基于改進CNN的太陽能板遮擋物分類研究

史新科,楊成佳,李麗新

吉林建筑大學 電氣與計算機學院,長春 130118

我國西北地區的太陽能發電站分布廣泛,太陽能板長期在外暴露,部分太陽能板上附著泥沙、鳥糞等遮擋物,長期遮擋會導致太陽能板產生熱斑效應,損壞太陽能電池組件.針對此問題,國內外學者進行了相關研究.對于光伏組件紅外圖像故障檢測學習效率低、運行速度慢等問題,提出一種改進InceptionV3網絡的故障分類方法[1].基于無人機光伏組件可見光圖像采集,提出一種基于Mask-RCNN遷移學習的光伏組件鳥糞檢測方法[2].利用熱成像技術研究和分析不同故障類型的光伏組件熱圖像特征,并利用人工神經網絡對光伏組件故障進行分類[3].人工維護太陽能板效率低,為了提高維護效率,本文以卷積神經網絡算法為理論基礎,通過改進Resnet34網絡結構來分類太陽能板遮擋物,提高了模型的泛化能力與準確率,有較好的分類效果.

1 改進CNN算法原理

卷積神經網絡(Convolutional neural networks,簡寫CNN)最大的特點就是加入了卷積的計算,CNN擁有深層的前向反饋神經網絡結構,是深度學習領域的典型代表[4].CNN中Resnet結構的最大優點是可以搭建突破1 000層以上的模型結構,且在模型的基礎上增加了殘差計算(Residual),殘差的存在避免了模型在深層運算中梯度消失的情況.CNN由于其強大的學習能力,可以學習到適應不同問題的特征,具有很強的適應性[5].CNN一般由卷積計算層、激活函數計算層、池化下采樣層、全連接處理層組成.在訓練之前需將數……