تشخیص و شناسایی خطا در سیستمهای فتوولتائیک با استفاده از شبکه عصبی عمیق VGG16
الموضوعات :سمانه عظیمی 1 , محمد منثوری 2 , مهدی اخباری 3
1 - گروه قدرت، دانشکده فنی مهندسی، دانشگاه شاهد
2 - دانشگاه شاهد
3 - گروه قدرت، دانشکده فنی مهندسی، دانشگاه شاهد
الکلمات المفتاحية: آرایه فتوولتائیک, ردیاب نقطه حداکثر توان, طبقهبندی خطا, شبکه عصبی کانولوشنی VGG16, اسکالوگرام,
ملخص المقالة :
تشخیص خطا در آرایه های فتوولتائیک (PV) جهت افزایش توان خروجی و همچنین طول عمر مفید یک سیستم PV ضروری است. وجود شرایطی مانند سایه جزئی، خطاهای امپدانس بالا و وجود سامانه ردیاب نقطه حداکثر توان (MPPT)، تشخیص خطا را در شرایط محیطی به چالش می کشد. بیشتر تحقیقات انجامشده در این زمینه فقط در چند سناریو از عیوب به شناسایی و طبقه بندی پرداخته اند. این پژوهش با استفاده از شبکه ی عصبی کانولوشنی عمیق از پیش آموزش داده شده VGG16)) و با بهره گیری از ویژگی ها استخراج شده بوسیله اسکالوگرام های دوبعدی تولیدشده از داده های سیستم PV، به شناسایی و طبقهبندی خطا در سیستم PV با استفاده از یک شبکه عصبی کاملا متصل می پردازد. برخلاف روش های قبلی پیشنهادشده در ادبیات موضوع تشخیص و طبقهبندی عیوب، موارد مختلف معیوب همراه با ترکیب MPPT در مطالعه ما در نظر گرفتهشده است. در این تحقیق نشان دادهشده است که روش پیشنهادی شاملCNN از پیش آموزشدیده تنظیمشده، از روش های موجود بهتر عمل می کند و بهدقت تشخیص خطای 375/83 درصد دست پیدا می کند.
A. Dhoke, R. Sharma, and T. K. Saha, "A technique for fault detection, identification and location in solar photovoltaic systems," Solar Energy, vol. 206, pp. 864-874, 2020.
A. Jäger-Waldau, "Snapshot of photovoltaics—February 2020," Energies, vol. 13, no. 4, p. 930, 2020.
C. Buerhop, D. Schlegel, M. Niess, C. Vodermayer, R. Weißmann, and C. Brabec, "Reliability of IR-imaging of PV-plants under operating conditions," Solar Energy Materials and Solar Cells, vol. 107, pp. 154-164, 2012.
P. B. Quater, F. Grimaccia, S. Leva, M. Mussetta, and M. Aghaei, "Light Unmanned Aerial Vehicles (UAVs) for cooperative inspection of PV plants," IEEE Journal of Photovoltaics, vol. 4, no. 4, pp. 1107-1113, 2014.
J. Tsanakas and P. Botsaris, "An infrared thermographic approach as a hot-spot detection tool for photovoltaic modules using image histogram and line profile analysis," International Journal of Condition Monitoring, vol. 2, no. 1, pp. 22-30, 2012.
D. S. Pillai and N. Rajasekar, "An MPPT-based sensorless line–line and line–ground fault detection technique for PV systems," IEEE Transactions on Power Electronics, vol. 34, no. 9, pp. 8646-8659, 2018.
D. S. Pillai and N. Rajasekar, "A comprehensive review on protection challenges and fault diagnosis in PV systems," Renewable and Sustainable Energy Reviews, vol. 91, pp. 18-40, 2018.
Y. Zhao, J.-F. De Palma, J. Mosesian, R. Lyons, and B. Lehman, "Line–line fault analysis and protection challenges in solar photovoltaic arrays," IEEE transactions on Industrial Electronics, vol. 60, no. 9, pp. 3784-3795, 2012.
B. P. Kumar, G. S. Ilango, M. J. B. Reddy, and N. Chilakapati, "Online fault detection and diagnosis in photovoltaic systems using wavelet packets," IEEE Journal of Photovoltaics, vol. 8, no. 1, pp. 257-265, 2017.
F. Aziz, A. U. Haq, S. Ahmad, Y. Mahmoud, M. Jalal, and U. Ali, "A novel convolutional neural network-based approach for fault classification in photovoltaic arrays," IEEE Access, vol. 8, pp. 41889-41904, 2020.
K. AbdulMawjood, S. S. Refaat, and W. G. Morsi, "Detection and prediction of faults in photovoltaic arrays: A review," in 2018 IEEE 12th International Conference on Compatibility, Power Electronics and Power Engineering (CPE-POWERENG 2018), 2018, pp. 1-8: IEEE.
R. Hariharan, M. Chakkarapani, G. S. Ilango, and C. Nagamani, "A method to detect photovoltaic array faults and partial shading in PV systems," IEEE Journal of Photovoltaics, vol. 6, no. 5, pp. 1278-1285, 2016.
M. Catelani, L. Ciani, D. Galar, and G. Patrizi, "Optimizing maintenance policies for a yaw system using reliability-centered maintenance and data-driven condition monitoring," IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 9, pp. 6241-6249, 2020.
S. Voutsinas, D. Karolidis, I. Voyiatzis, and M. Samarakou, "Development of a multi-output feed-forward neural network for fault detection in Photovoltaic Systems," Energy Reports, vol. 8, pp. 33-42, 2022.
J. Van Gompel, D. Spina, and C. Develder, "Satellite based fault diagnosis of photovoltaic systems using recurrent neural networks," Applied Energy, vol. 305, p. 117874, 2022.
M. Dhimish, V. Holmes, B. Mehrdadi, and M. Dales, "Multi‐layer photovoltaic fault detection algorithm," High voltage, vol. 2, no. 4, pp. 244-252, 2017.
E. Garoudja, F. Harrou, Y. Sun, K. Kara, A. Chouder, and S. Silvestre, "Statistical fault detection in photovoltaic systems," Solar Energy, vol. 150, pp. 485-499, 2017.
A. Dhoke, R. Sharma, and T. K. Saha, "PV module degradation analysis and impact on settings of overcurrent protection devices," Solar Energy, vol. 160, pp. 360-367, 2018.
A. V. de Oliveira, M. Aghaei, and R. Rüther, "Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography," in Proceedings of the 36th European Photovoltaic Solar Energy Conference and Exhibition, Marseille, France, 2019, pp. 9-13.
S. A. Zaki, H. Zhu, M. A. Fakih, A. R. Sayed, and J. Yao, "Deep‐learning–based method for faults classification of PV system," IET Renewable Power Generation, vol. 15, no. 1, pp. 193-205, 2021.
