基于深度學習的逆變器電路圖像數(shù)據(jù)智能識別方法

摘" 要： 進行逆變器電路圖像數(shù)據(jù)識別時，特征信息提取不充分使得無法準確捕捉到關(guān)鍵特征，導致識別精度下降。為此，提出一種基于深度學習的逆變器電路圖像數(shù)據(jù)智能識別方法。首先，利用逆變器數(shù)據(jù)采集系統(tǒng)，采集逆變器電路圖像數(shù)據(jù)。然后，將圖像數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中，通過卷積核提取數(shù)據(jù)的特征。最后，采用YOLO算法對其進行有效識別，基于CA模塊對特征信息進行關(guān)注，并利用Detect模塊輸出識別結(jié)果。Detect模塊主要包括置信度函數(shù)和模型的損失函數(shù)，將兩者結(jié)合，利用分類框和檢測框來實現(xiàn)對逆變器電路圖像的識別。實驗結(jié)果表明，所提方法的識別誤報率最高僅為6%，具有實用性。

關(guān)鍵詞： 深度學習； 逆變器電路； 圖像識別； 數(shù)據(jù)特征提取； 卷積神經(jīng)網(wǎng)絡(luò)； YOLO算法

中圖分類號： TN624?34； TH39" " " " " " " " " "文獻標識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2024）10?0139?04

Method of inverter circuit image data intelligent acquisition based on deep learning

Abstract： When recognizing inverter circuit image data， insufficient feature information extraction can make it difficult to accurately capture key features， resulting in a decrease in the recognition accuracy. On this basis， a method of inverter circuit image data intelligent recognition based on deep learning is proposed. The inverter data acquisition system is used to collect image data of the inverter circuit. The image data is input into a convolutional neural network model， and the features of the data are extracted by means of convolutional kernels. The YOLO （you only look once） algorithm is used for the effective recognition. The CA （coordinate attention） module is used to focus on feature information， and the Detect module is used to output recognition results. The Detect module mainly includes the confidence function and the loss function of the model. In combination of the two modules， the classification box and detection box are used to realize the recognition of the inverter circuit image. The experimental results show that the proposed method has a maximum recognition 1 alarm rate of only 6%， which is practical.

Keywords： deep learning; inverter circuit; image recognition; data feature extraction; convolutional neural networks; YOLO algorithm

0" 引" 言

作為光伏并網(wǎng)系統(tǒng)中的重要組成部分，逆變器[1?2]被廣泛應(yīng)用在電流補償、平臺供電、光伏新能源等領(lǐng)域。逆變器作為電力系統(tǒng)中的重要設(shè)備之一，其運行狀態(tài)會直接影響到電力供應(yīng)的穩(wěn)定性和可靠性。通過對逆變器電路圖像數(shù)據(jù)的分析和處理，可以深入了解逆變器電路的運行狀態(tài)和故障機理，為電力設(shè)備的維護和管理提供理論支持和實踐指導。

張浩等提出基于時域參數(shù)的樣本特征提取，結(jié)合模糊聚類的方法建立全體樣本特征的模糊相似矩陣，并采用競爭神經(jīng)網(wǎng)絡(luò)模型對逆變器進行識別[3]。但是該方法在建立全體樣本特征的模糊相似矩陣過程中，初始化誤差較大，導致識別精度較低。陸朱劍等提出了一種基于復合特征提取的狀態(tài)識別方法。以大功率逆變器輸出端的三相電流作為切入點，對其信號的時域和頻域特征進行提取，綜合兩者建立新的復合特征向量組，并運用自組織特征映射神經(jīng)網(wǎng)絡(luò)實現(xiàn)逆變器識別[4]。但是該方法在特征提取過程中，選擇的特征不足以完整地反映逆變器的關(guān)鍵狀態(tài)信息，導致提取的特征無法準確刻畫狀態(tài)信息的差異，從而影響識別的精度。蔣聞等基于時域參數(shù)的樣本特征提取，結(jié)合模糊聚類方法建立全體樣本特征的模糊相似矩陣，并采用競爭神經(jīng)網(wǎng)絡(luò)模型對濾波電容進行狀態(tài)分類[5]。但該方法無法判斷樣本之間的相似度，進而導致模糊相似矩陣的計算結(jié)果不準確。趙志軍通過電流控制模擬一個電阻器，并聯(lián)接在系統(tǒng)的公共耦合點，以此來校正多并聯(lián)逆變器系統(tǒng)的輸出阻抗，從而實現(xiàn)逆變器識別[6]。但是在多個并聯(lián)逆變器系統(tǒng)中，存在系統(tǒng)耦合效應(yīng)，這種耦合效應(yīng)可能導致逆變器識別的準確率降低。為此，本文提出一種基于深度學習的逆變器電路圖像數(shù)據(jù)智能識別方法。

