基于深度学习的光伏板积灰状态图像识别与分析
发布时间：2021-10-24 22:20
光伏板板面灰尘积累会降低其光电转换效率,减少单位时间发电量造成经济损失,积灰严重时还会腐蚀光伏板外表面防护层,灼烧光伏板内部电路引发安全问题。然而,行之有效的积灰状况评估方案是产业界处理积灰问题的前提。本课题立足于光伏电站积灰状况分析的现实需求,针对光伏板积灰状态定量分析与光伏电站全局状况感知两大痛点问题,研究深度学习（Deep Learning）技术在图像识别领域相关技术,提出了基于现场图像的光伏板识别提取模型和积灰状态定量分析模型。课题主要内容包括以下两方面:其一,基于深度残差网络（Residual Network,ResNet）提出一种光伏板积灰图像识别方案,基于可见光监控图像中积灰在光伏板上产生的颜色与纹理特征,本课题以图像特征为积灰程度差异的分辨依据,提取光伏电站监控图像,结合光伏系统电流、电压等运行参数,以残差网络ResNet辨识不同积灰程度的光伏板图像,挖掘分析积灰状态图像与发电效率损失率的非线性耦合关系,定量分析评价积灰对光伏发电的影响,实现光伏系统积灰状况智能感知。试验数据证明,对于现场11个等级的光伏板积灰状态,搭建的积灰状况识别模型识别的准确率达到0.81。其二,...
【文章来源】：东北电力大学吉林省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图２－２各类函数对应曲线及数学表达??较之线性函数和非线性的阈值函数，Ｓｉｇｍｏｉｄ函数在几何图形中表现为一条连续且处??
数据特征方面，将参数权重由人工设置升级为模型自主获取，这种工??作模式有效降低了模型设计团队主观因素的介入深度，这是其对传统机器学习算法的突破??性创举。事实上，深层神经网络的网络层互相关联结构复杂，需设计的模型参数体量庞大，?’??人工设置所有参数权重也不现实。??（１）前向传播??神经网络模型的连接方式与多层感知机（ＭｕｌｔｉｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ，ＭＬＰ）类似，由输入层、??隐含层（一层或多层）和输出层构成，通过多层网络叠加解决单层感知机面临的线性不可??分难题。下图２－３是包含２个隐含层的２层神经网络拓扑结构图，本小节以此拓扑结构分??析信号在神经网络中的传递过程。??（ｉ）－——第ｉ层权重??Ｚ?｜?Ｗ?２?３?－——前１层的第３个神经元??（?、＼?＼＼?６（丨）?Ｉ?＾?后１层的第２个神经元?｜??输入层?隐含层１?隐含层２?输出层??图２－３神经网络传播结构图??图２－３中，最左列为输入层神经元ｘ／、幻和偏置神经元“１”（灰色以示区别，每层网??络仅有１个偏置神经元），信号在神经元间的传递路径以有向箭头表示。前层神经元间到作??用到后层神经元的权重以ｗ表示；偏置神经元对一般神经元的作用以６表示。输入层神经??元接收输入信号，并向隐含层１传递，隐含层１处理后继续向后传递直至输出层，图２－３??－１２?－??
第２章深度学习基础原理??积核在待处理图像上作全局扫描，被扫描的区域依次与卷积核元素执行卷积操作。卷积计??算的效果是对图像特征的提取凝练，通过若干次卷积处理，获取不同维度图像的抽象特征??并交由后续网络层分析识别，是ＣＮＮ处理图像的核心思想。卷积操作计算示意图如下图??２－９所示：??ａ）卷积核对图像左上区域作卷积?ｂ）卷积核对图像右上区域作卷积??ｃ）卷积核对图像左下区域作卷积?ｄ）卷积核对图像右下区域作卷积??图２－９卷积操作顺序示例??在神经网络中，卷积核各元素数值即为前述神经网络的权重，神经网络依托所提供图??像数据集调试神经网络，直至调试出能准确归纳出图像特征信息的卷积核参数，也即神经??网络权重参数。??卷积核两次扫描移动的距离以“步长”衡量，上图２－９示例中的步长为１。实际应用??中，待处理的图像尺寸远超过示例中的４Ｘ４维度，适当调大步长可提高ＣＮＮ工作效率。??然而，由于图像部分区域被跳过扫描，输出图像尺寸会被显著压缩，也会对后续网络提取??图像特征产生影响，因此，卷积核移动步长设置时需慎重考虑。??Ｃ２）池化层??池化层的作用是对卷积结果作压缩处理，常见处理方法包括：最大池化（取扫描区域??最大值）、平均池化（取扫描区域平均值）、随机池化（对扫描区域数值归一化再按概率取??值）等。池化层工作原理如下图２－１０所示：??－１７?－??
