TWI797806B - 使用3維卷積神經網路進行光伏陣列的故障分類裝置 - Google Patents
使用3維卷積神經網路進行光伏陣列的故障分類裝置 Download PDFInfo
- Publication number
- TWI797806B TWI797806B TW110140609A TW110140609A TWI797806B TW I797806 B TWI797806 B TW I797806B TW 110140609 A TW110140609 A TW 110140609A TW 110140609 A TW110140609 A TW 110140609A TW I797806 B TWI797806 B TW I797806B
- Authority
- TW
- Taiwan
- Prior art keywords
- module
- layer
- neural network
- dimensional
- convolutional neural
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Photovoltaic Devices (AREA)
Abstract
一種使用3維卷積神經網路進行光伏陣列的故障分類裝置，係由3維卷積神經網路（CNN）串接全連接神經網路（FCNN）而成。藉此，本發明可使用即時監控光伏陣列發電系統的直流及交流功率的變化，來定位故障的陣列、串列或模組。本發明所提技術為一深度學習的神經網路，係包含在光伏陣列發電系統之能源管理系統中，以即時收集現場數據方式，監測光伏陣列發電系統的可能故障發生，通過使用格拉姆角場（GAF）變換及3維CNN擷取故障特徵資訊，檢測光伏陣列發電系統的直流與交流信號都可為故障分類問題提供關鍵特徵，同時更調查使用不同週期對故障分類精度的影響，如此可為大型太陽光伏場發生故障時，能迅速偵測到故障位置及瞭解故障的種類，以減少人力巡視及經濟的損失。
Description
本發明係有關於一種使用3維卷積神經網路進行光伏陣列的故障
分類裝置，尤指涉及一種包含在光伏陣列發電系統之能源管理系統中，以即時收集現場數據方式，監測光伏陣列發電系統的可能故障發生，特別係指可使用即時監控光伏陣列發電系統的直流（DC）及交流（AC）功率的變化，來定位故障的陣列、串列或模組者。
在英國進行的一項為期兩年多之研究發現，光伏系統總容量的
18.9%會因故障而損失。除了造成能量損失外，光伏故障還可能損壞光伏板、引發火災並減少收入。近年來國內各處建造大型的光伏發電系統，單一個光伏陣列動輒數百萬瓦且占據面積甚大，因此當發生故障時，若用人力搜尋故障位置，則相當耗時又相當難定位及分類；若光伏陣列屬於浮動式的漂在埤塘或水庫水面，則定位及故障分類將更加困難。
在光伏系統中常見的故障類型包括有線對線、模塊開路、模塊短
路、串列開路、串列短路、電弧（高阻抗）故障及線路對地與局部遮陰。目前故障的檢測與分類方法主要分為兩類：第一類是視覺與熱方法（Visual and Thermal Methods），用於識別表面污染、面板破損、及變色與褐變；第二類為基於電氣的方法（Electrical-Based Methods，EBM），用於檢測與診斷光伏模塊、串列、及陣列中的故障。該EBM可進一步分為五類方法，分別為電流-電壓（IV）
特性分析、功率損耗分析、電壓與電流測量、統計與信號處理、及基於人工智
慧的技術。
該EBM的示例包括頻譜時域反射計、光伏陣列直流側的建模與健
康監測、電流與電壓指標的評估以及功率測量、及輻照度與電池溫度測量。在統計與信號處理技術中，電信號通過傳統的統計方法進行分析，例如指數加權移動平均、方差分析、及非參數K-W（Kruskale Wallis）檢驗。在人工智慧方法中，使用半監督學習、主成分分析、自適應神經模糊分類器、及優化的內核極限學習機來分析信號。大多數人工智慧方法使用機器學習技術，例如決策樹、k-最近鄰、隨機森林、及支持向量機。然而，為了檢測與分類光伏故障，一些既有方法僅使用直流信號或是交流信號任一種。這些EBM並未對測量的電壓與電流應用數據轉換/增強，而是使用小波轉換等技術，以其多層解析分析法來改進數據表示；惟，母小波的選擇與分解水平係需要通過反複試驗獲得的。此外，現有的光伏故障檢測與分類研究並沒有調查使用不同週期對故障分類精度的影響。
另外，根據目前已發表的專利技術，並未發現使用格拉姆角場
（Gramian Angular Field, GAF）變換及3維卷積神經網路（Convolutional Neural Network, CNN）擷取故障特徵資訊之技術，僅有提出透過特徵擷取演算法擷取太陽光電系統的故障特徵資訊（專利編號TW I692196），或是透過電流流動方向來決定故障的光伏模組位置（專利編號TW I668935），惟此專利尚無法分辨故障種類。
鑑於現今可再生能源（例如大型光伏陣列(Photovoltaics Array)）的
滲透率越來越高，配電系統中的運轉變得具有挑戰性。目前台灣有數千個太陽光伏案場，每個案場都有能源管理系統需要裝設光伏故障偵測分類的軟體模組，顯示光伏陣列故障的檢測與分類對於能源管理與減輕財務損失至關重要。職是之故，針對CNN是解決檢測與分類問題最常用的基於深度學習的方法之一，為能充分發揮其提取特徵的能力，因此發展一套可解決相關光伏陣列故障的檢測與分類問題以及前案技術缺點之發明實有必要。
