Detect pv cell defection based on electroluminescence light using deep learning

Nội dung text: Detect pv cell defection based on electroluminescence light using deep learning

1. 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 ABSTRACT Received: 17/5/2021 PV cell surface defects inspection is essential to maintain safety, reliability and optimal efficiency of the solar plant. Cell surface Revised: 15/7/2021 defection is the most popular type of fault and it can be hardly Published: 21/7/2021 detected by normal visual inspection. Defected cells without detection and maintainane can affect the performance of other normal cells KEYWORDS since they are connected in series and parallel in large number. In this research, we present a method to automatically detect PV cell surface PV cell defection using image processing technique by deep learning model. Electroluminescence light The input data include 2146 high resolution electroluminescence Convolutional neural network images of mono and poly PV cells. This type of image is usually captured by drones. The images are then fed into convolutional neural Support vector machine network (CNN) for feature extraction and support vector machine Deep learning (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 THƠNG TIN BÀI BÁO TĨM TẮT Ngày nhận bài: 17/5/2021 Việc xác định tấm pin mặt trời bị hỏng cĩ vai trị rất quan trọng trong việc đảm bảo vận hành an tồn, tin cậy và hiệu suất tối đa của các Ngày hồn thiện: 15/7/2021 nhà máy điện mặt trời. Trong nghiên cứu này, chúng tơi đề xuất sử Ngày đăng: 21/7/2021 dụng mơ hình deep learning để tự động hố việc phân loại tấm pin mặt trời bị lỗi. Mơ hình này bao gồm mạng nơron tích chập được TỪ KHĨA dùng để trích xuất đặc trưng và thuật tốn máy học véctơ hỗ trợ để nhận dạng. Mơ hình được huấn luyện và kiểm tra trên tập dữ liệu bao Pin mặt trời gồm 2.146 hình ảnh điện phát quang cĩ độ phân giải cao của các tấm Hình ảnh điện phát quang pin mặt trời loại momo và loại poly. Kết quả phân loại cho thấy mơ Mạng nơron tích chập hình đề xuất cĩ thể phân loại được tấm pin mặt trời bị hỏng với độ chính xác đạt được là 91,63%. Véctơ hỗ trợ máy học Deep learning DOI: * Corresponding author. Email: minh.nguyenquoc@hust.edu.vn 117 Email: jst@tnu.edu.vn
2. TNU Journal of Science and Technology 226(11): 117 - 123 1. Giới thiệu Sử dụng các nguồn năng lượng mới và tái tạo như điện giĩ, điện mặt trời, điện sinh khối để thay thế cho các dạng năng lượng hĩa thạch đang là xu hướng tất yếu trên thế giới. Việc tiếp cận các nguồn năng lượng mới này khơng chỉ cĩ tác dụng trong việc đảm bảo an ninh năng lượng quốc gia, mà cịn giúp tiết kiệm điện năng và giảm thiểu ơ nhiễm mơi trường. Việc phát triển các nguồn năng lượng tái tạo, đặc biệt là điện giĩ và điện mặt trời đang là chính sách được ưu tiên của chính phủ Việt Nam. Với vị trí địa lý nằm trong khu vực phân bố bức xạ mặt trời lớn, số giờ nắng nhiều, Việt Nam được đánh giá là quốc gia cĩ tiềm năng rất lớn về điện mặt trời. Do cơ chế