intTypePromotion=1
ADSENSE

Nhận dạng tấm pin mặt trời bị lỗi dựa trên dữ liệu ảnh bằng trí tuệ nhân tạo

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:4

16
lượt xem
0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Việc xác định tấm pin mặt trời bị hỏng có vai trò rất quan trọng trong việc đảm bảo hiệu suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, đề xuất sử dụng phương pháp học máy để tự động hoá việc phân loại tấm pin mặt trời bị hỏng.

Chủ đề:
Lưu

Nội dung Text: Nhận dạng tấm pin mặt trời bị lỗi dựa trên dữ liệu ảnh bằng trí tuệ nhân tạo

  1. CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX NHẬN DẠNG TẤM PIN MẶT TRỜI BỊ LỖI DỰA TRÊN DỮ LIỆU ẢNH BẰNG TRÍ TUỆ NHÂN TẠO Nguyễn Đăng Tiến(1), Trần Trang Ninh(1), Nguyễn Tiến Thành(1), Nguyễn Trần Minh Trang(1), Nguyễn Đức Thảo(1), TS. Nguyễn Quốc Minh (1)Viện Điện, Trường Đại học Bách khoa Hà Nội *Tác giả liên hệ: tien.nd174260@sis.hust.edu.vn TÓM TẮT Việc xác định tấm pin mặt trời bị hỏng có vai trò rất quan trọng trong việc đảm bảo hiệu suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, chúng tôi đề xuất sử dụng phương pháp học máy để tự động hoá việc phân loại tấm pin mặt trời bị hỏng. Mô hình học máy được huấn luyện và kiểm tra trên tập dữ liệu bao gồm 2.146 hình ảnh điện phát quang có độ phân giải cao của các tấm pin mặt trời loại momo và loại poly. Kết quả phân loại cho thấy mô hình học máy có thể phân loại được tấm pin mặt trời bị hỏng với độ chính xác f1-score lên đến 86,26%. Từ khóa: phân loại tấm pin mặt trời, học máy, mạng nơ-ron tích chập, svm 1. GIỚI THIỆU Các tấm pin năng lượng mặt trời thường được bị lỗi là cần thiết để đảm bảo hiệu suất tối đa bảo vệ bởi khung nhôm và tấm kính bề mặt cho các nhà máy năng lượng mặt trời. để trách khỏi các tác động của môi trường. Việc xác định và phân loại các tấm pin mặt Tuy nhiên, các biện pháp bảo vệ này không trời bị lỗi là đặc biệt khó khăn, nó là một thách phải lúc nào cũng có thể ngăn ngừa được các thức lớn ngay cả với các chuyên gia được đào hư hỏng do cơ học như tác động từ mưa đá, tạo cũng có thể không phát hiện ra những vết các cành cây rơi, rơi khi lắp đặt, thậm chí có nứt hỏng, bởi một số khuyết tật này không những vết nứt nhỏ không nhìn thấy được, thể nhìn thấy được bằng mắt thường. Ngược hoặc các khuyết tật khi sản xuất dẫn tới các lại, một số khuyết tật khác có thể nhìn thấy tấm pin mặt trời bị hỏng. Điều này làm giảm bằng mắt thường nhưng lại không hề làm hiệu suất năng lượng được chuyển hoá thành giảm hiệu quả của mô-đun. điện năng của các mô-đun năng lượng mặt Hình ảnh điện phát quang trời. Do đó việc cần phải theo dõi trình trạng (Electroluminescence - EL) là một phương của các mô-đun năng lượng mặt trời và thay thức hữu ích để điểm tra các tấm pin mặt trời. thế hoặc sửa chữa các đơn vị tấm pin mặt trời EL cung cấp hình ảnh có độ phân giải cao DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 121
