摘要
为了加快建设新型能源体系，光伏产业的规模逐渐扩大，光伏电站的运维压力也随之增加。当光伏组件发生故障时，不但会影响光伏电站的输出效率，还有可能造成光伏组件过热甚至引发火灾。为了解决上述问题，本文主要基于无人机采集光伏电站红外图像数据，结合深度学习技术，实现光伏组件故障识别，并提出一种故障预警策略，为及时有效的发现光伏组件故障，提升光伏系统发电效率提供方案。本文的主要研究工作如下: (1)本文针对光伏红外图像的故障识别精度问题，采用一种基于U2-net网络结构的图像分割策略，实现从图像背景中提取光伏阵列图片，并利用数据增强的方式扩充故障样本数量，为模型训练提供充足且有效的样本数据，以达到提高故障识别模型训练效果的目的。 (2)本文针对光伏故障识别问题，首先，通过比较不同网络模型效果，提出一种基于改进EfficientNet网络的光伏故障识别算法，通过在网络结构中引入卷积注意力模块(ConvolutionalBlockAttentionModule,CBAM),增强网络在通道和空间两方面的特征提取的能力，并针对不同光伏故障数据开展对比实验，结果证明了该算法的先进性和有效性。 (3)本文基于光伏组件故障对电站的影响程度，建立一种预警危险等级机制，并利用建立的故障识别模型，提出一种光伏故障预警策略。同时，搭建一个实现光伏故障预警的软件平台，简化策略实际操作流程，实现从图片输入到提出光伏故障诊断情况的全过程。
NETL