可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8（2022）174www.elsevier.com/locate/icte大规模分布式太阳能发电场中基于边缘的个体化异常检测Ali Reza Sajuna，Salsabeel Shapsougha，Mr. Shahan a，Imran Zualkernana，Rached Dhaouadiba阿拉伯联合酋长国沙迦，沙迦美国大学计算机科学与工程系b阿拉伯联合酋长国沙迦，沙迦美国大学电气工程系接收日期：2021年2月1日;接收日期：2021年9月26日;接受日期：2021年12月22日2021年12月30日在线提供摘要大规模太阳能发电场的电力输出经常受到可能对电网整合产生不利影响的异常现象的困扰。本文提出一个异常检测系统，使用连体双神经网络对太阳能发电场中的边缘设备进行异常检测。该模型的F1得分为0.88，并在Raspberry PI、Nvidia Nano和Google Coral上使用两种多线程方案进行了评估。单个分析边缘设备可以以1 Hz的频率为512个太阳能电池板提供服务。最好的硬件平台是Nvidia© 2021作者（S）。出版社：Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：光伏;异常;连体;边缘计算1. 介绍在建设智能城市方面有大量的研究，这些城市能够支持人口增长和城市化，同时保护环境资源[1]。智慧城市的关键要素之一是绿色可持续能源发电。太阳能发电是绿色能源的一种普遍选择。太阳能发电是一个很好的替代方案，因为太阳能发电场的长期成本低，加上太阳能电池板制造的不断改进。然而，太阳能电力渗透到主电网的百分比仍然相对较低，主要是由于与化石燃料等传统能源相比，不稳定性的一个太阳能组件的制造是为了在标准测试条件（STC）下产生最大产量，其中遮阳为1000 W/m2，温度为设定在25摄氏度。然而，太阳能模块很少在STC运行。STC的突然偏离被认为是异常是电网集成中的一个主要挑战，因为需要进行电力规划和智能监控，以确保异常输出不会传播到电网。*通讯作者。电子邮件地址：b00068908@aus.edu（A.R.Sajun），sshapsough@aus.edu（S.Shapsough），izualkernan@aus.edu（I.Zualkernan），rdhaouadi@aus.edu（R.Dhaouadi）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2021.12.011网格[2]。主动“智能”监控需要检测和响应，以确保在适当的时间范围内发现异常。边缘计算是指一类智能系统，它们利用低成本微控制器来执行分析，并在更接近传感器数据收集位置的地方做出智能决策。通过这样做，可以通过发送性能摘要而不是原始数据来减少网络由于计算更接近传感器，边缘计算也减少了响应时间。在边缘上执行数据处理还可以更轻松地构建和部署个性化和分布式异常检测模型。本文介绍了在大型太阳能发电场基于边缘的异常检测系统的各种实施的评估。该系统经过训练，可以识别阴影观测，以降低大规模和偏远太阳能发电场的错误决策成本。具体而言，本文研究了在三种不同的边缘设备上运行具有不同多线程模型的独立神经网络模型的准确性、可靠性和资源需求，以量化每种情况下的性能，并推荐最适合实际实现的设计。 在此过程中，本文件旨在努力实现联合国可持续发展目标[3]中与可再生能源有关的第7项目标和与可持续城市和社区有关的第11项目标。2405-9595/© 2021作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。A.R. Sajun，S.沙普苏岛Zualkernan等人ICT Express 8（2022）174175图1.一、 边缘分析为大型农场节省的带宽。2. 背景2.1. 太阳能发电的异常现象太阳异常大致可以分为三类：可避免的背景异常、不可避免的背景异常和恶意的人为异常（如网络攻击）。可避免异常的一个例子是系统异常，例如电气连接故障、失配错误和设备退化，这些异常可以通过定期或紧急系统维护来纠正[4]。与环境相关的其他可避免的异常，如过热和污垢，可以通过冷却技术和定期清洁来纠正[5]。