一种基于CNN的多尺度特征融合的光伏组件图像故障的诊断方法

本发明涉及信号发生器电路设计，具体而言，涉及一种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法。

背景技术：

1、在“双碳”战略目标下，随着各种新能源得不断应用，光伏发电的装机容量也在不断增加。然而，随着工作环境和天气条件的变化，以及制造、搬运时可能出现的意外开裂等，光伏组件可能会有不同程度的损伤，这在很大程度上影响光伏发电的功率，并降低光伏组件的工作寿命，因此对光伏组件的故障缺陷进行检查十分必要。

2、目前常用的光伏组件的故障诊断方法主要有以下几种：

3、方法1：电路结构法：通过改变光伏组件之间的电力连接方式，利用传感器进行光伏板电气量的检测，来判断其故障与否。

4、方法2：数学模型法：通过建立光伏电池的等效电路并利用电路原理建立相应的光伏组件数学模型。通过将实测数据输入模型来判断光伏组件工作状态。

5、方法3：电气测量法：通过对光伏组件的电压、电流进行测量，并绘制电压电流曲线，通过与正常曲线进行对比来进行故障判断。

6、方法4：图像分析法：通过成像技术，得到光伏组件图像，并采用合适方法进行图像分析，根据不同状态下光伏组件图像特征的变化来进行光伏组件的故障诊断。

7、上文技术方案中对现有光伏组件的故障诊断方法进行了说明，其中电路结构法一般成本较高；数学模型法在建立模型时较为困难，随着工况不同其泛化能力较差；电气测量法只可以识别少数的故障类型，识别能力一般。而基于图像分析的方法相比以上方法可以不需要进行光伏组件运行参数的测量，只需通过相应技术采集光伏组件的图像，并提取其相应的特征，根据不同的特征即可对其故障情况进行判断。但是通常情况下已有的图像分析方法对于光伏组件图像没有较好的适用性，为了提高光伏组件的故障诊断精度，急需提出一种适合于光伏组件图像的特征提取方法，来解决现有技术存在的缺陷。

技术实现思路

1、为了解决上述问题，本发明提供了一种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，包括：

2、通过利用传统的图像处理手段，构建一种针对光伏组件图像数据的数据增强方法；

3、通过构建基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型，得到光伏组件图像不同尺度的融合特征；

4、采集光伏组件的图像数据，对数据进行预处理，并划分为训练集、验证集和测试集，利用数据增强方法对训练集进行数据增强，等效增加光伏组件图像样本数量；

5、利用增强后的数据训练得到基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型，进行光伏组件的故障诊断。

6、优选地，在通过利用传统的图像处理手段，构建一种针对光伏组件图像数据的数据增强方法的过程中，利用图像翻转、平移操作等效增加光伏组件图像样本的数量，能够提高光伏组件图像的故障诊断模型的泛化能力。

7、优选地，在构建基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型过程中，利用不同尺寸的卷积核进行卷积操作以提取光伏组件特征，并通过池化层对不同尺度卷积核提取的特征进行降维统一，最终将维度统一的多尺度特征进行融合并进行进一步降维后通过分类模块进行故障诊断识别。

8、优选地，在利用卷积操作进行光伏组件图像特征提取的过程中，卷积核不同的尺寸获得的感受野是不一致的，通过利用不同尺寸的卷积核可以得到不同感受野下的图像特征，卷积运算的表达式为：

9、

10、式中，表示本层即第l层卷积操作所得到的第i个特征图，为本层卷积操作中第i个卷积操作的相应权重，为卷积运算符，表示本层输入的第j个特征图，nl-1为本层输入的特征图的集合，为本层第i个卷积操作的相应偏置项。

11、优选地，在利用池化层将不同感受野下的图像特征进行降维统一的过程中，所用池化操作最大池化，最大池化不改变特征图数量，只降低特征图尺寸，最大池化操作的表达式为：

12、

13、式中，为上层输出到池化层的第i个特征图在第s行t列的像素值，m和n分别为池化操作窗口的高度和宽度，为经过池化操作后得到的第i个特征图在第m行n列的像素值。

14、优选地，在将维度统一的多尺度特征进行融合后进行进一步降维过程中，进一步降维操作为利用全局平均池化gap层进行自适应维度的降维，降低模型参数数量。

15、优选地，在gap层进行特征降维过程中，当输入的a个特征图，每个特征图尺寸为p×q时，gap层可以自动对池化核大小进行调整，输出的特征向量为a维，其中向量中第i个元素的表达式为：

16、

17、其中，为第l层输入到l+1层即gap层的特征图中第p行第q列的像素值，p、q分别为特征图的尺寸，所述gap层用于对特征自适应维度的降维，减少模型的参数量。

18、优选地，在利用分类模块进行光伏组件图像故障诊断识别过程中，利用全连接层将所提特征映射到样本标记空间，并进行非线性激活，最后通过softmax分类器对光伏组件图像的故障类型进行区分，其中全连接层表达式为：

19、

20、式中，为本层即全连接层操作的第j个神经元的输出，wji为本层第j个神经元与上层第i个神经元的连接权重值，为上层第i个神经元的输出，bj为本层第j个神经元的偏置权重，f()为利用relu函数进行的非线性激活操作，激活函数表达式为：

21、

22、优选地，在进行光伏组件图像故障诊断过程中，通过利用光伏组件图像的数据增强方法，对光伏组件图像数据进行增强，等效增加光伏组件图像样本数量；

23、将光伏组件样本图像数据集划分为训练集、验证集和测试集；将训练集输入基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型进行训练，利用验证集进行参数调优，并将测试集输入训练好的模型进行光伏组件的故障诊断。

24、本发明公开了以下技术效果：

25、1.本发明所提光伏组件图像数据的数据增强方法通过对原始光伏组件图像数据进行增强变换，能够等效增加光伏组件图像样本数量，提高模型泛化能力；

26、2.本发明提到的基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型，通过将光伏组件图像不同尺度的特征进行融合，能够有效提高光伏组件的特征提取能力；

27、3.本发明所提数据增强方法和基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型，再结合数据增强方法和基于cnn的多尺度特征融合的光伏组件图像的故障诊断模型后，相比其他方法光伏组件的故障诊断准确率有所提高。

技术特征：

1.一种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于，包括：

2.根据权利要求1所述一种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于：

3.根据权利要求2所述一种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于：

4.根据权利要求3所述种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于：

5.根据权利要求4所述种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于：

6.根据权利要求5所述种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于：

7.根据权利要求6所述种基于cnn的多尺度特征融合的光伏组件图像故障的诊断方法，其特征在于：

技术总结
本发明公开了一种基于CNN的多尺度特征融合的光伏组件图像故障的诊断方法，包括：通过利用传统的图像处理手段，构建一种针对光伏组件图像数据的数据增强方法；通过构建基于CNN的多尺度特征融合的光伏组件图像的故障诊断模型，得到光伏组件图像不同尺度的融合特征；采集光伏组件的图像数据，对数据进行预处理，并划分为训练集、验证集和测试集，利用数据增强方法对训练集进行数据增强，等效增加光伏组件图像样本数量；利用增强后的数据训练得到基于CNN的多尺度特征融合的光伏组件图像的故障诊断模型，进行光伏组件的故障诊断；本发明能够提高光伏组件图像的故障诊断准确率。

技术研发人员：王艳,申宗旺
受保护的技术使用者：华北电力大学（保定）
技术研发日：
技术公布日：2024/3/12