Le Taux De Précision Est De 91,74% ! L'Université Du Sud-Est Propose Un Modèle De Détection Des Défauts Des Cellules Photovoltaïques, Introduisant Pour La Première Fois La Recherche De Structures Neuronales

Portée par la tendance mondiale du « développement vert et de la transformation à faible émission de carbone », l’industrie photovoltaïque (PV) se développe rapidement à une vitesse étonnante depuis le début du 21e siècle. Dans notre pays, la production d’énergie photovoltaïque connaît une vitalité sans précédent. Selon les statistiques nationales du secteur de l'énergie pour la période janvier-mars 2023 publiées par l'Administration nationale de l'énergie en avril 2023, à la fin du mois de mars de cette année-là, la capacité photovoltaïque installée cumulée de mon pays avait dépassé l'hydroélectricité, devenant ainsi la deuxième plus grande source d'énergie du pays.

Avec l'application à grande échelle de la production d'énergie photovoltaïque, la manière d'assurer la stabilité et le développement durable de l'alimentation en énergie photovoltaïque est également devenue un sujet de recherche important dans l'industrie. Les modules photovoltaïques sont les unités de base du photovoltaïque. Affectés par divers facteurs externes tels que de longues chaînes de production et des scénarios d'application complexes, les modules sont très susceptibles d'être endommagés au cours de leurs processus de fabrication, de transport et d'installation. Si ces composants défectueux sont mis en service, il est très probable que la puissance de l'ensemble du système d'alimentation électrique soit réduite, voire que des problèmes de sécurité surviennent. Par conséquent, les exigences en matière de maintenance sur site et de diagnostic des pannes des installations photovoltaïques deviennent de plus en plus élevées.

Actuellement, les méthodes de détection de défauts PV plus traditionnelles incluent la courbe courant-tension (IV) et l'imagerie thermique infrarouge (IRT), mais en raison de la limitation de la précision de reconnaissance, les méthodes ci-dessus ne sont pas en mesure d'identifier efficacement les facteurs de risque potentiels tels que les microfissures. Les réseaux neuronaux convolutifs (CNN) deviennent la méthode dominante pour la détection des défauts PV en raison de leurs puissantes capacités de capture de caractéristiques combinées à une imagerie par électroluminescence (EL) haute résolution.Cependant, les paramètres des modèles basés sur CNN sont généralement volumineux et ont des exigences strictes en matière de ressources matérielles. Il est donc difficile de les déployer à grande échelle dans des projets industriels réels.

Afin de répondre aux exigences du secteur industriel en matière de précision et de rapidité de détection des défauts, l'équipe du professeur Zhang Jinxia de l'École d'automatisation de l'Université du Sud-Est,Un nouveau modèle de détection automatique des défauts d'image d'électroluminescence (EL) des cellules photovoltaïques, léger et performant, basé sur la recherche d'architecture neuronale (NAS) et la distillation des connaissances est proposé.

Actuellement, les résultats de la recherche ont été publiés sur arXiv, intitulés « Un réseau léger pour la détection des défauts des cellules photovoltaïques dans les images d'électroluminescence basé sur la recherche d'architecture neuronale et la distillation des connaissances ».

Points saillants de la recherche :

* Proposition d'un modèle léger pour la détection des défauts des cellules photovoltaïques avec une précision allant jusqu'à 91,74% ;
* Pour la première fois, le NAS a été introduit dans le domaine de la détection des défauts des cellules photovoltaïques pour la conception automatisée de réseaux légers, réduisant ainsi la charge de travail de la conception manuelle ;
* L’introduction de la distillation des connaissances exploite pleinement diverses connaissances antérieures, et des expériences ont prouvé l’efficacité de cette conception pour améliorer la capacité à identifier les cellules photovoltaïques défectueuses.

Lien vers l'article :
https://arxiv.org/abs/2302.07455
Suivez le compte officiel et répondez « cellules photovoltaïques » pour télécharger le document

Ensembles de données et augmentation des données

L'ensemble de données de cette étude est un ensemble de données de cellules photovoltaïques publiques, qui contient 2 624 images EL de cellules photovoltaïques avec une résolution de 300 x 300 pixels, comprenant des types monocristallins et multicristallins.L’équipe de recherche a utilisé 0,5 comme seuil et a divisé les échantillons en échantillons fonctionnels et échantillons défectueux. Ils ont sélectionné au hasard 751 images TP3T, soit 1 970 images, comme ensemble d’entraînement, et les 654 images restantes comme ensemble de test. L'ensemble d'entraînement est en outre divisé en un ensemble d'entraînement de recherche et un ensemble de test de recherche. Toutes les images ont été redimensionnées à 150 x 150 pixels.

