Nghiên cứu ứng dụng mạng nơron học sâu vào phát hiện dị thường trên module quang điện

Luận văn thạc sĩ kỹ thuật nghiên cứu kỹ thuật điện ứng dụng mạng nơron học sâu vào bài toán phát hiện dị thường trên module quang điện, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Phan Khắc Phúc Thiện
• Người hướng dẫn: TS. Nguyễn Phúc Khải
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Ứng Dụng Mạng Nơron Học Sâu Trong Phát Hiện Dị Thường Trên Module Quang Điện
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG BIỂU
• DANH SÁCH CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: ĐẶT VẤN ĐỀ
• 1.1. HƯỚNG TIẾP CẬN ĐỀ TÀI
• 1.2. PHẠM VI NGHIÊN CỨU
• 1.3. MỤC TIÊU NGHIÊN CỨU
• 1.4. NỘI DUNG NGHIÊN CỨU
• 1.5. Ý NGHĨA CỦA ĐỀ TÀI
• 1.5.1. Ý nghĩa khoa học
• 1.5.2. Ý nghĩa thực tiễn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ NHẬN DIỆN DỊ THƯỜNG TRÊN MODULE PV
• 2.1. CÁC PHƯƠNG PHÁP ĐÃ ĐƯỢC NGHIÊN CỨU
• 2.2. GIỚI THIỆU TẬP DỮ LIỆU THÍ NGHIỆM
• 2.3. GIỚI THIỆU VỀ BÀI TOÁN PHÂN LOẠI ẢNH
• 2.4. TỔNG QUAN XỬ LÝ ẢNH SỐ
• 2.5. BIỂU DIỄN ẢNH TRONG MÁY TÍNH
• 2.6. PHÉP TÍCH CHẬP TRONG XỬ LÝ ẢNH
• 2.7. LÝ THUYẾT PHÂN LOẠI ẢNH SỐ
• 2.8. MỘT SỐ THUẬT TOÁN TIÊU BIỂU TRONG PHÂN LOẠI ẢNH
• 2.9. CÁC KHÁI NIỆM CHUNG VỀ MẠNG NƠRON
• 2.10. MẠNG NƠRON TÍCH CHẬP (CNN)
• 2.11. CÁC MẠNG NƠ-RON TÍCH CHẬP THÔNG DỤNG
• 3. CHƯƠNG 3: ĐỀ XUẤT CẢI TIẾN MẠNG NƠ-RON CNN DENSENET CHO BÀI TOÁN NHẬN DIỆN DỊ THƯỜNG CỦA MODULE QUANG ĐIỆN
• 3.1. GIỚI THIỆU MẠNG DENSENET
• 3.2. HỌC CHUYỂN TIẾP VÀ TINH CHỈNH MÔ HÌNH HUẤN LUYỆN
• 3.3. ĐỀ XUẤT CÁC PHƯƠNG ÁN CẢI TIẾN MẠNG NƠ-RON DENSENET CHO BÀI TOÁN NHẬN DIỆN DỊ THƯỜNG CỦA MODULE QUANG ĐIỆN
• 4. CHƯƠNG 4: ỨNG DỤNG MẠNG DENSENET VÀO BÀI TOÁN NHẬN DIỆN DỊ THƯỜNG CỦA MODULE QUANG ĐIỆN
• 4.1. XÂY DỰNG CÁC MÔ HÌNH HUẤN LUYỆN
• 4.2. KẾT QUẢ TÍNH TOÁN
• 5. CHƯƠNG 5: NHẬN XÉT VÀ KẾT LUẬN
• 5.1. KẾT QUẢ NGHIÊN CỨU ĐÃ ĐẠT ĐƯỢC
• 5.2. HẠN CHẾ, THIẾU SÓT
• 5.3. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• TÀI LIỆU THAM KHẢO
• DỮ LIỆU ẢNH NHIỆT HỒNG NGOẠI MODULE PV TỪ RAPTOR MAPS INC.
• CHƯƠNG TRÌNH HUẤN LUYỆN HỌC CHUYỂN TIẾP HAI GIAI ĐOẠN TRÊN DENSENET-201

Tóm tắt

I. Giới thiệu về mạng nơron học sâu

Mạng nơron học sâu (deep learning) đã trở thành một công cụ mạnh mẽ trong lĩnh vực xử lý hình ảnh và phân tích dữ liệu. Với khả năng tự động hóa trong việc nhận diện và phân loại các đặc điểm từ dữ liệu hình ảnh, mạng nơron tích chập (CNN) đã được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả phát hiện dị thường trên các module quang điện (solar module). Việc sử dụng mạng nơron học sâu cho phép cải thiện độ chính xác trong việc phát hiện các lỗi như nứt, vỡ bề mặt và điểm nóng cục bộ, từ đó nâng cao hiệu suất của hệ thống điện mặt trời. Đặc biệt, mô hình DenseNet được đề xuất trong nghiên cứu này đã cho thấy hiệu quả vượt trội trong việc phát hiện dị thường so với các mô hình khác.

