收稿日期：2022-04-18

通信作者：任 惠（1973—），女，博士、教授，主要從事新能源電力系統(tǒng)可靠性方面的研究。hren@ncepu.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-0519 文章編號：0254-0096（2023）08-0238-08

摘 要：為了提高光伏系統(tǒng)的可靠性和性能，提出一種基于紅外圖像和改進(jìn)MobileNet-V3的光伏組件故障診斷方法。首先，分析開源光伏組件缺陷圖像及其存在的問題；然后，基于存在的問題，對光伏組件紅外缺陷圖像進(jìn)行圖像增強、數(shù)據(jù)增強處理，使紅外圖像滿足圖片可用性及樣本數(shù)量豐富性的要求；最后，對基本MobileNet-V3網(wǎng)絡(luò)進(jìn)行改進(jìn)，實現(xiàn)光伏組件故障分類。實驗結(jié)果顯示：與傳統(tǒng)CNN、基礎(chǔ)MobileNet-V3相比，所提故障分類方法不僅準(zhǔn)確率高、診斷速度快，且對各種故障類別的識別率高，具有較好的實用性和應(yīng)用價值。

關(guān)鍵詞：光伏組件；紅外成像；圖像增強；故障診斷；改進(jìn)MobileNet-V3算法

中圖分類號：TM615 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏組件長期運行在室外環(huán)境中，不可避免地會發(fā)生各種故障［1］。及時發(fā)現(xiàn)和修復(fù)組件故障，對保證光伏電站高效、穩(wěn)定運行意義重大［2］。目前，光伏組件紅外圖像采集技術(shù)發(fā)展愈發(fā)成熟，其中具有代表性的是Raptor Maps公司（https：//raptormaps.com）的檢測數(shù)據(jù)采集系統(tǒng)，這為紅外成像技術(shù)在光伏巡檢領(lǐng)域的廣泛應(yīng)用打下堅實基礎(chǔ)。利用不同故障類型的光伏組件的紅外圖像數(shù)據(jù)，通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）判別光伏模塊的故障類型，成為一種新型的故障檢測方法。該方法的優(yōu)勢在于無需對光伏組件的特征參數(shù)進(jìn)行采集，只需通過計算機(jī)對其進(jìn)行圖像處理，就可實現(xiàn)故障診斷。文獻(xiàn)［3］利用淺層神經(jīng)網(wǎng)絡(luò)提取圖像特征，評估光伏組件表面的污染程度。但該方法局限于光伏組件受污染程度，然而實際工業(yè)中存在各種其他故障，模型不夠全面，實用性較差。文獻(xiàn)［4］基于不同故障類型的光伏組件紅外成像顯示的顏色差異，判斷光伏組件的故障類型。但該方法只能對幾類成像差異明顯的故障進(jìn)行分類診斷，而實際中不同類別的光伏組件的紅外圖像差異較小。文獻(xiàn)［5］采用卷積神經(jīng)網(wǎng)絡(luò)與紅外圖像結(jié)合，通過特定熱點的成像形狀和位置，識別光伏組件中的各種缺陷。但這種方法不僅計算量極大，訓(xùn)練復(fù)雜，且對環(huán)境的適應(yīng)能力性低。

針對上述問題，本文提出一種基于改進(jìn)MobileNet-V3的光伏組件缺陷分類方法。首先對光伏組件的原始紅外圖片進(jìn)行處理，針對圖片對比度低、圖片數(shù)量類別不平衡等特點進(jìn)行圖片、數(shù)據(jù)增強，再運用改進(jìn)的MobileNet-V3網(wǎng)絡(luò)對圖片進(jìn)行分類。與MobileNet模型和其他流行的CNN架構(gòu)相比，本方法在保證模型精度的前提下，降低了模型參數(shù)和計算工作量，提高了診斷速度。

