【技术实现步骤摘要】
本专利技术涉及光伏智能运维领域，尤其涉及基于小样本学习的海岛光伏智能运维状态分析方法。
技术介绍
1、随着可再生能源的快速发展，光伏电站作为一种重要的清洁能源发电方式，得到了广泛应用。然而，光伏电站在长期运行过程中，会面临各种各样的问题和缺陷，如鸟粪、碎石等。这些缺陷会导致光伏电站的发电效率下降，甚至可能引发安全隐患。因此，对光伏电站进行及时准确地缺陷分类和智能运维显得尤为重要。
2、传统的光伏电站运维通常依赖于人工巡检和定期维护，这种方式存在着效率低下、成本高昂、易受人为因素影响等问题。为了提高光伏电站的运维效率和准确性，智能运维技术逐渐得到应用。智能运维技术利用传感器、监控系统和数据分析等手段，实现对光伏电站运行状态的实时监测和故障预警，从而提高光伏电站的发电效率和可靠性。
3、然而，光伏电站智能运维面临一个重要的挑战，即缺乏足够的缺陷数据。由于光伏电站缺陷的多样性和分布的不均匀性，获取大规模的缺陷数据是一项困难而耗时的任务。这导致了当前可用于训练和验证的缺陷图片非常有限，无法满足光伏电站智能运维的需求。缺乏足够的缺陷图片限制了光伏电站智能运维算法的性能和可靠性，使得现有的方法在实际应用中存在一定的局限性；对光伏电站缺陷的得不到准确的分类。
技术实现思路
1、本专利技术要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于小样本学习的海岛光伏智能运维状态分析方法，以实现少图片下的缺陷准确分类的目的。为此，本专利技术采取以下技术方案。p>
2、基于小样本学习的海岛光伏智能运维状态分析方法，包括以下步骤：
3、1）获取光伏电站运维图片；
4、2）将获取的光伏电站运维图片输入训练好的缺陷识别模型中；缺陷识别模型的训练包括：
5、获取缺陷图片，缺陷图片来自于原始光伏电站中已有的缺陷样本，缺陷样本包含破损、附着物、鸟粪和刮痕；
6、对缺陷图片进行预处理，包括图片清洗和标准化，以确保图片的质量和一致性，并通过包括对图片的随机裁剪、换向、缩放及视觉处理进行增强以扩充图片，生成更多的样本；
7、构建基于视觉变换模型的缺陷识别模型，在训练过程中，采用损失函数来指导缺陷识别模型的学习，使用三元组损失来学习缺陷样本之间的相似性，以区分正常样本和缺陷样本，使用交叉熵分类损失函数来进行缺陷分类，以使缺陷识别模型识别不同类型的缺陷；
8、3)缺陷识别模型对光伏电站运维图片进行缺陷检测和分类，若光伏电站运维图片存在异常，则进行提示，并输出对应缺陷的类型，通知运维人员进行对应缺陷点的维护、检测和验证，并将运维人员确认状态后的运维图片存入光伏电站运维图片数据库中。
9、本技术方案通过少样本学习方法，在缺乏大规模训练图片的情况下，利用少量的缺陷样本图片，实现对光伏电站缺陷的准确分类。能够快速准确地检测出光伏电站中的各种缺陷，包括破损、附着物、鸟粪和刮痕等，提高了缺陷检测的准确性和效率，实现对光伏运维状态的准确、快速分析，有助于提高其工作的稳定性。
10、通过构建缺陷识别模型，并通过相似性匹配准则进行训练，能够有效地利用有限的缺陷样本图片，学习到缺陷的共性特征，从而实现对新样本的准确分类和识别，并有效提高运维效率，减少漏检和误检的情况，同时减少人工巡检和检测的工作量，降低运维成本。
11、作为优选技术手段：缺陷识别模型训练包括以下步骤：
12、201)获取光伏电站的正常图片和缺陷图片，对缺陷图片进行处理，生成更多样式的光伏电站缺陷图片，并与原始图片合并，形成增强后的光伏电站缺陷图片集；
13、202）从增强后的光伏电站缺陷图片集中随机选择一个缺陷样本作为第一个输入，并再次随机选择一个缺陷样本作为第二个输入；根据两样本的相似性进行标签设置，从而生成带有标签的训练样本对；其中，相同类别的两样本标签设置为正样本对，不同类别的两样本标签设置为负样本对；
14、203）构建以视觉变换模型为基本架构的缺陷识别模型；
15、204）构造缺陷特征池m, 特征池的大小为k×d，其中k为缺陷的数量，d是特征的维度；
16、205）根据缺陷识别模型对每张图片进行与缺陷相关特征的注意力计算，以构建缺陷图片和背景之间的关系，并提取图片的特征表示x；
17、206）对缺陷图片的特征表示进行三元组损失计算；在计算时，对于每个训练样本，选择一个参照样本、一个缺陷正样本和另一种缺陷作为负样本，构成一个三元组（参照样本，正样本，负样本），计算参照样本和正样本之间的距离；
18、207）根据步骤206）的计算结果，将参照样本、正样本和负样本的特征表示连接起来，得到连接后的特征表示；使用全连接层的权重和偏置，计算相似度得分，并根据相似度得分对不同类别的图片进行优化，使得同类型图片相似度更近，不同类型更远；
19、208）根据得到的特征表示，利用缺陷特征与正常特征之间的差异特征，对特征池m进行更新，更新的方式为；针对某一缺陷特征m，在得到了与正常特征的对比特征后，对该缺陷特征池进行滑动更新：
20、，
21、更新后的缺陷特征池是通过将当前时刻t的缺陷特征池乘以权重，再加上当前缺陷特征m乘以权重1-得到，k为当前缺陷特征的缺陷序号；
22、209）根据特征和特征池之间的注意力权重，来加权特征池，从而得到丰富的特征；