本發明之主要目的係在於，克服習知技藝所遭遇之上述問題並提
供一種提出3維CNN的結構來分類光伏陣列發電系統故障之裝置。
本發明之另一目的係在於，提供一種使用GAF變換將光伏陣列中
的每個測量值轉換為2維圖像。由此在光伏陣列發電系統直流側與交流側獲得的所有圖像生成3維圖像，保證光伏故障分類的高準確度之使用3維卷積神經網路進行光伏陣列的故障分類裝置。
本發明之另一目的係在於，提供一種最佳故障週期數以作為GAF
的圖像生成數據之3維卷積神經網路進行光伏陣列的故障分類裝置。
為達以上之目的，本發明係一種使用3維卷積神經網路進行光伏陣
列的故障分類裝置，係設在光伏陣列發電系統之能源管理系統中，整體架構由3維CNN串接全連接神經網路（Fully-Connected Neural Network, FCNN）而成，該裝置包括：一數據輸入模組，係包括來自數個DC/DC轉換器的輸出直流信號，及數個DC/AC變流器的輸出交流信號；一信號變換模組，係連接該數據輸入模組，用以將單個DC/DC轉換器的輸出直流信號及單個DC/AC變流器的輸出交流信號，藉由GAF變換將時間序列數據編碼為2維圖像；一圖像堆疊模組，係連接該信號變換模組，用以將單個2維圖像，藉由數個來自該些DC/DC轉換器及該些DC/AC變流器的功率量測點，堆疊為3維圖像，使堆疊的該3維圖像係由數個2維圖像組成；一3維CNN模組，係連接該圖像堆疊模組，其包含3維內核的卷積層（Convolutional Layer）、及3維池化的池化層（Pooling Layer），該卷積層經由內核從輸入2維圖像通過卷積運算萃取輸入數據的特徵以生成特徵圖（Feature Map；亦稱激活圖(Activation Map)），該池化層串接在該卷積層之後以逐漸減小該特徵圖輸出量之空間大小，其中該內核（或稱濾波器）移動開始於該2維圖像的左上角，結束於該2維圖像的右下角；以及一全連接神經網路模組，係連接該3維CNN模組，用以接收來自該池化層之輸出，並通過展平（flatten）過程將該池化層的所有輸出從2維數據展平為1維數據，並使用網格搜索算法（Grid Search Algorithm）對該3維CNN模組進行CNN參數調整，以迅速偵測到故障位置及瞭解故障的種類，其中該FCNN模組包括5種故障、部分遮陰（Partial Shading, PS）、及正常（Normal, N）運轉共7種輸出，該5種故障分別為線對線（line-to-line, L2L）、串列中模組開路（open module in strings, OM）、串列中模組短路（shorted modules in strings, SM）、陣列中串列開路（open string in arrays, OS）、及陣列中串列短路（shorted strings in arrays, SS）。
於本發明上述實施例中，該特徵圖輸出量之空間大小可根據該內
核大小、步幅（stride）、及零填充參數來確定。
於本發明上述實施例中，該內核大小為2x2、3x3或4x4依此類推；
該步幅為1時，該內核一次移動一個像素，該步幅為2時，該內核一次移動兩個像素依此類推，當該步幅越大時，該特徵圖之輸出量會變越小。
於本發明上述實施例中，該零填充參數用於控制該特徵圖輸出量
的空間大小並保持輸入量的大小。
於本發明上述實施例中，該池化層為最大池化層，係使用最大池
化得到所選區域的最大值。
於本發明上述實施例中，該卷積層之數量等於該池化層之數量。
於本發明上述實施例中，該FCNN模組為多層前饋神經網路
（Multi-layer Feedforward Neural Network, MFNN）模組。
於本發明上述實施例中，該直流信號及該交流信號之每個週期係
由256個採樣點組成，該信號變換模組使用該GAF變換將一週期、二週期與三週期之時間序列數據轉換成2維圖像作為基本輸入，該GAF變換生成的所有2維圖像為jpeg格式的2維灰度圖像，尺寸為256×256（一週期）、512×512（二週期）及768×768（三週期）。
於本發明上述實施例中，該圖像堆疊模組係將該GAF變換生成的
所有2維圖像均調整為128×128並堆疊到tiff格式文件中，以減少該3維CNN模組之計算負荷。
於本發明上述實施例中，該FCNN模組在網格搜索中使用的該CNN
參數為卷積數（C）、內核數（K）、內核大小（KS）、池化層數（P）、池化大小（PS）及丟棄率（dropout）。
於本發明上述實施例中，該FCNN模組包含一展平層、一連接該
展平層之完全連接層（Fully-connected Layer, FC Layer）、及一連接該完全連接層之輸出層。
請參閱『第１圖～第４圖』所示，係分別為本發明一實施例之3
維CNN的結構示意圖、本發明一實施例之七個並聯串列光伏陣列發電系統示意
圖、本發明在標準測試條件下以GAF變換的AC功率等效影像圖、以及本發明在標準測試條件下以GAF變換的DC功率等效影像示意圖。如圖所示：本發明係一種使用3維卷積神經網路進行光伏陣列的故障分類裝置，係設在光伏陣列發電系統之能源管理系統中，整體架構由3維卷積神經網路（Convolutional Neural Network, CNN）串接全連接神經網路而成，該裝置包括一數據輸入模組１、一信號變換模組２、一圖像堆疊模組３、一3維CNN模組４、以及一全連接神經網路（Fully-Connected Neural Network, FCNN）模組５所構成。
