盧芳芳，牛然，杜海舟*，楊振辰，陳菁菁

1.上海電力大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，上海 200090；2.上海上電新達(dá)新能源科技有限公司，上海 200010;3.浙大城市學(xué)院，杭州 310015

0 引 言

在全球推進(jìn)清潔低碳能源轉(zhuǎn)型進(jìn)程中,光伏(photovoltaic, PV)面板在清潔能源中的地位日益升高。據(jù)國際能源署(International Energy Agency，IEA)統(tǒng)計，截至2018年底，全球光伏發(fā)電累計裝機(jī)量達(dá)480 GW，預(yù)計2030年有望達(dá)到1 721 GW。為了增加光伏面板的受光時間，大型光伏發(fā)電場往往位于沒有明顯的遮陽區(qū)域，如平原、丘陵或魚塘上方，如圖1所示。長時間運(yùn)行在紫外線、高溫或潮濕的環(huán)境中會加速光伏面板的氧化和失效(Sadok等，2016)。嚴(yán)重的密封劑分層會增加反射，降低輻照度，使水分在模塊中下沉，加速面板氧化(Kontges等，2014)。粉塵的積累會直接降低透光率，影響光伏發(fā)電系統(tǒng)的效率，有時可達(dá)50%左右，甚至達(dá)到80%(Tabanjat等，2015)。雖然蝸牛紋路對發(fā)電效率沒有直接影響，但看不見的裂紋，通常會降低電量輸出(Dolara等，2016)。

圖1 漁光互補(bǔ)大型光伏電站示意圖

光伏產(chǎn)業(yè)的興起和部署地理位置的特殊增加了其故障檢測的難度。光伏面板故障檢測方法大致經(jīng)歷了以下幾個階段。1)人工檢測。這是最原始的光伏面板故障檢測方法，由專門人員通過相機(jī)拍出來的光伏面板圖像來判斷是否存在缺陷。傳統(tǒng)的人工檢測通過目視評估單個光伏組件，成本高、錯誤率高且效率低下(Tatapudi等，2016)，對于不同缺陷存在嚴(yán)重的主觀意向。2)物理檢測。Sawyer和Kessler(1980)利用激光掃描技術(shù)進(jìn)行檢測，該方法通過顯示激光掃描正向轉(zhuǎn)換的晶硅中電阻的連續(xù)性來判斷是否存在裂紋，如果裂紋存在會出現(xiàn)電阻的不連續(xù)性。Tsuzukik等人(2001)提出使用聲波進(jìn)行故障檢測，使光伏面板振動而產(chǎn)生聲波，根據(jù)與無缺陷的太陽能電池片產(chǎn)生的聲波進(jìn)行對比分析，實現(xiàn)故障檢測。利用物理檢測，對于光伏面板特定類型故障具有較高的檢測精度，但是對于其他故障無法進(jìn)行有效檢測。3)基于機(jī)器視覺的檢測。Bastari等人(2010)提出一種對電發(fā)光圖像中暗色缺陷區(qū)域進(jìn)行紋理分析從而自動分類出有缺陷和無缺陷的電池片的方法。Quater等人(2014)率先提出無人機(jī)巡檢系統(tǒng)可以對大型光伏電站進(jìn)行無損巡檢。但是故障診斷效果無法達(dá)到使用要求，后續(xù)很多學(xué)者進(jìn)一步研究故障診斷方法。Li等人(2017)先對采集圖像計算高斯函數(shù)一階導(dǎo)數(shù)提取特征，再通過特征匹配的方法進(jìn)行缺陷檢測。該方法在一定程度上驗證了基于圖像處理的故障分析算法的有效性，但是對于采集圖像的質(zhì)量要求較高。然而，由于風(fēng)效應(yīng)等多種原因?qū)е芦@取的圖像分辨率較低，該方法的性能會明顯下降。此外，傳統(tǒng)的模式識別算法往往無法實現(xiàn)對獲得的航拍圖像進(jìn)行復(fù)雜程度可接受的故障特征提取。隨著深度卷積神經(jīng)網(wǎng)絡(luò)性能的提高，將人工智能學(xué)習(xí)算法引入到智能巡邏系統(tǒng)中(楊挺 等，2019)可提高系統(tǒng)的健壯性和可靠性(周念成 等，2019)。Li等人(2018)提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)的航拍光伏組件圖像缺陷智能診斷方法，利用CNN進(jìn)行多種深度特征和狀態(tài)分類。與傳統(tǒng)方法相比，可以靈活可靠地解決光伏組件圖像質(zhì)量低、易失真的問題。

