本發明專利技術公開了種基于圖像識別的光伏板健康狀況評估方法，包括：S1、光伏板圖像數據分析，基于工程實踐劃分樣本；S2、利用深度學習模型，搭建卷積神經網絡；S3、對樣本進行處理，輸入神經網絡進行學習，判斷健康狀態。本發明專利技術利用無人機采集的光伏板圖像進行健康狀態的學習和判別，不依賴于人工，經濟性較高。本發明專利技術基于神經網絡深度學習特性，泛化性較強、魯棒性高、安全可靠。本發明專利技術對于接入大量光伏板的分布式電網的高效運維與穩定運行具有非常重要的實踐價值。的實踐價值。的實踐價值。
【技術實現步驟摘要】
一種基于圖像識別的光伏板健康狀況評估方法
[0001]本專利技術涉及光伏板評估健康狀況評估的
，尤其涉及一種對不同狀態樣本的光伏板健康狀況評估方法。
技術介紹
[0002]光伏電站是分布式電網的重要組成部分，光伏設備特別是光伏板的健康狀態是保障用戶供電可靠性和電能質量的基礎。現行的針對光伏板健康狀態評估方法有I
?
V曲線法和能量損失法。
[0003]I
?
V特性曲線測試存在以下弊端：1、對照度儀安裝角度要求嚴格，容易出現較大誤差；2、檢測時需要將光伏陣列斷網運行，造成功率損失；3、I
?
V曲線測量周期較長，不能實現實時高效診斷。
[0004]能量損失法的弊端有：需要不斷根據光伏陣列實際情況更新仿真模型，費時費力。
[0005]因此，本領域的技術人員致力于開發一種基于圖像識別的光伏板健康狀況評估方法，以解決上述問題。
技術實現思路
[0006]有鑒于現有技術的上述缺陷，本專利技術所要解決的技術問題包括：
[0007]如何設計一種無須斷網運行，且無須頻繁更新模型的基于圖像識別的光伏板健康狀況評估方法
[0008]為實現上述目的，本專利技術提供了一種基于圖像識別的光伏板健康狀況評估方法，其特征在于，包括：
[0009]S1、光伏板圖像數據分析，基于工程實踐劃分樣本；
[0010]S2、利用深度學習模型，搭建卷積神經網絡；
[0011]S3、對樣本進行處理，輸入神經網絡進行學習，判斷健康狀態。
[0012]所述S1具體為：將樣本基于工程實踐和專家經驗將其劃分為0(非常健康)、0.33(輕度老化)、0.66(中度老化)、1(嚴重老化或損壞)四個等級標準。
[0013]所述S1包括步驟：
[0014]S11、將所有樣本根據標簽分為0、0.33、0.66、1四個等級；
[0015]S12、將四個等級的樣本的80％劃分為訓練集、20％劃分為測試集。
[0016]所述S2包括步驟：
[0017]S21、定義架構；
[0018]S22、定義損失函數；
[0019]S23、定義優化器；
[0020]S24、定義評價指標。
[0021]所述S21具體為：搭建15層的神經網絡，其中有6個Conv2D層，6個MaxPooling層，1個Flatten層，2個Dense層。
[0022]所述S22為，將分類交叉熵定義損失函數，具體為
[0023][0024]式中，y
i
為真實值，為預測值。
[0025]所述S23具體為：
[0026]從訓練集中采包含m個樣本{x
(1)
,
·····
,x
(m)
}的小批量，對應目標為y
(i)
；
[0027]計算梯度，
[0028]累積平方梯度，r
←
ρr+(1
?