上述所提之數據輸入模組１係包括來自數個DC/DC轉換器的輸出
直流信號，及數個DC/AC變流器的輸出交流信號。
該信號變換模組２係連接該數據輸入模組１，用以將單個DC/DC
轉換器的輸出直流信號及單個DC/AC變流器的輸出交流信號，藉由格拉姆角場（Gramian angular field, GAF）變換將時間序列數據編碼為2維圖像。
該圖像堆疊模組３係連接該信號變換模組２，用以將單個2維圖
像，藉由數個來自該些DC/DC轉換器及該些DC/AC變流器的功率量測點，堆疊為3維圖像，使堆疊的該3維圖像係由數個2維圖像組成。
該3維CNN模組４係連接該圖像堆疊模組３，其包含3維內核的卷
積層（Convolutional Layer）４１、及3維池化的池化層（Pooling Layer）４２。
該FCNN模組５係連接該3維CNN模組４，其包含一展平（flatten）
層５１、一連接該展平層５１之完全連接層（Fully-connected Layer, FC Layer）
５２、及一連接該完全連接層５２之輸出層５３。該FCNN模組５更包括5種故障、部分遮陰（Partial Shading, PS）、及正常（Normal, N）運轉共7種輸出。如是，藉由上述揭露之結構構成一全新之使用3維卷積神經網路進行光伏陣列的故障分類裝置。
以下實施例僅舉例以供了解本發明之細節與內涵，但不用於限制
本發明之申請專利範圍。
本發明使用一個併網的49千瓦（kW）光伏陣列發電系統為例來說
明，該光伏陣列發電系統由十個陣列組成，每個陣列有七個並聯串列（parallel string）。此七個並聯串列連接到輸出電壓為800 Vdc的DC/DC轉換器６。每個DC/DC轉換器６連接一個DC/AC變流器７，其規格為最大輸入功率5300 W、頻率60赫茲（Hz），輸出220 V/ɸ，如第２圖所示。十個DC/AC變流器７連接到負載與22.8千伏（kV）、500千伏安（kVA）的油浸式3ɸ變壓器。
本發明考慮5個主要故障與部分陰影。該5個主要故障分別為線對
線（line-to-line, L2L）、串列中模組開路（open module in strings, OM）、串列中模組短路（shorted modules in strings, SM）、陣列中串列開路（open string in arrays, OS）、及陣列中串列短路（shorted strings in arrays, SS）。部分遮陰狀況可被視為失配故障（mismatch fault），如第２圖的F3。第２圖中的F1與F2代表線間故障；F1表示不同串列之間的線間故障，F2表示單個串列中的線間故障。F4代表一個串列中的模組開路；F5表示串列開路故障；F6表示串列中模組短路，F7表示串列短路故障。
CNN被發展用於2維圖像處理，其卷積層包括幾個卷積內核，這些
卷積內核通過卷積運算萃取輸入數據的特徵。但是CNN可以用於1維、2維或3維數據，並且已被證明比傳統方法效果更佳。鑑於CNN可以通過串接三種類型的層來構建，這三種類型分別為卷積層、池化層與完全連接層；因此，本發明提出的3維CNN模組４主要串接卷積層４１與池化層４２，並將完全連接層５２自成一單元，配設在FCNN模組５中。上述各元件描述如下：
本發明所提卷積層４１經由內核從輸入2維圖像通過卷積運算萃
取輸入數據的特徵以生成特徵圖（Feature Map），亦可稱為激活圖（Activation Map）。對於第m層，在卷積層４１中使用的卷積運算的公式如下：
(1)
其中f為激活函數，w為核中加權因子的向量，k為內核（k=1、2，…，K(核數)）的索引，x為輸入數據的向量，b為偏權的向量，符號
為卷積運算，以及r與c分別為特徵圖列與行的索引。
內核（或稱濾波器）移動開始於2維圖像的左上角，結束於2維圖
像的右下角。內核大小可為2x2、3x3或4x4，依此類推。因此，內核有2x2、3x3或4x4個未知數需要決定（訓練）。內核或步幅（stride）的移動決定特徵圖輸出量的空間大小。當步幅為1時，內核一次移動一個像素。步幅為2時，特徵圖之輸出量會變越小，因此內核一次移動兩個像素。
除內核大小與步幅外，零填充參數也會影響圖像的大小。零填充
參數可用於控制特徵圖輸出量的空間大小並保持輸入量的大小。當零填充等於1時，2維輸入數據的所有邊都被零包圍。
本發明所提池化層４２串接在卷積層４１之後以逐漸減小特徵
圖輸出量之空間大小。池化層有兩種類型，分別為最大池化或平均池化。本發明為最大池化層，係使用最大池化得到所選區域的最大值。該層沒有必須決定的參數並且不影響深度面向，因為卷積層４１的數量等於此處的池化層４２的數量。
最大池化層４２的輸出被饋送到FCNN模組５。本發明在此所提
FCNN模組５為多層前饋神經網路（Multi-layer Feedforward Neural Network, MFNN）模組。由於FCNN模組５的輸入層需要一維數據，因此，以展平層５１作為輸入層，通過展平過程將該池化層４２的所有輸出從2維數據展平為1維數據。
另外，對於上述光伏陣列發電系統的智慧型故障診斷技術係使用
深度學習CNN，本發明所提信號變換模組２將時間序列數據編碼為圖像，採用的技術是GAF變換。假設
