هوش مصنوعی در نیروگاه خورشیدی: مدل‌ها، روش‌ها و معماری

مسئله: عیبی که کد خطا ندارد

اینورتری که کاملاً از کار افتاده، خودش را اعلام می‌کند: کد خطا می‌دهد، تولیدش صفر می‌شود و هر سامانه‌ای آن را می‌بیند. پول واقعی جای دیگری از دست می‌رود: اینورتری که کار می‌کند اما ۸ درصد کمتر از همسایه‌اش تولید دارد، رشته‌ای که فیوزش سوخته در حالی که مجموع اینورتر هنوز «قابل قبول» است، یا ورودی‌ای که در تنظیمات غیرفعال شده ولی جریان دارد و هرگز پایش نمی‌شود. هیچ‌کدام کد خطا ندارند و هیچ آستانه‌ی ثابتی هم آن‌ها را نمی‌گیرد.

این صفحه برای مهندسی نوشته شده که می‌خواهد بداند پشت کلمه‌ی «هوش مصنوعی» دقیقاً چه مدلی، با چه ورودی، چه مرجع مقایسه‌ای و چه معیار پذیرشی کار می‌کند؛ کدام بخش روی کامپیوتر نیروگاه (لبه) اجرا می‌شود و کدام روی سرور؛ و مدل زبانی کجای این زنجیره است و کجا نیست. کد نمونه‌ها ساده‌شده‌ی همان توابعی‌اند که در محصول اجرا می‌شوند (Python 3، بدون وابستگی بیرونی).

مرجع نسبی: چرا به سنسور تابش نیاز ندارد

رشته‌های یک اینورتر در یک لحظه یک آسمان را می‌بینند. اگر جریان هر رشته بر میانه‌ی جریان رشته‌های کناری‌اش تقسیم شود، ابر، گردوغبار و ساعت روز از نسبت حذف می‌شوند و آنچه می‌ماند داستان خود آن رشته است. یک رشته‌ی خراب نباید مرجع «عادی» را جابه‌جا کند؛ برای همین مرجع میانه است و پراکندگی MAD:

MAD_TO_SIGMA = 1.4826          # MAD to a normal-equivalent sigma

def mad_spread(values, center=None):
    c = median(values) if center is None else center
    return MAD_TO_SIGMA * median([abs(v - c) for v in values])

def robust_z(value, center, spread, floor=0.0, relative_floor=0.04):
    # A metric that never moves has MAD ~ 0; without a floor every wobble
    # becomes a 40-sigma "critical". The floor is per metric: conversion
    # efficiency sits near 99 %, so its relative floor is 0, not 4 %.
    denominator = max(spread, floor, relative_floor * abs(center))
    return 0.0 if denominator <= 0 else (value - center) / denominator

def theil_sen_slope(xs, ys):
    # median of all pairwise slopes: one outage day cannot invent a trend
    return median([(ys[j] - ys[i]) / (xs[j] - xs[i])
                   for i in range(len(xs)) for j in range(i + 1, len(xs))
                   if xs[j] != xs[i]])

همین ایده در سه سطح پشت سر هم به کار می‌رود (قاعده‌ای که از تجربه‌ی بهره‌بردار گرفته شد): رشته‌ی کناری ← بقیه‌ی همان اینورتر ← اینورترهای دیگر. اگر یک رشته افت کند ولی کناری‌اش هم همان‌قدر افت کرده باشد، سایه یا ابر است؛ اگر همه‌ی رشته‌های یک اینورتر با هم و نسبت به اینورترهای دیگر پایین باشند، مشکل از کل آرایه یا ردیاب MPPT همان اینورتر است؛ و اگر فقط یک ورودی پایین است، مشکل همان ورودی است. هر یافته دامنه‌ی خودش را می‌گوید: ورودی، اینورتر یا نیروگاه.

بررسی تنظیمات: دسته‌ی جداگانه‌ی «تنظیمات»

نقشه‌ی مدباس هر برند همه‌ی MPPTها و همه‌ی ورودی‌های رشته‌ی مدل را دارد، هر چه بهره‌بردار تیک زده باشد. پس داده‌ها نشان می‌دهند واقعاً چه چیزی سیم‌بندی شده است. اشتباه تنظیمات خرابی نیست — از پشت میز درست می‌شود، نه با اعزام تکنسین — برای همین این یافته‌ها در همه‌ی صفحه‌ها (دسکتاپ، سایت شرکتی، اپ و وب‌اپ) در دسته‌ی جداگانه‌ی «تنظیمات» کنار «خیلی مهم، مهم، معمولی» می‌آیند و هیچ فیلتر سطحی آن‌ها را قاطی خطاها نمی‌کند.

شرط نور قوی: صبح، غروب و هوای ابری جریان‌ها کوچک‌اند و ورودی‌هایی که رو به جهت‌های متفاوت دارند از هم جدا می‌شوند؛ تصمیم درباره‌ی تنظیمات در آن ساعت‌ها اشتباه است. یک نمونه فقط وقتی حساب می‌شود که خورشید دست‌کم ۲۵ درجه بالا باشد و میانه‌ی جریان هر رشته‌ی همان اینورتر دست‌کم ۳ آمپر باشد — مرجعی که از همه‌ی ورودی‌های دارای جریان ساخته می‌شود، تیک‌خورده یا نه، تا یک تیک اشتباه مرجع خودش را خم نکند:

STRONG_A, MIN_SUN_DEG, MIN_MINUTES, AGREE = 3.0, 25.0, 60, 0.80

for r in readings:                         # yesterday + today, archive
    if r.sun_deg is not None and r.sun_deg < MIN_SUN_DEG:
        continue
    per_string = [i / u.strings for i, u in zip(currents(r), inputs) if i > 0.5]
    ref = median(per_string)               # the plant is its own sensor
    if len(per_string) < 2 or ref < STRONG_A:
        continue                           # dawn, dusk, cloud: decide nothing
    strong.append((r, ref))

# an input set inactive that carries current on 80 % of the strong readings
held = mean(i >= max(1.0, 0.25 * ref) for i, ref in samples(unticked_input))
if strong_minutes >= MIN_MINUTES and held >= AGREE:
    report("cfg.input_unconfigured", inverter, mppt, string, mean_a, ref)

متن یافته دقیقاً می‌گوید کدام ورودی و چه اختلافی، مثلاً: «اینورتر ۷ · MPPT ۲ · رشته ۲: رشته ۲ از MPPT ۲ اینورتر ۷ را در تنظیمات غیرفعال کرده‌اید، ولی فعال است: در ۱۱۹ دقیقه نور قوی به‌طور میانگین ۸٫۰ آمپر جریان داشت (هر رشته‌ی فعال همین اینورتر ۸٫۰ آمپر).» برای اینورترهایی که جریان تک‌رشته را نمی‌دهند، نام همان ورودیِ غیرفعال‌شده‌ای را می‌برد که باید فعال شود.

دروازه‌ی شواهد: یک یافته چه وقت گفته می‌شود

بازبینی ۳۰ روزه‌ی یافته‌های ناوگان نشان داد بیش از نیمی از آن‌ها در سپیده‌دم و غروب صادر شده بود: اینورتری که هنوز بیدار نشده بود و «عدم تعادل ۷۰ درصد» می‌خواند، یا سایه‌ای که از روی همه‌ی اینورترها رد می‌شد و برای هر کدام «فیوز سوخته» ثبت می‌کرد. هر یافته ابتدا در یکی از پنج دسته قرار می‌گیرد:

def admit(finding, ctx):                       # a LIVE finding
    if ctx.sun_elevation < 20 or ctx.plant_share_of_capacity < 0.15:
        return HOLD                            # not enough light to judge
    if seen_on(finding.family, ctx) >= max(3, 0.40 * ctx.online_inverters):
        return COMMON_CAUSE                    # the sky / the layout, not this unit
    if ctx.ledger.minutes_held(finding) < persistence(finding):  # 30 / 60 / 180
        return WAIT                            # a 20-min data gap restarts the clock
    hit_rate, judged = ctx.track_record(finding.code)
    if judged >= 5 and hit_rate <= 0.34:
        return SILENCED                        # wrong here two times in three
    return SAY

زیان فقط وقتی کنار یافته می‌آید که اندازه‌گیری شده باشد: از توان همین لحظه ضرب در سهم آن اینورتر از انرژی دیروز، یا از روزهای کامل آرشیو. یک حدس کنار دو عدد واقعی، هر سه را بی‌اعتبار می‌کند.

مدل زبانی: کجای زنجیره هست و کجا نیست

هیچ عدد، رتبه یا علتی را مدل زبانی انتخاب نمی‌کند. هر جمله‌ی گزارش از قالب و داده‌ی اندازه‌گیری‌شده ساخته می‌شود، چون درباره‌ی نیروگاهی است که کسی تا آنجا رانندگی می‌کند. مدل زبانی Qwen3-4B-Instruct (یا Qwen3-8B روی کامپیوتر ۱۶ گیگابایتی) فقط یک کار دارد: پاسخ به پرسش اپراتور در «از نیروگاه بپرس».

