一支国际研究团队近日开发了一种新型的光伏故障检测方法，结合了航空图像和深度学习技术。这项创新方法采用了U-Net卷积网络（）架构进行图像分割，并进一步利用InceptionV3-Net网络架构进行故障的分类识别。
团队成员指出：“太阳能电池板表面常被灰尘、鸟粪、积雪等覆盖，甚至可能出现电气和物理性损坏，这些因素都会导致能量的流失。”他们强调，太阳能系统的定期监控和清洁工作至关重要。研究人员决定深入探讨如何通过图像处理和分类技术，提升对不同类型光伏电池板损坏的检测效率。
在进行图像分割时，研究小组使用了一个包含4,616张图像的公开注释数据库。通过航空图像，这些图像被分类为农田、草地、盐碱地、灌木、水面和屋顶六大类。数据库被划分为60%的训练集、20%的验证集和20%的测试集，确保了模型的全面性与准确性。
另一个包含885张图像的数据库专门用于故障分类，这些图像代表了六种光伏系统常见问题：清洁不当、灰尘堆积、鸟粪积累、电气故障、物理损伤以及积雪覆盖。在使用InceptionV3-Net网络时，研究人员还比较了其他几种压缩分类模型的表现，包括Dense-Net、MobileNetV3、VGG16、VGG19、Resnet50等，旨在找到最适合的故障检测方案。
图像处理的第一步，使用U-Net模型架构进行分割，输入图像大小为256x256x3，并通过三阶段的解码、编码和输出生成过程进行处理。随后，InceptionV3-Net架构被应用于故障分类。此架构基于ImageNet权重，融合了卷积层、压缩和激励块、残差连接以及全局平均池等多项技术优化。该模型还使用了数据增强技术，如旋转、移位、剪切、缩放和亮度调整，以提高分类的鲁棒性和准确性。
研究人员还指出，训练过程使用了Adam优化器，学习率设定为0.0001，并采用分类交叉熵作为损失函数。经过多次训练与调优，最终得出结果：InceptionV3-Net的验证准确率高达98.34%，F1分数（精确度和召回率的平衡指标）为0.99%。相较之下，其他竞争模型的验证准确率仅在20.9%至89.87%之间，F1分数则介于0.21%至0.92%之间。
最终测试显示，InceptionV3-Net网络的准确率达到了94.35%，F1分数为0.94，显著优于其他模型。团队的分析表明，该模型不仅在准确度上表现卓越，还具备很好的泛化能力。
团队总结道：“未来的工作将着眼于进一步优化InceptionV3-Net模型，解决尚未攻克的问题。我们还计划将该技术推广应用于其他可再生能源系统，例如风力涡轮机或水力发电厂，测试其多场景的适应性。实时故障检测系统的进一步优化，尤其是增强其在实际应用中的可靠性，将是未来研究的重点。”