係具有N個觀測值的給定時間序列數據，第一步係重新縮放/正歸化
中的每個元素，使其在[-1,1]或[0,1]範圍內，以得到
。通過使用反餘弦函數將角度的每個值與時間戳記編碼為半徑r，可在極坐標系中表示重新縮放的
，其公式為：
(2)
其中
為時間戳，N為用於調整極坐標系跨度的常數因子，
為角度。並且，在給定時間區間中，每個點的時間相關性可使用下列公式表示：
(3)
[量測位置與測試條件]
當實際運用時，本發明考量每個陣列中DC/DC轉換器與DC/AC變流器之間的直流鏈路的功率（實施例中共10個）及每個DC/AC變流器的輸出（實施例中共10個）。如表一所示在不同的輻射與溫度條件下，研究光伏陣列中所有故障與部分遮蔽的測試條件。
表一
| 照度（W/m 2） | 溫度（°C） |
| 400 | 10 |
| 400 | 25 |
| 700 | 10 |
| 700 | 25 |
| 700 | 40 |
| 1000 | 25 |
| 1000 | 40 |
[故障數據的GAF變換]
本發明將持續時間（t
f）設置為0.05秒，採樣頻率（f
s）設置為15,360 Hz，即直流信號與交流信號的每個週期包括256個採樣點（S
p）。透過信號變換模組使用由上述公式(2)與公式(3)的GAF變換將一週期、二週期與三週期的時間序列數據轉換成2維圖像作為基本輸入。由GAF變換生成的所有2維圖像為jpeg格式的2維灰度圖像，尺寸為256×256（一週期）、512×512（二週期）及768×768（三週期）。
[二維轉換為3維圖像]
本發明通過圖像堆疊模組將GAF變換生成的所有2維圖像均調整為128×128，以減少進一步3維CNN模組之計算負荷。這些由DC與AC功率測量生成的尺寸為128×128的2維圖像堆疊到tiff格式文件中。堆疊的3維圖像由10個DC功率讀數與10個AC功率讀數的20個2維圖像組成。生成的3維圖像的尺寸為128×128×20，其中20代表通道數（深度）。若只考慮10個DC功率讀數，則生成的3維圖像的尺寸為128×128×10。
本發明使用1～3週期信號之GAF變換圖像作為基本輸入，並使用
網格搜索算法（Grid Search Algorithm）對3維CNN模組進行CNN參數調整。通過FCNN模組在網格搜索中使用的CNN參數分別為卷積數（C）、內核數（K）、內核大小（KS）、池化層數（P）、池化大小（PS）及丟棄率（dropout），如第１圖所示的結構。
第１圖中輸出神經元的符號N、L2L、SM、SS、OM、OS、及PS
分別表示無故障、線對線、短路模組、短路串列、開路模組、開路串列、及部分遮陰。例如，如果輸出為0001000，則表示檢測到串列短路故障。如果輸出為0000100，則表示檢測到模組開路故障。表二為使用3個故障週期數據，經網格搜索算法所得的最佳CNN參數。
表二
| 參數 | 僅考慮10個DC量測的3維 CNN（簡稱3D CNN1） | 同時考慮10個DC及10 個AC量測的3維CNN （簡稱3D CNN2） |
| 卷積數(C) | 1 | 1 |
| 內核數(K) | 32 | 32 |
| 內核大小(KS) | (2,2,2) | (4,4,4) |
| 池化層數(P) | 1 | 1 |
| 池化大小(PS) | (2,2,2) | (4,4,4) |
| 丟棄率(dropout) | 0.1 | 0.1 |
[模擬測試]
請參閱第３圖與第４圖，其分別顯示在標準測試條件下，5種故障類型、部份遮陰與1種正常條件（無故障）相關的交流與直流功率GAF採樣變換。其中第３圖係顯示在1000 W/m
2及25°C條件下，以GAF變換的AC功率等效影像，而第４圖係顯示在1000 W/m
2及25°C條件下，以GAF變換的DC功率等效影像；並且，第３圖與第４圖中(a)為線對線故障，(b)為開路模組故障，(c)為開路串列故障，(d)為短路串列故障，(e)為短路模組故障，(f)為部分遮陰故障，以及(g)為無故障。結果如第３、４圖所示，在圖中(a)、(b)、(c)、(e)與(f)的GAF變換圖像看起來相似，然而圖像中像素及元素的值並不完全相同。
本發明使用251張128×128×10圖像隨機分成訓練集（training set）與
驗證集（validation set），分別佔總圖像的70%與30%，來訓練驗證3D CNN1。同理，251張128×128×20圖像執行相同的過程，來訓練驗證3D CNN2。此外分別為3D CNN1 與3D CNN2生成兩個額外的數據集（每個有97個圖像）來測試（testing）上述訓練模型。如表三所示3D CNN1及3D CNN2的分類正確率，由表中可見，如果應用3D CNN1，則部分遮陰故障的分類正確率80.0%最低，線間故障與無故障條件有100%的完美分類正確率。如果實施3D CNN2，最低模組開路故障與模組短路故障的分類正確率還有91.67%，線對線、短路與無故障條件的分類正確率是100%。基於以上觀察，可以得出結論，本發明所提出的3D CNN2 可以達到較佳分類正確率，每個分類正確率均超過90%。
表三
| 3D CNN1 (128×128×10) | 3D CNN2 (128×128×20) | |
| 線對線故障 | 100% | 100% |
| 開路模組故障 | 91.67% | 91.67% |
