亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于可見光圖像特征的光伏板碎裂狀態(tài)分析與研究*

        2022-04-19 05:57:04鐘泳松徐凌樺李凱飛
        微處理機(jī) 2022年2期
        關(guān)鍵詞:損失率殘差注意力

        鐘泳松,徐凌樺,周 克,2,李凱飛

        (1.貴州大學(xué)電氣工程學(xué)院,貴陽 550025;2.茅臺學(xué)院釀酒工程自動化系,遵義 564507)

        1 引言

        在光伏板故障中隱裂破損[1]降低了發(fā)電效率。面對巨量的光伏組件圖像數(shù)據(jù),利用機(jī)器代替人工無疑是更好的選擇,還可以進(jìn)一步避免人為認(rèn)知因素的影響,提高診斷效率[2]。利用體積小飛行靈活的無人機(jī)搭配高質(zhì)量相機(jī)進(jìn)行圖像采集,后期分析所采集的圖像即可對光伏組件的情況做出初步診斷。隨著以卷積神經(jīng)網(wǎng)絡(luò)(CNN)為代表的深度學(xué)習(xí)算法的突破,越來越多學(xué)者將其應(yīng)用于電氣工程領(lǐng)域,如以深度學(xué)習(xí)算法分析圖像特征的輸電故障判斷[3]、輸電線路圖像附冰厚度辨識[4]、電力設(shè)備故障判斷[5]等等。然而對于基于圖像識別和深度學(xué)習(xí)的定量評估光伏板碎裂破損的故障診斷研究和分析方法,目前尚未形成較為成熟的技術(shù)體系和評估標(biāo)準(zhǔn)。為此,針對大型光伏電站或者分布式光伏部件的破損碎裂狀態(tài)定量評估問題,通過采集大量不同程度的光伏板碎裂破損圖像及其發(fā)電損失率數(shù)據(jù),結(jié)合深度學(xué)習(xí)算法ResNet和注意力機(jī)制遷移學(xué)習(xí)等圖像識別技術(shù),在此建立一套基于改進(jìn)ResNet的光伏板碎裂狀態(tài)識別分析模型,可以通過輸入破損狀態(tài)的光伏板圖像,輸出該類破損評級與發(fā)電損失率預(yù)測,通過嵌入注意力機(jī)制(SENet)的殘差網(wǎng)絡(luò)(ResNet)提取圖像特征,再通過全連接層和Softmax分類器輸出所處類別概率,該類別指向統(tǒng)計(jì)所得的不同發(fā)電損失率標(biāo)簽。

        2 深度學(xué)習(xí)基礎(chǔ)原理

        2.1 殘差網(wǎng)絡(luò)與注意力機(jī)制

        何凱明等提出ResNet[6],解決了因?yàn)槟P妥兩疃鸬木W(wǎng)絡(luò)退化問題,使得理論上模型可以突破深度限制,進(jìn)一步提升模型精度。其核心在于殘差結(jié)構(gòu),對于一個堆積層結(jié)構(gòu),如果想讓它在輸入x時學(xué)習(xí)到的特征為H(x),那么殘差就為F(x)=H(x)-x。已有方法在神經(jīng)網(wǎng)絡(luò)擬合恒等變換時效果欠佳,在此構(gòu)造殘差模塊,能讓網(wǎng)絡(luò)學(xué)習(xí)殘差比直接學(xué)習(xí)更加容易。研究發(fā)現(xiàn)當(dāng)殘差為0時,無需學(xué)習(xí)參數(shù)就做了恒等映射,理論上此時不管堆疊多少層都不會影響精度,更不會出現(xiàn)隨著網(wǎng)絡(luò)加深出現(xiàn)的網(wǎng)絡(luò)退化問題。殘差不為0則說明網(wǎng)絡(luò)學(xué)習(xí)了新特征,網(wǎng)絡(luò)擬合效果更佳。

        假設(shè)激活函數(shù)為ReLu,那么淺層l到深層L學(xué)習(xí)的特征可以表示為:

        胡杰等提出了通道注意力機(jī)制SENet[7],對于卷積神經(jīng)網(wǎng)絡(luò)中卷積操作,主要通過融合空間特征和通道特征提高感受野。而SENet網(wǎng)絡(luò)主要關(guān)注通道之間的關(guān)系,通過自動學(xué)習(xí)得到不同通道特征的重要程度,其核心在于Squeeze-and-Excitation(SE)模塊,關(guān)鍵在于壓縮(Squeeze)和激發(fā)(Excitation)操作。壓縮是為了獲取每個通道的全局感受野,從而對每個通道進(jìn)行全局平均池化,如下式:

