論文の概要: DTW k-means clustering for fault detection in photovoltaic modules
- arxiv url: http://arxiv.org/abs/2306.08003v1
- Date: Tue, 13 Jun 2023 07:42:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 23:30:21.821471
- Title: DTW k-means clustering for fault detection in photovoltaic modules
- Title（参考訳）: 太陽光発電モジュールの故障検出のためのDTW k-meansクラスタリング
- Authors: Edgar Hernando Sep\'ulveda Oviedo (LAAS-DISCO, LAAS-ISGE), Louise
Trav\'e-Massuy\`es, Audine Subias, Marko Pavlov, Corinne Alonso
- Abstract要約: 本稿では、DTW K-meansと呼ばれる教師なしのアプローチを示す。
DWT(Dynamic Time Warping)メトリックとKmeansクラスタリングアルゴリズムの両方をデータ駆動アプローチとして活用する。
PV文字列におけるこの混合手法の結果は、パネルの視覚検査によって確立された診断ラベルと比較される。
- 参考スコア（独自算出の注目度）: 0.07388859384645262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increase in the use of photovoltaic (PV) energy in the world has shown
that the useful life and maintenance of a PV plant directly depend on
theability to quickly detect severe faults on a PV plant. To solve this problem
of detection, data based approaches have been proposed in the
literature.However, these previous solutions consider only specific behavior of
one or few faults. Most of these approaches can be qualified as supervised,
requiring an enormous labelling effort (fault types clearly identified in each
technology). In addition, most of them are validated in PV cells or one PV
module. That is hardly applicable in large-scale PV plants considering their
complexity. Alternatively, some unsupervised well-known approaches based on
data try to detect anomalies but are not able to identify precisely the type of
fault. The most performant of these methods do manage to efficiently group
healthy panels and separate them from faulty panels. In that way, this article
presents an unsupervised approach called DTW K-means. This approach takes
advantages of both the dynamic time warping (DWT) metric and the Kmeans
clustering algorithm as a data-driven approach. The results of this mixed
method in a PV string are compared to diagnostic labels established by visual
inspection of the panels.
- Abstract（参考訳）: 世界における太陽光発電(PV)エネルギーの利用の増加は、太陽光発電プラントの有用な寿命と維持が、PVプラントの深刻な故障を迅速に検出する能力に直接依存していることを示している。
この検出の問題を解決するために,データに基づく手法が文献で提案されているが,これらの手法は1つないし少数の断層の特定の挙動のみを考慮に入れている。
これらのアプローチのほとんどが監視対象となり、膨大なラベル付け作業(各技術で明確に識別された型)が必要になる。
さらに、そのほとんどはPV細胞または1つのPVモジュールで検証される。
これは、その複雑さを考慮すると、大規模なpvプラントではほとんど適用できない。
あるいは、データに基づく教師なしの既知のアプローチでは、異常の検出を試みるが、障害の種類を正確に特定できないものもある。
これらの手法の最も優れた者は、健全なパネルを効率よくグループ化し、欠陥のあるパネルから分離する。
このように、この記事では、DTW K-meansと呼ばれる教師なしのアプローチを示す。
このアプローチは、dwt(dynamic time warping)メトリックとデータ駆動アプローチとしてのkmeansクラスタリングアルゴリズムの両方の利点を生かしている。
PV文字列におけるこの混合手法の結果は、パネルの視覚検査によって確立された診断ラベルと比較される。
関連論文リスト
- Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。
近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。
本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文 参考訳（メタデータ） (2023-12-18T09:52:14Z) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T04:45:56Z) - Detection and classification of faults aimed at preventive maintenance
of PV systems [0.07388859384645262]
PVシステムの診断は、障害を検出し、発見し、特定することを目的としている。
本稿ではランダムフォレスト(RF)アルゴリズムに基づく革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-06-13T07:44:47Z) - Data-driven soiling detection in PV modules [58.6906336996604]
太陽光発電モジュールの土質比を推定する問題について検討した。
私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。
実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-01-30T14:35:47Z) - Efficient anomaly detection method for rooftop PV systems using big data
and permutation entropy [0.0]
本稿では,ビッグデータを用いた多数の屋上PVシステムに対する新しい異常検出手法と,重み付き置換エントロピー(WPE)と呼ばれる時系列複雑度測定手法を提案する。
この効率的な方法は、特定の領域における履歴PV生成データのみを使用して異常なPVシステムを特定し、新しいセンサやスマートデバイスを必要としない。
提案したPV異常検出法は,100世帯以上の豪州世帯の屋上PV発生データを用いて検証した。
論文 参考訳（メタデータ） (2023-01-15T08:01:45Z) - A scalable framework for annotating photovoltaic cell defects in
electroluminescence images [0.0]
PVセルの異常検出技術は、運用とメンテナンスにおいて大幅なコスト削減をもたらす可能性がある。
近年,エレクトロルミネッセンス(EL)画像の異常を自動的に検出する深層学習技術が研究されている。
本稿では,最先端のデータ駆動技術を組み合わせてゴールデンスタンダードベンチマークを作成することを提案する。
論文 参考訳（メタデータ） (2022-12-15T12:46:31Z) - Anomaly Detection in IR Images of PV Modules using Supervised
Contrastive Learning [4.409996772486956]
我々は、赤外線画像の異常を検出するために、教師付きコントラスト損失を伴うResNet-34畳み込みニューラルネットワークを訓練する。
本手法は,未知の種類の異常を迅速かつ確実に検出し,実践に適した手法である。
我々の研究は、教師なしドメイン適応を用いたPVモジュール故障検出をより現実的な視点でコミュニティに提供します。
論文 参考訳（メタデータ） (2021-12-06T10:42:28Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - Explainable Incipient Fault Detection Systems for Photovoltaic Panels [0.057725463942541105]
XFDDSはモデルベースとデータ駆動フレームワークを組み合わせたハイブリッドアプローチである。
PVパネル用モデルベースFDDは、初期断層を検出するための低照射条件下での高忠実度モデルが欠如している。
データ駆動型FDDメソッドでは、説明可能性の欠如、サンプルインスタンスの機能変数、偽アラームなどが問題となる。
論文 参考訳（メタデータ） (2020-11-19T14:26:29Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。