基于改进EfficientNet的光伏故障识别方法技术

本发明专利技术公开了属于光伏故障识别技术领域，特别涉及基于改进EfficientNet的光伏故障识别方法，包括：采集光伏组件故障红外图像数据；对采集的红外图像数据进行预处理，形成样本集；根据故障类型对样本集进行标注并将样本集划分为测试样本集和训练样本集；构建EfficientNet

【技术实现步骤摘要】
基于改进EfficientNet的光伏故障识别方法


[0001]本专利技术属于光伏故障识别
，特别涉及基于改进EfficientNet的光伏故障识别方法。

技术介绍

[0002]为加快规划建设新型能源体系，以风电、光伏发电为主的新能源成为电力供应主体。其中光伏电站主要分布在以沙漠、戈壁、荒漠等太阳辐射资源丰富的地区。光伏组件长时间暴露在恶劣的环境中，易引发热斑、二极管失效等故障，不但影响光伏电站的输出效率，还有可能因光伏组件过热引发火灾等灾害。因此，如何高效且准确的识别光伏组件的故障情况，对光伏电站的安全高效运行具有重要意义。
[0003]在现有技术中，光伏组件的故障识别的主流方法是利用光伏组件的电压、电流等电气参数的输出特性来检测故障信息。但利用电气参数特性的故障识别方法需要大量数据采集设备的支撑，且存在检测成本高、环境噪声影响大等缺点，难以有效应用在实际光伏电站的生产现场。
[0004]光伏组件表面温度信息是发电过程中最重要的参数之一，与电气参数相比，温度的变化更直接的体现了光伏组件的运行状态。因此，基于红外图像实现故障诊断的方法因其高效、低成本的特点，逐渐在光伏故障诊断领域得到研究。随着人工智能技术的发展，有研究利用深度神经网络等方法来提取红外图像信息并实现故障检测。但利用传统深度学习网络进行故障识别的方法，网络只是通过改进模型的宽度或者深度实现故障识别模型的优化，且对于光伏故障图像中的空间像素信息重视程度不高，导致光伏故障识别的准确率不高，检测的速度较慢，无法满足光伏电站实际应用的需求。
[0005]综上所述，亟需一种能够有效地提高光伏组件故障识别的准确度和检测速度的光伏故障识别方法，满足光伏电站实际应用的需求，高效且准确的识别光伏组件的故障情况。