1 開源光伏組件缺陷圖像及其存在問題

截至目前，國內(nèi)外多個團(tuán)隊收集并公開了光伏組件缺陷圖像數(shù)據(jù)集，包括InfraredSolarModules［6］、Photovoltaic System Thermal Images［7］、Elpv-dataset［8］等。本文研究基于數(shù)據(jù)集InfraredSolarModules展開。該數(shù)據(jù)集由Raptor Maps收集。Raptor Maps公司專注研發(fā)光伏電站壽命周期管理軟件，其研發(fā)小組采集實際運行的光伏組件的紅外圖像，對其進(jìn)行診斷并標(biāo)注，為其研發(fā)的光伏電站壽命周期管理軟件提供數(shù)據(jù)支持，數(shù)據(jù)集中的每一張圖片均由配備有中波或長波紅外相機(jī) （[3.0～13.5 μm]）的無人機(jī)系統(tǒng)對實際運行的光伏電站組件進(jìn)行拍攝、對故障組件的紅外圖像進(jìn)行裁剪至一個組件所得［6］。該數(shù)據(jù)集包括10000張11個不同故障類別的組件熱成像和10000張正常的組件熱成像圖像，并提供了每一張圖片的標(biāo)簽，說明其故障與否以及具體的故障類別。附錄A給出了此數(shù)據(jù)集中12個不同類別中每類的12個樣本圖片作為示例。該數(shù)據(jù)集包含的故障類別最全面，且標(biāo)注完備，是研究基于深度學(xué)習(xí)的光伏組件故障辨識方法的最佳數(shù)據(jù)集。

通過對該數(shù)據(jù)集進(jìn)行分析，發(fā)現(xiàn)該數(shù)據(jù)集仍存在兩大主要問題：

1）圖片對比度低

表1中第1～4列、7～10列給出了InfraredSolarModules數(shù)據(jù)集中的各種故障圖片的示例以及灰度范圍。各類圖片的灰度值僅局限在0～255的某一段（例如離線故障的灰度值局限在25.35～171.65）?？捎没叶褥亓炕瘓D片所包含的信息量（計算方法參考附錄A），通過對數(shù)據(jù)集中圖片進(jìn)行分析可知，圖片的灰度熵均較小，即圖像對比度較低，導(dǎo)致圖片特征細(xì)節(jié)不明顯，清晰度不高。這一問題主要與紅外圖像的形成原理和實際光伏電站的背景環(huán)境有關(guān)，是紅外圖像無法避免的缺陷之一。

2）數(shù)據(jù)集存在嚴(yán)重的不平衡問題

在11類故障樣本中，不同故障類別數(shù)量差異較大，有的故障類別僅有175張樣本圖片，有些故障類別多至1877張。這些數(shù)據(jù)的不平衡將會對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)產(chǎn)生不利的影響，并影響網(wǎng)絡(luò)的泛化能力。

2 基于改進(jìn)MobileNet-V3的光伏組件故障診斷

本文針對上述光伏組件紅外圖片的兩類問題，提出如圖1所示的基于深度學(xué)習(xí)的光伏組件故障診斷模型。

首先提取出公開可用數(shù)據(jù)集中光伏陣列各類故障的紅外

圖像，通過圖片增強及數(shù)據(jù)增強，對圖片進(jìn)行預(yù)處理，降低不可抗拒的紅外圖像對比度低的影響。然后利用改進(jìn)MobileNet-V3的故障診斷速度快、分類精度高的優(yōu)勢，對光伏組件缺陷進(jìn)行診斷。

2.1 基于直方圖均衡化的光伏組件紅外圖像增強

通過對圖像進(jìn)行增強，提高圖像可讀性，能提高圖像分類的精確度，可避免由于圖像對比度低而影響圖像分類的準(zhǔn)確度。

灰度差異可由灰度熵量化?；叶褥卦酱?，圖像對比度越高。由附錄式（B-1）可知，增大灰度分布范圍，可提高灰度熵，達(dá)到增強圖像對比度的效果。

利用直方圖均衡化法［9］，將灰度范圍非均勻分布的原始圖像用各灰度級概率累積分布函數(shù)進(jìn)行映射，獲得均勻灰度分布的圖像。

具體算法如下：

1）定義原始圖片中的灰度級總數(shù)為[L]，灰度級為[rk，K∈[0，L-1]]。

2）計算第[k]級灰度值概率為[pk（rk）=nkn]，其中[n]為總的像素值。經(jīng)過直方圖均衡化處理得到的灰度累積分布函數(shù)[sk]如式（1）所示。

