إطار عمل خفيف وذاتي التكيف للكشف الذكي عن أخطاء القوس في أنظمة الطاقة الشمسية
تقدم هذه الدراسة إطار عمل خفيف وذاتي التكيف للكشف عن أخطاء قوس التيار المستمر في أنظمة الطاقة الشمسية، حيث يظهر دقة استثنائية تصل إلى 99.99%. يضمن الإطار الجديد أداءً موثوقًا تحت ظروف تشغيل متنوعة.
تعتبر تقنيات الكشف عن أخطاء القوس المنحدر (Arc-Fault Circuit Interrupters) جزءاً أساسياً للحفاظ على سلامة أنظمة الطاقة الشمسية (Photovoltaic Systems) في البيوت، ولكن التحديات التي تواجه تحقيق كشف موثوق تحت الظروف الحقيقية لا تزال قائمة. تتسبب التداخلات الطيفية الناتجة عن تشغيل المحولات، وتنوع الأجهزة، والتغيرات في ظروف التشغيل، والضوضاء البيئية في تقويض فعالية الحلول التقليدية.
في هذا السياق، تم تقديم إطار عمل خفيف وذاتي التكيف بقيادة التعلم (LD-framework) بهدف تحسين الكشف عن أخطاء القوس التيار المستمر. يعتمد هذا الإطار على عدة عناصر رئيسية. أولاً، تستخدم تقنية LD-Spec تمثيلاً طيفياً مضغوطاً مما يمكن من إجراء استدلال فعال على أجهزة المستخدم مع تمييز تقريباً كامل لأخطاء القوس. ثانياً، يؤدي LD-Align وظيفة محاذاة التمثيل عبر منصات الأجهزة المتنوعة لضمان كفاءة الكشف على الرغم من التحولات التي تطرأ على توزيع الأجهزة.
إلى جانب ذلك، يقوم LD-Adapt بإدخال آلية تحديث تعاونية ذاتية التكيف بين السحاب والحافة، حيث يتعرف على أنظمة تشغيل غير مكتشفة ويقوم بتحديث النموذج بشكل منظم.
كشفت التجارب الشاملة التي شملت أكثر من 53,000 عينة مصنفة عن دقة تقديرية تصل إلى 99.99% مع معدل F1-score يبلغ 99.96%. كما شهدت الطريقة عدم وجود معدل للخطأ الكاذب في ظروف تشغيل مختلفة، مثل بدء عمل المحولات، وانتقالات الشبكة، وتحويل الأحمال. أظهرت التجارب في مجالات متنوعة استعادة دقة الكشف من 21% إلى 95% تحت ظروف غير مسبوقة.
تدل هذه النتائج على أن LD-framework يوفر حلاً قابلًا للتوسع والاعتماد، مما يضمن كشفًا موثوقًا على مدى طويل عبر أجهزة متنوعة.
في هذا السياق، تم تقديم إطار عمل خفيف وذاتي التكيف بقيادة التعلم (LD-framework) بهدف تحسين الكشف عن أخطاء القوس التيار المستمر. يعتمد هذا الإطار على عدة عناصر رئيسية. أولاً، تستخدم تقنية LD-Spec تمثيلاً طيفياً مضغوطاً مما يمكن من إجراء استدلال فعال على أجهزة المستخدم مع تمييز تقريباً كامل لأخطاء القوس. ثانياً، يؤدي LD-Align وظيفة محاذاة التمثيل عبر منصات الأجهزة المتنوعة لضمان كفاءة الكشف على الرغم من التحولات التي تطرأ على توزيع الأجهزة.
إلى جانب ذلك، يقوم LD-Adapt بإدخال آلية تحديث تعاونية ذاتية التكيف بين السحاب والحافة، حيث يتعرف على أنظمة تشغيل غير مكتشفة ويقوم بتحديث النموذج بشكل منظم.
كشفت التجارب الشاملة التي شملت أكثر من 53,000 عينة مصنفة عن دقة تقديرية تصل إلى 99.99% مع معدل F1-score يبلغ 99.96%. كما شهدت الطريقة عدم وجود معدل للخطأ الكاذب في ظروف تشغيل مختلفة، مثل بدء عمل المحولات، وانتقالات الشبكة، وتحويل الأحمال. أظهرت التجارب في مجالات متنوعة استعادة دقة الكشف من 21% إلى 95% تحت ظروف غير مسبوقة.
تدل هذه النتائج على أن LD-framework يوفر حلاً قابلًا للتوسع والاعتماد، مما يضمن كشفًا موثوقًا على مدى طويل عبر أجهزة متنوعة.
