[论文解读] Detection and classification of faults aimed at preventive maintenance of PV systems

Edgar Hernando Sepúlveda-Oviedo, Louise Travé-Massuyès+3 more|arXiv (Cornell University)|Jun 13, 2023

Renewable energy and sustainable power systems被引用 4

一句话总结

本文提出了一种基于随机森林的新型方法，用于检测和分类光伏（PV）系统中的细微故障，特别是蜗牛痕迹缺陷，采用先进的特征提取与选择流程。该方法在降低计算时间的同时实现了高分类准确率，从而实现了光伏电站的有效预防性维护。

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.

研究动机与目标

• 为解决在光伏系统中检测细微故障的挑战，特别是具有微弱特征的蜗牛痕迹缺陷。
• 提升光伏系统诊断中故障分类的准确率与计算效率。
• 开发一种专为细微故障检测量身定制的特征提取与选择流程。
• 通过实现对光伏电站中早期故障的早期识别，支持预防性维护。

提出的方法

• 本研究采用随机森林（RF）算法作为核心分类器，用于故障检测与分类。
• 设计了复杂的特征提取流程，以捕捉光伏板数据中的微弱电气与热信号特征。
• 应用特征选择技术以降低维度，提升计算效率，同时不牺牲准确率。
• 该方法处理来自光伏系统的时序或实时监控数据，以识别故障模式。
• 该方法在来自真实光伏电站的数据集上进行了验证，重点针对蜗牛痕迹及其他细微故障类型。
• 通过超参数调优与交叉验证，优化随机森林模型的性能。

实验结果

研究问题

• RQ1 如何利用机器学习有效检测光伏系统中的细微故障，特别是蜗牛痕迹缺陷？
• RQ2 哪些特征提取与选择方法能显著提升故障分类的准确率与速度？
• RQ3 所提出的基于随机森林的方法在检测细微光伏故障方面，相较于现有方法的优越程度如何？
• RQ4 所提出的方法能否在大规模光伏电站中支持实际的预防性维护？

主要发现

• 所提出的方法在细微故障（如蜗牛痕迹）的分类中实现了高准确率，这些故障常规方法难以检测。
• 特征选择流程显著降低了计算时间，同时保持了高检测性能。
• 随机森林模型在光伏系统中多种故障类型上表现出强鲁棒性与泛化能力。
• 该方法可实现对早期故障的检测，支持有效的预防性维护策略。
• 研究表明，针对细微故障特征与正常运行波动的区分，专门的特征工程至关重要。
• 该方法具有可扩展性，适用于集成到大型光伏电站的实时监控系统中。