光伏板热斑检测方法及装置、电子设备、存储介质与流程

本公开涉及光伏板热斑检测，特别涉及一种光伏板热斑检测方法及装置、电子设备、存储介质。

背景技术：

1、作为实现碳中和的主要电力来源之一，光伏产业发挥着至关重要的作用。根据对未来光伏产业发展趋势的预测，光伏装机容量将持续增长。通过对并网光伏发电系统进行研究，发现光伏电站年平均性能比(pr)损失率较大，其中，光伏板效应热斑造成的损失占比较大。此外，从现有光伏板发电模型的热斑描述中可以看出，光伏板的热斑不仅影响发电系统的光电效率转换，还会对电池造成不可逆的损伤，导致电站安全失效，造成严重的经济损失。

2、在过去，光伏电站的光伏板热斑检测完全依靠人工经验。由于光伏市场扩大和发展的迫切要求，现有技术中出现了一些针对光伏板热斑的自动检测方法和设备，其中，方法包括电流-电压(i-v)曲线法、复杂全交扎(complex total cross tied，ctct)阵列结构法、数学建模法等，然而，这些方法通常需要安装专用设备。在此背景下，随着光伏板安装次数和运行时间的增加，越来越多的光伏板出现了大小不等的热斑缺陷，光伏板热斑检测的需求日益突出。

技术实现思路

1、本公开旨在至少解决现有技术中存在的问题之一，提供一种光伏板热斑检测方法及装置、电子设备、存储介质。

2、本公开的一个方面，提供了一种光伏板热斑检测方法，所述光伏板热斑检测方法包括：

3、获取待检测的光伏板图像；

4、利用预先训练好的光伏板热斑检测模型对所述光伏板图像进行热斑检测，得到所述光伏板图像的热斑检测结果；其中，所述光伏板热斑检测模型采用改进的yolov5网络构建形成。

5、可选地，所述光伏板热斑检测模型的构建过程包括：

6、在yolov5网络原有三个预测头的基础上增加一个目标预测头，所述目标预测头基于新增的目标锚点生成。

7、可选地，所述在yolov5网络原有预测头的基础上增加一个目标预测头，所述目标预测头基于新增的目标锚点生成，包括：

8、采用k-means聚类方法生成所述目标锚点；

9、将所述目标锚点加入至初始锚点，携带有所述初始锚点的特征图进入所述yolov5网络的第一个采样层后，继续对所述第一个采样层输出的特征图进行上采样；

10、在所述yolov5网络的第二个csp1_3层中，将所述上采样得到的特征图与所述yolov5网络的骨干网络输出的特征图进行融合，得到融合特征图；

11、将所述融合特征图用于目标检测，得到所述目标预测头。

12、可选地，所述采用k-means聚类方法生成所述目标锚点，包括：

13、对先验帧的长宽比进行标注，修改聚类数，采用所述k-means聚类方法进行聚类，得到对应的所述目标锚点。

14、可选地，所述先验帧的维度包括(18*23)、(28*19)、(13*39)、(22*30)、(37*31)、(14*95)、(68*25)、(59*43)、(23*117)、(86*37)、(22*220)、(198*45)。

15、可选地，所述目标预测头的维度为160*160*255；

16、所述yolov5网络原有的三个预测头的维度分别为80*80*255、40*40*255、20*20*255。

17、本公开的另一个方面，提供了一种光伏板热斑检测装置，所述光伏板热斑检测装置包括：

18、获取模块，用于获取待检测的光伏板图像；

19、检测模块，用于利用预先训练好的光伏板热斑检测模型对所述光伏板图像进行热斑检测，得到所述光伏板图像的热斑检测结果；其中，所述光伏板热斑检测模型采用改进的yolov5网络构建形成。