由于缺乏大量的負(fù)例樣本，CNN等監(jiān)督學(xué)習(xí)在異常檢測問題上不適用。Schlegl等人(2017)提出基于正樣例的無監(jiān)督異常檢測方法(anomaly generative adversarial network，AnoGAN)，通過不斷迭代優(yōu)化，在隱空間尋找某個點，該點生成的圖像與測試圖像最為接近，如果兩者的差距大于某個值，就可判斷測試圖像為異常圖像。由于需要迭代優(yōu)化，AnoGAN算法勢必會耗費大量時間。Zhao等人(2018)提出了使用生成對抗網(wǎng)絡(luò)(generative adversarial network, GAN)和自編碼器來重建缺陷圖像，再用局部二值模式(local binary pattern, LBP)提取圖像局部對比度來檢測缺陷。但是對于復(fù)雜的背景，Zhao等人(2018)的方法無法較好地重建和修復(fù)缺陷圖像來進(jìn)行缺陷異常檢測。

為了解決深度學(xué)習(xí)中缺少大量負(fù)樣例無法訓(xùn)練監(jiān)督學(xué)習(xí)型異常檢測模型的問題，本文采用將對抗式自動編碼器(adversarial auto-encoders)(Makhzani等，2015)與深度卷積生成對抗網(wǎng)絡(luò)(deep convolutional GAN)(Goodfellow等,2014)相結(jié)合的半監(jiān)督異常檢測模型(Akcay等，2018)，通過應(yīng)用梯度中心化和Smooth L1損失函數(shù)，使模型具有更好的準(zhǔn)確性和魯棒性。算法步驟如下：首先構(gòu)建半監(jiān)督異常檢測模型，其次將正常的光伏面板圖像作為正樣例原圖輸入到半監(jiān)督異常檢測模型，進(jìn)行模型訓(xùn)練。接著將待測光伏面板圖像輸入到訓(xùn)練好的半監(jiān)督異常檢測模型，生成器網(wǎng)絡(luò)生成該待測圖像對應(yīng)的重建圖像。然后計算待測原圖圖像與其重建圖像隱空間向量之間的誤差。最后通過判斷該誤差是否大于自適應(yīng)閾值，推斷該待測光伏面板是否存在異常。該半監(jiān)督異常檢測模型的訓(xùn)練樣本中只需包含大量無需標(biāo)簽的正樣例。相較于監(jiān)督學(xué)習(xí)，該模型無需標(biāo)簽、無需大量負(fù)樣例，解決了缺少負(fù)樣例無法訓(xùn)練異常檢測模型的問題。

1 模型架構(gòu)分析

1.1 半監(jiān)督異常檢測模型

圖2 半監(jiān)督異常檢測模型架構(gòu)圖

1.2 生成器網(wǎng)絡(luò)

1.2.1 編碼—解碼器(GE1-D)子網(wǎng)絡(luò)

本文利用形似蝴蝶結(jié)的自動編碼器對光伏面板圖像進(jìn)行重建，具體過程如下:

1)生成器編碼器GE1。生成器網(wǎng)絡(luò)G讀取輸入光伏面板圖像x，傳遞給生成器編碼器網(wǎng)絡(luò)GE1，x經(jīng)過GE1的卷積層、批量標(biāo)準(zhǔn)化層及帶泄露線性整流激活函數(shù)層多次向下縮小尺度后，壓縮成向量z=GE1(x)，即生成器編碼器GE1的隱空間向量z。理論上可以將z假定為包含x最佳表示的最小維度的向量。

