Ученые из Университета Чили, Католического университета Чили и Университета Анд в Сантьяго предложили простой метод оценки потерь мощности солнечных панелей из-за пыли всего по одному их изображению. В отличие от сложных нейросетей и громоздких систем анализа, их подход основан на физических свойствах цвета. Чистая поверхность отражает больше синего, тогда как налет пыли придает ей коричневато-желтый оттенок. Переведя фотографию панели в специальное цветовое пространство и оценив распределение пикселей, исследователи могут с высокой точностью определить, насколько снизилась выработка электроэнергии.
Загрязнение пылью – один из главных факторов, влияющих на солнечную генерацию. В засушливых и пустынных регионах, где чаще всего строятся солнечные парки, пыль ежедневно оседает на панелях и постепенно снижает их эффективность. Потери могут составлять до 0,6% мощности в день. В Чили, где солнечная генерация развивается особенно активно, годовые потери энергии на станциях в пустынных зонах доходят почти до 40%. Для инвесторов и операторов такие цифры означают прямой удар по экономике проекта: каждая неочищенная панель сокращает объем проданной в сеть энергии и увеличивает срок окупаемости оборудования.
Чтобы решить эту проблему, исследователи провели эксперименты в трех солнечных парках страны – Lambert, Llanos de Potroso и Lo Miranda. Дополнительно они собрали собственную установку для контролируемого запыления панелей. В специальном закрытом коробе с вентиляторами создавалось облако просеянной пыли, которое равномерно осаждалось на поверхность. Каждый этап сопровождался точными измерениями: уровень солнечной радиации фиксировался прибором с шагом в 1 Вт/м², параллельно регистрировались напряжение и ток модуля, а сама панель фотографировалась камерой с высоким разрешением. Это позволило напрямую сопоставить изменения изображения с фактическими электрическими характеристиками.
Полученные фотографии переводились в систему CIELAB, а панели классифицировались по пяти уровням загрязнения. Исследователи добились того, что для каждого уровня можно было построить регрессионную модель, сопоставляющую изменение цветового оттенка с падением мощности. На собственных данных метод показал впечатляющую точность: ошибка составляла всего 1-3%, что сопоставимо с показателями лабораторных измерений. При переносе алгоритма на другие площадки, где пыль отличалась по составу, точность снижалась, но оставалась в пределах 3-10%. Даже на совершенно других модулях с иным типом загрязнения ошибка не превысила 10%.
Таким образом, новый способ может радикально упростить диагностику состояния солнечных станций. Для калибровки достаточно одного эталонного снимка чистой панели, а последующие проверки можно проводить буквально по фотографии. Это открывает путь к широкому внедрению дронов и мобильных камер для регулярного мониторинга огромных солнечных парков.
Там, где сейчас панели чистят по графику или, что называется, на глаз, появится возможность принимать решения на основе объективных данных, сопоставляя стоимость мойки с реальными потерями генерации. В дальнейшем исследователи планируют дополнить метод учетом температурных факторов и различных типов загрязнений, а также разработать мобильное приложение, которое позволит операторам получать результаты прямо на месте, в режиме реального времени.
