基于红外图像的光伏组件多形态故障检测方法研究.pdfVIP

摘要

由于复杂的环境因素影响及其自身的性能衰减，光伏组件在运行过程中会出

现诸多类型的故障。这些故障会极大地影响光伏系统的发电性能和安全运行。因此，

探索光伏组件的多形态故障检测具有重要意义。本文聚焦于降低人工巡检成本以

及提高光伏组件故障检测精度，基于光伏组件的红外图像，探讨其故障检测方法。

主要研究内容如下：

（1）构建了一个高质量的光伏组件故障红外图像数据集。针对当前光伏组件

红外图像数据集比较稀缺的现象，本研究采用无人机搭载红外相机技术，在我国西

北某光伏电站采集了12624张高质量红外图像。为了减小周围复杂环境对光伏组

件故障检测可能带来的干扰，从原有红外图像中对光伏阵列进行了分割和提取，并

根据故障的种类对图像进行了标注。最终，构建了一个包含16577个光伏组件及

其对应的故障标签的数据集，可为相关研究提供数据支撑。

（2）提出了一种基于改进Segformer的光伏阵列红外图像分割模型MSA-

Segformer。在编码器中，引入了多层次TransformerBlock模块的自注意力机制和

Inception增强的注意力机制IE-CBAM，可应对传统分割算法中的分割空洞和环境

误判问题。在解码器中，借鉴了特征金字塔的思想，并引入双线性差值操作，可保

障分割过程中的边缘细节的完整性。实验表明，与原有的Segformer模型相比，该

模型在mIoU、mAcc和mDice指标上分别提升了0.48、0.3和1.38。

（3）提出了一种基于改进TOOD的光伏阵列故障检测模型MD-TOOD。在编

码器中，借鉴了ResNet和PAFPN的优势，可有效提取光伏组件红外图像中的多

故障特征。特别地，针对形态相似的热斑和污垢故障，在残差连接中引入了可变形

卷积，增强了模型对空间语义信息的学习，实现对相似特征的精准区分。另外，由

于反光故障的区域可能跨越多个组件，导致卷积操作难以捕获长距离语义信息。因

此，在解码器中引入DiffusionDet模型的检测解码器，通过迭代采样机制动态还原

反光故障的细节信息，从而提升了反光故障的检测精度。最后，在模型训练时采用

任务对齐学习策略，可强化定位和分类任务间的信息交互，进一步提升了光伏组件

故障检测的精度。与TOOD模型相比，该方法在mAP指标上提升了37.9%。

关键词：光伏组件；红外图像；图像分割；故障检测；MSA-Segformer；MD-

TOOD

Abstract

Duetotheinfluenceofcomplexenvironmentalfactorsandinherentperformance

degradation,diversefaultswilloccurduringtheoperationofphotovoltaicmodules.These

faultssignificantlyaffectthepowergenerationperformanceandthesafeoperationofthe

photovoltaicsystem.Therefore,exploringfaultdetectioninphotovoltaicmodulesisof

greatsignificance.Thethesisfocusesonreducingthecostofmanualinspectionand

improvingtheaccuracyoffaultdetectionofphotovoltaicmodules.Basedontheinfrared

imageofphotovoltaicmodules,thefaultdetectionmethodisdiscussed.Themain

researchcontentsareasfollows:

(1)Ahigh-qualityinfraredimagedatasetofphotovoltaicmodulefaultisconstructed.

Inviewofthe