Die Genauigkeitsrate Beträgt 91,74%! Die Southeast University Schlägt Ein Modell Zur Erkennung Von Defekten in Photovoltaikzellen Vor Und Führt Erstmals Die Suche Nach Neuronalen Strukturen Ein

Aufgrund des weltweiten Trends zur „grünen Entwicklung und Umstellung auf eine CO2-arme Wirtschaft“ hat sich die Photovoltaikbranche (PV) seit Beginn des 21. Jahrhunderts mit erstaunlicher Geschwindigkeit entwickelt. In unserem Land erfreut sich die Stromerzeugung durch Photovoltaik einer beispiellosen Dynamik. Laut der im April 2023 von der Nationalen Energiebehörde veröffentlichten nationalen Energiewirtschaftsstatistik für Januar bis März 2023 hatte die kumulierte installierte Photovoltaikkapazität meines Landes Ende März desselben Jahres die Wasserkraft übertroffen und war damit zur zweitgrößten Energiequelle des Landes geworden.

Mit der großflächigen Anwendung der Photovoltaik-Stromerzeugung ist auch die Frage, wie die Stabilität und nachhaltige Entwicklung der Photovoltaik-Stromversorgung sichergestellt werden kann, zu einem wichtigen Forschungsthema in der Branche geworden. Photovoltaikmodule sind die Grundeinheiten der Photovoltaik. Aufgrund verschiedener externer Faktoren wie langer Produktionsketten und komplexer Anwendungsszenarien besteht bei Modulen eine hohe Wahrscheinlichkeit, dass sie während der Herstellung, des Transports und der Installation beschädigt werden. Werden diese defekten Komponenten tatsächlich in Betrieb genommen, kann dies mit hoher Wahrscheinlichkeit zu einer Leistungsreduzierung des gesamten Stromversorgungssystems oder sogar zu Sicherheitsproblemen führen. Daher steigen die Anforderungen an die Wartung und Fehlerdiagnose von Photovoltaikanlagen vor Ort immer weiter an.

Zu den derzeit traditionelleren Methoden zur Erkennung von PV-Defekten zählen die Strom-Spannungs-Kurve (IV) und die Infrarot-Wärmebildgebung (IRT). Aufgrund der begrenzten Erkennungsgenauigkeit sind diese Methoden jedoch nicht in der Lage, potenzielle Risikofaktoren wie Mikrorisse wirksam zu identifizieren. Faltungsneuronale Netzwerke (CNNs) entwickeln sich aufgrund ihrer leistungsstarken Funktionen zur Merkmalserfassung in Kombination mit hochauflösender Elektrolumineszenz-Bildgebung (EL) zur gängigen Methode für die PV-Defekterkennung.Allerdings sind die Parameter CNN-basierter Modelle in der Regel groß und stellen hohe Anforderungen an die Hardwareressourcen, sodass ein groß angelegter Einsatz in tatsächlichen Industrieprojekten schwierig ist.

Um die Anforderungen an Genauigkeit und Geschwindigkeit bei der Fehlererkennung im industriellen Bereich zu erfüllen, hat das Team von Professor Zhang Jinxia von der School of Automation der Southeast UniversityEs wird ein neues leichtes und leistungsstarkes Modell zur automatischen Erkennung von Bildfehlern durch Elektrolumineszenz (EL) bei Photovoltaikzellen vorgeschlagen, das auf der Suche nach neuronaler Architektur (NAS) und der Wissensdestillation basiert.

Die Forschungsergebnisse wurden kürzlich auf arXiv unter dem Titel „Ein leichtes Netzwerk zur Erkennung von Defekten an Photovoltaikzellen in Elektrolumineszenzbildern basierend auf der Suche nach neuronaler Architektur und Wissensdestillation“ veröffentlicht.

Forschungshighlights:

* Vorschlag eines Leichtgewichtmodells zur Defekterkennung bei Photovoltaikzellen mit einer Genauigkeit von bis zu 91,74%;
* Zum ersten Mal wurde NAS im Bereich der Defekterkennung bei Photovoltaikzellen für die automatisierte Entwicklung leichter Netzwerke eingeführt, wodurch der Arbeitsaufwand bei der manuellen Entwicklung reduziert wurde.
* Durch die Einführung der Wissensdestillation wird das vorhandene Wissen umfassend genutzt. Experimente haben die Wirksamkeit dieses Konzepts bei der Verbesserung der Fähigkeit zur Identifizierung defekter Photovoltaikzellen bewiesen.

