[發(fā)明專利]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?zhí)枺?/td>: 202110687502.6
• 申請日: 2021-06-21
• 公開（公告）號(hào): CN113496210A
• 公開（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（專利權(quán)）人: 西安理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 劉娜

本發(fā)明公開了基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，通過將目標(biāo)幀輸入至預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)跟蹤模型中，輸出光伏組串的目標(biāo)跟蹤信息并對其進(jìn)行編號(hào)處理，以及輸出組串內(nèi)部故障跟蹤信息，CNN網(wǎng)絡(luò)跟蹤模型中包含特征提取、特征融合、預(yù)測三個(gè)模塊，特征提取部分利用了CNN高維和低維信息輔助特征提取；特征融合部分增加注意力通道和廣義通用GNet通道。由于特征提取通道加入高維和低維特征，提高了運(yùn)動(dòng)過程中的魯棒性；同時(shí)由于在特征融合部分引入GNet通道以及上下文增強(qiáng)模塊和交叉特征增強(qiáng)模塊，在追蹤過程中充分考慮語義特征，改善追蹤過程中運(yùn)動(dòng)變化等屬性的魯棒性，進(jìn)行光伏組串跟蹤和故障檢測跟蹤時(shí)獲得比較準(zhǔn)確的結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法。

背景技術(shù)

目前，光伏發(fā)電是新能源領(lǐng)域的代表性技術(shù)，在國內(nèi)外都得到了廣泛的應(yīng)用。考慮到我國光伏裝機(jī)分布的環(huán)境差異，光伏發(fā)電板常常會(huì)由于一些外部的天氣、環(huán)境等外在因素引起熱斑問題，這會(huì)導(dǎo)致局部輸電故障，影響輸電效率，甚至燒毀太陽能組件。

隨著圖像處理技術(shù)的發(fā)展，基于深度學(xué)習(xí)的追蹤和檢測技術(shù)也得到了越來越好的表現(xiàn)?；谏疃葘W(xué)習(xí)的光伏組串跟蹤及故障跟蹤方法相比傳統(tǒng)的方法而言，將目標(biāo)跟蹤應(yīng)用到光伏領(lǐng)域，提高光伏管理和故障檢測效率，方便人員維護(hù)。

對于已有的故障檢測以及光伏管理工作，大都采取紅外圖像故障檢測或者傳統(tǒng)人工巡檢方法，對于大規(guī)模的面板管理和故障排查工作無法同時(shí)滿足高效率和高準(zhǔn)確率，所以無法及時(shí)對光伏設(shè)備進(jìn)行管理，從而造成嚴(yán)重的能源浪費(fèi)和安全隱患。

發(fā)明內(nèi)容

本發(fā)明的目的是提供基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，能夠準(zhǔn)確描述組串及其內(nèi)部的故障信息，提高檢測的準(zhǔn)確率。

本發(fā)明所采用的技術(shù)方案是，基于注意力機(jī)制的光伏組串跟蹤及故障跟蹤方法，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，對組串特征圖進(jìn)行特征加強(qiáng)，去除噪聲干擾，對于故障特征圖進(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)測頭，通過預(yù)測頭進(jìn)行分類和回歸，得到故障前景/背景分類結(jié)果；

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

本發(fā)明的特點(diǎn)還在于：

步驟2具體過程為：

通過無人機(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。

步驟3對組串特征圖進(jìn)行特征加強(qiáng)、對于故障特征圖進(jìn)行增強(qiáng)融合具體過程為：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)：