一种基于图像识别的光伏板健康状况评估方法

技术领域

本发明涉及光伏板评估健康状况评估的技术领域，尤其涉及一种对不同状态样本的光伏板健康状况评估方法。

背景技术

光伏电站是分布式电网的重要组成部分，光伏设备特别是光伏板的健康状态是保障用户供电可靠性和电能质量的基础。现行的针对光伏板健康状态评估方法有I-V曲线法和能量损失法。

I-V特性曲线测试存在以下弊端：1、对照度仪安装角度要求严格，容易出现较大误差；2、检测时需要将光伏阵列断网运行，造成功率损失；3、I-V曲线测量周期较长，不能实现实时高效诊断。

能量损失法的弊端有：需要不断根据光伏阵列实际情况更新仿真模型，费时费力。

因此，本领域的技术人员致力于开发一种基于图像识别的光伏板健康状况评估方法，以解决上述问题。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题包括：

如何设计一种无须断网运行，且无须频繁更新模型的基于图像识别的光伏板健康状况评估方法

为实现上述目的，本发明提供了一种基于图像识别的光伏板健康状况评估方法，其特征在于，包括：

S1、光伏板图像数据分析，基于工程实践划分样本；

S2、利用深度学习模型，搭建卷积神经网络；

S3、对样本进行处理，输入神经网络进行学习，判断健康状态。

所述S1具体为：将样本基于工程实践和专家经验将其划分为0(非常健康)、0.33(轻度老化)、0.66(中度老化)、1(严重老化或损坏)四个等级标准。

所述S1包括步骤：

S11、将所有样本根据标签分为0、0.33、0.66、1四个等级；

S12、将四个等级的样本的80％划分为训练集、20％划分为测试集。

所述S2包括步骤：

S21、定义架构；

S22、定义损失函数；

S23、定义优化器；

S24、定义评价指标。

所述S21具体为：搭建15层的神经网络，其中有6个Conv2D层，6个MaxPooling层，1个Flatten层，2个Dense层。

所述S22为，将分类交叉熵定义损失函数，具体为

式中，y

所述S23具体为：

从训练集中采包含m个样本{x

计算梯度，

累积平方梯度，r←ρr+(1-ρ)g⊙g；

计算参数更新，

应用更新，θ←θ+Δθ；

当没有达到停止准则时，重复上述过程，当达到停止准则时，停止。

所述S24具体为，

定义评价指标accuracy：

True Positive(真正，TP)：将正样本预测为正样本；

True Negative(真负，TN)：将负样本预测为负样本；

False Positive(假正，FP)：将负样本预测为正样本；

False Negative(假负，FN)：将正样本预测为负样本；

正确预测样本数：T＝TP+TN；

错误预测样本数：F＝FP+FN；

所述对样本进行处理为：对样本进行图像像素的归一化、以及对图像进行旋转角度、水平偏移、垂直偏移、水平翻转、随机裁剪、随机缩放等操作，如果经变换后的图像产生像素缺失，通过填充最近的像素来补全。

所述，输入神经网络进行学习，判断健康状态为：将所有样本输入神经网络，采用softmax激活函数，多分类的神经网络输出的不是类别标签而是对应的概率值，神经网络只把输出值最大的神经元所对应的类别作为识别结果。

与现有技术相比，本发明具有以下有益效果：

1、本发明利用无人机采集的光伏板图像进行健康状态的学习和判别，不依赖于人工，经济性较高。

2、本发明基于神经网络深度学习特性，泛化性较强、鲁棒性高、安全可靠。

3、本发明对于接入大量光伏板的分布式电网的高效运维与稳定运行具有非常重要的实践价值。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本发明的基于图像识别的光伏板健康状况评估方法的流程示意图；

图2为本发明采用卷积神经网络构建的数据模型；

图3为本发明实施例所使用的原始数据；

图4为本发明经过旋转、平移、缩放等操作后的数据；

图5为本发明模型训练过程的精度变化情况；

图6为本发明模型训练过程的损失变化情况。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

本发明提供了一种基于图像识别的光伏板健康状况评估方法，如图1所示，包括以下步骤：

S1、将无人机采集的光伏板图片分为四个等级并划分训练集、测试集。

S11、将所有样本根据标签分为0(非常健康)、0.33(轻度老化)、0.66(中度老化)、1(严重老化或损坏)四个等级标准；

S12、将四个等级的样本的80％划分为训练集、20％划分为测试集。

S2、利用深度学习模型，搭建卷积神经网络。具体步骤包括：

S21、定义架构：如图2所示，卷积神经网络主要由卷积层、池化层、全连接层组成。

S22、定义损失函数：分类交叉熵(categorical_crossentropy)公式如下

通过分类交叉熵刻画预测值与真实值之间的距离，通过反向传播优化参数，使损失函数的值最小。

S23、定义优化器RMSprop(Root Mean Square prop)，伪代码如下：

Require:全局学习率ε，衰减速率ρ

Require:初始参数θ

Require:小常数δ，通常设为10

初始化累积变量r＝0

while没有达到停止准则do

从训练集中采包含m个样本{x

计算梯度：

累积平方梯度：r←ρr+(1-ρ)g⊙g

计算参数更新：

应用更新：θ←θ+Δθ

End while

定义评价指标accuracy：

True Positive(真正，TP)：将正样本预测为正样本；

True Negative(真负，TN)：将负样本预测为负样本；

False Positive(假正，FP)：将负样本预测为正样本；

False Negative(假负，FN)：将正样本预测为负样本；

正确预测样本数：T＝TP+TN；

错误预测样本数：F＝FP+FN；

将神经网络输出概率向量的最大值对应的索引作为预测类别，对比预测类别是否等于真实类别，若相等则T+1，最终准确率等于正确样本数与总样本数的比值，反映了神经网络的性能。

S3、对图像样本进行旋转、偏移、裁剪等操作，输入神经网络进行学习，卷积神经网络通过学习训练集图片特征与图片标签(0、0.33、0.66、1)的内在复杂映射关系，根据习得的规律判断健康状态，为测试集图片划分类别(0、0.33、0.66、1四类)。

如图3-6所示，对样本进行图像像素的归一化、以及对图像进行旋转角度、水平偏移、垂直偏移、水平翻转、随机裁剪、随机缩放等操作，如果经变换后的图像产生像素缺失，通过填充最近的像素来补全。将所有样本输入神经网络，采用softmax激活函数，多分类的神经网络输出的不是类别标签而是对应的概率值，神经网络只把输出值最大的神经元所对应的类别作为识别结果。通过categorical_crossentropy损失函数量化真实值与预测值的距离，通过内置的accuracy函数获取输出向量最大值对应的索引并与实际标签进行比较，若相等则预测正确的样本数加一，最后将预测正确的样本数/全部样本数得到准确率，最终预测结果为训练集accuracy＝62％，测试集accuracy＝64％，训练集loss＝1.05，测试集loss＝0.976。

上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。