CN109615629B - 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 - Google Patents

基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 Download PDF

Info

Publication number
CN109615629B
CN109615629B CN201811584248.1A CN201811584248A CN109615629B CN 109615629 B CN109615629 B CN 109615629B CN 201811584248 A CN201811584248 A CN 201811584248A CN 109615629 B CN109615629 B CN 109615629B
Authority
CN
China
Prior art keywords
layer
image
dust deposition
network
power generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811584248.1A
Other languages
English (en)
Other versions
CN109615629A (zh
Inventor
赵波
廖坤
曹生现
张姝伟
王尊
范思远
孙天一
王恭
吕昌旗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN201811584248.1A priority Critical patent/CN109615629B/zh
Publication of CN109615629A publication Critical patent/CN109615629A/zh
Application granted granted Critical
Publication of CN109615629B publication Critical patent/CN109615629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明一种基于卷积神经网络的光伏板积灰状态图像识别系统，其特点是：包括光伏阵列的输出端经汇流箱与直流/交流转换器的输入端相连通；直流/交流转换器的输出端与逆变器的输入端相连通，逆变器的输出端与输电网相连通；光伏阵列的板背与温度传感器的输入端相连通；高清摄像头的输出端、温度传感器、气象站的输出端与图像/数据采集卡的对应输入端连通；图像/数据采集卡的输出端与计算机的输入端相连通。并提供基于卷积神经网络和图像识别的光伏板积灰状态分析调控方法。

Description

基于卷积神经网络的光伏板积灰状态图像识别系统及其分析 调控方法
技术领域
本发明涉及太阳能光伏发电技术领域，是一种基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法。
背景技术
光伏电站的光伏板久置户外，扬起的地表土壤颗粒和空气悬浮颗粒以大气沉降方式降落，经静电吸附、颗粒物粘附作用，在光伏板表面形成积灰。光伏板上的积灰会引起光伏板有效工作面积减少、散热能力减弱、灼烧、腐蚀等现象，进而导致光伏发电效率下降。
据统计，研究表明在一定范围内积灰程度与发电损失正相关，电池板积灰使光伏板板发电效率平均降低17％，严重时甚至能达到40％。相关研究表明，在污染较严重地区，累积30天不清理太阳能光伏板，光伏系统发电效率就会降低约50％以上。初步估算，在光伏电站不采用任何清洁措施背景下，因为积灰问题光伏系统每兆瓦每年减少发电量高达400000kWh。
光伏电站传统积灰检测依靠运维人员肉眼判断，具有检测误差大、无法实时检测等缺陷；常规的定期积灰清洗方案也无法精确跟随光伏板积灰波动调整，清扫频率过高会增加运维成本，频率过低会造成积灰损失过大。
发明内容
本发明的目的是，针对大型光伏电站电池板积灰导致光电转换效率下降，运维经济性降低，并危害到光伏板使用寿命等难题，提出一种基于卷积神经网络的光伏板积灰状态图像识别系统及其方法和积灰清洗调控方法，其特点是，能够在线监测光伏板积灰状态及各项发电参数，并提供在传统的通过电压电流来计算发电效率的基础上，附加光伏板积灰图像分析，在去除板面栅线对分析结果的干扰后准确计算图像平均灰度值，进而得到灰度值与电功率损失率关系模型。
实现本发明目的所采用的技术方案之一是：一种基于卷积神经网络的光伏板积灰状态图像识别系统，其特征在于：它包括光伏阵列1的输出端经汇流箱7与直流/交流转换器8的输入端相连通；直流/交流转换器8的输出端与逆变器9的输入端相连通，逆变器9的输出端与输电网10相连通；光伏阵列1的板背与温度传感器3的输入端相连通；高清摄像头2的输出端、温度传感器3、气象站4的输出端与图像/数据采集卡6的对应输入端连通；图像/数据采集卡6的输出端与计算机5的输入端相连通。
实现本发明目的所采用的技术方案之二是：一种基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，其特征在于：采用图像/数据采集卡(6)输出的图像、光伏发电参数、光伏电站环境参数制作图像数据集；计算机(5)采用Windows环境下的Python3.6调用Pytorch中基于卷积神经网络的ResNet模型，以图像数据集训练ResNet模型识别不同积灰程度的光伏板图像；ResNet模型训练成熟后，调用ResNet模型识别现场实时采集的光伏板图像，根据ResNet模型输出结果调控积灰清洗方案。
进一步，所述ResNet模型分为输入层、卷积层、全连接层、输出层等四部分；输入层接收图像并将图像转换为244×2446像素尺寸的RGB图像；卷积层采用残差网络设置5段卷积网络，逐层对图像进行卷积计算提取图像特征；全连接层设置1层全连接层，整理汇总图像特征对接图像数据集分类；输出层采用Softmax分类器计算图像所属各分类概率，以概率值最大的组别作为图像预测结果输出，ResNet模型网络层具体配置为：