圖3 正樣例和負(fù)樣例數(shù)據(jù)分布圖

1.2.2 編碼器(GE2)子網(wǎng)絡(luò)

1.3 判別器網(wǎng)絡(luò)

1.4 模型訓(xùn)練中損失函數(shù)

為了將上述假設(shè)數(shù)學(xué)化，定義了對抗損失、上下文損失和編碼器損失3個損失函數(shù)，并將其結(jié)合以建立模型的目標(biāo)函數(shù)。每個損失函數(shù)都對單個子網(wǎng)絡(luò)進(jìn)行優(yōu)化。同時，將GANomaly網(wǎng)絡(luò)使用的L1損失和L2損失組合改為Smooth L1損失，具體計算為

(1)

由式(1)可知，當(dāng)|t|<1時，Smooth L1損失就是L2損失，由于L2損失會對誤差進(jìn)行平方，因此會得到更小的損失，有利于模型收斂。而當(dāng)t較大的時，Smooth L1損失是L1損失的平移。相比于L2損失，L1損失對離群點、異常值不敏感，可控制梯度的量級使訓(xùn)練時不容易爆炸。Smooth L1損失其實是L2損失與L1損失的結(jié)合，同時具有L2損失和L1損失的優(yōu)點。

1.4.1 對抗損失

(2)

式中，Px為正樣例光伏面板數(shù)據(jù)分布；φ(x)表示輸入圖像x在判別器DE中間層的特征輸出；G(x)為輸入圖像x在生成器的重建圖;E表示期望。

1.4.2 上下文損失

(3)

式中，Px為正樣例光伏面板數(shù)據(jù)分布；G(x)為輸入圖像x在生成器的重建圖。

1.4.3 編碼器損失

(4)

至此為止，可定義光伏面板故障檢測模型的目標(biāo)損失函數(shù)L，其函數(shù)式為

L=Ladv+λLcon+Lenc

(5)

式中，λ為調(diào)整生成圖像銳度的參數(shù)。

1.5 梯度中心化

圖4 梯度中心化示意圖

1.5.1 GC公式

(6)

1.5.2 GC的性質(zhì)

從理論上講，GC可以提高模型的泛化能力。

圖5 GC的幾何解釋

2)輸出空間正則化。引入GC后,一個輸入特征的恒定強(qiáng)度變化會引起一個輸出激活的變化，這個變化與當(dāng)前權(quán)重向量無關(guān)。如果初始權(quán)重向量的均值趨近于0，那么輸出激活對輸入特征的干擾強(qiáng)度變化不敏感，所以輸出特征空間對于訓(xùn)練樣例的變化具有更強(qiáng)的穩(wěn)定性。

本文采用基于對抗訓(xùn)練的半監(jiān)督光伏面板故障檢測模型，通過應(yīng)用梯度中心化(GC)對權(quán)重空間和輸出特征空間正則化來防止過擬合，并使用Smooth L1損失函數(shù)，使模型具有更好的準(zhǔn)確性和魯棒性。

2 實驗討論

2.1 模型訓(xùn)練

2.1.1 數(shù)據(jù)集的來源及處理

數(shù)據(jù)集采用無人機(jī)實地拍攝的浙江某光伏電站的光伏面板圖像，原始圖像大小為3 840×2 048像素。通過觀察發(fā)現(xiàn)，光伏面板圖像的顏色和圖案形狀是單一且規(guī)則的，將一幅大圖分割成若干幅小圖，不僅對模型無負(fù)面影響，而且可以加快模型訓(xùn)練的迭代速度。將一幅原始圖像分割成32×32像素的圖像，如圖6(a)所示，通過分割原始正常光伏面板圖像，得到32 000幅32×32像素的正樣例分割圖。訓(xùn)練集從總樣本中隨機(jī)抽取80%，共25 600幅。剩余的20%為測試集，共6 400幅。因為在測試階段需要負(fù)樣例來測試模型的異常檢測效果，所以從拍攝的異常光伏面板圖像中切割缺陷圖，得到3 200幅32×32像素的負(fù)樣例圖像，如圖6(b)所示。