| 開路串列故障 | 90.48% | 95.24% |
| 短路模組故障 | 83.33% | 91.67% |
| 短路串列故障 | 86.67% | 100% |
| 部分遮陰故障 | 80.00% | 93.33% |
| 無故障 | 100% | 100% |
表四為3D CNN2考慮各種故障週期數據的分類正確率，由表中顯
示考慮各種故障週期數據的3D CNN2的模擬結果，可知2個故障週期數據可以得到最佳的分類正確率。
表四
| 1個週期 | 2個週期 | 3個週期 | |
| 訓練正確率 | 97.70% | 98.77% | 96.00% |
| 驗證正確率 | 97.06% | 97.14% | 94.74% |
| 測試正確率 | 94.84% | 95.98% | 90.72% |
本發明將所提出的3D CNN1與3D CNN2的性能與其他機器學習方
法，如決策樹（Decision Tree, DT）、k 最近鄰（k-Nearest Neighbor）、隨機森林（Random Forest）與支持向量機（Support Vector Machine, SVM）的性能進行比較。結果如表五所示，本發明所提出的3D CNN1與3DCNN2在處理光伏故障分類方面優於其他四種機器學習方法。其中，只有3D CNN2在DC與AC測量中獲得的分類正確率超過90%（實際上是95.9864%）。第二好的是具有DC測量的3D CNN1。SVM獲得最低的分類正確率。
表五
| 方法 | 測試正確率(%) |
| 決策樹(Decision Tree) | 85.0746 |
| K-最近鄰(K-nearest neighbor) | 83.5208 |
| 隨機森林(Random Forest) | 85.8209 |
| 支持向量機(Support Vector Machine) | 76.8657 |
| 本案 3DCNN1 | 89.6907 |
| 本案 3DCNN2 | 95.9864 |
本發明探討光伏陣列發電系統故障分類問題，其進步性或技術特
點如下：
1. 本發明提出3維CNN的結構來分類光伏陣列發電系統故障。
2. 本發明使用GAF變換將光伏陣列中的每個測量值轉換為2維圖像。由此在光伏
陣列發電系統直流側與交流側獲得的所有圖像生成3維圖像，保證光伏故障分類的高準確度。
3. 本發明提出最佳故障週期數以作為GAF的圖像生成數據。
藉此，本發明專利可使用即時監控光伏陣列發電系統的直流（DC）
及交流（AC）功率的變化，來定位故障的陣列、串列或模組。本發明所提技術為一深度學習的神經網路，係包含在光伏陣列發電系統之能源管理系統中，以即時收集現場數據方式，監測光伏陣列發電系統的可能故障發生，通過使用GAF變換及3維CNN擷取故障特徵資訊，檢測光伏陣列發電系統的直流與交流信號都可為故障分類問題提供關鍵特徵，同時更調查使用不同週期對故障分類精度的影響，如此可為大型太陽光伏場發生故障時，能迅速偵測到故障位置及瞭解故障的種類，以減少人力巡視及經濟的損失。
綜上所述，本發明係一種使用3維卷積神經網路進行光伏陣列的故
障分類裝置，可有效改善習用之種種缺點，可使用即時監控光伏陣列發電系統的直流（DC）及交流（AC）功率的變化，來定位故障的陣列、串列或模組，可為大型太陽光伏場發生故障時，能迅速偵測到故障位置及瞭解故障的種類，以減少人力巡視及經濟的損失，進而使本發明之產生能更進步、更實用、更符合使用者之所須，確已符合發明專利申請之要件，爰依法提出專利申請。
惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定
本發明實施之範圍；故，凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。
１:數據輸入模組
２:信號變換模組
３:圖像堆疊模組
４:3維CNN模組
４１:卷積層
４２:池化層
５:全連接神經網路模組
５１:展平層
５２:完全連接層
５３:輸出層
６:DC/DC轉換器
７:DC/AC變流器
第１圖，係本發明一實施例之3維CNN的結構示意圖。
第２圖，係本發明一實施例之七個並聯串列光伏陣列發電系統示意圖。
第３圖，係本發明在標準測試條件下以GAF變換的AC功率等效影像圖。
第４圖，係本發明在標準測試條件下以GAF變換的DC功率等效影像示意圖。
1:數據輸入模組
2:信號變換模組
3:圖像堆疊模組
4:3維CNN模組
41:卷積層
42:池化層
5:全連接神經網路模組
51:展平層
52:完全連接層
53:輸出層
6:DC/DC轉換器
7:DC/AC變流器
Claims (13)