1" 逆變器數(shù)據(jù)特征提取

1.1" 逆變器電路圖像采集

利用逆變器圖像采集模塊采集逆變器工作時的逆變器電路圖像數(shù)據(jù)。數(shù)據(jù)采集模塊主要由電流互感器、壓頻轉(zhuǎn)換器、采樣保持器三大部分組成，其結(jié)構(gòu)見圖1。

逆變器電路圖像采集的具體步驟如下。

1） 采樣保持器將電流互感器采集的逆變器電路數(shù)據(jù)傳輸?shù)綁侯l轉(zhuǎn)化器中，然后壓頻轉(zhuǎn)換器將電壓、電流信號轉(zhuǎn)換成對應(yīng)的數(shù)字信號。

2） 電流互感器采集的逆變器電壓呈漸變的階梯狀。為了保證采樣電路的穩(wěn)定性，以及數(shù)據(jù)采集時間較短，將基于脈寬調(diào)制原理的高?低電平持續(xù)時間作為采樣周期，此時逆變器的輸出頻率公式如下：

式中：[h]為逆變器的輸出頻率；[U0]為光伏并網(wǎng)電壓，單位為V；[R1]為采樣保持器的電阻，單位為Ω；[R2]為壓頻轉(zhuǎn)換器的電阻，單位為Ω。

3） 在一個完整的采樣周期中，流入到壓頻轉(zhuǎn)換器的電壓值是固定的，這說明在該周期中，逆變器的輸出頻率是持續(xù)的。該周期內(nèi)獲取的逆變器電壓公式如下：

式中：[U1]為采集的逆變器電壓，單位為V；[T]為采樣周期；[c]為壓頻轉(zhuǎn)換器的固定參數(shù)。

4） 在壓頻轉(zhuǎn)換器輸入端加入不同幅值的直流電流，通過微處理器（DSP）[7]捕獲口讀取電流數(shù)值，并將相應(yīng)的電壓、電流值轉(zhuǎn)換成圖像數(shù)字信號，保證數(shù)據(jù)采集效果較好，由此完成逆變器電路圖像數(shù)據(jù)的采集。

1.2" 基于深度學習的數(shù)據(jù)特征提取

將采集的逆變器電路圖像輸入到基于深度學習的卷積神經(jīng)網(wǎng)絡(luò)中，實現(xiàn)圖像的特征提取，以提高智能識別精度，具體步驟如下。

1） 采用反向傳播法訓練卷積神經(jīng)網(wǎng)絡(luò)，公式如下：

式中：[Kα]為卷積神經(jīng)網(wǎng)絡(luò)訓練的損失函數(shù)；[α]為訓練的核參數(shù)，主要包含卷積核的權(quán)重；[ap]、[bp]為采集的逆變器數(shù)據(jù)；[p]為卷積層的偏導數(shù)；[l]為卷積層的數(shù)量；[g]為方向傳播系數(shù)；[bp]為卷積層的輸入數(shù)據(jù)。

2） 卷積神經(jīng)網(wǎng)絡(luò)模型中的sink節(jié)點通過簇頭節(jié)點將逆變器數(shù)據(jù)傳輸至池化層，池化層利用池化函數(shù)降低數(shù)據(jù)的維度，防止過度擬合，公式如下所示：

