به کارگیری هوش مصنوعی برای مانیتورینگ و تشخیص خطاها در نیروگاه های خورشیدی فتوولتائیک

 

چکیده: رشد سریع صنعت در انرژی خورشیدی نشان دهنده علاقه به انرژی های تجدید پذیر است. اهمیت برق شبکه های هوشمند حاصل از نیروگاه ها، تشخیص زودهنگام خطا یا ناهنجای در سیستم‌های فتوولتائیک (PV) را ضروری می سازد تا با کاهش اتلاف یا هدررفت پتانسل انرژی خورشیدی بتوانیم نیروگاه های خورشیدی بهینه در دوره بهره برداری داشته باشیم.

از این نظر، استفاده دقیق از آخرین و به‌روزترین  فناوری هوش مصنوعی ضروری است تا به موقع ناهنجاری های مختلف سیستم افشا شود. این مقاله با ارزیابی این موضوع به آن می پردازد.

عملکرد طرح‌های مختلف هوش مصنوعی و استفاده از آن‌ها برای تشخیص ناهنجاری‌ها، قطعات فتوولتائیک طرح‌های زیر ارزیابی می‌شوند:

AutoEncoder Long Short-Term Memory (AE-LSTM), Facebook-Prophet, and Isolation Forest

این مدل ها می توانند رفتارهای واقعی سالم و غیرعادی سیستم PV را شناسایی کنند، نتایج ما بینش روشنی برای شکل گیری یک راه حل ارائه می دهد. راه حل آگاهانه، به ویژه با مبادلات تجربی برای چنین فضای پیچیده ای، در این صنعت راه گشا خواهد بود.

کلمات کلیدی: تشخیص ناهنجاری. فراگیری ماشین؛ تجزیه و تحلیل سری زمانی؛ همبستگی

مقدمه

در دهه گذشته، توسعه و گسترش سریع انرژی های تجدید پذیر از جمله نیروگاه ها صورت گرفته است. انتظار می‌رود توسعه‌ و توانایی تولید انرژی پاک و مقرون به صرفه و ایجاد رشد اقتصادی باعث پیشرفت ما شود. در نتیجه، چالش های تولید انرژی خورشیدی اخیرا توجه قابل توجهی را به خود جلب کرده است. یک نگرانی پیشرو، شناسایی و بومی سازی الگوهای غیرعادی در نیروگاه های خورشیدی است و تکنیک های داده محور به تشخیص و پیشگیری از چنین ناهنجاری هایی کمک زیادی میکند.

سیستم های هوش منطقی می توانند ثابت کنند تجهیزات فتوولتائیک (PV)  در بسیاری از موارد کارآمد است، که با استفاده از شبکه های عصبی کانولوشن برای پیاده سازی هوش مصنوعی قابل پیاده سازی است.(شبکه عصبی کانولوشنال کلاسی از شبکه عصبی مصنوعی است که بیشتر برای تجزیه و تحلیل تصاویر بصری استفاده میشود).

عملکرد مقیاس پذیر و منسجم سیستم های خورشیدی PV به ابزارهای پیشرفته برای نظارت نیاز دارد، تکامل دینامیکی پارامترهای سیستم و انتشار هشدارهایی در مورد ناهنجاری ها به تصمیم گیرندگان و نظارت آنلاین سیستم های PV از نظر فنی برای کمک به اپراتورها مفید است. شکست در شناسایی خطاهای فاجعه بار در آرایه های فتوولتائیک (PV)  براین اساس کاهش می یابد. توان تولید شده و عدم کنترل حفاظتی، در واقع خطرات آتش سوزی را ایجاد می کند که ابتدا ناهنجاری درنمای بیرونی پنل های خورشیدی ظاهر می شود، اگر دارندگان پنل زودتر از وجود ناهنجاری ها مطلع شوند، آنها می توانند ناهنجاری ها را از بین ببرند تا از کمبود توان بیشتر جلوگیری کنند. بنابراین، سرعت و روش‌های تشخیص ناهنجاری برای بهبود قابلیت اطمینان و ایمنی و عملکرد سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) مهم هستند.

نیروگاه های خورشیدی PV معمولاً در نتیجه اشکال مختلف ناهنجاری ها به اندازه کافی اجرا نمی شوند. این ناهنجاری ها یا داخلی یا خارجی هستند. خطاها در سیستم خورشیدی PV بوجود می آیند و باعث می شوند تولید در روز صفر شود. خطاهای رایج عبارتند از خرابی در یک قطعه، جداسازی سیستم، خاموش شدن اینورتر، سایه اندازی و نقطه حداکثر توان اینورتر. عوامل خارجی مانند سایه، رطوبت، گرد و غبار و دما به عنوان ناهنجاری های خارجی قابل توجهی در نظر گرفته می شوند که سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) را تحت تاثیر قرار می دهند و تولید برق آن را تضعیف می کنند.

