[논문 리뷰] Explainable Incipient Fault Detection Systems for Photovoltaic Panels

S. Sairam, Seshadhri Srinivasan외 4명|arXiv (Cornell University)|2020. 11. 19.

Risk and Safety Analysis참고 문헌 27인용 수 4

한 줄 요약

이 논문은 일조량 기반의 삼다이오드 모델(IB3DM)과 XGBoost, LIME 기반의 해석 가능한 인공지능을 융합하여 초기 고장에 대한 설명 가능한 고장 감지 및 진단 시스템(XFDDS)을 제안한다. 하이브리드 시스템은 저일조 조건에서 정확도를 향상시키고, 고장 서명 지표를 통해 임의의 경고를 감소시키며, 현장 기술자들이 이해하고 실행할 수 있는 직관적인 설명을 제공한다. 이는 실제 고장 시나리오를 반영한 다양한 태양전지 기술에서 검증되었다.

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.

연구 동기 및 목표

• 기존의 모델 기반 방법이 정확도를 상실하는 저일조 조건에서 초기 고장을 탐지하는 데 도전하는 문제를 해결한다.
• 해석 불가능성과 높은 임의의 경고 비율 등의 문제로 인해 데이터 기반 고장 감지 시스템의 한계를 극복한다.
• 고정밀 모델링과 해석 가능한 AI를 융합하여 태양전지 시스템의 신뢰성과 유지보수성을 향상시키는 하이브리드 고장 감지 프레임워크를 개발한다.
• 현장 기술자가 LIME를 통해 인스턴스 기반의 인간이 읽을 수 있는 설명을 통해 고장 진단을 이해하고 조치할 수 있도록 한다.
• 부분 셸딩 및 라인-라인 고장과 같은 실제 고장 시나리오를 포함한 다양한 태양전지 기술에서 시스템의 효과성을 입증한다.

제안 방법

• 저일조 수준에서 정확도를 향상시키기 위해 일조량과 온도를 매개변수 계산에 명시적으로 통합한 9개 매개변수를 가진 일조량 기반의 삼다이오드 모델(IB3DM)을 제안한다.
• 측정된 태양전지 데이터로부터 IB3DM 매개변수를 추정하기 위해 비볼록 제약 최적화 문제를 사용하고, 5개의 메타 히우리스틱 접근법(예: 입자 군집 최적화, 파리불꽃 알고리즘)을 적용한다.
• 노이즈가 많고 불균형한 데이터를 잘 처리하는 성능을 보이는 극한 기울기 부스팅(XGBoost) 분류기를 도입하여 집계된 태양전지 데이터에서 초기 고장을 감지한다.
• XGBoost 예측 결과를 물리적 모델 행동과 비교하여 일관성 여부를 검증함으로써 임의의 경고를 줄이기 위해 IB3DM과 XGBoost의 출력을 조합하는 고장 서명 지표(FSM)를 도입한다.
• XFDDS에 局면적 해석 가능한 모델에 종속되지 않는 설명(LIME) 프레임워크를 통합하여 고장 분류에 대한 인스턴스 기반, 인간이 읽을 수 있는 설명을 생성한다.
• XGBoost가 고장을 감지하고 FSM 값이 임계값을 초과할 경우에만 설명을 트리거하여 관련성과 계산 오버헤드를 줄인다.

실험 결과

연구 질문

• RQ1 저일조 조건에서 기존의 모델보다 높은 정확도를 달성할 수 있는 일조량 기반의 삼다이오드 모델(IB3DM)이 가능한가?
• RQ2 XGBoost와 IB3DM을 융합한 하이브리드 모델이 단독 데이터 기반 방법에 비해 초기 고장 감지에서 임의의 양성 경고를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 LIME 기반의 설명은 현장 기술자가 고장 감지 결정의 해석 가능성과 신뢰성을 얼마나 향상시킬 수 있는가?
• RQ4 고장 서명 지표(FSM)는 실시간 태양전지 데이터에서 진정한 초기 고장과 일시적인 이상 또는 임의의 양성 신호를 신뢰성 있게 구분할 수 있는가?
• RQ5 XFDDS 프레임워크는 부분 셸딩 및 라인-라인 고장과 같은 다양한 태양전지 기술과 고장 유형에 대해 얼마나 일반화 가능한가?

주요 결과

• IB3DM은 특히 저일조 조건(예: G ≥ 896 W/m²)에서 표준 단일 및 이중다이오드 모델보다 더 높은 정밀도를 확보하였다. 이는 매개변수 계산에 일조량의 명시적 의존성 덕분이었다.
• 고장 서명 지표(FSM)는 XGBoost 예측 결과를 물리적 모델 행동과 교차 검증함으로써 임의의 경고를 크게 감소시켰다. 이는 오직 일관된 고장 신호가 발생할 경우에만 설명이 트리거되도록 보장하였다.
• LIME 기반의 설명은 저전류(≤9.77 A)와 저전력(≤1354 W)이지만 높은 일조량(≥896 W/m²)임을 보여주는 직관적이고 실행 가능한 통찰을 제공하여, 부분 셸딩 고장을 신속하게 식별할 수 있도록 하였다.
• 라인-라인(LL) 고장의 경우, 설명은 저전류(≤7.44 A)와 저전력(≤1112.52 W)이면서 고전압(>141.29 V)임을 정확히 강조하여 고장 존재를 확인하고 진단을 지원하였다.
• 임의의 양성 사례는 설명을 통해 높은 전력(>1112.89 W)이지만 저전류임을 확인함으로써 간헐적인 부하 행동을 드러내어 불필요한 정비를 방지하였다.
• XFDDS는 단일결정 실리콘 태양전지 패널에서 이진 및 다중 클래스 분류 작업 모두에서 뛰어난 성능을 보였으며, 고장 유형 간에 일관되고 해석 가능한 결과를 제공하였다.