A lightweight multi-scale deep learning approach for robust photovoltaic fault detection under noisy conditions

Zonnepanelen zijn de stille werkpaarden van de moderne energietransitie, die zonlicht omzetten in elektriciteit zonder bewegende delen of rook. Toch zijn ze, net als elke complexe machine, vatbaar voor defecten. Een enkele gebroken draad, een schaduwpartij van een nabijgelegen boom of een falend onderdeel kan de prestaties van een heel systeem naar beneden halen, waardoor energie en geld verloren gaan. De uitdaging voor ingenieurs is lang geweest om precies te achterhalen wat er mis is, en hoe snel, vooral wanneer de gegevens die van de panelen komen, rommelig zijn. Sensoren pikken vaak willekeurige statische elektriciteit, kalibratiefouten of plotselinge elektrische pieken op die op fouten lijken, maar slechts ruis zijn. Het onderscheiden van een echt probleem van een glitch in de meting is een moeilijk puzzel geweest, wat vaak dure apparatuur of trage, handmatige inspecties vereiste die systemen te lang inefficiënt lieten draaien.

Een team onderzoekers aan de Kookmin Universiteit in Zuid-Korea heeft een nieuwe manier ontwikkeld om dit probleem op te lossen, door een digitaal systeem te creëren dat deze problemen met opmerkelijke snelheid en nauwkeurigheid kan opsporen, zelfs wanneer de gegevens imperfect zijn. Ze bouwden een gespecialiseerd computerprogramma dat is ontworpen om te fungeren als een hooggetrainde diagnosticus. In plaats van te vertrouwen op één enkele methode om de gegevens te analyseren, gebruikt dit programma een hybride aanpak die nabootst hoe een menselijke expert een probleem vanuit meerdere hoeken tegelijkertijd zou onderzoeken. Het zoekt naar kleine, lokale patronen in de elektrische signalen, terwijl het tegelijkertijd het bredere verband begrijpt van hoe die signalen in de loop van de tijd met elkaar samenhangen. Dit dubbele perspectief stelt het systeem in staat om de achtergrondruis te negeren en zich te concentreren op de werkelijke tekenen van problemen.

Het systeem, dat de onderzoekers BLGSNet noemden, werd getest op een dataset die zes verschillende toestanden van een zonnepaneelopstelling vertegenwoordigt: normale werking, een defecte reeks panelen, een aardfout, een kortsluiting tussen de reeksen, een falend onderdeel en gedeeltelijke schaduw. In een perfecte, ruisvrije omgeving identificeerde het systeem de conditie van de panelen in 99,36% van de gevallen correct. Dit is een hoge lat, maar de echte test kwam toen de onderzoekers realistische interferentie introduceerden. Ze simuleerden de soorten sensorfouten en elektrische ruis die in de echte wereld voorkomen, door willekeurige statische elektriciteit en plotselinge pieken aan de gegevens toe te voegen. Zelfs toen de gegevens corrupt waren door ruis op een niveau van 10%, behield het systeem een nauwkeurigheid van 98,08%. Wanneer de ruis werd verhoogd naar een uitdagende 15%, slaagde het systeem er nog steeds in om de defecten in 94,87% van de gevallen correct te diagnosticeren. Deze stabiliteit is cruciaal omdat het betekent dat het systeem niet gekoppeld hoeft te worden aan complexe, trage filters om de gegevens eerst te filteren; het kan de rommeligheid direct aan.

Wat deze aanpak bijzonder effectief maakt, is de vormgeving ervan. De onderzoekers combineerden twee verschillende soorten digitale verwerking. Eén deel van het systeem scant de gegevens met behulp van drie verschillende "lenzen" tegelijkertijd, waarbij het kijkt naar patronen die zeer kort, middelgroot en iets langer zijn. Dit stelt het systeem in staat om defecten te vangen die er anders uit kunnen zien afhankelijk van hoe nauwkeurig men ze bekijkt. Het andere deel van het systeem neemt deze bevindingen vervolgens en bekijkt ze zowel voorwaarts als achterwaarts, om te begrijpen hoe de elektrische kenmerken in een sequentie met elkaar verbonden zijn. Deze combinatie stelt het systeem in staat om de unieke "vingerafdruk" van een defect te leren kennen zonder in verwarring te raken door de omliggende ruis. In tegenstelling tot oudere methoden die vaak moeite hebben wanneer de gegevens vervuild raken of enorme hoeveelheden rekenkracht vereisen, is dit nieuwe ontwerp lichtgewicht. Het is klein genoeg om te draaien op een compacte, energiezuinige computer ter grootte van een creditcard, bekend als een NVIDIA Jetson Nano, die door het team in hun laboratoriumtests werd gebruikt.

Om te bewijzen dat het systeem buiten een computersimulatie werkt, bouwde het team een kleinschalige zonne-installatie in hun laboratorium. Ze verbonden twee zonnepanelen met een batterij en een omvormer, en lieten het systeem door verschillende defecte condities gaan, inclusief losse bedrading en kunstmatige schaduw. Het systeem verwerkte de live gegevens in realtime en stelde een diagnose in minder dan 19 milliseconden. Deze snelheid is snel genoeg om direct actie te kunnen ondernemen. Wanneer het systeem een probleem detecteert, zegt het niet alleen "er is iets mis". Het vertaalt die bevinding naar een duidelijk, actiegericht plan. Als het een reeksfout identificeert, raadt het aan om de bedrading en zekeringen te controleren. Als het gedeeltelijke schaduw ziet, suggereert het om te zoeken naar vuil of obstructies op het oppervlak van het paneel. Deze besluitvormingslaag verandigt een datapunt in een praktische instructie voor een onderhoudswerker.

De onderzoekers hebben hun nieuwe systeem ook vergeleken met verschillende bestaande methoden, waaronder traditionele machine learning-modellen en andere deep learning-netwerken. De resultaten toonden aan dat hoewel andere modellen goed kunnen presteren onder schone omstandigheden, hun nauwkeurigheid aanzienlijk daalde wanneer er ruis werd geïntroduceerd. Het nieuwe systeem bleef echter robuust. Het bereikte deze hoge prestaties terwijl het veel minder rekenbronnen gebruikte dan zijn concurrenten; het had minder dan de helft van het geheugen nodig en slechts een fractie van de rekenkracht van andere geavanceerde modellen. Deze efficiëntie suggereert dat dergelijke technologie breed kan worden ingezet, zelfs op kleine of afgelegen zonne-installaties waar geen krachtige computers beschikbaar zijn.

Hoewel de resultaten veelbelovend zijn, benadrukken de onderzoekers voorzichtig de grenzen van hun huidige werk. De testen werden uitgevoerd op een relatief kleine dataset en een beperkte opstelling van twee panelen in een gecontroleerde laboratoriumomgeving. De "echte wereld"-gegevens die zij gebruikten voor verdere validatie, werden gegenereerd met behulp van regelgebaseerde labels in plaats van geverifieerde onderhoudsgegevens van daadwerkelijke defecten in het veld. Dit betekent dat het systeem nog niet jarenlang is getest tijdens diverse weersomstandigheden op grote zonneparken. De consistentie van de resultaten over verschillende ruisniveaus en de succesvolle realtime demonstratie op fysieke hardware bieden echter een sterke fundering. Het werk demonstreert dat het mogelijk is om een defectdetectiesysteem te bouwen dat niet alleen nauwkeurig is, maar ook veerkrachtig tegen de imperfecte, ruisige realiteit van de fysieke wereld, wat een pad biedt naar meer betrouwbare en zelfvoorzienende zonne-energienetwerken.