①第1段卷积：配置1层卷积层，该层网络配置64个7×7卷积核；
②第2段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置64个1×1卷积核，第2层网络配置64个3×3卷积核，第3层网络配置256个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
③第3段卷积：配置4个残差模块，每个残差模块由3层卷积层构成：第1层网络配置128个1×1卷积核，第2层网络配置128个3×3卷积核，第3层网络配置512个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
④第4段卷积：配置6个残差模块，每个残差模块由3层卷积层构成：第1层网络配置256个1×1卷积核，第2层网络配置256个3×3卷积核，第3层网络配置1024个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
⑤第5段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置512个1×1卷积核，第2层网络配置512个3×3卷积核，第3层网络配置2048个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连。
进一步，所述积灰程度为：一等轻微积灰的1级，发电效率损失为0-2％；一等轻微积灰的2级，发电效率损失为>2-4％；一等轻微积灰的3级，发电效率损失为>4-6％；一等轻微积灰的4级，发电效率损失为>6-8％；一等轻微积灰的5级，发电效率损失为>8-10％；二等中度积灰1级，发电效率损失为>10-12％；二等中度积灰2级，发电效率损失为>12-14％；二等中度积灰3级，发电效率损失为>14-16％；二等中度积灰4级，发电效率损失为>160-18％；二等中度积灰5级，发电效率损失为>18-20％；三等重度积灰1级，发电效率损失为>20-22％；三等重度积灰2级，发电效率损失为>22-24％；三等重度积灰3级，发电效率损失为>24-26％；三等重度积灰4级，发电效率损失为>26-28％；三等重度积灰5级，发电效率损失为>28-30％；四等严重积灰1级，发电效率损失为>30-32％；四等严重积灰2级，发电效率损失为>32-34％；四等严重积灰3级，发电效率损失为>34-36％；四等严重积灰4级，发电效率损失为>36-38％；四等严重积灰5级，发电效率损失为>38-40％。
进一步，所述的光伏板积灰清洗调控为：采用发电效率损失率表征的光伏板积灰程度，将图像与发电效率损失率相对应，并以划定不同积灰程度等级为依据调控积灰；在图像数据集中计算各图像对应的光伏板发电效率损失率，按损失率数值大小将积灰程度分为成的一等轻微积灰的1级-5级，二等中度积灰1级-5级，三等重度积灰1级-5级，四等严重积灰1级-5级共20级，并以此20个级别作为图像的组别，后续实时采集光伏板积灰图像导入ResNet模型，模型预测图像所在分组即可获知积灰对光伏板的影响程度，ResNet模型训练成熟后，现场采集光伏板图像，调用ResNet模型预测图像所在组别获知光伏板积灰程度，实时监测光伏系统，调控积灰清洗；
1)光伏板发电效率损失率计算
积灰对光伏板运行状态的影响采用发电效率损失率来定量表征，洁净与积灰状态电池额定工作温度工况下发电效率由式(1)和(2)定量描述：
Figure GDA0003514825620000031
Figure GDA0003514825620000032
式中，η为额定工作温度工况发电效率；ηon为积灰工况发电效率；ηpl为发电效率损失率；Pm为输出电功率，单位kW；Ai为光伏板面积，单位m2；Pin为辐照度，单位kW/m2；FF为填充因子；Isc为短路电流，单位A；Voc为开路电压，单位V。其中，光伏板额定工作温度条件：辐照度800W/m2，光伏温度45℃，环境温度20℃，功率测试误差±3％；将现场采集的温度值折算为额定工作温度条件，辐照度采用额定工作温度值800W/m2，计算光伏板实时发电效率损失率；
2)ResNet模型算法原理
在实际ResNet模型构建中设置多个卷积层用于提取图像特征，卷积层提取图像特征的关键是卷积核，卷积核一个大小可调节的权值矩阵，卷积核对图像特征面开展卷积运算，提取目标图像轮廓、纹理参数，经过一次卷积运算后，图像输出的尺寸oMapN计算为式(3)：
Figure GDA0003514825620000033
式中，iMapN为输入卷积层图像尺寸，CWindow为卷积核尺寸，CInterval为卷积核处理一个区域后移动的步长；
卷积核遍历目标图像，卷积核内各元素与所覆盖目标图像的对应元素相乘再相加，完成对图像特征值的一次提取，具体卷积操作计算由式(4)定量描述：
Figure GDA0003514825620000041
式中，
Figure GDA0003514825620000042
为特征面n的第k个神经元的输出值，bn为特征面n的偏置值，fcov为激活函数。通过多个卷积核配合多层卷积操作，可以分析图像各区域像素的抽象关系，获取图像的抽象特征。
残差学习ResNet模块在网络层之间增添了一个恒等映射，解决深层网络输出差异占输出比例过小，ResNet模型梯度消失的问题，其数学表达为式(5)和(6)：
H(x)＝F(x)+x (5)
W(x)＝H(x)-x (6)
式中，x为ResNet模块输入，F(x)为网络层的运算输出，结合恒等映射x，H(x)为ResNet模块的输出，W(x)为ResNet模型学习的残差；
激活函数采用线性修正单元(Rectified Linear Unit，ReLU)，提升ResNet模型的非线性特征能力，ReLU函数具有单侧抑制作用，使负值输出为0，正值输出不变，在卷积神经网络中加入ReLU函数可以降低神经元的响应数量，有利于更好地提取图像特征值；ReLU的数学表达是一个分段函数f(max,0)，ReLU函数为式(7)：
Figure GDA0003514825620000043
