賈帥男

基于殘差網(wǎng)絡(luò)的光伏紅外圖像熱斑識(shí)別方法

賈帥男

（唐山學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，河北 唐山 063000）

為了更有效地實(shí)現(xiàn)光伏陣列中熱斑故障的識(shí)別，提出了一種殘差結(jié)構(gòu)和多尺度卷積的卷積神經(jīng)網(wǎng)絡(luò)模型算法。首先對光伏紅外圖像進(jìn)行圖像濾波，消除干擾信息，然后用等距分割方法提取光伏組件單元，最后利用改進(jìn)的模型提取豐富的圖像特征，完成紅外圖像熱斑識(shí)別。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法識(shí)別準(zhǔn)確率優(yōu)于原來的模型算法。

光伏熱斑；紅外圖像；卷積神經(jīng)網(wǎng)路；圖像識(shí)別

為提高光伏發(fā)電站的使用壽命，避免設(shè)備出現(xiàn)損害等事故，保證光伏發(fā)電的安全有效的運(yùn)行，對光伏發(fā)電系統(tǒng)進(jìn)行可靠的故障檢測至關(guān)重要[1]。針對光伏陣列的熱斑故障研究，國內(nèi)外研究學(xué)者所采用的方法大致分為兩種：一種是基于故障狀態(tài)下的電流、電壓等電氣特性下的變化進(jìn)行熱斑檢測[2-5]；另一種是基于光伏紅外圖像，利用圖像處理技術(shù)對熱斑進(jìn)行檢測識(shí)別[6-8]。張曉娜等人提出利用多傳感器數(shù)據(jù)融合采集光伏組件的輸出數(shù)據(jù)，通過分析光伏組件各個(gè)小塊的電壓波動(dòng)情況，提高熱斑檢測效率和準(zhǔn)確率，但需要人工調(diào)整故障因子和區(qū)域維數(shù)[9]。Hachana等人利用數(shù)學(xué)模型預(yù)測光伏陣列輸出，并與實(shí)際輸出進(jìn)行比對之后，進(jìn)行故障診斷，但準(zhǔn)確率過多依賴陣列數(shù)學(xué)模型的精度[10]。Tsanakas等人采用傳統(tǒng)的圖像處理算法檢測熱斑故障，通過Canny邊緣檢測算法統(tǒng)計(jì)出所有熱斑故障存在的區(qū)域，并利用直方圖分析獲得區(qū)域的分布情況，最終完成熱斑檢測，但需要人工對圖像的背景進(jìn)行分割[11]。

針對紅外圖像細(xì)節(jié)信息不顯著，以及紅外圖像存在噪聲大的光伏紅外圖像特性，本研究通過在殘差結(jié)構(gòu)中增加多個(gè)卷積核，并使用激活函數(shù)，創(chuàng)建出一種網(wǎng)絡(luò)模型，將其應(yīng)用到光伏陣列的故障檢測中。

1 圖像預(yù)處理

在紅外圖像的采集過程中，會(huì)存在各種自然因素的干擾，影響光伏紅外圖像質(zhì)量，進(jìn)而影響模型的特征提取，導(dǎo)致模型檢測效果變差。

在光伏電站圖像去噪過程中，常采用高斯濾波，但在高斯濾波中，只考慮了周圍像素點(diǎn)的位置信息，在去除噪聲的同時(shí)，還會(huì)將圖像的邊緣處理的模糊。為了較好地保留圖像的紋理、邊緣等特征，本文采用既能夠?yàn)V除高斯濾波，又能保留圖像邊緣信息的雙邊濾波的方案。雙邊濾波的基本思想是同時(shí)考慮像素的空域信息和值域信息兩方面的因素，根據(jù)像素值對要進(jìn)行濾波的鄰域?qū)崿F(xiàn)分情況處理，對于不同點(diǎn)的情況進(jìn)行不同權(quán)重的疊加，再針對鄰域進(jìn)行加權(quán)求和運(yùn)算，以此來得到最終的結(jié)果。雙邊濾波器的定義如下：

式中，(,)為輸出的像素值；(,)為其中一個(gè)像素點(diǎn)的坐標(biāo)，(,)為另一個(gè)像素點(diǎn)的坐標(biāo)，(,,,)為濾波核，(,,,)為空域核，(,,,)為值域核。兩個(gè)濾波核形式如下：

空域核為

式中，d為空域高斯函數(shù)的標(biāo)準(zhǔn)差，空域核函數(shù)是根據(jù)像素的空間距離決定權(quán)重的大小，距離與權(quán)重呈負(fù)相關(guān)。

