پژوهشگران دانشگاه صنعتی خلیفه در ابوظبی، در اواخر فروردین ۱۴۰۵ چارچوب جدیدی مبتنی بر یادگیری تقویتی ارائه دادند که به طور خودکار زمان تمیزکاری پنلهای خورشیدی را در مناطق خشک و غبارآلود بهینه میکند. آلودگی ناشی از گرد و غبار میتواند تولید انرژی خورشیدی را تا ۴۰ درصد کاهش دهد، اما روشهای سنتی تمیزکاری یا ثابت (مثلاً هر هفته یکبار) هستند که باعث هدررفت آب و هزینه میشوند، یا بر اساس دیدگاه انسانی تصمیم میگیرند که اغلب بهینه نیست.
الگوریتم ارائه شده از دو تکنیک پیشرفته یادگیری تقویتی به نامهای PPO و SAC استفاده میکند. این الگوریتمها با دریافت دادههای لحظهای از شدت تابش، رطوبت، سرعت باد و میزان غبار نشسته روی پنل، تصمیم میگیرند که آیا در همان لحظه عملیات تمیزکاری انجام شود یا خیر. هدف اصلی، بیشینه کردن تولید انرژی خالص در بلندمدت با در نظر گرفتن هزینه تمیزکاری (شامل مصرف آب، برق رباتها و استهلاک) است.
این روش در یک نیروگاه خورشیدی ۱۰ مگاواتی در حومه ابوظبی به مدت سه ماه به صورت زنده آزمایش شد. نتایج نشان داد که تکنیک PPO نسبت به روشهای سنتی بهینهسازی شبیهسازی، تا ۱۳ درصد در هزینههای عملیاتی صرفهجویی میکند و در عین حال تولید انرژی را ۷ درصد افزایش میدهد. الگوریتم یاد گرفته بود که پس از یک طوفان شن، تمیزکاری فوری انجام شود، اما اگر غبار سبک باشد، صبر کند تا وزش باد طبیعی بخشی از آن را پاک کند.
در همین راستا، شرکت اسرائیلی BladeRanger با همکاری Alpha Solar بحرین، قراردادی برای ارائه تکنولوژی پیشرفته تمیزکاری با پهپادهای مجهز به هوش مصنوعی امضا کرده است. این رباتهای پرنده با استفاده از دیجیتال توئین و آموزش مبتنی بر یادگیری تقویتی، قادر به مانور در زوایای دشوار و بین ردیفهای پنل هستند.
اهمیت این دستاورد برای کشورهای خاورمیانه، شمال آفریقا و هند که با پدیده گرد و غبار مواجه هستند، بسیار زیاد است. به جای سرمایهگذاری هنگفت روی پنلهای خودتمیزکننده گرانقیمت، میتوان با الگوریتمهای هوشمند، از سیستمهای تمیزکاری معمولی بهرهوری بالاتری گرفت. این پژوهش نشان داد که هوش مصنوعی نه تنها در لایه طراحی، بلکه در بهرهبرداری روزمره نیز ارزش آفرین است.