【参考文献】：
期刊论文
[1]基于状态监测的电池板积灰清洗周期确定与费用评估[J]. 赵波,张姝伟,曹生现,王恭,许兆鹏,崔立业,李晓刚. 中国电机工程学报. 2019(14)
[2]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[3]太阳能光伏板积灰的最佳清扫周期[J]. 徐志明,曲宏伟,王靖雯,陈德会,王波. 中国电机工程学报. 2018(06)
[4]基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识[J]. 林刚,王波,彭辉,陈思远,方必武,孙勇. 中国电机工程学报. 2018(11)
[5]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙. 农业工程学报. 2017(19)
[6]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅. 农业工程学报. 2017(06)
[7]基于压缩感知技术的大型光伏电站汇集系统故障定位研究[J]. 贾科,顾晨杰,毕天姝,陈奕汝,任哲锋. 中国电机工程学报. 2017(12)
[8]太阳电池积灰对其发电性能影响的研究[J]. 李练兵,王增喜,刘斌,郭向尚. 太阳能学报. 2016(06)
[9]灰尘对光伏发电的影响及组件清洗研究[J]. 孟伟君,朴铁军,司德亮,张文华,于俊峰,陈志燕. 太阳能. 2015(02)
[10]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
硕士论文
[1]基于深度学习的宫颈癌细胞的分割及分类研究[D]. 杨秋菊.上海交通大学 2019
[2]太阳能光伏阵列识别及热斑检测技术的研究与实现[D]. 杨亚楠.南京邮电大学 2018
[3]基于环境采集的光伏电站清洗预警系统设计与研究[D]. 邢朝路.电子科技大学 2018
[4]基于状态识别的光伏电站清灰周期规划研究[D]. 张羽翔.新疆大学 2017
[5]覆灰条件下光伏组件性能及功率衰减研究[D]. 杜炜.重庆大学 2017
[6]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[7]基于数据挖掘的光伏阵列故障诊断研究[D]. 姜栋潇.华北电力大学(北京) 2016
[8]光伏阵列热斑的红外图像处理的研究[D]. 郭宝柱.天津理工大学 2016
[9]积灰对光伏系统发电效率影响及改善[D]. 孙欢伟.大连理工大学 2015
[10]荒漠光伏太阳能电池板表面灰尘作用机理及其清洁方法研究[D]. 孟广双.青海大学 2015
本文编号：3456089
【文章来源】：东北电力大学吉林省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图２－２各类函数对应曲线及数学表达??较之线性函数和非线性的阈值函数，Ｓｉｇｍｏｉｄ函数在几何图形中表现为一条连续且处??
数据特征方面，将参数权重由人工设置升级为模型自主获取，这种工??作模式有效降低了模型设计团队主观因素的介入深度，这是其对传统机器学习算法的突破??性创举。事实上，深层神经网络的网络层互相关联结构复杂，需设计的模型参数体量庞大，?’??人工设置所有参数权重也不现实。??（１）前向传播??神经网络模型的连接方式与多层感知机（ＭｕｌｔｉｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ，ＭＬＰ）类似，由输入层、??隐含层（一层或多层）和输出层构成，通过多层网络叠加解决单层感知机面临的线性不可??分难题。下图２－３是包含２个隐含层的２层神经网络拓扑结构图，本小节以此拓扑结构分??析信号在神经网络中的传递过程。??（ｉ）－——第ｉ层权重??Ｚ?｜?Ｗ?２?３?－——前１层的第３个神经元??（?、＼?＼＼?６（丨）?Ｉ?＾?后１层的第２个神经元?｜??输入层?隐含层１?隐含层２?输出层??图２－３神经网络传播结构图??图２－３中，最左列为输入层神经元ｘ／、幻和偏置神经元“１”（灰色以示区别，每层网??络仅有１个偏置神经元），信号在神经元间的传递路径以有向箭头表示。前层神经元间到作??用到后层神经元的权重以ｗ表示；偏置神经元对一般神经元的作用以６表示。输入层神经??元接收输入信号，并向隐含层１传递，隐含层１处理后继续向后传递直至输出层，图２－３??－１２?－??
