SunDown：面向住宅阵列的模型驱动逐板太阳能异常检测
信号处理
2020-05-26 v1 计算机与社会
机器学习
摘要
近年来，受技术快速进步和价格下降驱动，公用事业规模和住宅规模太阳能装置均显著增长。与专业管理和维护的公用事业规模太阳能电站不同，较小的住宅规模装置通常缺乏用于性能监测和故障检测的传感与仪表。因此，故障可能长时间未被发现，导致房主发电量和收入损失。本文提出 SunDown，一种旨在检测住宅太阳能阵列中逐板故障的无传感器方法。SunDown 的故障检测不需要任何新传感器，而是采用模型驱动方法，利用相邻电池板所发电功率之间的相关性来检测对预期行为的偏离。SunDown 可处理多块电池板中的并发故障，并进行异常分类以确定可能原因。利用来自真实住宅的两年太阳能发电数据和人工生成的多种太阳能故障数据集，我们表明该方法在预测逐板输出时 MAPE 为 2.98%。我们的结果还表明，SunDown 能够以 99.13% 的准确率检测和分类包括积雪、落叶和碎屑以及电气故障在内的故障，并能以 97.2% 的准确率检测多个并发故障。
引用
@article{arxiv.2005.12181,
title = {SunDown: Model-driven Per-Panel Solar Anomaly Detection for Residential Arrays},
author = {Menghong Feng and Noman Bashir and Prashant Shenoy and David Irwin and Beka Kosanovic},
journal= {arXiv preprint arXiv:2005.12181},
year = {2020}
}
备注
13 pages, 13 figures. Extended version of a paper that will appear in the Proceedings of the ACM SIGCAS Conference on Computing and Sustainable Societies (COMPASS '20), June 2020, Ecuador