银星能源计提减值准备应对光伏产品价格下滑

光伏业回暖的趋势尚未站稳脚跟,新一轮由产能过剩导致的危机或许已经抬头。

银星能源今日公告,因2015年光伏组件原材料及产成品市场价格继续下降,公司将对光伏产品和生产设备相应进行存货跌价准备和资产减值准备,加之因地方政府拖欠补助款所计提的坏账准备和对下属电子商务公司计提的资产减值准备,公司2015年归属上市公司股东的净利润将合计减少1452.87万元。

银星能源主营新能源发电和光伏设备制造。公司日前公布的年报显示,2015年实现营收12.05亿元,同比下滑16.22%,实现净利润-1.17亿元,主因是经济转型,用电量下降,新能源发电产业持续限电。

受欧美双反以及全行业产能过剩影响,一度风光无限的光伏业自2011年起开始遭遇严重危机,曾经国内最大的光伏组件制造商无锡尚德和江西赛维,以及A股公司*ST超日(8.19,0.13,1.61%)相继宣告破产重组。但在国内一系列配套扶持政策的支持下,国内光伏业产能得以逐步释放,全行业自2014年起开始出现回暖迹象,甚至一度有恒大投资千亿进军光伏,以及苹果公司投资电站的消息传出。

据国家能源局数据,2015年上半年全国新增光伏发电装机容量773万千瓦,同比大增132.8%。以至于有多家机构预测,光伏业将进入持续回暖阶段。

然而,银星能源最新公布的情况显然与此相悖。无独有偶,全国人大代表、晶科能源CEO陈康平在两会期间接受媒体采访时也指出,从去年下半年开始,光伏板块投资快速增长,在带动制造端方面出现很大程度快速扩张。非理性的扩产行为,或将导致行业再次面临产能过剩。

事实上,由于全球经济不振,能源价格下挫,宏观层面光伏业所面临的外部压力并不小。今年年初,美国光伏巨头SolarCity股价曾出现超过40%的下跌,此外,阿特斯、顺风清洁能源等行业龙头的股价也均创新低。

研究机构SOLARZOOM新能源智库日前警告,由于美欧日等主要市场不确定性增加,化石能源价格下降压制光伏需求,以及光伏发电成本下降滞后等因素影响,今年全球光伏业存在较大风险。在中国国内,在西部限电不断加剧、补贴严重拖延、标杆电价下调预期中,2016年装机量下降概率较大,恐出现两位数负增长。

以银星能源为例,公司的全部业务位于西北地区,尽管目前公司发电业务的毛利率仍能达到40%,但光伏设备的毛利率已降至-5.61%。即使在发电端,由于自2015年10月份以来,弃风限电现象日趋严峻,因此报告期内,公司新能源发电量也减少明显。

另外,在银星能源今日公告的各项减值准备中,有150万元的坏账准备便是由宁夏中宁县地方财政因收入骤减而拖欠补贴款所造成。



本文转自d1net(转载)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值