科学家开发机器学习方法来识别有缺陷的太阳能电池板
作者：Lior Kahana
瑞典的一位科学家开发了一种新的基于混合局部特征的方法，使用热成像仪来识别有缺陷的太阳能电池板。
瑞典延雪平大学的一位研究人员提出了一种基于机器学习的红外热成像光伏系统健康监测方法。
该方法基于基于混合局部特征的监控面板方法，旨在抵抗缩放、噪声、旋转和雾霾。它实现了 98% 的训练准确率和 96.8% 的测试准确率。
“现有的基于图像处理的健康和故障诊断机器学习方法通常仅限于特定的数据集，并且存在对旋转、缩放、噪声、模糊和雾度敏感等问题，”Waqas Ahmed 博士在他的论文。– 这些方法还面临内存使用和准确性之间的权衡。基于深度学习的方法虽然功能强大，但具有较高的计算复杂性、内存和处理要求，并且如果没有强大的数据集和仔细的超参数调整，很容易出现欠拟合和过拟合。
这种新颖的方法首先用红外相机捕捉红外热像图。在预处理步骤中，它评估热成像图的质量，如果存在太多噪声，则通过去雾算法和灰度通道中的对比度调整来改进它们。然后将每个热像图分为 5 × 5 像素的子热像图。
使用高斯和非线性方法从每个子热像仪中提取局部特征。这些特征中最重要的 80% 被保留，而不相关和冗余的值被删除。然后，k 均值无监督聚类算法将每个热像图的特征向量减少到 300 个元素，以实现最佳内存使用。
– 浅层分类器，例如支持向量机 (SVM)，在特征向量上训练模型。5 重交叉验证方法可确保正确的模型训练，”Ahmed 说。– 利用来自看不见的热成像仪的测试向量来测试模型将光伏电池板分为三个基于健康状况的类别的准确性：健康、热点和故障。 –
该新颖方法在巴基斯坦拉合尔的 44.24 kW 晶体硅 (c-Si) 屋顶光伏系统上进行了测试，该系统由八个组串组成，每个组串有 22 个串联的光伏组件，总功率为 5.28 kW。该系统安装了 376 个光伏组件，每个组件的额定功率为 240 W。红外热像仪是在环境温度为 32°C 至 40°C、风速为 6.9 m/s、辐照度为 700 W/m² 的情况下捕获的。热成像仪被随机分配，80% 用于训练，20% 用于验证。
“这项研究的结果特别引人注目，该方法通过 5 倍交叉验证实现了 98% 的训练准确率和 96.8% 的测试准确率，”Ahmed 说道。– 此外，模型的精度值为 92%、100% 和 100%；召回率分别为 100%、100% 和 90%；故障类、健康类和热点类的 F1 分数分别为 0.958、1.0 和 0.947，表明这些指标的性能水平较高。
与文献中的其他人工智能（AI）方法相比，只有RB尺度不变特征变换优于所提出的方法，得分为98.66%。最强SURF得分97.6%，深层神经特征（预训练网络）和浅层分类器得分97%，RGB、LBP、平均HOG和纹理得分96.8%，孤立CNN得分96%，纹理、HOG和PCA得分94.1%。
艾哈迈德 (Ahmed) 在 中展示了结果利用混合局部特征和红外热成像技术提高太阳能光伏发电的可靠性，— 最近发表于能源报告。
该内容受版权保护，不得重复使用。如果您想与我们合作并希望重复使用我们的一些内容，请联系：editors@pv-magazine.com。热门内容
Popular content
关于《科学家开发机器学习方法来识别有缺陷的太阳能电池板》的评论
暂无评论