giá FIT của chính phủ (được thể hiện trong quy định 11 và 13 của Thủ tướng về việc khuyến khích phát triển dự án điện mặt trời), cũng như giá cơng nghệ của điện mặt trời giảm mạnh trong 10 năm gần đây. Tính riêng trong 3 năm 2018 đến 2020, cơng suất đặt của các nhà máy điện mặt trời mới đã tăng lên từ 0 đến 10GW [1]. Hình 1 thể hiện tổng cơng suất đặt của các nhà máy điện mặt trời hịa lưới, tính riêng trong 26 tuần đầu tiên của năm 2019. Hình 1. Tổng cơng suất đặt của các nhà máy điện mặt trời hịa lưới trong 26 tuần đầu năm 2019 (Source: EVN-NLDC) Các nhà máy điện mặt trời được đưa vào gần đây đã phần nào làm giảm áp lực nguồn điện, đặc biệt vào các thời điểm nắng nĩng, phụ tải đạt cực đại. Trong quá trình vận hành, các nhà máy điện mặt trời cĩ thể xảy ra các dạng hư hỏng, sự cố như sự cố ở phía DC, tia lửa điện hư hỏng bộ biến tần, nứt vỡ, hư hỏng bề mặt các tấm pin mặt trời v.v Trong các dạng sự cố này thì sự cố hư hỏng bề mặt các tấm pin mặt trời chiếm tỉ trọng lớn. Nguyên nhân dẫn đến tình trạng này thường do tấm pin bị lỗi sản xuất, hết tuổi thọ, bị vật thể lạ rơi vào, sét đánh, hoặc do điều kiện thời tiết khí hậu khắc nghiệt dẫn đến tình trạng nứt, vỡ pin. Khi một hay nhiều tấm pin bị nứt, vỡ bề mặt khơng những cơng suất phát bị suy giảm, đặc tính làm việc bị thay đổi mà cịn ảnh hưởng dây chuyền đến các tấm pin bên cạnh do các tấm pin thường được mắc nối tiếp và song song với nhau với số lượng lớn [2]. Hình 2 là dự án điện mặt trời Dầu Tiếng tại khu vực Tây Ninh. Đây là một nhà máy điện mặt trời lớn, với tổng cơng suất lắp đặt là 420MW trên diện tích 504 ha, với hơn 1,3 triệu tấm pin mặt trời, sản lượng điện hịa lưới quốc gia hàng năm đạt khoảng 688 triệu kWh. Các tấm pin năng lượng mặt trời thường được bảo vệ bởi khung nhơm và tấm kính bề mặt để trách khỏi các tác động của mơi trường. Tuy nhiên, các biện pháp bảo vệ này khơng phải lúc nào cũng cĩ thể ngăn ngừa được các hư hỏng do cơ học như tác động từ mưa đá, các cành cây rơi, rơi khi lắp đặt, thậm chí cĩ những vết nứt nhỏ khơng nhìn thấy được, hoặc các khuyết tật khi sản xuất dẫn tới các tấm pin mặt trời bị hỏng. Điều này làm giảm hiệu suất năng lượng được chuyển hố thành điện năng của các mơ-đun năng lượng mặt trời. Do đĩ, việc cần phải theo dõi tình trạng của các mơ-đun năng lượng mặt trời và thay thế hoặc sửa chữa các đơn vị tấm pin mặt trời bị lỗi là cần thiết để đảm bảo hiệu suất tối đa cho các nhà máy điện mặt trời. 118 Email: jst@tnu.edu.vn
3. TNU Journal of Science and Technology 226(11): 117 - 123 Hình 2. Nhà máy điện mặt trời Dầu Tiếng tại Tây Ninh (Source: Vũ Phong Solar) Việc xác định và phân loại các tấm pin mặt trời bị lỗi là khĩ khăn, thách thức lớn ngay cả với các chuyên gia được đào tạo cũng khĩ cĩ thể phát hiện ra những vết nứt hỏng, bởi một số khuyết tật này khơng thể nhìn thấy được bằng mắt thường. Ngược lại, một số khuyết tật khác cĩ thể nhìn thấy bằng mắt thường nhưng lại khơng hề làm giảm hiệu quả của mơ-đun. Hình ảnh điện phát quang (Electroluminescence - EL) là một phương thức hữu ích để kiểm tra tình trạng các tấm pin mặt trời [3]. EL cung cấp hình ảnh cĩ độ phân giải cao cĩ thể giúp phát hiện các vết nứt, khuyết tật trên bề mặt của các tấm pin. Tuy nhiên, việc phân tích thủ cơng sẽ tiêu tốn rất nhiều thời gian, tiền bạc, cơng sức và cịn địi hỏi kiến thức chuyên mơn về các loại khuyết tật khác nhau. Ngày nay, với sự phát triển của trí tuệ nhân tạo nĩi chung và máy học nĩi riêng, việc nhận dạng và phân loại hình ảnh trở lên ngày càng chính xác, thậm trí một số tác vụ cĩ thể vượt qua con người. Việc ứng dụng máy học vào việc phân loại tấm pin mặt trời cũng được quan tâm và nghiên cứu [4]-[9]. Ưu điểm vượt trội của máy học là khơng cần hiểu quá nhiều về các loại khuyết tật, các đặc trưng này sẽ được trích xuất tự động trong quá trình huấn luyện. Trong nghiên cứu này, chúng tơi đề xuất mơ hình máy học kết hợp giữa mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với véc-tơ hỗ trợ (Support Vector Machine - SVM) để phân loại tấm pin mặt trời hỏng. Hình 3 là các bức ảnh tấm pin mặt trời dạng thường, dạng hồng ngoại và dạng hình ảnh điện phát quang. Trong các dạng ảnh này thì dạng hình ảnh điện phát quang (Hình 3.c) sẽ được sử dụng trong nghiên cứu để phát hiện các tấm pin mặt trời bị lỗi bề mặt. (a) (b) (c) Hình 3. Hình ảnh tấm pin mặt trời: (a) ảnh chụp bình thường; (b) ảnh hồng ngoại; (c) hình ảnh điện phát quang (Source: Phịng Lab Diagnostic Imaging, Đại học Aalborg, Đan Mạch) 119 Email: jst@tnu.edu.vn
4. TNU Journal of Science and Technology 226(11): 117 - 123 2. Mơ hình nhận dạng tấm pin bị lỗi dựa trên deep learning Mơ hình nhận dạng tấm pin bị lỗi được thể hiện ở hình 4. Trong mơ hình này, dữ liệu ảnh chụp tấm pin bị lỗi được đưa vào khối EfficientNet B0. Khối này thực chất là một mạng nơ-ron tích chập (Convolutional Neural Network) nhằm trích xuất các đặc trưng của bức ảnh đầu vào. Mạng nơ-ron tích chập là một kiến trúc mạng mơ phỏng hệ thần kinh của con người. Đây là một mơ hình deep learning được sử dụng rất phổ biến trong các bài tốn nhận dạng ảnh. Kiến trúc mạng nơ-ron tích chập được thể hiện ở Hình 5. Kiến trúc này bao gồm lớp dữ liệu đầu vào, lớp dữ liệu đầu ra và nhiều lớp ẩn, các lớp ẩn cĩ thể là lớp tích chập (convolution), hoặc lớp gộp (pooling). Hình 4. Mơ hình nhận dạng tấm pin bị lỗi dựa trên deep learning Hình 5. Kiến trúc mạng nơ-ron tích chập (a) (b) Hình 6. Hàm kích hoạt phổ biến trong mạng nơ-ron tích chập: (a) hàm sigmoid; (b) hàm ReLU (Souce: [9]) 120 Email: jst@tnu.edu.vn
5. TNU Journal of Science and Technology 226(11): 117 - 123 Mỗi lớp tích chập sẽ được sử dụng các bộ lọc khác nhau, số lượng thường đến hàng trăm, hàng nghìn bộ lọc, sau đĩ sẽ kết hợp kết quả của chúng lại với nhau. Lớp tích chập này sẽ được đi qua một hàm kích hoạt để tạo ra các thơng tin trừu tượng hơn cho các lớp tiếp theo. Hàm kích hoạt được áp dụng vào giá trị của một nơ-ron để cho ra giá trị của một nơ-ron liên kết với nơ-ron ban đầu. Các hàm này là các hàm phi tuyến, thể hiện cho mối quan hệ phức tạp của dữ liệu. Hình 6 thể hiện 2 hàm kích hoạt được sử dụng phổ biến trong mạng nơ-ron tích chập: hàm sigmoid (Eq.1) và hàm ReLU (Eq.2). ( ) (1) ( ) ( ) (2) Hàm sigmoid là hàm kích hoạt được sử dụng rất phổ biến trong các mơ hình deep learning. Đây là một hàm phi tuyến với giá trị đầu vào là số thực và giá trị đầu ra là một số nằm trong khoảng (0,1). Chính vì vậy, hàm này thường được xem là xác suất cho một vài bài tốn nhận dạng. Tuy nhiên, nhược điểm của hàm sigmoid là đạo hàm gần như bằng khơng tại các giá trị đầu vào cĩ biên độ lớn, do đĩ ảnh hưởng đến tốc độ hội tụ của thuật tốn. Để khắc phục nhược điểm đạo hàm bị triệt tiêu thì những năm gần đây người ta thường sử dụng hàm kích hoạt ReLU (Rectified Linear Unit). Hàm này cĩ tốc độ tính tốn nhanh hơn hàm sigmoid do cĩ biểu thức tốn học đơn giản và tránh được vấn đề đạo hàm bị triệt tiêu khi giá trị đầu vào lớn. (a) (b) Hình 7. Mơ hình máy véctơ hỗ trợ trên khơng gian hai chiều (a) và ba chiều (b) Bên cạnh các lớp tích chập, mạng nơ-ron tích chập cịn sử dụng một vài lớp khác như các loại lớp gộp dùng để chắt lọc lại các thơng tin hữu ích. Trong quá trình huấn luyện, mạng nơ-ron sẽ tự động học qua các lớp tích chập để trích xuất đặc trưng. Lớp cuối cùng sẽ được dùng để phân loại. Trong nghiên cứu này, mạng nơ-ron tích chập được sử dụng trong mơ hình nhận dạng pin mặt trời bị lỗi là kiến trúc mơ hình EfficientNet-B0 [7]. Kiến trúc này đã được huấn luyện trên bộ dữ liệu Imagenet với hơn 1,3 triệu bức ảnh cho 1000 lớp hình ảnh khác nhau. Trong kiến trúc này, chúng tơi loại bỏ các lớp phân nhĩm hình ảnh ở cuối kiến trúc mơ hình, giữ lại trọng số tại các lớp tích chập để từ đĩ sử dụng mạng nơ-ron tích chập như một phương pháp trích xuất đặc trưng. Sau khi các bức ảnh được đưa qua mạng nơ-ron tích chập để trích xuất đặc trưng thì sẽ được đưa vào mơ hình máy học véctơ hỗ trợ (Support Vector Machine). SVM là một thuật tốn máy học rất mạnh trong các bài tốn phân loại dữ liệu thành các nhĩm riêng biệt (hình 7). Trong thuật tốn này, dữ liệu được ánh xạ vào khơng gian nhiều chiều hơn để từ đĩ tìm ra siêu mặt phẳng để phân chia các nhĩm cần phân loại. Sau khi sử dụng thuật tốn tìm kiếm các tham số tối ưu cho SVM chúng tơi thu được tham số điều chuẩn C là 100, hàm nhân của thuật tốn là radial basis function cĩ hệ số nhân gamma là 0,001. 3. Kết quả và bàn luận Mơ hình được huấn luyện và kiểm thử trên bộ dữ liệu bao gồm 2146 bức ảnh điện phát quang của 121 Email: jst@tnu.edu.vn
6. TNU Journal of Science and Technology 226(11): 117 - 123 các tấm pin mặt trời loại mono và poly cĩ độ phân giải cao được đưa về kích thước 300 x 300, được trích xuất từ 44 mơ-đun năng lượng mặt trời [8], cụ thể hình ảnh các loại tấm pin mặt trời được mơ tả tại Hình 8. (a) (b) (c) (d) Hình 8. 