مطالعه جدید: تشخیص خطای اینورترهای خورشیدی با یادگیری عمیق

پژوهشگران دانشگاه جورجیا ساوترن آمریکا چارچوبی نوین مبتنی بر یادگیری عمیق برای تشخیص خطا در اینورترهای فتوولتائیک ارائه کرده‌اند. این روش با ترکیب سازوکارهای فضایی و زمانی، توانسته است دقتی معادل ۹۷.۳۵ درصد به‌دست آورد.

به گزارش pv magazine، محققان این مدل را با استفاده از مجموعه داده‌ای شبیه‌سازی‌شده در MATLAB/Simulink آموزش داده و نتایج آن را با سایر روش‌های داده‌محور و آماری مقایسه کردند که نشان از برتری قابل توجه آن دارد.

این تیم پژوهشی برای دستیابی به این هدف از یک شبکه توجه گرافی دوگانه (DualGAT) بهره برده است که شامل دو بخش اصلی می‌شود: DisGAT برای مکانیزم توجه فضایی و TempGAT برای مکانیزم توجه زمانی.

دکتر «جاکر حسین»، نویسنده مسئول مقاله، توضیح داد: «پژوهش ما برای نخستین بار در حوزه تشخیص خطا در اینورترهای فتوولتائیک، DualGAT را معرفی می‌کند که مکانیزم‌های توجه فضایی و زمانی را هم‌زمان به‌کار می‌گیرد. این رویکرد دو‌گانه به مدل امکان می‌دهد تا روابط پیچیده سیگنال‌ها و پویایی‌های متغیر ناشی از شرایط متفاوت تابش و دما را به‌طور دقیق‌تر شناسایی کند و در مقایسه با روش‌های پیشین، مقاومت و قابلیت تفسیر بالاتری ارائه دهد.»

چارچوب نوین یادگیری عمیق برای شناسایی دقیق خطای اینورترهای خورشیدی

برای گردآوری داده‌های لازم جهت آموزش این سیستم، پژوهشگران یک سیستم اینورتر فتوولتائیک را در محیط MATLAB/Simulink شبیه‌سازی کردند. این سیستم شامل یک منبع PV متصل به یک اینورتر سه‌فاز دو سطحی در سمت شبکه بود و در سمت منبع نیز یک مبدل بوست DC-DC قرار داشت. ساختار اینورتر از شش کلید ترانزیستور دوقطبی گیت عایق (IGBT) تشکیل شده بود که هریک همراه با یک دیود موازی معکوس عمل می‌کرد. در این شبیه‌سازی، دو نوع خطای مدار باز در نظر گرفته شد: خطای مدار باز تک IGBT و خطای مدار باز دو IGBT.

پژوهشگران توضیح دادند: «برای ارزیابی عملکرد روش پیشنهادی، سیگنال‌های جریان سه‌فاز در شرایطی که تابش خورشیدی و دمای آرایه PV تغییر می‌کند اندازه‌گیری شد. تابش خورشیدی در بازه ۲۵۰ تا ۷۵۰ وات بر مترمربع با گام‌های ۱ وات بر مترمربع تغییر داده شد و دما نیز از ۲۵ تا ۳۵ درجه سانتی‌گراد در گام‌های ۱ درجه تنظیم شد.»

به گفته پژوهشگران، هر سیگنال جریان شامل ۵,۵۱۱ نمونه است و برای هر نوع خطا، سه سیگنال جریان متناظر با سه فاز اندازه‌گیری شد. درمجموع، دیتاست تشکیل‌شده شامل ۱۲۱,۲۴۲ نمونه در ۲۲ کلاس است که شرایط عملکرد عادی سیستم را نیز دربرمی‌گیرد.

در چارچوب طراحی‌شده، ابتدا یک گراف فضایی برای نمایش روابط میان خطاهای سوئیچ‌ها و نحوه تعامل آن‌ها با یکدیگر ساخته شد. سپس یک گراف زمانی برای نشان‌دادن تکامل خطاها در طول زمان طراحی شد. در ادامه، این دو گراف باهم ترکیب شدند تا تعامل خطاها در فضا و زمان به‌طور هم‌زمان بررسی شود. براساس این تحلیل، مدل قادر بود تشخیص دهد که اینورتر در کدام‌یک از ۲۲ وضعیت خطا قرار دارد. از داده‌های شبیه‌سازی‌شده، ۸۰ درصد برای آموزش و ۲۰ درصد برای آزمون مدل استفاده شد.

سیستم پیشنهادی در مقایسه با روش‌های دیگر تشخیص خطا مورد آزمایش قرار گرفت. این آزمایش شامل روش‌های داده‌محور و روش‌های آماری مختلف بود؛ ازجمله ANN، CNN، RNN، GAT، GRU + Attention، TCN، Transformer، ResNet-1D، InceptionTime، LightGBM + SHAP، SVM، KNN، RF، DT و BC.

نتایج نشان داد که مدل DualGAT پیشنهادی در بین روش‌های مبتنی بر شبکه عصبی، بهترین عملکرد را در تمامی شاخص‌ها ارائه می‌دهد و دقت آزمون آن به ۹۷.۳۵ درصد رسید. پژوهشگران این موضوع را نشانه توانایی بالای مدل در شناسایی الگوهای خطای فضایی و زمانی می‌دانند.

سایر مدل‌های زمانی، مانند GAT و RNN نیز عملکرد قوی داشتند و به‌ترتیب دقت‌های ۹۵.۱۸ درصد و ۹۴.۱۲ درصد را ثبت کردند، درحالی‌که روش‌های سنتی مانند RF و SVM دقت‌های ۸۷.۱۱ درصد و ۸۵.۳۷ درصد داشتند.

پژوهشگران همچنین مطالعات حذف این روش را انجام دادند تا اهمیت هر جزء مدل را بسنجند. نتایج نشان داد که بدون DisGAT دقت به ۹۱.۲۷ درصد کاهش می‌یابد، بدون TempGAT به ۸۷.۶۲ درصد می‌رسد، حذف Regularizer دقت را به ۹۰.۱۳ درصد می‌آورد و بدون مؤلفه Cross-Attention دقت ۹۲.۵۱ درصد شد.

این چارچوب نوآورانه در مجله Scientific Reports منتشر شده است.

همچنین بخوانید: تفاوت اینورتر خورشیدی و اینورتر معمولی چیست؟ | راهنمای کامل