[发明专利]基于注意力机制的光伏组串跟踪及故障跟踪方法

说明书

本发明公开了基于注意力机制的光伏组串跟踪及故障跟踪方法，通过将目标帧输入至预训练的CNN网络跟踪模型中，输出光伏组串的目标跟踪信息并对其进行编号处理，以及输出组串内部故障跟踪信息，CNN网络跟踪模型中包含特征提取、特征融合、预测三个模块，特征提取部分利用了CNN高维和低维信息辅助特征提取；特征融合部分增加注意力通道和广义通用GNet通道。由于特征提取通道加入高维和低维特征，提高了运动过程中的鲁棒性；同时由于在特征融合部分引入GNet通道以及上下文增强模块和交叉特征增强模块，在追踪过程中充分考虑语义特征，改善追踪过程中运动变化等属性的鲁棒性，进行光伏组串跟踪和故障检测跟踪时获得比较准确的结果。

技术领域

本发明属于计算机数字图像处理技术领域，具体涉及基于注意力机制的光伏组串跟踪及故障跟踪方法。

背景技术

目前，光伏发电是新能源领域的代表性技术，在国内外都得到了广泛的应用。考虑到我国光伏装机分布的环境差异，光伏发电板常常会由于一些外部的天气、环境等外在因素引起热斑问题，这会导致局部输电故障，影响输电效率，甚至烧毁太阳能组件。

随着图像处理技术的发展，基于深度学习的追踪和检测技术也得到了越来越好的表现。基于深度学习的光伏组串跟踪及故障跟踪方法相比传统的方法而言，将目标跟踪应用到光伏领域，提高光伏管理和故障检测效率，方便人员维护。

对于已有的故障检测以及光伏管理工作，大都采取红外图像故障检测或者传统人工巡检方法，对于大规模的面板管理和故障排查工作无法同时满足高效率和高准确率，所以无法及时对光伏设备进行管理，从而造成严重的能源浪费和安全隐患。

发明内容

本发明的目的是提供基于注意力机制的光伏组串跟踪及故障跟踪方法，能够准确描述组串及其内部的故障信息，提高检测的准确率。

本发明所采用的技术方案是，基于注意力机制的光伏组串跟踪及故障跟踪方法，具体按照以下步骤实施：

步骤1、将多组光伏组串图片作为样本，训练基于注意力机制的CNN网络跟踪模型；

步骤2、获得目标视频，将目标视频输入到已经训练好的基于注意力机制的CNN网络跟踪模型中获取视频帧序列，对视频帧序列进行特征提取，输出视频帧序列的组串特征图和故障特征图；

步骤3、结合注意力机制，对组串特征图进行特征加强，去除噪声干扰，对于故障特征图进行增强融合，去噪后的组串特征图输入GNet网络，得到热力图；

步骤4、将去噪后的组串特征图和增强融合后的故障特征图输入交叉特征增强模块CFA，进行基于注意力的交叉融合，输出融合后的特征图；

步骤5、将融合后的特征图输入预测头，通过预测头进行分类和回归，得到故障前景/背景分类结果；

步骤6、根据热力图和分类结果输出光伏组串的故障类型与位置。

本发明的特点还在于：

步骤2具体过程为：

通过无人机采集光伏组串的视频作为目标视频，将目标视频输入训练好的基于注意力机制的CNN网络跟踪模型中，通过基于注意力机制的CNN网络中的高维特征提取通道con-5提取组串特征，得到组串特征图，通过低维通道con-4进行目标图像特征选择提取组串内部故障细节信息，得到故障特征图。

步骤3对组串特征图进行特征加强、对于故障特征图进行增强融合具体过程为：结合注意力机制，利用两个上下文增强模块ECA对组串特征图或故障特征图进行特征增强，其中ECA是利用残差形式的多头自注意，自适应整合组串特征图或故障特征图中不同位置的信息，将组串特征图或故障特征图作为ECA机制的输入，得到去噪后的组串特征图或增强融合后的故障特征图，其中ECA的作用机制表达：