文摘
光伏组件的性能(pvm)降解由于各种故障的发生如变色、蜗牛,燃烧的痕迹,分层,玻璃破碎。的降低功率输出创造了一个关注提高PVM性能。PVM组件的自动检测和状态监测可以处理绩效问题,尤其是对装机容量在没有受过训练的人员资源的位置。介绍深上优于技术涉及卷积神经网络(cnn)从航拍图像中提取特征得到无人机(uav)和分类各种类型的故障出现使用云计算和物联网(物联网)。算法演示了一个二进制分类与高精度通过比较单个故障情况良好。高效和有效的故障检测结果可以观察到。
1。介绍
对清洁能源的需求创造了世界各地由于技术的进步,能源需求人口疯狂生长,由于化石燃料的使用和污染水平升高。因此,各种可再生能源中,太阳能被认为是'选项来处理世界遇到的挑战。近年来,使用光伏发电(pv)已经吸引了巨大的注意由于通用的应用和社会经济效益。将太阳能转换成电能的过程进行的帮助下光伏组件(pvm)。国际能源机构(iea)在他们的年度报告中指出,一年一度的全球光伏安装看到边际增长从45%降至36%的总容量770千瓦到2022年底。日益增长的光伏市场需求不间断电源,从而迫使高效PVM操作。一般来说,PVM户外运作,在严酷的气候条件影响PVM的错误的发生。PVM的缺点可以恶化操作模块的寿命和可靠性。此外,保护PVM的运行寿命和可靠性,及时和适当的监测PVM是必要的(1]。PVM断层发生由于热应力,物理伤害,水分干扰,短路,腐蚀,腐蚀,部分阴影。这种断层的存在导致的崛起一个场景称为潜在诱导退化(PID),阻碍了PVM的性能和寿命2]。此外,保护PVM的性能,确保长时间的操作,早期发现和持续的监控是必不可少的。一般来说,故障诊断是通过视觉检查执行由技术熟练的专业人士。最近,许多PVM故障诊断技术被采用,即室外温度记录,光致发光,电测量,荧光成像技术,致发光成像(3]。然而,这样的检查要求更高的时间消耗,容易疲劳,更多的资本成本,大型人力,nonapplicability大型农场。挫折前面提到了一种采用新型故障诊断技术,不太耗时,可行,高效和准确。
科学界和投资者将注意力转移对无人机(uav)的应用在PVM诊断故障。选择的主要原因是由于人类干扰等几个因素最小化,时间消耗低、无损性质(4]。无人机的使用PVM故障诊断已经展示了几个文学研究。数码相机以及各种机载传感器贴在无人机可以利用收购PVM图像。获得的图像数据存储在本地计算机和转移到web服务器使用互联网。进行进一步的处理和分类,图像存储在web服务器作为输入提供给CNN架构位于云(5]。Postcompletion检索的处理结果可以从世界各地的用户。图1代表了过程的在线故障检测系统使用云计算技术。
热点定位在PVM是借助热成像摄像机伴随着数码相机(6]。应用于热成像摄像机的主要缺点是对热点的约束检测。另外,各种应用的努力一直在进行无人机在诊断PVM视觉错误发生。图像拼接的策略是通过作者在7]从无人机图像获得多个PVM故障诊断。在另一项研究中,基于模式识别的算法被用来区分两个视觉PVM的缺点如蜗牛小道和尘埃阴影(8]。图像质量和分辨率会影响图像特征提取的重要性。总的来说,提高多故障诊断效率和截止资本损失,一个精确的和先进的技术来诊断PVM的缺点是至关重要的(9]。卷积神经网络(cnn)是目前一个新兴领域的研究人员的兴趣由于通用的应用领域,也就是说,语音识别、分类、图片和文本分类。CNN的广泛应用是可行的因为他们的自学能力和健壮的兼容性10]。一位等人采用微调CNN pretrained模型在PVM使用热图像分类错误。AlexNet、GoogleNet SqueezeNet研究中使用,其中SqueezeNet表现超过其他网络(11]。