[논문 리뷰] Detection and classification of faults aimed at preventive maintenance of PV systems

Edgar Hernando Sepúlveda-Oviedo, Louise Travé-Massuyès외 3명|arXiv (Cornell University)|2023. 06. 13.

Renewable energy and sustainable power systems인용 수 4

한 줄 요약

이 논문은 고도로 발전된 특성 추출 및 선택 파이프라인을 사용하여 태양전지(PV) 시스템에서 미세한 고장, 특히 달팽이 자국 결함을 탐지하고 분류하기 위한 새로운 랜덤 포레스트 기반 접근법을 제안한다. 이 방법은 계산 시간을 줄이며 높은 분류 정확도를 달성하여 PV 발전소에서 효과적인 예방 정비를 가능하게 한다.

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.

연구 동기 및 목표

• PV 시스템에서 미세한 고장을, 특히 달팽이 자국과 같은 미세한 특징을 가진 고장을 효과적으로 탐지하는 데 도전하는 것.
• PV 시스템 진단에서 고장 분류 정확도와 계산 효율성을 향상시키는 것.
• 미세 고장 탐지를 위해 특화된 특성 추출 및 선택 프로세스를 개발하는 것.
• PV 발전소 내 초기 고장을 조기에 식별함으로써 예방 정비를 지원하는 것.

제안 방법

• 연구는 고장 탐지 및 분류의 핵심 분류기로 랜덤 포레스트(RF) 알고리즘을 사용한다.
• PV 패널 데이터로부터 미세한 전기적 및 열적 특징을 포착하기 위해 복잡한 특성 추출 파이프라인을 설계한다.
• 차원 수를 줄이고 계산 효율성을 향상시키기 위해 특성 선택 기법을 적용하며, 정확도를 희생하지 않는다.
• 시간에 따라 변화하는 또는 실시간 모니터링 데이터를 처리하여 고장 패턴을 식별한다.
• 실제 PV 발전소에서 확보한 데이터셋을 대상으로 본 방법을 검증하며, 달팽이 자국 및 기타 미세 고장 유형에 집중한다.
• 하이퍼파rameter 튜닝과 교차 검증을 통해 RF 모델의 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 어떻게 머신러닝을 활용하여 PV 시스템의 미세 고장, 특히 달팽이 자국 결함을 효과적으로 탐지할 수 있는가?
• RQ2 어떤 특성 추출 및 선택 기법이 고장 분류 정확도와 속도를 크게 향상시키는가?
• RQ3 제안된 랜덤 포레스트 기반 접근법이 기존 방법에 비해 미세한 PV 고장을 탐지하는 데 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 제안된 방법은 대규모 PV 발전소에서 실질적인 예방 정비를 지원할 수 있는가?

주요 결과

• 제안된 방법은 달팽이 자국과 같은 미세 고장에 대해 높은 고장 분류 정확도를 달성하며, 기존 방법으로는 탐지하기 어려운 고장을 효과적으로 식별한다.
• 특성 선택 프로세스는 정확도를 유지하면서도 계산 시간을 크게 단축시킨다.
• 랜덤 포레스트 모델은 PV 시스템 내 다양한 고장 유형에 대해 뛰어난 강건성과 일반화 능력을 보여준다.
• 이 방법은 초기 고장을 조기에 탐지할 수 있어 효과적인 예방 정비 전략을 지원한다.
• 연구는 특수한 특성 공학이 정상적인 운영 변동에서 미세한 고장 특징을 구분하는 데 핵심적임을 보여준다.
• 이 방법은 확장성이 있으며, 대규모 유틸리티 수준의 PV 발전소를 대상으로 한 실시간 모니터링 시스템에 통합하기에 적합하다.