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。