1.1. Các loại mạng nơron

Trong lĩnh vực học sâu, có nhiều loại mạng nơron khác nhau, bao gồm mạng nơron truyền thống, mạng nơron tích chập (CNN) và mạng nơron hồi tiếp (RNN). Mạng CNN, với cấu trúc nhiều lớp và khả năng xử lý hình ảnh một cách hiệu quả, đã được chứng minh là rất thích hợp cho các bài toán phân loại và nhận diện hình ảnh. Đặc biệt, cấu trúc DenseNet với các khối dày đặc cho phép truyền thông tin giữa các lớp một cách hiệu quả, giúp cải thiện độ chính xác trong quá trình phân loại và phát hiện dị thường trên module quang điện.

II. Phát hiện dị thường trên module quang điện

Phát hiện dị thường trên module quang điện là một vấn đề quan trọng trong việc duy trì hiệu suất của hệ thống điện mặt trời. Những hiện tượng như nứt, vỡ bề mặt và điểm nóng cục bộ không chỉ ảnh hưởng đến tuổi thọ của các module mà còn gây ra tổn thất về năng lượng. Nghiên cứu này đã áp dụng các phương pháp học sâu để phát hiện các dị thường thông qua phân tích hình ảnh nhiệt hồng ngoại (IR images) và các kỹ thuật xử lý ảnh tiên tiến. Kết quả cho thấy rằng việc sử dụng mạng nơron học sâu có thể cải thiện đáng kể khả năng phát hiện và phân loại các lỗi trên module quang điện, từ đó đảm bảo hiệu suất và độ bền của hệ thống.

2.1. Tầm quan trọng của phát hiện dị thường

Việc phát hiện kịp thời các dị thường trên module quang điện không chỉ giúp tối ưu hóa hiệu suất của hệ thống điện mặt trời mà còn giảm thiểu chi phí bảo trì và sửa chữa. Thông qua việc áp dụng các công nghệ như học sâu và xử lý hình ảnh, các nhà nghiên cứu có thể phát triển các giải pháp tự động hóa trong việc kiểm tra và bảo trì, từ đó nâng cao hiệu quả hoạt động của các nhà máy điện mặt trời. Điều này không chỉ mang lại lợi ích kinh tế mà còn góp phần vào việc phát triển bền vững trong lĩnh vực năng lượng tái tạo.

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy mô hình DenseNet-201 đã đạt được độ chính xác cao trong việc phát hiện các dị thường trên module quang điện. Qua việc sử dụng phương pháp huấn luyện học chuyển giao (transfer learning), mô hình đã được cải thiện hiệu suất đáng kể so với các phương pháp truyền thống. Các kết quả phân tích cho thấy rằng việc áp dụng các kỹ thuật tăng cường dữ liệu (data augmentation) cũng như điều chỉnh hàm tổn thất (weighting loss) đã giúp mô hình hoạt động hiệu quả hơn trong việc nhận diện các lỗi. Điều này chứng tỏ rằng việc sử dụng mạng nơron học sâu là một giải pháp khả thi và hiệu quả cho bài toán phát hiện dị thường trên module quang điện.

3.1. So sánh với các phương pháp khác

Khi so sánh với các phương pháp phát hiện dị thường khác như sử dụng các mô hình học sâu khác hoặc các phương pháp truyền thống, mô hình DenseNet-201 đã cho thấy sự vượt trội về độ chính xác và khả năng phân loại. Các thử nghiệm cho thấy rằng mô hình này có thể phát hiện các loại dị thường với độ chính xác lên đến 95%, trong khi các phương pháp khác chỉ đạt khoảng 80-85%. Điều này cho thấy rằng việc ứng dụng mạng nơron học sâu không chỉ nâng cao khả năng phát hiện mà còn giúp tiết kiệm thời gian và chi phí cho quá trình kiểm tra và bảo trì module quang điện.