20、可选地，所述光伏板热斑检测装置还包括：

21、构建模块，用于根据以下步骤构建所述光伏板热斑检测模型：在yolov5网络原有三个预测头的基础上增加一个目标预测头，所述目标预测头基于新增的目标锚点生成。

22、可选地，所述构建模块，用于在yolov5网络原有预测头的基础上增加一个目标预测头，所述目标预测头基于新增的目标锚点生成，包括：

23、所述构建模块，用于：

24、采用k-means聚类方法生成所述目标锚点；

25、将所述目标锚点加入至初始锚点，携带有所述初始锚点的特征图进入所述yolov5网络的第一个采样层后，继续对所述第一个采样层输出的特征图进行上采样；

26、在所述yolov5网络的第二个csp1_3层中，将所述上采样得到的特征图与所述yolov5网络的骨干网络输出的特征图进行融合，得到融合特征图；

27、将所述融合特征图用于目标检测，得到所述目标预测头。

28、可选地，所述构建模块，用于采用k-means聚类方法生成所述目标锚点，包括：

29、所述构建模块，用于：

30、对先验帧的长宽比进行标注，修改聚类数，采用所述k-means聚类方法进行聚类，得到对应的所述目标锚点。

31、可选地，所述先验帧的维度包括(18*23)、(28*19)、(13*39)、(22*30)、(37*31)、(14*95)、(68*25)、(59*43)、(23*117)、(86*37)、(22*220)、(198*45)。

32、可选地，所述目标预测头的维度为160*160*255；

33、所述yolov5网络原有的三个预测头的维度分别为80*80*255、40*40*255、20*20*255。

34、本公开的另一个方面，提供了一种电子设备，包括：

35、至少一个处理器；以及，

36、与至少一个处理器通信连接的存储器；其中，

37、存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前文记载的光伏板热斑检测方法。

38、本公开的另一个方面，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现前文记载的光伏板热斑检测方法。

39、本公开相对于现有技术而言，通过利用改进的yolov5网络构建形成光伏板热斑检测模型对光伏板图像进行热斑检测，可以有效提高光伏板热斑检测的效率和精度，为相关的运维决策提供依据，帮助确保光伏电站安全稳定运行。

技术特征：

1.一种光伏板热斑检测方法，其特征在于，所述光伏板热斑检测方法包括：

2.根据权利要求1所述的光伏板热斑检测方法，其特征在于，所述光伏板热斑检测模型的构建过程包括：

3.根据权利要求2所述的光伏板热斑检测方法，其特征在于，所述在yolov5网络原有预测头的基础上增加一个目标预测头，所述目标预测头基于新增的目标锚点生成，包括：

4.根据权利要求3所述的光伏板热斑检测方法，其特征在于，所述采用k-means聚类方法生成所述目标锚点，包括：

5.根据权利要求4所述的光伏板热斑检测方法，其特征在于，所述先验帧的维度包括(18*23)、(28*19)、(13*39)、(22*30)、(37*31)、(14*95)、(68*25)、(59*43)、(23*117)、(86*37)、(22*220)、(198*45)。

6.根据权利要求2至5任一项所述的光伏板热斑检测方法，其特征在于，

7.一种光伏板热斑检测装置，其特征在于，所述光伏板热斑检测装置包括：

8.根据权利要求7所述的光伏板热斑检测装置，其特征在于，所述光伏板热斑检测装置还包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的光伏板热斑检测方法。

技术总结
本公开实施例涉及光伏板热斑检测技术领域，提供了一种光伏板热斑检测方法及装置、电子设备、存储介质，方法包括：获取待检测的光伏板图像；利用预先训练好的光伏板热斑检测模型对光伏板图像进行热斑检测，得到光伏板图像的热斑检测结果；其中，光伏板热斑检测模型采用改进的YOLOv5网络构建形成。本公开实施例通过利用改进的YOLOv5网络构建形成光伏板热斑检测模型对光伏板图像进行热斑检测，可以有效提高光伏板热斑检测的效率和精度，为相关的运维决策提供依据，帮助确保光伏电站安全稳定运行。

技术研发人员：伊然,于景龙,王介昌,张俊东,翁雪尘,蔡俊龙,葛鎣,吕达,安琪
受保护的技术使用者：华能吉林发电有限公司
技术研发日：
技术公布日：2024/5/10