研究目的
本研究旨在解决光伏组件缺陷分类过程自动化需求日益增长的问题。在拥有数百万块运行中光伏组件的大型电站中,人工检测光伏组件根本不可行。当前的故障分析技术大致可分为两类:利用电学测量来检测故障的技术,以及不使用此类方法的其他技术(如红外热成像)。
研究成果
所提出的缺陷分析方法可辅助电站运维人员快速识别并修复缺陷,且只需投入最少的精力和成本。此外,该方法还能减少人工巡检需求,从而进一步降低光伏组件维护的总成本,使太阳能成为更具可行性和吸引力的能源生产方式。由于该方法是首次应用于光伏缺陷分析领域,本研究为该领域的知识体系增添了新的内容。
研究不足
该研究无法使用大型数据集,这对深度学习技术来说是一个局限。此外,由于样本不足以及类内变异过高,污垢类别未被纳入分析。
1:实验设计与方法选择:
本研究采用基于深度学习和特征的方法,通过热红外图像检测和分类有缺陷的光伏组件。使用VGG-16和MobileNet模型进行分类,结合SIFT描述符与随机森林分类器来识别有缺陷的光伏组件。
2:样本选择与数据来源:
从三个不同的光伏电站获取了398个单一缺陷和400个单一非缺陷光伏模块的热图像数据。所有三个研究地点均使用晶体硅光伏组件。
3:实验设备与材料清单:
使用FLIR Tau 2 640热成像相机拍摄图像。
4:实验步骤与操作流程:
拍摄后,从热图像中裁剪出单个模块进行分析。拍摄热红外图像的操作条件符合国际能源署关于红外热成像现场应用报告中的推荐操作条件。
5:数据分析方法:
本研究使用Python 3.6.5 64位软件实现各种CNN模型。视觉词袋模型通过Python 3.6.5 64位解释器使用opencv-contrib-python-headless包实现,而空间金字塔匹配方法则使用Li提供的Github源代码实现。除深度学习模型外,所有分类和机器学习算法均在R 3.5.0中使用random forest和caret包实现。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容