基于深度学习的太阳能光伏电池板脏污侦测方法及其系统技术方案

本发明专利技术涉及基于深度学习的太阳能光伏电池板脏污侦测方法，方法为：收集太阳能光伏电池板运行产生的脏污数据集，对数据集进行降采样处理，指用来降低采样率的过程，根据太阳能光伏电池板每日的数据绘制成图像，并根据支路运行时实际采集到的数据表现形式，制作标签数据集；对标签数据集进行数据清洗，提取数据集的特征，生成训练数据集和测试数据集；采用

【技术实现步骤摘要】
基于深度学习的太阳能光伏电池板脏污侦测方法及其系统


[0001]本专利技术属于太阳能光伏电池板脏污侦测领域，具体涉及基于深度学习的太阳能光伏电池板脏污侦测方法及其系统
。

技术介绍

[0002]近些年，由于传统化石能源造成的环境污染问题越来越严重，清洁能源如太阳能的需求量越来越大，越来越多的光伏电站平地而起，随之光伏电站在日常运转中所遇到的问题也随之增加
。
光伏电站通常建设在人迹罕至
、
环境条件恶劣的荒郊野地，一个电站通常占地上千亩，拥有上千万块的光伏组件，但电站日常运营维护人员往往不超过十人左右，而且由于光伏组件的故障多种多样，准确定位与判别光伏组件故障类型，对提高电站工作人员工作效率，进一步提高光伏发电系统的运行效率及降低发电成本具有重要意义
。
[0003]近些年来，国内外专家学者多通过对光伏组件发电系统进行数学建模及对光伏组件发电时电池板图像采用图像分析识别的角度，来针对某种特定光伏组件故障类型进行诊断
。
当前针对光伏组件故障诊断的类型主要分为在线诊断
、
离线诊断
、
以及基于神经网络的检测几大类别
。
在线诊断的方法主要有多传感器法参数估算法
、
红外图像检测法等；离线诊断法主要有对地电容测量法与时域反射分析法等；神经网络的检测有基于
BP
神经网络的检测方法
。
[0004]通常情况下，光伏公司会在不同的地理位置建立多个光伏电站运营
。
这些光伏电站由于建设时期的不同，采购的设备规格种类存在很大的差异性，即使是在同一光伏电站中，随着设备的损耗而造成的大量光伏组件更替，也会造成同一电站中的设备新旧混杂，并且同一汇流箱下的支路之间，在同一时间段内的数据也会因设备损耗的不同而存在明显差异
。
因此基于光伏阵列数学建模的方法不能十分精确的对大规模的光伏阵列进行很好的检测
。
同时电站经常建设在环境条件恶劣的郊外，这对于及时
、
安全
、
准确的获得光伏组件红外图像造成很大的困难
。
而且，基于经济因素的考虑，光伏公司不可能再全部为已经建成投入使用多年的光伏电站更新
、
增设多种传感器及新的数据采集设备，所以多传感器的方法无法适用于现有电站
。

技术实现思路

[0005]为了解决现有的光伏电站中，随着设备的损耗而造成的大量光伏组件更替，成本高，而且会造成同一电站中的设备新旧混杂，同一汇流箱下的支路之间，在同一时间段内的数据也会因设备损耗的不同而存在明显差异，导致无法检测检测出故障光伏组件的位置及脏污故障类型的问题
。
[0006]本专利技术的技术方案如下：
[0007]基于深度学习的太阳能光伏电池板脏污侦测方法，包括
YOLO
‑
EMBEDDING
模型，所述
YOLO
‑
EMBEDDING
模型在
YOLO
‑
V4
的基础上进行改进，直接针对脏污数据检测的需求，设计嵌入式
EMBEDDING
部件，得到改进的网络结构，
YOLO
‑
EMBEDDING
模型主要包括输入层
、
主干
网
、
颈网和输出层，输入层接受固定大小的图像，经过主干网进行特征提取后送到颈网进行特征聚合，最后在输出层输出3种不同尺度的预测锚框
,
将
EMBEDDING
部件加入到
YOLO
‑
V4
的颈网末端，即在
YOLO
‑
V4
颈网的末端增加
EMBEDDING
部件，形成了改进
YOLO
‑
EMBEDDING
网络，所述方法包括如下步骤：
[0008]步骤一：收集太阳能光伏电池板运行产生的脏污数据集，对数据集进行降采样处理，指用来降低采样率的过程，根据太阳能光伏电池板每日的数据绘制成图像，并根据支路运行时实际采集到的数据表现形式，制作标签数据集；
[0009]步骤二：对所述标签数据集进行数据清洗，提取数据集的特征，生成训练数据集和测试数据集；
[0010]步骤三：采用
YOLO
‑
EMBEDDING
模型对训练数据集进行学习和训练
,
在模型训练完成后，获得损失函数值
、
准确率以及验证测试数据集的准确率，根据损失函数值
、
准确率以及验证测试数据集的准确率，对模型的结构和参数进行调整和优化；
[0011]步骤四：利用实际光伏电站运行产生的数据对模型进行反复验证和优化，通过优化后的模型侦测太阳能光伏电池板脏污
。
[0012]步骤一进一步具体为：将以秒为单位获得的二十四小时数据进行采样，以分钟为单位，并设置一个时间段作为采样点，从中每天得到
Q
张图像数据；
[0013]将单个汇流箱下的
M
条支路作为一个单位，将
M
条支路每一分钟的当做一个组数据，每天的
Q
张图像数据作为一个时间步长；
[0014]所述标签数据集分为四类，分别是第一类：灰尘和污垢
、
第二类：油脂和污渍
、
第三类：水珠和结霜
、
第四类：鸟类粪便
。
[0015]步骤二进一步具体为：
[0016]将每一时间步长下的数据组进行特征的提取，在提取特征时，清洗掉大幅度偏离常理的数据组，补以0值代替；
[0017]特征的提取使用一阶差分，提取单条支路一天内随时间与太阳辐照的变化而变化的特征；
[0018]将上述一个时间步长提取到的特征与待检测的支路这一时刻点的组合起来，得到同一时间步长下输入模型的训练数据集和测试数据集
。
[0019]步骤三进一步具体为：通过对视频分帧处理得到原始图片
X
张，利用数据增强技术对原始图片集进行了容量扩充和数据预处理，因此数据增强后的图片数据量达到
Y
张，其中
Y
大于
X
，作为本文训练和测试的数据集
。
[0020]步骤四进一步具体为：在使用实际光伏电站运行产生的数据对模型进行反复的验证与优化时，使用不同光伏阵列区域与不同发电时期的脏污数据集对模型进行验证与优化，通过优化后的模型侦测太阳能光伏电池板脏污
。
[0021]基于深度学习的太阳能光伏电池板脏污侦测系统，所述系统包括数据采集模块
、
数据集生成模块
、
训练模块
、
验证模块；
[0022本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的太阳能光伏电池板脏污侦测方法，其特征在于，包括
YOLO
‑
EMBEDDING
模型，所述
YOLO
‑
EMBEDDING
模型在
YOLO
‑
V4
的基础上进行改进，直接针对脏污数据检测的需求，设计嵌入式
EMBEDDING
部件，得到改进的网络结构，
YOLO
‑
EMBEDDING
模型主要包括输入层
、
主干网
、
颈网和输出层，输入层接受固定大小的图像，经过主干网进行特征提取后送到颈网进行特征聚合，最后在输出层输出3种不同尺度的预测锚框
,
将
EMBEDDING
部件加入到
YOLO
‑
V4
的颈网末端，即在
YOLO
‑
V4
颈网的末端增加
EMBEDDING
部件，形成了改进
YOLO
‑
EMBEDDING
网络，所述方法包括如下步骤：步骤一：收集太阳能光伏电池板运行产生的脏污数据集，对数据集进行降采样处理，指用来降低采样率的过程，根据太阳能光伏电池板每日的数据绘制成图像，并根据支路运行时实际采集到的数据表现形式，制作标签数据集；步骤二：对所述标签数据集进行数据清洗，提取数据集的特征，生成训练数据集和测试数据集；步骤三：采用
YOLO
‑
EMBEDDING
模型对训练数据集进行学习和训练
,
在模型训练完成后，获得损失函数值
、
准确率以及验证测试数据集的准确率，根据损失函数值
、
准确率以及验证测试数据集的准确率，对模型的结构和参数进行调整和优化；步骤四：利用实际光伏电站运行产生的数据对模型进行反复验证和优化，通过优化后的模型侦测太阳能光伏电池板脏污
。2.
根据权利要求1所述的基于深度学习的太阳能光伏电池板脏污侦测方法，其特征在于，步骤一进一步具体为：将以秒为单位获得的二十四小时数据进行采样，以分钟为单位，并设置一个时间段作为采样点，从中每天得到
Q
张图像数据；将单个汇流箱下的
M
条支路作为一个单位，将
M
条支路每一分钟的当做一个组数据，每天的
Q
张图像数据作为一个时间步长；所述标签数据集分为四类，分别是第一类：灰尘和污垢
、
第二类：油脂和污渍
、
第三类：水珠和结霜
、
第四类：鸟类粪便
。3.
根据权利要求2所述的基于深度学习的太阳能光伏电池板脏污侦测方法，其特征在于，步骤二进一步具体为：将每一时间步长下的数据组进行特征的提取，在提取特征时，清洗掉大幅度偏离常理的数据组，补以0值代替；特征的提取使用一阶差分，提取单条支路一天内随时间与太阳辐照的变化而变化的特征；将上述一个时间步长提取到的特征与待检测的支路这一时刻点的组合起来，得到同一时间步长下输入模型的训练数据集和测试数据集
。4.
根据权利要求1所述的基于深度学习的太阳能光伏电池板脏污侦测方法，其特征在于，步骤三进一步具体为：通过对视频分帧处理得到原始图片
X
张，利用数据增强技术对原始图片集进行了容量扩充和数据预处理，因此数据增强后的图片数据量达到<...

【专利技术属性】
技术研发人员：朱晋德，周文，苏辉妹，
申请(专利权)人：平潭煜想时代科技有限公司，
类型：发明
国别省市：