[논문 리뷰] A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy

Mary Pa, Mohammad Amin Kazemi|arXiv (Cornell University)|2022. 10. 14.

Photovoltaic System Optimization Techniques인용 수 4

한 줄 요약

이 논문은 공개된 PV 패널 이미지 데이터셋을 기반으로 훈련된 컨볼루션 신경망(CNN) 기반의 고장 탐지 기법을 제안한다. 이 기법은 이진 분류에서 91.1%의 정확도, 다중 분류(그림자, 균열, 먼지 오염 고장 구분)에서 88.6%의 정확도를 달성한다. 동일한 데이터를 사용한 이전 CNN 기반 방법에 비해 향상된 성능을 보이며, 고정밀도 자동 고장 탐지가 가능하다.

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.

연구 동기 및 목표

• 자동 고장 탐지 기능을 통해 태양광 패널 시스템의 신뢰성과 효율성을 향상시키기 위해.
• 딥 러닝 기반 기존 PV 고장 탐지 방법의 낮은 탐지 정확도 문제를 해결하기 위해.
• 이미지에서 다양한 고장 유형을 구분할 수 있는 강력한 종단 간(end-to-end) CNN 기반 시스템을 개발하기 위해.
• 동일한 데이터셋을 사용했을 때 기존 CNN 모델을 뛰어넘는 성능을 내기 위해 아키텍처와 훈련 방법을 개선하기 위해.
• 실제 태양광 패널 모니터링 환경에 쉽게 통합할 수 있는 간단하고 효과적이며 구현 가능한 솔루션을 제공하기 위해.

제안 방법

• 훈련된 컨볼루션 신경망(CNN)을 사용하여 태양광 모듈의 이미지를 처리한다.
• 모델은 정상 상태와 고장 상태의 PV 세포를 이진 분류한다.
• 다중 분류의 경우, 고장을 그림자, 균열, 먼지 오염의 세 가지 유형으로 추가로 분류한다.
• 모델은 분류 기능을 학습하기 위해 공개된 PV 패널 이미지 데이터셋을 기반으로 훈련된다.
• 이중 분류 및 다중 분류 고장 탐지 작업에서 높은 정확도를 달성하기 위해 아키텍처가 최적화된다.
• 표준 평가 지표를 사용하여 성능을 평가하며, 동일한 데이터셋에서 기존 CNN 모델과의 성능 비교가 이루어진다.

실험 결과

연구 질문

• RQ1 CNN 기반 모델이 이미지 데이터를 활용해 PV 태양광 패널의 고장을 높은 정확도로 탐지할 수 있는가?
• RQ2 제안된 CNN 모델은 동일한 데이터셋에서 기존 CNN 모델과 비교해 어떤 성능을 보이는가?
• RQ3 모델은 그림자, 균열, 먼지 오염 등의 다양한 유형의 PV 패널 고장을 효과적으로 구분할 수 있는가?
• RQ4 모델 아키텍처와 훈련 방법이 PV 시스템의 고장 탐지 정확도에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 실생활 적용에 적합한가? 단순하고 효과적이며 실시간 모니터링 시스템에 통합 가능한가?

주요 결과

• 제안된 CNN 모델은 PV 패널 이미지에서 이진 분류 정확도 91.1%를 달성한다.
• 그림자, 균열, 먼지 오염 고장 유형을 다중 분류한 결과, 정확도는 88.6%에 이른다.
• 동일한 데이터셋에서 평가했을 때, 이전에 발표된 CNN 모델보다 성능이 뛰어나다.
• 다양한 고장 패tern을 탐지하는 데 있어 강력한 일반화 능력과 안정성을 보였다.
• 결과적으로 CNN 기반 접근법이 태양광 패널에서 자동화된 고정밀도 고장 탐지에 효과적임을 확인했다.
• 모델는 단순하고 해석 가능하며, 실시간 모니터링 시스템에 통합하기에 적합하다.