S.-D. Lu, M.-H. Wang, S.-E. Wei, H.-D. Liu, and C.-C. Wu, "Photovoltaic module fault detection based on a convolutional neural network," Processes, vol. 9, no. 9, p. 1635, 2021. I. S. Ramírez, J. R. P. Chaparro, and F. P. G. Márquez, "Machine Learning techniques implemented in IoT platform for fault detection in photovoltaic panels," in 2021 International Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT), 2021, pp. 429-434: IEEE.
Z. Yi and A. H. Etemadi, "Line-to-line fault detection for photovoltaic arrays based on multiresolution signal decomposition and two-stage support vector machine," IEEE Transactions on Industrial Electronics, vol. 64, no. 11, pp. 8546-8556, 2017.
A. Y. Appiah, X. Zhang, B. B. K. Ayawli, and F. Kyeremeh, "Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis," IEEE Access, vol. 7, pp. 30089-30101, 2019.
M. N. Akram and S. Lotfifard, "Modeling and health monitoring of DC side of photovoltaic array," IEEE Transactions on Sustainable Energy, vol. 6, no. 4, pp. 1245-1253, 2015.
S. R. Madeti and S. Singh, "A comprehensive study on different types of faults and detection techniques for solar photovoltaic system," Solar Energy, vol. 158, pp. 161-185, 2017.
V. Kongphet, A. Migan-Dubois, C. Delpha, D. Diallo, and J.-Y. Lechenadec, "Photovoltaic Fault Detection and Diagnosis: Which Level of Granularity for PV Modeling?," in 2020 Prognostics and Health Management Conference (PHM-Besançon), 2020, pp. 180-186: IEEE.
M. Köntges et al., "Review of failures of photovoltaic modules," 2014
S. R. Madeti and S. Singh, "Online modular level fault detection algorithm for grid-tied and off-grid PV systems," Solar Energy, vol. 157, pp. 349-364, 2017.
A. Triki-Lahiani, A. B.-B. Abdelghani, and I. Slama-Belkhodja, "Fault detection and monitoring systems for photovoltaic installations: A review," Renewable and Sustainable Energy Reviews, vol. 82, pp. 2680-2692, 2018.
Y.-Y. Hong and R. A. Pula, "Methods of photovoltaic fault detection and classification: A review," Energy Reports, vol. 8, pp. 5898-5929, 2022.
[1] A. Dhoke, R. Sharma, and T. K. Saha, "A technique for fault detection, identification and location in solar photovoltaic systems," Solar Energy, vol. 206, pp. 864-874, 2020. [2] A. Jäger-Waldau, "Snapshot of photovoltaics—February 2020," Energies, vol. 13, no. 4, p. 930, 2020. [3] C. Buerhop, D. Schlegel, M. Niess, C. Vodermayer, R. Weißmann, and C. Brabec, "Reliability of IR-imaging of PV-plants under operating conditions," Solar Energy Materials and Solar Cells, vol. 107, pp. 154-164, 2012. [4] P. B. Quater, F. Grimaccia, S. Leva, M. Mussetta, and M. Aghaei, "Light Unmanned Aerial Vehicles (UAVs) for cooperative inspection of PV plants," IEEE Journal of Photovoltaics, vol. 4, no. 4, pp. 1107-1113, 2014. [5] J. Tsanakas and P. Botsaris, "An infrared thermographic approach as a hot-spot detection tool for photovoltaic modules using image histogram and line profile analysis," International Journal of Condition Monitoring, vol. 2, no. 1, pp. 22-30, 2012. [6] D. S. Pillai and N. Rajasekar, "An MPPT-based sensorless line–line and line–ground fault detection technique for PV systems," IEEE Transactions on Power Electronics, vol. 34, no. 9, pp. 8646-8659, 2018. [7] D. S. Pillai and N. Rajasekar, "A comprehensive review on protection challenges and fault diagnosis in PV systems," Renewable and Sustainable Energy Reviews, vol. 91, pp. 18-40, 2018. [8] Y. Zhao, J.-F. De Palma, J. Mosesian, R. Lyons, and B. Lehman, "Line–line fault analysis and protection challenges in solar photovoltaic arrays," IEEE transactions on Industrial Electronics, vol. 60, no. 9, pp. 3784-3795, 2012. [9] B. P. Kumar, G. S. Ilango, M. J. B. Reddy, and N. Chilakapati, "Online fault detection and diagnosis in photovoltaic systems using wavelet packets," IEEE Journal of Photovoltaics, vol. 8, no. 1, pp. 257-265, 2017. [10] F. Aziz, A. U. Haq, S. Ahmad, Y. Mahmoud, M. Jalal, and U. Ali, "A novel convolutional neural network-based approach for fault classification in photovoltaic arrays," IEEE Access, vol. 8, pp. 41889-41904, 2020. [11] K. AbdulMawjood, S. S. Refaat, and W. G. Morsi, "Detection and prediction of faults in photovoltaic arrays: A review," in 2018 IEEE 12th International Conference on Compatibility, Power Electronics and Power Engineering (CPE-POWERENG 2018), 2018, pp. 1-8: IEEE. [12] R. Hariharan, M. Chakkarapani, G. S. Ilango, and C. Nagamani, "A method to detect photovoltaic array faults and partial shading in PV systems," IEEE Journal of Photovoltaics, vol. 6, no. 5, pp. 1278-1285, 2016. [13] M. Catelani, L. Ciani, D. Galar, and G. Patrizi, "Optimizing maintenance policies for a yaw system using reliability-centered maintenance and data-driven condition monitoring," IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 9, pp. 6241-6249, 2020. [14] S. Voutsinas, D. Karolidis, I. Voyiatzis, and M. Samarakou, "Development of a multi-output feed-forward neural network for fault detection in Photovoltaic Systems," Energy Reports, vol. 8, pp. 33-42, 2022. [15] J. Van Gompel, D. Spina, and C. Develder, "Satellite based fault diagnosis of photovoltaic systems using recurrent neural networks," Applied Energy, vol. 305, p. 117874, 2022. [16] M. Dhimish, V. Holmes, B. Mehrdadi, and M. Dales, "Multi‐layer photovoltaic fault detection algorithm," High voltage, vol. 2, no. 4, pp. 244-252, 2017. [17] E. Garoudja, F. Harrou, Y. Sun, K. Kara, A. Chouder, and S. Silvestre, "Statistical fault detection in photovoltaic systems," Solar Energy, vol. 150, pp. 485-499, 2017. [18] A. Dhoke, R. Sharma, and T. K. Saha, "PV module degradation analysis and impact on settings of overcurrent protection devices," Solar Energy, vol. 160, pp. 360-367, 2018. [19] A. V. de Oliveira, M. Aghaei, and R. Rüther, "Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography," in Proceedings of the 36th European Photovoltaic Solar Energy Conference and Exhibition, Marseille, France, 2019, pp. 9-13. [20] S. A. Zaki, H. Zhu, M. A. Fakih, A. R. Sayed, and J. Yao, "Deep‐learning–based method for faults classification of PV system," IET Renewable Power Generation, vol. 15, no. 1, pp. 193-205, 2021. [21] S.-D. Lu, M.-H. Wang, S.-E. Wei, H.-D. Liu, and C.