圖6 光伏面板分割圖

2.1.2 訓(xùn)練細(xì)節(jié)及參數(shù)

生成對抗網(wǎng)絡(luò)中生成器和判別器的搭建是模型構(gòu)建的關(guān)鍵，生成器用到了編碼器和解碼器，判別器是類編碼器結(jié)構(gòu)。

1)編碼器。由于圖像尺寸為32×32像素，彩色圖像為三通道，所以編碼器的輸入尺寸為32×32×3，采用4×4的卷積核，前3層卷積采用邊緣填充0個數(shù)為1，卷積核步長為2，并在卷積層后加批量標(biāo)準(zhǔn)化層(Ioffe和Szegedy，2015)和LeakyReLU激活函數(shù)層(Xu等，2015)。最后一層卷積采用無填充無步長卷積后，直接輸出為1×1×100的隱空間向量。

2)解碼器。編碼器結(jié)構(gòu)是對稱的，第1層轉(zhuǎn)置卷積無填充和步長，后3層轉(zhuǎn)置卷積填充為1、步長為2。前3層轉(zhuǎn)置卷積層后，加批量標(biāo)準(zhǔn)化層和ReLU激活函數(shù)層，輸出為32×32×3的重建圖。

2.2 模型驗證

2.2.1 模型評估

模型訓(xùn)練完成后，需要對模型進(jìn)行評估，以保證以最小代價、高效準(zhǔn)確地完成光伏面板異常檢測任務(wù)。主要從判別器中間特征和生成器的隱空間向量兩個角度對模型進(jìn)行評估。

1)對于判別器中間特征Dfeature，在訓(xùn)練過程中獲得其中間特征Dfeature，將4×4×256數(shù)組變?yōu)?1維數(shù)組4 096。利用t-SNE(t-distributed stochastic neighbor embedding)以主成分分析的方式分別降維成3維和2維數(shù)組，繪制測試集中的正負(fù)樣例的散點，如圖7所示?？梢钥闯?，光伏面板正負(fù)樣例的散點在2維和3維空間中都有明顯的決策邊界，可以較好地劃分正負(fù)樣例(即正常和異常光伏面板)。

圖7 t-SNE降維后的Dfeature散點分布圖

2)對于生成器的隱空間向量z，從3個方面進(jìn)行評估：

圖8 隱空間向量z聯(lián)合核密度估計分布圖

圖9 隱空間向量Lz分布圖

(3)原圖與生成器的重建圖。上述都是以數(shù)據(jù)分析圖的方式展示出正負(fù)樣例，從解碼器中還可以獲得重建圖。如圖10所示，在訓(xùn)練過程中，隨著迭代次數(shù)的增加，原圖與重建圖之間的差異逐漸縮小。由此可見，經(jīng)過訓(xùn)練后的生成器網(wǎng)絡(luò)可較好地重建輸入圖像。

圖10 訓(xùn)練階段的原圖與重建圖

2.2.2 模型檢測

(7)

(8)

(9)

圖11 檢測結(jié)果圖

2.2.3 性能度量指標(biāo)

為了驗證本文方法的有效性，與GANomaly(Akcay等2018)、Zhao等人(2018)、AnoGAN和Pre-trained VGG16(Visual Geometry Group 16-layer network)方法進(jìn)行對比?？紤]到VGG16的最小輸入圖像是48 × 48像素，所以需將圖像由32 × 32像素放大為48 × 48像素。由于VGG16的訓(xùn)練集中需要負(fù)樣例，所以在訓(xùn)練集中分別加入10幅、100幅和200幅負(fù)樣例光伏面板圖像進(jìn)行訓(xùn)練，對比不同數(shù)量的負(fù)樣本對模型預(yù)測準(zhǔn)確率的影響。

采用ROC曲線(receiver operating characteristic curve)、Precision分?jǐn)?shù)、Recall分?jǐn)?shù)以及 F1分?jǐn)?shù)作為模型的性能度量指標(biāo)。圖12是各算法的ROC曲線對比圖，結(jié)果表明，本文算法在光伏面板故障檢測中表現(xiàn)出最優(yōu)性能，本文方法的AUC(area under curve)值為0.935，分別比GANomaly、Zhao等人(2018)、AnoGAN和Pre-trained VGG16(100)方法高0.033、0.044、0.052和0.12。