چندین ابتکارعمل برای رسیدگی به ناهنجاری قبلی پیشنهاد شده است.

کاربرد شبکه عصبی مصنوعی(ANN)  در مدل‌سازی دستگاه‌های خورشیدی بررسی می‌شود، که در مقایسه با تجربه مطالعات انجام شده، به آزمایش های تجربی کمتری برای تعیین اتصالات ورودی/خروجی نیاز دارد، بنابراین باعث صرفه جویی در زمان و کاهش هزینه های مالی می شود. یک حافظه کوتاه مدت طولانی طرح شبکه عصبی (LSTM) برای پیش‌بینی بازده عکس‌های خورشیدی استفاده می‌شود. هوش مصنوعی می تواند آمارهای دریافتی، در یک بازه زمانی مشخص را برای شکل گیری الگوهای کنترل به کار گیرد. به همین ترتیب، طرح‌های مبتنی بر هوش مصنوعی مانند مدل LSTM و بهینه‌ساز شعله پروانه برای پیش‌بینی بازده دستگاه‌های تقطیر آب خورشیدی. LSTM بهینه شده بهتر از طرح LSTM مستقل عمل کرد.

کاربرد روش‌های یادگیری عمیق (DL) را در زمینه‌های مختلف بازبینی کردند، از جمله تولید برق از توربین های بادی و پنل های خورشیدی، پزشکی، کشاورزی و داده کاوی.

موارد مهم مقاله به شرح زیر است:

1. بررسی سه مدل شناخته شده تشخیص ناهنجاری: Autoencoder LSTM (AE-LSTM)، پیام رسان فیسبوک ، و محدوه ایزوله سازی. آزمون های مقایسه ای انجام شد: بررسی دقت و عملکرد این مدل ها با بهینه سازی هایپرپارامترها
2. تعریف و طبقه بندی عوامل داخلی و خارجی که باعث ایجاد ناهنجاری در نیروگاه فتوولتاییک میشوند، بررسی تاثیر آنها بر دقت مدل و مطالعه اثر همبستگی و تاثیر آن در تشخیص ناهنجاری ها.

در ادامه این مقاله، بخش 2 پیشینه مقاله و مرتبط را مورد بحث قرار می دهد و بخش 3 الگوریتم های یادگیری ماشین استفاده شده را مشخص می کند. بخش 4 مجموعه داده های جمع آوری شده را مشخص می کند و بخش 5 خروجی ها و پارامترهای آزمایشی را نشان می دهد.

در پایان، ما نتایج خود را جمع آوری می کنیم و برخی از جهت گیری های آینده را در بخش 6 ارائه می دهیم.

2. Related Work

چندین روش تکنیک های تشخیص ناهنجاری در نیروگاه های فتوولتائیک (PV) را بررسی کرده اند. به عنوان مثال، روش های متعددی را برای افشا و مقایسه دسته بندی ناهنجاری های حاوی مدل میانگین متحرک یکپارچه رگرسیون خودکار (ARIMA)، شبکه‌های عصبی، ماشین‌های بردار پشتیبان و طبقه‌بندی  k-نزدیک‌ترین همسایه‌ها.

طرحی برای چیدمان سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) این مدل برای پیش بینی تولید برق AC پیاده سازی شده است. ساخته شده بر روی ANN، که تولید برق AC را با استفاده از تابش خورشیدی و دمای داده های پانل سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) یک تکنیک جدید برای تشخیص ناهنجاری پیشنهاد شده است.

در پردازش تصویر حرارتی با ابزار SVM که ویژگی ها را به عنوان عنصر معیوب و انواع غیر معیوب طبقه بندی می کند.

یک تکنیک تشخیص ناهنجاری مبتنی بر مدل بخش DC و سایه لحظه ای از سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) برای بازرسی پیشنهاد شده است. در ابتدا، یک مدل بر اساس یک دیود برای تشریح ماهیت معمولی سیستم PV نظارت شده و تشکیل شده است. باقیمانده برای تشخیص عیب در مرحله بعد، یک فرآیند ماشین بردار پشتیبانی یک کلاس SVM)) به باقیمانده ها که با مدل در حال اجرا برای افشای خطا شروع می شود، اجرا می شود. روشی بدون حسگر برای آشکارسازی خطاهای هر پنل از آرایه های خورشیدی روش مدل محور SunDown بر تعاملات بین توان خروجی پنل ها تأثیر می گذارد. تولید توان توسط پنل های مجاور برای تشخیص نابرابری ها از تولید پیش بینی شده بررسی میشود.

