上海油压工作室一个国际研究团队开发了一种基于航空图像深度学习的新型光伏故障检测方法。
所提出的方法使用 U-Net 卷积神经网络 (CNN) 架构进行图像分割,然后应用 InceptionV3-Net CNN 架构进行故障分类。
学者们表示:“太阳能电池板表面存在的灰尘、雪、鸟粪以及其他物理和电气问题可能会导致能量损失。” “太阳能系统有效监控和清洁协议的必要性怎么强调都不为过。 “基于这个目的,我们选择了研究主题来改进与各种类型的太阳能电池板损坏相关的图像处理和分类任务。”
对于模型分割步骤,该小组使用了包含 4,616 张图像的公开注释数据库。航拍影像分为农田、草地、盐碱地、灌木、水面、屋顶六类。数据库按60%-20%-20%的比例划分,分别用于训练、验证和测试。
另一个数据库有885张图像,按照相同的比例进行故障分类。该数据集包括六类光伏问题:清洁、灰尘、鸟落、电气损坏、物理损坏和下雪。除了 InceptionV3-Net 模型(应用 InceptionV3 基础和 ImageNet 权重)之外,研究人员还测试了其他压缩分类模型。它们是 Dense-Net、MobileNetV3、VGG19、CNN、VGG16、Resnet50 和 InceptionV3。
上海油压工作室“最初,航空卫星图像使用U-net模型架构进行处理,输入形状为256X256X3,经历三个阶段:输入解码、编解码组合和输出生成,”他解释道。
上海油压工作室他还强调,InceptionV3-Net 架构使用具有 ImageNet 权重的 InceptionV3 基础,并通过卷积层、压缩和激励 (SE) 块、残差连接和全局平均池进行增强。该模型包括两个带有 LeakyReLU 和批量归一化的密集层,并以 Soft-Max 输出层结束。它还使用数据增强技术,例如旋转、移位、剪切、缩放和亮度调整。
上海油压工作室他们补充道:“该模型是使用 Adam 优化器进行训练的,学习率为 0.0001,分类交叉熵损失为。”
他们的分析表明,所提出的 InceptionV3-Net 的验证准确率达到了 98.34%,F1 分数(代表精确度和召回率之间的平衡)为 0.99%。相比之下,竞争模型的验证准确度范围为 20.9% 至 89.87%,F1 范围为 0.21% 至 0.92%。
测试结果还表明,所提出的InceptionV3-Net网络的验证准确率达到94.35%,F1分数为0.94。这是与竞争模型的验证准确性进行比较的。相比之下,竞争模型的验证准确度为 21%-90.19%,F1 为 0.19-0.91。
研究人员得出的结论是,“未来的工作可以解决几个开放领域,以进一步提高 InceptionV3-Net 模型的能力。” “将该模型应用于其他可再生能源系统,例如风力涡轮机或水力发电厂,将测试其多功能性。 “实时故障检测模型的进一步优化可以作为未来的工作来提高其实际用途。”