圖12 不同方法的ROC曲線對比

表1是評估的Precision分?jǐn)?shù)、Recall分?jǐn)?shù)以及F1分?jǐn)?shù)。Pre-trained VGG16隨著負(fù)樣例(異常光伏面板圖像)的個數(shù)增加，性能逐漸增加。在沒有負(fù)樣例的情況下，本文方法總體上與其他先進(jìn)方法具有很強(qiáng)的競爭力，并實現(xiàn)了更高的召回率和F1分?jǐn)?shù)。

表1 模型性能度量表

相較于監(jiān)督學(xué)習(xí)，本文提出的半監(jiān)督異常檢測模型無需標(biāo)簽、無需大量負(fù)樣例，解決了缺少負(fù)樣例無法訓(xùn)練異常檢測模型的問題。相關(guān)實驗結(jié)果證明，本文提出的基于生成對抗網(wǎng)絡(luò)的半監(jiān)督異常檢測模型大幅提高了光伏面板故障檢測的準(zhǔn)確率。

2.2.4 消融實驗

圖13(a)展示了在50輪訓(xùn)練中使用梯度中心化GC與未使用GC的損失對比。原始網(wǎng)絡(luò)只使用批量歸一化(batch normalization，BN)作為優(yōu)化?？梢钥闯觯c批量歸一化BN相比，BN+GC的訓(xùn)練損失減少的更快，GC可以進(jìn)一步加快訓(xùn)練速度，表明梯度中心化GC可以在加快訓(xùn)練速度同時增加泛化性能。

圖13(b)是Smooth L1損失與手動組合L2損失和L1損失的對比。使用Smooth L1損失明顯比手動組合L2損失和L1損失下降很多，表明Smooth L1損失可以使模型具有更好的準(zhǔn)確性。

從圖13可以看出，本文提出的光伏面板故障檢測模型通過應(yīng)用梯度中心化GC，在加快模型訓(xùn)練速度的同時，增加了模型的泛化性能，使用Smooth L1作為損失函數(shù)，進(jìn)一步提升了光伏面板故障檢測的準(zhǔn)確性和魯棒性，可代替人工巡檢，實現(xiàn)光伏面板故障檢測的自動化。

圖13 損失對比圖

3 結(jié) 論

本文結(jié)合實際需求，設(shè)計了基于生成對抗網(wǎng)絡(luò)的光伏面板故障檢測系統(tǒng)。在缺少大量負(fù)樣例(異常光伏面板)數(shù)據(jù)的情況下，運(yùn)用生成對抗網(wǎng)絡(luò)提取圖像特征逼近正樣例(正常光伏面板)圖像數(shù)據(jù)分布，使計算機(jī)可以生成與正樣例相似度極高的重建圖像。最后通過計算待測原圖圖像與其重建圖像之間的誤差來判斷該待測光伏面板是否存在異常。該異常檢測模型的移植性很強(qiáng)，只要有大量的正樣例，訓(xùn)練完成模型后就可以進(jìn)行二分類，即光伏面板的故障檢測，解決了缺少負(fù)樣例無法訓(xùn)練異常檢測模型的問題。同時，該異常檢測模型通過應(yīng)用梯度中心化GC，在加快模型訓(xùn)練速度的同時，增加了模型的泛化性能，并通過使用Smooth L1損失函數(shù)，進(jìn)一步提升了光伏面板故障檢測的準(zhǔn)確性和魯棒性，可代替人工巡檢實現(xiàn)光伏面板故障檢測的自動化。在未來工作中，可在上述系統(tǒng)的基礎(chǔ)上嘗試收集多個種類的異常特征圖(如灰塵遮蔽、蝸牛紋和生銹等)，利用CNN的分類能力，在檢測到異常區(qū)域后再對異常特征做進(jìn)一步分類。