阴影[6]是不可避免的异常的一个例子，它减少了到达太阳能电池板的辐照量，并且不能总是避免。阴影异常有时可以通过智能跟踪或阵列的动态重新配置来减轻[7]，但这种仪器的成本可能超过由于阴影造成的功率损失的成本。在一个小型太阳能发电场中，查明发生了什么异常并做出适当的反应是相当微不足道的。然而，在大规模和分布式农场中，由于规模和可变性，异常检测任务更具挑战性2.2. 基于边缘的异常检测在基于物联网（IoT）的太阳能监测架构中，边缘设备用于从连接到太阳能电池板的传感器读取数据。然后，这些数据通过计算机网络传送到数据中心.信息随后在数据中心存储、处理和分析，并传输到更大的智能能源生态系统[8]。虽然这种类型的单片架构提供了一种将信息从边缘设备传输到数据中心的简化方法，但随着边缘设备的数量和要传输的数据量的增加，该架构会受到压力[9]。不仅由于传输的数据量增加而使网络资源变得很薄，而且由于网络拥塞而增加的延迟使得这种类型的设计对于实时应用来说并不理想[10，11]。避免这些问题的一种技术基于边缘的异常检测对太阳能发电场有意义的原因有很多。一、网络资源要求通过使分析任务更接近边缘并仅向数据中心发送关键结果来减少[12]。图1显示了通过使用边缘分析节省的带宽，假设来自太阳能电池板的数据以1 Hz发布[9]，并且异常发生的时间为10%[13]。图图1显示了中国五个最大的太阳能发电场[14]、努尔阿布扎比太阳能发电厂[15]和穆罕默德·本·拉希德·阿勒马克图姆太阳能公园[16]的五个阶段的净节省。图1还显示了根据国际电联2020年价格趋势报告[17]使用移动宽带和固定宽带的平均篮子价格估计的节省。如图所示，随着太阳能发电场规模的扩大，数据和成本的节省显著增加，估计每年可节省9000万美元的无线和7000万美元用于2.83GWp安装的光纤。使用基于边缘的异常检测的另一个原因是，减少传输的数据量也会降低太阳能发电场中安装的设备的密度。LoRaWAN边缘设备的上行链路限制为50 kbps [18]，而NB-IoT可以高达230 kbps [19]。例如，Noor Abu Dhabi大小的太阳能设施需要88 Gbps的上行链路带宽，占地8平方公里，对于NB-IoT，边缘设备密度约为5，500个设备/平方公里，对于LoRaWAN，不考虑发送周期，边缘设备密度为15，600个设备/平方公里。另一方面，使用边缘分析将NB-IoT的设备密度降低到2个设备/Km2， LoRaWAN的设备密度降低到8个设备/Km2使用基于边缘的异常检测的第三个原因 太阳能电池板可以是不同的阵列形式，因此可以基于它们的地理位置经历独特的天气条件。太阳能电池板还遭受不同的老化和退化特征[20]。因此，专门针对一个面板的性能简档训练的机器学习和深度学习模型因此，异常的预测可能跨面板不准确。将检测分布到边缘可以更容易地为每个面板构建和运行个性化的分布式模型，并且还可以使系统不太容易出现单点故障。最后，在边缘检测异常增加了安全性。例如，2019年进行的一项研究发现，能源系统占关键基础设施网络安全攻击的54%[21]。这种攻击可能会产生严重的后果，从侵犯客户端的隐私到注入错误的数据，这可能导致错误的决策，并最终损害网格的可靠性[22]。通过减少流经网络的数据量，还可以降低数据攻击的概率。通过网络传输的数据越少，就越容易应用加密等数据保护措施[23]。3. 拟议系统架构图2示出了所提出的用于边缘上的异常检测的架构。一种称为面板观察器的边缘设备从每个面板读取传感器数据数据来自多个这样的A.R. Sajun，S.沙普苏岛Zualkernan等人ICT Express 8（2022）174176图二. 建议的系统架构。边缘设备经由无线通信被发送到本地分析边缘设备。分析边缘设备使用针对每个小组的个体化异常检测模型来实时处理来自每个小组观察者的数据。异常检测的结果仅在需要时发送到远程数据中心。在该设计中，只有分析边缘设备需要具有合理的处理能力来执行异常检测，而面板观察器设备可以是与传感器接口的低成本一个分析边缘设备可以为数百个面板存储单独训练的模型，并根据接收到的数据运行适当的异常检测模型。这里报告的研究使用Raspberry Pi 4.0 [24]，NVIDIAJetson Nano [25]和Google Coral Dev Board [26]作为潜在的分析边缘设备。