23、210）将缺陷识别模型扩展为两份，分别为教师模型和学生模型，针对增强后的图片，通过步骤205）至步骤209），将其馈入到教师模型中，计算得到特征表示；使用带有标签的训练集进行监督训练，通过计算第一损失函数的梯度更新教师模型的权重和参数；
24、211）将增强后的图片进行图像变化得到再次增强的图片，输入训练学生模型，重复205）至209）步骤，计算得到特征表示；使用带有标签的训练集进行监督训练，通过计算第二损失函数的梯度更新学生模型的权重和参数；
25、212）将增强后的无标签光伏电站图片输入到教师模型和学生模型中，计算得到特征表示；使用无监督的第三损失函数来衡量教师模型和学生模型之间的相似性；
26、213）在每次更新学生模型的权重和参数后，使用滑动平均的方式更新教师模型的权重和参数；通过多次迭代训练得到优化后学生模型，将优化得到的学生模型作为最终的缺陷识别模型。
27、通过使用增强后的光伏电站缺陷图片集，利用小样本学习方法，提高模型的学习能力和泛化能力，从而更好地适应缺陷检测任务。引入了教师模型和学生模型的训练方式，通过教师模型的指导和监督，学生模型可以逐渐逼近或达到教师模型的性能水平，从而实现对缺陷的有效识别。训练方式利用三元组损失来学习缺陷样本之间的相似性，以区分正常样本和缺陷样本，从而提高了模型的缺陷检测准确性和鲁棒性。利用缺陷特征与正常特征之间的差异性，构造了一个缺陷特征池，并根据不同类别的缺陷特征更新缺陷特征池，更新后的特征本文档来自技高网...
【技术保护点】
1.基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：缺陷识别模型训练包括以下步骤：
3.根据权利要求2所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤201）中，使用随机裁剪方式，从不同位置和尺寸裁剪出多个子图片，以增加图片的多样性和覆盖不同目标的局部区域；并对原始图片进行包括旋转、缩放和翻转的处理，生成更多样式和角度的图片；使用包括亮度、对比度和色彩平衡的方式调整图片的视觉特征，生成更多样式的缺陷图片；将裁剪后的子图片和增强后的图片与原始图片合并，形成增强后的光伏电站缺陷图片集。
4.根据权利要求3所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤205）中，对于输入的图片 X，通过线性变换计算查询特征Q，其中
5.根据权利要求4所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤206）中，使用特征提取器 f提取参照样本、正样本和负样本的特征表示，分别表示为f(参照
6.根据权利要求5所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤207）中，将参照样本、正样本和负样本的特征表示，以及利用特征池丰富后的增强特征连接起来，得到连接后的特征表示 h；使用全连接层的权重 W 和偏置 b，计算相似度得分 s = sigmoid(hW + b)，其中 sigmoid 函数将得分映射到0到1之间的范围，表示两个样本的相似度；
7.根据权利要求5所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤210）中，第一损失函数为：
8.根据权利要求7所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤211）中，第二损失函数为：
9.根据权利要求8所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：第三损失函数为：
10.根据权利要求9所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤213）中，更新教师模型的公式为
...【技术特征摘要】
1.基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：缺陷识别模型训练包括以下步骤：
3.根据权利要求2所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤201）中，使用随机裁剪方式，从不同位置和尺寸裁剪出多个子图片，以增加图片的多样性和覆盖不同目标的局部区域；并对原始图片进行包括旋转、缩放和翻转的处理，生成更多样式和角度的图片；使用包括亮度、对比度和色彩平衡的方式调整图片的视觉特征，生成更多样式的缺陷图片；将裁剪后的子图片和增强后的图片与原始图片合并，形成增强后的光伏电站缺陷图片集。
4.根据权利要求3所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤205）中，对于输入的图片 x，通过线性变换计算查询特征q，其中
5.根据权利要求4所述的基于小样本学习的海岛光伏智能运维状态分析方法，其特征在于：在步骤206）中，使用特征提取器 f提取参照样本、正样本和负样本的特征表示，分别表示为f...
【专利技术属性】
技术研发人员：甘纯，张引贤，张展耀，闻旭东，冯仰光，吴昊，田晶，韩叶林，俞欣，
申请(专利权)人：国网浙江省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。