Nội dung chính

Tổng quan nghiên cứu

Tính đến hết ngày 31 tháng 12 năm 2020, tổng công suất lắp đặt điện mặt trời tại Việt Nam đã đạt khoảng 16.500 MW, chiếm khoảng 25% tổng công suất lắp đặt nguồn điện toàn quốc. Trong đó, khoảng 8.000 MW đến từ hệ thống điện mặt trời mái nhà và hơn 8.400 MW thuộc về các trang trại điện mặt trời quy mô lớn. Hơn 90% các dự án này sử dụng công nghệ module quang điện silic tinh thể với vòng đời thiết kế từ 20 đến 25 năm.

Tuy nhiên, trong suốt quá trình vận chuyển, lắp đặt và vận hành ngoài trời, các tấm pin liên tục chịu tác động khắc nghiệt từ nhiệt độ, mưa gió, bụi bẩn và ứng suất cơ học. Những yếu tố này tạo ra nhiều dạng khuyết tật nguy hiểm như nứt bề mặt, điểm nóng cục bộ và kích hoạt diode bypass. Các hiện tượng dị thường không chỉ gây suy giảm từ 5% đến hơn 30% sản lượng điện năng của toàn hệ thống mà còn tiềm ẩn nguy cơ hỏa hoạn, làm giảm đáng kể tuổi thọ thiết bị.

Mục tiêu của luận văn là nghiên cứu, xây dựng và tối ưu hóa mô hình mạng nơ-ron học sâu nhằm tự động phát hiện, phân loại chính xác các hiện tượng dị thường trên module quang điện thông qua phân tích ảnh nhiệt hồng ngoại. Nghiên cứu sử dụng tập dữ liệu thực nghiệm gồm 20.000 ảnh nhiệt được ghi nhận trên 6 châu lục trong giai đoạn năm 2019 đến năm 2022. Kết quả đạt được mang ý nghĩa khoa học và thực tiễn sâu sắc, cung cấp giải pháp chẩn đoán tự động với độ chính xác trên 90%, giúp các nhà máy điện mặt trời cắt giảm 70% thời gian kiểm tra thủ công và hạn chế tối đa các tổn thất kinh tế do sự cố kỹ thuật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết mạng nơ-ron tích chập và thị giác máy tính hiện đại để giải quyết bài toán phân loại ảnh nhiệt hồng ngoại. Mô hình nghiên cứu trọng tâm được xây dựng dựa trên kiến trúc mạng kết nối dày đặc DenseNet cải tiến kết hợp so sánh với mạng phần dư ResNet và mạng nơ-ron truyền thống.

Khung lý thuyết bao gồm ba khái niệm kỹ thuật cốt lõi:

• Phép tích chập hai chiều và bộ lọc không gian: Sử dụng các ma trận trọng số kích thước 3x3 nhằm trích xuất đặc trưng biên cạnh, hoa văn bề mặt và gradient biến thiên nhiệt độ trên từng cell pin.
• Cơ chế kết nối dày đặc trong DenseNet: Cho phép mỗi lớp nơ-ron kết nối trực tiếp đến tất cả các lớp phía sau trong cùng một khối, giúp tái sử dụng tối đa đặc trưng, giảm số lượng tham số và loại bỏ triệt để hiện tượng suy giảm gradient khi mạng đạt độ sâu trên 100 lớp.
• Chiến lược học chuyển tiếp hai giai đoạn: Tận dụng các trọng số tiền huấn luyện từ tập dữ liệu quy mô lớn ImageNet với hơn 1,2 triệu ảnh để khởi tạo không gian đặc trưng cơ sở, sau đó tiến hành tinh chỉnh sâu trên tập dữ liệu ảnh nhiệt chuyên biệt.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ bộ cơ sở dữ liệu ảnh nhiệt hồng ngoại do Raptor Maps công bố năm 2020. Dữ liệu được ghi nhận trong dải bước sóng 3 đến 13,5 micromet bằng hệ thống camera nhiệt gắn trên thiết bị bay không người lái và máy bay điều khiển. Cỡ mẫu nghiên cứu bao gồm đúng 20.000 ảnh nhiệt kích thước 40x24 pixel, chia thành 10.000 ảnh module bình thường và 10.000 ảnh thuộc 11 dạng dị thường khác nhau.

Phương pháp chọn mẫu áp dụng kỹ thuật phân tầng ngẫu nhiên theo tỷ lệ xuất hiện thực tế của các loại khuyết tật ngoài hiện trường, dao động từ nhóm thiểu số 175 mẫu chiếm 0,9% đến nhóm đa số 1.877 mẫu chiếm 9,4%. Tác giả lựa chọn mô hình DenseNet-201 kết hợp kỹ thuật điều chỉnh trọng số hàm tổn thất vì cấu trúc này xử lý xuất sắc dữ liệu ảnh độ phân giải thấp, tối ưu hóa bộ nhớ và khắc phục triệt để tình trạng mất cân bằng dữ liệu nghiêm trọng.

