Artificial Neural Network-Based All-Sky Power Estimation and Fault Detection in Photovoltaic Modules

Abstract

The objective of this study is to develop an Artificial Neural Network (ANN) based system for output power estimation and fault detection in PV modules in a minute by minute basis. Such system, after being trained on sample data paths in a supervised manner, is ought to be capable of real-time output power estimation and fault detection in PV modules. The process of data acquisition is carried out during a three-month interval, from Nov. 1st, 2015 to Jan. 31st, 2016 using sensitive measurement equipment and precise mathematical formulas. Resultantly, around 30,000 healthy and faulty per-minute accurate data paths containing the solar altitude and azimuth angles, incident angle, irradiance level (W/m2), PV module output power (W/min) and PV module surface temperature (°C) are acquired and normalized in the range 0 to 1 in order to be fed as input to different ANNs. In order to simulate the faulty operation conditions, the PV module is coated with glasses of different shades of gray color. Two different ANNs of Multi-Layer Perceptron type, namely being the Estimation Artificial Neural Network (EANN) and Detection Artificial Neural Network (DANN) are developed for PV power estimation and fault detection purposes, respectively. Both ANNs are of three-layer fully-connected feed-forward architecture, with input, hidden and output layers. Log-sigmoid activation function is deployed in both ANNs’ hidden layers, while softmax transfer function is utilized in the DANN output layer to solve binary classification problems which lead to fault detections in a PV module. The training process of the ANNs is carried out based on Bayesian Regularization (BR) back-propagation algorithm, using the mentioned collected data paths in a supervised way by providing the ANNs with training output targets in each training epoch. After the training goal for both ANNs is satisfied, the ANNs go through a rigorous testing process with new and unseen input data and no more output targets in order to measure their generalization capabilities. At the end of the testing process, the ANNs are ready to be implemented in real life situations. The ANNs’ implementation is carried out during a 15-day interval from Feb. 1st, to Feb. 15th, 2016. The mentioned interval contains highly meteorologically fluctuating wintry days, providing context for a rigorous performance examinations of the mentioned ANNs. During the implementation period, six different fault simulations namely being the lightgray, dimgray and darkslategray shadings as well as the light, moderate and heavy dirt and dust coverings are homogeneously applied to the surface of the PV module. The first two of the mentioned fault simulations had been used during the ANNs training data acquisition process, but the rest four faults are only demonstrated in the implementation period in order to measure the generalization capabilities of the ANNs for unseen situations. Expectedly, the lightgray shading – light dirt and dust covering, the dimgray shading – moderate dirt and dust covering and the darkslategray shading – heavy dirt and dust covering fault simulation pairs led to almost similar amounts of drops in the PV module output power, whilst the homogeneous fault application technique made the power drops independent of the internal architecture of the PV module. The 15-day per-minute implementation period resulted in 6222 PV module power estimation and fault detection acts carried out by the EANN and DANN. The overall EANN average MAPE between the estimated and the measured PV module output power values is 4.44%, and the DANN sensitivity, specificity, and overall accuracy rates are 97.6%, 99.7%, and 98.6%, respectively. The results are promising and the developed and verified PV module-level output power estimation and fault detection system is expected to be deployed in broader PV fleets after taking the developmental requirements into consideration, thus increasing the efficiency and decreasing the support and maintenance costs of the PV systems in long term. Keywords: Renewable Energy, Solar Energy, Photovoltaic, Artificial Intelligence, Artificial Neural Network, Output Estimation, Fault Detection

