(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211051417.1 (22)申请日 2022.08.31 (71)申请人 华风数据 （深圳） 有限公司 地址 518000 广东省深圳市龙华区观澜街 道新澜社区观 光路1301号银星 科技大 厦D609 申请人 国电电力新疆新能源开发有限公司 (72)发明人 冯文新　黄剑锋　周玉龙　 (74)专利代理 机构 深圳市中 融创智专利代理事 务所(普通 合伙) 44589 专利代理师 李朦　叶垚平 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/40(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 20/70(2022.01) (54)发明名称 一种基于深度学习的光伏故障检测方法 (57)摘要 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Resnet 50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LabelI mg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。 权利要求书1页 说明书9页 附图10页 CN 115393747 A 2022.11.25 CN 115393747 A 1.一种基于深度学习的光伏故障检测方法， 其特 征在于， 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； 对于红外光下故障图像进行色度变化处理， 并采用图像扰动、 改变亮度、 随机缩放方法 进行数据增强； 针对可见光图像数据， 通过锐化处理， 提高图像的清晰度， 并采用随机裁剪、 翻转、 旋转方法扩充数据集； Resnet50神经网络实现可 见光和红外 两种环境下图像自动分类； 利用LabelImg软件对红外光下热斑故障目标进行标签标记， 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、 裂痕故障目标进行标签标记， 利用深度学习 目标检测算法训练锐化处理后的可见光光伏组件图像， 获得可见光下异物、 脏污、 裂痕故障 检测模型； 基于Yolov5目标检测算法实现光伏 组件可见光和红外光环境下故障进行检测， 通过对 比Yolov5模型不同版本(Yolov5l、 Yolov5l6、 Yolov5x6)的检测效果， 并在网络结构中添加 小目标检测层增强对小目标故障的检测效果。 Yolov5模型经前期训练后可直接对视频进 行 检测。 2.根据权利要求1所述的一种基于深度 学习的光伏故障检测方法， 其特征在于， 获得红 外光故障检测模 型和可见光 故障检测模 型后， 利用预测时间较 短的Efficient ‑B0神经网络 和ResNet5 0神经网络实现图像或视频分类。 3.根据权利要求1所述的一种基于深度学习的光伏故障检测方法， 其特征在于， 所述 Yolov5网络结构包括以下步骤： 在输入端 进行数据增强和数据预处 理， 预设故障目标的预选 框； 对输入图片进行切片处 理， 并在主网络中借鉴CS PNet网络结构加入CS P结构； 通过FPN结构与PAN结构相融合， 并在 FPN结构后添加自底向上的特征金子塔， 实现图片 深层特征的学习， 并利用上采样对特 征进行融合； 在输出端定义CIoU_loss损失函数， 权衡预测框和目标框的重叠面积、 中心点的距离以 及长宽比。权　利　要　求　书 1/1 页 2 CN 115393747 A 2一种基于深度学习的光 伏故障检测方 法 技术领域 [0001]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 [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。 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。 [0003]现有的光伏故障是通过以下 方法进行检测的： [0004]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 Voc、 Isc、 Vmpp、 Impp、 Pmpp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。 [0005]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、 E CA注意力机制等深度学习算法进行光伏组  件故障识别。 [0006]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。 [0007]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。 [0008]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 [0009]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。 [0010]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  下步说　明　书 1/9 页 3 CN 115393747 A 3