[논문 리뷰] DTW k-means clustering for fault detection in photovoltaic modules

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

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 논문은 동적 시간 왜곡(DTW) 거리와 K-means를 조합한 비지도 군집화 방법인 DTW k-means를 제안한다. 이 방법은 태양전지(PV) 스트링의 고장 탐지를 위해 시간적 시퀀스를 왜곡에 의해 정렬할 수 있는 DTW의 능력을 활용하여, 레이블이 없는 고장 데이터를 바탕으로도 건강한 모듈과 고장을 가진 모듈을 효과적으로 군집화한다. 이는 시각적 점검을 통한 검증을 통해 고장 유형을 높은 정확도로 구분할 수 있음을 보여준다.

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.

연구 동기 및 목표

• 대규모 태양전지(PV) 발전소에서 확장 가능하고 비지도 고장 탐지 방법의 부족을 해결한다.
• 광범위한 고장 레이블이 필요로 하는 지도 학습 방법의 한계를 극복하며, 일반적으로 단일 모듈이나 세포에서만 검증되는 경우가 많다.
• 고장 패tern에 대한 사전 지식 없이도 다수의 고장 유형을 식별할 수 있는 데이터 기반 접근법을 개발한다.
• 최소한의 영역 특화 레이블을 사용하여 PV 스트링 데이터를 견고하게 군집화하여 건강한 패널과 고장을 가진 패널을 분리할 수 있도록 한다.
• 실제 PV 패널의 시각적 점검에서 유도된 진단 레이블과 비교하여 방법의 성능을 검증한다.

제안 방법

• PV 모듈의 시간적 시계열 전력 출력 신호 간의 유사도를 측정하기 위해 동적 시간 왜곡(DTW)을 거리 척도로 적용한다.
• DTW 거리를 사용하여 PV 스트링 데이터의 이질성 행렬을 구성하여 부분적인 그림자 또는 열화로 인한 시간적 이탈을 포착한다.
• DTW 기반의 이질성 행렬에 K-means 군집 알고리즘을 적용하여 유사한 행동을 보이는 PV 모듈을 군집화한다.
• DTW 척도 하에 군집 내 제곱합을 최소화하는 방식으로 군집 중심을 반복적으로 개선한다.
• 결과로 도출된 군집을 사용하여 이상 그룹을 고장 지표로 식별하며, 건강한 모듈은 명확히 분리된 군집을 이룬다.
• 패널의 시각적 점검에서 유도된 진정한 레이블과 군집 할당을 비교하여 검증한다.

실험 결과

연구 질문

• RQ1 DTW k-means는 레이블이 없는 고장 데이터를 바탕으로 실세계의 PV 스트링에서 건강한 모듈과 고장을 가진 모듈을 효과적으로 구분할 수 있는가?
• RQ2 시간적 시계열 PV 데이터에서 표준 유클리드 거리와 비교해 DTW 기반의 거리 척도가 고장 탐지에 어떻게 향상되는가?
• RQ3 군집 결과가 시각적 점검 검증을 통해 특정 고장 유형을 어느 정도 식별할 수 있는가?
• RQ4 다양한 고장 패턴이 존재하는 대규모 PV 설치 환경에서 DTW k-means 접근법의 확장성과 견고성은 어느 정도인가?
• RQ5 비지도 성격 덕분에 고비용 수동 레이블링에 대한 의존도를 줄일 수 있었는가 동시에 높은 탐지 정확도를 유지하는가?

주요 결과

• DTW k-means 방법은 건강한 PV 모듈을 하나의 일관된 군집으로 효과적으로 군집화하여 고장을 가진 모듈와 명확히 분리시켰다.
• 부분적인 그림자 또는 열화로 인한 시간적 이동에도 불구하고, 시간적 시계열 전력 출력을 정렬함으로써 고장 패턴을 높은 정확도로 식별하였다.
• 시각적 점검 결과, 고장을 가진 모듈을 포함한 군집이 실제로 패널에 관찰된 물리적 결함과 일치함을 확인하였다.
• 비선형적이고 시간 왜곡된 PV 신호 간의 의미 있는 유사성을 포착하는 데 있어 DTW 거리 사용이 표준 유클리드 거리보다 뚜렷하게 뛰어났다.
• 비지도 성격 덕분에 광범위한 고장 레이블링이 필요 없어져 대규모 PV 발전소에서의 확장 가능한 구현이 가능해졌다.
• 이 방법은 미세하거나 비정규적인 전력 출력 변동을 보이는 고장 유형까지도 견고하게 탐지하는 데 성공하였다.