3)ResNet模型评价
为了定量评价所建立模型的精度，引用准确率(Precision)、召回率(Recall)准确率与召回率的加权调和平均数(F-Score)、均方根误差(Root Mean Squared Errors，RMSE)等评价指标分析ResNet模型准确率，计算方法由式(8)～(11)定量描述：
Figure GDA0003514825620000044
Figure GDA0003514825620000045
Figure GDA0003514825620000051
Figure GDA0003514825620000052
式中，TP为正确识别的测试样本图像数量；FP为错误识别的测试样本图像数量；FN为遗漏识别的测试样本图像数量；n为样本数目，ηi,exp为实验值，ηi,cal为ResNet模型预测值。
通过光伏系统高清摄像头采集光伏板积灰图像，温度传感器、环境资源监测仪、图像/数据采集卡采集光伏系统运行参数，根据式(1)和(2)定量计算数据集各图像对应的发电效率损失率，建立图像数据集；调用ResNet模型并以图像数据集训练ResNet模型，以式(8)～(11)评价ResNet模型训练准确性，建立基于卷积神经网络的光伏板积灰状态图像识别系统，通过模型实时分析积灰对光伏系统的影响程度，计算光伏系统平均单次清扫成本并与积灰造成的发电损失对比，调控积灰清扫方案，实现光伏发电效益最大化。
本发明的一种基于卷积神经网络的光伏板积灰状态图像识别系统及其方法和积灰清洗调控方法的优点体现在：
1.基于卷积神经网络的光伏板积灰状态图像识别系统以大量现场光伏板积灰图像为数据集，数据集内图像精确对应光伏板发电效率损失率，实现图像与积灰程度精确匹配；
2.基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，采用目前较为成熟的ResNet模型，其网络卷积层多达50层，能充分提取不同积灰程度光伏板图像的纹理特征；
3.基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，发电效率损失计算直接采集光伏板图像实时分析电池板发电效率损失率。对于太阳入射角度波动影响，采用固定摄像头正午拍摄来修正；对于电池板温度影响，采用功率温度系数修正，将温度折算到标准测试工况；由于电池板材料和工艺的差异，各型号电池板衰减率由设备商通过第三方检测机构测试后给出确定数值，该值具有时变特性，即与运行时间相关联；最后，修正了前三个因素的影响后，积灰程度可作为唯一的发电效率变化值影响因素；
4.基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，科学合理，模型对图像进行像素级运算，精确分析图像特征，识别准确率高；
5.基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，以图像分析光伏板积灰程度，避免以电流、电压、功率等参数的发电效率损失率计算，可实时分析发电效率。
附图说明
图1为一种基于卷积神经网络的光伏板积灰状态图像识别系统结构示意图；
图2为一种基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法流程图；
图3为ResNet模型结构图；
图4为ResNet残差模块结构图；
图5为ResNet模型所采用的ReLU激活函数示意图。
图中：1光伏板，2高清摄像头，3温度传感器，4环境气象监测站，5计算机，6图像/数据采集卡，7汇流箱，8直流/交流转换器，9逆变器，10输电网。
具体实施方式
下面利用附图和具体实施方式对本发明作进一步说明。
参照图1，本发明的一种基于卷积神经网络的光伏板积灰状态图像识别系统，包括光伏阵列1，高清摄像头2，温度传感器3，气象站4，计算机5，数据采集卡6，汇流箱7，直流/交流转换器8，逆变器9，输电网10。光伏阵列1的输出端经汇流箱7与直流/交流转换器8的输入端相连通；直流/交流转换器8的输出端与逆变器9的输入端相连通，逆变器9的输出端与输电网10相连通；光伏阵列1的板背与温度传感器3的输入端相连通；高清摄像头2的输出端、温度传感器3、气象站4的输出端与图像/数据采集卡6的对应输入端连通；图像/数据采集卡6的输出端与计算机5的输入端相连通。
参照图2，本发明的一种基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，采用图像/数据采集卡6输出的图像、光伏发电参数、光伏电站环境参数制作图像数据集；计算机5采用Windows环境下的Python3.6调用Pytorch中基于卷积神经网络的ResNet模型，以图像数据集训练ResNet模型识别不同积灰程度的光伏板图像；ResNet模型训练成熟后，调用ResNet模型识别现场实时采集的光伏板图像，根据ResNet模型输出结果调控积灰清洗方案。
所述ResNet模型分为输入层、卷积层、全连接层、输出层等四部分；输入层接收图像并将图像转换为244×2446像素尺寸的RGB图像；卷积层采用残差网络设置5段卷积网络，逐层对图像进行卷积计算提取图像特征；全连接层设置1层全连接层，整理汇总图像特征对接图像数据集分类；输出层采用Softmax分类器计算图像所属各分类概率，以概率值最大的组别作为图像预测结果输出，ResNet模型网络层具体配置细节如下：
①第1段卷积：配置1层卷积层，该层网络配置64个7×7卷积核；
②第2段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置64个1×1卷积核，第2层网络配置64个3×3卷积核，第3层网络配置256个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
③第3段卷积：配置4个残差模块，每个残差模块由3层卷积层构成：第1层网络配置128个1×1卷积核，第2层网络配置128个3×3卷积核，第3层网络配置512个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
