摘要
化石能源的生成十分缓慢，寻找能够替代化石能源的可再生新能源是人类解决能源危机的必由之路。为实现可持续发展目标，我国将非化石能源置于能源发展的首要位置，提出了利用可再生能源替代化石能源的能源发展战略。近年来，随着太阳能电池板安装量逐年上升，光伏组件故障检测成为光伏发电领域的重要研究课题。传统的光伏组件故障检测方法成本高且耗时费力。利用无人机获取光伏组件红外影像数据，结合深度学习算法进行光伏组件自动化检测已经越来越多地应用于光伏组件的运营维护中。然而，基于无人机获取的光伏阵列红外影像对光伏组件进行故障检测仍存在一些问题，主要包括光伏阵列红外影像中光伏组件较为密集，导致组件红外影像提取困难。现有的深度学习模型难以完全适应光伏组件红外影像数据的特征提取，导致光伏组件故障检测精度偏低。本文致力于实现更高精度的基于红外影像的光伏组件故障检测，针对上述问题展开深入研究。主要工作和取得成果包括: (1)为解决无人机获取的光伏阵列红外影像数据中光伏组件红外影像提取困难问题，本文提出了数据平衡的光伏组件实例分割方法。首先，利用实例分割模型提取光伏组件红外影像数据。接着，基于提取到的故障组件影像数据，利用DDPM(DenoisingDiffusionProbabilisticModel)扩散模型生成更多的故障组件数据。利用生成的故障组件数据替换原始红外影像数据中部分无故障组件数据，实现故障数据与无故障数据的样本平衡。基于数据平衡后的光伏组件红外影像数据，训练MaskR-CNN实例分割模型，能够进一步提升光伏组件红外影像提取精度。 (2)为解决光伏组件故障分类检测精度偏低问题，提出了ResPNet(Residualphotovoltaicnetwork)网络模型用于对光伏阵列红外影像数据中光伏组件的故障分类检测。该模型在原有的ResNet(Residualnetwork)网络模型基础上引入了底层特征信息增强模块，解决光伏组件红外影像数据分辨率偏低造成的原模型提取底层细节信息不足的问题。同时，引入多尺度特征信息增强模快，提升模型对于光伏组件红外影像数据中灰度变化信息的提取能力。此外，引入全局特征信息增强模块，解决CNN(ConvolutionalNeuralNetworks)模型部分特征信息丢失问题，从而提升模型对全局特征信息的提取能力。将ResPNet模型与现有的主流深度学习分类模型进行比较，实验结果表明ResPNet模型能够实现更高精度的光伏组件故障分类检测，相较于原模型检测精度提成1.4％。 (3)为解决光伏组件故障定位检测精度偏低问题，提升光伏组件故障定位检测精度，提出了YOLOV8-PS(YouOnlyLookOnceVersion8-Photovoltaics)网络模型用于对光伏阵列红外影像数据中光伏组件的故障定位检测。该模型对YOLOV8(YouOnlyLookOnceVersion8)原模型的主干网络进行了改进，加入了MCONV(MultiConvolution)底层多尺度特征信息增强模块，以提升模型的主干特征信息提取能力。在特征信息增强阶段，引入CAPS(CoordinateAttentionPlus)模块对预测特征层进行注意力增强。最后，通过级联多个YOLOV8-P(YouOnlyLookOnceVersion8-Photovoltaic)模型，得到YOLOV8-PS模型用于光伏组件故障定位检测。将YOLOV8-PS模型与YOLOV8原目标检测模型进行对比，YOLOV8-PS光伏组件红外影像故障定位检测mAP@0.5∷0.95数值提升3.4％。
NETL