式中：[e]為池化層；[β]為池化函數(shù)；[down]為執(zhí)行一次池化操作；[χab]為逆變器數(shù)據(jù)的靈敏度[8?9]。

3） 將經(jīng)過池化層操作后的數(shù)據(jù)傳輸至卷積層，卷積層利用其中的卷積核提取出逆變器電路特征。卷積原理圖如圖2所示。

4） 卷積神經(jīng)網(wǎng)絡(luò)模型完成一輪電路特征提取后，根據(jù)節(jié)點的分布情況重新選取簇時完成逆變器電路圖像的特征提取。

2" 逆變器電路圖像數(shù)據(jù)智能識別

YOLO（You Only Look Once）算法是一種物體檢測算法，能夠?qū)崿F(xiàn)實時物體檢測和識別。在逆變器電路圖像數(shù)據(jù)智能識別中，能夠快速地檢測出關(guān)鍵組件、器件和連接線等信息。這對于逆變器的故障檢測和維修非常重要，可以提高反應(yīng)速度和效率。

在YOLO識別算法中，CA（Coordinate Attention）模塊的主要作用是提供注意力機制，幫助模型更好地關(guān)注圖像中的目標對象。CA模塊通過對不同通道之間的特征響應(yīng)進行動態(tài)自適應(yīng)加權(quán)，使模型能夠更加關(guān)注重要的特征信息。CA模塊通過嵌入位置信息，避免在二維全局池化中位置信息的損失。

1） CA采用逐通道進行平均池化的方式，使用[H，1]和[1，W]的池化核按X和Y軸方向進行池化編碼。由此得到了一個[C×H×1]或[C×1×W]的特征圖[10?11]。

4） 將[gh]和[gw]相乘，得到與輸入相同形狀的輸出，公式如下：

[yci，j=xci，j·ghci·gwcj] （7）

5） 通過Detect模塊進行逆變器電路識別結(jié)果的輸出。Detect模塊主要包括置信度函數(shù)與模型的損失函數(shù)[12?13]。

置信度函數(shù)公式為：

[S=PCiO·RIOUyc=PCi·RIOU]" " " （8）

式中：[PCiO]為網(wǎng)格中的目標所屬目標類別[i]的概率；[PCi]是判斷網(wǎng)格中有無目標出現(xiàn)；[RIOU]為邊界框和標記框的預(yù)測交叉比值。

模型的損失函數(shù)為：

在逆變器電路識別任務(wù)中，損失函數(shù)和置信度函數(shù)是密切相關(guān)的。損失函數(shù)用于優(yōu)化模型預(yù)測的邊界框和目標框之間的差異，而置信度函數(shù)則用于衡量模型預(yù)測的邊界框中是否存在目標。將置信度函數(shù)與模型的損失函數(shù)合成，利用分類框和檢測框來實現(xiàn)逆變器電路圖像的識別，能夠在提高算法效率的同時識別圖像的所有內(nèi)容，實現(xiàn)逆變器電路智能識別。

3" 實驗與分析

3.1" 實驗環(huán)境

為了驗證基于深度學習的光伏并網(wǎng)逆變器數(shù)據(jù)采集與調(diào)控方法的整體有效性，需要設(shè)計信號采集和控制模塊，并進行測試。測試現(xiàn)場圖如圖3所示。

使用KEYSIGHT DAQ970A采集器采集逆變器圖像數(shù)據(jù)，并在Matlab R2022a上進行數(shù)據(jù)仿真。采用所提方法、文獻[3]方法（基于競爭神經(jīng)網(wǎng)絡(luò)的逆變器狀態(tài)識別方法研究）和文獻[4]方法（基于復合特征提取的大功率逆變器狀態(tài)識別方法研究）完成對比測試。

3.2" 測試結(jié)果

3.2.1" 消融測試

消融實驗是通過逐步去除深度學習模型中的不同組成部分或特性，以觀察它們對模型性能的影響。分別針對設(shè)計方法不同的組成部分進行消融實驗，以評估它們對故障診斷效果的影響。以逆變器電路識別準確率為實驗指標，進行消融測試，消融設(shè)定如表1所示。

根據(jù)上述消融設(shè)定標準進行逆變器電路識別準確率對比測試，結(jié)果如圖4所示。

根據(jù)圖4可以看出，基準模型的識別準確率效果最好，然后按照消融設(shè)置1、3、2的順序依次下降，其中消融設(shè)置2準確率最低，說明池化函數(shù)對于識別精度影響最大。綜上，按照影響精度由大到小進行對比，結(jié)果為：損失函數(shù)gt;卷積核權(quán)重gt;池化函數(shù)。