[sk=T（rk）=i=0kpr（ri）=i=0knin，" k∈[0，L-1]]""""" （1）

通過式（1）將像素的原始灰度級[rk]修正為[sk]。變換后圖像灰度差異的動態(tài)范圍增大，使圖像的一元灰度熵達(dá)到最大，圖像對比度也相應(yīng)提高。

圖像增強處理效果如表1的5、6、11、12列所示。經(jīng)過增強處理之后，各類故障圖片的灰度熵都有了不同程度的提高，圖片也擁有了完善的灰度級。處理后圖片的對比度、清晰度、亮度均大大增加，具有了更大的信息量，每類故障的細(xì)節(jié)特征更加突出。

2.2 基于Mixup［10］的數(shù)據(jù)增強

數(shù)據(jù)集中，熱斑、多個熱斑、多個旁路二極管損壞、污損故障，其圖像均少于500張。而正常的組件圖片達(dá)到10000張。解決此類數(shù)據(jù)集的不平衡問題的解決辦法一般為通過數(shù)據(jù)增強的方法增加小類別的樣本數(shù)量。數(shù)據(jù)增強的方法可分為同類增強（對圖片進(jìn)行幾何變換）和混類增強（如生成對抗網(wǎng)絡(luò)、Mixup、cutMix等）。同類數(shù)據(jù)增強的方法雖能解決不平衡數(shù)據(jù)集問題，但該方法嚴(yán)重依賴于原始數(shù)據(jù)集。而Mixup作為一種以鄰域風(fēng)險原理為基礎(chǔ)的混類數(shù)據(jù)增強方法，通過簡單的線性插值將圖片進(jìn)行融合，構(gòu)建虛擬樣本，可提高模型對非訓(xùn)練樣本的適應(yīng)能力，增強樣本之間的線性表達(dá)，提高模型不確定性估計能力，使神經(jīng)網(wǎng)絡(luò)的泛化能力得到提高。與生成對抗網(wǎng)絡(luò)等大型的深度神經(jīng)網(wǎng)絡(luò)方法相比，能避免內(nèi)存損耗巨大以及對樣本的敏感性不太理想的缺點。以熱斑故障為例，圖2所示為原始圖像及不同混合系數(shù)[λ]的Mixup算法數(shù)據(jù)增強效果。

本文對前述4類不足500張的樣本運用Mixup，采用[λ=0.5]進(jìn)行數(shù)據(jù)增強，直至數(shù)據(jù)集擴(kuò)充至500張。

2.3 基于改進(jìn)MobileNet-V3的分類算法

隨著CNN在計算機(jī)視覺領(lǐng)域的發(fā)展，為了追求分類準(zhǔn)確率，模型深度及復(fù)雜度越來越深，這會導(dǎo)致內(nèi)存不足、響應(yīng)速度慢、故障診斷速度延遲。因此本文采用先進(jìn)的輕量級網(wǎng)絡(luò)MobileNet-V3，其在圖像分類任務(wù)中可出色地平衡效率和準(zhǔn)確率。

MobileNet-V3是一種先進(jìn)的輕量級網(wǎng)絡(luò)，具有兩個版本：MobileNet-V3 Large以及MobileNet-V3 Small，這兩個版本用于滿足不同的資源要求。然而，MobileNet-V3在多分類問題上辨識能力較差，本文基于MobileNet-V3 Large進(jìn)行改進(jìn)，以實現(xiàn)在提高分類精度的同時進(jìn)一步提高計算速度。

