基于紅外圖像識別的光伏組件熱斑故障檢測方法研究.pdf

1、隨著全球能源危機的日益凸顯，化石燃料燃燒所導致的環(huán)境問題日益嚴重，世界各國對清潔、可再生能源的開發(fā)研究投入越來越大，并且開發(fā)環(huán)保干凈型能源系統(tǒng)也是我國可持續(xù)發(fā)展戰(zhàn)略中重要的一環(huán)。隨著新型的清潔能源越來越受到重視，光伏發(fā)電技術得到了迅猛地發(fā)展。然而光伏發(fā)電產品在工作過程中，光伏電池組件的熱斑故障由于嚴重影響光伏系統(tǒng)正常發(fā)電以及降低光伏電池工作壽命而急切需要被克服。
　　光伏熱斑故障是光伏組件在運行過程中，因部分電池片自身的特性的改變

2、導致與整體的不諧調，從而被當作負載消耗其它太陽電池組件產生的能量并持續(xù)發(fā)熱的現(xiàn)象。通常情況下，熱斑故障是由于光伏電池組件被局部遮蔭而引起的。對于這類非自身問題引起的熱斑故障，一套能夠進行實時監(jiān)測并且切實可行的光伏熱斑故障檢測、檢測方法對延長光伏電池組件的壽命，減少發(fā)電成本都具有十分重要的意義。
　　針對因局部遮蔭所導致的熱斑故障現(xiàn)象，基于紅外成像技術在光伏發(fā)電故障診斷中的應用，本文提出了對光伏組件在運行過程中出現(xiàn)的光伏熱斑現(xiàn)象的故

3、障檢測方法。本檢測方法的主要內容包括：①光伏組件紅外熱圖的圖像預處理；②光伏組件運行狀態(tài)的分類編碼；③基于脈沖神經網絡的熱斑故障檢測。
　　在對光伏組件紅外熱圖的圖像預處理過程中，本文使用YCbCr顏色空間模型，并對紅外熱圖的亮度進行分離操作從而減小了圖像信息的體積；在狀態(tài)編碼步驟，本文利用卷積神經網絡的對任意輸入輸出模式的全局逼近能力，提出了基于卷積神經網絡的光伏電池單元運行狀態(tài)編碼模型，最終通過有監(jiān)督學習算法將光伏電池單元在工

4、作中的紅外熱圖劃分為四類，進一步減小了圖像信息的體積；在最后的熱斑故障檢測環(huán)節(jié)，本文利用脈沖神經元自身對時序信息的處理能力，提出了基于序列編碼的可擴展脈沖神經網絡模型，并根據光伏組件工作狀態(tài)的變化應用該模型實現(xiàn)熱斑故障檢測功能。該脈沖神經網絡模型能夠隨著學習內容的增加動態(tài)地增加神經元數(shù)量，從而有效控制自身神經網絡的體積并且在學習的內容上實現(xiàn)了可控性。
　　最后，在CUDA高性能計算平臺下，本文以因局部遮光導致的光伏熱斑紅外熱圖仿真