基于Inception网络结构的光伏板积灰状态识别方法

传统的光伏板积灰状态识别方法识别准确率低、速度慢,因此提出一种基于Inception网络结构的光伏板积灰状态识别模型。该模型以Inception模块作为主体模块,通过在模型初期添加Stem模块,加大Stem模块卷积核尺寸,从而减少输入数据的维度,增大模型初期的有效感受野,提高模型泛化能力。同时引入Swish-SE轻量级注意力机制,增强模型对不同特征的关注度,提高模型的识别准确率。实验结果表明,所提方法的目标识别率为97.05%,较经典卷积神经网络Inception-V3模型和MobileNet-V2模型分别提高1.64%、5.91%。研究提出的积灰状态识别方法具有参数量少、训练时间短、分类效果好的优势,可以满足光伏电站智能化运维的基本要求,具备较好的实用性。

基于MobileViT模型的光伏电池板积灰状态识别方法研究

光伏板表面积灰会降低光伏发电效率,引发热斑、腐蚀等问题,因此开展光伏板积灰状态识别方法的研究具有重要意义。鉴于此,提出了一个基于MobileViT模型的光伏板积灰状态识别方法,将光伏板的积灰状态划分为5个等级,并以此构建了光伏板积灰状态评价模型。实验表明,对于5个积灰等级,MobileViT-XXS模型的准确率为99.5%,精准率为99.6%,召回率为99.5%,每幅图推理时间为2.1ms。该方法能准确且快速识别光伏板积灰状态,预计未来可以部署在无人机上辅助巡检工作。

电站锅炉对流受热面积灰状态的在线监测

为提高电站锅炉运行经济性和安全性,提出一种基于热力学模型的电站锅炉对流受热面积灰状态实时监测方法,并利用其监测结果对吹灰系统进行优化。根据这一方法开发的实时监测系统已在太原第一热电厂11号炉应用并获得成功。该监测方法具有简单、运行可靠、初投资少等优点,开发的软件具有良好的用户界面。

基于卷积神经学习的光伏板积灰状态识别与分析

光伏板积灰会降低光伏系统发电效率,易引发灼烧、腐蚀等连带故障,因而开展光伏板积灰智能识别与分析对提高光伏发电效益意义重大。鉴于积灰状态光伏板在可见光图像中显著的颜色与纹理特征,提出一种基于卷积神经学习的光伏板积灰状态识别与分析方法,在光伏电站现场构建积灰状态图像识别实验系统,获取积灰状态图像制备数据集,以残差网络来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对应关系。结果表明:对于现场11个等级的光伏板积灰状态,ResNet-50和ResNet-101模型识别的准确率为0.81、0.72,均方根误差为0.69、0.95。提出的积灰状态识别与分析方法可直接、实时、定量分析积灰对光伏发电效率的影响,为光伏系统便携式巡检与智能化运维技术研究提供参考与新思路。