Timeline nghiên cứu được triển khai liên tục trong 15 tháng, từ ngày 15 tháng 09 năm 2021 đến ngày 18 tháng 12 năm 2022, trải qua các bước tiền xử lý ảnh, tăng cường dữ liệu, huấn luyện mô hình hai giai đoạn và kiểm định chéo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu mang lại bốn phát hiện kỹ thuật quan trọng:

• Mô hình DenseNet-201 sử dụng kỹ thuật học chuyển tiếp hai giai đoạn đạt hiệu suất phân loại vượt trội, đạt độ chính xác trên 94,5% cho bài toán 2 lớp và vượt 82,8% cho bài toán 12 lớp dị thường chi tiết.
• Kỹ thuật điều chỉnh trọng số hàm tổn thất giúp nâng cao độ nhạy phân loại ở các nhóm dị thường thiểu số như hỏng nhiều diode từ 42% lên 78,5%, giảm tỷ lệ bỏ sót lỗi nghiêm trọng xuống dưới 5%.
• Kiến trúc DenseNet-201 tối ưu chỉ sử dụng khoảng 20 triệu tham số huấn luyện, tiết kiệm 40% chi phí tính toán phần cứng so với kiến trúc ResNet-152 có hơn 60 triệu tham số nhưng mang lại độ chính xác cao hơn 3,2%.
• Tốc độ suy luận đạt dưới 15 mili giây cho mỗi ảnh nhiệt, cho phép phân tích theo thời gian thực hơn 60 khung hình mỗi giây khi tích hợp trực tiếp trên các bộ xử lý nhúng.

Thảo luận kết quả

Hiệu suất vượt trội của mô hình xuất phát từ cấu trúc kết nối dày đặc, giúp duy trì thông tin không gian chi tiết của các điểm nóng có kích thước chỉ 1 đến 2 pixel. Khi so sánh với các nghiên cứu tiền nhiệm dùng kiến trúc VGG-16 hoặc LeNet chỉ đạt độ chính xác từ 75% đến 85% trên ảnh điện phát quang, phương pháp học chuyển tiếp hai giai đoạn trên ảnh nhiệt hồng ngoại đã tạo ra bước đột phá rõ rệt về độ ổn định và tính khả thi ngoài trời.

Dữ liệu nghiên cứu được biểu diễn trực quan qua biểu đồ đường thể hiện quá trình hội tụ mượt mà của hàm mất mát sau 100 epoch huấn luyện. Đồng thời, bảng ma trận nhầm lẫn 12x12 minh họa rõ tỷ lệ phân loại chính xác giữa các nhóm lỗi dễ nhầm lẫn như bóng che thực vật và điểm nóng đơn cell. Kết quả chứng minh rằng việc đóng băng các tầng tích chập ban đầu ở giai đoạn 1, sau đó mở khóa toàn bộ mạng với tốc độ học nhỏ 0,0001 ở giai đoạn 2 giúp mô hình tránh hiện tượng quá khớp và nâng cao khả năng tổng quát hóa dữ liệu thực tế.

Đề xuất và khuyến nghị

• Tích hợp mô hình DenseNet-201 vào hệ thống máy tính nhúng trên thiết bị bay không người lái nhằm thực hiện quét nhiệt tự động định kỳ 3 tháng một lần tại các trang trại điện mặt trời, hướng tới mục tiêu giảm 80% thời gian khảo sát do đội ngũ vận hành nhà máy thực hiện.
• Chuẩn hóa quy trình tiền xử lý và căn chỉnh dải nhiệt độ ảnh hồng ngoại trong khoảng 25 đến 65 độ C trước khi đưa vào nhận diện, nhằm duy trì độ chính xác phân loại ổn định trên 90% trong mọi điều kiện thời tiết, do các kỹ sư phần mềm hoàn thiện trong vòng 6 tháng.
• Thu thập và gán nhãn bổ sung ít nhất 5.000 mẫu ảnh nhiệt cho các nhóm khuyết tật hiếm gặp trong quý 3 năm 2024, do các nhóm nghiên cứu học thuật phối hợp cùng doanh nghiệp năng lượng triển khai để nâng độ nhạy phát hiện lỗi hiếm lên trên 85%.
• Xây dựng nền tảng giám sát đám mây tích hợp dữ liệu dòng áp SCADA thời gian thực với kết quả phân tích ảnh nhiệt, hoàn thành trong vòng 12 tháng dưới sự chủ trì của giám đốc kỹ thuật, nhằm cảnh báo sớm tổn thất công suất từ 2% trở lên.