④第4段卷积：配置6个残差模块，每个残差模块由3层卷积层构成：第1层网络配置256个1×1卷积核，第2层网络配置256个3×3卷积核，第3层网络配置1024个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
⑤第5段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置512个1×1卷积核，第2层网络配置512个3×3卷积核，第3层网络配置2048个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连。
所述积灰程度为：一等轻微积灰的1级，发电效率损失为0-2％；一等轻微积灰的2级，发电效率损失为>2-4％；一等轻微积灰的3级，发电效率损失为>4-6％；一等轻微积灰的4级，发电效率损失为>6-8％；一等轻微积灰的5级，发电效率损失为>8-10％；二等中度积灰1级，发电效率损失为>10-12％；二等中度积灰2级，发电效率损失为>12-14％；二等中度积灰3级，发电效率损失为>14-16％；二等中度积灰4级，发电效率损失为>160-18％；二等中度积灰5级，发电效率损失为>18-20％；三等重度积灰1级，发电效率损失为>20-22％；三等重度积灰2级，发电效率损失为>22-24％；三等重度积灰3级，发电效率损失为>24-26％；三等重度积灰4级，发电效率损失为>26-28％；三等重度积灰5级，发电效率损失为>28-30％；四等严重积灰1级，发电效率损失为>30-32％；四等严重积灰2级，发电效率损失为>32-34％；四等严重积灰3级，发电效率损失为>34-36％；四等严重积灰4级，发电效率损失为>36-38％；四等严重积灰5级，发电效率损失为>38-40％。
以光伏电站每天固定时间段的监控图像为训练对象(通常选取每天正午时分所拍摄的图像)，记录图像拍摄时刻对应的实时监测电池板背板温度、光伏阵列电压、电流、功率和总辐照度，制备图像数据集；调用卷积神经网络中的ResNet模型并训练之，使其具备识别分析不同积灰程度光伏板图像的能力；现场拍摄光伏板图像，导入训练成熟的ResNet模型预测光伏板积灰程度。
卷积神经网络的光伏板积灰状态图像识别方法，的具体工作过程为：所述的光伏阵列正负极通过汇流箱7与直流/交流转换器8、逆变器9相连，直接将电传给输电网10；所述的温度传感器3与光伏阵列1的背板相连；温度传感器3采集的光伏阵列1的背板温度值，高清摄像头2采集的图像以及环境气象监测站4采集的各项试验参数，一并送进数据采集卡6，并传输到计算机5，计算光伏板发电效率损失率并与对应的光伏板图像匹配建立图像数据集。
参照图3，本发明的一种基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，其特征在于：所述的光伏板积灰清洗调控包括：采用发电效率损失率表征的光伏板积灰程度，将图像与发电效率损失率相对应，并以划定不同积灰程度等级为依据调控积灰；在图像数据集中计算各图像对应的光伏板发电效率损失率，按损失率数值大小将积灰程度分为成的一等轻微积灰的1级-5级，二等中度积灰1级-5级，三等重度积灰1级-5级，四等严重积灰1级-5级共20级，并以此20个级别作为图像的组别，后续实时采集光伏板积灰图像导入ResNet模型，模型预测图像所在分组即可获知积灰对光伏板的影响程度，例如：图像对应的发电效率损失率介于0～2％区间时，判定此光伏板处于“轻微积灰1级”，以此类推；ResNet模型训练成熟后，现场采集光伏板图像，调用ResNet模型预测图像所在组别获知光伏板积灰程度，实时监测光伏系统，调控积灰清洗。
1)光伏板发电效率损失率计算
积灰对光伏板运行状态的影响采用发电效率损失率来定量表征，洁净与积灰状态电池额定工作温度工况下发电效率由式(1)和(2)定量描述：
Figure GDA0003514825620000081
Figure GDA0003514825620000082
式中，η为额定工作温度工况发电效率；ηon为积灰工况发电效率；ηpl为发电效率损失率；Pm为输出电功率，单位kW；Ai为光伏板面积，单位m2；Pin为辐照度，单位kW/m2；FF为填充因子；Isc为短路电流，单位A；Voc为开路电压，单位V。其中，光伏板额定工作温度条件：辐照度800W/m2，光伏温度45℃，环境温度20℃，功率测试误差±3％；将现场采集的温度值折算为额定工作温度条件，辐照度采用额定工作温度值800W/m2，计算光伏板实时发电效率损失率；
以制作的图像数据集对ResNet模型进行训练。卷积神经网络的基本结构包括输入层、卷积层、全连接层和输出层等四部分，在实际模型构建中卷积层以图4结构形式配置，多个残差模块构成完整的ResNet模型。残差模块中的激活函数采用线性修正单元(RectifiedLinear Unit，ReLU)，可提升模型的非线性特征能力，ReLU函数的单侧抑制作用使负值输出为0，正值输出不变，函数图像参见图5。在卷积神经网络中加入ReLU函数可以降低神经元的响应数量，有利于更好地提取图像特征值。ResNet模型的卷积层可提取图像纹理、轮廓等特征，卷积核是一个大小可调节的权值矩阵，卷积核与图像各特征面经卷积运算以提取图像的特征参数。经过一层卷积后，图像输出的尺寸oMapN计算为式(3)：
Figure GDA0003514825620000083
式中，iMapN为输入卷积层图像尺寸，CWindow为卷积核尺寸，CInterval为卷积核处理一个区域后移动的步长；
卷积核遍历目标图像，卷积核内各元素与所覆盖目标图像的对应元素相乘再相加，完成对图像特征值的一次提取，具体卷积操作计算由式(4)定量描述：
Figure GDA0003514825620000091
式中，
Figure GDA0003514825620000092
为特征面n的第k个神经元的输出值，bn为特征面n的偏置值，fcov为激活函数。通过多个卷积核配合多层卷积操作，可以分析图像各区域像素的抽象关系，获取图像的抽象特征。
