NHẬN DẠNG tấm PIN mặt TRỜI bị lỗi dựa TRÊN HÌNH ẢNH điện PHÁT QUANG BẰNG DEEP LEARNING

Việc xác định tấm pin mặt trời bị hỏng có vai trò rất quan trọng trong việc đảm bảo vận hành an toàn, tin cậy và hiệu suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, chúng tôi đề xuất sử dụng mô hình deep learning để tự động hoá việc phân loại tấm pin mặt trời bị lỗi. Mô hình này bao gồm mạng nơron tích chập được dùng để trích xuất đặc trưng và thuật toán máy học véctơ hỗ trợ để nhận dạng. Mô hình 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 đề xuất có thể phân loại được tấm pin mặt trời bị hỏng với độ chính xác đạt được là 91,63%.

TNU Journal of Science and Technology 226(11): 117 - 123 DETECT PV CELL DEFECTION BASED ON ELECTROLUMINESCENCE LIGHT USING DEEP LEARNING Nguyen Quoc Minh*, Le Thi Minh Chau, Nguyen Dang Tien, Le Minh Hieu Hanoi University of Science & Technology ARTICLE INFO Received: 17/5/2021 Revised: 15/7/2021 Published: 21/7/2021 KEYWORDS PV cell Electroluminescence light Convolutional neural network Support vector machine Deep learning ABSTRACT PV cell surface defects inspection is essential to maintain safety, reliability and optimal efficiency of the solar plant Cell surface defection is the most popular type of fault and it can be hardly detected by normal visual inspection Defected cells without detection and maintainane can affect the performance of other normal cells since they are connected in series and parallel in large number In this research, we present a method to automatically detect PV cell surface defection using image processing technique by deep learning model The input data include 2146 high resolution electroluminescence images of mono and poly PV cells This type of image is usually captured by drones The images are then fed into convolutional neural network (CNN) for feature extraction and support vector machine (SVM) for image classification The results show that the proposed deep learning model can classify the normal and surface defect cells with the accuracy of 91.63% NHẬN DẠNG TẤM PIN MẶT TRỜI BỊ LỖI DỰA TRÊN HÌNH ẢNH ĐIỆN PHÁT QUANG BẰNG DEEP LEARNING Nguyễn Quốc Minh*, Lê Thị Minh Châu, Nguyễn Đăng Tiến, Lê Minh Hiếu Trường Đại học Bách Khoa Hà Nội THÔNG TIN BÀI BÁO Ngày nhận bài: 17/5/2021 Ngày hồn thiện: 15/7/2021 Ngày đăng: 21/7/2021 TỪ KHĨA Pin mặt trời Hình ảnh điện phát quang Mạng nơron tích chập Véctơ hỗ trợ máy học Deep learning TÓM TẮT Việc xác định pin mặt trời bị hỏng có vai trò quan trọng việc đảm bảo vận hành an toàn, tin cậy hiệu suất tối đa nhà máy điện mặt trời Trong nghiên cứu này, chúng tơi đề xuất sử dụng mơ hình deep learning để tự động hoá việc phân loại pin mặt trời bị lỗi Mơ hình bao gồm mạng nơron tích chập dùng để trích xuất đặc trưng thuật toán máy học véctơ hỗ trợ để nhận dạng Mơ hình 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 đề xuất phân loại pin mặt trời bị hỏng với độ xác đạt 91,63% DOI: https://doi.org/10.34238/tnu-jst.4511 * Corresponding author Email: minh.nguyenquoc@hust.edu.vn http://jst.tnu.edu.vn 117 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 117 - 