- 一種使用3維卷積神經網路進行光伏陣列的故障分類裝置，係設在光伏陣列發電系統之能源管理系統中，整體架構由3維卷積神經網路(Convolutional Neural Network,CNN)串接全連接神經網路(Fully-Connected Neural Network,FCNN)而成，該裝置包括：一數據輸入模組，係包括來自數個DC/DC轉換器的輸出直流信號，及數個DC/AC變流器的輸出交流信號；一信號變換模組，係連接該數據輸入模組，用以將單個DC/DC轉換器的輸出直流信號及單個DC/AC變流器的輸出交流信號，藉由格拉姆角場(Gramian Angular Field,GAF)變換將時間序列數據編碼為2維圖像；一圖像堆疊模組，係連接該信號變換模組，用以將單個2維圖像，藉由數個來自該些DC/DC轉換器及該些DC/AC變流器的功率量測點，堆疊為3維圖像，使堆疊的該3維圖像係由數個2維圖像組成；一3維CNN模組，係連接該圖像堆疊模組，其包含3維內核的卷積層(Convolutional Layer)、及3維池化的池化層(Pooling Layer)，該卷積層經由內核從輸入2維圖像通過卷積運算萃取輸入數據的特徵以生成特徵圖(Feature Map；亦稱激活圖(Activation Map))，該池化層串接在該卷積層之後以逐漸減小該特徵圖輸出量之空間大小，其中該內核(或稱濾波器)移動開始於該2維圖像的左上角，結束於該2維圖像的右下角；以及一FCNN模組，係連接該3維CNN模組，用以接收來自該池化層之輸出，並通過展平(flatten)過程將該池化層的所有輸出從2維數據展平為1維數據，並使用網格搜索算法(Grid Search Algorithm)對該3維CNN模組進行CNN參數調整，以迅速偵測到故障位置及瞭解故障的種類，其中該FCNN模組包括5 種故障、部分遮陰(Partial Shading,PS)、及正常(Normal,N)運轉共7種輸出，該5種故障分別為線對線(line-to-line,L2L)、串列中模組開路(open module in strings,OM)、串列中模組短路(shorted modules in strings,SM)、陣列中串列開路(open string in arrays,OS)、及陣列中串列短路(shorted strings in arrays,SS)。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該卷積層中使用的該卷積運算，對於第m層，該卷積運算的公式為：
為卷積運算，以及該r與該c分別為該特徵圖列與行的索引。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該特徵圖輸出量之空間大小可根據該內核大小、步幅(stride)、及零填充參數來確定。
- 依申請專利範圍第3項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該內核大小為2x2、3x3或4x4依此類推；該步幅為1時，該內核一次移動一個像素，該步幅為2時，該內核一次移動兩個像素依此類推，當該步幅越大時，該特徵圖之輸出量會變越小。
- 依申請專利範圍第3項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該零填充參數用於控制該特徵圖輸出量的空間大小並保持輸入量的大小。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該池化層為最大池化層，係使用最大池化得到所 選區域的最大值。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該卷積層之數量等於該池化層之數量。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該FCNN模組為多層前饋神經網路(Multi-layer Feedforward Neural Network,MFNN)模組。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該信號變換模組中使用的該GAF變換，假設X={x 1,x 2,x 3,...,x N }係具有N個觀測值的給定時間序列數據，第一步係重新縮放/正歸化X中的每個元素，使其在[-1,1]或[0,1]範圍內，以得到；通過使用反餘弦函數將角度的每個值與時間戳記編碼為半徑r，可在極坐標系中表示重新縮放的
，其公式為：
為角度；並且，在給定時間區間中，每個點的時間相關性可使用下列公式表示：
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該直流信號及該交流信號之每個週期係由256個採樣點組成，該信號變換模組使用該GAF變換將一週期、二週期與三週期之時間序列數據轉換成2維圖像作為基本輸入，該GAF變換生成的所有2維圖像為jpeg格式的2維灰度圖像，尺寸為256×256(一週期)、512×512(二週期)及768×768(三週期)。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該圖像堆疊模組係將該GAF變換生成的所有2維圖像均調整為128×128並堆疊到tiff格式文件中，以減少該3維CNN模組之計算負荷。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該FCNN模組在網格搜索中使用的該CNN參數為卷積數(C)、內核數(K)、內核大小(KS)、池化層數(P)、池化大小(PS)及丟棄率(dropout)。