残差学习ResNet模块在网络层之间增添了一个恒等映射，解决深层网络输出差异占输出比例过小，ResNet模型梯度消失的问题，其数学表达为式(5)和(6)：
H(x)＝F(x)+x (5)
W(x)＝H(x)-x (6)
式中，x为ResNet模块输入，F(x)为网络层的运算输出，结合恒等映射x，H(x)为ResNet模块的输出，W(x)为ResNet模型学习的残差；
ReLU的数学表达是一个分段函数f(max,0)，ReLU函数为式(7)：
Figure GDA0003514825620000093
3)ResNet模型评价
为了定量评价所建立ResNet模型的精度，引用准确率(Precision)、召回率(Recall)准确率与召回率的加权调和平均数(F-Score)、均方根误差(Root Mean SquaredErrors，RMSE)等评价指标分析ResNet模型准确率，计算方法由式(8)～(11)定量描述：
Figure GDA0003514825620000094
Figure GDA0003514825620000095
Figure GDA0003514825620000096
Figure GDA0003514825620000097
式中，TP为正确识别的测试样本图像数量；FP为错误识别的测试样本图像数量；FN为遗漏识别的测试样本图像数量；n为样本数目，ηi,exp为实验值，ηi,cal为ResNet模型预测值。
通过光伏系统高清摄像头采集光伏板积灰图像，温度传感器、环境资源监测仪、图像/数据采集卡采集光伏系统运行参数，根据式(1)和(2)定量计算数据集各图像对应的发电效率损失率，建立图像数据集；调用ResNet模型并以图像数据集训练模型，以式(8)～(11)评价ResNet模型训练准确性，建立基于卷积神经网络的光伏板积灰状态图像识别系统，通过ResNet模型实时分析积灰对光伏系统的影响程度，计算光伏系统平均单次清扫成本并与积灰造成的发电损失对比，调控积灰清扫方案，实现光伏发电效益最大化。
本发明的光伏板积灰清洗调控方法对比单次积灰清扫成本和发电效率损失量，进行经济性分析，综合考虑调控光伏板清扫方案，实现光伏发电效益最大化。
本发明所用元件、器件均为市售产器，容易实施。
本发明的具体实施方式已对本发明的内容作出了说明，但不局限本具体实施方式，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (2)

1.一种基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，其特征在于：采用图像/数据采集卡(6)输出的图像、光伏发电参数、光伏电站环境参数制作图像数据集；计算机(5)采用Windows环境下的Python3.6调用Pytorch中基于卷积神经网络的ResNet模型，以图像数据集训练ResNet模型识别不同积灰程度的光伏板图像；ResNet模型训练成熟后，调用ResNet模型识别现场实时采集的光伏板图像，根据ResNet模型输出结果调控积灰清洗方案；
所述ResNet模型分为输入层、卷积层、全连接层、输出层四部分；输入层接收图像并将图像转换为244×2446像素尺寸的RGB图像；卷积层采用残差网络设置5段卷积网络，逐层对图像进行卷积计算提取图像特征；全连接层设置1层全连接层，整理汇总图像特征对接图像数据集分类；输出层采用Softmax分类器计算图像所属各分类概率，以概率值最大的组别作为图像预测结果输出，ResNet模型网络层具体配置为：
①第1段卷积：配置1层卷积层，该层网络配置64个7×7卷积核；
②第2段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置64个1×1卷积核，第2层网络配置64个3×3卷积核，第3层网络配置256个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
③第3段卷积：配置4个残差模块，每个残差模块由3层卷积层构成：第1层网络配置128个1×1卷积核，第2层网络配置128个3×3卷积核，第3层网络配置512个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
④第4段卷积：配置6个残差模块，每个残差模块由3层卷积层构成：第1层网络配置256个1×1卷积核，第2层网络配置256个3×3卷积核，第3层网络配置1024个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
⑤第5段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置512个1×1卷积核，第2层网络配置512个3×3卷积核，第3层网络配置2048个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；
所述积灰程度为：一等轻微积灰的1级，发电效率损失为0-2％；一等轻微积灰的2级，发电效率损失为>2-4％；一等轻微积灰的3级，发电效率损失为>4-6％；一等轻微积灰的4级，发电效率损失为>6-8％；一等轻微积灰的5级，发电效率损失为>8-10％；二等中度积灰1级，发电效率损失为>10-12％；二等中度积灰2级，发电效率损失为>12-14％；二等中度积灰3级，发电效率损失为>14-16％；二等中度积灰4级，发电效率损失为>160-18％；二等中度积灰5级，发电效率损失为>18-20％；三等重度积灰1级，发电效率损失为>20-22％；三等重度积灰2级，发电效率损失为>22-24％；三等重度积灰3级，发电效率损失为>24-26％；三等重度积灰4级，发电效率损失为>26-28％；三等重度积灰5级，发电效率损失为>28-30％；四等严重积灰1级，发电效率损失为>30-32％；四等严重积灰2级，发电效率损失为>32-34％；四等严重积灰3级，发电效率损失为>34-36％；四等严重积灰4级，发电效率损失为>36-38％；四等严重积灰5级，发电效率损失为>38-40％；
