[论文解读] DTW k-means clustering for fault detection in photovoltaic modules

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

Energy Load and Power Forecasting被引用 4

一句话总结

本文提出DTW k-means方法，一种结合动态时间规整（DTW）距离与K-means的无监督聚类方法，用于检测光伏（PV）串路中的故障。通过利用DTW在时间序列上实现非线性对齐的能力，该方法无需依赖带标签的故障数据，即可有效将正常与故障的光伏组件分组，并通过实际面板的目视检查验证，准确区分不同类型的故障。

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.

研究动机与目标

• 解决大规模光伏（PV）电站中缺乏可扩展的无监督故障检测方法的问题。
• 克服监督方法的局限性，后者需要大量故障标注，且通常仅在单个组件或电池片上进行验证。
• 开发一种数据驱动方法，能够在不了解故障模式先验知识的情况下识别多种故障类型。
• 实现对光伏串路数据的稳健聚类，通过最少的领域特定标注将正常组件与故障组件分离。
• 通过实际光伏面板的目视检查所得诊断标签验证该方法的性能。

提出的方法

• 将动态时间规整（DTW）用作距离度量，以衡量光伏组件时间序列功率输出信号之间的相似性。
• 利用DTW距离构建光伏串路数据的相异度矩阵，捕捉因部分遮挡或退化导致的时间错位。
• 在基于DTW的相异度矩阵上应用K-means聚类算法，将光伏组件聚类为行为相似的组别。
• 通过迭代优化聚类中心，使基于DTW度量的组内平方和最小化。
• 利用所得聚类结果识别异常组别作为潜在故障指示，其中正常组件形成一个独立聚类。
• 将聚类分配结果与实际面板目视检查所得的真实标签进行对比验证。

实验结果

研究问题

• RQ1 DTW k-means方法是否能在无故障标注数据的情况下，有效区分真实光伏串路中正常与故障的光伏组件？
• RQ2 与标准欧几里得距离相比，基于DTW的距离度量在时间序列光伏数据中如何提升故障检测性能？
• RQ3 聚类结果在多大程度上可通过目视检查验证识别出特定的故障类型？
• RQ4 DTW k-means方法在大规模光伏电站中面对多样化的故障模式时，其可扩展性与鲁棒性如何？
• RQ5 该方法的无监督特性是否降低了对昂贵人工标注的依赖，同时保持高故障检测精度？

主要发现

• DTW k-means方法成功地将正常光伏组件聚类为一个清晰、连贯的聚类，与故障组件明显分离。
• 该方法通过时间对齐时间序列功率输出，即使存在部分遮挡或退化引起的时间偏移，仍能实现对故障模式的高精度识别。
• 目视检查证实，包含故障组件的聚类与面板上实际观察到的物理缺陷相对应。
• 使用DTW距离显著优于标准欧几里得距离，能更准确捕捉非线性、时间扭曲的光伏信号之间的有意义相似性。
• 该方法的无监督特性消除了对大量故障标注的需求，实现了在大规模光伏电站中的可扩展部署。
• 该方法在检测多种故障类型方面表现出鲁棒性，包括具有细微或不规则功率输出偏差的故障。