每个设备运行一个MQTT代理，每个面板观察者设备将数据发布到该代理。单个分析边缘设备还将每个面板的单个模型存储在场的字符串、阵列或部分中。这意味着分析边缘设备并行运行多个异常检测模型，为所有面板提供实时分析，并避免延迟。并行处理是通过线程实现的。单独的模型可以运行在单独的线程上，这些线程在接收数据时动态创建，并在处理完成后销毁，或者使用线程池部署[27]。这两种多线程模式都被认为是在这项工作中。4. 评价4.1. 模型训练从[28]中提供的实验装置收集的实际数据用于训练面板特定的异常检测模型。这些数据包括太阳辐照度、环境温度、模块温度、最大功率和在夏季三个月内每小时记录的时间因此，对数据进行了分析，并确定了阴影观察结果并将其标记为异常。在总共660个数据点中，66个数据点被识别为异常。然后在此数据上训练连体双胞胎神经网络模型[29]。如图3示出了，暹罗网络训练了映射六维输入的编码器（例如，太阳辐射、模块温度等）变成一个二维的潜在的图3.第三章。 Siamese模型推理架构。表1分类器的评价分类器F1-评分- 6个维度F1-评分- 2个维度时间/1000个 推 断（秒）KNN0.710.870.422SVM0.810.880.0678XGBoost0.780.870.352随机森林0.800.874.733神经网络0.680.871.151以正常数据和异常数据被映射到潜在空间中的不同位置的方式进行间隔。暹罗双胞胎模型被训练了500个时期，准确率为90%，损失为0.025。所得暹罗模型的测试F1分数为0.88。然后使用Tensorflow Lite（TFLite）[30]和TensorRT[31]创建相同模型的嵌入式版本。这样做是为了减少模型的大小，从而减少在分析边缘设备上运行这些模型所需的资源[32]。一旦编码器被训练，如图3所示，分类器被训练以将二维潜在空间映射到正常或异常结果。训练了不同的分类方法。每种分类方法都是用原始的六维输入和将数据通过训练的编码器后获得的二维潜在空间输入进行训练的。10-使用折叠交叉验证进行评价。虽然一个推理模型可以一次对来自一个面板的数据执行异常检测，但是可以同时运行模型。并行地使用线程来实现多处理并减少处理延迟。考虑了两种线程模型：多线程和线程池。4.2. 分类器性能结果表1显示了使用各种分类器的平均F1评分。如图所示，SVM表现最好。表1还表明，与其他方法相比，SVM的推理时间最短。表1还显示，在所有情况下，使用暹罗双编码器显著增加了F1分数。4.3. 多线程和资源结果在第一个多线程模型中，当从面板观察者接收到带有数据的该技术用于三个分析边缘设备，其中Raspberry Pi和Jetson Nano使用TFLite和TensorRT，Google Coral使用TFLite面板数量A.R. Sajun，S.沙普苏岛Zualkernan等人ICT Express 8（2022）174177图四、1 2 小 时 能耗与面板/分析边缘设备。从1到512不等。这相当于一个单一的分析，lytics边缘设备处理数据从1到512太阳能电池板同时进行。第二个线程模型是创建一个固定的线程池，所有挂起的异常检测推理都被委托给这个线程池。使用200个线程的固定池进行与第一个多线程方法相同的测试。测量了每种情况下每个分析边缘设备的功耗和CPU利用率还记录了偶尔的螺纹失效。图图4示出了各种数量的面板的每个设备/模型组合的能耗。应注意，在某些情况下，未显示更多样本组的数据（例如，512.第512章系统崩溃了图4显示Jetson Nano通常消耗最少的能量，而Google Coral的能量消耗最高。其次，在大多数情况下，与使用TensorRT相比，使用TFLite模型可以降低能耗。最后，在Jetson Nano的情况下，线程池方法被认为比使用多线程方法多消耗约10Wh。图5显示了最大CPU利用率。图5显示，在大多数测试中，GoogleCoral的最大CPU利用率最低，仅略高于50512面板在1赫兹。这表明，无论使用何种线程模型，Google Coral都不太可能发生CPU饥饿。如图5显示，使用TensorRT时，在Jetson Nano最后，除了Jetson Nano运行TensorRT模型外，大多数测试都能够成功运行512个面板，以1 Hz发布。