-C. Wu, "Photovoltaic module fault detection based on a convolutional neural network," Processes, vol. 9, no. 9, p. 1635, 2021. [22] I. S. Ramírez, J. R. P. Chaparro, and F. P. G. Márquez, "Machine Learning techniques implemented in IoT platform for fault detection in photovoltaic panels," in 2021 International Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT), 2021, pp. 429-434: IEEE. [23] Z. Yi and A. H. Etemadi, "Line-to-line fault detection for photovoltaic arrays based on multiresolution signal decomposition and two-stage support vector machine," IEEE Transactions on Industrial Electronics, vol. 64, no. 11, pp. 8546-8556, 2017. [24] A. Y. Appiah, X. Zhang, B. B. K. Ayawli, and F. Kyeremeh, "Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis," IEEE Access, vol. 7, pp. 30089-30101, 2019. [25] M. N. Akram and S. Lotfifard, "Modeling and health monitoring of DC side of photovoltaic array," IEEE Transactions on Sustainable Energy, vol. 6, no. 4, pp. 1245-1253, 2015. [26] S. R. Madeti and S. Singh, "A comprehensive study on different types of faults and detection techniques for solar photovoltaic system," Solar Energy, vol. 158, pp. 161-185, 2017. [27] V. Kongphet, A. Migan-Dubois, C. Delpha, D. Diallo, and J.-Y. Lechenadec, "Photovoltaic Fault Detection and Diagnosis: Which Level of Granularity for PV Modeling?," in 2020 Prognostics and Health Management Conference (PHM-Besançon), 2020, pp. 180-186: IEEE. [28] M. Köntges et al., "Review of failures of photovoltaic modules," 2014. [29] S. R. Madeti and S. Singh, "Online modular level fault detection algorithm for grid-tied and off-grid PV systems," Solar Energy, vol. 157, pp. 349-364, 2017. [30] A. Triki-Lahiani, A. B.-B. Abdelghani, and I. Slama-Belkhodja, "Fault detection and monitoring systems for photovoltaic installations: A review," Renewable and Sustainable Energy Reviews, vol. 82, pp. 2680-2692, 2018. [31] Y.-Y. Hong and R. A. Pula, "Methods of photovoltaic fault detection and classification: A review," Energy Reports, vol. 8, pp. 5898-5929, 2022. [32] D. Revati and E. Natarajan, "IV and PV characteristics analysis of a photovoltaic module by different methods using Matlab software," Materials Today: Proceedings, vol. 33, pp. 261-269, 2020.
A. Narin, "Detection of focal and non-focal epileptic seizure using continuous wavelet transform-based scalogram images and pre-trained deep neural networks," Irbm, vol. 43, no. 1, pp. 22-31, 2022.
J. Garcia, S. Muller, E. Caicedo, T. Bastos Filho, and A. Souza, "Non-fatigating brain computer interface based on SSVEP and ERD to command an autonomous car," Advances in Data Science and Adaptive Analysis, vol. 1, pp. 1-11, 2018.
S. Tammina, "Transfer learning using vgg-16 with deep convolutional neural network for classifying images," International Journal of Scientific and Research Publications (IJSRP), vol. 9, no. 10, pp. 143-150, 2019. [36] F. Chollet, Deep learning with Python. Simon and Schuster, 2021
C. Szegedy et al., "Going deeper with convolutions," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 1-9.
X. Ning, P. Duan, W. Li, and S. Zhang, "Real-time 3D face alignment using an encoder-decoder network with an efficient deconvolution layer," IEEE Signal Processing Letters, vol. 27, pp. 1944-1948, 2020.
Journal of Information and
Communication Technology
Volume 16, Issue 61-62, Autumn and Winter 2024, pp. 247-260
Fault Diagnosis and Detection in Photovoltaic Systems Using Neural Network VGG16
Samaneh Azimi1, Mohammad Manthouri21, Mahdi Akhbari3
1 Department of Electrical Engineering, Shahed University, Tehran, Iran
2 Department of Electrical Engineering, Shahed University, Tehran, Iran
3 Department of Electrical Engineering, Shahed University, Tehran, Iran
Received: 14 March 2023, Revised: 17 October 2023, Accepted: 27 November 2023
Paper type: Research
Abstract
Fault detection in photovoltaic (PV) arrays is necessary to increase the output power and also the useful life of a PV system. The presence of conditions such as partial shade, high impedance faults, and the maximum power point detector (MPPT) system make the fault detection of PV in environmental conditions more challenging. The literature identified and classified defects just in few scenarios. In this study two-dimensional scalograms are generated from PV system data. The VGG16 as a pre-trained convolutional neural network is used for feature extraction. Finally, to identify and classify faults in the PV system a fully connected neural network is trained. Unlike the previous methods proposed in the literature on the subject of defect detection and classification, various defective cases with MPPT combination are considered in this research. It has been shown that the proposed method including pre-trained CNN performs better than the existing methods and achieves an error detection accuracy of 83.375%.
Keywords: Photovoltaic array, Maximum power point tracking, Fault classification, Convolutional neural network, Scalograms
تشخیص و شناسایی خطا در سیستمهای فتوولتائیک با استفاده از شبکه عصبی عمیق VGG16
سمانه عظیمی1، محمد منثوری22، مهدی اخباری3
1 گروه قدرت، دانشکده فنی مهندسی، دانشگاه شاهد، تهران، ایران
2 گروه کنترل، دانشکده فنی مهندسی، دانشگاه شاهد، تهران، ایران
3 گروه قدرت، دانشکده فنی مهندسی، دانشگاه شاهد، تهران، ایران
تاریخ دریافت: 23/12/1401 تاریخ بازبینی: 25/07/1402 تاریخ پذیرش: 06/09/1402
نوع مقاله: پژوهشی
چکيده
تشخیص خطا در آرایههای فتوولتائیک (PV) برای افزایش توان خروجی و همچنین طول عمر مفید یک سیستم PV ضروری است. وجود شرایطی مانند سایه جزئی، خطاهای امپدانس بالا و وجود سامانه ردیاب نقطه حداکثر توان (MPPT)، تشخیص خطا را در شرایط محیطی به چالش میکشد. بیشتر تحقیقات انجامشده در این زمینه فقط در چند سناریو از عیوب به شناسایی و طبقهبندی پرداختهاند و اکثرا نیاز به تجهیزات پیشرفته (تصویرساز حرارتی، پهپادها) برای اکتساب داده دارند که روش اکتساب داده این پژوهش بهوسیله اسکالوگرامهای دوبعدی این نیاز را مرتفع کرده است. این پژوهش با استفاده از شبکهی عصبی کانولوشنی عمیق از پیش آموزش داده شده VGG16 و با بهرهگیری از ویژگیهای استخراج شده بهوسیله اسکالوگرامهای دوبعدی تولیدشده از دادههای سیستم PV، به شناسایی و طبقهبندی خطا در سیستم PV با استفاده از یک شبکه عصبی کاملاً متصل میپردازد. برخلاف روشهای قبلی پیشنهادشده در ادبیات موضوع تشخیص و طبقهبندی عیوب، موارد مختلف معیوب همراه با ترکیب MPPT در مطالعه ما در نظر گرفتهشده است. در این تحقیق نشان دادهشده است که روش پیشنهادی شامل CNN از پیش آموزشدیده تنظیمشده، از روشهای موجود بهتر عمل میکند و بهدقت تشخیص خطای 375/83 درصد دست پیدا میکند.
