为识别光伏组件故障类型,提高光伏系统发电效率,提出了一种基于改进CNN-SVM模型的光伏组件红外图像故障诊断方法。首先以光伏组件红外图像为输入样本构建改进CNN模型,采用全局平均池化层代替传统CNN模型的全连接层,在进行图像特征提取...为识别光伏组件故障类型,提高光伏系统发电效率,提出了一种基于改进CNN-SVM模型的光伏组件红外图像故障诊断方法。首先以光伏组件红外图像为输入样本构建改进CNN模型,采用全局平均池化层代替传统CNN模型的全连接层,在进行图像特征提取的同时降低模型参数量;利用数据增强和批归一化技术提高模型泛化能力,降低模型过拟合。其次采用非线性支持向量机SVM代替传统CNN模型中的Softmax分类器,以提高光伏组件红外图像故障识别准确率。最后采用Infrared Solar Modules数据集对所提模型进行了实例验证。结果表明:与传统CNN模型相比,改进CNN-SVM模型故障诊断准确率高,对各故障类型的识别能力强。展开更多
光伏故障检测对光伏电站智能运维具有重要意义。针对光伏组件红外图像中热斑目标小、难检测的问题,研究了基于改进Faster R CNN的光伏组件红外热斑故障检测模型。将Swin Transformer作为Faster R CNN模型中的特征提取模块,捕获图像的全...光伏故障检测对光伏电站智能运维具有重要意义。针对光伏组件红外图像中热斑目标小、难检测的问题,研究了基于改进Faster R CNN的光伏组件红外热斑故障检测模型。将Swin Transformer作为Faster R CNN模型中的特征提取模块,捕获图像的全局信息,建立特征之间的依赖关系,提高模型的建模能力;进一步利用BiFPN进行特征融合,改善了热斑故障由于目标小和特征不明显容易被模型忽略掉的问题;同时为了抑制光伏红外图像中背景和噪声的干扰,加入轻量级注意力模块CBAM,使模型更加关注重要通道和关键区域,提高对热斑故障检测精度。在自建光伏组件图像数据集上进行实验,热斑故障检测精度高达915,验证了本文模型对光伏组件热斑故障检测的有效性。展开更多
光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine,SCSO-SVM)用于光伏组件故障识别,且对比支持向量...光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine,SCSO-SVM)用于光伏组件故障识别,且对比支持向量机(support vector machine,SVM)、粒子群优化支持向量机(particle swarm optimized support vector machine,PSO-SVM)、遗传优化支持向量机(genetic optimized support vector machine,GA-SVM)、麻雀优化支持向量机(sparrow optimized support vector machine,SSA-SVM)、灰狼优化支持向量机(gray wolf optimized support vector machine,GWO-SVM)和鲸鱼优化支持向量机(whale optimized support vector machine,WOA-SVM)算法。首先,六种SVM混合算法都克服了SVM诊断结果易受参数初始值影响的缺点,识别精度相较传统SVM算法都有所提升,但是识别时间都增加。其次,7种算法中SCSO-SVM识别效果最好,克服了SVM易受参数初始值的影响,相较SVM识别精度提高了约9.4594%;是因为更能有效找到SVM惩罚因子和核函数参数。然后,对于同一种算法而言,算法的识别精度是随输入特征减少而降低的,是因为输入特征越少,越不能有效表征光伏组件在不同故障类型下的输出属性。但算法的识别时间却不是随输入特征减少而减短。所以选取合适的输入特征才能兼顾算法的故障识别准确率和效率。最后,发现七种算法的识别效果依赖于数据集的影响。原因可能是各个算法参数选择过多导致泛化性有差异,且依赖参数初始值选择。展开更多
文摘为识别光伏组件故障类型,提高光伏系统发电效率,提出了一种基于改进CNN-SVM模型的光伏组件红外图像故障诊断方法。首先以光伏组件红外图像为输入样本构建改进CNN模型,采用全局平均池化层代替传统CNN模型的全连接层,在进行图像特征提取的同时降低模型参数量;利用数据增强和批归一化技术提高模型泛化能力,降低模型过拟合。其次采用非线性支持向量机SVM代替传统CNN模型中的Softmax分类器,以提高光伏组件红外图像故障识别准确率。最后采用Infrared Solar Modules数据集对所提模型进行了实例验证。结果表明:与传统CNN模型相比,改进CNN-SVM模型故障诊断准确率高,对各故障类型的识别能力强。
文摘光伏故障检测对光伏电站智能运维具有重要意义。针对光伏组件红外图像中热斑目标小、难检测的问题,研究了基于改进Faster R CNN的光伏组件红外热斑故障检测模型。将Swin Transformer作为Faster R CNN模型中的特征提取模块,捕获图像的全局信息,建立特征之间的依赖关系,提高模型的建模能力;进一步利用BiFPN进行特征融合,改善了热斑故障由于目标小和特征不明显容易被模型忽略掉的问题;同时为了抑制光伏红外图像中背景和噪声的干扰,加入轻量级注意力模块CBAM,使模型更加关注重要通道和关键区域,提高对热斑故障检测精度。在自建光伏组件图像数据集上进行实验,热斑故障检测精度高达915,验证了本文模型对光伏组件热斑故障检测的有效性。
文摘光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine,SCSO-SVM)用于光伏组件故障识别,且对比支持向量机(support vector machine,SVM)、粒子群优化支持向量机(particle swarm optimized support vector machine,PSO-SVM)、遗传优化支持向量机(genetic optimized support vector machine,GA-SVM)、麻雀优化支持向量机(sparrow optimized support vector machine,SSA-SVM)、灰狼优化支持向量机(gray wolf optimized support vector machine,GWO-SVM)和鲸鱼优化支持向量机(whale optimized support vector machine,WOA-SVM)算法。首先,六种SVM混合算法都克服了SVM诊断结果易受参数初始值影响的缺点,识别精度相较传统SVM算法都有所提升,但是识别时间都增加。其次,7种算法中SCSO-SVM识别效果最好,克服了SVM易受参数初始值的影响,相较SVM识别精度提高了约9.4594%;是因为更能有效找到SVM惩罚因子和核函数参数。然后,对于同一种算法而言,算法的识别精度是随输入特征减少而降低的,是因为输入特征越少,越不能有效表征光伏组件在不同故障类型下的输出属性。但算法的识别时间却不是随输入特征减少而减短。所以选取合适的输入特征才能兼顾算法的故障识别准确率和效率。最后,发现七种算法的识别效果依赖于数据集的影响。原因可能是各个算法参数选择过多导致泛化性有差异,且依赖参数初始值选择。