[论文解读] A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy

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

Photovoltaic System Optimization Techniques被引用 4

一句话总结

本文提出了一种基于卷积神经网络（CNN）的光伏（PV）太阳能板故障检测方案，通过图像分类将图像划分为正常或故障状态，二分类准确率达到91.1%，多分类准确率达到88.6%（可区分阴影、裂纹和灰尘缺陷）。该方法利用在PV图像数据集上训练的CNN模型，实现了高精度、自动化的故障检测，相较于使用相同数据的先前CNN方法性能更优。

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.

研究动机与目标

• 通过实现自动化故障检测，提高光伏（PV）太阳能系统的可靠性和效率。
• 解决现有基于深度学习的PV故障检测方法中检测精度低的挑战。
• 开发一种强大、端到端的基于CNN的系统，能够从图像中区分光伏板的多种故障类型。
• 通过改进网络结构和训练方法，在相同数据集上超越先前的CNN模型。
• 为实际光伏板监测提供一种简单、有效且可部署的解决方案。

提出的方法

• 采用训练好的卷积神经网络（CNN）处理光伏组件的图像。
• 该模型执行二分类任务，区分正常与故障的光伏电池。
• 在多分类任务中，模型进一步将缺陷分为三类：阴影、裂纹和灰尘。
• CNN在公开的光伏板图像数据集上进行训练，以学习具有区分性的特征。
• 网络结构针对二分类和多分类故障检测任务的高精度进行了优化。
• 通过标准指标评估性能，并将结果与同一数据集上先前的CNN模型进行对比。

实验结果

研究问题

• RQ1 基于CNN的模型能否在使用图像数据检测光伏太阳能板故障方面实现高准确率？
• RQ2 在相同数据集上，所提出的CNN模型与先前的CNN模型相比性能如何？
• RQ3 该模型能否有效区分光伏板故障的多种类型，如阴影、裂纹和灰尘？
• RQ4 模型结构和训练对光伏系统故障检测准确率有何影响？
• RQ5 所提出的方法是否简单、有效，并适合在太阳能板监测中实际部署？

主要发现

• 所提出的CNN模型在光伏板图像上的二分类准确率达到91.1%。
• 在故障类型（阴影、裂纹、灰尘）的多分类任务中，模型准确率达到88.6%。
• 在相同数据集上评估时，该模型优于先前发表的CNN模型。
• 该方法在检测光伏组件中多样的故障模式方面表现出良好的泛化能力和鲁棒性。
• 结果证实，基于CNN的方法在实现光伏板自动化、高精度故障检测方面是有效的。
• 该模型结构简单、可解释性强，适合集成到实时监测系统中。