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

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.

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