然而，在线程池的情况下，只有Google Coral能够成功运行512个面板 的 测 试 。 树 莓 派 和 Jetson NanoTensorRT 型 号 的Raspberry Pi每分钟能够处理128个面板，而Jetson Nano每分钟只能处理64个面板。在测试无法处理更多面板的情况下，会出现内存溢出，直到分析边缘设备崩溃。只有在使用TFLite模型时才会出现崩溃，而在使用TensorRT格式时则从未出现过然而，在所有情况下，崩溃都没有达到所有线程的5%以上，因此可以被认为是微不足道的。图五、最 大CPU利用率与面板/分析边缘设备。总体而言，基于在Jetson Nano上运行的TFLite的多线程配置是最合理的选择，因为它的能耗最低，并且能够每分钟处理512个面板，最大CPU利用率不超过60%。在这个模型中看到的线程失败的最大百分比是1.67%，这是可以忽略不计的，因此可以确定配置对于部署是最合理的。5. 结论随着对太阳能的依赖增加，需要太阳能发电的可靠性，以便使太阳能最终取代化石燃料。为了确保可靠性，需要对太阳能发电场进行实时监控，以克服阴影等异常情况带来的挑战。由于廉价的边缘设备的可用性，现在可以在深度学习模型的帮助下为每个面板进行个性化的监控。本文通过在三个不同的边缘设备上部署TFLite和TensorRT格式的Siamese双编码器以及SVM分类器来评估这样的系统，每分钟发布一次，评估多达512个模拟面板的由此产生的能源消耗和CPU利用率表明，这样的系统可以使用Nvidia Jetson Nano以多线程方式运行TensorFlow Lite模型进行最佳部署，以确保在边缘设备上进行准确的异常检测。CRediT作者贡献声明Ali Reza Sajun：软件，形式分析，可视化，写作-原始草稿。Salsabeel Shapsough：概念化，数据策展，写作-原始草稿，方法论。伊姆兰·祖克尔南：概念化、监督、写作–Rached Dhaouadi：监督，资金获取。竞合利益作者声明，他们没有已知的可能影响本文所报告工作A.R. Sajun，S.沙普苏岛Zualkernan等人ICT Express 8（2022）174178致谢该研究部分得到了SCRI-18-02号拨款和阿联酋沙迦美国大学的Petrofac-Chair拨款的支持。引用[1] S.科梅洛Reichelstein，A. Sahoo，太阳能光伏发电的未来之路，更新。坚持住。Energy Rev. 92（2018）744//dx.doi.org/10.1016/j.rser.2018.04.098网站。[2] M. Ourahou，W. Ayrir，B.E.L. Hassouni，A. Haddi，可再生能源存 在 下 的 智 能 电 网 控 制 和 可 靠 性 审 查 ： 挑 战 和 前 景 ，Math.Comput。你好167（2020）19http://dx.doi.org/10.1016/j.matcom.2018.11.009[3] #Envision2030 ： 17 goals to transform the world for persons withdisabilities，2021，联合国（未注明）。https://www.un.org/development/desa/disabilities/envision2030.html（2021年1月[4] M. Alam，F. Khan，J. Johnson，J. Flicker，PV faults：Overview，modeling，prevention and detection techniques，in：2013 IEEE 14thWorkshop on Control and Modeling for Power Electronics，COM-PEL2013 ， 2013 ， pp. 1 http://dx.doi.org/10.1109/COMPEL.2013 。6626400。[5] M. Heinrich，S. Meunier，A.萨梅湖克瓦勒河达尔加湖乌赫勒卢湾Multon，用机器学习检测光伏模块上的清洁干预，应用。能源263（2020）1//dx.doi.org/10.1016/j.apenergy.2020.114642网站。[6] S.K.