Новая технология глубокой диагностики неисправностей фотоэлектрических инверторов

Аккумулятор FIAMM FG 20722

Группа учёных из США объединила механизмы пространственного и временного внимания, чтобы разработать новый подход к выявлению неисправностей фотоэлектрических инверторов. Обучив новый метод на наборе данных, созданном в MATLAB/Simulink, группа сравнила его с рядом других методов, основанных на данных и статистике, и обнаружила, что точность достигает 97,35 %.

Исследовательская группа, возглавляемая учеными из Южного университета Джорджии в США, разработала новую платформу глубокого обучения для диагностики неисправностей в фотоэлектрических инверторах.

Для этого учёные использовали двойную сеть внимания на графах (DualGAT), которая сочетает в себе механизмы пространственного и временного внимания, а именно DisGAT и TempGAT соответственно.

«В нашей работе представлен DualGAT, который впервые сочетает в себе механизмы пространственного и временного внимания для диагностики неисправностей фотоэлектрических инверторов, — рассказал журналу PV автор исследования Джакир Хоссен. — Этот двухуровневый подход позволяет модели улавливать сложные корреляции сигналов и динамику изменений в условиях различной освещённости и температуры, обеспечивая более высокую надёжность и интерпретируемость по сравнению с предыдущими методами».

Чтобы собрать данные, на которых будет обучаться система, группа смоделировала фотоэлектрическую инверсионную систему в MATLAB/Simulink. Она состояла из фотоэлектрического источника, подключенного к двухуровневому трехфазному инвертору со стороны сети, и повышающего преобразователя постоянного тока, расположенного со стороны источника. Инвертор состоял из шести биполярных транзисторов с изолированным затвором (IGBT), каждый из которых был соединен с антипараллельным диодом. Были рассмотрены два типа обрывов цепи, а именно обрывы цепи одного IGBT и обрывы цепи двух IGBT.

«Для оценки эффективности предложенного метода измеряются сигналы трёхфазного тока при изменении освещённости и температуры фотоэлектрической батареи. Освещённость регулируется с шагом в 1 Вт/м2 в диапазоне от 250 до 750 Вт/м2, а температура изменяется от 25 до 35 °C с шагом в 1 °C», — пояснили исследователи. «Каждый сигнал тока содержит 5511 наборов данных, при этом три сигнала тока соответствуют трём фазам для каждого типа неисправности. В общей сложности набор данных содержит 121 242 выборки по 22 классам, включая нормальное рабочее состояние».

Используя эти данные, новая система построила граф пространственных взаимосвязей неисправностей, чтобы показать, как неисправные переключатели взаимодействуют друг с другом, а также временной граф, чтобы продемонстрировать последовательность развития неисправностей. Затем система объединила оба графа, чтобы увидеть, как неисправности взаимодействуют в пространстве и во времени, и на основе этого предсказала, в каком из 22 неисправных состояний находится инвертор. Из смоделированных данных 80 % было использовано для обучения, а остальное — для тестирования.

Система была протестирована в сравнении с конкурирующими методами обнаружения неисправностей. Её протестировали с использованием подходов, основанных на данных, а также статистических методов, таких как ANN, CNN, RNN, GAT, GRU + Attention, TCN, Transformer, ResNet-1D, InceptionTime, LightGBM + SHAP, SVM, KNN, RF, DT и BC.

Среди методов, основанных на нейронных сетях, предложенная модель DualGAT показала наилучшие результаты по всем показателям. Точность тестирования составила 97,35 %, что, по словам учёных, свидетельствует о её способности выявлять как пространственные, так и временные закономерности сбоев. «Другие временные модели, такие как GAT и RNN, также демонстрируют высокую эффективность: точность составляет 95,18 % и 94,12 % соответственно, что превосходит традиционные методы, такие как случайный лес и метод опорных векторов, точность которых составляет 87,11 % и 85,37 %», — добавили они.

Кроме того, учёные провели абляционное исследование метода, в ходе которого удалялись части моделей. Без DisGAT точность снизилась до 91,27%; без TempGAT — до 87,62%; без регуляризатора — до 90,13%; без компонента кросс-внимания — до 92,51%.