基于多任务融合的光伏电站红外图像热斑检测

人工巡检光伏板难以满足大规模光伏电站巡检工作的要求,且效果不佳。提出一种新的面向无人机热斑检测与定位方法,用于批量检测热斑和精确定位热斑的经纬度。运用基于YOLOv3架构的网络识别热斑,其中创新点,针对远视野的热斑检测,修改YOLOv3模型中的RU_1单元,添加神经网络残差单元进行融合。改进YOLOv3模型主干网络结构的卷积单元分布,RU_2单元与RU_1单元在网络中交替排列,增强网络的排列复杂度。针对太阳能光伏板红外图中出现的误识别问题,运用DeepLab v3+模型分割光伏板,滤除因地面亮斑而产生的误识别。通过已知信息,无人机偏航角、无人机拍摄高度、镜头视场角、镜头焦距、图像中心点经纬度、热斑和中心点在像素坐标系的像素点坐标等,根据几何定位方法计算出热斑经纬度。实验结果表明,热斑识别准确率在98%以上,无人机定高在25 m时,热斑定位误差在分米级别。

基于非线性信号的光伏组件表面清洁度识别技术

光伏组件表面清洁度分析过程中,容易受到非线性信号影响,导致识别结果不精准;为了解决这个问题,提出了光伏组件表面清洁度非线性自回归识别技术;分析脏污、热斑效应对光伏组件发电量影响,获取光伏组件表面时程响应非线性信号;模拟光伏组件表面的时域非线性不清洁问题,分析非线性信号单元,从时程响应中提取相应的非线性特征,消减环境不确定因素的干扰;通过线性函数过滤时程响应线性信号,计算概率化条件方差,确定非线性自回归识别指标;构建非线性自回归脏污、热斑效应识别结构,通过非线性自回归I-V曲线识别脏污,利用非线性自回归损失函数识别热斑效应;由实验结果可知,使用所研究技术识别的脏污I-V特性显示,当电压为0时,短路电流为0.41 A,当电流为0时,开路电压为19.5 V;识别的热斑效应I-V特性显示,与正常组件相比,受热斑效应影响的开路电压、短路电流都有所下降,最大开路电压分别为100、80和55 V,与实际数据一致,具有精准识别效果。

基于eLTE集群通信的光伏电站无人机自动巡检的研究

分别对基于eLTE集群通信的光伏电站无人机自动巡检系统、光伏电站巡检无人机系统工作流程、基于无人机巡检图像的热斑自动识别进行详细的介绍,并对光伏电站无人机巡检与其他检测方法进行比较。采用基于集群通信的无人机进行光伏电站自动巡检和基于图像处理的组件故障自动识别可以高质量、快速完成大规模光伏电站的红外及可见光巡检,发现热斑、遮挡等故障并精确定位到特定光伏组件,极大提高大规模光伏电站的运维效率和质量。