Nhận dạng tấm pin mặt trời bị lỗi dựa trên dữ liệu ảnh bằng trí tuệ nhân tạo

CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX

NHẬN DẠNG TẤM PIN MẶT TRỜI BỊ LỖI DỰA TRÊN DỮ LIỆU ẢNH
BẰNG TRÍ TUỆ NHÂN TẠO
Nguyễn Đăng Tiến(1), Trần Trang Ninh(1), Nguyễn Tiến Thành(1),
Nguyễn Trần Minh Trang(1), Nguyễn Đức Thảo(1), TS. Nguyễn Quốc Minh
(1)Viện Điện, Trường Đại học Bách khoa Hà Nội
*Tác giả liên hệ:

TÓM TẮT
Việc xác định tấm pin mặt trời bị hỏng có vai trị rất quan trọng trong việc đảm bảo hiệu
suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, chúng tôi đề xuất sử dụng
phương pháp học máy để tự động hoá việc phân loại tấm pin mặt trời bị hỏng. Mơ hình
học máy được huấn luyện và kiểm tra trên tập dữ liệu bao gồm 2.146 hình ảnh điện phát
quang có độ phân giải cao của các tấm pin mặt trời loại momo và loại poly. Kết quả phân
loại cho thấy mơ hình học máy có thể phân loại được tấm pin mặt trời bị hỏng với độ chính
xác f1-score lên đến 86,26%.
Từ khóa: phân loại tấm pin mặt trời, học máy, mạng nơ-ron tích chập, svm

1. GIỚI THIỆU
Các tấm pin năng lượng mặt trời thường được

bị lỗi là cần thiết để đảm bảo hiệu suất tối đa

bảo vệ bởi khung nhơm và tấm kính bề mặt

cho các nhà máy năng lượng mặt trời.

để trách khỏi các tác động của môi trường.

Việc xác định và phân loại các tấm pin mặt

Tuy nhiên, các biện pháp bảo vệ này không

trời bị lỗi là đặc biệt khó khăn, nó là một thách

phải lúc nào cũng có thể ngăn ngừa được các

thức lớn ngay cả với các chuyên gia được đào

hư hỏng do cơ học như tác động từ mưa đá,

tạo cũng có thể khơng phát hiện ra những vết

các cành cây rơi, rơi khi lắp đặt, thậm chí có

nứt hỏng, bởi một số khuyết tật này không

những vết nứt nhỏ không nhìn thấy được,

thể nhìn thấy được bằng mắt thường. Ngược

hoặc các khuyết tật khi sản xuất dẫn tới các

lại, một số khuyết tật khác có thể nhìn thấy

tấm pin mặt trời bị hỏng. Điều này làm giảm

bằng mắt thường nhưng lại khơng hề làm

hiệu suất năng lượng được chuyển hố thành

giảm hiệu quả của mô-đun.

điện năng của các mô-đun năng lượng mặt

Hình

trời. Do đó việc cần phải theo dõi trình trạng

(Electroluminescence - EL) là một phương

của các mô-đun năng lượng mặt trời và thay

thức hữu ích để điểm tra các tấm pin mặt trời.

thế hoặc sửa chữa các đơn vị tấm pin mặt trời

EL cung cấp hình ảnh có độ phân giải cao

ảnh

điện

phát

quang

DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 121

CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX

giúp có thể phát hiện các vết nứt, khuyết tật

việc phân loại tấm pin mặt trời cũng được

trên bề mặt của các mơ-đun. Tuy nhiên, việc

quan tâm và nghiên cứu

phân tích thủ công sẽ tiêu tốn rất nhiều thời

vượt trội của máy học là không cần hiểu quá

gian, tiền bạc, công sức và còn đòi hỏi kiến

nhiều về các loại khuyết tật, các đặc trưng này

thức chuyên môn về các loại khuyết tật khác

sẽ được trích xuất tự động trong quá trình

nhau.

huấn luyện. Trong nghiên cứu này chúng

Ngày nay, với sự phát triển của trí tuệ nhân

tơi đề xuất mơ hình máy học kết hợp giữa

tạo nói chung và học máy nói riêng, việc nhận

mạng nơ-ron tích chập (Convolutional Neural

dạng và phân loại hình ảnh trở nên ngày càng

Network - CNN) với vec tơ hỗ trợ (Support

chính xác thậm chí một số tác vụ có thể vượt

Vector Machine - SVM) để phân loại tấm pin

qua con người. Việc ứng dụng máy học vào

mặt trời hỏng.

