基于轻量化网络的变电站缺陷图片检测算法

保证变电站运行安全和可靠,自动检测变电站设备缺陷是电网智能化的关键。提出基于轻量化网络的变电站缺陷图片检测算法。针对目前传统的深度网络深度较深,耗时较长,易发生梯度爆炸、消失的情况,以及变电站智能监控实时性要求高的问题,提出了一种基于轻量化网络的变电站缺陷图片检测算法。该算法通过深度网络的轻量化设计,不仅可降低计算时间复杂度和空间复杂度,并且能提升检测准确度。该算法利用轻量化的特征提取网络进行图片的多尺度特征提取,且能根据多尺度特征进行目标种类和位置的检测。以变电站现场故障图片作为实验数据,对比测试了SSD算法和所提算法在面对不同故障的检测准确率。实验结果表明,所提算法在变电站故障检测任务中比SSD算法更加准确,为变电站故障检测提供了有效的手段。     

基于特征金字塔融合高分辨率网络的光伏热斑识别

针对光伏热斑识别算法中存在的深层网络参数运算复杂、梯度信息易消失和模型退化准确率下降等问题,提出一种基于特征金字塔融合高分辨率网络的光伏热斑识别检测算法。首先,该算法搭建一种多分辨率子网并行连接的网络模型,解决深层网络热斑细节信息丢失、特征冗余的难题。其次,引入特征金字塔的多尺度融合模块,跨层连接深浅层不同尺度特征图,解决特征语义的鸿沟、提高模型识别精度。实验结果表明：所提出的算法在光伏红外热斑图像数据集上的分类效果优于经典的深度卷积神经网络算法,准确率可达97.2%,可实现高精度高分辨率的热斑检测识别。     

海上船舶融合识别算法研究与改进

目的  目前,我国海上风电平台对于附近船舶的监控手段主要是船舶AIS（Automatic Identification System）系统以及远程摄像头,这种缺乏信息化技术的手段往往需要耗费大量的人力、物力。为了能有效预警海上风电平台附近的船舶,文章分析了目前对于海上船舶识别任务所存在的亟待解决的问题,提出一种结合改进型Faster-RCNN网络以及船舶AIS信息的海上船舶融合检测算法。 方法  首先,提出Fast-RCNN模型3个方面的改进意见,对传统Faster-RCNN模型进行特征提取网络,对主干网络以及损失函数等结构进行调整;其次,基于改进型Faster-RCNN网络对远距摄像头拍摄的图片进行船舶检测,并结合船舶AIS系统相关信息对结果进行补充与校正;最后,根据模型训练过程保存的最优模型在验证集上进行测试,采用查准率、查全率以及平均准确率指标对各个模型进行评价。 结果  不同特征提取网络、分类损失函数的Faster-RCNN模型推理速度及精度得到了较大提升;海上风电平台对于船舶的监控能力得到改善;结合船舶AIS系统对海上船舶信息进行处理并获取其航行轨迹,实现了对远程摄像头拍摄图片中的船舶的检测。 结论  实验表明,对传统Faster-RCNN进行特征提取网络以及分类损失函数的替换,能够有效提升该网络在船舶识别任务中的检测精度,并且通过融合船舶AIS系统能够有效获取船舶的运行轨迹。     

基于改进SSD算法的光伏组件缺陷检测研究

为了解决无人机巡检光伏组件的效率和识别准确率低的问题,提出了一种基于超分辨率和双池化融合的光伏组件缺陷检测方法。首先,使用生成对抗网络（GAN）对光伏组件图像数据进行扩展,建立可用于光伏电站缺陷目标检测的图像数据集;然后,构建图像超分辨网络,减小图像数据集的噪声和提高局部区域的纹理特征。最后,将单次多边框检测（SSD）的主干网络替换为双池化方式融合的特征提取网络（VGG19＿MP）,在不提高网络参数的情况下,学习更深层次的纹理结构。结果表明基于超分辨率网络和双池化融合的光伏组件缺陷检测算法精确率达到了98.21%,平均检测时间为0.066 s,相较于对比的检测算法提高了0.9%～9.1%,平均检测时间提高了0.01～0.07 s,为光伏组件缺陷的精确识别提供了更有效的检测方法。     

基于改进混沌粒子群算法的光伏阵列建模方法研究

准确地建立光伏阵列模型对光伏电站性能分析具有十分重要的意义.由于传统光伏阵列建模方法具有模型参数计算困难、计算结果精度低、对铭牌参数依赖性高等不足,导致传统光伏阵列模型具有适应性差等.文章从实测数据出发,提出了一种基于改进混沌粒子群算法的光伏阵列建模方法.模拟结果表明,相比于传统的建模方法,基于改进混沌粒子群算法的光伏...     