کلیدواژگان: آرایه فتوولتائیک، ردیاب نقطه حداکثر توان، طبقهبندی خطا، شبکه عصبی کانولوشنی VGG16، اسکالوگرام.
[1] * Corresponding Author’s email: mmanthouri@shahed.ac.ir
[2] * رایانامة نويسنده مسؤول: mmanthouri@gmail.com
1- مقدمه
آثار نامطلوب منابع انرژی فسیلی بر سلامت انسانها، تغییرات اقلیمی و اکوسیستم به دنبال رشد صنعتی در سراسر جهان و افزایش مصرف جهانی این نوع منابع لزوم گسترش بهرهگیری از منابع انرژیهای تجدیدپذیر را افزایش میدهد زیرا این منابع تمیز، پایدار و سازگار با محیطزیست هستند. یکی اقتصادیترین منابع انرژی تجدیدپذیر تجاری، انرژی فتوولتائیک خورشیدی است. مزایای متعدد این صنعت نظیر عملکرد عاری از صدا و منبع انرژی با قابلیت دسترسی جهانی سبب توسعه سیستمهای فتوولتائیک شده است.
بهرهگیری از سیستمهای خورشیدی به دلیل کاهش هزینههای پنلها و سیاست دولتها به نفع مصرفکنندگان بهسرعت در حال افزایش است [1]. تولید برق به میزان ۵۸۰۰ تراوات ساعت تا سال ۲۰۲۵ با توجه به نرخ بهرهگیری از سیستمهای فتوولتائیک قابل پیشبینی است [2]. علیرغم مزایا و در دسترس بودن رایگان، صنعت PV به دلیل حضور در شرایط محیطی سخت و وابستگی خطاها به این شرایط با چالشهایی ازجمله کاهش قدرت خروجی، قابلیت اطمینان و آسیبپذیری مواجه است [3]. با توجه به حضور سیستمهای PV در محیط بیرونی، امکان وقوع خطاهایی ازجمله مدارباز(OC)، خط به خط(LL)، خط به زمین(LG)، نقطه داغ (HS)، افت سیمکشی و اثرات زیستمحیطی (سایه زدن یکنواخت و غیریکنواخت، رطوبت، جمع شدن برف و گردوغبار) در این سیستمها افزایش مییابد. این خطاها ممکن است سبب کاهش کارایی و طول عمر PVS شود [4] و [5].
پایش سیستمهای فتوولتائیک بهمنظور تشخیص بهموقع خطاها جهت اطمینان از طول عمر تجهیزات، حداکثر بازده توان و اطمینان از عملکرد قابلاعتماد این سیستمها در مقایس بزرگ امری ضروری است. روشهای مختلف نظارت و تشخیص خطا در سرعت، پیچیدگی و سنسورهای موردنیاز و توانایی شناسایی تعداد خطاها متفاوت است. بهرهگیری از دستگاههای محافظتی در قانون ۶۹۰NCE National Electric Code مانند دستگاه محافظت در برابر خطای زمین (GFPD)1، دستگاه محافظت از جریان بیشازحد (OCPD)2 و مدار قطعکننده خطا قوس (AFCI)3 برای بررسی و کاهش انواع خطاها [6-9] خود با چالشهایی نظیر تابش کم، وجود دیودهای مسدودکننده، ردیاب نقطه حداکثر توان (MPPT)4 و ویژگیهای غیرخطی آرایههای PV که مانع از عملکرد صحیح دستگاههای محافظتکنندهی خطا در شرایط مختلف میشوند مواجه هستند. ازاینرو، ممکن است خطاها برای مدت طولانی تداومیافته و قابلشناسایی نباشد [10]. بنابراین بهرهگیری از روشهای تشخیص عیوب پیشرفته، کارآمد و سازگار با چالشهای سیستمهای فتوولتائیک جهت تشخیص بهموقع عیوب، افزایش راندمان نیروگاه و طول عمر مفید سیستم امری اجتنابناپذیر است.
علاوه بر طرحهای حفاظتی، روشهای پیشرفته تشخیص عیب ارائهشده است تا با تشخیص بهموقع خطاها، سیستمهای فتوولتائیک از حفاظت قابل اطمینان برخوردار شوند. اثربخشی روشهای حفاظت پیشرفته به دلیل خطاهای امپدانس بالا، شرایط آب و هوایی و زمانی که MPPT در حال کار است چالشبرانگیز است [10]. همچنین روشهای تشخیص خطا عموماً به تشخیص تعداد محدود از خطاها پرداختهاند. بهطور خاص [11] به تشخیص فقط یک خطای زمین پرداخته است. همچنین روش پیشنهادی در [12] فقط شامل دو سناریوی خطا در آرایه PV(LLF) و (PS) میباشد. طبقهبندی چهارخطا (LLF, OCF, SF, BDF)5 در [13] مورد بررسی قرار گرفته است.
برای پرداختن به چالشهای فوق و کمبودهای کار موجود در تشخیص خطا، این مقاله با بهرهگیری از رویکرد شبکههای عصبی کانولوشنی دوبعدی عمیق CNN و با بهرهگیری از تصاویر اسکالوگرامهای دوبعدی PV بهمنظور شناسایی و طبقهبندی شش خطای ایجادشده و همزمانی هر شش خطا در سیستم PV پرداخته است. برخلاف تحقیقات جاری، موارد مختلف خطا (ازجمله همزمانی انواع خطا، شرایط سایه جزئی، خطای تخریب، خطای زمین، خطا در جعبه اتصال، خطای خط به خط، خطای مدارباز و تجمیع خطاها) با ترکیب MPPT در نظر گرفتهشده است. نتایج نشان میدهند که روش پیشنهادی این مقاله Fine-Tuned VGG-16 CNN از روشهای موجود از دقت طبقهبندی خطای بالاتری برخوردار است و همچنین قادر به شناسایی تعداد بیشتر خطا چه در سطح آرایه و چه در سطح ماژول فتوولتائیک است. همچنین برای استخراج تصاویر بهعنوان ورودی شبکه عصبی کانولوشنی عمیق نیاز به تجهیزات جانبی مانند تجهیزات تصویربرداری حرارتی ندارد بنابراین روش پیشنهادی نیاز به دادههای ورودی تصویری برای بهرهگیری انواع روش تشخیص خطا مبتنی بر یادگیری عمیق را مرتفع میسازد. لذا قادر به بهرهگیری مستمر در طول شبانهروز در یک سیستم خورشیدی بزرگ میباشد.
