[論文レビュー] DTW k-means clustering for fault detection in photovoltaic modules

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

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本論文では、動的時系列ワープ（DTW）距離とK-meansを組み合わせた教師なしクラスタリング手法、DTW k-meansを提案する。この手法は、部分的な日陰や劣化による時間的ずれを考慮した時系列データの整合性を活用し、ラベルなしの故障データを用いても健全なパネルと故障したパネルを効果的に分類でき、視覚的点検による検証で故障種別を高精度に区別できる。

ABSTRACT

The increase in the use of photovoltaic (PV) energy in the world has shown that the useful life and maintenance of a PV plant directly depend on theability to quickly detect severe faults on a PV plant. To solve this problem of detection, data based approaches have been proposed in the literature.However, these previous solutions consider only specific behavior of one or few faults. Most of these approaches can be qualified as supervised, requiring an enormous labelling effort (fault types clearly identified in each technology). In addition, most of them are validated in PV cells or one PV module. That is hardly applicable in large-scale PV plants considering their complexity. Alternatively, some unsupervised well-known approaches based on data try to detect anomalies but are not able to identify precisely the type of fault. The most performant of these methods do manage to efficiently group healthy panels and separate them from faulty panels. In that way, this article presents an unsupervised approach called DTW K-means. This approach takes advantages of both the dynamic time warping (DWT) metric and the Kmeans clustering algorithm as a data-driven approach. The results of this mixed method in a PV string are compared to diagnostic labels established by visual inspection of the panels.

研究の動機と目的

• 大規模な太陽光発電所におけるスケーラブルで教師なしの故障検出手法の不足を解消すること。
• 広範な故障ラベルの必要性がある教師あり手法の限界を克服し、単一のモジュールやセルでのみ検証されることが一般的な問題を改善すること。
• 故障パターンの事前知識がなくても、複数の故障種別を特定可能なデータ駆動型アプローチを開発すること。
• 最小限の分野特化型ラベルで、健全なパネルと故障したパネルを分離する強固なPVストリングデータのクラスタリングを可能にすること。
• 実際のPVパネルの視覚的点検から得られる診断ラベルと照らし合わせて、本手法の性能を検証すること。

提案手法

• PVモジュールの時系列出力電力信号間の類似性を測るために、動的時系列ワープ（DTW）を距離指標として適用する。
• DTW距離を用いて、部分的な日陰や劣化による時間的ずれを捉えたPVストリングデータの非類似性行列を構築する。
• DTWに基づく非類似性行列にK-meansクラスタリングアルゴリズムを適用し、類似した挙動を示すPVモジュールをクラスタに分類する。
• DTW距離指標下でクラス内平方和を最小化するように、クラスタ重心を反復的改善によって最適化する。
• 得られたクラスタを用いて、異常なグループを故障の兆候として特定し、健全なモジュールは明確に分離されたクラスタを形成する。
• パネルの視覚的点検から得た真値ラベルと照らし合わせて、クラスタの割り当てを検証する。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしの故障データを前提とした実世界のPVストリングにおいて、DTW k-meansは健全なモジュールと故障したモジュールを効果的に区別できるか？
• RQ2 時系列PVデータにおいて、DTWベースの距離指標は、標準的なユークリッド距離と比較して故障検出性能をどのように向上させるか？
• RQ3 視覚的点検による検証を通じて、クラスタリング結果がどの程度の範囲で特定の故障種別を特定できるか？
• RQ4 大規模なPVインストール環境における多様な故障パターンに、DTW k-meansアプローチはどの程度スケーラブルで頑健か？
• RQ5 教師なしの性質のおかげで、高コストな手動ラベリングに依存する必要が軽減されつつも、高い検出精度を維持できるか？

主な発見

• DTW k-means手法は、健全なPVモジュールを一貫性のある単一クラスタに効果的にグループ化し、故障モジュールとは明確に分離した。
• 部分的な日陰や劣化による時間的ずれがあっても、時系列出力電力を整合させることで、故障パターンの特定に高い精度を達成した。
• 視覚的点検の結果、故障モジュールを含むクラスタは、実際にパネルに観察された物理的欠陥と一致した。
• 非線形的かつ時間的にずれたPV信号間の意味のある類似性を捉える点で、DTW距離の使用は標準的なユークリッド距離を顕著に上回った。
• 教師なしの性質のおかげで、広範な故障ラベルの必要性が排除され、大規模なPV発電所へのスケーラブルな展開が可能になった。
• 本手法は、微細なまたは不規則な出力変動を示す故障種別を含め、複数の故障種別を検出する点で頑健性を示した。