[論文レビュー] Explainable Incipient Fault Detection Systems for Photovoltaic Panels

S. Sairam, Seshadhri Srinivasan+4 more|arXiv (Cornell University)|Nov 19, 2020

Risk and Safety Analysis参考文献 27被引用数 4

ひとこと要約

本稿では、日射量に基づく3デュードモデル（IB3DM）とXGBoost、LIMEベースの説明可能なAIを組み合わせることで、太陽光パネルにおける初期故障を説明可能な故障検出・診断システム（XFDDS）として提案する。ハイブリッドシステムは低日射条件下での精度を向上させ、故障シグネチャ指標により誤検出を低減し、現場技術者が理解しやすく、実行可能な説明を提供する。実世界の故障シナリオを用いた複数の太陽光技術分野での検証が行われた。

ABSTRACT

This paper presents an eXplainable Fault Detection and Diagnosis System (XFDDS) for incipient faults in PV panels. The XFDDS is a hybrid approach that combines the model-based and data-driven framework. Model-based FDD for PV panels lacks high fidelity models at low irradiance conditions for detecting incipient faults. To overcome this, a novel irradiance based three diode model (IB3DM) is proposed. It is a nine parameter model that provides higher accuracy even at low irradiance conditions, an important aspect for detecting incipient faults from noise. To exploit PV data, extreme gradient boosting (XGBoost) is used due to its ability to detecting incipient faults. Lack of explainability, feature variability for sample instances, and false alarms are challenges with data-driven FDD methods. These shortcomings are overcome by hybridization of XGBoost and IB3DM, and using eXplainable Artificial Intelligence (XAI) techniques. To combine the XGBoost and IB3DM, a fault-signature metric is proposed that helps reducing false alarms and also trigger an explanation on detecting incipient faults. To provide explainability, an eXplainable Artificial Intelligence (XAI) application is developed. It uses the local interpretable model-agnostic explanations (LIME) framework and provides explanations on classifier outputs for data instances. These explanations help field engineers/technicians for performing troubleshooting and maintenance operations. The proposed XFDDS is illustrated using experiments on different PV technologies and our results demonstrate the perceived benefits.

研究の動機と目的

• 従来のモデルベース手法が精度を失う低日射条件下での太陽光パネルの初期故障検出の課題に対処すること。
• 説明可能性の欠如と高い誤検出率といった、データドリブンな故障検出システムの限界を克服すること。
• 高精度なモデリングと解釈可能なAIを統合したハイブリッド故障検出フレームワークを構築し、太陽光システムの信頼性と保守性を向上させること。
• LIMEを用いて、現場技術者が理解しやすく、個別事例に特化した説明を提供することで、故障診断に応じた意思決定を可能にすること。
• 実世界の故障シナリオ（部分的日陰、ラインツーライン故障など）を用いて、複数の太陽光技術分野におけるシステムの有効性を検証すること。

提案手法

• 日射量と温度をパrameter計算に明示的に組み込むことで、低日射条件下での精度を向上させる9パラメータの日射量ベース3デュードモデル（IB3DM）を提案する。
• 5つのメタヒューリスティックアプローチ（例：粒子群最適化、ファイヤーフライ最適化など）を用いた非凸制約最適化問題を設定し、測定された太陽光パネルデータからIB3DMのパラメータを推定する。
• ノイズが多く、不均衡なデータを扱える優れた性能を示す極端勾配ブースティング（XGBoost）分類器を用いて、集約された太陽光パネルデータから初期故障を検出する。
• XGBoostの予測結果を物理モデルの挙動と照合することで、誤検出を低減するための故障シグネチャ指標（FSM）を導入する。
• XGBoostが故障を検出すると同時にFSMがしきい値を超える場合にのみ、局所的で解釈可能なモデルに依存しない説明（LIME）フレームワークを統合し、個別事例に特化した説明を生成する。
• XGBoostが故障を検出し、かつFSMがしきい値を超える場合にのみ説明をトリガーすることで、関連性を確保するとともに、計算コストを低減する。

実験結果

リサーチクエスチョン

• RQ1 日射量に基づく3デュードモデル（IB3DM）は、初期故障検出に不可欠な低日射条件下で、従来のモデルよりも高い精度を達成できるか？
• RQ2 XGBoostとIB3DMを統合したハイブリッドモデルは、単独のデータドリブン手法と比較して、初期故障検出における誤検出（偽陽性）をどの程度効果的に低減できるか？
• RQ3 LIMEベースの説明は、現場技術者の故障検出意思決定における解釈可能性と信頼性をどの程度向上できるか？
• RQ4 故障シグネチャ指標（FSM）は、リアルタイムの太陽光パネルデータにおいて、真の初期故障と一時的な異常または偽陽性を信頼性を持って区別できるか？
• RQ5 XFDDSフレームワークは、部分的日陰やラインツーライン故障を含む、異なる太陽光技術分野および故障タイプに一般化可能か？

主な発見

• IB3DMは、特に低日射条件下（例：G ≥ 896 W/m²）で、標準の単一・二重デュードモデルよりも高い忠実度を達成した。これは、パrameter計算における日射量依存性の明示的組み込みによるものである。
• 故障シグネチャ指標（FSM）は、XGBoostの予測結果を物理モデルの挙動と照合することで、誤検出を顕著に低減した。これにより、一貫性のある故障信号のみが説明のトリガーとなるよう保証された。
• LIMEベースの説明は、直感的で実行可能なインサイト（例：日射量が高水準（≥896 W/m²）にもかかわらず電流が低値（≤9.77 A）かつ出力が低値（≤1354 W））を提供し、現場技術者が部分的日陰故障を迅速に同定できるようにした。
• ラインツーライン（LL）故障の事例では、説明が電流（≤7.44 A）と出力（≤1112.52 W）の低値および高電圧（>141.29 V）を的確に強調し、故障の存在を確認するとともに診断を支援した。
• 誤検出の事例では、説明により電流が低値であるにもかかわらず出力が高値（>1112.89 W）であることが明らかになり、一時的な負荷挙動が特定され、不必要な保守作業が回避された。
• XFDDSは、モノシリコン太陽光パネルにおける2値分類および多値分類タスクにおいて、故障タイプにかかわらず一貫性があり、解釈可能な結果を示した。