论文部分内容阅读
光伏板板面灰尘积累会降低其光电转换效率,减少单位时间发电量造成经济损失,积灰严重时还会腐蚀光伏板外表面防护层,灼烧光伏板内部电路引发安全问题。然而,行之有效的积灰状况评估方案是产业界处理积灰问题的前提。本课题立足于光伏电站积灰状况分析的现实需求,针对光伏板积灰状态定量分析与光伏电站全局状况感知两大痛点问题,研究深度学习(Deep Learning)技术在图像识别领域相关技术,提出了基于现场图像的光伏板识别提取模型和积灰状态定量分析模型。课题主要内容包括以下两方面:其一,基于深度残差网络(Residual Network,ResNet)提出一种光伏板积灰图像识别方案,基于可见光监控图像中积灰在光伏板上产生的颜色与纹理特征,本课题以图像特征为积灰程度差异的分辨依据,提取光伏电站监控图像,结合光伏系统电流、电压等运行参数,以残差网络ResNet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非线性耦合关系,定量分析评价积灰对光伏发电的影响,实现光伏系统积灰状况智能感知。试验数据证明,对于现场11个等级的光伏板积灰状态,搭建的积灰状况识别模型识别的准确率达到0.81。其二,基于多目标检测算法提出一种光伏板阵列图像分割方案,实现光伏电站运维从局部定点监控向全局实时感知的升级。本课题采集光伏电站现场光伏板阵列图像制备数据集,采用多目标检测算法检测并提取图像中的光伏板的位置信息,将批量化的光伏板阵列图像转化为前述光伏电站定点监控视角下的光伏板图像,从而实现以前述方案对光伏电站全局光伏板积灰状况的实时评估。试验数据证明,对于现场拍摄的光伏板阵列图像,搭建的光伏板识别提取模型识别的准确率达到0.91。本课题基于深度学习算法针对光伏板积灰状况定量评估开展探索,在一定程度上实现了光伏板积灰状态的智能、精确、快速检测与分析,对提升光伏系统发电效率,减少设备故障,降低运维成本,保障光伏发电系统的安全高效运行具有积极的理论和实际意义。