第２章深度学习基础原理??积核在待处理图像上作全局扫描，被扫描的区域依次与卷积核元素执行卷积操作。卷积计??算的效果是对图像特征的提取凝练，通过若干次卷积处理，获取不同维度图像的抽象特征??并交由后续网络层分析识别，是ＣＮＮ处理图像的核心思想。卷积操作计算示意图如下图??２－９所示：??ａ）卷积核对图像左上区域作卷积?ｂ）卷积核对图像右上区域作卷积??ｃ）卷积核对图像左下区域作卷积?ｄ）卷积核对图像右下区域作卷积??图２－９卷积操作顺序示例??在神经网络中，卷积核各元素数值即为前述神经网络的权重，神经网络依托所提供图??像数据集调试神经网络，直至调试出能准确归纳出图像特征信息的卷积核参数，也即神经??网络权重参数。??卷积核两次扫描移动的距离以“步长”衡量，上图２－９示例中的步长为１。实际应用??中，待处理的图像尺寸远超过示例中的４Ｘ４维度，适当调大步长可提高ＣＮＮ工作效率。??然而，由于图像部分区域被跳过扫描，输出图像尺寸会被显著压缩，也会对后续网络提取??图像特征产生影响，因此，卷积核移动步长设置时需慎重考虑。??Ｃ２）池化层??池化层的作用是对卷积结果作压缩处理，常见处理方法包括：最大池化（取扫描区域??最大值）、平均池化（取扫描区域平均值）、随机池化（对扫描区域数值归一化再按概率取??值）等。池化层工作原理如下图２－１０所示：??－１７?－??
【参考文献】：
期刊论文
[1]基于状态监测的电池板积灰清洗周期确定与费用评估[J]. 赵波,张姝伟,曹生现,王恭,许兆鹏,崔立业,李晓刚. 中国电机工程学报. 2019(14)
[2]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[3]太阳能光伏板积灰的最佳清扫周期[J]. 徐志明,曲宏伟,王靖雯,陈德会,王波. 中国电机工程学报. 2018(06)
[4]基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识[J]. 林刚,王波,彭辉,陈思远,方必武,孙勇. 中国电机工程学报. 2018(11)
[5]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙. 农业工程学报. 2017(19)
[6]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅. 农业工程学报. 2017(06)
[7]基于压缩感知技术的大型光伏电站汇集系统故障定位研究[J]. 贾科,顾晨杰,毕天姝,陈奕汝,任哲锋. 中国电机工程学报. 2017(12)
[8]太阳电池积灰对其发电性能影响的研究[J]. 李练兵,王增喜,刘斌,郭向尚. 太阳能学报. 2016(06)
[9]灰尘对光伏发电的影响及组件清洗研究[J]. 孟伟君,朴铁军,司德亮,张文华,于俊峰,陈志燕. 太阳能. 2015(02)
[10]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
硕士论文
[1]基于深度学习的宫颈癌细胞的分割及分类研究[D]. 杨秋菊.上海交通大学 2019
[2]太阳能光伏阵列识别及热斑检测技术的研究与实现[D]. 杨亚楠.南京邮电大学 2018
[3]基于环境采集的光伏电站清洗预警系统设计与研究[D]. 邢朝路.电子科技大学 2018
[4]基于状态识别的光伏电站清灰周期规划研究[D]. 张羽翔.新疆大学 2017
[5]覆灰条件下光伏组件性能及功率衰减研究[D]. 杜炜.重庆大学 2017
[6]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[7]基于数据挖掘的光伏阵列故障诊断研究[D]. 姜栋潇.华北电力大学(北京) 2016
[8]光伏阵列热斑的红外图像处理的研究[D]. 郭宝柱.天津理工大学 2016
[9]积灰对光伏系统发电效率影响及改善[D]. 孙欢伟.大连理工大学 2015
[10]荒漠光伏太阳能电池板表面灰尘作用机理及其清洁方法研究[D]. 孟广双.青海大学 2015
本文编号：3456089
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3456089.html
