An IoT-Enabled, THD-Based Fault Detection and Predictive Maintenance Framework for Solar PV Systems in Harsh Climates: Integrating DFT and Machine Learning for Enhanced Performance and Resilience

Abstract

تلخص هذه الدراسة تطوير نظام ذكي لإدارة الطاقة يعتمد على إنترنت الأشياء والشبكات العصبية الاصطناعية لتحسين أداء أنظمة الطاقة الشمسية الكهروضوئية في البيئات القاسية مثل بني وليد في ليبيا. يواجه النظام الكهروضوئي تحديات بيئية مثل ارتفاع الحرارة وتراكم الغبار والتظليل الجزئي، والتي تؤثر سلبًا على الأداء ولا يمكن للأنظمة التقليدية التعامل معها بدقة بسبب اعتمادها على نماذج بسيطة. يعتمد النظام المقترح على دمج مستشعرات منخفضة التكلفة مع تحليل طيفي قائم على تحويل فورييه المنفصل لاستخراج مؤشرات التشوه التوافقي الكلي من موجات الجهد والتيار، مما يتيح الكشف المبكر والدقيق عن الأعطال. كما يستخدم نماذج تعلم آلي للتنبؤ بإنتاجية الطاقة وتقدير تدهور الأداء مع مرور الوقت. أظهرت النتائج التجريبية دقة عالية في التنبؤ بفضل تجاوز مؤشر R² قيمة 0.92 وانخفاض RMSE لأقل من 9.5، مع رصد انخفاض نسبة الأداء اليومي للألواح الشمسية من 97% إلى 93% خلال فترة المراقبة نتيجة العوامل البيئية. تكمن أهمية الدراسة في منهجيتها الهجينة التي تجمع بين تحليل الإشارات الفيزيائية والذكاء الاصطناعي، ما يسمح بالصيانة التنبؤية وتقليل فترات التوقف غير المخطط لها، وزيادة إنتاج الطاقة من خلال التدخلات في الوقت المناسب. يتيح النظام أيضًا بنية مرنة وقليلة التكلفة قابلة للتطوير والنشر على الحافة. بشكل عام، تساهم نتائج البحث في تعزيز استدامة وكفاءة البنية التحتية للطاقة الشمسية في البيئات الصعبة، وتقدم نموذجًا ذكيًا وقابلاً للتكرار عالميًا لإدارة الطاقة.