一种光伏组件故障检测方法技术

本发明专利技术公开了一种光伏组件故障检测方法

【技术实现步骤摘要】
一种光伏组件故障检测方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及目标检测
，尤其涉及一种光伏组件故障检测方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]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
。
光伏组件发生故障不仅会影响发电量，增加光伏场站的运维成本，还存在许多风险和安全隐患
。
[0003]现有技术中的光伏组件故障检测方法的具体方案包括：
、
通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像；利用基于强化
KAZE
算法的图像拼接算法对所述的图像进行拼接；利用基于
HSV
模型和
YCbCr
模型的图像处理算法对图像进行色彩处理；通过中值滤波
、
形态学图像处理
、
边缘检测
、
轮廓提取和区域分离方法对图像进行处理；使用局部二值模式
LBP
分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型
。
[0004]上述方案仅通过神经网络算法对光伏组件的故障进行分类识别，无法有效保证识别的准确率
。

技术实现思路

[0005]本专利技术提供了一种光伏组件故障检测方法
、
装置
、
电子设备及存储介质，以解决现有技术使用单一的神经网络算法对光伏组件的故障进行分类识别，无法有效保证识别准确率的问题
。
[0006]根据本专利技术的一方面，提供了一种光伏组件故障检测方法，包括：
[0007]获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；
[0008]利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；
[0009]使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像
HSV
值
、
平均温度以及最高温度与故障类别之间的关联函数构建得到；
[0010]根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别
。
[0011]根据本专利技术的另一方面，提供了一种光伏组件故障检测装置，包括：
[0012]获取模块，用于获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；
[0013]检测模块，用于利用优化后的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别；
[0014]判别模块，用于使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像
HSV
值
、
平均温度以及最高温度与故障类别之间的关联函数构建得到；
[0015]选择模块，用于根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别
。
[0016]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0017]至少一个处理器；
[0018]以及与所述至少一个处理器通信连接的存储器；
[0019]其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的光伏组件故障检测方法
。
[0020]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的光伏组件故障检测方法
。
[0021]本专利技术实施例的技术方案，通过获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像
HSV
值
、
平均温度以及最高温度与故障类别之间的关联函数构建得到；根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别，该技术方案使用故障检测模型对红外图像进行识别得到第一故障类别，再使用预先根据图像
HSV
值
、
平均温度以及最高温度与故障类别之间的关联函数构建得到的故障类别识别模型对故障区域进行二次识别，得到第二故障类别，将第一故障类别和第二故障类别融合后得到伏组件的最终故障类别，该方案通过两种模型进行故障类别的识别，有效地提高了光伏组件故障检测识别准确率
。
[0022]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围
。
本专利技术的其它特征将通过以下的说明书而变得容易理解
。
附图说明
[0023]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0024]图1为本专利技术实施例一提供的故障检测模型的网络结构图；
[0025]图2为本专利技术一实施例提供的
YOLOv5
算法中使用的
SPPF
模块的示意图；
[0026]图3为本专利技术一实施例提供的故障检测模型中的
SPPF
模块的示意图；
[0027]图4为本专利技术实施例二提供的一种光伏组件故障检测方法的流程示意图；
[0028]图5为本专利技术实施例三提供的一种光伏组件故障检测装置的结构示意图；
[0029]图6为本专利技术实施例的一种光伏组件故障检测方法的电子设备的结构示意图
。
具体实施方式
[0030]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光伏组件故障检测方法，其特征在于，所述方法包括：获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像
HSV
值
、
平均温度以及最高温度与故障类别之间的关联函数构建得到；根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别
。2.
根据权利要求1所述的方法，其特征在于，所述故障检测模型的训练过程包括：将光伏组件数据库中的故障组件图片输入故障检测模型进行训练；训练次数达到预设数值停止训练得到预先训练完成的故障检测模型
。3.
根据权利要求2所述的方法，其特征在于，所述故障检测模型的网络结构包括：输入层
、
主干网络
、
颈部网络和检测模块；所述输入层用于对输入的图片进行预处理和图片特征增强输出第一特征图；所述主干网络由多个
CBS
模块和多个
CSP
模块组成，所述主干网络用于对所述第一特征图进行特征提取得到第二特征图；所述颈部网络由
SPPF
模块
、
多个
CBS
模块
、
多个
CSP
模块以及多个采样层组成，所述颈部网络用于对所述第二特征图进行多尺度特征提取得到不同尺度的特征信息；所述检测模块用于对所述特征信息进行处理得到检测结果
。4.
根据权利要求3所述的方法，其特征在于，所述故障检测模型的
SPPF
模块使用密集链路结构将
CBS
模块提取的特征信息与后面每一个最大池化层提取的特征信息进行融合，将融合信息与
CBS
模块的多个融合模块进行融合，以重复利用各模块的特征信息
。5.
根据权利要求4所述的方法，其特征在于，所述故障检测模型的
SPPF
模块的网络结构包括四层，第一层包括一个
CBS
模块和三个最大池化层，第二层包括三个融合模块，第三层包括一个融合模块，第四层包括一个
CBS
模块；所述第二层中的第一个融合模块用于将所述第一层中的
CBS
模块的第一输出数据与所述第一层中的第一个池化层的第二输出数据在通道维度上进行叠加得到第一数据；所述第二层中的第二个融合模块用于将所述第一输出数据与所述第一层中的第二个池化层的第三输出数据在通道维度上进行叠加得到第二数据；所述第二层中的第三个融合模块用于将所述第一输出数据与所述第一层中的第三个池化层的第四输出数据以及所述第一数据在通道维度上进行叠加得到第三数据；所述第三层中的融合模块用于将所述第一输出数据
、
所述第一数据
、
所述第二数据以及所述第三数据在通道维度上进行叠加得到第四数据
。6...

【专利技术属性】
技术研发人员：柴华荣，方振宇，张锐，
申请(专利权)人：阳光智维科技股份有限公司，
类型：发明
国别省市：