面向光伏面板的早期故障可解释检测系统
人工智能
2020-11-20 v1 机器学习
信号处理
摘要
本文提出一种用于光伏面板早期故障的可解释故障检测与诊断系统（XFDDS）。XFDDS是一种结合基于模型与数据驱动框架的混合方法。基于模型的PV面板FDD在低辐照度条件下缺乏高保真模型以检测早期故障。为克服此问题，提出一种新颖的基于辐照度三二极管模型（IB3DM）。该九参数模型即使在低辐照度条件下也提供更高精度，这是从噪声中检测早期故障的重要方面。为利用PV数据，采用极端梯度提升（XGBoost），因其具备检测早期故障的能力。缺乏可解释性、样本实例的特征变异性与误报是数据驱动FDD方法的挑战。这些缺陷通过XGBoost与IB3DM的混合以及使用可解释人工智能（XAI）技术得以克服。为结合XGBoost与IB3DM，提出一种故障特征度量，有助于减少误报并在检测早期故障时触发解释。为提供可解释性，开发了可解释人工智能（XAI）应用。其使用局部可解释模型无关解释（LIME）框架，并对数据实例的分类器输出提供解释。这些解释有助于现场工程师/技术员执行故障排查与维护操作。所提XFDDS在不同PV技术上的实验得到展示，结果证明了其预期收益。
引用
@article{arxiv.2011.09843,
title = {Explainable Incipient Fault Detection Systems for Photovoltaic Panels},
author = {S. Sairam and Seshadhri Srinivasan and G. Marafioti and B. Subathra and G. Mathisen and Korkut Bekiroglu},
journal= {arXiv preprint arXiv:2011.09843},
year = {2020}
}
备注
8 pages