所述的光伏板积灰清洗调控包括：采用发电效率损失率表征的光伏板积灰程度，将图像与发电效率损失率相对应，并以划定不同积灰程度等级为依据调控积灰；在图像数据集中计算各图像对应的光伏板发电效率损失率，按损失率数值大小将积灰程度分为成的一等轻微积灰的1级-5级，二等中度积灰1级-5级，三等重度积灰1级-5级，四等严重积灰1级-5级共20级，并以此20个级别作为图像的组别，后续实时采集光伏板积灰图像导入ResNet模型，模型预测图像所在分组即可获知积灰对光伏板的影响程度，ResNet模型训练成熟后，现场采集光伏板图像，调用ResNet模型预测图像所在组别获知光伏板积灰程度，实时监测光伏系统，调控积灰清洗；
1)光伏板发电效率损失率计算
积灰对光伏板运行状态的影响采用发电效率损失率来定量表征，洁净与积灰状态电池额定工作温度工况下发电效率由式(1)和(2)定量描述：
Figure FDA0003514825610000021
Figure FDA0003514825610000022
式中，η为额定工作温度工况发电效率；ηon为积灰工况发电效率；ηpl为发电效率损失率；Pm为输出电功率，单位kW；Ai为光伏板面积，单位m2；Pin为辐照度，单位kW/m2；FF为填充因子；Isc为短路电流，单位A；Voc为开路电压，单位V，光伏板额定工作温度条件：辐照度800W/m2，光伏温度45℃，环境温度20℃，功率测试误差±3％；将现场采集的温度值折算为额定工作温度条件，辐照度采用额定工作温度值800W/m2，计算光伏板实时发电效率损失率；
2)ResNet模型算法原理
在实际ResNet模型构建中设置多个卷积层用于提取图像特征，卷积层提取图像特征的关键是卷积核，卷积核一个大小可调节的权值矩阵，卷积核对图像特征面开展卷积运算，提取目标图像轮廓、纹理参数，经过一次卷积运算后，图像输出的尺寸oMapN计算为式(3)：
Figure FDA0003514825610000023
式中，iMapN为输入卷积层图像尺寸，CWindow为卷积核尺寸，CInterval为卷积核处理一个区域后移动的步长；
卷积核遍历目标图像，卷积核内各元素与所覆盖目标图像的对应元素相乘再相加，完成对图像特征值的一次提取，具体卷积操作计算由式(4)定量描述：
Figure FDA0003514825610000031
式中，
Figure FDA0003514825610000032
为特征面n的第k个神经元的输出值，bn为特征面n的偏置值，fcov为激活函数，通过多个卷积核配合多层卷积操作，可以分析图像各区域像素的抽象关系，获取图像的抽象特征；
残差学习ResNet模块在网络层之间增添了一个恒等映射，解决深层网络输出差异占输出比例过小，ResNet模型梯度消失的问题，其数学表达为式(5)和(6)：
H(x)＝F(x)+x (5)
W(x)＝H(x)-x (6)
式中，x为ResNet模块输入，F(x)为网络层的运算输出，结合恒等映射x，H(x)为ResNet模块的输出，W(x)为ResNet模型学习的残差；
激活函数采用线性修正单元(Rectified Linear Unit，ReLU)，提升ResNet模型的非线性特征能力，ReLU函数具有单侧抑制作用，使负值输出为0，正值输出不变，在卷积神经网络中加入ReLU函数可以降低神经元的响应数量，有利于更好地提取图像特征值；ReLU的数学表达是一个分段函数f(max,0)，ReLU函数为式(7)：
Figure FDA0003514825610000033
3)ResNet模型评价
为了定量评价所建立模型的精度，引用准确率(Precision)、召回率(Recall)准确率与召回率的加权调和平均数(F-Score)、均方根误差(Root Mean Squared Errors，RMSE)评价指标分析ResNet模型准确率，计算方法由式(8)～(11)定量描述：
Figure FDA0003514825610000034
Figure FDA0003514825610000035
Figure FDA0003514825610000041
Figure FDA0003514825610000042
式中，TP为正确识别的测试样本图像数量；FP为错误识别的测试样本图像数量；FN为遗漏识别的测试样本图像数量；n为样本数目，ηi,exp为实验值，ηi,cal为ResNet模型预测值；
通过光伏系统高清摄像头采集光伏板积灰图像，温度传感器、环境资源监测仪、图像/数据采集卡采集光伏系统运行参数，根据式(1)和(2)定量计算数据集各图像对应的发电效率损失率，建立图像数据集；调用ResNet模型并以图像数据集训练ResNet模型，以式(8)～(11)评价ResNet模型训练准确性，建立基于卷积神经网络的光伏板积灰状态图像识别系统，通过模型实时分析积灰对光伏系统的影响程度，计算光伏系统平均单次清扫成本并与积灰造成的发电损失对比，调控积灰清扫方案，实现光伏发电效益最大化。
2.一种用于实现如权利要求1所述的基于卷积神经网络的光伏板积灰状态图像识别的分析调控方法的图像识别系统，其特征在于：它包括光伏阵列(1)的输出端经汇流箱(7)与直流/交流转换器(8)的输入端相连通；直流/交流转换器(8)的输出端与逆变器(9)的输入端相连通，逆变器(9)的输出端与输电网(10)相连通；光伏阵列(1)的板背与温度传感器(3)的输入端相连通；高清摄像头(2)的输出端、温度传感器(3)、气象站(4)的输出端与图像/数据采集卡(6)的对应输入端连通；图像/数据采集卡(6)的输出端与计算机(5)的输入端相连通。
CN201811584248.1A 2018-12-24 2018-12-24 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 Active CN109615629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811584248.1A CN109615629B (zh) 2018-12-24 2018-12-24 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811584248.1A CN109615629B (zh) 2018-12-24 2018-12-24 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法

