太阳能光伏电池缺陷检测

太阳能是一种极具吸引力的替代电力能源,太阳能光伏电池是太阳能发电系统的基础。太阳能光伏电池中的各类缺陷严重影响光伏电池的光电转化效率和使用寿命。为有效地检测出这些缺陷,提出了一种基于块数据删除模型的缺陷检测方法。首先,对太阳能光伏电池图像进行傅里叶变换去除母线并调节亮度和对比度,然后将图像分块,通过块数据删除模型找出去除母线后的图像中所有的异常块,并将这些异常块全部剔除,利用余下的图像块通过非线性回归模型重建图像的背景。最后,用待检图像与得到的背景图像作差以突出缺陷区域,达到缺陷检测的目的。实验结果表明,所提出的方法能够有效地检测出太阳能光伏电池中多种类型的缺陷,如隐裂、断栅和碎片等。用该方法对313幅太阳能光伏电池图像进行实验,其中158幅无缺陷图像均未检测出缺陷,而另外155幅含有隐裂、断栅等缺陷的图像,仅有5幅出现误检,缺陷检测率达96.77%。     

基于SSTDR的光伏系统直流母线电弧故障在线检测与定位

针对光伏系统中直流母线上发生电弧故障危害重大且检测和定位困难的问题,提出一种基于传输线等效分布参数模型的扩展频谱时域反射法,对电弧故障进行在线检测和定位。该文研究直流母线发生故障电弧的原因和类型,对拓展频谱和时域反射进行理论分析,利用Simulink仿真平台建立直流母线电弧故障模型进行仿真,基于FPGA技术搭建实验平台,验证了理论正确性与可行性。实验结果表明,该方法能够实现对光伏系统直流母线电弧故障在线检测和定位,具有定位精度高、实时性好等优点。     

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题.文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法.建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除.实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测.     

光伏电池电致发光偏振图像融合与缺陷检测

针对电致发光图像边缘模糊、纹理不清晰造成光伏电池缺陷难以定量化评估问题,提出一种基于电致发光偏振图像融合的晶硅光伏电池缺陷检测方法。首先,在分析晶硅光伏电池结构的基础上给出电致发光偏振成像的基本原理。然后,利用拉普拉斯金字塔对获取的红外光强图像与偏振度图像进行分解、引导滤波对高频细节成分进行增强,通过区域能量最大、区域能量加权平均规则对高低频部分进行融合。最后搭建短波红外偏振检测平台开展晶硅光伏电池缺陷检测实验。结果表明,偏振成像可以凸显光伏电池缺陷图像的轮廓边缘和纹理细节,融合图像 中光伏电池缺陷特征更加突出,信息熵、标准差等客观评价指标显著提高,验证了方法的有效性。     

基于故障方向信息的中压光伏微电网保护策略

提出了一种基于故障方向信息的新型中压光伏微电网保护策略.该策略利用能量函数法判断断路器的故障方向,然后根据故障方向信息对光伏微电网外部、公共母线和馈线故障进行定位,并构建馈线故障方向矩阵、断路器-支路矩阵和支路-断路器矩阵,以矩阵运算实现馈线支路故障的快速定位与出口跳闸.仿真结果表明,所提出的光伏微电网保护策略能够实现故障的快速定位与隔离,有效地保障中压光伏微电网的安全稳定运行.     

基于纹理特征的绝缘子检测方法

在图像/视频中自动检测和定位绝缘子是绝缘子故障诊断的重要前提,但是目前还没有高效的、成本较低的检测绝缘子方法。本文提出了一种基于纹理特征的绝缘子检测方法。首先,根据绝缘子的纹理性,利用图像的灰度共生矩阵方法产生出绝缘子的基本纹理特征;然后利用特征选择算法挑选出一组最有效、分类效果最好的特征;最后利用这组最有效特征可以准确检测到绝缘子。实验表明,该方法能够较好地在图像/视频中检测和定位绝缘子。     

