[发明专利]一种基于深度学习的光伏故障检测方法

说明书

本发明公开了一种基于深度学习的光伏故障检测方法，包括以下步骤：通过无人机搭载摄像头巡检拍摄获取光伏板的视频数据；获得可见光和红外光下的光伏组件故障视频；采用OpenCV将视频转化为图像；对图像数据进行预处理和数据增强；基于Resnet50神经网络实现可见光和红外光两种环境下图像自动分类；利用LabelImg软件对红外光下图像中热斑故障目标区域进行标签标记，利用深度学习目标检测算法训练色度变化处理后的红外光光伏组件图像，获得红外光热斑故障检测模型；利用LabelImg软件对可见光下异物、脏污、裂痕等故障目标进行标签标记，本发明具备无需人工干预，降低复杂性，提高实用性的优点。

技术领域

本发明涉及光伏发电领域，尤其涉及一种基于深度学习的光伏故障检测方 法。

背景技术

近年来，能源与环境问题制约着我国经济社会的发展，光伏发电为开发新 能源带来了契机。随着光伏装机容量的增多，光伏组件故障问题日益凸显。一 旦光伏组件发生故障(如异物、脏污、裂痕、热斑等)，不仅会影响发电量，增加 光伏场站的运维成本，还存在许多风险和安全隐患。

现有的光伏故障是通过以下方法进行检测的：

基于电气(I-V)特征进行光伏组件故障检测故障检测。计算光伏阵列I-V 曲线中V_oc、I_sc、V_mpp、I_mpp、P_mpp等外特征参数和其内特征参数的差异性，再通过设 定阈值和智能算法实现故障诊断。

融合深度神经网络和SSD、Faster-RCNN、VGG16-SSD、ECA-SSD等目标 检测方法对光伏组件图像进行故障检测。利用无人机航拍产生大量的光伏板图 像数据，辅以SSD目标检测算法、ECA注意力机制等深度学习算法进行光伏组 件故障识别。

利用物理检测方法。通过识别红外热成像图的亮点实现故障诊断或对阵列 输入特征信号，通过检测响应信号情况以实现故障诊断。

采用时序电压电流法进行故障检测。通过信号分解或自编码等算法实现故 障特征提取，再通过设定阈值或智能算法实现故障诊断。

但是，利用光伏组件的I-V曲线特征进行故障检测虽然能够识别较多的故障 类型，但是该技术对照度仪安装角度要求严格，需要将光伏阵列断网运行，造 成功率损失。同时，I-V曲线测量周期较长，无法实现实时的故障诊断，采用传 统的SSD、Faster-RCNN等目标检测算法对于小目标故障的检测效率很低，例如 SSD对输入图像进行预处理后，经过较深的卷积层后，对于本身比较小的目标 可能已经丢失。并且只能对故障图片进行目标检测，难以对无人机拍摄视频直 接进行检测，采用物理方法进行故障检测，面临在低照度或者低失配比情况下 难以检测故障的问题。仅能用于检测光伏组件是否存在故障，或检测指定类别 的故障，需要特定的仪器，成本较高，无法大规模使用。学习光伏组件的时序 电流、电压特征进行故障检测无法检测到老化故障，难以检测高阻故障。此外， 光伏组件运行情况复杂，时序电流、电压变化情况十分复杂，检测准确率较低， 存在的难点较多。现需要一种基于深度学习的光伏故障检测方法，针对光伏组 件在可见光环境下存在的异物、脏污、裂痕以及红外光环境下存在的热斑等故 障进行检测。

发明内容

本发明提供了一种基于深度学习的光伏故障检测方法，具备无需人工干预， 降低复杂性，提高实用性的优点，解决了原有故障检测人工干预复杂的问题。

根据本申请实施例提供的一种基于深度学习的光伏故障检测方法，包括以 下步骤：

通过无人机搭载摄像头巡检拍摄获取光伏板的视频数据；

获得可见光和红外光下的光伏组件故障视频；

采用OpenCV将视频转化为图像；