达斯D. Verma，S. Nema，R.K. Nema，阴影缓解技术：光伏应用的 最新技 术， 更新。 坚持住 。Energy Rev. 78（ 2017 ）369http://dx.doi.org/10.1016/j.rser.2017。四点零三分[7] N. Isa，M.K.M.太阳能光电跟踪系统的进展：综述，续.坚持住。EnergyRev.82（2018）2548http://dx.doi.org/10.1016/j.rser.2017.09.077[8] Salsabeel Shapsough，Imran Zualkernan，公用事业规模分布式太阳能发电场物联网中间件的要求，在：2019年第六届物联网国际会议 ： 系 统 ， 管 理 和 安 全 （ IOTSMS ） ， 2019 年 ， pp.51http://dx.doi.org/10.1109/[9] S.沙普苏岛Zualkernan，为大规模和分布式太阳能发电场的智能管理设计边缘层，在：K. J. Kim，H.- Y. Kim（Eds.），信息科学与应 用 ， 施 普 林 格 ， 新 加 坡 ， 2020 年 ， 页 。 651-http://dx.doi.org/10.1007/978-981-15-[10] J.W. Heron，J. Jiang，H. Sun，V. Gezerlis，T. Doukoglou，物联网智能电网网络拓扑的需求响应往返延迟，IEEE Access。6（2018）22930http://dx.doi.org/10.1109/[11] M. Erol-Kantarci，H.T. Mouftah，智能电网中的节能信息和通信基础设施：关于相互作用和开放问题的调查，IEEE Commun。调查导师。17（2015）179http://dx.doi.org/10.1109/COMST.2014.2341600[12] 医学博士侯赛因，C.I. Nwakanma，J.M.李，D.- S. Kim，使用强化学习进行IIoT场景的边缘计算任务卸载方案，ICT Express。6（2020）291 http://dx.doi.org/10.1016/j。icte.2020.06.002网站。[13] C. Aytekin，X. Ni，F. Cricri，E. Aksu，使用l2归一化深度自动编码器表示的聚类和无监督异常检测，在：2018年国际神经网络联合会议（IJCNN），2018年，pp.1http://dx.doi.org/10.1109/IJCNN。2018.8489068。[14] J. Murray，Profiling the five largest solar power plants in China，NSenergy ， 2021 ， https://www.nsenergybusiness.com/features/largest-solar-plants-china/（2021年9月23日访问）。[15] H.阿联酋阿米尔为世界上最大的太阳能项目TechSpot供电。（2019）https://www.techspot.com/news/80740-uae-powers-noor-abu-dhabi-world-largest-solar.html（2021年9月25日访问）。[16] Mohammed bin Rashid Al Maktoum Solar Park -一个促进阿联酋可持续发展的领先项目，2019年，https://www.dewa.gov.ae/en/about-dewa/news-and-media/press-and-news/latest-news/2019/03/mohammed-bin-rashid-al-maktoum-solar-park（2019年5月25日访问）。[17] 国际电信联盟发展部门，衡量数字发展-2020年，2021年ICT价格趋势，https://www.itu.int/en/ITU-D/Statistics/Documents/publications/prices2020/ITU_ICTPriceTrends_2020.pdf（2021年9月[18] M.阿巴西，S。