1. بازیابی قطعی، نه ابزاربه یک مدل ۴ میلیارد پارامتری ابزار داده نمی‌شود (ابزار اشتباه یا آرگومان اشتباه را صدا می‌زند). برنامه خودش واقعیت‌ها را جمع می‌کند — فهرست زیان، یافته‌های باز، آلارم‌ها، تولید و پیش‌بینی با بازه — به ترتیب اهمیت و با سقف اندازه تا در پنجره‌ی متن جا شود.
2. تولید مقید به متنمدل فقط از روی همان متن پاسخ می‌دهد، از طریق API سازگار با OpenAI روی 127.0.0.1. فرایند جداست: اگر حافظه کم بیاورد یا آنتی‌ویروس آن را ببندد، پایش ادامه دارد.
3. راستی‌آزمایی عددیپاسخ پیش از نمایش بررسی می‌شود؛ اگر رد شود، خود واقعیت‌ها نمایش داده می‌شوند.

def check(answer: str, facts: str) -> bool:
    # every number in the answer must be a number the facts contain
    # (Persian/Arabic digits and thousands separators normalised first)
    if not numbers(answer) <= numbers(facts):
        return False      # "about 40" for 42 is computing; refuse
    # and stay with its inverter: a set of numbers cannot see
    # inverter 5's 31 kWh moved onto inverter 3
    for inverter, number in pairs(answer):
        if (inverter, number) not in pairs(facts):
            return False
    return True

در آزمایش پیش از انتشار، یک مدل کوچک‌تر تولید دیروز را با پیش‌بینی فردا جمع زد و همین بررسی جلوی آن را گرفت؛ و بازنویسی فارسی گزارش هفتگی توسط Qwen3-4B اینورترها را «دو نیروگاه خورشیدی» نامید — برای همین گزارش هفتگی بازنویسی نمی‌شود. مدل با کلید نصب برنامه یا از فلش نصب می‌شود، فایل‌هایش با SHA-256 تأیید می‌شوند، روی کامپیوتری با حافظه‌ی کمتر از ۸ گیگابایت نصب نمی‌شود، و بقیه‌ی برنامه بدون آن کامل کار می‌کند. Qwen2.5-3B به‌دلیل مجوزش عمداً کنار گذاشته شد.

فهرست زیان: از «نشانه» به «تصمیم»

صاحب نیروگاه می‌پرسد: کدام اینورتر بیشترین انرژی را از من می‌گیرد، از کی، چرا، و آیا امروز ارزش فرستادن کسی را دارد؟ فهرست زیان از روزهای کامل اندازه‌گیری‌شده جواب می‌دهد: انرژی روز هر اینورتر از افزایش شمارنده‌ی کل عمر (حداکثر ۱۵ kWh/kW)، تقسیم بر ظرفیت پنل‌هایش و بر میانه‌ی همان روز بین همتایان؛ «کم‌تولید پایدار» (زیر ۰٫۹۵ در ۵ روز از ۷)، «افت تازه» (از یک روز مشخص زیر ۰٫۹۲) یا «بدون تولید»؛ زیان به کیلووات‌ساعت و ریال؛ و علت محتمل از خطاهای خود اینورتر یا یافته‌های تأییدشده — یا صادقانه «هنوز چیزی علت را توضیح نمی‌دهد».

نیروگاه، سرور و حلقه‌ی بازخورد

1. نیروگاه به سرورMQTT روی TLS با امضای HMAC. هر یافته با کد، سطح یا دسته، آدرس، زیان اندازه‌گیری‌شده، درجه‌ی اطمینان، علت و راهکار. یافته‌ها بر اساس موضوع (کد + آدرس) یکی می‌شوند.
2. دانش، نه داده‌ی خامهر نیروگاه روزی یک‌بار آماره‌های آموخته‌شده‌اش را می‌فرستد؛ سرور با میانه ادغام می‌کند و بسته‌ی ناوگان را با درخواست امضاشده برمی‌گرداند (برای نیروگاه بدون اینترنت، فایل .nai).
3. بازخورد مالک«درست بود / چیزی نبود / برطرف شد» در دسکتاپ و (با پکیج نگهداری) در اپ و وب‌اپ؛ کامپیوتر نیروگاه آن را برمی‌دارد و در دفتر یافته‌ها ثبت می‌کند. درجه‌ی اطمینان یافته‌های بعدی بیش از هر چیز از همین کارنامه در همین نیروگاه می‌آید.