Publications (2)

Publication Number Publication Date
CN109615629A CN109615629A (zh) 2019-04-12
CN109615629B true CN109615629B (zh) 2022-05-24

Family

ID=66011466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811584248.1A Active CN109615629B (zh) 2018-12-24 2018-12-24 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法

Country Status (1)

Country Link
CN (1) CN109615629B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852377A (zh) * 2019-11-08 2020-02-28 湘潭大学 一种根据肺部x光片识别肺炎的方法
CN111539355A (zh) * 2020-04-27 2020-08-14 东北电力大学 一种基于深层神经网络的光伏板异物检测系统及检测方法
CN111404274B (zh) * 2020-04-29 2023-06-06 平顶山天安煤业股份有限公司 一种输电系统位移在线监控及预警系统
CN111708830A (zh) * 2020-07-12 2020-09-25 国网山西省电力公司电力科学研究院 一种基于图像处理的光伏电站光伏板污染物智能检测辅助系统及方法
CN111798441A (zh) * 2020-07-12 2020-10-20 国网山西省电力公司电力科学研究院 一种基于图像处理的光伏电站光伏板污染物检测方法
CN113992127A (zh) * 2020-07-27 2022-01-28 华为数字能源技术有限公司 一种光伏跟踪支架转动系统和控制器
CN112561857A (zh) * 2020-11-17 2021-03-26 上海伯镭智能科技有限公司 一种基于无人机的光伏板灰尘检测系统及检测方法
CN112836816B (zh) * 2021-02-04 2024-02-09 南京大学 一种适用于光电存算一体处理单元串扰的训练方法
CN113065982A (zh) * 2021-04-22 2021-07-02 东北电力大学 一种基于密集残差网络的积灰光伏板功率预测系统及方法
CN113890027B (zh) * 2021-10-19 2024-05-17 中核坤华能源发展有限公司 基于设备运行状态和气象参数的发电功率预测系统及方法
CN114662197B (zh) * 2022-03-22 2023-03-10 中国建筑第二工程局有限公司 基于Revit平台绘制太阳能光伏板幕墙BIM模型的方法
CN116612094A (zh) * 2023-05-25 2023-08-18 东北电力大学 一种光伏板表面积灰分布聚类识别方法及系统
CN116996008B (zh) * 2023-08-10 2024-02-09 杭州市能源集团工程科技有限公司 光伏发电系统的安装方法及其系统
CN117130394A (zh) * 2023-10-26 2023-11-28 科莱克芯电科技(深圳)有限公司 一种基于人工智能的光伏设备控制方法及系统
CN117539156A (zh) * 2024-01-09 2024-02-09 厦门蓝旭科技有限公司 应用于光伏机器人的卷积神经网络控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279735A (zh) * 2013-04-24 2013-09-04 广州广电运通金融电子股份有限公司 一种金融票据识别模块中积灰检测方法及系统
JP2018021855A (ja) * 2016-08-05 2018-02-08 独立行政法人国立高等専門学校機構 検出装置およびシステム
CN108572011A (zh) * 2018-05-23 2018-09-25 东北电力大学 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法
CN108875719A (zh) * 2018-09-25 2018-11-23 浙江浙能兴源节能科技有限公司 基于深度学习与红外图像识别的空冷器积灰状态感知系统与计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279735A (zh) * 2013-04-24 2013-09-04 广州广电运通金融电子股份有限公司 一种金融票据识别模块中积灰检测方法及系统
JP2018021855A (ja) * 2016-08-05 2018-02-08 独立行政法人国立高等専門学校機構 検出装置およびシステム
CN108572011A (zh) * 2018-05-23 2018-09-25 东北电力大学 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法
CN108875719A (zh) * 2018-09-25 2018-11-23 浙江浙能兴源节能科技有限公司 基于深度学习与红外图像识别的空冷器积灰状态感知系统与计算方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DeepSolarEye: Power Loss Prediction and Weakly Supervised Soiling Localization via Fully Convolutional Networks for Solar Panels;Sachin Mehta等;《2018 IEEE Winter Conference on Applications of Computer Vision (WACV)》;20180507;第333-342页 *