2.3.1 MobileNet-V3特點介紹

MobileNet-V3的核心為bneck結(jié)構(gòu)，如圖3所示。核心環(huán)節(jié)包括：深度可分離卷積、具有線性瓶頸的逆殘差結(jié)構(gòu)和注意力機(jī)制SE模塊。在上述結(jié)構(gòu)的支持下，相較于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)，MobileNet-V3模型的計算量和參數(shù)量大大減少，極大程度地提高了故障診斷的速度，且模型能學(xué)習(xí)到更多、更細(xì)致的圖片特征，提高了分類的精度。NL代表激活函數(shù)的種類，可選擇為HS（H-Swish）或RE（ReLU）。

1）深度可分離卷積

MobileNet系列的核心思想是用深度可分離卷積取代標(biāo)準(zhǔn)卷積。深度可分離卷積計算分為2個階段。在第1階段，將一個卷積濾波器應(yīng)用于每一輸入通道。在第2階段，對深度卷積的全部輸出通道進(jìn)行逐點卷積（1個卷積）［11］。采用上述方法，可減少計算量和參數(shù)量，縮短訓(xùn)練時間，顯著提高故障診斷的速度，但是診斷準(zhǔn)確度略有降低。

假設(shè)輸入特征圖維度為[（DF，DF，M）]，卷積核為[（N，DK，DK，M）]，輸出特征維度為[（DG，DG，N）]。

標(biāo)準(zhǔn)卷積的計算量、參數(shù)量分別為：

[P1=DG?DG?DK?DK?N?M]"" （2）

[C1=（DK?DK?M）?N]""""" （3）

深度可分離卷積計算量、參數(shù)量分別為：

[P2=DG?DG?DK?DK?M+DG?DG?M?N]"""""" （4）

[C2=DK?DK?M+M?N]"" （5）

兩者計算量、參數(shù)量之比為：

[P2P1=C2C1=1N+1DK2]"""" （6）

在實際網(wǎng)絡(luò)中，N的取值遠(yuǎn)遠(yuǎn)大于[DK2]，通過式（6）可看出，與標(biāo)準(zhǔn)卷積方法相比，深度可分離卷積方法可減少[DK2]倍計算量和參數(shù)量，從而大大縮短了訓(xùn)練時間。

2）具有線性瓶頸的逆殘差結(jié)構(gòu)

光伏組件缺陷紅外圖像對比度較低，需采用能學(xué)習(xí)到光伏組件缺陷的更多細(xì)節(jié)的結(jié)構(gòu)，從而提高缺陷分類精度。MobileNet-V3的“線性瓶頸”，是一個結(jié)合線性函數(shù)的帶有過濾器的卷積層。這一結(jié)構(gòu)主要有3個優(yōu)點：① 提高輸入特征圖的維度，使模型可學(xué)習(xí)到更多的特征，從而提高了模型的性能；②利用跳躍連接技術(shù)，克服了網(wǎng)絡(luò)層數(shù)較深的情況下，梯度消失的問題，從而加快了訓(xùn)練速度；③把卷積層的特征圖映射到反卷積層，可得到更詳細(xì)的圖像細(xì)節(jié)信息。

3）SE模塊

SE模塊通過給每個特征圖分配不同的權(quán)重，使得模型關(guān)注到更有用的特征。

2.3.2 改進(jìn)的MobileNet-V3網(wǎng)絡(luò)

為了進(jìn)一步提高故障分類的精度和計算速度，克服MobileNet-V3 Large的缺點，本文在MobileNet-V3 Large的基礎(chǔ)上，通過對激活函數(shù)和分類器進(jìn)行優(yōu)化，對網(wǎng)絡(luò)進(jìn)行了改進(jìn)。

1）激活函數(shù)優(yōu)化

激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中的一個重要環(huán)節(jié)，決定了網(wǎng)絡(luò)的學(xué)習(xí)能力。標(biāo)準(zhǔn)的MobileNetV3模型中，使用H-Swish［12］作為激活函數(shù)。鑒于光伏組件缺陷圖片數(shù)據(jù)量大、分類種類多，需要一個比H-Swish具有高效率、強穩(wěn)健和盡量簡單的激活函數(shù)?；诖?，本文選擇TanhExp［13］激活函數(shù)代替H-Swish激活函數(shù)。