- 依申請專利範圍第1項所述之使用3維卷積神經網路進行光伏陣列的故障分類裝置，其中，該FCNN模組包含一展平層、一連接該展平層之完全連接層(Fully-connected Layer,FC Layer)、及一連接該完全連接層之輸出層。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110140609A TWI797806B (zh) | 2021-11-01 | 2021-11-01 | 使用3維卷積神經網路進行光伏陣列的故障分類裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110140609A TWI797806B (zh) | 2021-11-01 | 2021-11-01 | 使用3維卷積神經網路進行光伏陣列的故障分類裝置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI797806B true TWI797806B (zh) | 2023-04-01 |
| TW202320481A TW202320481A (zh) | 2023-05-16 |
Family
ID=86945105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110140609A TWI797806B (zh) | 2021-11-01 | 2021-11-01 | 使用3維卷積神經網路進行光伏陣列的故障分類裝置 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI797806B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
| WO2019158691A1 (en) * | 2018-02-16 | 2019-08-22 | Telefonaktiebolaget Lm Ericsson (Publ) | Welch bound signature sequence design for noma |
| CN110503153A (zh) * | 2019-08-26 | 2019-11-26 | 哈尔滨工程大学 | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 |
| TWI732682B (zh) * | 2020-09-17 | 2021-07-01 | 翁敏航 | 太陽能發電模組失效分析系統與方法 |
| CN113361782A (zh) * | 2021-06-09 | 2021-09-07 | 浙江工业大学 | 基于改进mkpls的光伏发电功率短期滚动预测方法 |
| TWI741727B (zh) * | 2020-08-07 | 2021-10-01 | 國立臺灣科技大學 | 基於電性時序波形的光伏陣列故障診斷方法 |
-
2021
- 2021-11-01 TW TW110140609A patent/TWI797806B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019158691A1 (en) * | 2018-02-16 | 2019-08-22 | Telefonaktiebolaget Lm Ericsson (Publ) | Welch bound signature sequence design for noma |
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
| CN110503153A (zh) * | 2019-08-26 | 2019-11-26 | 哈尔滨工程大学 | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 |
| TWI741727B (zh) * | 2020-08-07 | 2021-10-01 | 國立臺灣科技大學 | 基於電性時序波形的光伏陣列故障診斷方法 |
| TWI732682B (zh) * | 2020-09-17 | 2021-07-01 | 翁敏航 | 太陽能發電模組失效分析系統與方法 |
| CN113361782A (zh) * | 2021-06-09 | 2021-09-07 | 浙江工业大学 | 基于改进mkpls的光伏发电功率短期滚动预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202320481A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aziz et al. | A novel convolutional neural network-based approach for fault classification in photovoltaic arrays | |
| Chen et al. | Deep residual network based fault detection and diagnosis of photovoltaic arrays using current-voltage curves and ambient conditions | |
| Fazai et al. | Machine learning-based statistical testing hypothesis for fault detection in photovoltaic systems | |