123 Giới thiệu Sử dụng nguồn lượng tái tạo điện gió, điện mặt trời, điện sinh khối để thay cho dạng lượng hóa thạch xu hướng tất yếu giới Việc tiếp cận nguồn lượng khơng có tác dụng việc đảm bảo an ninh lượng quốc gia, mà giúp tiết kiệm điện giảm thiểu ô nhiễm môi trường Việc phát triển nguồn lượng tái tạo, đặc biệt điện gió điện mặt trời sách ưu tiên phủ Việt Nam Với vị trí địa lý nằm khu vực phân bố xạ mặt trời lớn, số nắng nhiều, Việt Nam đánh giá quốc gia có tiềm lớn điện mặt trời Do chế giá FIT phủ (được thể quy định 11 13 Thủ tướng việc khuyến khích phát triển dự án điện mặt trời), giá công nghệ điện mặt trời giảm mạnh 10 năm gần Tính riêng năm 2018 đến 2020, cơng suất đặt nhà máy điện mặt trời tăng lên từ đến 10GW [1] Hình thể tổng công suất đặt nhà máy điện mặt trời hịa lưới, tính riêng 26 tuần năm 2019 Hình Tổng cơng suất đặt nhà máy điện mặt trời hòa lưới 26 tuần đầu năm 2019 (Source: EVN-NLDC) Các nhà máy điện mặt trời đưa vào gần phần làm giảm áp lực nguồn điện, đặc biệt vào thời điểm nắng nóng, phụ tải đạt cực đại Trong trình vận hành, nhà máy điện mặt trời xảy dạng hư hỏng, cố cố phía DC, tia lửa điện hư hỏng biến tần, nứt vỡ, hư hỏng bề mặt pin mặt trời v.v… Trong dạng cố cố hư hỏng bề mặt pin mặt trời chiếm tỉ trọng lớn Nguyên nhân dẫn đến tình trạng thường pin bị lỗi sản xuất, hết tuổi thọ, bị vật thể lạ rơi vào, sét đánh, điều kiện thời tiết khí hậu khắc nghiệt dẫn đến tình trạng nứt, vỡ pin Khi hay nhiều pin bị nứt, vỡ bề mặt công suất phát bị suy giảm, đặc tính làm việc bị thay đổi mà cịn ảnh hưởng dây chuyền đến pin bên cạnh pin thường mắc nối tiếp song song với với số lượng lớn [2] Hình dự án điện mặt trời Dầu Tiếng khu vực Tây Ninh Đây nhà máy điện mặt trời lớn, với tổng công suất lắp đặt 420MW diện tích 504 ha, với 1,3 triệu pin mặt trời, sản lượng điện hòa lưới quốc gia hàng năm đạt khoảng 688 triệu kWh Các pin lượng mặt trời thường bảo vệ khung nhơm kính bề mặt để trách khỏi tác động môi trường Tuy nhiên, biện pháp bảo vệ khơng phải lúc ngăn ngừa hư hỏng học tác động từ mưa đá, cành rơi, rơi lắp đặt, chí có vết nứt nhỏ khơng nhìn thấy được, khuyết tật sản xuất dẫn tới pin mặt trời bị hỏng Điều làm giảm hiệu suất lượng chuyển hố thành điện mơ-đun lượng mặt trời Do đó, việc cần phải theo dõi tình trạng mô-đun lượng mặt trời thay sửa chữa đơn vị pin mặt trời bị lỗi cần thiết để đảm bảo hiệu suất tối đa cho nhà máy điện mặt trời http://jst.tnu.edu.vn 118 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 117 - 123 Hình Nhà máy điện mặt trời Dầu Tiếng Tây Ninh (Source: Vũ Phong Solar) Việc xác định phân loại pin mặt trời bị lỗi khó khăn, thách thức lớn với chuyên gia đào tạo khó phát vết nứt hỏng, số khuyết tật khơng thể nhìn thấy mắt thường Ngược lại, số khuyết tật khác nhìn thấy mắt thường lại khơng làm giảm hiệu mơ-đun Hình ảnh điện phát quang (Electroluminescence - EL) phương thức hữu ích để kiểm tra tình trạng pin mặt trời [3] EL cung cấp hình ảnh có độ phân giải cao giúp phát vết nứt, khuyết tật bề mặt pin Tuy nhiên, việc phân tích thủ cơng tiêu tốn nhiều thời gian, tiền bạc, cơng sức cịn địi hỏi kiến thức chuyên môn loại khuyết