2- پیشینه پژوهش
روشهای تشخیص خطای متعددی برای شناسایی و تشخیص خطا در سیستمهای PV پیشنهاد شدهاند و طبقهبندیهای متفاوتی برای انواع روش تشخیص خطا با توجه به رویکرد، نیاز حسگر، توانایی تشخیص خطاها، پیچیدگی یکپارچهسازی، دقت، هزینه پیادهسازی، چالشهای حفاظتی و محدودیتهای دستگاههای حفاظتی معمولی ارائهشده است.
در تشخیص عیب مبتنی بر یادگیری ماشین، الگوریتمهای یادگیری ماشین برای یادگیری رابطه بین پارامترهای ورودی و خروجی یک سیستم PV آموزش داده میشوند. دادههای آموزشی را میتوان بهصورت تجربی یا با کمک مدلهای PV دقیق جمعآوری کرد. بااینحال، دادههای غیرعادی در هنگام وقوع خطا نیز برای آموزش و پیشبینی دقیق مورد نیاز است [7].
در ادامه تعدادی از منابعی که با استفاده از روشهای یادگیری عمیق به تشخیص خطا پرداختهاند، بررسی شده و در انتها بهصورت خلاصه در جدول 1 ارائه شده است.
در [14] توسعه یک شبکه عصبی مصنوعی چند خروجی (ANN) را برای تشخیص و شناسایی خطا در سمت DC یک سیستم فتوولتائیک (PVS) ارائه شده است. روش توسعهیافته با استفاده از خروجی طبقهبندی، فقط قادر به تشخیص خطاهای مدار باز، اتصال کوتاه و عدم تطابق است.
در [15] خطای خط به خط، خطای زمین و خطای اتصال کوتاه با استفاده از شبکهی عصبی (Bi-LSTM) قابل شناسایی است.
تغییرات در سطح ماژول مانند سوختگی، لایهلایه شدن و شکستگی با استفاده از تصاویر هوایی ثبت شده توسط پهپادها و با بهرهگیری از روش ترکیبی شبکهی عصبی کانولوشنی و (KNN) در [16] تشخیص داده شده است.
در [17] سه نوع خطای زمین، خرابی دیود بای پس و خطای سایه جزئی با استفاده از CNN مبتنی بر ResNet قابل تشخیص است.
در [18] ماژولهای دارای شکستگی و لایهلایه شدگی با استفاده از تصاویر هوایی که توسط اینترنت اشیا ارسال و در فضای ابری ثبت شدهاند، با استفاده از CNN تشخیص داده میشوند.
در مقاله [19] با استفاده از تصاویر ترموگرافی و با بهرهگیری از شبکهی عصبی CNN ماژولهای شکسته و دچار لایهلایه شدگی تشخیص داده شد.
در [20] برای تشخیص ترک بر روی ماژول از تصاویر الکترولومینسانس6 و شبکه عصبی عمیق استفاده شده است.
الگوریتم تشخیص خطای مدار باز، خطای اتصال کوتاه و خطا عدم تطابق با ترکیب شبکهی عصبی CNN و SVM در [21] بیان شده است که با دقت خوبی این سه خطا طبقهبندی شدهاند.
جدول 1. خلاصه پیشینهی تحقیق
خطاهای تشخیص داده شده | روش تشخیص خطا | منبع |
خطاهای مدار باز، اتصال کوتاه و عدم تطابق | ANN | [14] |
خطای خط به خط، خطای زمین و خطای اتصال کوتاه | Bi-LSTM | [15] |
سوختگی، لایهلایه شدن و شکستگی | CNN & KNN | [16] |
خطای زمین، خرابی دیود بای پس و خطای سایه جزئی | CNN | [17] |
شکستگی و لایهلایه شدگی | CNN | [18] |
شکستگی و لایهلایه شدگی | CNN | [19] |
تشخیص ترک | DL | [20] |
خطاهای مدار باز، اتصال کوتاه و عدم تطابق | CNN & SVM | [21] |
3- انواع خطا در آرایهی PV
عواملی که باعث کاهش خروجی یک ماژول یا آرایه PV میشوند بهعنوان خطا در نظر گرفته میشوند. خطاها ممکن است موقت یا دائمی باشند. خطاها در یک سیستم PV میتوانند به دلایل زیادی رخ دهند، برخی از عواملی که باعث اتلاف انرژی در سیستمهای PV میشوند عبارتند از: تغییر سطح تابش خورشیدی و دمای عملکرد، عدم تطابق در پارامترهای ماژول PV، خطا در ردیابی نقطه حداکثر توان، اثرات سایه، پیری، تجمع برف و گردوغبار روی ماژولهای PV و خطاهای فاجعهبار [22-25]. لذا بینش عمیق برای: 1) تشخیص هر رخداد خطا، 2) درک ضرورت تشخیص عیب و 3) تجزیهوتحلیل چالشهای حفاظتی ضروری است [26]. ازاینرو برای درک بهتر، تجزیهوتحلیل دقیقی از خطاهای مختلف در این بخش ارائهشده است.
3-1- خطای تخریب
مهمترین حالتهای خطای تخریب عبارتاند از: شکست جعبه اتصال، شکستن شیشه، اتصال سلولی معیوب، قاب شل و لایهلایه شدن. این حالتهای تخریب در آبوهوای گرم و مرطوب بیشتر گزارششده است [7]. ورود آب یا رطوبت در یک ماژول PV با شیشه شکسته منجر به تنش خوردگی قابلتوجهی میشود و باعث تغییر در مقاومتهای پارازیتی میشود [27].
3-2- خطای زمین
این پدیده بهطور تصادفی توسط یک مدار اتصال کوتاه الکتریکی رخ میدهد. درواقع، این خطا یک مسیر با امپدانس کم غیرعمدی در میان یکی از هادی حامل جریان و زمین است [28]. خطای زمین اغلب نگرانیهای ایمنی را در بردارد.