2. PHƯƠNG PHÁP

đó sẽ kết hợp kết quả của chúng lại với

2.1 Mơ hình học máy

nhau. Lớp tích chập này sẽ được đi qua

Chúng tơi sử dụng mạng nơ-ron tích chập

một hàm kích hoạt phi tuyến tính để tạo

(CNN) như một phương pháp trích xuất đặc

ra các thơng tin trừu tượng hơn cho các

trưng để thuật tốn SVM phân loại. Cụ thể

lớp tiếp theo. Ngồi ra cịn sử dụng một

được mơ tả như Hình 1 dưới đây.

vài lớp khác như các loại lớp pooling dùng

. Bởi ưu điểm

[1-2]

để chắt lọc lại các thơng tin hữu ích. Trong
q trình huấn luyện mạng nơ-ron sẽ tự
động học qua các lớp bộ lọc để trích xuất
đặc trưng. Lớp cuối cùng sẽ được dùng
để phân nhóm hình ảnh. Mạng nơ-ron
tích chập chúng tơi sử dụng trong mơ
hình máy học đề xuất là kiến trúc mơ hình
Hình 1. Quy trình chung của mơ hình
phân loại hình ảnh tấm pin mặt trời hỏng

EfficientNet-B0 [3] đã được huấn luyện trên
bộ dữ liệu Imagenet với hơn 1,3 triệu bức
ảnh cho 1000 lớp hình ảnh khác nhau,

Mạng nơ-ron tích chập là một mạng nơ-

chúng tơi loại bỏ các lớp phân nhóm hình

ron tập hợp các lớp tích chập chồng lên

ảnh ở cuối kiến trúc mơ hình, giữ lại trọng

nhau. Mỗi lớp tích chập sẽ được sử dụng

số tại các lớp tích chập để từ đó sử dụng

các bộ lọc khác nhau, số lượng thường

mạng nơ-ron tích chập như một phương

đến hàng trăm, hàng nghìn bộ lọc sau

pháp trích xuất đặc trưng.

122 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO


CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX

Vec tơ hỗ trợ (SVM) là một thuật toán

3. KẾT QUẢ VÀ THẢO LUẬN

thường được dùng trong các bài toán phân

3.1 Kết quả mơ hình

loại dữ liệu thành các nhóm riêng biệt.

Để kiểm tra kết quả phân loại của mơ hình

Trong thuật tốn này, dữ liệu được ánh xạ

chúng tơi sử dụng chỉ số f1-score để đánh giá

vào không gian nhiều chiều hơn để từ đó

các dự đốn của mơ hình với các nhãn thật

tìm ra siêu mặt phẳng để phân chia các

được gán sẵn trên tập dữ liệu kiểm thử. F1-

nhóm cần phân loại. Sau khi sử dụng thuật

score được thể hiện qua cơng thức dưới đây:

tốn tìm kiếm các tham số tối ưu cho SVM
chúng tôi thu được tham số điều chuẩn C
là 100, nhân của thuật toán là ‘rbf’ với hệ số
nhân gamma là 0.001.
Chúng tôi đã đánh giá mơ hình trên tập

2.2 Tập dữ liệu và huấn luyện mơ hình
Mơ hình được huấn luyện và kiểm thử trên
bộ dữ liệu bao gồm 2146 bức ảnh điện phát

quang của các tấm pin mặt trời loại mono

kiểm thử đã được chia và cách ly khỏi tập
huấn luyện kết quả được mô tả ở Bảng 1.
Bảng 1. Kết quả của mơ hình trên tập kiểm thử

và poly có độ phân giải cao được đưa về

Chỉ số

%

kích thước 300x300 được trích xuất từ 44

Accuracy

91.63

mơ-đun năng lượng mặt trời, cụ thể hình

Recall

80.71

ảnh các loại tấm pin mặt trời được mơ tả

Precision

92.62

tại Hình 2. Trong tập dữ liệu bao gồm 717

F1-score

86.26

bức ảnh tấm pin mặt trời bị hỏng và 1429
bức ảnh tấm pin mặt trời bình thường. Tập
dữ liệu được chia thành 2 phần là tập huấn
luyện và tập kiểm thử với tỉ lệ 80-20.

