一个国际研究团队使用卷积神经网络（CNN）深度学习算法来识别太阳能电池板的故障。其工作表明，所提出的技术具有高度的准确性，尤其是与迁移学习模型相结合时。
阿联酋沙迦大学领导的一组研究人员提议使用卷积神经网络（CNN）技术来检测光伏组件中由温度和阴影引起的故障。CNN是一种深度学习算法，能够从视觉数据中提取和学习特征。
研究人员说：“CNN使用在输入特征上滑动的内核和过滤器从数据集中提取特征图。迁移学习被应用于训练一个基线模型，由于实验数据有限，在该模型中提取了某些特征来训练我们的主模型。”
该团队首先使用CNN和迁移学习模型来训练和测试外部太阳数据的错误，然后在不同时期的数量下人工减少和测试这些数据。迁移学习是一种机器学习技术，其中在一个任务上训练的模型被重新用于第二个相关任务。
他们的数据集分类了七种操作条件：没有遮阳和温度影响的PV；PV在一个串中的一个电池遮光的作用下工作；光伏工作在两个电池遮阳在一个字符串的影响；PV在三个电池的作用下两串遮荫；PV工作在两个串中四个电池遮光的作用下；PV在工作温度25℃下工作；PV在50℃的工作温度下工作。
科学家们仅使用CNN创建了第一个模型，并基于更广泛的Mendeley数据库创建了第二个模型，该数据库不直接适用于故障检测系统。该数据库包括在上述七种操作条件下的两种测量——最大功率点（MPPT）和中间功率点跟踪（IPPT）。后者包括逆变器故障、反馈传感器故障、阵列失配的两种情况、电网异常、MPPT/IPPT控制器故障和升压转换器控制器故障。
研究人员解释道：“人们可以使用迁移学习，从外部数据中训练数据驱动的模型，即不直接适用于故障检测系统的数据，然后用于对实验数据的故障进行分类。迁移学习是深度学习中的一种方法，其目标是从大型数据集中训练基础模型，然后用于在新数据上训练模型；该模型使用基础模型中的知识，因此不需要自己获取所述知识。”
这两个模型都在几乎没有数据变化的情况下进行了测试——所有可用数据、一半数据、三分之一数据和四分之一数据。它们还用不同的时期进行了测试，即给定数据库上的完整通过次数——分别为50、25和10。
结果表明，在50个时期的情况下，迁移学习模型的平均准确率为96.6%，新模型的平均正确率为97.1%。前十个时期的准确率分别为93.9%和89.8%。
研究人员强调：“这项研究的主要目标是展示基于孟德尔太阳数据的大数据集构建的迁移学习模型，在使用十个时期的情况下，第四、半和全训练数据的准确率分别为73.9%、81.9%和93.9%。相比之下，使用十个时代，新模型对第四、一半和全训练的准确率为26.7%、60.8%和89.8%”。
他们总结道：“在分析数据有限的数据集或计算复杂性受到抑制时，迁移学习的使用是一项巨大的资产。使用迁移学习模型而不是训练新模型，可以提高分类准确率，达到>170%。因此，当实验稀疏且可以访问类似数据时，强烈建议使用迁移学习模式。”
发表在《国际热流体杂志》上的“通过卷积神经网络检测由于温度和遮阳效应引起的太阳能光伏组件故障”中提出了新的光伏组件故障检测方法。研究团队还包括埃及米尼亚大学、英国阿斯顿大学和瑞典林雪平大学的学者。