一种基于深度学习的光伏故障检测方法技术

本发明专利技术公开了一种基于深度学习的光伏故障检测方法，包括以下步骤：通过无人机搭载摄像头巡检拍摄获取光伏板的视频数据；获得可见光和红外光下的光伏组件故障视频；采用OpenCV将视频转化为图像；对图像数据进行预处理和数据增强；基于Resnet50神经网络实现可见光和红外光两种环境下图像自动分类；利用LabelImg软件对红外光下图像中热斑故障目标区域进行标签标记，利用深度学习目标检测算法训练色度变化处理后的红外光光伏组件图像，获得红外光热斑故障检测模型；利用LabelImg软件对可见光下异物、脏污、裂痕等故障目标进行标签标记，本发明专利技术具备无需人工干预，降低复杂性，提高实用性的优点。的优点。的优点。

【技术实现步骤摘要】
一种基于深度学习的光伏故障检测方法


[0001]本专利技术涉及光伏发电领域，尤其涉及一种基于深度学习的光伏故障检测方 法。

技术介绍

[0002]近年来，能源与环境问题制约着我国经济社会的发展，光伏发电为开发新 能源带来了契机。随着光伏装机容量的增多，光伏组件故障问题日益凸显。一 旦光伏组件发生故障(如异物、脏污、裂痕、热斑等)，不仅会影响发电量，增加 光伏场站的运维成本，还存在许多风险和安全隐患。
[0003]现有的光伏故障是通过以下方法进行检测的：
[0004]基于电气(I
‑
V)特征进行光伏组件故障检测故障检测。计算光伏阵列I
‑
V 曲线中V
oc
、I
sc
、V
mpp
、I
mpp
、P
mpp
等外特征参数和其内特征参数的差异性，再通过设 定阈值和智能算法实现故障诊断。
[0005]融合深度神经网络和SSD、Faster
‑
RCNN、VGG16
‑
SSD、ECA
‑
SSD等目标 检测方法对光伏组件图像进行故障检测。利用无人机航拍产生大量的光伏板图 像数据，辅以SSD目标检测算法、ECA注意力机制等深度学习算法进行光伏组 件故障识别。
[0006]利用物理检测方法。通过识别红外热成像图的亮点实现故障诊断或对阵列 输入特征信号，通过检测响应信号情况以实现故障诊断。
[0007]采用时序电压电流法进行故障检测。通过信号分解或自编码等算法实现故 障特征提取，再通过设定阈值或智能算法实现故障诊断。
[0008]但是，利用光伏组件的I
‑
V曲线特征进行故障检测虽然能够识别较多的故障 类型，但是该技术对照度仪安装角度要求严格，需要将光伏阵列断网运行，造 成功率损失。同时，I
‑
V曲线测量周期较长，无法实现实时的故障诊断，采用传 统的SSD、Faster
‑
RCNN等目标检测算法对于小目标故障的检测效率很低，例如 SSD对输入图像进行预处理后，经过较深的卷积层后，对于本身比较小的目标 可能已经丢失。并且只能对故障图片进行目标检测，难以对无人机拍摄视频直 接进行检测，采用物理方法进行故障检测，面临在低照度或者低失配比情况下 难以检测故障的问题。仅能用于检测光伏组件是否存在故障，或检测指定类别 的故障，需要特定的仪器，成本较高，无法大规模使用。学习光伏组件的时序 电流、电压特征进行故障检测无法检测到老化故障，难以检测高阻故障。此外， 光伏组件运行情况复杂，时序电流、电压变化情况十分复杂，检测准确率较低， 存在的难点较多。现需要一种基于深度学习的光伏故障检测方法，针对光伏组 件在可见光环境下存在的异物、脏污、裂痕以及红外光环境下存在的热斑等故 障进行检测。