        通過公式(3)的全局平均池化過程,即可獲得全局特征,然后通過激勵(Excitation)獲得每個通道的重要程度關(guān)系,通過兩個全連接層的連接,第一個全連接層神經(jīng)元個數(shù)為C/r,第二個全連接層神經(jīng)元個數(shù)為C,這樣連接相比于僅有一個全連接層的情況,參數(shù)個數(shù)會少很多,從而降低了計(jì)算量。通過這兩個全連接層的參數(shù)學(xué)習(xí)可以對每個通道進(jìn)行特征重標(biāo)定,使神經(jīng)網(wǎng)絡(luò)更加關(guān)注某些通道,成為一種注意力機(jī)制。

        2.2 改進(jìn)的ResNet

        作為對原配ResNet結(jié)構(gòu)的改進(jìn),將SE模塊嵌入殘差結(jié)構(gòu)中,如圖1所示。

        圖1 嵌入SE模塊到殘差結(jié)構(gòu)中

        加入SE模塊后,模型參數(shù)和計(jì)算量都會增加,參數(shù)增加量為:

        其中r為第一個全連接層的降維系數(shù);S為stage數(shù)量,Cs為第s個stage通道數(shù),Ns為第s個stage重復(fù)的block數(shù)量。

        經(jīng)計(jì)算得出SE-ResNet50增加了大約10%的參量,浮點(diǎn)計(jì)算量增加不到百分之1%。通過堆疊SE殘差結(jié)構(gòu)塊(block)可以得到不同的SE-ResNet,如SE-ResNet34、SE-ResNet50、SE-ResNet101。

        3 實(shí)驗(yàn)設(shè)計(jì)與仿真

        3.1 樣本制備和預(yù)處理

        實(shí)驗(yàn)數(shù)據(jù)源于現(xiàn)場采集的光伏圖像。為了減少太陽光入射角對光伏板圖像成像的影響,提取每天12:00~14:00時間段光伏圖像作為模型數(shù)據(jù)集的基礎(chǔ),在光伏板板面破損自然遞增情況下,選出有效的6組共計(jì)2400張板面破損狀態(tài)下的光伏板圖像作為模型的數(shù)據(jù)集,按照4:1比例劃分訓(xùn)練集和測試集,在不改變圖像特征情況下統(tǒng)一將圖像調(diào)整為224×224像素大小的JPG格式圖像,并對應(yīng)采集時刻的電力、氣象參數(shù),計(jì)算對應(yīng)時刻的發(fā)電效率損失率[8],計(jì)算公式為:

        其中η為額定工作溫度下的發(fā)電效率;ηd為板面碎裂狀態(tài)額定工作溫度發(fā)電效率;ηpl為發(fā)電效率損失率;Pmax表示某一背板溫度、輻照度條件下最大輸出電功率;Tb、Ts分別為光伏板實(shí)時溫度和額定工作溫度;R為光伏板功率溫度系數(shù);Ai為光伏板面積;Pin為輻照度,由公式(5)計(jì)算所有樣本發(fā)電效率損失再取相近數(shù)值的為一組,求出每組均值,得到光伏板發(fā)電效率損失與均值對應(yīng)關(guān)系,如圖2所示。以此,即建立了光伏板碎裂圖像與發(fā)電效率損失率的特征對應(yīng)關(guān)系。可以利用檢測圖像來評估碎裂程度和發(fā)電效率損失情況。

        3.2 碎裂狀態(tài)檢測仿真

        仿真實(shí)驗(yàn)使用的開發(fā)平臺為Windows 10,平臺具體配置見表1。

        表1 實(shí)驗(yàn)平臺參數(shù)