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 dữ liệu bao gồm 717 bức ảnh tấm pin mặt trời bị hỏng và 1429 bức ảnh tấm pin mặt trời bình thường. Tập dữ liệu được chia thành 2 phần là tập huấn luyện và tập kiểm thử với tỉ lệ 80-20. Để kiểm tra kết quả phân loại của mơ hình, chúng tơi sử dụng các chỉ số Accuracy, Recall, Presision và F1-score để đánh giá các dự đốn của mơ hình với các nhãn thật được gán sẵn trên tập dữ liệu kiểm thử. Các chỉ số đĩ được thể hiện qua cơng thức dưới đây: (3) (4) (5) (6) ( ) Trong đĩ: 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 1. Kết quả của mơ hình trên tập kiểm thử Chỉ số % Accuracy 91,63 Recall 80,71 Precision 92,62 F1-score 86,26 Dữ liệu trên tập kiểm thử được cách ly khỏi tập huấn luyện, sau đĩ được đưa vào mơ hình để phân loại, kết quả được mơ tả ở Bảng 1. Dữ liệu cĩ sự mất cân bằng ở 2 nhĩm tấm pin mặt trời bị hỏng và tấm pin mặt trời bình thường với tỉ lệ lần lượt là 33,41% và 66,59%. Vì thế, bên cạnh độ chính xác Accuracy đạt được 91,63%, được hiểu là tỉ lệ dự đốn đúng là hỏng trên tổng số dự đốn, chúng tơi sử dụng thêm chỉ số F1-score. Dựa trên các chỉ số Accuracy, Precision và F1- score cĩ thể cho thấy mơ hình máy học cĩ tỉ lệ tìm thấy tấm pin mặt trời bị hỏng trong tổng số các tấm pin thực sự hỏng là 86,26%, trong khi tỉ lệ phân loại đúng tấm pin mặt trời bị hỏng trong tổng số các tấm pin được phân loại bị hỏng là 92,62%. Các mơ hình mạng nơron và mơ hình 122 Email: jst@tnu.edu.vn
7. TNU Journal of Science and Technology 226(11): 117 - 123 thuật tốn SVM được xây dựng trên ngơn ngữ Python. Với các mơ hình đã được xây dựng thì thời gian huấn luyện mạng nơ-ron là 110 giây, thời gian thuật tốn SVM đưa ra kết quả nhận dạng là 2,1 giây. Như vậy, tổng thời gian của mơ hình là 112,1 giây. Bảng 2 thể hiện kết quả so sánh giữa mơ hình chỉ dùng mạng nơ-ron (VGG16) và mơ hình kết hợp mạng nơ-ron và SVM (Efficientnet-B0 + SVM). Kết quả cho thấy việc sử dụng mạng nơ-ron để trích xuất đặc trưng kết hợp với SVM để phân loại khơng những cải thiện được các chỉ số về độ chính xác mà cịn giảm thiểu đáng kể thời gian huấn luyện mơ hình từ 564,6 giây xuống cịn 112,1 giây. Bảng 2. Kết quả so sánh giữa mơ hình chỉ dùng mạng nơ-ron (VGG16) và mơ hình kết hợp mạng nơ-ron và SVM (Efficientnet-B0 + SVM) Mơ hình Accuracy(%) Precision(%) Recall(%) F1_Score(%) Thời gian huấn luyện(s) VGG16 91,16 92,40 80,22 85,40 564,6 Efficientnet-B0 + SVM 91,63 92,62 80,71 86,26 112,1 4. Kết luận Nghiên cứu này đề xuất một một cách tiếp cận để phân loại tự động tấm pin mặt trời bị hỏng từ hình ảnh điện phát quang dựa trên mơ hình mạng nơ-ron tích chập, kết hợp với thuật tốn máy học véctơ hỗ trợ. Mạng nơ-ron tích chập đĩng vai trị trích xuất các đặc trưng từ hình ảnh điện phát quang của tấm pin mặt trời, cịn thuật tốn máy học véctơ hỗ trợ đĩng vai trị phân loại tấm pin bị hỏng từ các đặc trưng trích xuất được. Từ kết quả nghiên cứu đã chỉ ra rằng mơ hình này cho kết quả nhận dạng tấm pin hỏng với độ chính xác đạt được 91,63%. Trong tương lai, nhĩm nghiên cứu sẽ tập trung vào các thuật tốn mạnh hơn để cải thiện độ chính 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. Kưntges, 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. 123 Email: jst@tnu.edu.vn