Escolar Documentos
Profissional Documentos
Cultura Documentos
Os Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial, Volume XLII-2, 2018
Simpósio Intermediário ISPRS TC II “Towards Photogrammetry 2020”, 4 a 7 de junho de 2018, Riva del Garda, Itália
´
1Universita Politecnica delle Marche, Dipartimento di Ingegneria Civile, Edile e dell'Architettura, 60100 Ancona, Itália (es malinverni,
r.pierdicca)@staff.univpm.it
´
2Universita Politecnica delle Marche, Dipartimento di Ingegneria dell'Informazione, 60100 Ancona, Itália (m.paolanti,
a.felicetti)@pm.univpm.it, p.zingaretti@staff.univpm.it
PALAVRAS-CHAVE: UAV, monitoramento/inspeção, Detecção de Anomalias, Deep Learning, Painéis Fotovoltaicos, Termografia, Classificação
ABSTRATO:
O número de usinas fotovoltaicas (PV) distribuídas que produzem eletricidade aumentou significativamente, e a questão do monitoramento
e a manutenção de uma planta fotovoltaica tornou-se de grande importância e envolve muitos desafios como eficiência, confiabilidade, segurança e estabilidade.
Este artigo apresenta a nova abordagem para estimar as degradações de células fotovoltaicas com DCNNs. Embora muitos estudos tenham realizado
classificação de imagens, até onde sabemos, esta é a primeira exploração de dados adquiridos com um drone equipado com um sensor térmico
sensor infravermelho. Os experimentos em “Dataset de imagens fotovoltaicas”, um conjunto de dados coletados, são apresentados para mostrar o problema de degradação
e avaliar de forma abrangente o método apresentado nesta pesquisa. Os resultados em termos de precisão, recall e F1-score mostram a
eficácia e a adequação da abordagem proposta.
Energia dos EUA (EIA) e BP estão mostrando as tendências no setor de energia abordagens padrão de monitoramento tenham se mostrado eficazes,
com aumento significativo na conversão e utilização de energia renovável eles são capazes apenas de garantir a detecção de perdas de energia em uma parte do
para o futuro (IEA, 2016), (EIA, 2016), (BPp.lc, 2016). o campo fotovoltaico, enquanto a localização precisa de módulos defeituosos
requer desmontagem de strings, inspeção visual e/ou elétrica.
O número de usinas fotovoltaicas (PV) distribuídas que produzem As técnicas acima mencionadas, e em particular o diagnóstico elétrico, são
a eletricidade aumentou significativamente e a maioria das instalações está demoradas, causam paradas na geração de energia e muitas vezes requerem
se descentralizando. Neste setor, nos últimos cinco instrumentação laboratorial, resultando
anos, a própria Europa experimentou um dos maiores crescimentos: não é rentável para inspeções frequentes. Além disso, deve
a geração de eletricidade por FER em geral, e PV em particular. Assim, a Note-se que as plantas fotovoltaicas estão frequentemente localizadas em locais inacessíveis,
questão do monitoramento e manutenção de uma planta fotovoltaica tem tornando qualquer intervenção perigosa. Portanto, a segurança da operação
torna-se de grande importância e envolve muitos desafios como eficiência, impacta profundamente nos custos de manutenção.
confiabilidade, segurança e estabilidade (Grimaccia et al., 2015),
(Ackermann et al., 2015). Neste sentido, um forte contributo foi dado pela recente difusão de veículos
aéreos não tripulados (VANT), equipados com
Monitorar o estado de saúde de um sistema é crucial; na verdade, sensor infravermelho, tornando esta técnica amplamente acessível e acessível
detectar a degradação dos painéis solares é a única maneira de garantir bons e tornando-se um padrão de fato para aquisição de dados
desempenhos por longos períodos de tempo (Jordan et al., inspecionar o sistema fotovoltaico para detectar falhas (Quater et al., 2014).