Intelligent Fault Pattern Recognition of Aerial Photovoltaic Module Images based on Deep Learning Technique;Xiaoxia Li等;《Proceedings of The 9th International Multi-Conference on Complexity, Informatics and Cybernetics (IMCIC 2018)》;20181030;第22-27页 *
基于状态监测的电池板积灰清洗周期确定与费用评估;赵波等;《中国电机工程学报》;20181204;第39卷(第14期);第4205-4212页 *
基于状态识别的光伏电站清灰周期规划研究;张羽翔;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180215;I140-152 *

Also Published As

Publication number Publication date
CN109615629A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109615629B (zh) 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法
Li et al. Deep learning based module defect analysis for large-scale photovoltaic farms
CN112257941B (zh) 基于改进型Bi-LSTM的光伏电站短期功率预测方法
WO2020215405A1 (zh) 基于并网逆变器运行数据的光伏电站功率预测方法及系统
Cococcioni et al. 24-hour-ahead forecasting of energy production in solar PV systems
Natarajan et al. Fault detection of solar PV system using SVM and thermal image processing
CN105260800A (zh) 一种光伏组件温度预测方法及装置
Juan et al. Photovoltaic cell defect detection model based-on extracted electroluminescence images using SVM classifier
CN108572011B (zh) 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法
Wang et al. Probability modeling for PV array output interval and its application in fault diagnosis
CN112871938B (zh) 一种光伏电站清扫监控一体化管理系统
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
Kolhe et al. GA-ANN for short-term wind energy prediction
CN110222714B (zh) 一种基于arma与bp神经网络的太阳总辐照资源预测方法
Cococcioni et al. One day-ahead forecasting of energy production in solar photovoltaic installations: An empirical study
Prabhakaran et al. Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels.
CN116690613B (zh) 一种光伏智能清扫机器人的控制方法及系统
CN113890027B (zh) 基于设备运行状态和气象参数的发电功率预测系统及方法
Ayyagari et al. Simultaneous detection and classification of dust and soil on solar photovoltaic arrays connected to a large-scale industry: A case study
CN117498521A (zh) 光伏储能系统的充电控制方法及系统
CN117634742A (zh) 一种分布式光伏运行状态评估方法
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
Tan et al. Denoising convolutional neural networks based dust accumulation status evaluation of photovoltaic panel
CN114913036A (zh) 一种光伏电站的联合故障诊断系统及故障诊断方法
Balachandran et al. Comparative investigation of imaging techniques, pre-processing and visual fault diagnosis using artificial intelligence models for solar photovoltaic system–A comprehensive review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant