ରାଷ୍ଟ୍ରୀୟ ପ୍ରଯୁକ୍ତି ପ୍ରତିଷ୍ଠାନ (NIT) ରାଉରକେଲାର ଗବେଷକମାନେ ସୌର ଶକ୍ତି କ୍ଷେତ୍ରରେ ଏକ ନୂଆ ସଫଳତା ହାସଲ କରିଛନ୍ତି। ସେମାନେ ଏକ କୃତ୍ରିମ ବୁଦ୍ଧିମତା (AI) ଆଧାରିତ ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀ ଉନ୍ନତ କରିଛନ୍ତି, ଯାହା ସୌର ପ୍ୟାନେଲ୍ଗୁଡ଼ିକର ନିରୀକ୍ଷଣ ଓ ସଫା କାର୍ଯ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ ଭାବେ କରିପାରିବ।

"Federated Learning based Autonomous System and Method for Monitoring and Cleaning Solar Plant" ନାମକ ଏହି ଉଦ୍ଭାବନକୁ ଭାରତୀୟ ପେଟେଣ୍ଟ ମିଳିଛି। ଏହି ପ୍ରଯୁକ୍ତିକୁ NIT ରାଉରକେଲାର କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ଓ ଇଞ୍ଜିନିୟରିଂ ବିଭାଗର ପ୍ରଫେସର ଅରୁଣ କୁମାର, ପ୍ରଫେସର ବିଭୁଦତ୍ତ ସାହୁ ଓ ଗବେଷକ ଡ଼ଃ ଲୋପାମୁଦ୍ରା ହୋତା ଏବଂ ଡ଼ଃ ବିରଜା ପ୍ରସାଦ ନାୟକଙ୍କ ଦ୍ୱାରା ବିକଶିତ କରାଯାଇଛି।

ଏହି ପ୍ରଣାଳୀରେ ବ୍ୟବହୃତ Federated Learning ପ୍ରଯୁକ୍ତି ଦ୍ୱାରା ସୌର ପ୍ୟାନେଲ୍ର ତଥ୍ୟ ସୁରକ୍ଷିତ ରହିବ। ପାରମ୍ପରିକ ପ୍ରଣାଳୀ ପରି କେନ୍ଦ୍ରୀୟ ସର୍ଭରକୁ କଚ୍ଚା ତଥ୍ୟ ପଠାଇବା ପରିବର୍ତ୍ତେ ଏହା କେବଳ ସଂକେତିକୃତ (Encrypted) ତଥ୍ୟ ବିନିମୟ କରିଥାଏ। ଫଳରେ ସାଇବର ସୁରକ୍ଷା ବିପଦ, ବ୍ୟାଣ୍ଡୱିଡ୍ଥ ବ୍ୟବହାର ଓ ଗୋପନୀୟତା ସମସ୍ୟା କମିଥାଏ।

ଗବେଷକମାନଙ୍କ ମତାନୁସାରେ, ଧୂଳି, ପକ୍ଷୀଙ୍କ ମଳ ଓ ଶିଳ୍ପାଞ୍ଚଳର ପ୍ରଦୂଷକ ପଦାର୍ଥ ଯୋଗୁଁ ସୌର ପ୍ୟାନେଲ୍ର କାର୍ଯ୍ୟକ୍ଷମତା ୪୦ ଶତାଂଶ ପର୍ଯ୍ୟନ୍ତ କମିଯାଇପାରେ। ବର୍ତ୍ତମାନ ବ୍ୟବହୃତ ସଫା ପ୍ରଣାଳୀଗୁଡ଼ିକ ଅଧିକ ଶ୍ରମ, ଅଧିକ ଜଳ ଓ ନିର୍ଦ୍ଧାରିତ ସମୟସୂଚୀ ଉପରେ ନିର୍ଭର କରୁଛି।

ନୂତନ AI ପ୍ରଣାଳୀ ସୌର ପ୍ୟାନେଲ୍ରେ ଜମା ହୋଇଥିବା ମଇଳାକୁ ଚିହ୍ନଟ କରିବା ସହ କେଉଁ ପ୍ୟାନେଲ୍କୁ ସଫା କରିବା ଆବଶ୍ୟକ, ତାହା ନିର୍ଣ୍ଣୟ କରିବ। ଏହା ସହିତ ଏଥିରେ Edge Computing, Predictive Maintenance ଓ Autonomous Fault Detection ଭଳି ଉନ୍ନତ ବୈଶିଷ୍ଟ୍ୟ ମଧ୍ୟ ରହିଛି।

ବର୍ତ୍ତମାନ ଏହି ପ୍ରଣାଳୀକୁ Technology Readiness Level (TRL)-3 ସ୍ତରରେ ସିମ୍ୟୁଲେସନ୍ ମାଧ୍ୟମରେ ପରୀକ୍ଷା କରାଯାଇଛି। ଆଗାମୀ ଦିନରେ IoT ସେନ୍ସର ସହିତ ଏକ ହାର୍ଡୱେର ପ୍ରୋଟୋଟାଇପ୍ ତିଆରି କରି ସରକାରୀ ସଂସ୍ଥା ଓ ଶିଳ୍ପ ଭାଗୀଦାରଙ୍କ ସହ ଏହାର ପାଇଲଟ୍ ପ୍ରକଳ୍ପ ଆରମ୍ଭ କରିବାକୁ ଗବେଷକମାନେ ଯୋଜନା କରିଛନ୍ତି।

ଗବେଷକମାନଙ୍କ ଆକଳନ ଅନୁଯାୟୀ, ଏହି ପ୍ରଯୁକ୍ତି ବାଣିଜ୍ୟିକ ଭାବେ ଉପଲବ୍ଧ ହେଲେ ବର୍ତ୍ତମାନର ସମାନ ପ୍ରଣାଳୀ ତୁଳନାରେ ପ୍ରାୟ ୧୦ ଶତାଂଶ ଖର୍ଚ୍ଚରେ ଉନ୍ନତ AI ସୁବିଧା ଯୋଗାଇପାରିବ। ଏହା ଭାରତର ଜାତୀୟ ସୌର ମିଶନ୍ ଏବଂ ନେଟ୍-ଜିରୋ ଲକ୍ଷ୍ୟ ହାସଲରେ ମଧ୍ୟ ସହାୟକ ହେବ।