对抗型半监督光伏面板故障检测
目的 传统的光伏面板故障检测主要依靠人工巡检,效率低下且误检率很高,而流行的基于机器视觉的智能检测方法又面临缺少大量负样例造成故障检测模型准确性偏低的问题.针对上述问题,本文提出一种基于对抗训练的半监督异常检测模型,通过应用梯度中心化(gradient centralization,GC)和Smooth L1损失函数,使模型具有更好的准确性和鲁棒性.方法 通过构建半监督异常检测模型并定义目标函数,将正常的光伏面板图像作为正样例原图输入半监督异常检测模型进行模型训练.然后将待测光伏面板图像输入到训练好的半监督异常检测模型,生成该待测图像对应的重建图像.最后通过计算待测原图像与其重建图像隐空间向量之间的误差来判断该待测光伏面板是否存在异常.结果 本文以浙江某光伏电站采集的光伏面板为实验对象,将本文方法与Pre-trained VGG16(Visual Geometry Group 16-layer network)、AnoGAN(anomaly generative adversarial network)、GANomaly等方法进行比较,AUC(area under curve)分别提高了0.12、0.052和0.033.结论 实验结果证明,本文提出的基于生成对抗网络的半监督异常检测模型大幅提高了光伏面板故障检测的准确率.
异常检测、生成对抗网络(GAN)、光伏发电、深度卷积、梯度中心化(GC)
27
TP301.6(计算技术、计算机技术)
浙江省教育厅一般科研项目Y202147553
2022-10-27(万方平台首次上网日期,不代表论文的发表时间)
共12页
3031-3042