of outdoor exposure in the composite climate of India”. Solar Energy, Vol 135, 2016, pp 786-795.
    [3] Sharma, V., and Chandel, S.S. “Performance and degradation analysis for long term reliability of solar photovoltaic systems: a review”. Renewable and Sustainable Energy Review. Vol 27, 2013, pp 753-767.
    [4] Kima, J., Park, N., Yuna, J. S., Huanga, S., Greena, M. A., and Anita, W.Y. “An effective method of predicting perovskite solar cell lifetime–Case study on planar CH3NH3PbI3 and HC(NH2)2PbI3 perovskite solar cells and hole transfer materials of spiro-OMeTAD and PTAA”. Solar energy Materials & Solar Cells. Vol 162, 2017, pp 41-46.
    [5] Masaki, M., and Tatsuo, M. “Novel tandem cell structure of dye-sensitized solar cell for improvement in photocurrent”. Thin Solid Films. Volume 516, Issue 9, 2008, pp 2716-2722.
    [6] Monastyrskyi, S. Ostapenko, O. Polupan, H. Maeckel and M. Vazquez, "Resonance Ultrasonic Vibrations for in-line crack detection in silicon wafers and solar cells”, 33rd IEEE Photovoltaic Specialists Conference, 2008, pp. 1-6.
    [7] L, L. “The Physics of the Solar Cell”. Handbook of Photovoltaic Science and Engineering, 2003, pp 82–129. DOI: https://doi.org/10.1002/0470014008.ch3
    [8] Drabczyk, K. Matlak, G. K., Drygała, A. Szindler, M. and Lipiński, M. “Electroluminescence imaging for determining the influence of metallization parameters for solar cell metal contacts”. Solar Energy, Vol 126, 2006, 14-21.
    [9] Fada, J. S., Hossain, M. A., Braid, J. L., Yang, S., Pershek, T. J., and R. H. French. "Electroluminescent Image Processing and Cell Degradation Type Classification via Computer Vision and Statistical Learning Methodologies”, IEEE 44th Photovoltaic Specialist Conference (PVSC), 2017, 3456-3461.
    [10] Bartler, L. Mauch, B. Yang, M. Reuter, and L. Stoicescu, "Automated Detection of Solar Cell Defects with Deep Learning”, 26th European Signal Processing Conference (EUSIPCO), 2018, pp. 2035-2039, doi: 10.23919/EUSIPCO.2018.8553025.
    [11] Nguyễn, Q. M., Lê, T. M. C., Nguyễn, Đ. T., và Lê, M. H. “Nhận dạng tấm pin mặt trời bằng lỗi dựa trên hình ảnh điện pháp quang bằng deep learning”. Tạp chí Đại học Thái Nguyên, 226(11), 2021, 117-123.
    [12] Krizhevsky, A., Sutskever, I., and Hinton., G. “ImageNet classification with deep convolutional neural networks”, Advances in Neural Information Processing Systems, 25th (NIPS 2012), 2012. pp. 1106-1114.
    [13] Nair, V. and Hinton, G. E. “Rectified linear units improve restricted boltzmann machines”. 27th International Conference on Machine Learning, 2010, pp 807-814.
    [14] https://easymeasures.com/product/electroluminescence/, truy cập ngày 9/7/2022.
    [15] https://data.london.gov.uk/download/photovoltaic--pv--solar-panel-energy-generation-data/81fb6b31-f6b2-4e12-b054-090319faec7b/PV%20Data.zip. Truy cập ngày 9/7/2022.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Sep 30, 2022
Download
PDF
Cách trích dẫn
Lưu Trọng Hiếu, Lâm Văn Tính, Cao Thành Tân, và Nguyễn Chí Ngôn. “Đánh Giá chất lượng Pin năng lượng mặt trời bằng mạng học sâu dựa Trên ảnh điện phát Quang”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 20, số p.h 9, Tháng Chín 2022, tr 1-4, https://jst-ud.vn/jst-ud/article/view/7951.

##plugins.themes.academic_pro.article.details##