基于可見光圖像特征的光伏板碎裂狀態分析與研究*

鐘泳松，徐凌樺，周 克，2，李凱飛

（1.貴州大學電氣工程學院，貴陽 550025；2.茅臺學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]降低了發電效率。面對巨量的光伏組件圖像數據，利用機器代替人工無疑是更好的選擇，還可以進一步避免人為認知因素的影響，提高診斷效率[2]。利用體積小飛行靈活的無人機搭配高質量相機進行圖像采集，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。隨著以卷積神經網絡（CNN）為代表的深度學習算法的突破，越來越多學者將其應用于電氣工程領域，如以深度學習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]、電力設備故障判斷[5]等等。然而對于基于圖像識別和深度學習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體系和評估標準。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電損失率數據，結合深度學習算法ResNet和注意力機制遷移學習等圖像識別技術，在此建立一套基于改進ResNet的光伏板碎裂狀態識別分析模型，可以通過輸入破損狀態的光伏板圖像，輸出該類破損評級與發電損失率預測，通過嵌入注意力機制（SENet）的殘差網絡（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，該類別指向統計所得的不同發電損失率標簽。

2 深度學習基礎原理

2.1 殘差網絡與注意力機制

何凱明等提出ResNet[6]，解決了因為模型變深而引起的網絡退化問題，使得理論上模型可以突破深度限制，進一步提升模型精度。其核心在于殘差結構，對于一個堆積層結構，如果想讓它在輸入x時學習到的特征為H(x)，那么殘差就為F(x)=H(x)-x。已有方法在神經網絡擬合恒等變換時效果欠佳，在此構造殘差模塊，能讓網絡學習殘差比直接學習更加容易。研究發現當殘差為0時，無需學習參數就做了恒等映射，理論上此時不管堆疊多少層都不會影響精度，更不會出現隨著網絡加深出現的網絡退化問題。殘差不為0則說明網絡學習了新特征，網絡擬合效果更佳。

假設激活函數為ReLu，那么淺層l到深層L學習的特征可以表示為：

胡杰等提出了通道注意力機制SENet[7]，對于卷積神經網絡中卷積操作，主要通過融合空間特征和通道特征提高感受野。而SENet網絡主要關注通道之間的關系，通過自動學習得到不同通道特征的重要程度，其核心在于Squeeze-and-Excitation（SE）模塊，關鍵在于壓縮（Squeeze）和激發（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系，通過兩個全連接層的連接，第一個全連接層神經元個數為C/r，第二個全連接層神經元個數為C，這樣連接相比于僅有一個全連接層的情況，參數個數會少很多，從而降低了計算量。通過這兩個全連接層的參數學習可以對每個通道進行特征重標定，使神經網絡更加關注某些通道，成為一種注意力機制。

2.2 改進的ResNet

作為對原配ResNet結構的改進，將SE模塊嵌入殘差結構中，如圖1所示。

圖1 嵌入SE模塊到殘差結構中

加入SE模塊后，模型參數和計算量都會增加，參數增加量為：

其中r為第一個全連接層的降維系數；S為stage數量，Cs為第s個stage通道數，Ns為第s個stage重復的block數量。

經計算得出SE-ResNet50增加了大約10%的參量，浮點計算量增加不到百分之1%。通過堆疊SE殘差結構塊（block）可以得到不同的SE-ResNet，如SE-ResNet34、SE-ResNet50、SE-ResNet101。

3 實驗設計與仿真

3.1 樣本制備和預處理

實驗數據源于現場采集的光伏圖像。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據集的基礎，在光伏板板面破損自然遞增情況下，選出有效的6組共計2400張板面破損狀態下的光伏板圖像作為模型的數據集，按照4:1比例劃分訓練集和測試集，在不改變圖像特征情況下統一將圖像調整為224×224像素大小的JPG格式圖像，并對應采集時刻的電力、氣象參數，計算對應時刻的發電效率損失率[8]，計算公式為：

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

3.2 碎裂狀態檢測仿真

仿真實驗使用的開發平臺為Windows 10，平臺具體配置見表1。

表1 實驗平臺參數

仿真結果如圖3所示。為了選擇最適合本項目的ResNet-N網絡，先對比ResNet-34、ResNet-50及ResNet-101，如圖3(a)，從圖中的故障識別準確率來看，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雜度的參數，則ResNet-50是ResNet-101的一半，ResNet-50和ResNet-34的FLOPs參數相近，但準確率由70%提升至83%左右。綜合對比之下，ResNet-50無論是在準確率或復雜度FLOPs參數上，表現都更為優秀，因此本研究選取ResNet-50作為實驗的基礎模型。在此基礎上繼續優化，加入注意力機制，結果如圖3(b)所示。相比沒有加入注意力機制的網絡識別率，優化后準確率有了明顯的提高。

圖3 仿真結果對比圖

對比研究不同深度的ResNet模型以及加入了注意力機制的改進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算量和參數數量，預測速度更快，更節省算力。在這一基礎上引入注意力機制，雖然引入了少量參數（<10%）和計算量（<2%），但是提高了幾乎8%的辨識精度，已滿足光伏板碎裂狀態識別和分析的基本要求。

4 結束語

研究為解決光伏電站傳統破碎檢測誤差大、精度低、難量化、速度慢等問題，提出了改進的分析方法。這一基于深度學習的光伏板碎裂狀態識別與分析方法，為大型光伏電站運維提供了新思路和方法。通過繼續擴充數據集，在未來研究中有望進一步提高模型精度，還可以通過調參、剪枝等技術手段持續優化和迭代模型，使模型更加輕盈，易于嵌入無人機、機器人，實現全自動化實時運維效果。