  2. CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX giúp có thể phát hiện các vết nứt, khuyết tật việc phân loại tấm pin mặt trời cũng được trên bề mặt của các mô-đun. Tuy nhiên, việc quan tâm và nghiên cứu . Bởi ưu điểm [1-2] phân tích thủ công sẽ tiêu tốn rất nhiều thời vượt trội của máy học là không cần hiểu quá gian, tiền bạc, công sức và còn đòi hỏi kiến nhiều về các loại khuyết tật, các đặc trưng này thức chuyên môn về các loại khuyết tật khác sẽ được trích xuất tự động trong quá trình nhau. huấn luyện. Trong nghiên cứu này chúng Ngày nay, với sự phát triển của trí tuệ nhân tôi đề xuất mô hình máy học kết hợp giữa tạo nói chung và học máy nói riêng, việc nhận mạng nơ-ron tích chập (Convolutional Neural dạng và phân loại hình ảnh trở nên ngày càng Network - CNN) với vec tơ hỗ trợ (Support chính xác thậm chí một số tác vụ có thể vượt Vector Machine - SVM) để phân loại tấm pin qua con người. Việc ứng dụng máy học vào mặt trời hỏng. 2. PHƯƠNG PHÁP đó sẽ kết hợp kết quả của chúng lại với 2.1 Mô hình học máy nhau. Lớp tích chập này sẽ được đi qua Chúng tôi sử dụng mạng nơ-ron tích chập một hàm kích hoạt phi tuyến tính để tạo (CNN) như một phương pháp trích xuất đặc ra các thông tin trừu tượng hơn cho các trưng để thuật toán SVM phân loại. Cụ thể lớp tiếp theo. Ngoài ra còn sử dụng một được mô tả như Hình 1 dưới đây. vài lớp khác như các loại lớp pooling dùng để chắt lọc lại các thông tin hữu ích. Trong quá trình huấn luyện mạng nơ-ron sẽ tự động học qua các lớp bộ lọc để trích xuất đặc trưng. Lớp cuối cùng sẽ được dùng để phân nhóm hình ảnh. Mạng nơ-ron tích chập chúng tôi sử dụng trong mô hình máy học đề xuất là kiến trúc mô hình EfficientNet-B0 [3] đã được huấn luyện trên Hình 1. Quy trình chung của mô hình phân loại hình ảnh tấm pin mặt trời hỏng bộ dữ liệu Imagenet với hơn 1,3 triệu bức ảnh cho 1000 lớp hình ảnh khác nhau, Mạng nơ-ron tích chập là một mạng nơ- chúng tôi loại bỏ các lớp phân nhóm hình ron tập hợp các lớp tích chập chồng lên ảnh ở cuối kiến trúc mô hình, giữ lại trọng nhau. Mỗi lớp tích chập sẽ được sử dụng số tại các lớp tích chập để từ đó sử dụng các bộ lọc khác nhau, số lượng thường mạng nơ-ron tích chập như một phương đến hàng trăm, hàng nghìn bộ lọc sau pháp trích xuất đặc trưng. 122 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO
  3. CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX Vec tơ hỗ trợ (SVM) là một thuật toán 3. KẾT QUẢ VÀ THẢO LUẬN thường được dùng trong các bài toán phân 3.1 Kết quả mô hình loại dữ liệu thành các nhóm riêng biệt. Để kiểm tra kết quả phân loại của mô hình Trong thuật toán này, dữ liệu được ánh xạ chúng tôi sử dụng chỉ số f1-score để đánh giá vào không gian nhiều chiều hơn để từ đó các dự đoán của mô hình với các nhãn thật tìm ra siêu mặt phẳng để phân chia các được gán sẵn trên tập dữ liệu kiểm thử. F1- nhóm cần phân loại. Sau khi sử dụng thuật score được thể hiện qua công thức dưới đây: toán tìm kiếm các tham số tối ưu cho SVM chúng tôi thu được tham số điều chuẩn C là 100, nhân của thuật toán là ‘rbf’ với hệ số nhân gamma là 0.001. Chúng tôi đã đánh giá mô hình trên tập 2.2 Tập dữ liệu và huấn luyện mô hình kiểm thử đã được chia và cách ly khỏi tập Mô hình được huấn luyện và kiểm thử trên huấn luyện kết quả được mô tả ở Bảng 1. bộ dữ liệu bao gồm 2146 bức ảnh điện phát Bảng 1. Kết quả của mô hình trên tập kiểm thử quang của các tấm pin mặt trời loại mono Chỉ số % và poly có độ phân giải cao được đưa về Accuracy 91.63 kích thước 300x300 được trích xuất từ 44 Recall 80.71 mô-đun năng lượng mặt trời, cụ thể hình