技术实现思路

[0006]本专利技术的目的是提供基于改进EfficientNet的光伏故障识别方法，其特征在于，包括以下步骤：
[0007]步骤1、采集光伏组件故障红外图像数据；
[0008]步骤2：对采集的红外图像数据进行预处理，形成样本集；
[0009]步骤3：根据故障类型对样本集进行标注并将样本集划分为测试样本集和训练样本集；
[0010]步骤4：构建EfficientNet
‑
CBAM模型，并使用训练样本集进行模型训练；
[0011]步骤5：基于EfficientNet
‑
CBAM模型，建立光伏组件故障识别模型；
[0012]步骤6：基于光伏组件故障识别模型，识别故障类型。
[0013]所述步骤2中对采集的红外图像数据进行预处理，包括如下步骤：
[0014]步骤2
‑
1：基于U2‑
Net语义分割模型对采集到的光伏阵列图像进行深度学习训练，
实现快速识别光伏阵列与背景区域，从红外图像中分割出光伏阵列；
[0015]步骤2
‑
2：利用几何变换方法扩充故障样本，所述几何变换方法包括上下翻转、随机旋转、左右平移以及随机缩放。
[0016]所述步骤3中的故障类别包括：热斑故障、二极管故障、整串故障、阴影遮挡和大面积热斑故障。
[0017]所述步骤3中测试样本集和训练样本集包含的样本数量比例为1：9。
[0018]所述步骤4中构建EfficientNet
‑
CBAM模型的步骤为：
[0019]步骤4
‑
1：采用EfficientNet
‑
b0作为基础网络结构；
[0020]步骤4
‑
2：采用卷积操作对输入特征矩阵进行升维；
[0021]步骤4
‑
3：采用重复堆叠的MBConv进行特征提取，并将MBConv中的SE注意力模块替换为CBAM注意力模块，所述MBConv包括一个升维卷积层，一个深度可分离卷积层，一个CBAM注意力模块以及一个降维卷积模块；
[0022]步骤4
‑
4：构建输出层，所述输出层包括一个降维卷积层、一个平均池化层以及一个全连接层。
[0023]所述步骤4
‑
1中基础网络结构的初始化步骤为：
[0024]设置输入分辨率为224
×
224
×
3；
[0025]设置α＝1.2、β＝1.1、γ＝1.15、φ＝1；
[0026]其中，α、β、γ决定网络的宽度、深度和图像分辨率的缩放比例，φ为复合缩放系数；
[0027]设置模型初始学习率为10
‑
3；
[0028]设置迭代次数为200；
[0029]设置每次训练样本输入数量为4。
[0030]所述步骤4
‑
2中采用卷积操作对输入特征矩阵进行升维的具体运算步骤如式(1)和式(2)所示：
[0031][0032]g
U
(x
c
)＝f(x
c
*k
u
+b
u
)(2)
[0033]式中，F1(X)为第一层的卷积操作，g
U
表示升维卷积操作，x
c
表示第c个通道的输入矩阵，X＝[x1,x2,
…
,x
c
]为第一层输入矩阵，f表示卷积激活函数，*表示卷积运算，k
u
表示升维卷积核的权重，b
u
表示升维卷积的偏移量，为第一层输入的三通道矩阵，r为输入分辨率，W为网络的宽度，H1为第一层的输入特征矩阵的高度，W1为第一层输入特征矩阵的宽度，C1为第一层输入特征矩阵的通道数。
[0034]所述步骤4
‑
3中采用重复堆叠的MBConv进行特征提取，并将MBConv中的SE注意力模块替换为CBAM注意力模块的具体运算步骤如式(3)
‑
式(15)所示：
[0035][0036]式中，F
i
表示第i层的MBConv操作，i的取值范围为[2,3,
…
,8]，X为第i层输入矩阵，g
d
表示降维卷积操作，g
cbam
表示注意力机制运算操作，g
w
表示深度可分离卷积操作，
⊙
表示连乘运算；
[0037]g
d
(x
c
)＝f(x
c
*k
d
+b
d
)(4)
[0038]式中，k
d
表示降维卷积核的权重，b
d
表示降维卷积的偏移量；
[0039][0040]式中，z
c
表示第c个通道的空间平均池化中间向量第i行第j列的数，H表示输入矩阵的高度，W表示输入矩阵的宽度，x
c
(i,j)表示第c个通道的输入矩阵中第i行第j列的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进EfficientNet的光伏故障识别方法，其特征在于，包括如下步骤：步骤1、采集光伏组件故障红外图像数据；步骤2：对采集的红外图像数据进行预处理，形成样本集；步骤3：根据故障类型对样本集进行标注并将样本集划分为测试样本集和训练样本集；步骤4：构建EfficientNet
‑
CBAM模型，并使用训练样本集进行模型训练；步骤5：基于EfficientNet
‑
CBAM模型，建立光伏组件故障识别模型；步骤6：基于光伏组件故障识别模型，识别故障类型。2.根据权利要求1所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤2中对采集的红外图像数据进行预处理，包括如下步骤：步骤2
‑
1：基于U2‑
Net语义分割模型对采集到的光伏阵列图像进行深度学习训练，实现快速识别光伏阵列与背景区域，从红外图像中分割出光伏阵列；步骤2
‑
2：利用几何变换方法扩充故障样本，所述几何变换方法包括上下翻转、随机旋转、左右平移以及随机缩放。3.根据权利要求1所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤3中的故障类别包括：热斑故障、二极管故障、整串故障、阴影遮挡和大面积热斑故障。4.根据权利要求1所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤3中测试样本集和训练样本集包含的样本数量比例为1：9。5.根据权利要求1所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤4中构建EfficientNet
‑
CBAM模型的步骤为：步骤4
‑
1：采用EfficientNet
‑
b0作为基础网络结构；步骤4
‑
2：采用卷积操作对输入特征矩阵进行升维；步骤4
‑
3：采用重复堆叠的MBConv进行特征提取，并将MBConv中的SE注意力模块替换为CBAM注意力模块，所述MBConv包括一个升维卷积层，一个深度可分离卷积层，一个CBAM注意力模块以及一个降维卷积模块；步骤4
‑
4：构建输出层，所述输出层包括一个降维卷积层、一个平均池化层以及一个全连接层。6.根据权利要求5所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤4
‑
1中基础网络结构的初始化步骤为：设置输入分辨率为224
×
224
×
3；设置α＝1.2、β＝1.1、γ＝1.15、φ＝1；其中，α、β、γ决定网络的宽度、深度和图像分辨率的缩放比例，φ为复合缩放系数；设置模型初始学习率为10
‑
3；设置迭代次数为200；设置每次训练样本输入数量为4。7.根据权利要求5所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤4
‑
2中采用卷积操作对输入特征矩阵进行升维的具体运算步骤如式(1)和式(2)所示：
g
U
(x
c
)＝f(x
c
*k
u
+b
u
)(2)式中，F1(X)为第一层的卷积操作，g
U
表示升维卷积操作，x
c
表示第c个通道的输入矩阵，X＝[x1,x2,
…
,x
c
]为第一层输入矩阵，f表示卷积激活函数，*表示卷积运算，k
u
表示升维卷积核的权重，b
u
表示升维卷积的偏移量，为第一层输入的三通道矩阵，r为输入分辨率，w为网络的宽度，H1为第一层的输入特征矩阵的高度，W1为第一层输入特征矩阵的宽度，C1为第一层输入特征矩阵的通道数。8.根据权利要求5所述的基于改进EfficientNet的光伏故障识别方法，其特征在于，所述步骤4
‑
3中采用重复堆叠的MBConv进行特征提取，并将MBConv中的SE注意力模块替换为CBAM注意力模块的具体运算步骤如式(3)
‑
式(15)所示：式中，F
i
表示第i层的MBConv操作，i的取值范围为[2,3,
…
,8]，X为第i层输入矩阵，g
d
表示降维卷积操作，g
cbam
表示注意力机制运算操作，g
w
表示深度可分离卷积操作，
⊙
表示连乘运算；g
d
(x
c
)＝f(x
c
*k
d
+b
d
)(4)式中，k
d
表示降维卷积核的权重，b
d
表示降维卷积的偏移量；式中，z
c
表示第c个通道的空间平均池化中间向量第i行第j列的数，H表示输入矩阵的高度，W表示输入矩阵的宽度，x
c
(i，j)表示第c个通道的输入矩阵中第i行第j列的数；s＝f1(W2(f2(W1z)))(6)式中，z∈c表示通道平均池化中间向量，z＝[z1，z2，
…
，z
c
]
T
，s∈c表示通道平均池化权重向量，s＝[s1，s2，
…
，s
c
]
T
，W1和W2分别表示...

【专利技术属性】
技术研发人员：吕游，齐欣宇，郑茜，陈江，曾卫东，
申请(专利权)人：华能集团技术创新中心有限公司西安热工研究院有限公司，
类型：发明
国别省市：