3-3- خطای جعبه اتصال
قابلیت اطمینان در جعبه اتصال یکی از حیاتیترین مسائل برای PVM در طول تست تأیید و عملیات در این زمینه است. جعبه اتصال محافظی برای سیمکشی از رشتهها به پایانههای خارجی است. این حالت خرابی میتواند ناشی از تثبیت ضعیف جعبه اتصال به صفحه پشتی، نفوذ رطوبت، خوردگی اتصالات، سیمکشی ضعیف منجر به قوس داخلی، نصب ضعیف یا به دلیل تخریب حرارتی باشد [29].
3-4- خطای خط به خط
خطای خط به خط یک اتصال با مقاومت کم بین دونقطه با پتانسیل مختلف در یک شبکه الکتریکی یا سیستم است. از عوامل ایجادکننده این خطا میتوان به شکست الکتریکی کابلها، اتصال کوتاه اتفاقی بین هادیهای انتقال جریان، عایق کم بین اتصالات رشته در جعبه اتصال و آسیب مکانیکی اشاره نمود [6].
3-5- خطای مدارباز
این خطا زمانی اتفاق میافتد که یکی از مسیرهای حمل جریان در مسیرهای سری با بار شکسته یا باز شود. از عوامل به وجود آورنده این خطا میتوان به اتصال ضعیف بین سلولها، قطع و وصل کردن کانکتورها در جعبه اتصال و پارگی سیمها اشاره نمود. وجود خطاهایی نظیر نقطه سوز و خرابی در دیودها نیز از عوامل ایجاد خطای مدارباز به شمار میروند [28].
3-6- سایه و نیمسایه
بهطورکلی دو نوع سایه در سیستمهای فتوولتائیک تعریف میشود. نوع اول سایه سخت که در صورتی رخ میدهد که ماژولهای PV با مواد جامد، بهعنوانمثال سایه ساختمانها یا گردوغبار، سایهدار شده نوع دوم سایه نرم است که ناشی عناصر موجود در هوا مانند دوده رخ میدهد. سایه سخت منجر به کاهش ولتاژ میشود؛ زیرا سایهدار شدن تعدادی از ماژولهایی سری منجر به عدم دریافت تابش یکسان در ماژولها شده و این عامل سبب کاهش جریان اتصال کوتاه ماژولهای سایهدار میشود. ماژولهایی که سایهدار نشدهاند جریان اتصال کوتاه بالاتری دارند و میخواهند جریان تولیدی بیشتر را عبور دهد سری بودن این ماژولها سبب میشود که ماژولهای سایهدار به نقطه هاتاسپات خود نزدیک شوند. درحالیکه سایه نرم روی جریان تأثیر میگذارد. در صورت عدم رفع سایه شاهد کاهش توان تولیدی و آسیب سلولهای سایهدار خواهیم بود [6].
4- شبیهسازی آرایه فتوولتائیک
با توجه به رشد سریع در منابع انرژی تجدیدپذیر بهخصوص درزمینهی سیستمهای خورشیدی، طراحان PV به یک ابزار قابلاطمینان و انعطافپذیر برای پیشبینی تولید برق توسط سیستمهای PV در اندازههای مختلف نیاز دارند. مدل PV خورشیدی بهطور بیوقفه بهروز میشود تا به محققان برای درک بهتر عملیات کمک کند.بیشتر مدلهای ریاضی بر اساس روابط ولتاژ-جریان مبتنی بر مدل تک دیودی یا دو دیودی گسترش یافتهاند.
4-1- مدل ریاضی ماژول فتوولتائیک
ماژول فتوولتائیک از سلولهای فتوولتائیک تشکیلشده است که بهطور موازی به هم متصل میشوند. این سلول اساساً یک اتصال p-n است که از نیمه رسانایی مانند سیلیکون ساختهشده است که امکان تبدیل انرژی نور به برق را فراهم میکند. همانطور که در شکل 1 نشان دادهشده است. یک سلول PV ایده آل بهصورت مدار تک دیودی مدل میشود [30].
مدار معادل که شامل منبع فتوجریان، دیود، مقاومت موازی بیانکننده جریان شنت و مقاومت سری است که مقاومت داخلی در برابر جریان را توصیف میکند. معادله مشخصه I-V یک سلول PV با روابط (1) تا (4) تعیین میشود [30].
شکل 1. مدار معادل سلول ]PV 28[
جریان نوری:
(1) |
|
(2) |
|
(3) |
|
(4) |
|
مشخصات ماژول PV | پارامتر |
98/31 | ماکزیمم ولتاژ |
405/9 | ماکزیمم جریان |
300 | ماکزیمم توان |
05/10 | جریان اتصال کوتاه |
5/39 | ولتاژ مدار باز |
شکل 2. نمودار P_V در حالت تابش متغیر-دما ثابت
شکل 3. نمودار P_V در حالت تابش ثابت-دما متغیر
شکل 4 پیکربندی سیستم PV را در حالتهای خطای مختلف را نشان میدهد. سیستم فتوولتائیک طراحی شده از یک آرایه 4×5 با 20 ماژول 300 وات با توان خروجی 6 کیلووات تشکیل شده است. شکل 5 مدل سیمولینک کل سیستم PV را با استفاده از مدل تک دیود مرجع مطابق با مرجع [30] نشان میدهد که شامل مبدل تقویتکننده DC-DC با MPPT برنامهریزی شده با الگوریتم اغتشاش و مشاهده (P&O) میباشد.
[1] Ground Fault Protection Device
[2] Over Current Protection Device
[3] Fault Circuit Interrupter
[4] Maximum Power Point Tracker
[5] Line To Line Fault, Open Circuit Fault, Shading Fault
[6] Electroluminescence
شکل 4. انواع خطا در آرایهی خورشیدی
شکل 5. مدل سیستم PV در محیط شبیهساز متلب
برای بررسی روش عیبیابی پیشنهادی از مدل شبیهسازی ارائهشده در شکل 5 برای جمعآوری مجموعه داده تحت شرایط عملیاتی معیوب و غیر معیوب استفاده شده است.
5- اکتساب داده
روشهای اکتساب داده اکثرا نیاز به تجهیزات پیشرفته مانند تصویرساز حرارتی، پهپادها و ... دارند که علاوه بر تحمیل هزینه بصورت دورهای دادهبرداری از نیروگاه صورت میگیرد که امکان تشخیص خطا در طول این دورهها را با چالش روبهرو میکند، مخصوصا برای سه خطای مهم مدارباز، اتصال کوتاه و خطای زمین که خطرات ایمنی را نیز دربردارد. دادهبرداری با روش اسکالوگرام که در زمینهی پزشکی از آن استفاده شده است علاوه بر افزایش دقت دادهبرداری سایر چالشهای بیان شده را نیز مرتفع میکند
حالتهای بدون خطا، خطای تخریب، خطای زمین، خطا در جعبهی اتصال، خطای خط به خط، خطای سایه جزئی، خطای مدارباز و تجمیع خطاها، هشت حالت برای ارزیابی روش پیشنهادی در نظر گرفته شده است. دادههای جمعآوریشده شامل تابش (G)، دما (T)، جریان اتصال کوتاه (Isc)، ولتاژ مدارباز (Voc)، جریان فتوولتائیک (Ipv)، ولتاژ فتوولتائیک (Vpv)، جریان MPP (Imp)، ولتاژ MPP (Vmp) و توان MPP (Pmp) است.که ۹ داده مستخرج از خروجی آرایه PV و ۳ مقدار از مبدل تقویتکننده که بهطور مستقیم یا غیرمستقیم متأثر از وقوع خطا در سیستم PV. تغییر میکنند. درمجموع ۱۱۵۲۰ نمونه دادهی برچسبدار جمعآوری شد. هر کلاس دارای ۱۴۴۰ نمونه است که از شبیهسازی آرایه PV با ترکیبهای چندگانه از موقعیتهای زیر که در جدولهای 3 و 2 نشان داده شدهاند، استخراج شده است.