Đối tượng nên tham khảo luận văn

• Kỹ sư vận hành và bảo dưỡng nhà máy điện mặt trời: Áp dụng quy trình kiểm tra tự động bằng thiết bị bay không người lái để định vị nhanh các tấm pin bị lỗi nứt, điểm nóng hoặc hỏng diode, rút ngắn thời gian xử lý sự cố từ 5 ngày xuống dưới 24 giờ.
• Kỹ sư trí tuệ nhân tạo và thị giác máy tính: Khai thác phương pháp học chuyển tiếp hai giai đoạn và giải pháp cân bằng trọng số tổn thất để áp dụng cho các bài toán xử lý ảnh công nghiệp có dữ liệu mất cân bằng nghiêm trọng.
• Giảng viên và học viên cao học ngành Kỹ thuật điện: Sử dụng công trình làm tài liệu tham khảo học thuật giá trị về việc kết hợp công nghệ máy học hiện đại vào công tác giám sát hệ thống điện năng lượng tái tạo.
• Ban quản lý dự án và nhà đầu tư năng lượng: Có cơ sở dữ liệu khoa học để hoạch định chi phí bảo trì tối ưu, nâng cao hiệu suất phát điện tổng thể của nhà máy thêm 3% đến 5% mỗi năm.

Câu hỏi thường gặp

• Tại sao ảnh nhiệt hồng ngoại lại vượt trội hơn ảnh điện phát quang trong giám sát diện rộng? Ảnh nhiệt hồng ngoại cho phép thiết bị bay không người lái ghi nhận hình ảnh nhanh chóng từ khoảng cách 10 đến 50 mét ngay dưới ánh sáng mặt trời ban ngày. Ngược lại, kỹ thuật điện phát quang đòi hỏi phải cấp nguồn ngược vào ban đêm và kiểm tra ở cự ly rất gần, làm tăng thời gian và chi phí vận hành lên gấp 5 lần.

• Chiến lược học chuyển tiếp hai giai đoạn giải quyết bài toán kỹ thuật nào? Giai đoạn một cố định các lớp tích chập để huấn luyện lớp phân loại mới, giúp mạng làm quen với tập dữ liệu ảnh nhiệt mà không phá vỡ các đặc trưng cơ sở. Giai đoạn hai mở khóa toàn bộ các tầng với tốc độ học nhỏ 0,0001, giúp tinh chỉnh mô hình đạt độ chính xác cao hơn 4% so với phương pháp học chuyển tiếp thông thường.

• Mô hình xử lý tình trạng mất cân bằng dữ liệu giữa các lớp như thế nào? Luận văn áp dụng đồng thời kỹ thuật tăng cường dữ liệu hình học và gán trọng số nghịch đảo tần suất xuất hiện vào hàm tổn thất. Nhờ giải pháp này, các nhóm khuyết tật chỉ có 175 mẫu vẫn đạt độ chính xác nhận diện trên 78%, tương đương các nhóm có trên 1.500 mẫu.

• Kích thước ảnh 40x24 pixel có làm giảm độ chính xác nhận diện lỗi không? Dù độ phân giải ảnh tương đối thấp, kiến trúc DenseNet-201 vẫn khai thác tối đa độ tương phản nhiệt độ giữa vùng bình thường và vùng khuyết tật. Thực nghiệm chứng minh mô hình vẫn phân loại chính xác các vết nứt bề mặt với độ nhạy đạt trên 88% nhờ khả năng tái sử dụng đặc trưng liên tục qua các dense block.

• Giải pháp học sâu này có thể nhúng trực tiếp lên phần cứng nào ngoài thực địa? Với dung lượng mô hình nén dưới 80 MB, thuật toán hoạt động mượt mà trên các vi xử lý chuyên dụng như NVIDIA Jetson Nano hoặc Jetson Xavier NX với tốc độ xử lý trên 30 khung hình mỗi giây, đáp ứng hoàn hảo yêu cầu phân tích tự động ngay trong quá trình bay quét.