ÖZ: Bu tez çalışmasında, güneş panellerinde dakikadaki çıkış gücünün tahmini ve hata tespiti için Yapay Sinir Ağı (YSA)’na dayalı bir sistemin geliştirilmesi amaçlanmıştır. Böyle bir sistem, denetimli bir şekilde örnek veriler kullanılarak eğitildikten sonra, güneş panellerinde gerçek zamanlı çıkış gücü tahmini ve hata tespiti yapma kabiliyetine sahip olmalıdır. Tez çalışması için toplanan veriler 01/Ekim/2015 - 31/Ocak/2016 tarihleri arasındaki üç aylık bir zaman dilimi içerisinde hassas olarak ölçülmüş ve matematiksel bağıntılar kullanılarak tespit edilmiştir. Sonuç olarak, YSA’nı eğitmek üzere girdi olarak güneş yükseklik ve azimut açıları, güneş ışınlarının geliş açısı, güneş radyasyon düzeyi (W/m2), güneş paneli çıkış gücü (W/dakika) ve güneş paneli yüzey sıcaklık (°C) verilerini içeren yaklaşık olarak 30,000 veri elde edilip toplanan veriler 0 – 1 değer aralığında normalleştirilmiştir. Hatalı çalışma koşullarının simülasyonu için güneş panelinin yüzeyi, gri renginin çeşitli tonlarına sahip camlar ile kaplanmıştır. Güneş paneli çıkış gücü tahmini ve hata tespiti amaçları için sırasıyla Tahmin Yapay Sinir Ağı (TYSA) ve Saptama Yapay Sinir Ağı (SYSA) olmak üzere Çok Katmanlı algılayıcı tipi iki farklı YSA geliştirilmiştir. Her iki YSA çok katmanlı ileri beslemeli mimariye ve girdi, gizli ve çıktı katmanı olmak üzere üç katmana sahiptir. Her iki YSA’nın gizli katmanlarında log-sigmoid aktivasyon fonksiyonundan yararlanılmış olup aynı zamanda bir güneş panelinde hata tespiti ile sonuçlanan ikili sınıflandırma problemlerinin çözülmesi için SYSA’nın çıktı katmanında softmax transfer fonksiyonu kullanılmıştır. YSA’nın eğitme süreci, Bayes Düzenleme (BD) geri yayılımlı algoritma esas alınmak suretiyle daha önce bahsedilen toplanan veri yolları kullanılarak her bir eğitim devresinde YSA’ya eğitimin çıktı hedefleri sunularak denetimli bir şekilde gerçekleştirilmektedir. Her iki YSA için eğitim amaçlarına ulaşıldığında, genelleme kabiliyetleri ölçülmek üzere YSA’lar yeni ve daha önce kullanılmamış olan girdi verileri kullanılarak herhangi bir çıktı hedefi sunulmadan çok sıkı bir test sürecine tabi tutulmaktadır. Test sürecinin sonunda YSA’lar gerçek koşullar altında uygulanmaya hazır hale gelmiş bulunmaktadır. YSA’nın uygulama aşaması 01/Şubat/2016 – 15/Şubat/2016 tarihleri arasında 15 günlük bir zaman aralığı içerisinde gerçekleştirilmiştir. Bahsi geçen zaman aralığı meteorolojik açıdan yüksek oranda değişkenlik gösteren kış günlerini kapsamakta olup belirtilen YSA için karmaşık bir performans incelemesi imkânını sağlamaktadır. Uygulama zaman aralığı içerisinde açık gri, koyu gri ve koyu barut grisi gölgelemeler ile birlikte hafif, orta ve yoğun derecelerdeki toz ve toprak kaplamaları olmak üzere altı farklı hata simülasyonu güneş panelinin yüzeyi üzerinde homojen bir şekilde uygulanmıştır. Bahsi geçen hata simülasyonlarından ilk ikisi YSA’nın eğitim için veri toplama süreci içerisinde kullanılmış olup geriye kalan diğer dört hata çeşidi ise YSA’nın görülmemiş koşullar altındaki genelleme kabiliyetinin ölçülmesi amacıyla yalnızca uygulama dönemi içerisinde kullanılmıştır. Homojen hata uygulama tekniği, çıkış gücündeki azalmaların güneş panelinin iç mimarisinden bağımsız olmasını sağlar iken, beklendiği gibi açık gri gölgeleme – hafif toz ve toprak kaplaması, koyu gri gölgeleme – orta yoğunluk derecesine sahip toz ve toprak kaplaması ve koyu barut grisi gölgeleme – yoğun toz ve toprak kaplaması hata simülasyon çiftleri güneş panelinin çıkış gücünde neredeyse benzer oranlarda azalmaya yol açmıştır. 15 günlük dakika bazlı uygulama süresi TYSA ve SYSA tarafından gerçekleştirilen toplam 6222 güneş paneli çıkış gücü tahmin ve hata tespit eylemi ile sonuçlanmıştır. TYSA için tahmin edilen ile ölçülen güneş paneli çıkış güç değerleri arasındaki ortalama mutlak yüzdesel hata (OMYH) oranı toplam %4.44 olup SYSA’nın hassasiyet, özgüllük ve toplam doğruluk oranları ise sırasıyla %97.6, %99.7 ve %98.6 olmaktadır. Elde edilen sonuçlar ileriki uygulamalar açısından ümit verici olup geliştirilen ve doğrulanan güneş paneli düzeyli çıkış gücü tahmin ve hata tespit sisteminin, gelişimsel gereksinimlerin dikkate alınmasının ardından, sayısal açıdan daha fazla güneş panelinden oluşan güneş enerji sistemlerinde kullanılması ve dolaysıyla uzun vadede güneş enerjisi sistemlerinin verimlerini yükseltmesi ve destek ve bakım masraflarını azaltması beklenmektedir. Anahtar Kelimeler: Yenilenebilir Enerji, Güneş Enerjisi, Yapay Zekâ, Yapay Sinir Ağları, Çıkış Gücü Tahmini, Hata Tespiti