tật khác Ngày nay, với phát triển trí tuệ nhân tạo nói chung máy học nói riêng, việc nhận dạng phân loại hình ảnh trở lên ngày xác, trí số tác vụ vượt qua người Việc ứng dụng máy học vào việc phân loại pin mặt trời quan tâm nghiên cứu [4]-[9] Ưu điểm vượt trội máy học không cần hiểu nhiều loại khuyết tật, đặc trưng trích xuất tự động q trình huấn luyện Trong nghiên cứu này, chúng tơi đề xuất mơ hình máy học kết hợp mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với véc-tơ hỗ trợ (Support Vector Machine - SVM) để phân loại pin mặt trời hỏng Hình ảnh pin mặt trời dạng thường, dạng hồng ngoại dạng hình ảnh điện phát quang Trong dạng ảnh dạng hình ảnh điện phát quang (Hình 3.c) sử dụng nghiên cứu để phát pin mặt trời bị lỗi bề mặt (a) (b) (c) Hình Hình ảnh pin mặt trời: (a) ảnh chụp bình thường; (b) ảnh hồng ngoại; (c) hình ảnh điện phát quang (Source: Phòng Lab Diagnostic Imaging, Đại học Aalborg, Đan Mạch) http://jst.tnu.edu.vn 119 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 117 - 123 Mơ hình nhận dạng pin bị lỗi dựa deep learning Mô hình nhận dạng pin bị lỗi thể hình Trong mơ hình này, liệu ảnh chụp pin bị lỗi đưa vào khối EfficientNet B0 Khối thực chất mạng nơ-ron tích chập (Convolutional Neural Network) nhằm trích xuất đặc trưng ảnh đầu vào Mạng nơ-ron tích chập kiến trúc mạng mô hệ thần kinh người Đây mơ hình deep learning sử dụng phổ biến toán nhận dạng ảnh Kiến trúc mạng nơ-ron tích chập thể Hình Kiến trúc bao gồm lớp liệu đầu vào, lớp liệu đầu nhiều lớp ẩn, lớp ẩn lớp tích chập (convolution), lớp gộp (pooling) Hình Mơ hình nhận dạng pin bị lỗi dựa deep learning Hình Kiến trúc mạng nơ-ron tích chập (a) (b) Hình Hàm kích hoạt phổ biến mạng nơ-ron tích chập: (a) hàm sigmoid; (b) hàm ReLU (Souce: [9]) http://jst.tnu.edu.vn 120 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 117 - 123 Mỗi lớp tích chập sử dụng lọc khác nhau, số lượng thường đến hàng trăm, hàng nghìn lọc, sau kết hợp kết chúng lại với Lớp tích chập qua hàm kích hoạt để tạo thơng tin trừu tượng cho lớp Hàm kích hoạt áp dụng vào giá trị nơ-ron giá trị nơ-ron liên kết với nơ-ron ban đầu Các hàm hàm phi tuyến, thể cho mối quan hệ phức tạp liệu Hình thể hàm kích hoạt sử dụng phổ biến mạng nơ-ron tích chập: hàm sigmoid (Eq.1) hàm ReLU (Eq.2) ( ) (1) ( ) ( ) (2) Hàm sigmoid hàm kích hoạt sử dụng phổ biến mơ hình deep learning Đây hàm phi tuyến với giá trị đầu vào số thực giá trị đầu số nằm khoảng (0,1) Chính vậy, hàm thường xem xác suất cho vài toán nhận dạng Tuy nhiên, nhược điểm hàm sigmoid đạo hàm gần không giá trị đầu vào có biên độ lớn, ảnh hưởng đến tốc độ hội tụ thuật toán Để khắc phục nhược điểm đạo hàm bị triệt tiêu năm gần người ta thường sử dụng hàm kích hoạt ReLU (Rectified Linear Unit) Hàm có tốc độ tính tốn nhanh hàm sigmoid có biểu thức tốn học đơn giản tránh vấn đề đạo hàm bị triệt tiêu giá trị đầu vào lớn (a) (b) Hình Mơ hình máy véctơ hỗ trợ không gian hai chiều (a) ba chiều (b) Bên cạnh lớp tích chập, mạng nơ-ron tích chập cịn sử dụng vài lớp khác loại lớp gộp dùng để chắt lọc lại thơng tin hữu ích Trong q trình huấn luyện, mạng nơ-ron tự động học qua