基于YOLOv5 LiteX算法的光伏组件缺陷检测

利用无人机载热红外设备对光伏组件进行航拍和缺陷检测。针对无人机存储和算力的局限性,以及现有基于深度学习的缺陷检测模型在大型光伏电站复杂环境下模型参数量大和计算开销大的问题,设计使用YOLOv5 LiteX作为超轻量化的缺陷检测模型。首先,选择加权双向特征金字塔BiFPN替换原来的特征金字塔PANet,使特征有效的跨尺度连接和加权融合;其次,在特征融合的基础上增加更大的检测尺度,以提高模型检测较小缺陷目标的性能;引入focal-EIoU Loss对原有的边界框坐标预测损失加以改善,使网络专注于困难样本的运算。此外,通过数据增强方法来克服数据量过少的问题。改进后网络的平均精确率（mAP）相较于基准网络（Lite-YOLOv5）提高了7.32个百分点,困难样本（异物遮挡）的mAP大幅度提升。     

基于小波分析与神经网络的光伏电站功率预测方法

针对光伏电站输出功率时间序列表征出来的周期性非平稳特性,提出一种基于多尺度小波分解和神经网络相结合的光伏功率预测方法。将光伏电站输出功率时间序列在不同尺度上进行小波分解,得到逼近信号和多层细节信号。利用神经网络逼近非线性函数的能力,选择理论计算太阳辐照强度和气象环境逼近信号作为逼近信号神经网络模型的输入,选择气象环境细节信号作为细节信号神经网络模型的输入。输出结果叠加合成得到原始光伏电站输出功率序列预测值。算例分析表明,该文提出的将光伏电站输出功率时间序列分解为周期性逼近信号和准平稳细节信号,并分别采用神经网络建立预测模型的方法保证算法的收敛性和预测精度。     

基于数字孪生和改进LSTM的光伏发电预测技术

为提高光伏发电功率预测的精度和时效性,降低电网调度的安全隐患,提出了一种基于数字孪生模型、联合神经网络以及融合预测模型的光伏发电功率预测技术。该技术以针对常态预测的CNN LSTM网络和针对超短期预测的集成学习融合预测模型为核心,以光伏发电系统的数字孪生模型为基础框架,以某光伏电站的实测数据为基础进行了分析,实现了实时的多模式光伏发电功率精确预测。结果表明：改进的CNN LSTM联合网络模型能够实现较高预测精度,相比于现有的主流预测算法精度提高了约36%~58%;针对超短期的发电功率预测这一难点,集成学习融合框架可以进一步将预测精度提高25%左右。     

基于改进DeepLabv3+的含噪声热红外图像光伏热斑检测方法

光伏组件表面钢化玻璃会导致采集的热红外图像中带有反光噪声，其与热斑的特征相似，热斑检测中常出现误检。该文提出一种多尺度融合注意力机制的轻量化DeepLabv3+语义分割模型LD-MA(lightweight DeepLabv3+with multi-scale integrated attention mechanism)用于热斑检测。LD-MA基于DeepLabv3+网络架构，首先引用MobileNetV2作为主干特征提取网络，减小网络参数量以提高训练效率。然后设计多尺度特征融合模块并引入CBAM注意力机制，保留多阶段目标特征且强化对热斑目标特征信息和位置信息的学习。在自建光伏热斑数据集进行热斑检测实验，结果表明LD-MA模型参数量大幅减少，同时有效避免误检和漏检，在测试集中平均交并比（mIoU）和类别平均像素准确率（mPA）分别达到90.82%和94.39%。     

基于改进YOLO-v3的风力机叶片表面损伤检测识别

为对风力机叶片损伤状态进行有效检测，提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点，对网络中锚框（anchor）的尺度进行调整优化；在特征提取网络后引入基于注意力机制的挤压与激励网络（squeeze and excitation networks,SENet）结构，使YOLO-v3算法更加关注与目标相关的特征通道，提升网络性能。结果表明，改进后算法的平均精度为84.42%，较原YOLO-v3算法提升了6.14%，检测时间减少了21 ms，改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。     

基于多尺度CNN的光伏组件缺陷识别

为提高光伏组件缺陷分类精度与效率,提出一种改进的多尺度卷积神经网络模型(IMCNN).该算法根据光伏组件缺陷特点,构建3个不同尺度端对端的卷积神经网络模型,同时为优化网络结构,在3个通道中均引入SE-Inception模块.首先由多通道卷积提取精密度不同的特征;再将这些特征进行融合,得到特征的增强表达;最后实现光伏组件...     

