用于光伏组件故障检测的DTW k-means聚类
机器学习
2023-06-16 v1 人工智能
摘要
全球光伏（PV）能源使用的增长表明，光伏电站的使用寿命和维护直接取决于快速检测电站严重故障的能力。为解决该检测问题，文献中已提出基于数据的方法。然而，这些已有方案仅考虑一种或少数故障的特定行为。多数方法可归为监督式，需要巨大的标注工作量（每种技术中故障类型须明确标识）。此外，多数方法在光伏电池或单个光伏组件上验证，考虑到大型光伏电站的复杂性，难以适用。作为替代，一些基于数据的知名无监督方法试图检测异常，但无法精确识别故障类型。其中性能最优的方法能有效将健康板件聚类并与故障板件分离。为此，本文提出一种称为DTW K-means的无监督方法。该方法结合动态时间规整（DWT）度量与Kmeans聚类算法，作为一种数据驱动方法。该混合方法在光伏组串中的结果通过与板件目视检查建立的诊标签进行比较。
引用
@article{arxiv.2306.08003,
title = {DTW k-means clustering for fault detection in photovoltaic modules},
author = {Edgar Hernando Sepúlveda Oviedo and Louise Travé-Massuyès and Audine Subias and Marko Pavlov and Corinne Alonso},
journal= {arXiv preprint arXiv:2306.08003},
year = {2023}
}