[논문 리뷰] Predictive Maintenance in Photovoltaic Plants with a Big Data Approach

Alessandro Betti, Maria Luisa Lo Trovato외 4명|arXiv (Cornell University)|2017. 01. 01.

Photovoltaic System Optimization Techniques인용 수 8

한 줄 요약

이 논문은 SCADA 데이터를 활용한 두 모듈로 구성된 대규모 데이터 기반 예측 정비 기법을 제안한다: 일반 고장 탐지를 위한 자기조직화 지도(SOM), 특정 고장 유형 예측을 위한 패턴 인식 신경망(PRNN). 이 방법은 일반 고장을 최대 95%의 민감도로 7일 전에 예측할 수 있으며, 6개의 PV 발전소와 3종의 인버터 기술에서 높은 정확도로 특정 고장 유형을 수시간에서 7일 전까지 효과적으로 예측한다.

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

연구 동기 및 목표

• 정지 시간과 운영 비용을 줄이기 위해 확장 가능하고 데이터 기반의 예측 정비 솔루션을 개발한다.
• 기존의 수동적 또는 예방 정비 전략에서 부족한 예측 능력을 보완한다.
• 역사적 SCADA 데이터, 고장 로그, 인버터 사양서만을 사용하여 일반 고장과 특정 고장 유형을 최소한의 입력 데이터로 조기에 탐지한다.
• 2014년부터 2016년까지의 실제 데이터를 바탕으로 다양한 PV 발전소와 인버터 기술에서 방법을 검증한다.
• 두 수준의 세부 정보에서 조기에 정확하게 고장을 예측함으로써 사전 정비 의사결정 지원을 가능하게 한다.

제안 방법

• 감시-진단 모델(SDM)은 자기조직화 지도(SOM)를 사용하여 정상 작동에서의 이탈을 탐지함으로써 조기에 일반 고장을 예측한다.
• 단기 고장 예측 모델(FPM)은 전처리된 SCADA 데이터를 기반으로 특정 고장 유형을 분류하기 위해 패턴 인식 신경망(PRNN)을 활용한다.
• SCADA 데이터(5분 평균)와 고장 로그북은 시간 일치 규칙을 통해 동기화되며, 고장은 𝑡𝑠𝑡𝑎𝑟𝑡,𝑘 ≤ 𝑡𝑛 ≤ 𝑡𝑒𝑛𝑑,𝑘 조건을 만족할 경우 타임스탬프 𝑡𝑛에 할당된다.
• 이상치 제거는 PAC 대비 GTI의 일차 회귀를 통해 수행되며, 잔차 이격도를 기반으로 임계값을 설정한다: |𝑃𝐴𝐶−𝐺𝑇𝐼∙𝑚+𝑏| > 𝑡ℎ𝑟∙(𝐺𝑇𝐼∙𝑚+𝑏).
• 결측치 보정은 유클리드 거리와 hyperbolic 가중치를 사용한 k-최근접 이웃(k-NN) 방법을 통해 수행된다.
• 특징 공학은 온도 및 기타 태그의 추세 제거를 위해 최소 제곱법을 사용한 후 모델 입력을 위해 스케일링을 수행한다.

실험 결과

연구 질문

• RQ1 SCADA 데이터 기반의 접근 방식이 일반 인버터 고장을 최대 7일 전에 높은 민감도로 예측할 수 있는가?
• RQ2 기계학습 모델이 특정 고장 유형(예: AC 스위치 오픈, DC 지면 고장)을 충분한 사전 시간과 정확도로 구분하고 예측할 수 있는가?
• RQ3 고장 발생 빈도가 낮은 고장의 경우, 가용한 고장 인스턴스 수에 따라 고장 예측 성능가 어떻게 변화하는가?
• RQ4 다양한 크기의 PV 발전소, 인버터 기술, 지리적 위치 간에 모델의 일반화 능력은 어느 정도인가?
• RQ5 일반 고장 및 특정 고장 예측의 두 가지 상호보완적 모델 통합이 사전 정비 전략을 가능하게 하는가?

주요 결과

• 감시-진단 모델(SDM)은 일반 고장을 최대 95%의 민감도로 7일 전까지 예측했으며, 특이도는 약 80%였다.
• 단기 고장 예측 모델(FPM)은 특정 고장 유형을 수시간에서 7일 전까지 성공적으로 예측했으며, 성능은 고장 발생 빈도와 데이터 가용성에 따라 달라졌다.
• 고빈도 고장 유형(예: AC 스위치 오픈)의 경우, 수천 건의 고장 인스턴스가 확보된 상태에서 7일 전에도 민감도가 50–60% 이상 유지되었다.
• 고장 인스턴스 수가 100건 이하로 감소할 경우, 특히 100건 미만으로 기록된 인버터 모듈에서는 FPM의 민감도가 크게 떨어져 30–40% 수준으로 하락했다.
• 민감도가 감소하더라도, 모든 고장 유형에서 정확도가 80% 이상 유지되었으며, 이는 강력한 음성 샘플 분류 덕분이었다.
• 모델은 SCADA 데이터, 고장 로그, 인버터 사양서만으로도 6개의 PV 발전소(최대 10 MW)와 3종의 다른 인버터 브랜드에서 뚜렷한 강건성과 이식 가능성을 보였다.