lớp tích chập để trích xuất đặc trưng Lớp cuối dùng để phân loại Trong nghiên cứu này, mạng nơ-ron tích chập sử dụng mơ hình nhận dạng pin mặt trời bị lỗi kiến trúc mơ hình EfficientNet-B0 [7] Kiến trúc huấn luyện liệu Imagenet với 1,3 triệu ảnh cho 1000 lớp hình ảnh khác Trong kiến trúc này, loại bỏ lớp phân nhóm hình ảnh cuối kiến trúc mơ hình, giữ lại trọng số lớp tích chập để từ sử dụng mạng nơ-ron tích chập phương pháp trích xuất đặc trưng Sau ảnh đưa qua mạng nơ-ron tích chập để trích xuất đặc trưng đưa vào mơ hình máy học véctơ hỗ trợ (Support Vector Machine) SVM thuật toán máy học mạnh toán phân loại liệu thành nhóm riêng biệt (hình 7) Trong thuật toán này, liệu ánh xạ vào khơng gian nhiều chiều để từ tìm siêu mặt phẳng để phân chia nhóm cần phân loại Sau sử dụng thuật tốn tìm kiếm tham số tối ưu cho SVM thu tham số điều chuẩn C 100, hàm nhân thuật tốn radial basis function có hệ số nhân gamma 0,001 Kết bàn luận Mơ hình huấn luyện kiểm thử liệu bao gồm 2146 ảnh điện phát quang http://jst.tnu.edu.vn 121 Email: jst@tnu.edu.vn 226(11): 117 - 123 TNU Journal of Science and Technology pin mặt trời loại mono poly có độ phân giải cao đưa kích thước 300 x 300, trích xuất từ 44 mô-đun lượng mặt trời [8], cụ thể hình ảnh loại pin mặt trời mơ tả Hình (a) (b) (c) (d) 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 Trong tập liệu bao gồm 717 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 Để kiểm tra kết phân loại mơ hình, chúng tơi sử dụng số Accuracy, Recall, Presision F1-score để đánh giá dự đoán mơ hình với nhãn thật gán sẵn tập liệu kiểm thử Các số thể qua công thức đây: (3) (4) (5) ( ) (6) Trong đó: TP (True Positive): Số dự đốn dương tính thật TN (True Negative): Số dự đốn âm tính thật FP (False Positive): Số dự đốn dương tính giả FN (False Negative): Số dự đốn âm tính giả Bảng Kết mơ hình tập kiểm thử Chỉ số Accuracy Recall Precision F1-score % 91,63 80,71 92,62 86,26 Dữ liệu tập kiểm thử cách ly khỏi tập huấn luyện, sau đưa vào mơ hình để phân loại, kết mơ tả Bảng Dữ liệu có cân nhóm pin mặt trời bị hỏng pin mặt trời bình thường với tỉ lệ 33,41% 66,59% Vì thế, bên cạnh độ xác Accuracy đạt 91,63%, hiểu tỉ lệ dự đoán hỏng tổng số dự đốn, chúng tơi sử dụng thêm số F1-score Dựa số Accuracy, Precision F1score cho thấy mơ hình máy học có tỉ lệ tìm thấy pin mặt trời bị hỏng tổng số pin thực hỏng 86,26%, tỉ lệ phân loại pin mặt trời bị hỏng tổng số pin phân loại bị hỏng 92,62% Các mơ hình mạng nơron mơ hình http://jst.tnu.edu.vn 122 Email: jst@tnu.edu.vn 226(11): 117 - 123 TNU Journal of Science and Technology thuật toán SVM xây dựng ngôn ngữ Python Với mơ hình xây dựng thời gian huấn luyện mạng nơ-ron 110 giây, thời gian thuật toán SVM đưa kết nhận dạng 2,1 giây Như vậy, tổng thời gian mơ hình 112,1 giây Bảng thể kết so sánh mơ hình dùng mạng nơ-ron (VGG16) mơ hình kết hợp mạng nơ-ron SVM (Efficientnet-B0 + SVM) Kết cho thấy việc sử dụng mạng nơ-ron để trích xuất đặc trưng kết hợp với SVM để phân loại cải thiện số độ xác mà cịn giảm thiểu đáng kể thời gian huấn luyện mơ hình từ 564,6 giây xuống cịn 112,1 giây Bảng Kết so sánh mơ hình dùng mạng