基于多層卷積神經網絡的光伏組件紅外熱斑故障識別方法研究

國電電力新疆新能源開發(fā)有限公司 孟憲梁 楊 志 黃文廣 華風數據（深圳）有限公司 袁昌國 饒 巍

魯東大學數學與統(tǒng)計科學學院 張中正 付恩強 劉廣臣

隨著全球能源不斷地消耗，且化石燃料所導致的環(huán)境問題日益突出，世界各國對清潔可再生能源的開發(fā)研究投入越來越大，其中利用太陽能，光伏發(fā)電的技術得到了迅猛發(fā)展，廣泛應用于各個領域，但太陽能光伏電站在長期運行過程中，會出現一些影響光伏組件安全運行的問題，如隱裂、EVA 黃變、熱斑等，其中熱斑效應對光伏組件性能影響最大[1]，已成為危害最大、發(fā)生最頻繁的一類故障熱斑效應是造成光伏組件損壞的主要原因之一，提早發(fā)現光伏組件熱斑效應并及時解決，可有效減少損失[2]。

熱斑檢測一般使用電氣檢測和圖像分析2種模式進行檢測，電氣檢測是基于分析太陽能發(fā)電的電氣數據，通過對發(fā)電數據的波動分析出是否存在故障[3]。該方法需要線路接入和電路監(jiān)控，會增加光伏組件的額外成本。圖像分析通常對紅外圖像進行分析，運用圖像處理技術在紅外圖像中找到熱斑的位置。小規(guī)模的光伏組件熱斑檢測可使用便攜式紅外儀進行直接觀測，但大規(guī)模光伏發(fā)電站采用這種檢測方式效率低下，而利用人工智能技術能達到快速、便捷及高效的完成檢測[4]。

目前，光伏電站運維工作一般是先通過監(jiān)測光伏發(fā)電系統(tǒng)的輸出功率和輸出電壓粗略判斷運行故障，然后根據經驗對故障類型進行分類，再進行相應的處理。

但隨著光伏電站規(guī)模的不斷擴大，光伏系統(tǒng)的運行故障類型及頻次也在不斷上升，這不僅增加了光伏電站的運維工作量及工作難度，而且增加了運維成本。所以，傳統(tǒng)的運維模式顯然已經不再適用于當前的大規(guī)模光伏電站。

圍繞此問題，國內外都進行了相應研究。在分析Otsu 法和最大散度閾值法的基礎上，提出自適應最大散度閾值差法來進行紅外圖像識別[5]。基于邊緣檢測方式，使用Canny 邊緣檢測算子作為診斷模塊進行光伏板故障識別[6]。先對光伏電池片的各種運行狀態(tài)進行狀態(tài)分類編碼，然后通過可擴展脈沖神經網絡方法實現了對光伏熱斑的識別[7]。利用深度學習算法的CNN 對光伏板圖像進行自動識別判斷，找出有故障電池板的精確位置，以及確定故障的類型[8]。

在基于人工智能技術的光伏電站巡檢系統(tǒng)中，無人機遙感技術、地面數據分析站等技術雖然已經相對成熟，但是在后期數據的處理方面，尤其結合深度學習算法的應用方面，國內外的研究和應用都還較少，因此這是一個值得探究的領域。

本文采用基于多層卷積神經網絡的光伏組件紅外熱斑故障識別方法，解決由于特征數目過少，無法精確分類，即欠擬合問題或由于特征數目過多，導致在分類過程中過于注重某個特征導致分類錯誤，即過擬合的問題。通過深度學習算法對實時數據、無人機采集圖像等數據的綜合分析，快速、準確地進行故障定位及檢測，不僅可以做到故障早預防、早發(fā)現、早解決，避免電量損失及事故發(fā)生，還可以進行智能化的故障定位及識別，大幅度提高光伏電站的發(fā)電量，降低維修事故及成本。

1 數據采集及預處理

1.1 數據集的采集

分析時間跨度：某天上午8:00-14:00光伏板紅外錄像數據。

圖片采樣頻率：紅外視頻每12幀間隔采樣圖片數據。

圖片命名方式：具有熱斑的標記為1，其余標記為0。

1.2 圖片預處理

為了使算法能夠在紅外圖像中更加準確的識別到熱斑和異物，我們采取了如下的操作：首先將訓練集和驗證集中的紅外圖片（如圖1所示）轉換成黑白兩色，以使圖片特征更加明顯。由于光斑和異物明顯的呈現黑白兩色，將其轉換成單通道的圖片并不影響識別過程。為了獲得更多的數據，我們將圖片隨機水平翻轉、隨機旋轉，并將數值歸一化至[0，1]。測試集不執(zhí)行數據增強工作。處理之后的圖片展示如圖2。

