基于深度学习的光伏面板故障检测算法研究.pdf

基于深度学习的光伏面板故障检测算法研究

摘要

近些年，有着无污染、资源易获取等优点的光伏发电渐渐成为新能源发电的中坚力

量。随着光伏产业飞速发展，装机量日益增多，光伏电站运维压力继而增大。当光伏电

池组发生故障时，不但影响发电效率，造成资源和人力财力的浪费，还可能引起安全隐

患。通过无人机搭载红外热成像镜头拍摄获得光伏电站红外图像，可以无损检测到异常

发热的光伏故障，这种检测方式效率高、成本低、易于操作且对电池无损坏，逐渐成为

主流方法。

本文从建立光伏电站红外图像故障数据集出发，除了常见研究中的热斑故障和二极

管故障之外，还引入了第三种故障——低电压故障。根据实际情况设置了两类数据集，

第一类应用于进行有反光干扰的全局故障故障检测，将干扰影响最大的温度反光形成的

高亮现象也设置为一类标签进行特征提取，第二类仅针对无干扰或干扰较少的情况。

然后，本文基于两类数据集对比三种YOLO模型，选择YOLOv7作为基线模型，

设计了一种基于YOLOv7改进的光伏故障检测方法。针对故障样本类别不平衡，故障尺

度差距大等问题，采用双通道注意力机制、加权双向金字塔结构、改进损失函数等方法

对整体结构进行针对性设计和优化。

随后，本文在改进YOLOv7模型基础上，对比了Swin-Transformer和CSWin-

Transformer增强特征提取的能力，并设计了Transformer增强检测头，且在原有基础上

增加了一个检测头，提升对小尺度故障的检测能力。经实验验证，这些改进可以使模型

在光伏面板故障检测任务上的精度得到明显提升。

另外，本文提出了一种基于DINO和YOLO的两阶段的光伏故障检测算法。将DTER

结构引入光伏红外故障检测任务中，使用YOLOv7作为第一阶段，输出作为第二阶段

DINO的一部分输入，以改善YOLO结构使用非极大抑制导致的性能瓶颈。通过实验对

比分析，在光伏红外图像故障检测任务上，DINO-YOLO使精度得到进一步提升，尤其

是故障密集型电站的故障检测得到了明显改善，最后mAP达到了96.6%。

最后本文基于实际应用的情况，搭载改进算法，既可以全局识别又可以识别少干扰

情况下中心组串故障，构建了实用性强、检测准确的光伏故障识别系统。

关键词：光伏组件；热斑故障检测；红外图像；Transformer；YOLO算法

基于深度学习的光伏面板故障检测算法研究

Abstract

Inrecentyears,photovoltaicpowergeneration,withtheadvantagesofpollution-freeand

easyaccesstoresources,hasgraduallybecomethebackboneofnewenergygeneration.With

therapiddevelopmentofthephotovoltaicindustryandtheincreasinginstalledcapacity,the

pressureontheoperationandmaintenanceofphotovoltaicpowerstationshassubsequently

increased.Whenaphotovoltaicbatterypackmalfunctions,itnotonlyaffectspowergeneration

efficiency,causeswasteofresourcesandmanpower,butalsomaycausesafetyhazards.By

usinganinfraredthermalimaginglensmountedonadronetocaptureinfraredimagesof

photovoltaicpowerplants,abnormalheatingphotovoltaicfa