Link zum Artikel:
https://arxiv.org/abs/2302.07455
Folgen Sie dem offiziellen Konto und antworten Sie mit „Photovoltaikzellen“, um das Dokument herunterzuladen

Datensätze und Datenerweiterung

Der Datensatz für diese Studie ist ein öffentlicher Datensatz zu Photovoltaikzellen, der 2.624 EL-Bilder von Photovoltaikzellen mit einer Auflösung von 300 x 300 Pixeln enthält, darunter sowohl einkristalline als auch multikristalline Typen.Das Forschungsteam verwendete 0,5 als Schwellenwert und unterteilte die Proben in funktionsfähige Proben und defekte Proben. Sie wählten zufällig 75%-Bilder oder 1.970 Bilder als Trainingssatz und die restlichen 654 Bilder als Testsatz aus. Der Trainingssatz wird weiter in einen Suchtrainingssatz und einen Suchtestsatz unterteilt. Die Größe aller Bilder wurde auf 150 x 150 Pixel geändert.

Bei der Datenerweiterung geht es darum, mehr Darstellungen aus den Originaldaten zu erhalten und gleichzeitig die Datenmenge leicht zu erhöhen. Dadurch wird die Qualität der Originaldaten verbessert und das Modell kann reduziert werden.Überanpassungund die Robustheit verbessern.Die Datenerweiterungsoperationen umfassen zufälliges horizontales Flip, zufälliges vertikales Flip, zufällige Rotation im Bereich von (-2°, 2°), zufällige Rotation im Bereich von {0°, 90°, 180°, 270°} und zufälligeAffine Transformation.

Das in dieser Studie vorgeschlagene Modell besteht aus gestapelten Normalzellen und Reduktionszellen. Die durch den Suchalgorithmus ermittelte interne Struktur ist in der folgenden Abbildung dargestellt:

Eine Methode zur Fehlererkennung basierend auf NAS und Wissensdestillation

Die leichtgewichtige Netzwerkdesignarchitektur ist in der folgenden Abbildung dargestellt. Die Forscher erhielten mithilfe des NAS-Algorithmus automatisch ein leichtgewichtiges Netzwerk im entworfenen Suchraum und nutzten das durch Wissensdestillation aus den vorhandenen, vorab trainierten Großmodellen gewonnene Vorwissen voll aus, um die Modellleistung zu verbessern.

Zunächst verwendete das Forschungsteam das auf kontinuierlichen Gradienten basierende NAS-Framework DARTS, um automatisch ein Modell zur Defekterkennung bei Photovoltaikzellen zu entwerfen. Basierend auf den schnellen Sucheigenschaften von DARTS berücksichtigten die Forscher außerdem die visuellen Multiskalenmerkmale von PV-Defekten und entwarfen einen geeigneten Suchraum, um die Merkmalserkennung unterschiedlicher Defektgrößen zu verbessern.

Der vom Leichtgewichtsnetzwerk verwendete Suchraum besteht hauptsächlich aus zwei gestapelten Einheitsstrukturen, nämlich 5 normalen Zellen und 4 Reduktionszellen.Die normale Zelle ist so eingestellt, dass die Eingabegröße beibehalten wird, und die Reduktionszelle ist so eingestellt, dass sie über die Downsampling-Funktion verfügt. Wie in der obigen Abbildung gezeigt, verschmilzt jede Einheit zwei Merkmale unterschiedlicher Maßstäbe aus den ersten beiden Einheiten, und die erste normale Zelle verwendet dasselbe Merkmal zweimal als Eingabe.

Die ersten drei Reduktionszellen führen ein Downsampling und eine Kanalerweiterung durch, und die Anzahl der Kanäle in der letzten Reduktionszelle bleibt unverändert. Das vorgeschlagene Leichtbaunetzwerk klassifiziert die Eingangs-Photovoltaikzellen als funktionsfähig oder defekt.