Kết luận

• Luận văn xây dựng thành công giải pháp tự động hóa phát hiện và phân loại 11 dạng dị thường trên module quang điện bằng mô hình DenseNet-201 cải tiến.
• Đạt độ chính xác ấn tượng trên 94% cho bài toán 2 lớp và trên 82% cho bài toán 12 lớp trên bộ dữ liệu chuẩn 20.000 ảnh nhiệt hồng ngoại.
• Đề xuất hiệu quả chiến lược học chuyển tiếp hai giai đoạn kết hợp điều chỉnh trọng số hàm tổn thất để xử lý triệt để bài toán mất cân bằng dữ liệu.
• Cắt giảm 40% dung lượng tính toán so với mô hình ResNet-152 và rút ngắn 70% thời gian bảo trì thực địa cho các trang trại điện mặt trời.
• Đóng góp giải pháp công nghệ mang tính ứng dụng cao, sẵn sàng thương mại hóa và tích hợp vào các thiết bị bay tự hành trong giai đoạn 2024 đến 2026.

Hãy ứng dụng ngay giải pháp thị giác máy tính và học sâu tiên tiến này vào hệ thống quản lý vận hành để tối ưu hóa hiệu suất phát điện, giảm thiểu chi phí bảo dưỡng và bảo vệ an toàn cho các công trình năng lượng tái tạo!

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Theo số liệu từ cổng thông tin điện tử Quốc gia đến hết ngày 31/12/2020, tổng công suất lắp đặt về điện mặt trời trên cả nước đã đạt khoảng 16.500 MW, chiếm khoảng 25% tổng công suất lắp đặt nguồn điện của hệ thống điện Việt Nam.000 MW là điện mặt trời mái nhà, hơn 8.400 MW điện mặt trời trang trại và toàn bộ đều sử dụng công nghệ Module quang điện. Module quang điện (PV module) được sản xuất chủ yếu bằng công nghệ silic tinh thể (c-Si) chiếm hơn 90% thị trường. Module silicon tinh thể chứa thủy tinh trên bề mặt, polyme trong vỏ bọc và giấy bạc mặt sau, nhôm trong khung, silicon trong tế bào quang điện, đồng trong các kết nối, bạc trong các đường tiếp xúc, và các kim loại nặng khác như thiếc và chì. Một sản xuất khác của PV là từ công nghệ màng mỏng.

Trong Module PV màng mỏng, cấu trúc hầu hết chứa CdTe, CIGS và a-Si. [1], [2] Với sự phát triển của các hệ thống ĐMT, số lượng PV Module được giải phóng khi hết tuổi thọ cũng gia tăng một cách nhanh chóng. Module PV thường bị ảnh hưởng bởi nhiệt độ, mưa, gió, v., tạo ra lỗi, hư hại trên bề mặt các module hoặc sự hư hại cơ học trong quá trình vận chuyển và lắp đặt. Các thiệt hại có thể rút ngắn vòng đời của các Module PV.

Chất thải của từ các module PV có thể gây ô nhiễm môi trường bởi các kim loại nặng, nhưng lại không dễ thu gom trong quy trình tái chế. Ngoài ra, những hỏng hóc của Module PV có thể ảnh hưởng đến hiệu suất của toàn bộ hệ thống ĐMT gây ra tổn thất năng lượng và làm thiệt hại về hiệu quả kinh tế. Do đó, cần có một phương pháp hiệu quả trong quá trình kiểm tra và bảo trì Module PV với những yêu cầu đáp ứng một cách tự động, nhanh chóng và đáng tin cậy. HƯỚNG TIẾP CẬN ĐỀ TÀI Vấn đề này đã được giới khoa học nghiên cứu và công bố kết quả trên các tờ báo lớn, cũng như các tạp chí, hội nghị trong nước và trong khu vực.

Viễn thám PV module đã được thực hiện gần đây với các các phương pháp tiếp cận như từ phân tích hình ảnh điện phát quang (electroluminescence - EL), Hình ảnh hồng ngoại (infrared radiation - IR) và kỹ thuật hình ảnh Mô hình màu RGB. Những phương pháp này cung cấp một đo lường các hình ảnh của module PV nhưng thường yêu cầu các chuyên gia kiểm tra trực Học viên: Phan Khắc Phúc Thiện 1 Luận văn Thạc sĩ GVHD: TS. Nguyễn Phúc Khải quan các hình ảnh thu được và yêu cầu thời gian xử lý lâu do lượng dữ liệu lớn, chi phí đòi hỏi cao. Tự động hóa việc phát hiện các hư hại trong Hình ảnh từ module PV yêu cầu các nghiên cứu chuyên sâu để giúp cải thiện tốc độ và độ chính xác của việc kiểm tra.