جدول 3. برچسب داده مجموعه دادهها
زیرسیستم | برچسب داده |
آرایه PV | G,T, Isc, Voc, Ipv, Vpv, Imp, Vmp, Pmp |
مبدل بوست1 | Imax, Vmax, Pmax |
جدول 4. مقادیر پارامترهای مجموعه داده
پارامترها | مقدار هدف |
تابش | W∕m2 100-1200- تغییر با گام 20 |
دما | 0-60°c -تغییر با گام 5 |
6- تولید اسکالوگرام دوبعدی2
شبکه عصبی کانالوشنی وظایف طبقهبندی را مستقیماً از روی تصاویر انجام میدهد. امروزه بهطور گسترده CNN ها در حوزه زیست پزشکی با تبدیل سیگنالها از حوزه زمان (1-D) به حوزه فرکانس (2-D) با استفاده از تبدیل موجک استفاده میشوند. دادههای مستخرج با اعمال تبدیل موجک پیوسته (CWT) سبب تولید اسکالوگرام (تصویر دوبعدی) که در شکل 6 ارائهشده است میشوند. اسکالوگرام یک نمایش بصری سیگنالها بر اساس نمایش زمان-فرکانس با استفاده از تبدیل موجک (WT) است. لازم به ذکر است در این پژوهش بهمنظور افزایش در دقت شبکه عصبی کانولوشنی استفادهشده که بهطور مستقیم در ارتباط با تعداد دادههای تصویری ورودی میباشد. تصاویر اسکالوگرام با دو وضوح متفاوت استخراجشده است. پس از ایجاد نمودارهای اسکالوگرام برای نمونه دادهها در متلب تمام تصاویر اسکالوگرام بهاندازه استاندارد 22۴ × 22۴ برش داده میشوند تا نیاز لایه تصویر ورودی VGG_16 از پیش آموزشدیده را برآورده کنند.
شکل 6. تصاویر اسکالوگرام ورودی شبکهی CNN
CWT از نظر مفهوم شبیه به تبدیل فوریه است اما از خانواده موجکها بهعنوان توابع پایه خود بهجای توابع سینوسی و کسینوسی استفاده میکند. بیان ریاضی CWT در معادله 5 آورده شده است که در آن ψ(t) یک نمونه اولیه موجک و x(t)سیگنال اصلی است [31].
(5) |
| |
|
|
دقت طبقهبندی خطا | روش تشخیصی | خطای تشخیصی |
٪375/83 | CNN pre-train VGG-16 | سایه جزئی، خطای تخریب، خطای زمین، خطا در جعبه اتصال، خطای خط به خط، خطای مدارباز و همزمانی خطاها |
٪۶/۷3 | ANN [14] | خطاهای مدار باز، اتصال کوتاه و عدم تطابق |
٪174/80 | Bi-LSTM [15] | خطای خط به خط، خطای زمین و خطای اتصال کوتاه |
٪95/96 | CNN & KNN [16] | سوختگی، لایهلایه شدن و شکستگی |
٪82/76 | CNN [17] | خطای زمین، خرابی دیود بای پس و خطای سایه جزئی |
٪84/80 | CNN[18] | شکستگی و لایهلایه شدگی |
٪91/83 | CNN[19] | شکستگی و لایهلایه شدگی |
٪89/94 | DL[20] | تشخیص ترک |
٪23/91 | CNN & SVM [21] | خطاهای مدار باز، اتصال کوتاه و عدم تطابق |
در جدول 5 در منابع ]16[ و ]20-21[ دقت تشخیص خطای بالاتری گزارش شده است که به دلیل تشخیص تعداد خطای کمتر و همچنین دادهبرداری در عدم حضور MPPT است که قبلا نیز بیان شد که وجود MPPT چالشی مهم در تشخیص خطا است.
روش پیشنهادی در منبع ]15[ بر روی دادههای بدست آمده در این مقاله شبیه سازی شد تا در شرایط یکسان مقایسه ارائه شود، نتایج شبیهسازی با روش Bi-LSTM درصد دقت کمتری برای تشخیص خطاها دارد که در جدول 6 ارائه شده است.
12- نتیجهگیری
جدول 6. مقایسه دقت طبقهبندی روش پیشنهادی
دقت طبقهبندی خطا | روش تشخیصی | خطای تشخیصی |
375%/83 | CNN pre-train VGG-16 | خطای سایه جزیی، خطای تخریب، خطای زمین، خطا در جعبه اتصال، خطای خط به خط، خطای مدارباز و همزمانی خطاها |
174%/82 | Bi-LSTM [15] | خطای سایه جزیی، خطای تخریب، خطای زمین، خطا در جعبه اتصال، خطای خط به خط، خطای مدارباز و همزمانی خطاها |
مراجع
[1] A. Dhoke, R. Sharma, and T. K. Saha, "A technique for fault detection, identification and location in solar photovoltaic systems," Solar Energy, vol. 206, pp. 864-874, 2020.
[2] A. Jäger-Waldau, "Snapshot of photovoltaics—February 2020," Energies, vol. 13, no. 4, p. 930, 2020.
[3] C. Buerhop, D. Schlegel, M. Niess, C. Vodermayer, R. Weißmann, and C. Brabec, "Reliability of IR-imaging of PV-plants under operating conditions," Solar Energy Materials and Solar Cells, vol. 107, pp. 154-164, 2012.
[4] P. B. Quater, F. Grimaccia, S. Leva, M. Mussetta, and M. Aghaei, "Light Unmanned Aerial Vehicles (UAVs) for cooperative inspection of PV plants," IEEE Journal of Photovoltaics, vol. 4, no. 4, pp. 1107-1113, 2014.
[5] J. Tsanakas and P. Botsaris, "An infrared thermographic approach as a hot-spot detection tool for photovoltaic modules using image histogram and line profile analysis," International Journal of Condition Monitoring, vol. 2, no. 1, pp. 22-30, 2012.