TanhExp的定義：

[F（x）=xTanhexp（x）]"""""" （7）

式中：[Tanh（x）=ex-e-xex+e-x]。

TanhExp具有下述特點：首先，TanhExp是具有負(fù)值的連續(xù)函數(shù)，正數(shù)部分近似線性，這可解決梯度消失的問題，提高收斂速度；其次，TanhExp在接近零的地方顯示出更陡峭的梯度，可加速網(wǎng)絡(luò)中參數(shù)的更新，這進(jìn)一步加快了學(xué)習(xí)過程；最后，TanhExp顯示了一個特別連續(xù)和流暢的過渡形狀，此屬性保證TanhExp能綜合分段和非分段激活函數(shù)的優(yōu)點，并具有更為出色的表現(xiàn)。

上述特點使得采用TanhExp作為激活函數(shù)，可提高模型的整體識別率，提高多分類的診斷速度和分類精度。

2）分類器優(yōu)化

在MobileNet-V3模型中，使用Softmax來完成多分類過程。由于光伏缺陷圖像之間區(qū)別度不高，且需分類類別高達(dá)12種，采用Softmax易產(chǎn)生誤判。L2-SVM算法［14］在大數(shù)據(jù)、多分類問題中，具有較好的可微可導(dǎo)性和強的泛化性能，能很大程度上提高模型的識別效率，提高分類精度。因此本文采用L2-SVM作為分類器，對MobileNet-V3進(jìn)行改進(jìn)。

L2-SVM是基于SVM模型的改進(jìn)算法。給定訓(xùn)練數(shù)據(jù)[（xn，tn），n=1，2，…，N，xn∈RD，tn∈{-1，1}]，帶有約束性的支持向量機(jī)SVM模型為：

[minω，εn12ωTω+Ci=1Nξns.t."" ωTxntn≥1-ξn"?nξn≥0"?n]"" （8）

式中：[ω]——最佳超平面法向量；[C]——用來調(diào)節(jié)錯分樣本錯誤比重；[ξn]——松弛變量。

L2-SVM目標(biāo)函數(shù)為：

[minω，εn12ωTω+Ci=1Nmax（1-ωTxntn，0）2] （9）

對于測試數(shù)據(jù)，預(yù)測類別為：

[argmaxt（ωTx）t]"" （10）

3 仿真與分析

本實驗運行環(huán)境為64位Window10系統(tǒng)，基于Python 3.7編程環(huán)境的Tensorflow 2.1框架。

3.1 評估指標(biāo)

數(shù)據(jù)集中光伏組件的圖像類別共12種，如表1所示。模型采用準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)、訓(xùn)練時長、混淆矩陣作為評價指標(biāo)。

假設(shè)在二分類中，[nP]為正樣本，[nN]為負(fù)樣本，[nTP]表示正確預(yù)測正樣本，[nTN]表示正確預(yù)測負(fù)樣本，[nFP]表示將負(fù)樣本錯誤預(yù)測成正樣本，[nFN]表示將正樣本錯誤預(yù)測成負(fù)樣本，評價指標(biāo)公式為：

[eaccuracy=nTP+nTNnP+nN]"""""" （11）

[eprecision=nTPnTP+nFP]""" （12）

[erecall=nTPnTP+nFN]" （13）

[eF1=2×eaccuracy×erecalleaccuracy+erecall]""" （14）

在多分類問題中，每類故障的評估指標(biāo)按二分類的標(biāo)準(zhǔn)計算。

3.2 算例設(shè)計

本文設(shè)計下述3種算例，分析本文提出的診斷模型的性能。

3.2.1 光伏組件異常檢測

對光伏組件進(jìn)行正常或故障的異常檢測。對原始數(shù)據(jù)集進(jìn)行圖片增強、數(shù)據(jù)增強后，每類故障數(shù)據(jù)中隨機(jī)選取200張圖片，共2200張熱成像圖片，組成“故障”數(shù)據(jù)集；在正常數(shù)據(jù)集中隨機(jī)選取2200張，組成“正?！睌?shù)據(jù)集；以訓(xùn)練集∶測試集=85∶15劃分?jǐn)?shù)據(jù)集。分別采用3種網(wǎng)絡(luò)模型，即CNN、MobileNet-V3和改進(jìn)MobileNet-V3各訓(xùn)練500次，比較不同深度學(xué)習(xí)方法的異常檢測精度及訓(xùn)練速度。

