[论文解读] Predictive Maintenance in Photovoltaic Plants with a Big Data Approach

Alessandro Betti, Maria Luisa Lo Trovato+4 more|arXiv (Cornell University)|Jan 1, 2017

Photovoltaic System Optimization Techniques被引用 8

一句话总结

本文提出一种基于SCADA数据的双模块大数据预测性维护方法，用于光伏电站：采用自组织映射（SOM）进行通用故障检测，利用模式识别神经网络（PRNN）进行特定故障类别预测。该方法可提前7天实现高达95%的通用故障预测灵敏度，并能以高精度提前数小时至7天预测特定故障类别，已在六家电站和三种逆变器技术中得到验证。

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

研究动机与目标

• 开发一种可扩展、数据驱动的光伏电站预测性维护解决方案，以降低停机时间和运营成本。
• 解决传统被动和预防性维护策略在光伏系统中缺乏预测能力的问题。
• 仅使用最少的输入数据（历史SCADA数据、故障日志和逆变器数据表），实现对通用和特定逆变器故障的早期检测。
• 基于2014至2016年的真实世界数据，在多种光伏电站和逆变器技术中对方法进行验证。
• 通过在两个不同详细程度上实现早期、准确的故障预测，支持主动维护决策制定。

提出的方法

• 监管-诊断模型（SDM）利用自组织映射（SOM）检测正常运行的偏差，实现通用故障的早期预测。
• 短期故障预测模型（FPM）采用模式识别神经网络（PRNN），基于预处理后的SCADA数据对特定故障类型进行分类。
• 通过时间匹配规则同步SCADA数据（5分钟平均值）和故障日志：若 𝑡𝑠𝑡𝑎𝑟𝑡,𝑘 ≤ 𝑡𝑛 ≤ 𝑡𝑒𝑛𝑑,𝑘，则将故障分配至时间戳 𝑡𝑛。
• 通过PAC与GTI的一阶回归进行异常值剔除，基于残差偏差设定阈值：|𝑃𝐴𝐶−𝐺𝑇𝐼∙𝑚+𝑏| > 𝑡ℎ𝑟∙(𝐺𝑇𝐼∙𝑚+𝑏)。
• 缺失值的数据填补采用k-最近邻（k-NN）方法，使用欧几里得距离和双曲加权。
• 特征工程包括使用最小二乘拟合对温度及其他标签进行去趋势化处理，以消除季节性趋势，随后进行缩放以供模型输入。

实验结果

研究问题

• RQ1 基于SCADA数据的数据驱动方法能否在提前7天内以高灵敏度预测通用逆变器故障？
• RQ2 机器学习模型能否在足够提前的时间内准确区分并预测特定故障类别（如AC开关断开、直流接地故障）？
• RQ3 故障预测性能如何随可用故障实例数量变化，特别是对于低频故障？
• RQ4 该模型在不同规模的光伏电站、不同逆变器技术和不同地理位置之间具有多大程度的泛化能力？
• RQ5 两个互补模型（通用故障与特定故障预测）的集成在多大程度上能够实现主动维护策略？

主要发现

• 监管-诊断模型（SDM）在提前7天预测通用故障方面灵敏度最高可达95%，特异性约为80%。
• 短期故障预测模型（FPM）成功在数小时至7天前预测特定故障类别，其性能取决于故障频率和数据可用性。
• 对于高频故障类别（如AC开关断开），当拥有数千个故障实例时，即使提前7天，灵敏度仍保持在50%–60%以上。
• 当故障实例数量降至100以下时，FPM的灵敏度显著下降，最低降至30%–40%，尤其在记录故障少于100次的逆变器模块中更为明显。
• 由于负样本分类能力强，即使灵敏度下降，所有故障类别的准确率仍保持在80%以上。
• 该模型在六家电站（容量达10 MW）和三种不同品牌逆变器中表现出强鲁棒性和可移植性，仅需SCADA数据、故障日志和逆变器数据表即可部署。