Precision 92.62 ảnh các loại tấm pin mặt trời được mô tả tại Hình 2. Trong tập dữ liệu bao gồm 717 F1-score 86.26 bức ảnh tấm pin mặt trời bị hỏng và 1429 3.2 Thảo luận bức ảnh tấm pin mặt trời bình thường. Tập Do tập dữ liệu có sự mất cân bằng ở 2 nhóm dữ liệu được chia thành 2 phần là tập huấn tấm pin mặt trời bị hỏng và tấm pin mặt trời luyện và tập kiểm thử với tỉ lệ 80-20. bình thường với tỉ lệ lần lượt là 33.41% , 66.59%. Vì thế chúng tôi đã không sử dụng độ chính xác Accuracy để đánh giá mô hình mà sử dụng chỉ số F1-score. Dựa trên các chỉ số Recall, Precision có thể cho thấy mô hình máy học có tỉ lệ tìm thấy tấm pin mặt trời Hình 2. Hình ảnh điện phát quang. bị hỏng trong tổng số các tấm pin thực sự a) pin mặt trời loại mono bị hỏng; b) pin mặt trời loại mono bình thường; hỏng là 80.71%, tỉ lệ phân loại đúng tấm pin c) pin mặt trời loại poly bị hỏng; mặt trời bị hỏng trong tổng số các tấm pin d) pin mặt trời loại poly bình thường được phân loại bị hỏng là 92.62%. DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 123
  4. CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX 4. KẾT LUẬN TÁC GIẢ BÀI BÁO Nghiên cứu này đề xuất một một cách tiếp Nguyễn Đăng Tiến (1999) là sinh viên cận đề phân loại tự động tấm pin mặt trời chuyên ngành Kỹ thuật điều khiển và tự bị hỏng từ hình ảnh điện phát quang dựa động hoá Trường Đại học Bách khoa Hà Nội. trên mô hình học máy. Từ kết quả nghiên Trần Trang Ninh (2000) là sinh viên chuyên cứu đã chỉ ra rằng mô hình học máy cho ngành Kỹ thuật điện Trường Đại học Bách kết quả khả quan với độ chính xác f1-score khoa Hà Nội. là 86.26%. Chúng tôi nghĩ rằng đây vẫn là kết quả khiêm tốn chính vì thế nghiên cứu Nguyễn Tiến Thành (2000) là sinh viên trong tương lai sẽ sử dụng các thuật toán chuyên ngành Kỹ thuật điện Trường Đại mạnh hơn để cải thiện độ chính xác. học Bách khoa Hà Nội. Nguyễn Trần Minh Trang (2000) là sinh TÀI LIỆU THAM KHẢO viên chuyên ngành Kỹ thuật điện Trường 1. Sergiu Deitsch, et al., “Automatic classification Đại học Bách khoa Hà Nội. of defective photovoltaic module cells in electroluminescence images”, Solar Energy, 185, pp. Nguyễn Đức Thảo (2000) là sinh viên 455-468, 2019. chuyên ngành Kỹ thuật điện Trường Đại 2. Kurukuru, V. S. B., Haque, A., Khan, M. A., & Tripathy, A. học Bách khoa Hà Nội. K., “Fault classification for Photovoltaic Modules Using Thermography and Machine Learning Techniques”, 2019 International Conference on Computer and GIẢNG VIÊN HƯỚNG DẪN Information Sciences (ICCIS), 2019. TS. Nguyễn Quốc Minh nhận bằng Tiến sĩ 3. Mingxing Tan, Quoc V Le, “EfficientNet: Rethinking chuyên ngành Kỹ thuật điện tại trường The model scaling for convolutional neural networks”, International Conference on Machine Learning, 2019 University of Texas at Arlington năm 2016. Hiện tại đang là Phó Trưởng Bộ môn Hệ thống điện tại Viện Điện - Trường Đại học CHÚ THÍCH Bách khoa Hà Nội. Các hướng nghiên cứu TP: Số dự đoán dương tính thật chính: bảo vệ và điều khiển hệ thống điện, FP: Số dự đoán dương tính giả ứng dụng AI trong lưới điện thông minh, FN: Số dự đoán âm tính giả ăng ten và truyền sóng. Chữ viết tắt EL: Hình ảnh điện phát quang -Electroluminescence 124 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2