Eine internationale Wissenschaftlergruppe hat eine neuartige Stauberkennungsmethode für PV-Anlagen entwickelt. Die neue Technik basiert auf Deep Learning und nutzt eine verbesserte Version des Adaptive Moment Estimation (Adam)-Optimierungsalgorithmus, der üblicherweise zum Trainieren von Netzwerken verwendet wird, um eine Vorplanung für die Reinigung von Solarmodulen und die Weiterleitung zu ermöglichenReinigungsroboter für Solarmodulezur automatischen Reinigung.
Um diese Probleme zu überwinden, schlugen die Wissenschaftler vor, Warmup- und Cosinus-Annealing-Strategien in den Algorithmus zu integrieren. Bei der Warmup-Technik wird in den frühen Phasen des Trainings eine kleine Lernrate verwendet, die schrittweise erhöht wird. „Dies hilft dem Modell, den Parameterraum in den frühen Phasen des Trainings besser zu erkunden und Oszillations- oder Divergenzprobleme zu vermeiden, die durch eine übermäßige Lernrate verursacht werden“, fügten sie hinzu.
Die Cosinus-Annealing-Strategie hingegen führt dazu, dass sich die Lernrate periodisch zwischen der maximalen und der minimalen Lernrate entsprechend der Annealing-Kurve der Cosinus-Funktion ändert. „Diese Strategie trägt dazu bei, das Oszillationsproblem zu verhindern, das durch die schnelle Abstiegsgeschwindigkeit des Gradienten verursacht wird, und verbessert dadurch die Trainingsstabilität und die Generalisierungsleistung des Modells“, erklärten die Forscher.