基于地理位置相关性的光伏故障监控方法研究

对光伏系统实时状态的监控是光伏电站科学运维的关键,也是实现光伏电站智能监控的重要基础。光伏故障的实时识别定位是光伏电站实时状态监控的一项主要内容。为实现对各区域光伏电站的实时全局监控,文章以江苏省某光伏企业作为研究目标,通过数据分析首次提出了基于地理位置相关性的分布式光伏电站故障识别定位实时监控方法,在理论分析的基础上,开发了分布式光伏电站实时状态监控系统,并结合实际工程进行测试与完善。研究结果表明:该分布式光伏电站故障识别定位实时监控方法能够实现各区域分布式光伏电站异常现象的识别与故障定位,具有一定的创新性;该分布式光伏电站实时状态监控系统能够准确实现光伏故障的识别定位,极大地提升了光伏企业对光伏故障的实时监控能力和全局调控能力,应用前景广阔。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于高斯核函数的支持向量机光伏故障诊断研究

及时进行光伏阵列故障检测和故障诊断,对提高光伏电站收益、减少光伏系统运维成本具有较强的理论和应用价值。文章基于MATLAB/Simulink模块建立光伏阵列仿真模型,并应用该模型仿真光伏阵列的各类故障。通过提取各类故障特性并基于高斯核函数支持向量机算法,建立光伏阵列故障诊断模型。结果表明,在10 kW光伏电站的实际运行中,该模型可较为精准地判别出各类故障。     

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。     

融合空间信息的多尺度残差卷积开关柜异物检测算法研究

检查开关柜中有无异物以确保设备安全运行是配网建设的基本任务。针对开关柜中背景复杂且目标遮挡严重的问题,文章提出一种融合空间信息的多尺度残差卷积检测算法。首先,利用多尺度残差卷积,降低目标遮挡导致特征提取不全的影响,再设置残差连接解决过拟合问题;然后,在深层特征图间增加改进的注意力机制,降低网络过深导致细节信息丢失影响,提高检测效果。最后,搭建自制开关柜异物数据集实验平台,实验结果表明,改进模型检测速度下降11FPS(frames per second),为72FPS,平均精度AP50为91.26%,AP@50:5:95为76.04%,分别提高2.59%和3.69%。并在输电线路异物与缺陷绝缘子数据集验证普适性算法,实验结果表明,改进模型检测精度均高于原始模型。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测

针对传统光伏功率预测精度比较低的问题,文章提出了基于TOPSIS-GRNN的机理-数据混合驱动光伏电站功率预测模型。首先,对多个气象指标和光伏电站的输出功率进行了相关性分析,并选取了相关度较高的气象数据作为模型的输入因子,利用TOPSIS算法选择出最优相似日;然后,将光伏电站输出功率理论值和气象数据建立GRNN预测模型;最后,结合DKASC网站上的历史气象数据和功率数据,对该模型进行了仿真试验并验证。试验结果得出功率预测精度RMSE平均值为0.826 9 kW,MAPE平均值为3.45%,MAE平均值为0.019 5 kW。该预测方法的预测精度明显高于单一预测模型,具有一定的理论和实用价值。     

基于XGBoost算法的光伏阵列故障诊断方法研究

针对光伏阵列故障频发,且无法及时有效在线对故障类型进行识别的问题,提出了一种基于极度梯度提升(XGBoost)算法对光伏阵列进行故障诊断的方法。首先,基于Matlab Simulink仿真技术,建立光伏阵列仿真模型,针对正常、开路、短路、老化、阴影遮挡5种光伏阵列运行状态进行仿真,获取500例有效数据;其次,分析仿真数据特征变量之间的共线性关系,提取有效的特征变量作为模型的特征变量输入;然后,基于特征变量构建XGBoost故障诊断模型,并根据10折交叉验证方法优化超参数;最后,依据模型性能度量指标对XGBoost故障诊断模型的诊断结果进行评价,并分析模型特征变量的重要性。研究结果表明：基于XGBoost算法的光伏阵列故障诊断方法能简单、高效、实时在线对样本数据进行故障诊断,可应用于光伏阵列典型故障类型的有效识别。该故障诊断方法可为光伏电站现场运维人员提供技术支持,未来将在大型光伏电站,使用更大范围的实时数据开展使用和验证工作。     

基于深度卷积神经网络的光伏组件热斑检测

热斑效应是造成光伏组件损坏的主要原因之一,提早发现光伏组件热斑效应并及时解决,可有效减少损失.该文针对热斑效应问题提出改进的Faster R-CNN红外热斑图像检测方法,该方法是基于SpotFPN多尺度特征学习模块,将SpotFPN应用在二阶段目标检测网络中提高了模型的检测精度,改善热斑的识别准确率.同时为解决数据集不...