[論文レビュー] A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy

Mary Pa, Mohammad Amin Kazemi|arXiv (Cornell University)|Oct 14, 2022

Photovoltaic System Optimization Techniques被引用数 4

ひとこと要約

この論文では、写真を正常または故障あり状態に分類する畳み込みニューラルネットワーク（CNN）ベースの故障検出方式を提案している。二値分類では91.1%の正確さ、多クラス分類（影、亀裂、ほこりの欠陥を区別）では88.6%の正確さを達成した。この手法は、PV画像データセット上で訓練されたCNNモデルを活用することで、同じデータを用いた従来のCNNアプローチよりも優れた性能を発揮する高精度で自動化された故障検出を実現している。

ABSTRACT

Solar energy is one of the most dependable renewable energy technologies, as it is feasible almost everywhere globally. However, improving the efficiency of a solar PV system remains a significant challenge. To enhance the robustness of the solar system, this paper proposes a trained convolutional neural network (CNN) based fault detection scheme to divide the images of photovoltaic modules. For binary classification, the algorithm classifies the input images of PV cells into two categories (i.e. faulty or normal). To further assess the network's capability, the defective PV cells are organized into shadowy, cracked, or dusty cells, and the model is utilized for multiple classifications. The success rate for the proposed CNN model is 91.1% for binary classification and 88.6% for multi-classification. Thus, the proposed trained CNN model remarkably outperforms the CNN model presented in a previous study which used the same datasets. The proposed CNN-based fault detection model is straightforward, simple and effective and could be applied in the fault detection of solar panel.

研究の動機と目的

• 自動故障検出を可能にすることで、光電（PV）太陽光システムの信頼性と効率を向上させること。
• 深層学習を用いた既存のPV故障検出手法における低精度という課題に対処すること。
• 画像から複数の故障タイプを区別できる、堅牢でエンドツーエンドのCNNベースのシステムを開発すること。
• 同じデータセットを用いて、改良されたアーキテクチャとトレーニングにより、以前のCNNモデルを上回ること。
• 実世界のPVパネル監視に適した、シンプルで効果的かつ展開可能なソリューションを提供すること。

提案手法

• 写真を処理するために、訓練済みの畳み込みニューラルネットワーク（CNN）が使用されている。
• モデルは二値分類を実行し、正常なPVセルと故障ありセルを区別する。
• 多クラス分類では、欠陥を3種類にさらに分類する：影、亀裂、ほこり。
• CNNは、判別的特徴を学習するために、公開済みのPVパネル画像データセット上で訓練されている。
• アーキテクチャは、二値分類および多クラス分類の両方の故障検出タスクにおける高精度を実現するように最適化されている。
• 性能は標準指標を用いて評価され、同じデータセット上で以前のCNNモデルと比較されている。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのモデルは、画像データを用いてPV太陽光パネルの故障を高精度で検出できるか？
• RQ2 同じデータセットを用いて評価した場合、提案されたCNNモデルは、以前のCNNモデルと比べてどの程度性能が優れているか？
• RQ3 モデルは、影、亀裂、ほこりといった異なる種類のPVパネル故障を効果的に区別できるか？
• RQ4 モデルアーキテクチャとトレーニングの影響は、PVシステムにおける故障検出の正確さにどのような影響を与えるか？
• RQ5 提案された手法は、実世界の太陽光パネル監視に適したシンプルで効果的かつ実装可能なものか？

主な発見

• 提案されたCNNモデルは、PVパネル画像において二値分類で91.1%の正確さを達成した。
• 欠陥タイプ（影、亀裂、ほこり）の多クラス分類において、モデルは88.6%の正確さを達成した。
• 同じデータセット上で評価した場合、以前に発表されたCNNモデルを上回った。
• モデルは、PVモジュールにおける多様な故障パターンの検出において、優れた一般化性能と頑健性を示した。
• 結果から、CNNベースのアプローチが、太陽光パネルにおける自動的で高精度な故障検出に有効であることが確認された。
• モデルはシンプルで解釈可能であり、リアルタイム監視システムへの統合に適している。