        仿真結(jié)果如圖3所示。為了選擇最適合本項(xiàng)目的ResNet-N網(wǎng)絡(luò),先對比ResNet-34、ResNet-50及ResNet-101,如圖3(a),從圖中的故障識別準(zhǔn)確率來看,ResNet-50和ResNet-101相比,兩者對故障的識別率相差不大,但此時如果選FLOPs為一個衡量算法模型復(fù)雜度的參數(shù),則ResNet-50是ResNet-101的一半,ResNet-50和ResNet-34的FLOPs參數(shù)相近,但準(zhǔn)確率由70%提升至83%左右。綜合對比之下,ResNet-50無論是在準(zhǔn)確率或復(fù)雜度FLOPs參數(shù)上,表現(xiàn)都更為優(yōu)秀,因此本研究選取ResNet-50作為實(shí)驗(yàn)的基礎(chǔ)模型。在此基礎(chǔ)上繼續(xù)優(yōu)化,加入注意力機(jī)制,結(jié)果如圖3(b)所示。相比沒有加入注意力機(jī)制的網(wǎng)絡(luò)識別率,優(yōu)化后準(zhǔn)確率有了明顯的提高。

        圖3 仿真結(jié)果對比圖

        對比研究不同深度的ResNet模型以及加入了注意力機(jī)制的改進(jìn)SE-ResNet模型。ResNet-50辨識精度為83.15%,雖然少于ResNet-101的84.26%的精度,但其相比后者會有更少的計(jì)算量和參數(shù)數(shù)量,預(yù)測速度更快,更節(jié)省算力。在這一基礎(chǔ)上引入注意力機(jī)制,雖然引入了少量參數(shù)(<10%)和計(jì)算量(<2%),但是提高了幾乎8%的辨識精度,已滿足光伏板碎裂狀態(tài)識別和分析的基本要求。

        4 結(jié)束語

        研究為解決光伏電站傳統(tǒng)破碎檢測誤差大、精度低、難量化、速度慢等問題,提出了改進(jìn)的分析方法。這一基于深度學(xué)習(xí)的光伏板碎裂狀態(tài)識別與分析方法,為大型光伏電站運(yùn)維提供了新思路和方法。通過繼續(xù)擴(kuò)充數(shù)據(jù)集,在未來研究中有望進(jìn)一步提高模型精度,還可以通過調(diào)參、剪枝等技術(shù)手段持續(xù)優(yōu)化和迭代模型,使模型更加輕盈,易于嵌入無人機(jī)、機(jī)器人,實(shí)現(xiàn)全自動化實(shí)時運(yùn)維效果。

        猜你喜歡
        損失率殘差注意力
        基于雙向GRU與殘差擬合的車輛跟馳建模
        讓注意力“飛”回來
        農(nóng)業(yè)農(nóng)村部印發(fā)《意見》提出到2025年農(nóng)產(chǎn)品加工環(huán)節(jié)損失率降到5%以下
        基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
        帶有治療函數(shù)及免疫損失率的SIRS流行病模型的動力學(xué)分析
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
        傳媒評論(2017年3期)2017-06-13 09:18:10
        12部使用一年后最廉價轉(zhuǎn)售車
        海外星云(2016年19期)2016-10-24 11:53:42
        A Beautiful Way Of Looking At Things
        2014~2015年冬季美國蜂群損失調(diào)查
        国产一区二区三区 在线观看 | 国产剧情麻豆女教师在线观看 | 国产一级一厂片内射视频播放| 日本超级老熟女影音播放| 亚洲视频在线一区二区| 香蕉人人超人人超碰超国产| 伦人伦xxxx国语对白| 亚洲国产精品国自产电影| 91情侣在线精品国产免费| 免费高清日本一区二区| 国产主播性色av福利精品一区| av无码国产在线看免费网站| 国产suv精品一区二区6| 日本丰满妇人成熟免费中文字幕| 国产盗摄XXXX视频XXXX| 在线视频一区二区国产| 亚洲中文字幕av天堂自拍| 日韩吃奶摸下aa片免费观看| 色妺妺在线视频| 日本精品一区二区三本中文| 香蕉蜜桃av一区二区三区| 男人的天堂一区二av| 欧美大片aaaaa免费观看| 同性男男黄g片免费网站| 日本理论片一区二区三区| 青青草视频在线播放观看| 亚洲国产一二三精品无码 | 免费一本色道久久一区| 免费人成网站在线观看| 久久在一区二区三区视频免费观看 | 男人边吃奶边做好爽免费视频| 国产人成无码视频在线1000| 日本一区二区不卡在线| 天天狠天天添日日拍| 狠狠色狠狠色综合日日不卡| 天堂Av无码Av一区二区三区| 操国产丝袜露脸在线播放| 国产精品乱码人妻一区二区三区| 激情偷乱人成视频在线观看| 国产无码十八禁| 国产一品二品三区在线观看|