| Hong et al. | Detection and classification of faults in photovoltaic arrays using a 3D convolutional neural network | |
| CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| US11694431B2 (en) | Systems and methods for skyline prediction for cyber-physical photovoltaic array control | |
| CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| Saini et al. | Detection and classification of power quality disturbances in wind‐grid integrated system using fast time‐time transform and small residual‐extreme learning machine | |
| Lin et al. | Compound fault diagnosis model for Photovoltaic array using multi-scale SE-ResNet | |
| Lu et al. | Fault diagnosis model for photovoltaic array using a dual-channels convolutional neural network with a feature selection structure | |
| Sekar et al. | An improved power quality disturbance detection using deep learning approach | |
| de Guia et al. | Application of ensemble learning with mean shift clustering for output profile classification and anomaly detection in energy production of grid-tied photovoltaic system | |
| Djalab et al. | Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks | |
| US20210390413A1 (en) | Dropout and pruned neural networks for fault classification in photovoltaic arrays | |
| Gao et al. | Series arc fault diagnosis method of photovoltaic arrays based on GASF and improved DCGAN | |
| CN109992911A (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| Hong et al. | Diagnosis of PV faults using digital twin and convolutional mixer with LoRa notification system | |
| Pan et al. | Fault classification with convolutional neural networks for microgrid systems | |
| Bharath et al. | Condition monitoring of photovoltaic systems using machine leaming techniques | |
| Pa et al. | A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy | |
| TWI797806B (zh) | 使用3維卷積神經網路進行光伏陣列的故障分類裝置 | |
| Ding et al. | Feature extraction and fault diagnosis of photovoltaic array based on current–voltage conversion | |
| Han et al. | An intelligent fault diagnosis method for PV arrays based on an improved rotation forest algorithm | |
| Hong et al. | Diagnosis of photovoltaic faults using digital twin and PSO-optimized shifted window transformer |