[6] D. S. Pillai and N. Rajasekar, "An MPPT-based sensorless line–line and line–ground fault detection technique for PV systems," IEEE Transactions on Power Electronics, vol. 34, no. 9, pp. 8646-8659, 2018.
[7] D. S. Pillai and N. Rajasekar, "A comprehensive review on protection challenges and fault diagnosis in PV systems," Renewable and Sustainable Energy Reviews, vol. 91, pp. 18-40, 2018.
[8] Y. Zhao, J.-F. De Palma, J. Mosesian, R. Lyons, and B. Lehman, "Line–line fault analysis and protection challenges in solar photovoltaic arrays," IEEE transactions on Industrial Electronics, vol. 60, no. 9, pp. 3784-3795, 2012.
[9] B. P. Kumar, G. S. Ilango, M. J. B. Reddy, and N. Chilakapati, "Online fault detection and diagnosis in photovoltaic systems using wavelet packets," IEEE Journal of Photovoltaics, vol. 8, no. 1, pp. 257-265, 2017.
[10] F. Aziz, A. U. Haq, S. Ahmad, Y. Mahmoud, M. Jalal, and U. Ali, "A novel convolutional neural network-based approach for fault classification in photovoltaic arrays," IEEE Access, vol. 8, pp. 41889-41904, 2020.
[11] K. AbdulMawjood, S. S. Refaat, and W. G. Morsi, "Detection and prediction of faults in photovoltaic arrays: A review," in 2018 IEEE 12th International Conference on Compatibility, Power Electronics and Power Engineering (CPE-POWERENG 2018), 2018, pp. 1-8: IEEE.
[12] R. Hariharan, M. Chakkarapani, G. S. Ilango, and C. Nagamani, "A method to detect photovoltaic array faults and partial shading in PV systems," IEEE Journal of Photovoltaics, vol. 6, no. 5, pp. 1278-1285, 2016.
[13] M. Catelani, L. Ciani, D. Galar, and G. Patrizi, "Optimizing maintenance policies for a yaw system using reliability-centered maintenance and data-driven condition monitoring," IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 9, pp. 6241-6249, 2020.
[14] S. Voutsinas, D. Karolidis, I. Voyiatzis, and M. Samarakou, "Development of a multi-output feed-forward neural network for fault detection in Photovoltaic Systems," Energy Reports, vol. 8, pp. 33-42, 2022.
[15] Z. Mustafa, A. S. Awad, M. Azzouz, and A. Azab, "Fault identification for photovoltaic systems using a multi-output deep learning approach," Expert Systems with Applications, vol. 211, p. 118551, 2023.
[16] S. N. Venkatesh and V. Sugumaran, "Machine vision based fault diagnosis of photovoltaic modules using lazy learning approach," Measurement, vol. 191, p. 110786, 2022.
[17] A. Mellit, "An embedded solution for fault detection and diagnosis of photovoltaic modules using thermographic images and deep convolutional neural networks," Engineering Applications of Artificial Intelligence, vol. 116, p. 105459, 2022.
[18] S. Naveen Venkatesh et al., "Photovoltaic Module Fault Detection Based on Deep Learning Using Cloud Computing," Scientific Programming, vol. 2023, 2023.
[19] D. Manno, G. Cipriani, G. Ciulla, V. Di Dio, S. Guarino, and V. L. Brano, "Deep learning strategies for automatic fault diagnosis in photovoltaic systems by thermographic images," Energy Conversion and Management, vol. 241, p. 114315, 2021.
[20] A. Sohail, N. U. Islam, A. U. Haq, S. U. Islam, I. Shafi, and J. Park, "Fault detection and computation of power in PV cells under faulty conditions using deep-learning," Energy Reports, vol. 9, pp. 4325-4336, 2023.
[21] S. Voutsinas, D. Karolidis, I. Voyiatzis, and M. Samarakou, "Development of a machine-learning-based method for early fault detection in photovoltaic systems," Journal of Engineering and Applied Science, vol. 70, no. 1, p. 27, 2023.
[22] S. R. Madeti and S. Singh, "A comprehensive study on different types of faults and detection techniques for solar photovoltaic system," Solar Energy, vol. 158, pp. 161-185, 2017.
[23] V. Kongphet, A. Migan-Dubois, C. Delpha, D. Diallo, and J.-Y. Lechenadec, "Photovoltaic Fault Detection and Diagnosis: Which Level of Granularity for PV Modeling?," in 2020 Prognostics and Health Management Conference (PHM-Besançon), 2020, pp. 180-186: IEEE.
[24] M. Köntges et al., "Review of failures of photovoltaic modules," 2014.
[25] S. R. Madeti and S. Singh, "Online modular level fault detection algorithm for grid-tied and off-grid PV systems," Solar Energy, vol. 157, pp. 349-364, 2017.
[26] M. Dhimish, V. Holmes, B. Mehrdadi, and M. Dales, "Multi‐layer photovoltaic fault detection algorithm," High voltage, vol. 2, no. 4, pp. 244-252, 2017.
[27] A. Dhoke, R. Sharma, and T. K. Saha, "PV module degradation analysis and impact on settings of overcurrent protection devices," Solar Energy, vol. 160, pp. 360-367, 2018.
[28] A. Triki-Lahiani, A. B.-B. Abdelghani, and I. Slama-Belkhodja, "Fault detection and monitoring systems for photovoltaic installations: A review," Renewable and Sustainable Energy Reviews, vol. 82, pp. 2680-2692, 2018.
[29] Y.-Y. Hong and R. A. Pula, "Methods of photovoltaic fault detection and classification: A review," Energy Reports, vol. 8, pp. 5898-5929, 2022.
[30] D. Revati and E. Natarajan, "IV and PV characteristics analysis of a photovoltaic module by different methods using Matlab software," Materials Today: Proceedings, vol. 33, pp. 261-269, 2020.
[31] A. Narin, "Detection of focal and non-focal epileptic seizure using continuous wavelet transform-based scalogram images and pre-trained deep neural networks," Irbm, vol. 43, no. 1, pp. 22-31, 2022.
[32] J. Garcia, S. Muller, E. Caicedo, T. Bastos Filho, and A. Souza, "Non-fatigating brain computer interface based on SSVEP and ERD to command an autonomous car," Advances in Data Science and Adaptive Analysis, vol. 1, pp. 1-11, 2018.
[33] S. Tammina, "Transfer learning using vgg-16 with deep convolutional neural network for classifying images," International Journal of Scientific and Research Publications (IJSRP), vol. 9, no. 10, pp. 143-150, 2019.
[34] F. Chollet, Deep learning with Python. Simon and Schuster, 2021.
[1] Training and Hyper-Parameters
[2] Batch Size
[3] Stochastic Gradient Descent
[4] Momentum
[5] Learning Rate
[6] Epochs
[7] Accuracy
[8] Loss
[9] Confusion Matrix