[論文レビュー] Predictive Maintenance in Photovoltaic Plants with a Big Data Approach

Alessandro Betti, Maria Luisa Lo Trovato+4 more|arXiv (Cornell University)|Jan 1, 2017

Photovoltaic System Optimization Techniques被引用数 8

ひとこと要約

本稿では、SCADAデータを用いた予知保全のための2モジュール構成の大規模データアプローチを提案する。1つは一般故障検出のための自己組織化マップ（SOM）、もう1つは特定故障クラス予測のためのパターン認識ニューラルネットワーク（PRNN）である。本手法は、7日前までに一般故障を最大95％の感度で予測可能であり、6つのPVプラントおよび3種類のインバーター技術において、数時間から7日前までに特定故障クラスを高い精度で事前に特定できる。

ABSTRACT

This paper presents a novel and flexible solution for fault prediction based on data collected from SCADA system. Fault prediction is offered at two different levels based on a data-driven approach: (a) generic fault/status prediction and (b) specific fault class prediction, implemented by means of two different machine learning based modules built on an unsupervised clustering algorithm and a Pattern Recognition Neural Network, respectively. Model has been assessed on a park of six photovoltaic (PV) plants up to 10 MW and on more than one hundred inverter modules of three different technology brands. The results indicate that the proposed method is effective in (a) predicting incipient generic faults up to 7 days in advance with sensitivity up to 95% and (b) anticipating damage of specific fault classes with times ranging from few hours up to 7 days. The model is easily deployable for on-line monitoring of anomalies on new PV plants and technologies, requiring only the availability of historical SCADA and fault data, fault taxonomy and inverter electrical datasheet. Keywords: Data Mining, Fault Prediction, Inverter Module, Key Performance Indicator, Lost Production

研究の動機と目的

• ダウンタイムと運用コストを削減する、スケーラブルでデータ駆動型の予知保全ソリューションの開発。
• 従来の反応的・予防的保全戦略に欠ける、PVシステムにおける予測可能性の欠如への対処。
• 歴史的SCADAデータ、故障ログ、インバーター仕様書の最小限の入力データを用いて、一般および特定のインバーター故障の早期検出を可能にする。
• 2014年から2016年の実データを用いて、多様なPVプラントおよびインバーター技術で本手法の妥当性を検証する。
• 2段階の詳細度での早期かつ正確な故障予測を通じて、プロアクティブな保全意思決定を支援する。

提案手法

• 監視・診断モデル（SDM）は、自己組織化マップ（SOM）を用いて正常動作からの逸脱を検出し、早期の一般故障予測を可能にする。
• 短期故障予測モデル（FPM）は、事前処理済みのSCADAデータに基づいて、特定故障タイプを分類するためのパターン認識ニューラルネットワーク（PRNN）を採用する。
• SCADAデータ（5分間隔の平均値）と故障ログブックは、時刻マッチングルールにより同期される：故障𝑘が時刻𝑡𝑛に割り当てられるのは、𝑡𝑠𝑡𝑎𝑟𝑡,𝑘 ≤ 𝑡𝑛 ≤ 𝑡𝑒𝑛𝑑,𝑘 を満たす場合である。
• 外れ値除去は、PAC対GTIの一次回帰を用い、残差偏差に基づくしきい値処理で実施する：|𝑃𝐴𝐶−𝐺𝑇𝐼∙𝑚+𝑏| > 𝑡ℎ𝑟∙(𝐺𝑇𝐼∙𝑚+𝑏)。
• 欠損値の補完には、ユークリッド距離と双曲線重み付けを用いたk-近傍法（k-NN）を適用する。
• 特徴工学には、季節的トレンドを除去するための最小二乗法によるトレンド除去（温度など他のタグについて）、その後のモデル入力用のスケーリングが含まれる。

実験結果

リサーチクエスチョン

• RQ1 SCADAデータを用いたデータ駆動型アプローチは、7日前までに一般インバーター故障を高い感度で予測可能か？
• RQ2 機械学習モデルは、特定の故障クラス（例：ACスイッチオープン、DCアース故障）を十分なリードタイムと精度で区別・予測可能か？
• RQ3 故障頻度が低い故障に対して、故障予測性能は故障インスタンス数の変動にどのように影響を受けるか？
• RQ4 本モデルは、異なるPVプラントの規模、インバーター技術、地理的場所にわたってどれほど一般化可能か？
• RQ5 一般故障と特定故障予測の2つの補完的モデルの統合は、予防的保全戦略を実現可能か？

主な発見

• 監視・診断モデル（SDM）は、7日前までに一般故障を最大95％の感度で予測可能であり、特異度は約80％であった。
• 短期故障予測モデル（FPM）は、数時間から7日前までに特定故障クラスを効果的に予測可能であり、故障頻度とデータ可用性に依存する性能を示した。
• 高頻度故障クラス（例：ACスイッチオープン）では、数千件の故障インスタンスが利用可能な場合、7日前までに感度が50–60％以上を維持した。
• 故障インスタンス数が100未満に低下すると、特に100件未満の故障記録があるインバーター部品では、FPMの感度が著しく低下し、30–40％まで低下した。
• 感度が低下しても、強力なネガティブサンプル分類のおかげで、全故障クラスで精度が80％以上を維持した。
• 本モデルは、最大10MWの6つのPVプラントおよび3種類の異なるインバーター製品ブランドにわたり、堅牢性と移植性を示した。導入にはSCADAデータ、故障ログ、インバーター仕様書の3つのみが必要であった。