在另一项研究中,一个混乱的扩展神经网络用于故障诊断等PVM使用各种操作参数的最大功率点跟踪、电流、电压、温度(12]。此外,不同的太阳能电池的性能是由白肢野牛和女子来确定调查表现最好的PVM (13]。监督学习方法基于CNN因此可以选择从收购了无人机图像不同断层之间的歧视。故障检测的新方法和分类使用的深度学习技术获得的航拍图片,PVM算法。另外,装备云计算与该方法有助于提高系统的性能。云计算已广泛采用目前世界场景由于以下原因:(i)的效率成本,(2)更高的速度,(3)易于访问,(iv)优秀的数据备份和恢复,(v)消除健壮的基础设施,(vi)自动化资源管理、(七)战略优势,(八)可靠性、机动性和缺乏硬件,和无限的存储(第九)。因此,云计算可以为创业者和投资者是一个不错的选择。以下技术贡献在这项工作:(1)CNN-based技术是利用分类故障条件出现在PVM使用从无人机获得的图像(2)一个二进制图像的分类比较个人的缺点和良好的状态(3)采用云计算策略进一步提高性能和降低计算复杂性参与拟议的技术
分类精度表明,CNN-based技术是准确的和有效的在故障分类和良好的条件。本文由以下部分:部分2定义了无人机监控平台及其规范;部分3描述了CNN的基本工作;部分4由CNN架构用于故障检测;部分5介绍了二进制的结果分类的各种缺点没有断层图像;最后,结论章节中讨论的工作6。
2。无人机监控平台和规范
无人机被广泛使用在最近一段时间由于其长期业务和增强的可访问性在偏远地区。一些无人机领域的应用包括物流、监视、检查、和摄影。无损性质和有限的时间消耗在行动促进了无人机的使用太阳能农场的检查(14]。无人机的一般过程监控系统结合PVM故障检测技术是显示在图2。PVM的航拍图像获得使用数码相机加上无人机和传播到地面单位通过无线通信网络。这些传输图像存储在一个数据存储系统,进一步用于状态监测技术的输入使用CNN。可用的CNN在PVM技术缺陷的提取特征并相应分类的缺陷。在这项工作中,轻型无人机(收Mavic 2变焦)检查PVM应用。表1提供完整的规范和采用无人机的因素。完整的航空图像处理是在谷歌的云平台进行合作实验室配备了python 3.7笔记本与TensorFlow启用。此外,空中图像存储在google drive的云服务器进行进一步处理。获得的结果可以验证了全球范围内的任何用户的授权访问。
由于长时间户外业务在不断变化的环境条件下,光伏模块容易生活不同的缺点,可以降低操作和输出性能(15]。最常见的一种视觉错误在PVM包括变色,蜗牛,玻璃破损,分层,燃烧的痕迹。见图3。PVM的层间附着力损失会导致分层(16]。分层的加速将铺平了道路,水分渗透导致氧化物的形成。连续积累的氧化物会导致燃烧的痕迹将破坏PVM的内部零件17]。黄色或褐变的细胞在PVM代表变色,可以阻碍供应的输出功率(18]。物理损害引起的运输和安装过程中可能会导致玻璃破碎。此外,由于不同的气候条件,冰雹风暴和增强户外操作可以诱发热应力在模块导致玻璃破碎。这可能导致热点的形成影响PVM的效率(19]。微裂隙在光伏电池代表蜗牛小道是发现在面板操作一年多来20.,21]。所有列出的缺点直接影响PVM的性能和可靠性。为了确保长期运行和PVM的性能一致,准确和及时发现错误是必要的22]。
(一)
(b)
(c)
(d)
(e)
3所示。卷积神经网络(cnn)的轮廓
CNN是一种控制学习技术基于深度学习算法。CNN能够捕获一个输入图像,将意义(重量和偏见)分配给不同的特性在一个图像,并能够区分一个从另一个。CNN三层组织构成形式如下:完全连接池、和卷积层。一个简单的CNN结构显示在图4。