ρ)g
⊙
g；
[0029]計算參數更新，
[0030]應用更新，θ
←
θ+Δθ；
[0031]當沒有達到停止準則時，重復上述過程，當達到停止準則時，停止。
[0032]所述S24具體為，
[0033]定義評價指標accuracy：
[0034]True Positive(真正，TP)：將正樣本預測為正樣本；
[0035]True Negative(真負，TN)：將負樣本預測為負樣本；
[0036]False Positive(假正，FP)：將負樣本預測為正樣本；
[0037]False Negative(假負，FN)：將正樣本預測為負樣本；
[0038]正確預測樣本數：T＝TP+TN；
[0039]錯誤預測樣本數：F＝FP+FN；
[0040][0041]所述對樣本進行處理為：對樣本進行圖像像素的歸一化、以及對圖像進行旋轉角度、水平偏移、垂直偏移、水平翻轉、隨機裁剪、隨機縮放等操作，如果經變換后的圖像產生像素缺失，通過填充最近的像素來補全。
[0042]所述，輸入神經網絡進行學習，判斷健康狀態為：將所有樣本輸入神經網絡，采用softmax激活函數，多分類的神經網絡輸出的不是類別標簽而是對應的概率值，神經網絡只把輸出值最大的神經元所對應的類別作為識別結果。
[0043]與現有技術相比，本專利技術具有以下有益效果：
[0044]1、本專利技術利用無人機采集的光伏板圖像進行健康狀態的學習和判別，不依賴于人工，經濟性較高。
[0045]2、本專利技術基于神經網絡深度學習特性，泛化性較強、魯棒性高、安全可靠。
[0046]3、本專利技術對于接入大量光伏板的分布式電網的高效運維與穩定運行具有非常重要的實踐價值。
[0047]以下將結合附圖對本專利技術的構思、具體結構及產生的技術效果作進一步說明，以充分地了解本專利技術的目的、特征和效果。
附圖說明
[0048]圖1為本專利技術的基于圖像識別的光伏板健康狀況評估方法的流程示意圖；
[0049]圖2為本專利技術采用卷積神經網絡構建的數據模型；
[0050]圖3為本專利技術實施例所使用的原始數據；
[0051]圖4為本專利技術經過旋轉、平移、縮放等操作后的數據；
[0052]圖5為本專利技術模型訓練過程的精度變化情況；
[0053]圖6為本專利技術模型訓練過程的損失變化情況。
具體實施方式
[0054]以下參考說明書附圖介紹本專利技術的多個優選實施例，使其
技術實現思路
更加清楚和便于理解。本專利技術可以通過許多不同形式的實施例來得以體現，本專利技術的保護范圍并非僅限于文中提到的實施例。
[0055]在附圖中，結構相同的部件以相同數字標號表示，各處結構或功能相似的組件以相似數字標號表示。附圖所示的每一組件的尺寸和厚度是任意示出的，本專利技術并沒有限定每個組件的尺寸和厚度。為了使圖示更清晰，附圖中有些地方適當夸大了部件的厚度。
[0056]本專利技術提供了一種基于圖像識別的光伏板健康狀況評估方法，如圖1所示，包括以下步驟：
[0057]S1、將無人機采集的光伏板圖片分為四個等級并劃分訓練集、測試集。
[0058]S11、將所有樣本根據標簽分為0(非常健康)、0.33(輕度老化)、0.66(中度老化)、1(嚴重老化或損壞)四個等級標準；
[0059]S12、將四個等級的樣本的80％劃分為訓練集、20％劃分為測試集。
[0060]S2、利用深度學習模型，搭建卷積神經網絡。具體步驟包括：
[0061]S21、定義架構：如圖2所示，卷積神經網絡主要由卷積層、池化層、全連接層組成。
[0062]S22、定義損失函數：分類交叉熵(categorical_crossentropy)公式如下
[0063][0064]通過分類交叉熵刻畫預測值與真實值之本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于圖像識別的光伏板健康狀況評估方法，其特征在于，包括：S1、光伏板圖像數據分析，基于工程實踐劃分樣本；S2、利用深度學習模型，搭建卷積神經網絡；S3、對樣本進行處理，輸入神經網絡進行學習，判斷健康狀態。2.根據權利要求1所述的基于圖像識別的光伏板健康狀況評估方法，其特征在于，所述S1具體為：將樣本基于工程實踐和專家經驗將其劃分為0(非常健康)、0.33(輕度老化)、0.66(中度老化)、1(嚴重老化或損壞)四個等級標準。3.根據權利要求2所述的基于圖像識別的光伏板健康狀況評估方法，其特征在于，所述S1包括步驟：S11、將所有樣本根據標簽分為0、0.33、0.66、1四個等級；S12、將四個等級的樣本的80％劃分為訓練集、20％劃分為測試集。4.根據權利要求3所述的基于圖像識別的光伏板健康狀況評估方法，其特征在于，所述S2包括步驟：S21、定義架構；S22、定義損失函數；S23、定義優化器；S24、定義評價指標。5.根據權利要求4所述的基于圖像識別的光伏板健康狀況評估方法，其特征在于，所述S21具體為：搭建15層的神經網絡，其中有6個Conv2D層，6個MaxPooling層，1個Flatten層，2個Dense層。6.根據權利要求5所述的基于圖像識別的光伏板健康狀況評估方法，其特征在于，所述S22為，將分類交叉熵定義損失函數，具體為式中，y
i
為真實值，為預測值。7.根據權利要求6所述的基于圖像識別的光伏板健康狀況評估方法，其特征在于，所述S23具體為：從訓練集中采包含m個樣本{x
(1)
,
...
【專利技術屬性】
技術研發人員：沈宇，潘美琪，賀興，才鴻飛，王斌，張揚帆，賈洪巖，徐曉川，臧鵬，吳勁芳，吳寒，寇建，楊俊豐，趙建華，王嶼，
申請(專利權)人：國家電網有限公司上海交通大學國網冀北電力有限公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。