一种基于深度学习的光伏生产异常数据检测算法
随着绿色能源的发展,太阳能的应用越来越广泛.因为太阳能本身的特点,储量大且清洁,其潜力巨大.光伏项目目前依然是应用太阳能最主要的一种方式,环境因素是影响光伏发电效率的主要因素之一.各种遮挡物,如树叶、鸟粪、阴影等,都会对太阳能电池产生不同程度的影响.这些遮挡的部分会直接影响太阳能电池的发电效率,还有可能造成个别电池的损坏,这些损坏的电池会成为负载大量发热,对光伏电池的光电转换效率以及安全性都造成了很大的影响.随着机器学习的发展,出现了很多深度学习框架,为了提高光伏电池的安全性以及经济效益,一些专家将目标检测算法应用到了遮挡检测的相关领域上并且取得了不错的效果.Feng等人提出了AFNet算法,通过增强边界损失获取更显著的目标整体特征图,得到了更精确的边界检测效果.He等人提出了一种新的卷积神经网络模型,该模型可以通过学习人脸图像固定的特征从而提高人脸识别的准确率,具有明显的效果.Cai等人介绍了一种新的级联设计程序,该检测器具有一系列复杂程度可量化的特征,能够使卷积神经网络与对象建议机制结合起来,这使得检测更为准确.
异常数据检测、数据检测算法、生产异常、深度学习
TP39;TN929.5;TP274
2023-02-15（万方平台首次上网日期，不代表论文的发表时间）
共4页
100-103