任何涉及上述图层组的CNN结构工作原理描述如下:(1)输入图像的第一层CNN,图像的像素值。(2)层将卷积计算神经元的输出连接到输入层通过计算的重量和体积的标量积输入区域。修正的线性单元(ReLU)试图添加一个激活函数,如乙状结肠前面提供的激活输出层。(3)图像的空间维数输入postconvolution池层规模,进一步降低的体积参数下的激活函数。(4)完全连接层将产生各种类的分数激活用于多个分类。ReLU层之间的可用于提高性能。
类分数分类和回归相关系数制定通过CNN转变提供的数据作为输入在几层卷积和池。因此,一个人不能通过随机确定CNN的总体架构。每一个CNN模型需要仔细的培训的时间和分配适当的hyperparameters提供增强的性能。的简要描述各层构成CNN提供如下。
3.1。褶积层
卷积层展品在CNN的工作方式的关键作用。层关注的参数的使用可学的内核。这种内核积累更少数量的维度空间,然而,传播中输入范围。当数据达到一个卷积层,每个过滤器是翻译输入的空间维度创建一个2 d地图激活。当一个人漂过数据,标量计算产品每价值内核。从这个网络将学习内核,触发当他们看到一个特定的功能在一个给定的输入空间位置(图5)。他们通常被称为激活。内核的中心元素定位输入向量,从本身的加权和,然后计算任何相邻的像素替换。
卷积层也可以大大降低模型复杂度通过优化其性能。三个超参数,即零填充(添加零输入图像的边界),步幅(过滤器在一个方向上的运动),和深度(没有。的过滤器)将优化卷积层的性能。
3.2。汇聚层
池层帮助减少任何输入数据的维表示,从而减少了计算复杂度和体积参数。池层是在每个激活输入地图,使用“MAX”功能规模卷积图像的尺寸。由于池层是自然的破坏,只有两种常见形式的最大池是可用的。步幅和过滤器的最大池层是固定的2×2允许扩大输入空间的维数。
3.3。完全连接层
完全连接层形式的最终层CNN网络。完全连接的输入层将从前面提供的输出卷积或汇聚层。最大限度的激活卷积或池层必须夷为平地之前被送入完全连接层。最后一层使用一个激活函数像乙状结肠或softmax函数分类识别一个特定类的概率对于一个给定的输入图像(23]。
4所示。CNN-Based故障检测解决方案的体系结构
本节描述一个简单的CNN结构诊断PVM的缺点。在这种方法中,CNN提取航拍图像特性和执行之间的二进制分类在PVM过错和无过错条件。CNN是一个前馈网络有助于保存图像空间相关性,从而捕获图像的特点。最初,在CNN,交换卷积和二次抽样操作执行之后,采用多层网络。CNN的输出是完全连接平层,和乙状结肠用于二进制PVM的分类。使用乙状结肠函数的关键原因是,它发生在0和1之间。因此专门用于二进制分类模型的概率必须预测作为输出。由于只有0和1之间的可能性的尺度,乙状结肠是正确的选择(10]。图6代表了CNN架构提出了工作,其中包含2学习层(一个卷积和一个完全连接层)。
在建议的体系结构中,每个天线形象重塑的大小(240、240、3)和美联储作为CNN的输入结构。重塑形象(2,2)传入了补零与零层环绕图像边界。这张照片发送到卷积层特征提取与32步1和大小的过滤器(7)1]。这个卷积的输出层连接到一批归一化层和一个激活层;即解决线性单元(ReLU)使用(24]。沿着建筑两个最大池层提供网络复杂性降到最低。一个三维矩阵将派生,并转换为一维向量的帮助下平层。最后,密集的完全连接层与一个神经元乙状结肠激活画作为输出,通常用于二进制分类。CNN采用参数列表在表架构2。
5。实验结果和分析
在下一节中,实验的评估该CNN-based PVM的二元分类方法的缺点。获得的实验进行空中PVM的图像。图像数据集包含一个600图像样本的六种不同条件(100样品图片为每个条件)涉及五个不同类型的缺陷(变色,蜗牛,玻璃破损、分层和燃烧的痕迹)。每个缺陷分别与良好条件相比,和每个缺陷条件下的二元分类的结果。
5.1。实验装置
整个数据集的样本图像分成三个子集,即训练数据集的数据集(70%),验证数据集的数据集(15%),数据集和测试数据集的(15%)。培训和验证数据集用于特征提取需要学习的机器,而测试数据集是用来测量训练模型的性能。在实验中,每个故障状态提供一个故障ID与良好的状态。PVM的所有条件如下表中列出3。试图展示的精确性能提出了CNN模型与最小输入数据集是在目前的工作。云平台的整体实验进行谷歌合作实验室环境TensorFlow背景。
上述数据是统一的,这样获得的结果是公正的。对于随机数据集的大小,有一个概率,最终结果将偏向于类,包含更多的大量的数据。使用大量数据将有助于提高模型的学习速率。获取图像的PVM具有相同的制作和输出功率可以提高模型的精度。上述考虑必须遵循这样的特征提取中,错误将被消除。
5.2。模型的训练和验证
拟议中的CNN-based架构是训练至少20周期获得大约5分钟暴露最低计算时间。培训和验证精度达到一个饱和值在15世纪之后,20和周期的数量是有限的。验证数据集被用来做一个初步评估在每一个CNN模型之前实现在PVM检测错误条件。该模型训练是描绘在图7基于整体精度对培训期间的时代。图表表明,拟议的CNN方法产生最少的错误显示良好的计算能力提出了网络的体系结构。从图7,很显然,在时代的数量的增加,整体的故障检测模型的精度也得到了提高。整体故障检测精度可以达到98.7%完成后的培训过程。
模型也表现出更低的计算复杂度和更高的精度,使用最小数据集的大小。拟议的CNN方法评估各种故障出现在PVM和使用混淆矩阵获得的测试结果。二进制分类涉及到五个不同的断层图像进行图像相比具有良好的条件。混淆矩阵描述了分类精度和错误由于误分类如图8。
(一)
(b)
(c)
(d)
(e)
因此,它可以发现,这两个故障的特征提取(分层和蜗牛道)是不够的,需要更多的特性改善工作性能。训练方法后,开发了CNN模型的性能评价进一步利用90(即图像样本。15图像样本在每个PVM条件)。表4展品PVM的性能模型的检测条件。
结果在表4显示精度高(95%以上)检测每个故障条件对情况良好。总体的意思是该模型计算的准确性为98.66%。降低计算时间和结构简单是该模型的主要优势。
5.3。模型的性能分析
的整体性能开发了CNN模型分析了基于不同的方面,例如,比较模型性能和不同大小的数据集和评估开发模型的性能与其他现有pretrained通过一个周期的实验模型。
案例1。比较性能与不同大小的数据集
在这种情况下,该模型的性能比较不同大小的数据集不同的120年至600年样本图像和样本图片。性能结果列在下表中5。根据派生的结果,可以看出,有一个变化趋势的准确性的数据集的大小的变化。模型的整体性能改善与数据集的大小。准确地说,一旦数据集的大小达到480(即样本图像。,80 sample images per PVM condition), a significant rise in the accuracy of the proposed model is observed. Also, the accuracy of the model can be improved by expanding the amount of collected aerial images.
基于机器学习的技术需要大量的数据集训练机。的数据量直接影响特定技术的性能。在这个实验中,试图产生最大精度最小数量的图像样本。表5显示模型精度与不同大小的数据集。从结果,可以说,模型的性能数据集大小的增加而增加。随着数据集的大小的提高,模型的学习速率增加,建立更好的精度。同样,模型的精度从88.67%逐渐增加,达到98.66%的增加图像数据集的大小从120年到600年的图像。整体模型的准确性达到95%以上与图像样本超过480样本图片。
例2。比较性能与现有pretrained模型
转移学习是机器学习中行之有效的方法,侧重于对知识转移。在精确,而获得的知识解决一个问题是存储,然后应用于解决不同的问题在同样的领域。在这个实验中,将学习方法是用来比较的性能提出了CNN模型可用pretrained模型。本研究利用的深度学习模型如VGG-16和ResNet-50出于比较目的(25,26]。上述模型在图像分类问题带来了额外的成绩。表6提出了识别各种PVM错误的结果相比,基于图像数据集。描绘的是VGG-16模型表现出更好的性能在检测故障如变色、分层,玻璃破损,准确率在80%以上。
在某些情况下,模型精度逐渐下降很明显的缺点如蜗牛小道和燃烧的痕迹产生低于60%的准确率。ResNet-50模型,分析和检测燃烧的痕迹和蜗牛小径VGG-16相比更高。然而,性能不准确、可靠完整的PVM缺点符合检验标准。结果显示在表中6确认解决方案优于所有为故障诊断评估用例场景与精度高(98.66%)。采用pretrained模型导致分类精度差代表增强的复杂性和过度拟合问题为特定的数据集。模型用如此高的复杂性需要高端系统最大限度规范来减少计算的复杂度。总的来说,提出了CNN模型提供快速解决方案以最少的计算时间代表降低复杂性。一个简单的故障检测模型,该模型可以在低端系统运行精度高。
例3。与最先进的技术
两个类二进制分类是在目前的工作进行多级分类。选择二进制类列出的原因如下:(i)二进制类问题产生更快的分类和即时的结果,(ii)最小的混乱图像模式,(3)适合实时应用程序和(iv)继承与最低硬件要求低计算能力。提出技术的性能评估各种最先进的技术用于文学。该技术被证明比其他方法更准确的分类结果。表7介绍了比较文献中采用的技术和拟议的技术。
从表7观察状态,该模型显示比其他的更准确的结果,艺术技巧。此外,整个计算时间训练模型被发现140秒的最小硬件系统缺乏图形卡8 GB RAM。另外,使用这种简单的卷积模型可以帮助实时应用程序。
6。结论
本文提出了一个简单的故障检测CNN-based模型识别的操作条件PVM航拍图像的帮助下从无人机使用云计算技术和互联网的东西。建议的解决方案评估广泛在故障检测,其性能和结果进行了分析比较研究的基础上对现有的解决方案。典型的故障条件包括变色,蜗牛,玻璃破损,分层,燃烧的痕迹比较良好的条件。二进制对每个故障条件下,进行分类和数值结果清楚地确认所有的故障识别精度高。上述故障检测技术在实时基础上可以执行一个完美的训练模式。此外,该方法的集成在无人机平台可以帮助大型光伏发电场的检验。自动检查与无人机可以减少人类干扰,消除人为错误,并减少时间消耗。除了优点外,某些挑战存在于现在的工作,提供如下:(i)采集的数据是具有挑战性的,(ii)的方法提供了有关故障的发生而不是类型,和(3)狭窄的应用程序。关于未来的工作,提出了一些未来的发展方向。瞬时的结果可以通过实现该模型获得到车载诊断系统在无人机上。 Further assessment of the model through broad field evaluation can deliver enhanced results. Apart from binary classification, a multiclass classification of the abovementioned faults can become a reliable solution in detecting multiple faults at a time. The performance of the model can be improved with the aid of hybrid validation techniques.
数据可用性
使用的数据来支持本研究的结果包括在本文中。数据可从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突有关的出版。