基于深度学习的航拍光伏板红外图像热斑检测方法研究

针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3×3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99. 56%,检测速度为22. 1帧/秒。光伏板识别后的热斑分割准确度达到95. 99%,交并比mIou达到85. 58,检测速度为24. 5帧/秒,该方法能够满足光伏板故障检测的需要。     

基于智能视觉物联网的变电站红外监测系统

变电站电力设备故障导致大面积停电时会造成巨大的经济损失和社会影响。根据电力设备故障会产生温度异常的特点,提出一种基于智能视觉物联网的变电站红外监测系统。该系统通过无线组网实现远程监控,对设备发热异常进行实时报警。利用基于空间位置约束和方向约束的红外图像与可见光图像配准方法实现异常发热区域的精确定位。对异常发热区域和温度较高区域打上视觉标签,分析温度变化情况,预防故障的发生和升级。实验结果表明,该系统能够准确、实时地检测和定位设备温度异常区域,对温度过高区域进行持续监测并对故障进行预警,为变电站设备异常监测提供了可靠保证。     

基于Faster R-CNN模型的绝缘子故障检测

绝缘子是电力系统中用来支撑电线和电气隔离的重要器件,对输配电线路绝缘状态的在线检测意义重大。针对现阶段人工判别航拍图像的不足,提出基于Faster R-CNN的绝缘子图像故障检测方案,阐述了卷积神经网络特征提取的原理,构建基于Faster R-CNN的绝缘子检测模型,利用无人机航拍的绝缘子图像及故障样本,对检测模型加以训练与测试,分别进行绝缘子分类检测实验和绝缘子故障定位实验。实验结果表明,所提出的绝缘子故障检测方法能够准确对绝缘子进行检测与分类,并定位出故障位置,且达到实时性要求。     

基于DenseNet的红外图像热斑状态分类研究

光伏热斑故障对光伏组件的运行会产生严重影响,为从图像数据中进行有效的热斑检测,提出一种基于密集连接网络(DenseNet)的深度学习方法.利用数据增强、改进模型结构和迁移学习的方法,在红外光伏故障图形数据集上训练优化,并针对构建的样本数据集具有分布不平衡性的特点,选择采用Focal损失函数缓解样本的非均衡.实验结果表明...     

生成对抗网络 GAN 的发展与最新应用

近年来,生成式对抗网络(generative adversarial nets, GAN)迅速发展,已经成为当前机器学习领域的主要研究方向之一。GAN来源于零和博弈的思想,其生成器和鉴别器对抗学习,获取给定样本的数据分布,生成新的样本数据。对GAN模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究,并在这些GAN的应用所取得的实质性进展进行了系统的阐述。对GAN的提出背景与研究意义、理论模型与改进结构,以及其主要应用领域进行了总结。通过对GAN在各方面的应用分析,对GAN的不足以及未来发展方向进行综述。     

光伏并网逆变器性能检测技术及智能检测平台系统研究

随着越来越多的光伏发电系统并入电网,为了保证电力设备、人员以及光伏系统本身的安全和发电系统的效率,有必要对作为光伏并网核心设备的光伏逆变器进行性能检测。为此,参考光伏逆变器测试标准CNCA-CTS004 2009A,设计了专业应对太阳能光伏并网逆变器试验检测用平台系统。该自动检测系统通过RS485和GPIB总线完成各模块间的通讯,实现全数据自动采集和智能分析。其中交流模拟电源装置能模拟公共电网的实际运行状况和实验室所需要的极限故障状态。直流模拟电源能够模拟太阳能电池的电压变化,为大功率光伏逆变器提供可编程的直流源。孤岛检测装置主要提供三种特性的负载,并能模拟谐振点发生,准确检测并网逆变器防孤岛效应保护功能。实验证明,该智能测试系统可自动实现光伏逆变器性能指标的检测与分析,精度高,可靠性强,可为其他光伏逆变检测系统提供研究依据。     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