值域核為

式中，σ為值域高斯函數(shù)的標(biāo)準(zhǔn)差，值域核函數(shù)則是根據(jù)像素之間的差異情況來決定權(quán)值，差異越小，權(quán)值越大。

加權(quán)系數(shù)(,,,)由空域核和值域核的乘積決定，表示如下：

針對選用的圖像數(shù)據(jù)集的模糊、色彩漸變的特點(diǎn)，選用了大的濾波領(lǐng)域直徑、值域標(biāo)準(zhǔn)差和空域標(biāo)準(zhǔn)差。濾波效果如圖1所示。

完成圖像濾波后，依據(jù)圖像的規(guī)則排布的特點(diǎn)，采用等距分割方法，將紅外光伏板圖像分割成多個(gè)光伏組件單元。根據(jù)數(shù)據(jù)集總體特征，選取了五類特征明顯的光伏組件單元作為光伏組件不同時(shí)期的工作狀態(tài)，依據(jù)特征情況將不同特征的單元進(jìn)行區(qū)分和保存。

圖1 圖像效果對比圖

在模型開始訓(xùn)練之前，對數(shù)據(jù)集使用圖像增強(qiáng)技術(shù)。圖像增強(qiáng)可以對圖像進(jìn)行隨機(jī)旋轉(zhuǎn)、水平移動(dòng)、豎直移動(dòng)等操作，豐富樣本數(shù)據(jù)集，實(shí)現(xiàn)數(shù)據(jù)集批量生成，泛化模型。之后，將數(shù)據(jù)集進(jìn)行歸一化，對數(shù)據(jù)集進(jìn)行模型訓(xùn)練，優(yōu)化熱斑識(shí)別效果，并對測試數(shù)據(jù)集進(jìn)行診斷識(shí)別。數(shù)據(jù)增強(qiáng)部分效果如圖2所示。

圖2 數(shù)據(jù)增強(qiáng)部分效果圖

2 改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)模型

隨著卷積神經(jīng)網(wǎng)路的快速發(fā)展，目前，不少學(xué)者開始利用卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行紅外圖像的處理和目標(biāo)檢測[12-16]?；跉埐罹W(wǎng)絡(luò)的思想，本文采用同時(shí)提高模型寬度和深度的方法來提高網(wǎng)絡(luò)質(zhì)量，改進(jìn)了一種帶有多卷積核的殘差模塊，兩個(gè)改進(jìn)后的殘差單元分別為

和

。

改進(jìn)后的殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

通過增加不同尺度的卷積核，可以獲取更豐富的圖像特征，采用3個(gè)3*3的卷積核，相較于7*7的卷積核，參數(shù)可以減少一半，保證了網(wǎng)絡(luò)能夠獲得足夠信息，增強(qiáng)適應(yīng)性，提升模型學(xué)習(xí)能力。

3 實(shí)驗(yàn)與結(jié)果

3.1 數(shù)據(jù)集

本文采用的紅外光伏圖像數(shù)據(jù)集，來源于某光伏電場。光伏板紅外圖像由6*10個(gè)光伏組件單元組合而成，如圖4所示。

從圖4可以看出，熱斑具有面積小，灰度值較高，邊緣區(qū)域較明顯等特點(diǎn)，因此將光伏組件單元作為識(shí)別熱斑的最小區(qū)域單元，可以更好地識(shí)別熱斑。

數(shù)據(jù)集中光伏紅外圖像色彩與紅外輻射量具有映射關(guān)系，因此對光伏組件單元的工作狀態(tài)進(jìn)行了定性分析，效果如圖5所示。

圖4 光伏紅外圖

圖5 光伏組件單元狀態(tài)

將光伏組件單元的工作狀態(tài)劃分成5類，作為本實(shí)驗(yàn)的數(shù)據(jù)集。訓(xùn)練集的樣本各類數(shù)量如表1所示。

表1 光伏紅外圖像圖片數(shù)量

3.2 與其他算法的對比

對于不同模型的性能進(jìn)行比較，效果如表2所示。

表2 模型對比效果表

根據(jù)表中信息可以看出，改進(jìn)后的模型

的準(zhǔn)確率最高，優(yōu)于另外兩種算法，而且相較于其他兩種算法，

的圖像特征提取能力更好。

4 結(jié)論

針對光伏陣列中熱斑故障的識(shí)別精度問題，提出了一種基于改進(jìn)殘差結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)檢測算法模型，該模型由圖像預(yù)處理和模型檢測兩部分構(gòu)成，能夠?qū)崿F(xiàn)對紅外圖像熱斑的檢測、熱斑嚴(yán)重程度的分類和識(shí)別。

[1] 王歡,徐小力.一種新型光伏陣列在線故障檢測方法研究[J].儀器儀表學(xué)報(bào),2015,36(12):127-134.

