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

doi:10.34238/tnu-jst.4511

NHẬN DẠNG TẤM PIN MẶT TRỜI BỊ LỖI DỰA TRÊN HÌNH ẢNH ĐIỆN PHÁT QUANG BẰNG DEEP LEARNING

Thông tin bài báo

Ngày nhận bài: 17/05/21 Ngày hoàn thiện: 15/07/21 Ngày đăng: 21/07/21

Các tác giả

1. Nguyễn Quốc Minh , Trường Đại học Bách Khoa Hà Nội
2. Lê Thị Minh Châu, Trường Đại học Bách Khoa Hà Nội
3. Nguyễn Đăng Tiến, Trường Đại học Bách Khoa Hà Nội
4. Lê Minh Hiếu, Trường Đại học Bách Khoa Hà Nội

Tóm tắt

Việc xác định tấm pin mặt trời bị hỏng có vai trò rất quan trọng trong việc đảm bảo vận hành an toàn, tin cậy và hiệu suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, chúng tôi đề xuất sử dụng mô hình deep learning để tự động hoá việc phân loại tấm pin mặt trời bị lỗi. Mô hình này bao gồm mạng nơron tích chập được dùng để trích xuất đặc trưng và thuật toán máy học véctơ hỗ trợ để nhận dạng. Mô hình được huấn luyện và kiểm tra trên tập dữ liệu bao gồm 2.146 hình ảnh điện phát quang có độ phân giải cao của các tấm pin mặt trời loại momo và loại poly. Kết quả phân loại cho thấy mô hình đề xuất có thể phân loại được tấm pin mặt trời bị hỏng với độ chính xác đạt được là 91,63%.

Từ khóa

Pin mặt trời; Hình ảnh điện phát quang; Mạng nơron tích chập; Véctơ hỗ trợ máy học; Deep learning

Toàn văn:

PDF

Tài liệu tham khảo

[1] Q. K. Nguyen, Annual Report on Electric Power Generation Development Scenerios in Vietnam, Green Innovation and Delelopment Centre of Vietnam, 2019.

[2] M. Köntges, 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, 2^nd edition, O'Reilly Media, ISBN: 9781492032649, 2019.

DOI: https://doi.org/10.34238/tnu-jst.4511

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