[论文解读] Explainable Incipient Fault Detection Systems for Photovoltaic Panels

S. Sairam, Seshadhri Srinivasan+4 more|arXiv (Cornell University)|Nov 19, 2020

Risk and Safety Analysis参考文献 27被引用 4

一句话总结

该论文提出了一种可解释的故障检测与诊断系统（XFDDS），通过结合基于辐照度的三二极管模型（IB3DM）与XGBoost和LIME可解释人工智能，实现对光伏（PV）面板早期故障的检测。该混合系统在低辐照度条件下提升了检测精度，通过故障特征指标减少了误报，并为现场工程师提供了直观、可操作的解释，已在多种光伏技术中通过真实故障场景得到验证。

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.

研究动机与目标

• 解决在低辐照度条件下传统基于模型的方法因精度下降而难以检测光伏面板早期故障的挑战。
• 克服数据驱动故障检测系统存在的可解释性不足和误报率高的局限。
• 开发一种混合故障检测框架，整合高保真建模与可解释人工智能，以提升光伏系统的可靠性与可维护性。
• 通过LIME生成的、人类可读的、实例特定的解释，使现场工程师能够理解并响应故障诊断。
• 通过真实世界故障场景（包括部分遮挡和线对线故障）在多种光伏技术中验证系统的有效性。

提出的方法

• 提出一种基于辐照度的三二极管模型（IB3DM），包含九个参数，通过在参数计算中显式引入辐照度和温度，提升低辐照度水平下的精度。
• 采用具有五个元启发式方法（如粒子群、萤火虫算法）的非凸约束优化问题，从实测光伏数据中估计IB3DM参数。
• 实施极端梯度提升（XGBoost）分类器，从聚合的光伏数据中检测早期故障，利用其在处理噪声大、类别不平衡数据方面的优异性能。
• 引入一种故障特征指标（FSM），将IB3DM与XGBoost的输出相结合，通过验证分类器预测与物理模型行为的一致性，减少误报。
• 将局部可解释模型无关解释（LIME）框架集成到XFDDS中，生成针对故障分类的实例特定、人类可读的解释。
• 仅当XGBoost检测到故障且FSM超过阈值时才触发解释，以确保相关性并减少计算开销。

实验结果

研究问题

• RQ1 基于辐照度的三二极管模型（IB3DM）是否能在低辐照度条件下实现比传统模型更高的精度，这对检测早期故障至关重要？
• RQ2 与独立的数据驱动方法相比，结合XGBoost与IB3DM的混合模型在早期故障检测中是否能更有效地减少假阳性报警？
• RQ3 基于LIME的解释在多大程度上能提升故障检测决策的可解释性与可信度，以供现场工程师使用？
• RQ4 故障特征指标（FSM）是否能可靠地区分真实早期故障与瞬态异常或假阳性信号，实现实时光伏数据中的有效识别？
• RQ5 XFDDS框架在不同光伏技术及故障类型（包括部分遮挡和线对线故障）中的泛化能力如何？

主要发现

• IB3DM在低辐照度条件下（例如，G ≥ 896 W/m²）的保真度优于标准单二极管和双二极管模型，这得益于其在参数计算中对辐照度的显式依赖。
• 故障特征指标（FSM）通过将XGBoost预测与物理模型行为交叉验证，显著减少了误报，确保仅当故障信号与模型行为一致时才触发解释。
• 基于LIME的解释提供了直观、可操作的洞察，例如在高辐照度（≥896 W/m²）条件下电流（≤9.77 A）和功率（≤1354 W）偏低，帮助现场工程师快速识别部分遮挡故障。
• 对于线对线（LL）故障，解释正确突出了低电流（≤7.44 A）和低功率（≤1112.52 W）以及高电压（>141.29 V）的特征，确认了故障存在并辅助诊断。
• 通过解释发现，假阳性案例中存在高功率（>1112.89 W）但电流偏低的情况，揭示了间歇性负载行为，从而避免了不必要的维护。
• XFDDS在单晶硅光伏面板的二分类与多分类任务中均表现出稳健性能，各类故障的诊断结果一致且可解释。