人工智能是最近几年红遍各行业的标签，无论手机上越来越符合人们趣味的文章推送，电视里Alpha Go与柯洁和李世石的高妙对决，还是无人驾驶汽车的快速发展，都让人们惊异人工智能技术的突飞猛进。
为加快检测过程并提高准确性，太阳能电站运营商也正在转向人工智能检测，他们使用的算法可以从图像中自动检测太阳能电池板缺陷。
01
什么是人工智能检测？
传统上，太阳能农场运营商会使用一组工人手动检查太阳能电池板的缺陷。这个过程缓慢、昂贵并且不是很准确。此外，维护访问非常昂贵，且对于整个太阳能部署来说，每天执行一次并不可能。
为了加快检查过程并提高准确性，太阳能发电场运营商正在转向人工智能检查。这涉及使用可以从图像中自动检测太阳能电池板缺陷的算法。
这个过程比人工检查更快、更准确。此外，太阳能发电场运营商可以在太阳能发电场安装之前以及在它们已经投入运行之后使用 AI 驱动的检查来识别有缺陷的面板。
02
人工智能驱动的检查如何工作？
太阳能农场可以通过几种不同的方式部署人工智能检测。最常见的方法是使用无人驾驶飞行器 (UAV) 或无人机。无人机为太阳能农场运营商提供了一种非接触方式，可以使用航拍图像对其太阳能电池板进行质量控制。
太阳能电池板
无人机在太阳能农场上收集的图像可以通过云端或设备上的算法进行处理。人工智能算法的结果将告诉质量控制器哪些光伏面板有明显的设备缺陷迹象。
通过使用自动缺陷分类 AI，质量控制人员可以在几个小时内完成对整个设施的调查，从而降低成本，而不是雇人数日进行维护。此外，缺陷面板的自动识别可以通过基于位置的标记加快检查时间，从而提高效率。
太阳能电池板检测中最常用的算法类型是深度学习算法。深度学习算法是一种机器学习算法，它使用神经网络来学习如何解决任务。神经网络由相互连接的层组成，可以学习如何从图像中识别太阳能电池板的缺陷。
这些深度学习网络需要训练数据，这些数据是标记图像的大型数据集。在许多情况下，太阳能农场运营商可以将这些标记图像提供给深度学习算法。或者，人工智能供应商可以提供这些现成的标记图像。
对于内部方法，这是通过创建一个训练数据集来完成的，该数据集由包含太阳能电池板缺陷的图像和没有太阳能电池板缺陷的图像组成。太阳能农场运营商将每个图像标记为有缺陷或无缺陷，以便神经网络学习如何识别这两种类型的面板。
一旦深度学习算法经过训练，它就可以用来检查从太阳能农场收集的图像中的太阳能电池板。神经网络将识别图像中的任何太阳能电池板缺陷并提供分类（有缺陷或无缺陷）。
03
人工智能检测面临的挑战
虽然人工智能检测为太阳能电池板检测提供了多项优势，但仍有一些挑战需要克服。
首先是训练数据的可用性。为了让深度学习算法学习如何检测太阳能电池板的缺陷，它需要大量的标记图像数据集。这意味着太阳能农场运营商需要提供一组包含太阳能电池板缺陷的太阳能电池板图像和一组没有缺陷的太阳能电池板图像。
第二个挑战是太阳能电池板缺乏标准化。太阳能农场可以安装数百甚至数千种不同类型和型号的太阳能电池板——每个都有自己独特的特性，如尺寸、形状、颜色等。由于太阳能电池板的特性在太阳能农场之间可能会有所不同，这可能会影响单个太阳能电池板的性能。深度学习算法适用于多个太阳能设施。
最后的挑战在于检查结果的模型准确性。经过训练以检测太阳能电池板缺陷的算法不会 100% 准确。这意味着少数太阳能电池板可能被错误地归类为有缺陷的。然而，通过使用多个深度学习模型（在不同的数据集上训练），可以将错误分类的可能性降到最低。
04
人工智能的其他应用场景
除电池和组件的生产过程中外，光伏系统的平衡系统中也有很多人工智能有潜力或者已经在发挥作用的场景。跟踪支架公司NEXTracker在今年推出了业内首款的智能自适应跟踪控制系统TrueCapture，与根据时间和设定值进行调整的跟踪支架不同，这一系统可以通过机器学习算法根据实时的光照情况自动调整支架到最佳的工作角度，从而增加跟踪支架在复杂地貌和多云天气时的发电量，同时降低安装和部署时间。
除了生产之外，人们也在光伏产业链上的其他位置寻找人工智能技术的应用场景。美国的一家创业公司PowerScout试图使用人工智能技术帮助分布式光伏安装商提高销售。公司的首席执行官Attila Toth 表示“目前太阳能的销售与上世纪60年代上门推销吸尘器没有什么区别，安装商花费在市场推广上的成本可能比购买光伏组件还要多。
零售、交通和金融领域都在经历着激动人心的技术变革，我们也希望将这一技术引入户用光伏市场的销售中来。”而这里提到的技术就是依托大数据的精准营销，一方面通过分析潜在用户的屋顶和日照数据，针对屋顶与光照资源匹配好的住户进行营销，提高转化率。另一方面对感兴趣的客户使用算法即时给出的预评估报告，减少技术人员外勤次数，降低成本。