圖1 紅外狀態(tài)下的圖片數據

圖2 黑白轉換后的圖片數據

2 基于多層卷積神經網絡的識別模型

2.1 卷積神經網絡（Convolutional Neural Networks，CNN）

卷積神經網絡是一種人工神經網絡，其的結構可以分為3層。

2.1.1 卷積層——主要作用是提取特征

卷積層是CNN 的核心，卷積層由多個卷積核組成，每個卷積核和上一層特征圖的局部區(qū)域相連接，卷積核是一個權值矩陣，卷積核通過在上一層特征圖上不斷移動進行卷積運算，從而完成特征提取，卷積核移動的過程中，在同一層上其權值參數是共享的。卷積運算后，通過非線性激活函數的作用，增強網絡的表達能力。卷積層對應的計算公式如下所示：

式中：xlj 為經過卷積運算后第l 層第j 個神經元的輸出，xil-1是第l-1層第i 個神經元的輸出，＊為卷積運算，為卷積核，blj 為偏置，f 為激活函數。

通過卷積層，網絡的特征圖通常變得更深，可以對輸入數據進行深層次分析，充分進行特征提取。網絡訓練時，為卷積核中權值和偏置設定初始值，訓練過程中不斷調整卷積核中權值和偏置，使網絡性能達到最優(yōu)。

2.1.2 池化層——主要作用是重采樣，卻不會損壞識別結果

池化層通常在卷積層之后，類似于卷積層，池化層和上一層特征圖的局部區(qū)域相連接，進行池化操作。常用的池化操作包括平均池化和最大池化，平均池化是對特征圖局部區(qū)域求取平均值，最大池化是對特征圖局部區(qū)域求最大值。和卷積層不同，池化層沒有權值等參數，只是一種運算規(guī)則，池化層不會改變上一層網絡特征圖的個數。池化層的計算公式如下所示：

式中：subsampling 表示池化函數

2.1.3 全連接層——主要作用是分類

全連接層位于CNN 的最后部分。經過卷積和池化操作后，特征圖平鋪為一維向量作為全連接層的輸入，其中每個神經元和下一層所有神經元全部連接。根據任務要求，設定合適的全連接層和輸出層神經元節(jié)點數，完成相應的分類或回歸任務。其計算公式如下所示[9]：

為了避免過擬合，全連接層通常要采用隨機失活（Dropout）技術，Dropout 是一種正則化技術，通過設置Dropout 值的大小，使得網絡中部分節(jié)點不參與CNN 的訓練過程，從而降低模型的復雜度，提高模型的適應能力。

CNN 能夠有效的將大數據量的圖片降維成小數據量，有效的保留圖片特征，符合圖片處理的原則圖像，解決了需要處理的數據量太大，導致成本很高，效率很低，圖像在數字化的過程中很難保留原有的特征，導致圖像處理的準確率不高等問題。通過獲得的數據，我們首先對其進行分類，將正常的光伏圖片標記為0，將不正常的圖片標記成1，對圖片進行灰度處理，對數據進行數據增強，將數據分為訓練集、驗證集和測試集，將處理過的數據放入到神經層進行訓練，首先對預處理后的數據進行卷積化操作，然后進行池化操作，這個過程中提取數據中重要的特征，拋棄對于學習累贅的特征，這個過程我們重復多次，提取特征中最重要的數據指標，然后將神經層中的數據進行全連接，通過全連接層輸出0,1這兩種類別。

2.2 算法實施

本文利用無人機拍攝太陽能光伏板的遠紅外視頻，結合圖片處理和深度學習的方法，解決智能識別太陽能光伏板故障的問題。

3 采用多層卷積神經網絡建立光伏組件紅外熱斑故障識別模型

我們先對數據進行采集，最終應用于樣本數據進行訓練的圖片一共有4100張，其中正常圖片1100張，故障圖片3000張，將圖片劃分成70%的訓練集，20%的驗證集以及10%的測試集。

后對采集數據進行預處理，將經過預處理理后的圖片劃分為訓練集和測試集，其中訓練集占70%，測試集占30%，隨后基于訓練集利用卷積神經網絡算法進行模型訓練，并將訓練得到的模型帶入測試集中進行評估驗證，最后利用經過評估驗證的模型進行熱斑紅外圖片的識別。