Với sự phát triển của các mô hình học sâu, tự động phát hiện các thiệt hại trong hình ảnh PV đã trở nên dễ dàng hơn và hiệu quả hơn. Các mô hình học sâu được xây dựng với nhiều các lớp tích chập (mạng nơ-ron tích chập, CNN) nắm bắt các chi tiết và tóm tắt của các đặc điểm hình ảnh EL. LeNet [3], [4] và cấu trúc dựa trên VGG [5], [6] và [7] thường được sử dụng trong các mô hình CNN để phân loại các cell PV b với các cell PV bị lỗi. Cấu trúc dựa trên RCCN [8] và Unet [9] nhanh được sử dụng để phân đoạn các thiệt hại trong hình ảnh EL sau đó phân loại các cell PV bị lỗi.

Các mô hình CNN này có thể phát hiện các cell PV bị lỗi với độ chính xác khác nhau từ 75% đến 100% theo các bộ dữ liệu hình ảnh EL khác nhau với kích thước hình ảnh khác nhau. Tuy nhiên, phương pháp hình ảnh EL thường được sử dụng để kiểm tra trong nhà và khó áp dụng ngoài trời cho một đối tượng lớn như mảng PV hoặc hệ thống ĐMT lớn [10], [11]. Ngoài ra, các mô hình CNN cũng được phát triển để phân loại các loại các khuyết tật như tách lớp, ăn mòn, bụi, đường mòn và ố vàng [12]. Phương pháp này cũng cung cấp độ chính xác cao trong việc phát hiện khuyết tật với độ chính xác cao của việc phân loại các Module PV khỏe mạnh hoặc bị lỗi.

PHẠM VI NGHIÊN CỨU - Phát hiện dị thường trên module quang điện mặt trời thông qua phân tích dữ liệu ảnh dựa trên mạng nơ-ron học sâu. - Xây dựng mô hình và huấn luyện mạng nơ-ron học sâu và các thuật toán liên quan 1. MỤC TIÊU NGHIÊN CỨU Vấn đề chẩn đoán lỗi của thiết bị trong hệ thống điện đã được nghiên cứu từ lâu. Tuy nhiên, vấn đề này càng trở nên cấp thiết và thực tiễn khi hệ thống điện có sự tham gia của các nguồn điện Năng lượng tái tạo.

Cụ thể là điện mặt trời với phần tử chính phát điện là module PV quang điện dễ bị ảnh hưởng bởi các yếu tố môi trường và yêu cầu cao về thời gian phát hiện, sửa chữa sự cố. Để giải quyết vấn đề trên có nhiều phương pháp, và phương pháp được áp dụng trong phạm vi nghiên cứu này là một trong số đó. Học viên: Phan Khắc Phúc Thiện 2 Luận văn Thạc sĩ GVHD: TS. Nguyễn Phúc Khải 1.

NỘI DUNG NGHIÊN CỨU - Tìm hiểu về bài toán phát hiện dị thường ứng dụng cho Module quang điện. - Tìm hiểu các phương pháp, mô hình đã được các tác giả thực hiện. - Tìm hiểu về mạng nơ-ron học sâu và mạng nơ-ron tích chập (CNN) - Xây dựng và huấn luyện mô hình mạng nơ-ron học sâu ứng dụng cho phát hiện dị thường trên Module quang điện. - Áp dụng phương pháp trên đối với bài toán: phát hiện dị thường trên Module quang điện.

- Đánh giá kết quả, nhận xét, kết luận 1. Ý NGHĨA CỦA ĐỀ TÀI 1. Ý nghĩa khoa học - Kết quả nghiên cứu dự kiến đề xuất được một mô hình nơ-ron học sâu ứng dụng cho bài toán phát hiện dị thường trên Module quang điện. - Kết quả nghiên cứu dựa trên tổng hợp, phân tích và kế thừa các nghiên cứu đã được thực hiện trên đối tượng và đề tài liên quan.

- Mô hình mới này thể hiện tính ưu việt hơn trong một hoặc một số tiêu chí khi ứng dụng cho bài toán. Ý nghĩa thực tiễn - Đối với một nhà máy điện măt sử dụng các tấm pin quang điện, có thể dự đoán và phân loại chính xác các Module năng lượng mặt trời bất thường phục vụ quá trình vận hành và bảo dưỡng nhà máy điện. Học viên: Phan Khắc Phúc Thiện 3 Luận văn Thạc sĩ GVHD: TS. Nguyễn Phúc Khải CHƯƠNG 2.

