Vědci v Norsku vytvořili techniku diagnostiky poruch fotovoltaických modulů založenou na stohovacím algoritmu. Využívá rozšířené digitální snímky fotovoltaických modulů shromážděné bezpilotními vzdušnými prostředky. A je schopen detekovat stopy hlemýžďů, delaminaci, rozbití skla, změnu barvy a stopy po popálení.
Výzkumníci z Norské univerzity vědy a technologie (NTNU) vyvinuli novou techniku diagnostiky poruch fotovoltaických modulů založenou na stohovacím algoritmu meta-learning stacking.
Algoritmy skládání se mohou naučit, jak nejlépe kombinovat předpovědi ze dvou nebo více základních algoritmů strojového učení.
„Použití takových stohovacích souborových metod může způsobit revoluci v oblasti diagnostiky poruch fotovoltaických modulů využitím schopnosti několika modelů dosáhnout vyšší přesnosti klasifikace,“ vysvětlili vědci. ,,Kdykoli se zjistí, že je FV modul ve závadném stavu, navrhovaná metodika se zaměřuje na určení typu závady FV modulu.“
Nový přístup diagnostiky využívá rozšířené digitální snímky fotovoltaických modulů shromážděné bezpilotními vzdušnými prostředky (UAV). A detekuje tak šnečí stopy, delaminaci, rozbití skla, změnu barvy a stopy po popálení. Podle výzkumné skupiny augmentace zlepšují schopnosti učení a klasifikace modelu strojového učení.
Model stohovacího souboru
Data shromážděná obrázky se pak přivádí pro extrakci funkcí do předem trénovaného AlexNet. Což je konvoluční neuronová síť (CNN) používaná především pro rozpoznávání a klasifikaci obrázků. V následujícím kroku se extrahované funkce rozdělují do trénovacích a testovacích datových sad s poměrem rozdělení vlak-test 70 % a 30 %. V konečné fázi se vybrané prvky klasifikují pomocí klasifikátorů strojového učení a k určení stavu FV modulů se aplikuje strategie souboru.
Výzkumníci také použili softwarový nástroj Weka s otevřeným přístupem k provádění úloh výběru a klasifikace prvků podle pěti různých stohovacích algoritmů nazývaných podpůrné vektorové stroje (SVM), K-nearest soused (kNN), strom logistického modelu (LMT), náhodný les ( RF) a vícevrstvý perceptron (MLP).
„Kombinací silných stránek těchto modelů může skládání vytvářet přesnější předpovědi než jakýkoli jednotlivý model samotný,“ dodali. „Hlavní myšlenkou stohování je využití silných stránek více modelů ke kompenzaci jejich slabých stránek. Například jeden model může fungovat dobře v některých částech datové sady, ale špatně v jiných. Zatímco jiný model může mít opačné silné a slabé stránky.“
Nová technika údajně dosáhla kombinované přesnosti klasifikace 99,04 %. Přičemž čtyřtřídní model stohovacího souboru sestávající z algoritmů SVM, kNN, LMT a RF a pětitřídní soubor poskytuje nejlepší výkon. „Avšak s ohledem na rozměrovou expanzi, výpočetní složitost a čas potřebný k vytvoření modelu byl čtyřtřídní skládaný soubor preferován před pětitřídními soubory,“ zdůraznili akademici. ,,Přijetím technik souborů založených na stohování se tedy zlepšil výkon základních klasifikátorů.“
Nová metodika se popsala v článku „Detekce vizuálních poruch ve fotovoltaických modulech pomocí přístupu stohovacího souboru“, publikovaném v Heliyon.
Zdroj: pv-magazine, TowPoint
