[論文レビュー] Detection and classification of faults aimed at preventive maintenance of PV systems

Edgar Hernando Sepúlveda-Oviedo, Louise Travé-Massuyès+3 more|arXiv (Cornell University)|Jun 13, 2023

Renewable energy and sustainable power systems被引用数 4

ひとこと要約

本論文は、高度な特徴抽出および選択パイプラインを用いて、太陽光発電（PV）システムにおける微細な欠陥、特に「カタツムリ跡」欠陥を検出・分類するための新しいランダムフォレストベースの手法を提案する。この手法は、計算時間の短縮を伴いながらも高い分類精度を達成し、PV発電所における効果的な予防保全を可能にする。

ABSTRACT

Diagnosis in PV systems aims to detect, locate and identify faults. Diagnosing these faults is vital to guarantee energy production and extend the useful life of PV power plants. In the literature, multiple machine learning approaches have been proposed for this purpose. However, few of these works have paid special attention to the detection of fine faults and the specialized process of extraction and selection of features for their classification. A fine fault is one whose characteristic signature is difficult to distinguish to that of a healthy panel. As a contribution to the detection of fine faults (especially of the snail trail type), this article proposes an innovative approach based on the Random Forest (RF) algorithm. This approach uses a complex feature extraction and selection method that improves the computational time of fault classification while maintaining high accuracy.

研究の動機と目的

• 微細な欠陥、特に「カタツムリ跡」のような微妙な特徴を示す欠陥を検出する課題に対処すること。
• PVシステム診断における故障分類の正確性と計算効率を向上させること。
• 微細な欠陥検出に特化した特徴抽出および選択プロセスの開発。
• PV発電所における初期故障の早期同定を可能にすることで、予防保全を支援すること。

提案手法

• 研究では、故障検出および分類のためのコア分類器としてランダムフォレスト（RF）アルゴリズムを採用する。
• PVパネルのデータから微細な電気的および熱的特徴を捉えるために、複雑な特徴抽出パイプラインを設計する。
• 次元削減と計算効率の向上を図るために、特徴選択技術を適用する。精度を損なわずに行う。
• 時間的変動データまたはリアルタイム監視データを処理し、故障パターンを同定する。
• 実際のPV発電所のデータセットを用いて、特に「カタツムリ跡」とその他の微細な欠陥タイプに焦点を当てて手法を検証する。
• ハイパーパrameterチューニングと交差検証を用いて、RFモデルのパフォーマンスを最適化する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、特に「カタツムリ跡」欠陥を含む微細なPV欠陥を効果的に検出する方法は何か？
• RQ2 どの特徴抽出および選択手法が、故障分類の正確性と速度を顕著に向上させるか？
• RQ3 提案されたランダムフォレストベースの手法は、従来の手法に比べて、微細なPV欠陥の検出においてどの程度優れているか？
• RQ4 提案手法は、大規模なPV発電所における実用的な予防保全を支援できるか？

主な発見

• 提案手法は、従来の手法では検出が難しい微細な欠陥、特に「カタツムリ跡」に対して高い故障分類精度を達成する。
• 特徴選択プロセスにより、計算時間が顕著に短縮されつつも、高い検出性能を維持する。
• ランダムフォレストモデルは、PVシステムにおける多様な故障タイプに対して、頑健性と一般化能力を示す。
• 本手法により、初期故障の早期検出が可能となり、効果的な予防保全戦略の実現を支援する。
• 本研究では、正常な運用変動から微細な故障特徴を区別するために、特化した特徴工学が不可欠であることが示された。
• 本手法はスケーラブルであり、大規模な電力用PVプラント向けリアルタイム監視システムへの統合に適している。