3.2 Thảo luận
Do tập dữ liệu có sự mất cân bằng ở 2 nhóm
tấm pin mặt trời bị hỏng và tấm pin mặt trời
bình thường với tỉ lệ lần lượt là 33.41% ,
66.59%. Vì thế chúng tơi đã khơng sử dụng
độ chính xác Accuracy để đánh giá mơ hình
mà sử dụng chỉ số F1-score. Dựa trên các chỉ
số Recall, Precision có thể cho thấy mơ hình

Hình 2. Hình ảnh điện phát quang.
a) pin mặt trời loại mono bị hỏng;
b) pin mặt trời loại mono bình thường;
c) pin mặt trời loại poly bị hỏng;
d) pin mặt trời loại poly bình thường

máy học có tỉ lệ tìm thấy tấm pin mặt trời
bị hỏng trong tổng số các tấm pin thực sự
hỏng là 80.71%, tỉ lệ phân loại đúng tấm pin
mặt trời bị hỏng trong tổng số các tấm pin

được phân loại bị hỏng là 92.62%.

DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 123


CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION SIX

4. KẾT LUẬN

TÁC GIẢ BÀI BÁO

Nghiên cứu này đề xuất một một cách tiếp

Nguyễn Đăng Tiến (1999) là sinh viên

cận đề phân loại tự động tấm pin mặt trời

chuyên ngành Kỹ thuật điều khiển và tự

bị hỏng từ hình ảnh điện phát quang dựa

động hoá Trường Đại học Bách khoa Hà Nội.

trên mơ hình học máy. Từ kết quả nghiên
cứu đã chỉ ra rằng mơ hình học máy cho
kết quả khả quan với độ chính xác f1-score
là 86.26%. Chúng tơi nghĩ rằng đây vẫn là

Trần Trang Ninh (2000) là sinh viên chuyên
ngành Kỹ thuật điện Trường Đại học Bách

khoa Hà Nội.

kết quả khiêm tốn chính vì thế nghiên cứu

Nguyễn Tiến Thành (2000) là sinh viên

trong tương lai sẽ sử dụng các thuật toán

chuyên ngành Kỹ thuật điện Trường Đại

mạnh hơn để cải thiện độ chính xác.

học Bách khoa Hà Nội.
Nguyễn Trần Minh Trang (2000) là sinh
viên chuyên ngành Kỹ thuật điện Trường

TÀI LIỆU THAM KHẢO
1. Sergiu Deitsch, et al., “Automatic classification
of

defective

photovoltaic

module

cells

in

Đại học Bách khoa Hà Nội.

electroluminescence images”, Solar Energy, 185, pp.

Nguyễn Đức Thảo (2000) là sinh viên

455-468, 2019.

chuyên ngành Kỹ thuật điện Trường Đại

2. Kurukuru, V. S. B., Haque, A., Khan, M. A., & Tripathy, A.
K., “Fault classification for Photovoltaic Modules Using

học Bách khoa Hà Nội.

Thermography and Machine Learning Techniques”,
2019 International Conference on Computer and

GIẢNG VIÊN HƯỚNG DẪN

Information Sciences (ICCIS), 2019.

TS. Nguyễn Quốc Minh nhận bằng Tiến sĩ

3. Mingxing Tan, Quoc V Le, “EfficientNet: Rethinking
model scaling for convolutional neural networks”,
International Conference on Machine Learning, 2019

chuyên ngành Kỹ thuật điện tại trường The
University of Texas at Arlington năm 2016.

Hiện tại đang là Phó Trưởng Bộ mơn Hệ
thống điện tại Viện Điện - Trường Đại học

CHÚ THÍCH

Bách khoa Hà Nội. Các hướng nghiên cứu

TP: Số dự đốn dương tính thật

chính: bảo vệ và điều khiển hệ thống điện,

FP: Số dự đốn dương tính giả

ứng dụng AI trong lưới điện thơng minh,

FN:Số dự đốn âm tính giả

ăng ten và truyền sóng.

Chữ viết tắt
EL: Hình ảnh điện phát quang


-Electroluminescence

124 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO