[发明专利]一种基于随机连接网络的光伏板故障检测方法

说明书

本发明属于神经网络技术领域，尤其涉及一种基于随机连接网络的光伏板故障检测方法，包括：S1、图像数据的采集；S2、对采集到的图像数据进行分类标注；S3、构建RandomNet神经网络模型；S4、利用测试集图像对RandomNet神经网络模型进行训练，并利用验证集对RandomNet神经网络模型进行验证。本发明通过对传统ResNet模型与DenseNet模型进行改进，提出了基于RandomBlock模型的RandomNet神经网络模型，利用RandomNet神经网络模型对光伏板故障自动检测，使光伏电站人员可及时发现光伏板故障，及时检修故障光伏板，提高了工作效率。

技术领域

本发明属于神经网络技术领域，尤其涉及一种基于随机连接网络的光伏板故障检测方法。

背景技术

随着社会的快速发展，全球能源消耗加剧，化石能源的不可再生和造成的环境污染日益严重，人们对清洁能源的发展需求越来越大，新能源发电技术越来越受到世界各国的追捧，太阳能作为公认的清洁能源，近年来获得了迅猛发展。2017年1至11月，我国光伏发电量达1.069亿兆瓦时，同比增长72％，光伏年发电量首超1亿兆瓦时。国际能源署预计，到2040年，光伏发电装机容量将超过20亿千瓦，这意味着太阳能光伏发电将成为最重要的电力来源之一，从2025年开始，我国光伏发电将逐步成为主力能源。

人工检测方案对于光伏板的故障检测有一定效果，依靠人每天视察检修，工作量大，效率低下，且光伏板裂纹、气泡，光伏板积灰程度难以分辨，需要丰富的经验。太阳能光伏发电作为未来最重要的电力来源之一，光伏板的数量会越来越多，人力难以应对，因此探索光伏板故障智能检测方法非常重要。

文献《光伏板红外成像缺陷检测技术研究进展》分析了光伏板故障主要分为三大类：(1)光学退化：包括分层和气泡、封装剂变色、安全玻璃破损。(2)电气失配及其退化：有裂纹和光伏单元断裂、蜗牛纹、光伏金属互联带断裂、分流和光伏电池短路、阴影。(3)其他故障：势能诱导故障、旁路二极管故障或短路、光伏子模块开路。文献《低对比度情况下太阳能光伏板红外图像的分割算法研究》提出基于太阳能光伏板红外图像，结合Caip算法与Guidefilter算法增强对比度，再利用Mask-Rcnn网络模型分割训练，该算法有较高的检测精度，但检测速度较慢。文献《基于深度学习的乳腺癌病理图像分类研究》基于密集连接网络DenseNet的方法会导致网络结构设计、模型训练以及目标函数优化的难度增加；网络具有高冗余度；本文提出一种基于随机连接网络的光伏板故障智能检测方法，利用RandomNet对光伏板图像进行特征提取识别，能够实现光伏板故障识别，增强了网络的泛化能力和迁移性，具有较高的准确率，并且稳定性好，抗干扰能力强，通用性高等优点，具有良好的鲁棒性，能很好的应用与光伏站智能检测系统。

发明内容

针对现有技术存在的问题，通过对传统ResNet模型(残差网络)与DenseNet模型(密集网络)进行改进，提出了基于Random Block(随机跳跃网络)模型的RandomNet(随机连接网络)神经网络模型，并使用RandomNet神经网络模型进行光伏板故障自动检测，使光伏电站人员可及时发现光伏板故障，及时检修故障光伏板，提高工作效率。

具体技术方案如下：

S1、图像数据的采集：采集光伏板面图像数据，包含无故障和有故障的光伏板图像；

S2、对采集到的图像数据进行分类标注，将图像数据分为测试集与验证集；每个集合均含有无故障和有故障光伏板图像，测试集与验证集比例按照4：1划分；

S3、构建RandomNet神经网络模型；

S31、设置输入层，将采集到的光伏图像输入RandomNet神经网络模型；

S32、设置第一个卷积层，第一个卷积层是独立的卷积层，设置卷积核的大小与步长，完成对图像数据特征提取；