[發(fā)明專(zhuān)利]基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110687502.6
• 申請(qǐng)日: 2021-06-21
• 公開(kāi)（公告）號(hào): CN113496210A
• 公開(kāi)（公告）日: 2021-10-12
• 發(fā)明（設(shè)計(jì)）人: 金海燕;陳丹娜;肖照林;常婉倫
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安理工大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專(zhuān)利事務(wù)所 61214
• 代理人: 劉娜

1.基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，其特征在于，具體按照以下步驟實(shí)施：

步驟1、將多組光伏組串圖片作為樣本，訓(xùn)練基于注意力機(jī)制的CNN網(wǎng)絡(luò)跟蹤模型；

步驟2、獲得目標(biāo)視頻，將目標(biāo)視頻輸入到已經(jīng)訓(xùn)練好的基于注意力機(jī)制的CNN網(wǎng)絡(luò)跟蹤模型中獲取視頻幀序列，對(duì)視頻幀序列進(jìn)行特征提取，輸出視頻幀序列的組串特征圖和故障特征圖；

步驟3、結(jié)合注意力機(jī)制，對(duì)組串特征圖進(jìn)行特征加強(qiáng)，去除噪聲干擾，對(duì)于故障特征圖進(jìn)行增強(qiáng)融合，去噪后的組串特征圖輸入GNet網(wǎng)絡(luò)，得到熱力圖；

步驟4、將去噪后的組串特征圖和增強(qiáng)融合后的故障特征圖輸入交叉特征增強(qiáng)模塊CFA，進(jìn)行基于注意力的交叉融合，輸出融合后的特征圖；

步驟5、將融合后的特征圖輸入預(yù)測(cè)頭，通過(guò)預(yù)測(cè)頭進(jìn)行分類(lèi)和回歸，得到故障前景/背景分類(lèi)結(jié)果；

步驟6、根據(jù)熱力圖和分類(lèi)結(jié)果輸出光伏組串的故障類(lèi)型與位置。

2.根據(jù)權(quán)利要求1所述基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，其特征在于，步驟2具體過(guò)程為：

通過(guò)無(wú)人機(jī)采集光伏組串的視頻作為目標(biāo)視頻，將目標(biāo)視頻輸入訓(xùn)練好的基于注意力機(jī)制的CNN網(wǎng)絡(luò)跟蹤模型中，通過(guò)基于注意力機(jī)制的CNN網(wǎng)絡(luò)中的高維特征提取通道con-5提取組串特征，得到組串特征圖，通過(guò)低維通道con-4進(jìn)行目標(biāo)圖像特征選擇提取組串內(nèi)部故障細(xì)節(jié)信息，得到故障特征圖。

3.根據(jù)權(quán)利要求1所述基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，其特征在于，步驟3對(duì)組串特征圖進(jìn)行特征加強(qiáng)、對(duì)于故障特征圖進(jìn)行增強(qiáng)融合具體過(guò)程為：結(jié)合注意力機(jī)制，利用兩個(gè)上下文增強(qiáng)模塊ECA對(duì)組串特征圖或故障特征圖進(jìn)行特征增強(qiáng)，其中ECA是利用殘差形式的多頭自注意，自適應(yīng)整合組串特征圖或故障特征圖中不同位置的信息，將組串特征圖或故障特征圖作為ECA機(jī)制的輸入，得到去噪后的組串特征圖或增強(qiáng)融合后的故障特征圖，其中ECA的作用機(jī)制表達(dá)：

X_EC＝X+MultiHead(X+P_x,X+P_x,X) (1)

其中X代表ECA的輸入，p_x為空間位置編碼，X_EC為ECA的輸出。

4.根據(jù)權(quán)利要求1所述基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，其特征在于，步驟4中所述交叉特征增強(qiáng)模塊CFA內(nèi)采用空間位置編碼，且在交叉特征增強(qiáng)模塊CFA中引用FFN模塊，其中FFN模塊是由兩個(gè)線性變換組成的全連通前饋網(wǎng)絡(luò)，兩個(gè)線性變換中間有一個(gè)ReLU，即

FFN(x)＝max(0,xW₁+b₁)W₂+b₂ (2)

其中符號(hào)w表示權(quán)重矩陣，b表示基向量，下標(biāo)表示融合的不同層。

5.根據(jù)權(quán)利要求1所述基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，其特征在于，步驟4具體過(guò)程為：將去噪后的組串特征圖和增強(qiáng)融合后的故障特征圖輸入交叉特征增強(qiáng)模塊CFA，在CFA作用機(jī)制下，融合部分重復(fù)N次，輸出融合后的特征圖；

其中，CFA作用機(jī)制概括為：

其中，X_q是增強(qiáng)融合后的故障特征圖向量表示形式，P_q是對(duì)應(yīng)于X_q的空間位置編碼，X_kv是去噪后的組串特征圖向量表示形式，p_kv是X_kv坐標(biāo)的空間編碼，是經(jīng)過(guò)多頭交叉特征的融合輸出，X_CF是CFA的輸出結(jié)果。

6.根據(jù)權(quán)利要求1所述基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，其特征在于，步驟5中所述預(yù)測(cè)頭包括分類(lèi)分支和回歸分支，所述分類(lèi)分支和回歸分支構(gòu)成均包括具有隱藏維數(shù)d和ReLU激活函數(shù)的三層感知器。