3.2.2 故障診斷

對數(shù)據(jù)集中包含的11類光伏組件故障進(jìn)行分類。對原始數(shù)據(jù)集進(jìn)行圖片增強、數(shù)據(jù)增強后，從11個故障類別中的每類分別隨機(jī)選擇500張圖像，以創(chuàng)建一個平衡數(shù)據(jù)集，共5500張熱成像圖片，以訓(xùn)練集∶測試集=85∶15劃分?jǐn)?shù)據(jù)集，采用本文提出的改進(jìn)MobileNet-V3網(wǎng)絡(luò)訓(xùn)練1000次。

3.2.3 圖像增強對模型性能的作用

為檢驗圖像增強處理對故障診斷精度的影響，本算例以6類常見故障（旁路二極管損壞、電池溫差、多個熱斑、裂縫、污損、陰影）為例進(jìn)行診斷分析。在檢驗圖像增強技術(shù)效果的同時，為光伏組件中的 6類常見故障創(chuàng)建分類器。分別通過對原始數(shù)據(jù)集僅進(jìn)行數(shù)據(jù)增強和既進(jìn)行數(shù)據(jù)增強又進(jìn)行圖像增強，構(gòu)建兩個不同的數(shù)據(jù)集。針對兩個數(shù)據(jù)集，從上述6個故障類別中每類分別隨機(jī)選擇500張圖像，共3000張熱成像圖像，以訓(xùn)練集∶測試集=85∶15劃分?jǐn)?shù)據(jù)集。將兩組訓(xùn)練集分別在本文提出的改進(jìn)MobileNet-V3模型上訓(xùn)練1000次，分別以兩組測試集檢驗故障分類效果。

3.3 實驗結(jié)果分析

圖4～圖6和表2～表4給出了針對上述3個算例的分析結(jié)果。

3.3.1 不同的深度學(xué)習(xí)方法的比較

圖4給出了CNN、MobileNet-V3和改進(jìn)MobileNet-V3這3種模型的訓(xùn)練準(zhǔn)確率折線圖。表2給出了使用不同模型時的訓(xùn)練準(zhǔn)確率和訓(xùn)練時長的對比。

訓(xùn)練準(zhǔn)確率和訓(xùn)練時長對比

由圖表分析得知，改進(jìn)MobileNet-V3模型有3個顯著的優(yōu)點：①收斂速度快。采用CNN在訓(xùn)練約400次準(zhǔn)確率才趨于穩(wěn)定收斂，而采用MobileNet-V3及改進(jìn)MobileNet-V3在訓(xùn)練200～250次時便趨于穩(wěn)定收斂。改進(jìn)的MobileNet-V3模型在訓(xùn)練時長上較CNN下降30%；②準(zhǔn)確率高。采用改進(jìn)MobileNet-V3模型，在MobileNet-V3模型的基礎(chǔ)上，準(zhǔn)確率提高了1.2%，訓(xùn)練速度提高了7%；③在訓(xùn)練后期，CNN模型的準(zhǔn)確率常有波動，而改進(jìn)的MobileNet-V3模型幾乎無波動。

改進(jìn)MobileNet-V3模型在光伏組件的正常/故障二分類問題上雖然比傳統(tǒng)CNN的診斷精度稍低，但故障診斷速度大幅度提升且模型更穩(wěn)健，這對于提升診斷模型的計算速度和網(wǎng)絡(luò)性能方面有著很大的進(jìn)展。

3.3.2 改進(jìn)MobileNet-V3模型性能分析

綜合算例1和2，基于改進(jìn)MobileNet-V3的光伏組件故障診斷方法在測試集上的診斷效果如表3和表4所示。其中表3所示為改進(jìn)MobileNet-V3異常檢測（算例1）結(jié)果，表4為故障分類（算例2）的結(jié)果。通過混淆矩陣對故障分類效果進(jìn)行可視化展示，如圖5所示。