nơ-ron (VGG16) mơ hình kết hợp mạng nơ-ron SVM (Efficientnet-B0 + SVM) Mơ hình Accuracy(%) Precision(%) Recall(%) F1_Score(%) VGG16 Efficientnet-B0 + SVM 91,16 91,63 92,40 92,62 80,22 80,71 85,40 86,26 Thời gian huấn luyện(s) 564,6 112,1 Kết luận Nghiên cứu đề xuất một cách tiếp cận để phân loại tự động pin mặt trời bị hỏng từ hình ảnh điện phát quang dựa mơ hình mạng nơ-ron tích chập, kết hợp với thuật toán máy học véctơ hỗ trợ Mạng nơ-ron tích chập đóng vai trị trích xuất đặc trưng từ hình ảnh điện phát quang pin mặt trời, cịn thuật tốn máy học véctơ hỗ trợ đóng vai trị phân loại pin bị hỏng từ đặc trưng trích xuất Từ kết nghiên cứu mơ hình cho kết nhận dạng pin hỏng với độ xác đạt 91,63% Trong tương lai, nhóm nghiên cứu tập trung vào thuật toán mạnh để cải thiện độ xác TÀI LIỆU THAM KHẢO/ REFERENCES [1] Q K Nguyen, Annual Report on Electric Power Generation Development Scenerios in Vietnam, Green Innovation and Delelopment Centre of Vietnam, 2019 [2] M Köntges, S Kurtz, C Packard, U Jahn, K Berger, K Kato, T Friesen, H Liu, and M Iseghem, “Review of Failures of Photovoltaic Modules,” IEA-PVPS Report, International Energy Agency, Paris, France, 2014 [3] J S Fada, M A Hossain, J L Braid, S Yang, T J Peshek, and R H French, "Electroluminescent Image Processing and Cell Degradation Type Classification via Computer Vision and Statistical Learning Methodologies," 2017 IEEE 44th Photovoltaic Specialist Conference (PVSC), Washington, DC, USA, 2017, pp 3456-3461 [4] A Bartler, L Mauch, B Yang, M Reuter, and L Stoicescu, "Automated Detection of Solar Cell Defects with Deep Learning," 2018 26th European Signal Processing Conference (EUSIPCO), Rome, Italy, 2018, pp 2035-2039 [5] S Deitsch et al., “Automatic classification of defective photovoltaic module cells in electroluminescence images,” Solar Energy, vol 185, pp 455-468, 2019 [6] V S B Kurukuru, A Haque, M A Khan, and A K Tripathy, "Fault classification for Photovoltaic Modules Using Thermography and Machine Learning Techniques," International Conference on Computer and Information Sciences (ICCIS), Saudi Arabia, 2019, pp 1-6 [7] M Tan and Q V Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” International Conference on Machine Learning, 2019 [8] S Deitsch, Buerhop-Lutz, and C., Sovetkin, “Segmentation of photovoltaic module cells in uncalibrated electroluminescence images,” Machine Vision and Applications, vol 84, pp 1-23, 2021 [9] A Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd edition, O'Reilly Media, ISBN: 9781492032649, 2019 http://jst.tnu.edu.vn 123 Email: jst@tnu.edu.vn ... dạng hồng ngoại dạng hình ảnh điện phát quang Trong dạng ảnh dạng hình ảnh điện phát quang (Hình 3.c) sử dụng nghiên cứu để phát pin mặt trời bị lỗi bề mặt (a) (b) (c) Hình Hình ảnh pin mặt trời: ... mặt trời [8], cụ thể hình ảnh loại pin mặt trời mơ tả Hình (a) (b) (c) (d) 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. .. and Technology 226(11): 117 - 123 Mơ hình nhận dạng pin bị lỗi dựa deep learning Mơ hình nhận dạng pin bị lỗi thể hình Trong mơ hình này, liệu ảnh chụp pin bị lỗi đưa vào khối EfficientNet B0 Khối