3.1 模型對比

CNN 算法在光伏組件紅外熱斑故障識別中具有較大的優(yōu)越性，為了展示模型的效果，在同樣條件下建立多個其他模型與其進行對比，用與CNN 相同的70%的訓練集，20%的驗證集以及10%的測試集展示預測效果，綜合分析各個算法模型指標。數據顯示，CNN 算法在光伏組件紅外熱斑故障識別中能力顯著優(yōu)于其它算法，該算法預測的準確率高、時效性好、穩(wěn)健性強。綜合來看，我們選取CNN 算法模型。圖3展示了CNN、Resnet18和Resnet50等多種算法模型在訓練、驗證及上的準確率，圖4展示了各種算法的損失函數。評估各項評價指標對比結果后，針對bach_size 不同的取值如32或者64等參數的調優(yōu)將數據帶入模型中進行訓練。

圖3 不同模型Train Acc(A) 和Val Acc (B)對比圖

圖4 不同模型Val Acc_Loss 對比圖

通過訓練得到的數據，我們將迭代后穩(wěn)定下來的結果進行平均值處理，對比模型的優(yōu)劣。

我們從得到的結果可以看出CNN 算法總體上優(yōu)于Resnet18以及Resnet50算法，在計算耗時上，如表1的數據顯示CNN 算法耗時較短，具有更好的時效性，避免產生不必要的損失。在模型的準確率上，由上圖3和表1所示CNN 算法較其他兩種算法準確率高，圖4可知CNN 的loss 值最低且不斷地在降低，沒有到達局部最優(yōu)解。綜上所述，CNN 算法在光伏組件紅外熱斑故障識別中效果最優(yōu)。

表1 不同模型之間數據的對比

3.2 基于訓練集利用卷積神經網絡算法的模型訓練

確定卷積神經網絡的超參數；對紅外圖片進行卷積池化操作，其中用BatchNorm2d 方法對卷積層處理過的紅外圖象數據進行歸一化操作，以免因數據過大而導致的網絡性能不穩(wěn)定，并且運用交叉熵損失函數和Adam 優(yōu)化器進行訓練，防止出現過擬合現象；對處理好的數據進行全連接操作；經過5次卷積完成對紅外圖片的特征提取。

4 訓練模型的評估驗證

對卷積神經網絡的多種超參數進行確定，以優(yōu)化模型的精度；通過卷積神經網絡對于圖像的訓練集和驗證集進行訓練，得到的模型帶入測試集，并驗證模型準確率；通過不同超參數下準確率的比較，選取準確率高的超參數；通過不同參數之間的比較，發(fā)現當批處理（batch）=64時模型的準確率會比較高并取預測結果穩(wěn)定下的平均值為0.938，達到預期的結果。

通過模型導出測試集的csv 文件進行構建混淆矩陣并計算其AUC[10]。即對所有正負樣本獲得一個score，然后對score 從大到小排序，令最大score 對應樣本的rank 為n，第二大score 對應樣本的rank 為n-1，以此類推。然后把所有的正類樣本的rank 相加，再減去所有正樣本和正樣本配對的情況（即排在它后面正例的個數）。得到的就是所有的樣本中有多少對正類樣本的score 大于負類樣本的score。然后再除以M×N，從而得到AUC 如下：

其中M 為正類樣本的數目，N 為負類樣本的數目，rank 的值表示能夠產生score 前大后小這樣的組合數。

計算所得混淆矩陣如表2所示：

表2 基于CNN 模型構建所得混淆矩陣

利用上述混淆矩陣，通過AUC 計算得到結果的準確率很高，幾乎完美的分出了想要得到的結果。

通過采用了上述技術方案，本發(fā)明可利用無人機拍攝太陽能光伏板的遠紅外視頻，利用深度學習中的卷積神經網絡算法，解決智能識別太陽能光伏板熱斑故障的問題。

5 結語

本文利用無人機拍攝的太陽能光伏板遠紅外圖像，采用CNN、Resnet18和Resnet50多種主流深度學習方法建模，并進行對比分析，尋求模型的最優(yōu)體系。每種深度學習方法基于樣本數據進行調參，選出最優(yōu)的參數組合來擬合模型，達到局部最優(yōu)。采用無人機搭載紅外攝像機獲取一手的光伏板圖像數據，保證了訓練數據的高質量要求。并采用多種圖片處理方法，能夠有效的提取圖片特征，提高了模型的學習效率。可以對光伏板異物進行實時動態(tài)監(jiān)測，極大的減少了光伏板監(jiān)測和維護工作的復雜度。對可能存在異物遮擋的光伏板進行識別、定位，以便工作人員及時、準確的尋找到損壞的太陽能光伏板，并清理光伏板上的異物，從而提高光伏的發(fā)電效率。