2018). Além de evitar o desperdício de energia, a razão para manter um Independentemente do motivo da falha, a célula fotovoltaica com defeito
correto estado funcional de uma planta também é econômica. De fato, uma temperatura mais alta do que as células normais adjacentes; é, portanto, bastante
a degradação do desempenho a longo prazo e da confiabilidade geral fácil detectá-los com um drone equipado com um infravermelho térmico
das usinas fotovoltaicas pode reduzir drasticamente as receitas esperadas. usinas fotovoltaicas sensor por drone. O desafio aqui é agilizar o processo de
são cada vez mais extensas, compostas por milhares de módulos, detectar essas anomalias, o que pode consumir muito tempo
potencialmente afetados pelos seguintes tipos de falhas em: e dependendo da interpretação visual do operador. De fato, uma prática atual
é inspecionar quadro a quadro o fluxo de vídeo
da câmera térmica.
1. Nível do módulo: incompatibilidades entre módulos, sombreamento, vidro
ruptura, falha de barramento, falhas de diodo, delaminação, A literatura recente apresenta diferentes abordagens para inspecionar PV
interconexões quebradas e pontos quentes (Pieri et al., 2017). campos, bem como ferramentas automáticas para processamento de imagens e falhas
detecção e classificação (Malof et al., 2016). Os principais desafios dessas abordagens 2. TRABALHO RELACIONADO
sistema. Dois métodos mais comumente usados são as técnicas de transformação Tabela 1. Carga Termográfica: termocâmera Flir, Tau640
modelo
wavelet (il Song Kim, 2016) e a forma Fast Fourier Trans (FFT) (Momoh e Button,
2003). Os métodos de classificação são baseados em inteligência artificial, e o
conhecimento é Visão geral Tau 640
construído a partir de um conjunto de dados disponível. Os algoritmos supervisionados estão Imagem termica Microbolômetro VOx não resfriado
FPA / Formatos de exibição de vídeo digital 640 512
sendo treinados primeiro e, em seguida, com base em grandes dados rotulados, supervisionados.
Formatos de exibição de vídeo analógico 640 480 (NTSC); 640 512 (PAL)1
algoritmos de aprendizagem podem aprender as características do sistema e Inclinação do Pixel 17µm
fazer a previsão. As redes neurais artificiais (RNA) têm sido Banda Espectral 7.513,5µm
Taxas de quadros completas 30 Hz (NTSC) – 25 Hz (PAL)
proposto para sistemas fotovoltaicos: trabalhando em condições de sombreamento
Taxas de quadros exportáveis 7,5 Hz NTSC; PAL de 8,3 Hz
parcial (Nguyen et al., 2009); para o acompanhamento e supervisão Sensibilidade (NEdT) ¡50 mK em f/1.0
do estado de saúde de um sistema fotovoltaico em (Riley e Johnson, 2012); Faixa de cena (alto ganho) 25oC a +135oC
Faixa de cena (ganho baixo) 40oC a +550oC
e para detecção de falhas de curto-circuito de painéis fotovoltaicos em (Syafaruddin
Tempo para Imagem ¡5,0 segundos
e outros, 2011). Em outros trabalhos, redes Bayesianas (Coleman e
Zalewski, 2011) e lógica fuzzy (AbdulHadi et al., 2004)
também teve sucesso em estimar a saída fotovoltaica ou realizar diagnósticos de decaimento de 0,0001 e um momento de 0,9. Uma pequena taxa de aprendizado é
falhas. Métodos de mineração de dados para detecção e isolamento de falhas usado para evitar a destruição dos pesos de recursos aprendidos anteriormente.
em sistemas fotovoltaicos também têm sido propostos na literatura, como A rede é inicialmente treinada com uma entropia cruzada binária (BCE)
como método de árvore de decisão (Zhao et al., 2012), K-vizinho mais próximo, por 10 épocas.
(uma) (b)
Figura 2. A Figura 2a é uma imagem com células fotovoltaicas danificadas. A Figura 2b representa uma imagem mostrada em células fotovoltaicas normais.
3.3 Métricas de Avaliação de Desempenho pode ser interpretado como uma média ponderada da precisão e
lembrar.
Para avaliar o desempenho dos algoritmos, as seguintes métricas são
empregadas: • Suporte: é o número de ocorrências de cada classe em solo
valores-alvo de verdade (corretos).
• Precisão: aproxima a eficácia do algoritmo O uso de uma matriz de confusão também pode ser útil para analisar os
mostrando a probabilidade do valor verdadeiro da classe la bel (Sokolova resultados do modelo. De fato, as informações sobre
et al., 2006): as classificações reais e previstas feitas pelo sistema são representadas
pela matriz de confusão (Kohavi, 1998). A matriz de confusão é um layout
tp + fn
Precisão = (1) de tabela específico que permite a visualização do
tp +tn + fp + fn
desempenho de um algoritmo, onde cada coluna da matriz representa as
instâncias em uma classe prevista, e cada
onde tp é o número de verdadeiros positivos e fn o número
row representa as instâncias em uma classe real.
de falsos negativos.
• Recall: é uma função de seus exemplos corretamente classificados (true 4. RESULTADOS E DISCUSSÃO
positivos) e seus exemplos classificados incorretamente (falsos negativos).
(a) redimensionado (b) virada de cima para baixo (c) invertido da esquerda para a direita
Figura 3. A Figura 3a é a imagem vista pela rede de entrada após o redimensionamento dos dados da imagem original. As Figuras 3b-3c são imagens respectivamente de cima para baixo e
esquerda-direita invertida da imagem redimensionada. Figura 3d-3e-3f são imagens giradas respectivamente de 90, 180 e 270 graus a partir da imagem redimensionada.
O conjunto de dados não balanceado é composto por uma quantidade total de 3336 Danificado 0,83 0,50 0,63 163
Normal 0,64 0,90 0,75 505
fotos, incluindo 811 fotos com anomalia, 2525 fotos normais. O conjunto de dados 0,74 0,70 0,69 326
SIGNIFICA()
balanceado é composto por 1622 imagens, onde 811 são
imagens com anomalia e 811 normais. O conjunto de dados invertido
as diferentes classes revela que tanto normal como anomalia podem ser
imagens coleta 4866, onde 2433 são imagens com anomalia e
reconhecido.
2433 normais. O conjunto de dados em que as imagens são giradas é composto por
6.488 imagens (3.244 com anomalia e 3.244 normais). Tabela 4, Tabela 5 e Tabela 6 relatam os resultados do VGG-16
Finalmente, o conjunto de dados com imagens invertidas e giradas inclui desempenho com aumento de dados. Como pode ser visto, o desempenho de todos os
9732 fotos (4866 com anomalia, 4866 fotos normais). classificadores é bom, demonstrando assim a eficácia e a adequação da abordagem
proposta. O desempenho da classificação com imagens giradas e invertidas é
Realizamos os experimentos dividindo o conjunto de dados rotulado em
um conjunto de treinamento e um conjunto de teste. Cada classificador só será treinado
muito superior ao desempenho da classificação de imagens invertidas, mas ligeiramente
com base no conjunto de treinamento. Da mesma forma, o conjunto de teste também é fixado no
inferior ao desempenho da classificação de
inicial e usado para todos os fins de teste. O conjunto de dados é dividido em
o conjunto de dados com imagens giradas. Essa comparação mostra que reconhecer a
80% de treinamento e 20% de imagens de teste.
anomalia em imagens com conjunto de dados desbalanceado é um desafio.
A Tabela 3 mostra a precisão, a evocação e a pontuação F1 do teste balanceado O monitoramento e a manutenção de uma planta fotovoltaica representam um desafio
conjunto de dados. O desempenho da rede é bom e comparando mas recompensadora tarefa e detectar a degradação dos painéis solares
Tabela 4. Conjunto de dados balanceado com aumento de dados (invertido Tabela 6. Conjunto de dados balanceado com aumento de dados (invertido e
imagens) imagens giradas)
Suporte para F1-Score de recall de precisão de categoria Precisão da categoria Recall F1-Score Support
Danificado 0,83 0,50 0,63 163 Danificado 0,67 0,78 0,72 978
Normal 0,64 0,90 0,75 505 Normal 0,73 0,61 0,67 978
SIGNIFICA() 0,74 0,70 0,69 326 SIGNIFICA() 0,70 0,69 0,69 1956
RECONHECIMENTOS
REFERÊNCIAS
AbdulHadi, M., Al-Ibrahim, AM e Virk, GS, 2004. Modelo de célula solar baseado
Tabela 8. Matriz de confusão do conjunto de dados balanceado.
em neuro fuzzy. IEEE Transactions on Energy Con versão 19(3), pp. 619–624.
Ackermann, T., Carlini, EM, Ernst, B., Groome, F., Orths, A.,
Danificado Normal
O'Sullivan, J., de la Torre Rodriguez, M. e Silva, V., 2015.
Integrando as energias renováveis variáveis na europa: Situação atual e
eventos extremos recentes. Revista IEEE Power and Energy 13(6), 342 147
págs. 67–77. Danificado
Canny, J., 1986. Uma abordagem computacional para detecção de bordas. Chatfield, K., Simonyan, K., Vedaldi, A. e Zisserman, A.,
Transações IEEE em Análise de Padrões e Inteligência de Máquina 2014. O retorno do diabo nos detalhes: Aprofundando-se nas redes convolucionais.
PAMI-8(6), pp. 679-698. arXiv pré-impressão arXiv:1405.3531.
Dong, C., Loy, CC, He, K. e Tang, X., 2016. Super resolução de imagem usando
redes convolucionais profundas. transações IEEE
Danificado Normal
em análise de padrões e inteligência de máquina 38(2), pp. 295–307.
Drews, A., de Keizer, A., Beyer, H., Lorenz, E., Betcke, J., van
438 214
Danificado Sark, W., Heydenreich, W., Wiemken, E., Stettler, S., Toggweiler,
P., Bofinger, S., Schneider, M., Heilscher, G. e Heinemann, D.,
2007. Monitoramento e detecção remota de falhas de redes conectadas
sistemas fotovoltaicos baseados em observações de satélite. Energia Solar 81(4),
págs. 548-564.
113 549
Normal
EIA, 2016. Perspectivas energéticas internacionais 2016. Energia dos EUA
Information Administration, Washington, DC 20585, DOE/EIA 0484 (2016).
Chawla, NV, 2009. Mineração de dados para conjuntos de dados desequilibrados: Uma Jordan, DC, Deline, C., Kurtz, SR, Kimball, GM e An derson, M., 2018.
visão global. In: Manual de mineração de dados e descoberta de conhecimento, Metodologia e aplicação robustas de degradação fotovoltaica. IEEE Journal of
Springer, pp. 875-886. Photovoltaics 8(2), pp. 525–531.
Chouder, A. e Silvestre, S., 2010. Supervisão automática e Kim, D., Youn, J. e Kim, C., 2017. Reconhecimento automático de falhas
detecção de falhas de sistemas fotovoltaicos com base na análise de perdas de de módulos fotovoltaicos com base em análise estatística de termografia uav.
energia. Conversão e Gerenciamento de Energia 51(10), pp. 1929-1937. ISPRS-Arquivos Internacionais de Fotogrametria,
Sensoriamento Remoto e Ciências da Informação Espacial pp. 179–182.
Coleman, A. e Zalewski, J., 2011. Detecção inteligente de falhas
e diagnóstico em usinas solares. 2, pp. 948-953. Kohavi, R., 1998. Glossário de termos. Aprendizado de Máquina 30,
págs. 271–274.
Cristaldi, L., Faifer, M., Leone, G. e Vergura, S., 2015. Sequências de referência
Krizhevsky, A., Sutskever, I. e Hinton, GE, 2012. Imagenet
para monitoramento estatístico do desempenho energético
classificação com redes neurais convolucionais profundas. In: Avanços em
de campos fotovoltaicos. págs. 591–596.
sistemas de processamento de informação neural, pp. 1097-1105.
Davarifar, M., Rabhi, A., Hajjaji, A., Kamal, E. e Daneshifar, Momoh, JA e Button, R., 2003. Desenho e análise de
Z., 2014. Diagnóstico de falhas de sombreamento parcial em sistema fotovoltaico falhas de arco dc aeroespacial usando transformação rápida de Fourier e
com transformada wavelet discreta (dwt). págs. 810-814. rede neural artificial. 2, pág. 793 Vol. 2.
Dong, C., Loy, CC, He, K. e Tang, X., 2014. Aprendendo um profundo Nguyen, DD, Lehman, B. e Kamarthi, S., 2009. Desempenho
rede convolucional para super-resolução de imagem. Em: Europeu avaliação de matrizes solares fotovoltaicas incluindo efeitos de sombra
Conferência sobre Visão Computacional, Springer, pp. 184–199. usando rede neural. págs. 3357–3362.
Ollero, A. e Merino, L., 2004. Técnicas de controle e percepção para robótica Timofte, R., De, V. e Van Gool, L., 2013. Regressão de vizinhança ancorada
aérea. Revisões anuais no Controle 28(2), para super-resolução rápida baseada em exemplos. Dentro:
págs. 167-178. Visão Computacional (ICCV), Conferência Internacional IEEE 2013
em, IEEE, pp. 1920-1927.
Paolanti, M., Kaiser, C., Schallner, R., Frontoni, E. and Zin garetti, P., 2017a.
Análise de sentimento visual e textual de imagens de mídia social Tsanakas, J., Chrysostomou, D., Botsaris, P. e Gasteratos, A.,
relacionadas à marca usando redes neurais convolucionais profundas. In: 2015. Diagnóstico de falhas de módulos fotovoltaicos através de imagem
Conferência Internacional sobre Análise e Processamento de Imagens, processamento e detecção de bordas em medições termográficas de campo.
Springer, pp. 402–413. Jornal Internacional de Energia Sustentável 34(6),
pp. 351-372.
Paolanti, M., Sturari, M., Mancini, A., Zingaretti, P. and Frontoni,
E., 2017b. Robô móvel para levantamento e inventário de varejo usando Yi, Z. e Etemadi, AH, 2016. Um novo algoritmo de detecção para
análise visual e textual de imagens monoculares com base em falhas linha a linha em matrizes fotovoltaicas (PV) com base no suporte
Aprendendo. In: Robôs Móveis (ECMR), Conferência Europeia de 2017 máquina vetorial (svm). págs. 1–4.
em, IEEE, pp. 1–6.
Zhao, Y., Yang, L., Lehman, B., de Palma, JF, Mosesian, J. e
Pieri, E., Kyprianou, A., Phinikarides, A., Makrides, G. e Lyons, R., 2012. Detecção e classificação de falhas baseadas em árvore de
Georghiou, GE, 2017. Previsão de taxas de degradação de diferentes decisão em matrizes solares fotovoltaicas. págs. 93-99.
sistemas fotovoltaicos usando análise robusta de componentes principais
e arima. IET Geração de Energia Renovável 11(10), pp. 1245–
1252.
Sturari, M., Paolanti, M., Frontoni, E., Mancini, A. e Zin garetti, P., 2017.
Plataforma robótica para detecção de mudanças profundas para
segurança e proteção ferroviária. In: Mobile Robots (ECMR), 2017 European
Conference on, IEEE, pp. 1–6.