技术实现思路

[0009]本专利技术提供了一种基于深度学习的光伏故障检测方法，具备无需人工干预， 降低复杂性，提高实用性的优点，解决了原有故障检测人工干预复杂的问题。
[0010]根据本申请实施例提供的一种基于深度学习的光伏故障检测方法，包括以 下步
骤：
[0011]通过无人机搭载摄像头巡检拍摄获取光伏板的视频数据；
[0012]获得可见光和红外光下的光伏组件故障视频；
[0013]采用OpenCV将视频转化为图像；
[0014]对于红外光下故障图像进行色度变化处理，并采用图像扰动、改变亮度、 随机缩放方法进行数据增强；针对可见光图像数据，通过锐化处理，提高图像 的清晰度，并采用随机裁剪、翻转、旋转方法扩充数据集；
[0015]利用Resnet50神经网络实现可见光和红外光两种环境下图像自动分类；
[0016]利用LabelImg软件对红外光下热斑故障目标进行标签标记，利用深度学习 目标检测算法训练色度变化处理后的红外光光伏组件图像，获得红外光热斑故 障检测模型；
[0017]利用LabelImg软件对可见光下异物、脏污、裂痕故障目标进行标签标记， 利用深度学习目标检测算法训练锐化处理后的可见光光伏组件图像，获得可见 光下异物、脏污、裂痕故障检测模型；
[0018]基于Yolov5目标检测算法实现光伏组件可见光和红外光环境下故障进行检 测，通过对比Yolov5模型不同版本(Yolov5l、Yolov5l6、Yolov5x6)的检测效果， 并在网络结构中添加小目标检测层增强对小目标故障的检测效果。Yolov5模型 经前期训练后可直接对视频进行检测。
[0019]优选地，获得红外光故障检测模型和可见光故障检测模型后，利用预测时 间较短的Efficient
‑
B0神经网络和ResNet50神经网络实现图像或视频分类。
[0020]优选地，所述Yolov5网络结构包括以下步骤：
[0021]在输入端进行数据增强和数据预处理，预设故障目标的预选框；
[0022]对输入图片进行切片处理，并在主网络中借鉴CSPNet网络结构加入CSP 结构；
[0023]通过FPN结构与PAN结构相融合，并在FPN结构后添加自底向上的特征 金子塔，实现图片深层特征的学习，并利用上采样对特征进行融合；
[0024]在输出端定义CIoU_loss损失函数，权衡预测框和目标框的重叠面积、中心 点的距离以及长宽比。
[0025]本申请实施例提供的技术方案可以包括以下有益效果：
[0026]本专利技术可实现可见光和红外光两种环境下的光伏组件故障检测，实时返回 故障位置信息，及时辅助一线运维人员进行故障检测，极大地降低企业的维修 成本，提升发电量。
[0027]本专利技术利用ResNet50神经网络实现光伏组件可见光和红外光数据自动分类， 无需人工费时费力进行分类，并且分类准确率可达到100％。在实际应用中能够 对无人机巡检数据(视频或图像)进行自动分类，自动输入各自的Yolov5故障 目标检测模型中。
[0028]本专利技术通过Yolov5目标检测算法分别建立可见光和红外光两种环境下各自 的目标检测模型，充分对比Yolov5模型不同版本，并添加小目标检测层，提高 故障检测准确率。此外，相较于传统的SSD、FasterR
‑
CNN等目标检测算法只能 对图片进行检测，Yolov5经前期训练后可实现直接对视频进行检测，将光伏组 件无人机巡检视频直接输入网络后，直接对视频中的故障进行检测，无需再将 视频转化为图片，提高检测效率，可做到对光伏组件故障实时检测。
附图说明
[0029]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实 施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0030]图1为本专利技术流程结构示意图；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的光伏故障检测方法，其特征在于，包括以下步骤：通过无人机搭载摄像头巡检拍摄获取光伏板的视频数据；获得可见光和红外光下的光伏组件故障视频；采用OpenCV将视频转化为图像；对于红外光下故障图像进行色度变化处理，并采用图像扰动、改变亮度、随机缩放方法进行数据增强；针对可见光图像数据，通过锐化处理，提高图像的清晰度，并采用随机裁剪、翻转、旋转方法扩充数据集；Resnet50神经网络实现可见光和红外两种环境下图像自动分类；利用LabelImg软件对红外光下热斑故障目标进行标签标记，利用深度学习目标检测算法训练色度变化处理后的红外光光伏组件图像，获得红外光热斑故障检测模型；利用LabelImg软件对可见光下异物、脏污、裂痕故障目标进行标签标记，利用深度学习目标检测算法训练锐化处理后的可见光光伏组件图像，获得可见光下异物、脏污、裂痕故障检测模型；基于Yolov5目标检测算法实现光伏组件可见光和红外光环境下故障进行检测，通过对比Yolov5模型不同版本(Yolov...

【专利技术属性】
技术研发人员：冯文新，黄剑锋，周玉龙，
申请(专利权)人：国电电力新疆新能源开发有限公司，
类型：发明
国别省市：