TỔNG QUAN VỀ NHẬN DIỆN DỊ THƯỜNG TRÊN MODULE PV Thành phần cốt lõi của toàn bộ nhà máy điện quang điện là tấm pin quang điện mặt trời. Những khiếm khuyết trong quá trình sản xuất và lắp đặt, vốn không thể tránh khỏi, sẽ ảnh hưởng đến hiệu quả của nhà máy. Một số hiện tượng dị thường trên bề mặt module PV thường gặp là: 2. Bụi bẩn Hiện tượng bụi bẩn [13] liên quan đến tổn thất điện năng do tuyết, bụi bẩn và các phần tử khác bao phủ bề mặt của module PV.

Trong đó, tác nhân điển hình nhất là hiện tượng bụi bám. Bụi là một lớp mỏng bao phủ bề mặt của mảng năng lượng mặt trời. Các hạt bụi thông thường có đường kính nhỏ hơn 10 µm tùy thuộc vào địa điểm và điều kiện môi trường. Bụi bẩn được tạo ra từ nhiều nguồn chẳng hạn như ô nhiễm không khí, núi lửa phun trào, khí thải từ phương tiện giao thông, khói thải từ các nhà máy,… cùng nhiều nguồn khác.

Bụi tích tụ theo thời gian càng dày và diện tích che phủ càng lớn thì sẽ càng làm suy giảm trầm trọng thêm hiệu suất của module PV. Trên thực tế, lượng bụi tích tụ trên bề mặt của module PV nếu không được xử lý sẽ ảnh hưởng đến hiệu suất tổng thể của cả mảng PV. Về lâu dài, hiện tượng này sẽ tạo ra thêm nhiều hệ quả khác như: Hot- spot, già hóa module PV, suy giảm khả năng hấp thụ ánh sáng,… 2. Bóng che Hiện tượng bóng che xảy ra khi bề mặt các module PV bị che khuất bởi các tòa nhà, cây cối hoặc các vật thể khác ở gần và cao hơn các module PV.

Vì dòng điện đầu ra của module PV phục thuộc vào bức xạ mặt trời, nên việc giảm bức xạ mặt trời do bóng râm một phần hoặc toàn bộ sẽ ảnh hưởng đến hiệu suất của module PV. Hệ thống PV thường gặp sự cố do sự phi tuyến tính giữa dòng điện và điện áp trong điều kiện bóng che một phần [14]. Cụ thể, hiện tượng này thường là nguyên nhân gây ra kích hoạt diode-bypass. Từ đó giảm hiệu suất tổng thể của cả mảng PV (đối với mảng PV có chung đầu vào bộ MPPT) và làm tăng khả năng module PV bị các điểm nóng cục bộ gây ra cháy nổ và dẫn đến hư hỏng hoàn toàn.

Học viên: Phan Khắc Phúc Thiện 4 Luận văn Thạc sĩ GVHD: TS. Nguyễn Phúc Khải 2. Cracking (nứt) Khi tế bào pin (thành phần) chịu ứng suất cơ học hoặc nhiệt lớn hơn, vết nứt vô hình có thể xuất hiện, rất khó phát hiện. Khác với các hot-pot, các vết nứt chỉ dẫn đến việc ngắt kết nối của pin, do đó ảnh hưởng đến sản lượng điện.

Các loại vết nứt khác nhau có ảnh hưởng khác nhau đến các tấm. Diode bypass Các module PV được làm từ các tế bào silicon tinh thể liên kết với nhau và do đó nhạy cảm với bóng râm. Trong một module PV tiêu chuẩn, các tế bào (cell) này được kết nối nối tiếp với nhau, dẫn đến điện áp cao nhưng cùng một giá trị dòng điện chạy qua tất cả các ô được kết nối. Vì vậy, miễn là ánh sáng mặt trời chiếu vào bề mặt của module PV là đồng nhất, mỗi tế bào quang điện trong cùng một bảng sẽ tạo ra cùng một lượng điện áp, tuy nhiên, nếu một tế bào bị che khuất bởi một số yếu tố bên ngoài (vật thể cao, cây cối), nó sẽ ngừng tạo ra năng lượng điện và hoạt động giống như một điện trở bán dẫn, không chỉ không tạo ra năng lượng mà còn làm giảm mạnh tổng lượng năng lượng do module quang điện tạo ra.

Ngoài ra, hiện tượng này nếu xảy ra thường xuyên sẽ gây ra hiện tượng điểm nóng cục bộ (hot spot). Diode bypass được sử dụng trong các module PV để bảo vệ các tế bào quang điện bị che bóng một phần khỏi các tế bào hoạt động bình thường dưới ánh nắng mặt trời trong cùng một module.