孙海蓉，潘子杰,2，晏 勇,2

(1.华北电力大学 控制与计算机工程学院，河北 保定 071003；2.华北电力大学 河北省发电过程仿真与优化控制工程技术研究中心，河北 保定 071003)

0 引 言

光伏组件是光伏发电系统的核心组成部分。为了充分利用太阳能，通常需要将多个光伏组件串联或并联组成更大的光伏阵列置于室外，当光伏组件受高压线、砂砾、灰尘、建筑物等不透明物体遮挡到一定程度时，部分电池片将会产生局部过热现象，即热斑效应[1]。不同严重程度的热斑效应将导致不同后果，轻则降低光伏发电效率，重则损坏光伏组件内部结构甚至引发火灾[2]。因此，及时识别并定位热斑区域对降低发电成本和提高发电安全性具有重要意义。

围绕光伏热斑识别与定位这一课题，国内外相关领域学者对此做了大量研究。近年来，随着深度学习算法的不断发展与深入，基于图像处理和深度学习的红外图像故障检测方法凭借其低成本、高效率等优点受到越来越多的关注。文献[3]在原始Faster RCNN的基础上，结合图像预处理、迁移学习、改进特征提取网络模型以及锚框选区方案，得到热斑缺陷检测模型，准确率较高但训练时间偏长。文献[4]以深度置信网络(DBN)为基础，通过学习大量样本，得到训练样本与无缺陷模板之间的映射关系，从而实现太阳能电池片的缺陷检测，该方法对样本量需求较大且不具体针对热斑缺陷。文献[5]对电池片红外图像进行状态分类与编码，提出基于传统卷积神经网络(CNN)的热斑检测模型，实现了在电池片产生极高温并造成损坏前诊断出热斑故障，该网络模型还有较大优化空间。……