Anomaly Detection in Redundant Sensor Systems: A Comparative Study Using Photovoltaic Power Plant Data

Abstract

In den letzten Jahren gab es weltweit erhebliche Fortschritte beim Ausbau der Energieerzeugung durch Photovoltaik (PV), und dieser Trend wird voraussichtlich auch in Zukunft anhalten. Um den Betriebszustand und die Effizienz eines großen PV-Kraftwerks zu überwachen, wird die Sonneneinstrahlung mithilfe redundanter Sensoren an verschiedenen Standorten am Kraftwerksgelände gemessen. Diese Daten werden genutzt, um festzustellen, ob die tatsächliche Leistung des Kraftwerks den Erwartungen entspricht oder ob Probleme vorliegen, welche die Leistung beeinträchtigen. Allerdings können auch die Messgeräte selbst fehlerhaft sein, was zu widersprüchlichen oder uneindeutigen Daten führt, bei denen unklar ist, welche Messwerte der Realität entsprechen. An diesem Punkt setzt diese Arbeit an. Es werden zwei Methoden zur Validierung und Fehlererkennung in den Messdaten der Sensoren verglichen. Grundlage der Analyse sind die Messdaten von zwei großen PV-Kraftwerken in Europa, die im Zeitraum von Jänner 2023 bis Juli 2024 erhoben wurden. Da die Anzahl der fehlerhaften Messdaten nicht ausreichend war, wurde ein Framework mit künstlich erzeugten Anomalien eingesetzt, die auf real auftretenden Problemen basieren, um die Methoden zu evaluieren. Mit PRADA wird eine neue Methode zur Fehlererkennung in redundanten Sensorsystemen vorgestellt. Dabei wird eine Regression zwischen jeweils zwei Sensoren durchgeführt und anhand des Regressionskoeffizienten das Verhalten der Sensoren bewertet. Dieses Verhalten wird über mehrere Tage hinweg beobachtet, um festzustellen, ob ein Sensor fehlerhaft ist. PRADA zeichnet sich durch Flexibilität, Transparenz und geringe Anforderungen an die Hardware aus. Als Vergleichsverfahren dient ein LSTM-Autoencoder, eine etablierte Methode zur Anomalieerkennung. In verschiedenen Experimenten erzielt PRADA konstant hohe Erkennungsraten mit einem F1-Score zwischen 0.94 und 0.975. Damit übertrifft PRADA in fünf von sechs Experimenten das Ergebnis des LSTM-Autoencoders, welcher mit einem F1-Score zwischen 0.84 und 0.97 weniger konsistente Ergebnisse liefert. Darüber hinaus kann PRADA deutlich schneller trainiert werden. Bei der Anwendung befinden sich die Laufzeiten beider Methoden in der gleichen Größenordnung, wenn für den LSTM-Autoencoder eine GPU verwendet wird, ohne GPU zeigt PRADA signifikant kürzere Laufzeiten.

In recent years, there has been significant progress globally in the expansion of photovoltaic (PV) energy generation, and this trend is expected to continue in the future. To monitor the operational status and efficiency of an utility-scale PV power plant, solar irradiance is measured using redundant sensors located at different locations on the site of the plant. This data is used to determine whether the electric power of the plant meets the expectations or if there are issues affecting its performance. However, the sensors themselves can sometimes malfunction, leading to inconsistent or ambiguous data where it is unclear which measurements reflect reality. This is where this work comes in. It compares two methods for validating and detecting anomalies in the sensor data. The analysis is based on irradiance data collected from two utility-scale PV power plants in Europe between January 2023 and July 2024. Since the number of occurrences of anomalies in the data was insufficient, a framework with artificially generated anomalies, based on real-world anomalies, was used for evaluation. With PRADA, a new method for anomaly detection in redundant sensor systems is introduced. It performs regressions between pairs of sensors, and based on the regression coefficient, evaluates the behaviour of the sensors. This behaviour is monitored over several days to determine whether a sensor is faulty. PRADA is characterized by its flexibility, transparency, and low hardware requirements. An LSTM Autoencoder is used as the comparison method, which is an established method for anomaly detection. In various experiments, PRADA consistently achieves high detection rates with an F1 score between 0.94 and 0.975. PRADA outperforms the LSTM Autoencoder in five out of six experiments, where the LSTM Autoencoder produces less consistent results, with an F1 score ranging from 0.84 to 0.97. Furthermore, PRADA can be trained significantly faster than the LSTM Autoencoder. During execution, the runtimes of both methods are comparable when a GPU is used for the LSTM Autoencoder. Without a GPU, PRADA shows significantly shorter runtimes.