3.2.2" 誤報率測試

逆變器電路識別中的誤報率（FPR）是指將負樣本錯誤地識別為正樣本的頻率或比例，用來衡量算法在識別過程中錯誤地將負樣本識別為正樣本的程度。較低的誤報率意味著算法具有較強的抗干擾性和準確性，能夠較好地區(qū)分逆變器電路圖像與其他無關(guān)圖像。不同方法的誤報率測試結(jié)果如表2所示。由表2可知：針對逆變器電路進行識別，所提方法的識別誤報率最高僅為6%；文獻[3]方法與文獻[4]方法的識別誤報率最高達到了25%、20%。且所提方法的誤報率始終低于文獻[3]方法與文獻[4]方法，說明該方法識別性能較好，具有實用性。

4" 結(jié)" 語

逆變器作為電力系統(tǒng)中的重要設(shè)備之一，其運行狀態(tài)直接影響到電力供應(yīng)的穩(wěn)定性和可靠性。通過對逆變器電路圖像數(shù)據(jù)的分析和處理，可以深入了解逆變器電路的運行狀態(tài)和故障機理，為電力設(shè)備的維護和管理提供理論支持和實踐指導。為此，本文提出一種基于深度學習的逆變器電路圖像數(shù)據(jù)智能識別方法。實驗結(jié)果表明，所提方法的識別誤報率最高僅為6%，具有實用性。

參考文獻

[1] 陳鍇，楊逸，尚錦萍.光伏發(fā)電系統(tǒng)并網(wǎng)逆變器控制策略研究[J].自動化儀表，2020，41（1）：46?50.

[2] 李嘯驄，曹蓓.非線性負載下逆變器并聯(lián)系統(tǒng)控制策略研究[J].計算機仿真，2021，38（8）：81?86.

[3] 張浩，李小波，張冬冬，等.基于競爭神經(jīng)網(wǎng)絡(luò)的逆變器狀態(tài)識別方法研究[J].智能計算機與應(yīng)用，2022，12（7）：142?145.

[4] 陸朱劍，李小波，程岳梅，等.基于復合特征提取的大功率逆變器狀態(tài)識別方法研究[J].智能計算機與應(yīng)用，2020（8）：62?66.

[5] 蔣聞，李驪，趙晉，等.基于微電網(wǎng)運行模式識別的逆變器自適應(yīng)控制結(jié)構(gòu)[J].電力系統(tǒng)及其自動化學報，2019，31（9）：78?82.

[6] 趙志軍.多并聯(lián)并網(wǎng)逆變器系統(tǒng)穩(wěn)定性增強和不穩(wěn)定逆變器識別的方法研究[D].上海：上海海事大學，2021.

[7] 李暾，賀旭，屈婉霞，等.微處理器敏捷設(shè)計方法綜述[J].計算機輔助設(shè)計與圖形學學報，2021，33（2）：298?309.

[8] 董猛，王群京，張茂松，等.三相電壓對稱跌落時無刷雙饋發(fā)電系統(tǒng)研究[J].電力電子技術(shù)，2022，56（7）：32?36.

[9] 賈德香，呂干云，林芬，等.基于SAPSO?BP和分位數(shù)回歸的光伏功率區(qū)間預(yù)測[J].電力系統(tǒng)保護與控制，2021，49（10）：20?26.

[10] 吉星宇，郝惠敏，楊凱，等.基于雙線性插值法的比例方向閥死區(qū)補償方法[J].液壓與氣動，2021，45（6）：56?62.

[11] 宋哲超，余紫瑩，楊軍.聲載波無線電能傳輸?shù)淖赃m應(yīng)負載匹配[J].應(yīng)用聲學，2022，41（2）：192?198.

[12] 支娜，趙佳寶，明旭.一種應(yīng)用于直流微電網(wǎng)并網(wǎng)變換器的雙電流反饋控制策略[J].電力自動化設(shè)備，2021，41（5）：85?91.

[13] 張帆，郭思媛，任方濤，等.基于改進YOLOv3的玉米葉片氣孔自動識別與測量方法[J].農(nóng)業(yè)機械學報，2023，54（2）：216?222.