Khorasanian，M.H. Yaghmaee，智能电网的低功耗广域网（LPWAN）：对LoRaWAN的深入研究，在：2019年第五届 知 识 工 程 和 信 息 会 议 （ KBEI ） ， 2019 年 ， 第 100 页 。 022http://dx.doi.org/10.1109/KBEI。2019.8735089。[19] 窄带–互联网的事情（NB-IoT），2018,（未注明）。http：//www.gsma.com/iot/narrow-band-internet-of-things-nb-iot/（2018年5月26日[20] W.J. Jamil，H.A.拉赫曼，S。Shaari，M.K.M. Desa，确定光伏输出中 的 污 染 降 额 因 子 建 模 ， IEEEJ. Photovolt. （ 2020 ） 1http://dx.doi.org/10.1109/JPHOTOV.2020。3003815[21] K. Kimani，V. Oduol，K. Langat，基于物联网的智能电网网络的网络 安 全 挑 战 ， Int.J.Crit. 保 护 好 。 25 （ 2019 ）36http://dx.doi.org/10.1016/j.ijcip.2019.01.001[22] A.O. Otuoze，M.W. Mustafa，R.M. Larik，智能电网安全挑战：按威 胁 来 源 分 类 ， J. Electr. Syst. Inf. Technol. 5 （ 2018 ）468http://dx.doi.org/10.1016/j.jesit.2018.01.001[23] R. Leszczyna，智能电网网络安全要求标准综述，COMPUT。安全性77（2018）262http://dx.doi.org/[24] 树 莓 派 - 教 ， 学 习 ， 并 与 树 莓 派 ， 2016 年 ， N. D 。https://www.raspberrypi.org/（2016年5月[25] Jetson nano开发人员套件，NVIDIA 开发人员，2019 ，https：//developer。nvidia.com/embedded/jetson-nano-developer-kit（2021年1月4日访问）。[26] 谷 歌 珊 瑚 开 发 板 ， 2021 年 ， 珊 瑚 。 （ 未 注 明 ） 。https://coral.ai/products/dev-board/（2021年1月9日访问）。[27] N.辛格湖M.布朗河Butler，用Python并行天文数据处理：多核机器的食谱，宇航员。2（2013）1http://dx.doi.org/10.1016/j.ascom.2013.04.002[28] S.沙普索夫，M。塔克鲁里河达瓦迪岛Zualkernan，一个基于物联网的远程IV跟踪系统，用于分析城市范围的太阳能发电设施，Sustain 。 Cities Soc. 57 （ 2020 ） 102041 ， http://dx.doi.org/10 。1016/j.scs.2020.102041的网站。[29] S.沙普苏岛祖凯尔南河Dhaouadi，A.R. Sajun，使用连体网络来检测太阳能发电场边缘的阴影，在：第七届物联网国际会议：系统 ， 管 理 和 安 全 （ IOTSMS ） ， 2020 年 ， pp.1http://dx.doi.org/10.1109/[30] TensorFlowLite|面向移动和边缘设备的ML，2020，TensorFlow。（未注明）。https://www.tensorflow.org/lite（2020年7月[31] NVIDIAtensorrt ， NVIDIA开 发 人 员 ， 2016 年 ，https://developer.nvidia。com/tensorrt（2020年7月25日访问）。[32] Q. Liang，P. Shenoy，D. Irwin，AI on the edge：Rethinking AI-based IoT applications using specialized edge architectures ，2020 ，arXiv：2003.12488。（2020年）。http://arxiv.org/abs/2003.12488（2021年1月6日访问）。
我的内容管理
展开