این مدل می‌تواند خطاهای همزمان را در بسیاری از پنل‌ها مدیریت کند و ناهنجاری‌ها را برای تصمیم‌گیری ممکن طبقه‌بندی کند؛ منابعی از جمله برف، برگ ها، زباله ها و خرابی های الکتریکی.

ابزار جدیدی به نام ISDIPV) ) ارائه شده است که قادر به تشخیص ناهنجاری ها است و عیب یابی آنها در نیروگاه خورشیدی PV  شامل سه عملیات اساسی است: مواردی برای جمع آوری داده ها، تشخیص ناهنجاری و تشخیص ارائه شده، تفاوت در عملکرد منظم دو شکل از روش های مدل سازی اجرا شده است.

برای توصیف عملکرد معمولی پیش بینی شده: توابع انتقال خطی (LTF) و مدل های شبکه های عصبی ساخته شده بر روی رسپترون های چند لایه (MLP)  یک پاسخ داده محور برای تشخیص و طبقه بندی ناهنجاری کافی ارائه کرد که جریان های آرایه های سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) را به عنوان نشانه هایی برای افشا و طبقه بندی ناهنجاری های سیستم های فتوولتاییک PV ( نیروگاه خورشیدی ) اعمال کرد. رویکرد تشخیص ناهنجاری پیشنهادی از تکنیک‌های هوش مصنوعی بدون نظارت استفاده می‌کند. این رویکرد شامل دو مرحله، به ویژه تشخیص سیستم هوشمند محلی  (LCAD) و تشخیص ناهنجاری هوشمند در بستر جهانی (GCAD). شناسایی ناهنجاری های مربوط به مصرف سوخت ایستگاه های پایه و

داده های ثبت شده با استفاده از ژنراتور به عنوان مبدأ قدرت. ناهنجاری ها شناسایی شده از طریق یادگیری الگوهای مصرف سوخت با استفاده از چهار روش طبقه بندی: ماشین‌های بردار پشتیبانی (SVM)، k-نزدیک‌ترین همسایگان (KNN)، رگرسیون لجستیک (LR)  و پرسپترون چند لایه (MLP)  نتایج نشان داد که MLP بیشترین کارایی را در این زمینه دارد.

 

تفسیر اندازه گیری

یک تکنیک جدید برای نظارت بر سیستم های نیروگاه خورشیدی فتوولتاییک PV با تشخیص ناهنجاری ها ارائه شده است. با استفاده از “k-نزدیکترین همسایگان  (kNN) و “ماشین بردار پشتیبانی یک کلاس OCSVM)) الگوریتم های خودآموز به طور قابل توجهی تلاش اندازه گیری را کاهش داده و پشتیبانی می کنند که از پایش قابل اعتماد خطاها از الگوریتم k- نزدیکترین همسایه استفاده کردند و یک پرسپترون چند لایه برای پردازش داده ها از یک حسگر DC و تشخیص اختلاف جریان الکتریکی یک المان و تشخیص بدون حسگر پیشنهاد شده است. که توسط کاهش سریع جریان محصور شده توسط دو نقطه حداکثر توان کنترل می شود. شبیه سازی نمونه برداری ردیابی شده (MPPT) در نیروگاه های خورشیدیPV  برای اعتبار سنجی اجرا شد.

امکان تعیین ناهنجاری ها در برابر موارد نوسانی، صرف نظر از درجه اختلاف و تابش یک چارچوب با تشخیص ناهنجاری سلول های خورشیدی مونو کریستالی پیشنهاد شده است.

این چارچوب دو مرحله دارد: در مرحله اولیه، یک شبکه مولد غیرهماهنگ (GAN) برای ساخت یک مدل تشخیص ناهنجاری استفاده می شود. این مدل امکان تشخیص ترکیبات غیر طبیعی که فقط از نمونه های غیر معیوب برای تمرین استفاده می کنند.

شبکه کانولوشن

یک طرح تحلیلی برای بررسی آنلاین ویدیوی خام تصویربرداری از سطح پنل های نیروگاه خورشیدی ارائه شده است. جریان های ترموگرافی هوایی این طرح ترکیبی از پردازش تصویر و آمار است. روش های هوش مصنوعی طرح ارائه شده به اجزا قدرتمند بستگی دارد. تجزیه و تحلیل (RPCA)، که بر روی تصاویر سطح پنل های نیروگاه خورشیدی PV برای تشخیص و محصور کردن همزمان استفاده می شود از ناهنجاری ها علاوه بر RPCA، روش‌های پس از پردازش نیز برای آن پیشنهاد شده‌اند. کاهش نویز تصویر و تقسیم بندی مدل های متمایز برای نیروگاه انتخاب می شوند. بررسی داده های این مدلهای خطی، مدلهای مبتنی بر مجاورت، مدل‌ها، مجموعه‌های ناهنجاری و شبکه‌های عصبی که بالاترین نرخ تشخیص را دارند، احتمالات هستند.

SolarClique، یک روش مبتنی بر داده، برای تشخیص ناهنجاری ها درتولید برق تاسیسات نیروگاه خورشیدی است که این روش به هیچ دستگاه سنسوری نیاز ندارد. برای تشخیص خطا/ناهنجاری در عوض، منحصراً به نتیجه مونتاژ آرایه نیاز دارد

و آرایه های نزدیک برای تشخیص ناهنجاری عملیاتی به کار گرفته میشوند.

یک تکنیک دیگر تشخیص ناهنجاری استفاده از یک مدل یادگیری نیمه نظارتی برای از پیش تعیین کردن نرخ تولید با اطلاع از میزان تابش خورشید پیشنهاد شده است. شرایط پنل های خورشیدی برای شرایطی که پنل خورشیدی نمی تواند برق تولید کند مورد آنالیز قرار میگیرد. در نتیجه خراب شدن تجهیزات این روش از مدل خوشه بندی برای اعمال منظم فیلتراسیون و مدل شبکه عصبی، Autoencoder، برای ایجاد طبقه بندی ناهنجاری یا خطا ها استفاده می کند.

یک طرح کلی، بدون نظارت و صرفا مقیاس پذیر برای تشخیص ناهنجاری ها و خطاهای نیروگاه خورشیدی ارائه شده است.

در داده ها در قالب یک بازه زمانی که می توانند به صورت آفلاین و آنلاین اجرا شوند. این طرح از یک مدل بازسازی به دنبال رمزگذار خودکار متغیر تشکیل شده است. رمزگذار و رمزگشا هر دو پارامتری هستند که با شبکه های عصبی دامنه دار برای تشخیص در بازه زمانی داده های دریافتی نتایج را بررسی کرده و نشان می‌دهد که مدل می‌تواند شرایط غیرعادی را با استفاده از معیارهای ترمیم احتمالی مانند ناهنجاری تشخیص دهد.

مدل رویکرد تشخیص ناهنجاری یا خطاهای بالقوه (به عنوان مثال، ولتاژ بالا/پایین) مجموعه ای با مدل های رگرسیون غیر خطی و آمار و ارقام ناهنجاری پس از مطالعه همبستگی که برای تشخیص نفوذ فیزیکی اقتباس شده است.

این الگوریتم بر داده های ورودی، شکل ناهنجاری ها، داده های خروجی و دانش متکی است.

 

3. مواد و روش ها: الگوریتم های ML

تکنیک ها و روش های مختلف مورد استفاده در این مقاله در این بخش مورد بحث قرار می گیرد.

یعنی، ما با الگوریتم‌های ML نور بیشتری را مورد استفاده قرار دادیم AutoEncoder Long Short-

روش تحقیق معماری های این الگوریتم به شدت مورد بحث قرار می گیرند و درک کاملی از آن ایجاد می کنند.

3.1. AutoEncoder حافظه کوتاه مدت /بلند مدت (AE-LSTM)

AutoEncoder (AE) یک ANN بدون نظارت است. دارای سه ساختار متقارن است: لایه ها: ورودی پنهان و یک لایه خروجی (بازسازی) . دارای فرآیندهای رمزگذاری و رمزگشایی داخلی است. رمزگذاری از ورودی شروع می شود لایه پنهان، در حالی که رمزگشایی لایه پنهان را به لایه خروجی هدایت می کند. AE شایستگی یادگیری موثر داده ها بدون برچسب برای پیش بینی از بردار ورودی را دارد. شکل 1ساختار AE را نشان می دهد.

Figure 1. The AutoEncoder (AE) model.

 

فرآیند رمزگذاری به شرح زیر است:

H = f1(Wi . X + bi)              (1)

 

که Wi و bi پارامترهای وزن و بایاس در بین ورودی و لایه پنهان هستند.

X ورودی اولیه، H نمایش میانی داده های اولیه و f1 است.

تابع فعال سازی به عنوان مثال، ReLU، لجستیک (Sigmoid)  و (TanH)  به همین ترتیب، رمزگشایی فرآیند به صورت زیر بیان میشود:

 

Xˆ = f2(Wh . H + bh)             (2)

 

که در آن Wh و bh وزن ها و پارامترهای بایاس بین مخفی و خروجی هستند.

bX خروجی است که از داده های ورودی بازسازی می شود.

AE آموزش داده شده با هدف به حداقل رساندن اختلاف بین خروجی bX و the بردار ورودی X از طریق مربع خطا همچنین به نام خطای بازسازی.

 

Figure 2. Long Short-Term Memory (LSTM) unit.

 

4. داده های جمع آوری شده

داده های مورد استفاده در دو نیروگاه خورشیدی در هند جمع آوری شد (نیروگاه 1 نزدیک گاندیکوتا، آندرا، و نیروگاه 2 در نزدیکی ناسیک، ماهاراشترا) در مدت 34 روز، هر کدام با فواصل 15 دقیقه ای هر نیروگاه شامل 22 حسگر متصل به هر اینورتر بود و سطوح تولید نیروگاه برای اندازه گیری نرخ تولید (یک عامل داخلی که می تواند باعث ناهنجاری ها شود)، مانند توان های AC وDC  در سطح اینورتر نیروگاه، اندازه گیری شد. تابش، دمای محیط و ماژول (آن عوامل خارجی که می توانند ناهنجاری ایجاد کنند) داده های اندازه گیری شده آب و هوا که منتشر شده.

Figure 3. Correlation matrix computing the linear correlation among the characteristic elements for power plants 1 and 2.

 

 نتایج و بحث

این بخش ارزیابی تجربی انجام شده برای اعتبار سنجی و ارزیابی را توضیح می دهد.

شرح کاملی از تنظیمات آزمایشی ارائه شده است. ما یافته ها و نتایج خود را با جزئیات تجزیه و تحلیل می کنیم.

سیستم های نیروگاه خورشیدی PV  ممکن است انواع مختلفی از ناهنجاری ها را داشته باشند. برای مقایسه مناسب بین الگوریتم‌های تشخیص ناهنجاری، آزمایش‌هایی برای بررسی اثر انجام شد. عوامل داخلی و خارجی و همچنین اثر همبستگی بر روی داده های همه اینورترها با بررسی دیتاهای سنسورهای این دو نیروگاه با مقایسه AC تولید شده انجام شد. توان اینورتر و نرخ تابش نیروگاه شماره 1 ، در شکل 4 نشان داده شده است.

قابل توجه است که در دوره های 7 و 14 خرداد (ژوئن) افت برق متناوب داشته است.

این اخطار می تواند نشان دهنده خرابی در سطح اینورتر باشد.

Figure 4. Signal comparison between AC, DC Power, Irradiation, and the Module Temperature signals from inverter number 12.

 

تعداد سیگنال های خطا یا ناهنجاری 13 عدد است که در تاریخ  7 و 14 خرداد (ژوئن) برعکس، برای سایر اینورترها مانند اینورتر شماره 12، افتی وجود نداشت. همانطور که در تولید برق AC، در شکل 5 نشان داده شده است.

 

Figure 5. Signal comparison between AC, DC Power, Irradiation, and the Module Temperature signals from inverter number 12.

6. نتیجه گیری

تشخیص خطا یا ناهنجاری در نیروگاه های خورشیدی مدرن، استفاده از رویکردهای داده محوربرای کاهش زمان های خرابی و افزایش کارایی حیاتی است. در این مقاله، سه عملکرد مدل ها مبتنی بر هوش مصنوعی برای مدلی که می تواند مورد تجزیه و تحلیل قرار گرفت، نشان داده شد که میتواند به طور دقیق خطاها یا ناهنجاری های موجود در سیستم نیروگاه خورشیدی فتوولتائیک (PV)  را تعیین کند. همبستگی ضرایب بین پارامترهای ویژگی داخلی و خارجی نیروگاه تعیین شد و برای تجزیه و تحلیل کارایی مدل های هوش مصنوعی در تشخیص ناهنجاری ها استفاده می شود.

AE-LSTM ناهنجاری ها و سیگنال سالم را با موفقیت شناسایی کرد. در آینده بررسی تکنیک‌های کاهش ناهنجاری، هوشمند می‌شود که روند هوش مصنوعی، یعنی هوش مرکزی، در نیروگاه های انرژی خورشیدی هوشمند در مقیاس بزرگ به کار گرفته خواهد شد.

 

نویسندگان مقاله چاپ شده در مجله MDPI:

Mariam Ibrahim

Ahmad Alsheikh

Feras M. Awaysheh

Mohammad Dahman Alshehri