[2] Kim K A, Seo G S, Cho B H, et al. Photovoltaic Hot-Spot Detection for Solar Panel Substrings Using AC Parameter Characterization[J]. IEEE Transactions on Power Elec- tronics, 2015, 31(2): 1121-1130.

[3] 王亞東.光伏電站晶硅組件熱斑故障診斷研究[D].揚(yáng)州:揚(yáng)州大學(xué),2017:16-48.

[4] 畢銳,丁明,徐志成,等.基于模糊C均值聚類的光伏陣列故障診斷方法[J].太陽能學(xué)報(bào),2016,37(3):730-736.

[5] Spataru S, Sera D, Kerekes T, et al. Diagnostic method for photovoltaic systems based on light I-V measurements[J]. Solar Energy, 2015, 119(9): 29-44.

[6] 蔣琳,蘇建徽,施永,等.基于紅外熱圖像處理的光伏陣列熱斑檢測方法[J].太陽能學(xué)報(bào),2020,41(8):180-184.

[7] Tsanakas J A, Chtysostomou D, Botsaris P N, et al. Fault diagnosis of photovoltaic modules through image process- ing and Canny edge detection on field thermographic measurements[J]. International Journal of Sustainable Energy, 2015, 34(6): 351-372.

[8] 王培珍,鄭詩程.基于紅外圖像的太陽能光伏陣列故障分析[J].太陽能學(xué)報(bào),2010,31(2):197-202.

[9] 張曉娜,高德東,劉海雄,等.一種新型光伏陣列多傳感器故障檢測定位方法[J].可再生能源,2016,34(2):166-172.

[10] Hachana O, Tina G M, Hemsas K E. PV array fault diagnostic technique for BIPV systems[J]. Energy & Buildings, 2016, 126(8): 263-274.

[11] Tsanakas J A, Chrysostomou D, Botsaris P N, et al. Fault diagnosis of photovoltaic modules through image processing and Canny edge detection on field thermo- graphic measurements[J]. International Journal of Solar Energy, 2015, 34(6): 351-372.

[12] 車曦.基于紅外圖像識(shí)別的光伏組件熱斑故障檢測方法研究[D].重慶:重慶大學(xué),2015:12-47.

[13] 王東.紅外小目標(biāo)檢測與跟蹤算法研究[D].武漢:華中科技大學(xué),2017:16-57.

[14] 姚瑤.基于時(shí)空顯著性的紅外目標(biāo)檢測與跟蹤方法研究[D].大連:大連理工大學(xué),2018:6-44.

[15] 張祥東,王騰軍,楊耘.基于多尺度殘差網(wǎng)絡(luò)的小樣本高光譜圖像分類[J].激光與光電子學(xué)進(jìn)展,2020,57(16): 348-355.

[16] Misra D. Mish: A Self Regularized Non-Monotonic Neural Activation Function[EB/OL].(2020-08-13)[2021-03-18]. https://arxiv.org/abs/1908.08681.

Thermal Spot Recognition of Photovoltaic Infrared Image Based on Residual Network

JIA Shuai-nan

(Depeartment of Computer Science and Technology, Tangshan University, Tangshan 063000, China)

The harsh environment of photovoltaic array leads to frequent faults and is not easy to detect. In order to identify hot spot faults in photovoltaic array more effectively, a convolution neural network model algorithm with residual structure and multi-scale convolution was proposed. Firstly, the photovoltaic infrared image was filtered to eliminate the interference information. Then the equidistant segmentation method was used to extract the photovoltaic module unit, and the improved model was used to extract rich image features to complete the infrared image hot spot recognition. The experimental results showed that the recognition accuracy of the improved algorithm was better than that of the original model algorithm, which is of great significance to improve the automation level of photovoltaic fault detection.

photovoltaic hot spot; infrared image; convolution neural network; image recognition

TP391.4;TP183

A

1009-9115(2021)06-0053-04

10.3969/j.issn.1009-9115.2021.06.014

2021-03-18

2021-08-08

賈帥男（2000-），男，河北衡水人，本科生，研究方向?yàn)橛?jì)算機(jī)技術(shù)、深度學(xué)習(xí)。

（責(zé)任編輯、校對：田敬軍）