基于神经批采样的轮胎X光图像异常检测研究

轮胎缺陷检测对轮胎定级有重要参考意义，研究高性能的轮胎异常检测方法尤为重要。本文以强化学习算法为基础，提出一个以损失值异常变化作为判断异常特征的图像自动分类算法。该方法首先通过大量的正向样本输入来降低数据在经过梯度更新之后的损失值，从而与少量异常样本输入时的损失值形成明显差异，再引入神经批采样器，放大异常样本与正向样本之间的损失轮廓差异并为空间变分编码器提供训练批次，然后将训练结果作为异常分类器的输入，最后完成异常检测的分类与定位工作，经过对比研究发现本文提出的异常检测算法在轮胎缺陷样本集上性能明显优于其他传统图像异常检测方法。     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

高光谱图像异常目标检测研究进展

高光谱图像异常目标检测在国防军用和民用方面都具有重要的理论价值和应用前景,是当前遥感信息和图像处理处理研究领域中的一个热点研究问题。异常检测是在没有任何先验知识的条件下检测图像中出现的人为或异常地物目标。从高光谱异常检测理论入手,介绍了目前高光谱异常检测算法的研究进展和存在问题,最后对异常检测的发展做出了预测。     

光伏阵列无线传感节点设计及故障诊断应用

针对现有光伏阵列的故障检测方法精度和效率不足且难以定位故障光伏组件等问题,设计了一种基于STM32的光伏阵列无线传感节点及故障诊断系统。该无线传感节点硬件以STM32F103为核心控制器,主要包括主控模块、电源模块、数据采集模块、数据通讯模块;软件端通过自定义通信协议,将测量结果通过ZigBee无线模块对数据帧可靠传输,上位机可监测到逆变器扫描光伏阵列电流-电压(I-V)特性过程中各光伏组件的电压数据。实验中人工模拟了光伏组件常见的阴影、旁路二极管短路故障,通过无线传感节点测得的电压波形,可实现光伏阵列中故障诊断与定位。实测结果表明,该系统可获取逆变器扫描光伏阵列I-V特性过程中组件电压波形,便于运维人员及时准确地定位光伏组件故障。     

光伏电站理论发电功率的优化计算模型与方法

光伏电站理论发电功率计算结果的准确性直接影响弃光电量的统计,对电网调度及光伏发展规划影响重大。理论发电功率的传统计算方法有样板逆变器法和气象数据外推法,当样板逆变器的出力受到限制时,样板逆变器法计算结果不准确,而气象数据外推法参数众多且难以确定。针对上述问题,提出了一种光伏电站理论发电功率优化计算方法。首先,介绍了样板逆变器法和气象数据外推法的计算原理,并分析了两种方法的特点和不足。然后,基于光伏电站历史出力及气象信息,提出了改进样板逆变器法和改进气象数据外推法。在实际应用中,当弃光未发生或者在弃光初始阶段采用计算精度更高的改进样板逆变器法开展计算,当样板逆变器出力受到限制时,切换至改进气象数据外推法进行求解。最后,对国内某光伏电站在不同气象条件下开展仿真计算,验证了所提方法的合理性和有效性。     

基于生成对抗Transformer的电力负荷数据异常检测

电力负荷异常数据将为电力系统规划、负荷预测以及用能分析等带来较大的负面影响，亟需对负荷数据异常进行检测与识别。首先针对电力负荷数据异常分类、原因及其特征开展分析；其次改进传统Transformer编码器结构，采用多头注意力层代替掩码多头注意力层，同时移除前馈网络，以提高模型对负荷时序序列的全局注意力；然后基于生成对抗网络(Generative Adversarial Networks, GAN)生成器与判别器的博弈结构，提出了一种改进的GAN-Transformer的模型，给出了模型的详细架构与数学表达，帮助模型更好的捕捉趋势性特征同时加速模型收敛；引入多阶段映射与训练方法，综合焦点分数打分机制，通过分阶段负荷序列重构帮助模型更好的提取负荷数据异常特征；最后通过算例分析，验证了所提模型的有效性与优越性。