從表3可看出，在異常檢測問題上，所提出的模型診斷有95%的概率能正確預(yù)測是否發(fā)生故障。F1分?jǐn)?shù)綜合評價了模型的精確率和召回率，反映了分類器性能。在對測試數(shù)據(jù)集進(jìn)行分類時，模型在正常/異常類別上的F1得分均接近95%，說明該方法具有良好的分類性能。

從表4可看出，在故障診斷問題上，本文所提出的模型的平均準(zhǔn)確率為70.82%，如表4和圖5所示。文獻(xiàn)［5］給出了基于同一組光伏組件紅外圖像數(shù)據(jù)集，采用CNN的組件故障診斷的平均準(zhǔn)確度為63.27%，相較本文算法低7.55%。

本文提出的模型正確分類各類故障的準(zhǔn)確度約為80%，但仍在部分故障之間存在中度混淆，如熱斑、多個熱斑等，出現(xiàn)誤判的原因可能有3種：①部分故障類別的同類圖像間變化較大，導(dǎo)致訓(xùn)練出高泛化能力的模型困難；②不同故障類別之間的圖片區(qū)分度不高，僅靠紅外圖像難以細(xì)分，需綜合其他方法，如可見光圖像等；③分類種類過多，數(shù)據(jù)量龐大，可能會造成模型過擬合，影響泛化能力。當(dāng)減少分類種類，僅對常見的6類故障進(jìn)行分類，準(zhǔn)確率有明顯提高。算例3中6類常見故障的平均分類準(zhǔn)確率為85.17%（圖6b），6分類的平均準(zhǔn)確率比12分類高出14.35%，由表4中改進(jìn)MobileNet-V3算法對每類故障類別分類結(jié)果累積F1得分中可看出，在11類故障分類中，F(xiàn)1得分較低，而在常見6類故障分類中，在旁路二極管損壞、電池溫差上的得分都在90%以上，而在多個熱斑、裂縫、污損、植物覆蓋、陰影上的F1得分相對較低，但也普遍高于80%。可見分類種類數(shù)量會影響算法性能。

3）圖像增強效果

在算例3中，用混淆矩陣對分類結(jié)果進(jìn)行可視化展示如圖6所示。其中，圖6a是未經(jīng)圖片增強的分類效果，平均準(zhǔn)確率為72.83%；圖6b是經(jīng)圖片增強的分類效果，平均準(zhǔn)確率為85.17%，比未經(jīng)圖片增強的準(zhǔn)確率升高了12.34%，由此可看出，對圖片進(jìn)行增強處理可大大提高分類效果。

4 結(jié) 論

本文提出一種基于紅外圖像和改進(jìn)MobileNet-V3的光伏組件故障診斷方法。首先，采用直方圖均衡化對光伏組件紅外圖像進(jìn)行圖片增強，提高紅外圖像質(zhì)量；然后，利用Mixup數(shù)據(jù)增強解決不平衡數(shù)據(jù)集問題；最后，利用改進(jìn)MobileNet-V3的故障診斷速度快、分類精度高的優(yōu)勢，對光伏組件缺陷進(jìn)行診斷。通過將本文方法應(yīng)用于開源數(shù)據(jù)集提供的實際運行中的光伏組件的紅外圖像進(jìn)行仿真實驗驗證，可得出如下主要結(jié)論：

1）采用直方圖均衡方法可增強光伏組件紅外圖像質(zhì)量，進(jìn)而提高基于紅外圖像和深度學(xué)習(xí)方法的光伏組件故障診斷精度。

2）改進(jìn)MobileNet-V3模型在光伏組件異常診斷方面的精度略低于傳統(tǒng)的CNN，有97.8%的概率可正確識別組件是否發(fā)生故障，僅低于CNN模型0.7%，但在訓(xùn)練時長上較CNN下降了30%。