Zweitens,Die Wissensdestillation ist eine der effektivsten Methoden zur Modellkomprimierung. Es übernimmt das Lehrer-Schüler-Modell und kann Wissen vom Lehrermodell auf das Schülermodell übertragen.Netzwerkarchitekturen, die das Vorwissen in vortrainierten Modellen nicht nutzen können, können ihre Leistung verbessern, indem sie das Wissen des Lehrernetzwerks erlernen. Da das leichtgewichtige Netzwerk in diesem Experiment nur von Grund auf trainiert werden kann, kann durch Wissensdestillation das vorhandene Wissen besser für das Training genutzt werden.

Die Forscher übertrugen vier verschiedene Wissensvorsprünge – Aufmerksamkeitsinformationen, Merkmalsinformationen, Logit-Informationen und aufgabenorientierte Informationen –, um den Destillationseffekt bei der Aufgabe der Defekterkennung in Photovoltaikzellen zu verbessern.

Hervorragende Modellleistung

Das Forschungsteam verglich das vorgeschlagene leichtgewichtige Modell mit dem Lehrermodell und anderen Studien und testete es an privaten Datensätzen, um die Wirksamkeit der Netzwerkarchitektur weiter nachzuweisen.

Das Forschungsteam verglich das Modell mit 6 manuell entworfenen neuronalen Netzwerken und dem Teacher-Modell anhand eines öffentlichen Datensatzes für dieselben 200 Epochen. Die Ergebnisse sind in der folgenden Abbildung dargestellt:

Die Ergebnisse zeigen, dassDas in dieser Studie vorgeschlagene leichtgewichtige Modell erreichte im Testsatz eine Genauigkeit von 91,74% und übertraf damit sogar das Niveau des Lehrermodells von 1,22%.Gleichzeitig verfügt das vom Institut vorgeschlagene Modell über kleinere Parameter, verbraucht weniger Ressourcen als einige klassische große Modelle und lässt sich einfacher auf tatsächlichen Endgeräten bereitstellen.

Die obige Abbildung zeigt einen Vergleich der Genauigkeit des Modells bei der Identifizierung defekter und funktionsfähiger Photovoltaikzellen. Die Genauigkeit des von den Forschern vorgeschlagenen Modells zur Identifizierung defekter Photovoltaikzellen erreichte 86,28% und übertrifft damit andere Methoden bei weitem.

Man kommt zu dem Schluss, dassIm Vergleich zu anderen manuell entworfenen Modellen kann das vom Forschungsteam vorgeschlagene Modell nicht nur automatisch über den NAS-Algorithmus suchen und so den Arbeitsaufwand reduzieren, sondern auch eine höhere Leistung unter einer relativ leichten Architektur erzielen, was die Wirksamkeit der vorgeschlagenen Methode beweist.

Um die Leistung des vorgeschlagenen Modells weiter zu bewerten, hat das Forschungsteam auch einen Leistungsvergleich von monokristalliner und multikristalliner Photovoltaik durchgeführt, wie in Tabelle 4 dargestellt:

Bei monokristallinen PV-Zellen erreicht jeder Indikator des vorgeschlagenen Modells das höchste Niveau, und auch beim schwierigeren multikristallinen Modell übertrifft das Modell andere Modelle bei weitem.

Effizienz und Generalisierung

Die Bereitstellung auf Endgeräten erfordert eine umfassende Berücksichtigung der Modellgröße und des Rechenaufwands. Um die Effizienz zu testen, hat das Forschungsteam das Modell auf einer CPU-Plattform (Intel i9-10980XE 24,75 M Cache, 3 GHz) evaluiert.

Eine umfassende Evaluierung ergab, dass das Modell anderen kleinen Modellen und sogar großen klassischen Modellen weit überlegen ist.Dieses leichte Modell kann die Bereitstellungsanforderungen einiger gängiger eingebetteter Geräte mit geringem Stromverbrauch erfüllen.Wie Raspberry Pi-4B (4 GB, 15 W, 9–10 GFLOPS) und NVIDLA Jetson Nano (4 GB, 10 W, 7.368 GEFLOPS FP64).

Um die Generalisierungsleistung des Modells anhand verschiedener Datenquellen zu überprüfen, trainierte das Forschungsteam das Modell anhand eines privaten Photovoltaikzellen-Datensatzes. Insgesamt wurden 8.580 Bilder mit einer Pixelauflösung von 256 x 256 aus Photovoltaikzellen mit drei Spezifikationen extrahiert: 6 x 10, 6 x 12 und 6 x 24, darunter 482 defekte Proben und 8.089 funktionsfähige Proben.

Die Ergebnisse zeigen, dassDas Modell ist hinsichtlich der ausgeglichenen Genauigkeit und der Genauigkeit fehlerhafter Stichproben um etwa 2,31 TP3T höher als das Teacher-Modell und um 5,71 TP3T höher als das Teacher-Modell.Im Vergleich zu anderen Methoden besteht eine große Lücke. Das Modell weist für fehlerhafte Proben eine Genauigkeitsrate von 94,26% auf und zeigt insbesondere in realen Szenarien bessere Fähigkeiten zur Fehlererkennung. Wie in der folgenden Abbildung dargestellt:

Die Photovoltaik-Stromerzeugung begann vor hundert Jahren und ist immer noch der „Liebling“ der grünen Energie

Als Vertreterin neuer Energien wird die Photovoltaik-Technologie zur Stromerzeugung bereits seit über hundert Jahren erforscht. Im Jahr 1839 entdeckte der französische Physiker Becquerel erstmalsPhotovoltaikeffektDanach wurde durch kontinuierliche Forschung und Bemühungen von Wissenschaftlern aus verschiedenen Ländern im Jahr 1954 schließlich die erste praxistaugliche Photovoltaikzelle auf den Markt gebracht. Heute profitiert die Photovoltaikindustrie erneut von der globalen grünen Entwicklung. Insbesondere nachdem das Land die „dualen Kohlenstoffziele“ klar formuliert hat, stehen der Entwicklung der Photovoltaikindustrie glänzende Zukunftsaussichten bevor.

Dies geht aus den vor kurzem von der Nationalen Energiebehörde veröffentlichten statistischen Daten zur nationalen Energiewirtschaft für das Jahr 2023 hervor. Den Daten zufolge betrug die kumulierte installierte Stromerzeugungskapazität des Landes Ende Dezember etwa 2,92 Milliarden Kilowatt, was einem Anstieg von 13,91 TP3T gegenüber dem Vorjahr entspricht. Darunter betrug die installierte Kapazität zur Stromerzeugung durch Solarenergie etwa 610 Millionen Kilowatt, was einer Steigerung von 55,21 TP3T gegenüber dem Vorjahr entspricht.

Aus politischer Sicht30. Mai 2019Die Nationale Energiebehörde hat die „Mitteilung zum Bau von Windkraft- und Photovoltaik-Stromerzeugungsprojekten im Jahr 2019“ herausgegeben.Darin wird eindeutig festgelegt, dass dem Bau nicht subventionierter, kostengünstiger und an das Stromnetz angeschlossener Projekte Vorrang eingeräumt werden soll und dass erst danach die wettbewerbliche Vergabe der Projekte erfolgen soll, die staatliche Subventionen benötigen. Dies zeigt, dass die Photovoltaikindustrie meines Landes zwar ein reifes Stadium stabiler Entwicklung erreicht hat, die Förderung der Entwicklung der Photovoltaikindustrie jedoch auch in Zukunft eine Schlüsselaufgabe für die Transformation der heimischen Energiestruktur sein wird.

Im Jahr 2023 veröffentlichten die Nationale Energieverwaltung, die Nationale Entwicklungs- und Reformkommission und andere Abteilungen nacheinander eine Reihe von Dokumenten zur Energiearbeit.Es wird klar gesagt, dass die Photovoltaik die Schlüsselrichtung der Energiebranche im Jahr 2023 ist.

Diese Studie brachte gute Nachrichten für die Entwicklung der Photovoltaikindustrie auf industrieller Ebene. Die Forschungsergebnisse des Teams von Professor Zhang Jinxia bieten wirksame Werkzeuge für die Erkennung von Defekten an Photovoltaikzellen aus praktischer Anwendungssicht. Insbesondere die Einführung von NAS und Wissensdestillation bietet neue Ideen für die Gestaltung von Anwendungsszenariomodellen. Dies könnte der Branche neue Impulse für die Anwendung von Deep Learning im Photovoltaikbereich geben und so Technologie und Industrie besser miteinander verbinden.