L'augmentation des données consiste à obtenir davantage de représentations à partir des données d'origine tout en augmentant légèrement les données, améliorant ainsi la qualité des données d'origine et aidant le modèle à réduireSurapprentissage, et améliorer la robustesse.Les opérations d'augmentation des données incluent le retournement horizontal aléatoire, le retournement vertical aléatoire, la rotation aléatoire dans la plage de (-2°, 2°), la rotation aléatoire dans la plage de {0°, 90°, 180°, 270°} et la rotation aléatoireTransformation affine.

Le modèle proposé dans cette étude est composé de cellules normales et de cellules de réduction empilées. La structure interne obtenue par l'algorithme de recherche est illustrée dans la figure ci-dessous :

Une méthode de détection de défauts basée sur le NAS et la distillation des connaissances

L'architecture de conception de réseau léger est illustrée dans la figure ci-dessous. Les chercheurs ont obtenu automatiquement un réseau léger dans l'espace de recherche conçu grâce à l'algorithme NAS et ont pleinement utilisé les connaissances préalables obtenues à partir des modèles à grande échelle pré-entraînés existants grâce à la distillation des connaissances pour améliorer les performances du modèle.

Dans un premier temps, l’équipe de recherche a utilisé le cadre NAS basé sur un gradient continu DARTS pour concevoir automatiquement un modèle de détection des défauts des cellules photovoltaïques. Sur la base des caractéristiques de recherche rapide de DARTS, les chercheurs ont également pris en compte les caractéristiques visuelles multi-échelles des défauts PV et ont conçu un espace de recherche approprié pour améliorer la reconnaissance des caractéristiques de différentes tailles de défauts.

L'espace de recherche utilisé par le réseau léger est principalement composé de deux structures unitaires empilées, à savoir 5 cellules normales et 4 cellules de réduction.La cellule normale est définie pour maintenir la taille d'entrée et la cellule de réduction est définie pour avoir la fonction de sous-échantillonnage. Comme le montre la figure ci-dessus, chaque unité fusionne deux caractéristiques d’échelles différentes des deux premières unités, et la première cellule normale prend la même caractéristique comme entrée deux fois.

Les trois premières cellules de réduction effectuent le sous-échantillonnage et l'expansion des canaux, et le nombre de canaux dans la dernière cellule de réduction reste inchangé. Le réseau léger proposé classe les cellules photovoltaïques d’entrée comme fonctionnelles ou défectueuses.

Deuxièmement,La distillation des connaissances est l’une des méthodes de compression de modèles les plus efficaces. Il adopte le modèle enseignant-étudiant et peut transférer les connaissances du modèle enseignant au modèle étudiant.Les architectures de réseau qui ne peuvent pas utiliser les connaissances préalables dans les modèles pré-entraînés peuvent améliorer leurs performances en apprenant les connaissances du réseau enseignant. Dans cette expérience, étant donné que le réseau léger ne peut être formé qu'à partir de zéro, en utilisant la distillation des connaissances, les connaissances antérieures peuvent être mieux utilisées pour la formation.

Les chercheurs ont transféré quatre connaissances préalables différentes : les informations d'attention, les informations de caractéristiques, les informations logit et les informations orientées vers la tâche pour améliorer l'effet de distillation sur la tâche de détection des défauts des cellules photovoltaïques.

Des performances de modèle exceptionnelles

L’équipe de recherche a comparé le modèle léger proposé avec le modèle Teacher et d’autres études, et l’a testé sur des ensembles de données privés pour démontrer davantage l’efficacité de l’architecture du réseau.

L'équipe de recherche a comparé le modèle avec 6 réseaux neuronaux conçus manuellement et le modèle Teacher sur un ensemble de données publiques sous les mêmes 200 époques. Les résultats sont présentés dans la figure ci-dessous :

Les résultats montrent queLe modèle léger proposé dans cette étude a atteint une précision de 91,74% sur l'ensemble de test, dépassant même le niveau du modèle Teacher de 1,22%.Dans le même temps, le modèle proposé par l’institut a des paramètres plus petits, utilise moins de ressources que certains grands modèles classiques et est plus facile à déployer sur des terminaux réels.

La figure ci-dessus est une comparaison de la précision du modèle dans l’identification des cellules photovoltaïques défectueuses et des cellules photovoltaïques fonctionnelles. La précision du modèle proposé par les chercheurs pour identifier les cellules photovoltaïques défectueuses a atteint 86,28%, dépassant de loin les autres méthodes.

Il est conclu queComparé à d'autres modèles conçus manuellement, le modèle proposé par l'équipe de recherche peut non seulement rechercher automatiquement dans l'algorithme NAS, réduisant ainsi la charge de travail, mais également atteindre des performances supérieures sous une architecture relativement légère, prouvant l'efficacité de la méthode proposée.

Pour évaluer davantage les performances du modèle proposé, l'équipe de recherche a également fourni une comparaison des performances du PV monocristallin ou multicristallin, comme indiqué dans le tableau 4 :

Sur les cellules PV monocristallines, chaque indicateur du modèle proposé atteint le niveau le plus élevé, et quant au modèle multicristallin plus difficile, le modèle dépasse également de loin les autres modèles.

Efficacité et généralisation

Le déploiement sur des terminaux nécessite une prise en compte complète de la taille du modèle et de l'effort de calcul. Pour tester l’efficacité, l’équipe de recherche a évalué le modèle sur une plate-forme CPU (Intel i9-10980XE 24,75 Mo Cache, 3 GHz).

Une évaluation complète a révélé que le modèle est de loin supérieur aux autres petits modèles et même aux grands modèles classiques.Ce modèle léger peut répondre aux exigences de déploiement de certains appareils embarqués basse consommation courants.Tels que Raspberry Pi-4B (4 Go, 15 W, 9 à 10 GFLOPS) et NVIDLA Jetson Nano (4 Go, 10 W, 7 368 GEFLOPS FP64).

Pour vérifier les performances de généralisation du modèle sur différentes sources de données, l’équipe de recherche a formé le modèle sur un ensemble de données de cellules photovoltaïques privées. Au total, 8 580 images avec une résolution de pixels de 256 x 256 ont été extraites de cellules photovoltaïques de trois spécifications : 6 x 10, 6 x 12 et 6 x 24, comprenant 482 échantillons défectueux et 8 089 échantillons fonctionnels.

Les résultats montrent queLe modèle est environ 2,3% supérieur au modèle Teacher en termes de précision équilibrée et de précision des échantillons défectueux, et 5,7% supérieur au modèle Teacher.Il y a un grand écart par rapport aux autres méthodes. Le modèle a un taux de précision de 94,26% pour les échantillons défectueux, montrant notamment de meilleures capacités de reconnaissance des défauts dans des scénarios réels. Comme le montre la figure suivante :

La production d'énergie photovoltaïque a commencé il y a cent ans et elle reste toujours la « chouchoute » de l'énergie verte

En tant que représentant des nouvelles énergies, la recherche sur la technologie de production d’énergie photovoltaïque se poursuit en réalité depuis plus de cent ans. En 1839, le physicien français Becquerel a découvert pour la première foisEffet photovoltaïqueAprès cela, grâce aux recherches et aux efforts continus des scientifiques de divers pays, la première cellule photovoltaïque pratique a finalement été lancée en 1954. Aujourd'hui, l'industrie photovoltaïque a une fois de plus profité du vent arrière du développement vert mondial. Surtout après que le pays a clairement mis en avant les objectifs de « double carbone », le développement de l'industrie photovoltaïque a un brillant avenir.

C'est ce qui ressort des données statistiques nationales sur le secteur de l'énergie pour 2023, publiées récemment par l'Administration nationale de l'énergie. Les données montrent qu'à la fin du mois de décembre, la capacité de production d'électricité installée cumulée du pays était d'environ 2,92 milliards de kilowatts, soit une augmentation de 13,91 TP3T en glissement annuel. Parmi eux, la capacité installée de production d'énergie solaire était d'environ 610 millions de kilowatts, soit une augmentation de 55,21 TP3T par rapport à l'année précédente.

D'un point de vue politique,30 mai 2019L'Administration nationale de l'énergie a publié l'« Avis sur les questions relatives à la construction de projets de production d'énergie éolienne et photovoltaïque en 2019 ».Il stipule clairement que la priorité doit être donnée à la construction de projets abordables et non subventionnés, connectés au réseau, puis que l'attribution compétitive des projets nécessitant des subventions nationales doit être effectuée. Cela montre que même si l'industrie photovoltaïque de mon pays est entrée dans une phase de maturité et de développement stable, la promotion du développement de l'industrie photovoltaïque restera une tâche essentielle pour parvenir à la transformation de la structure énergétique nationale à l'avenir.

En 2023, l’Administration nationale de l’énergie, la Commission nationale du développement et de la réforme et d’autres départements ont successivement publié un certain nombre de documents sur les travaux énergétiques.Il est clairement indiqué que le photovoltaïque est l’orientation clé de l’industrie énergétique en 2023.

Cette étude a apporté de bonnes nouvelles au développement de l’industrie photovoltaïque au niveau industriel. Les résultats de recherche de l'équipe du professeur Zhang Jinxia fournissent des outils efficaces pour la détection des défauts des cellules photovoltaïques du côté des applications pratiques. En particulier, l’introduction du NAS et de la distillation des connaissances fournit une nouvelle idée pour la conception de modèles de scénarios d’application. Cela pourrait apporter une nouvelle inspiration à l’industrie sur l’application de l’apprentissage profond dans le domaine photovoltaïque, combinant ainsi mieux la technologie et l’industrie.