3）采用改進(jìn)MobileNet-V3的光伏組件故障診斷模型，顯著提高了光伏組件多種異常的診斷精度。在11類異常情況的診斷中，準(zhǔn)確率達(dá)到70.82%，比基于CNN的模型的診斷精度提高了7.55%。對6類常見異常組件的診斷中，準(zhǔn)確率為85.17%。

總之，本文的研究所采用的訓(xùn)練及測試數(shù)據(jù)均為實際運行的光伏組件的紅外圖像，分析結(jié)果顯示，本文方法在訓(xùn)練速度和診斷精度方面均優(yōu)于已發(fā)表的同類方法，具有較好的應(yīng)用價值。

［參考文獻(xiàn)］

［1］"""" 馬銘遙， 張志祥， 劉恒， 等. 基于I-V特性分析的晶硅光伏組件故障診斷［J］. 太陽能學(xué)報， 2021， 42（6）： 130-137.

MA M Y， ZHANG Z X， LIU H， et al. Fault diagnosis of crystalline" silicon" photovoltaic" module" based" on" I-V characteristic analysis［J］. Acta energiae solaris sinica， 2021， 42（6）： 130-137.

［2］"""" 馬紀(jì)梅， 張志耀， 張啟然. 基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的光伏組件故障診斷［J］. 電測與儀表， 2021， 58（2）： 118-124.

MA J M， ZHANG Z Y， ZHANG Q R. Fault diagnosis of photovoltaic modules based on improved RBF neural network［J］. Electrical measurement amp; instrumentation， 2021， 58（2）： 118-124.

［3］"""" 王道累， 李超， 李明山， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的光伏組件熱斑檢測［J］. 太陽能學(xué)報， 2022， 43（1）： 412-417.

WANG D L， LI C， LI M S， et al. Solar photovoltaic modules hot spot detection based on deep convolutional neural networks［J］. Acta energiae solaris sinica， 2022， 43（1）： 412-417.

［4］"""" HWANG P C， KUC C Y， CHAN J C. Soiling detection for photovoltaic modules based on an intelligent method with image processing［C］//2020 IEEE International Conference on Consumer Electronics， Taoyuan， Taiwan， China， 2020.

［5］"""" FONSECA ALVES R H， DE DEUS G A， MARRA E G， et al. Automatic fault classification in photovoltaic modules using""" convolutional""" neural""" networks［J］."" Renewable energy， 2021， 179： 502-516.

［6］"""" MILLENDORF M， OBROPTA E， VADHAVKAR N. Infrared solar module dataset for anomaly detection［C］//International Conference on Learning Representations（ICLR）， online， 2020.

［7］"""" ALFARO-MEJIA E， LOAIZA-CORREA H， FRANCO-MEJIA E， et al. Dataset for recognition of snail trails and hot spot failures in monocrystalline Si solar panels［J］. Data in brief， 2019， 26： 104441.

［8］"""" BUERHOP C， DEITSCH S， MAIRER A， et al. A benchmark for visual identification of defective solar cells in electroluminescence imagery［C］//35th European PV Solar Energy Conference and Exhibition， Frankfurt， Germany， 2018.

［9］"""" 張錚， 王孫強， 熊盛輝， 等. 結(jié)合小波變換和CLAHE的圖像增強算法［J］. 現(xiàn)代電子技術(shù)， 2022， 45（3）： 48-51.

ZHANG Z， WANG S Q，XIONG S H， et al. Image enhancement algorithm based on wavelet transform and CLAHE［J］. Modern electronics technique， 2022， 45（3）：48-51.

［10］""" LIANG D J， YANG F， ZHANG T， et al. Understanding mixup training methods［J］. IEEE access， 2018， 6： 58774-58783.

［11］ QIAN S Y， NING C R， HU Y P. MobileNetV3 for image classification［C］//2021""""" IEEE"""""" 2nd"""""" International Conference on Big Data， Artificial Intelligence and Internet of Things Engineering（ICBAIE）， Nanchang， China， 2021.

［12］""" CHEN P Y， JIAN Q， WU P L， et al. A multi-domain fusion human motion recognition method based on lightweight" network［J］." IEEE" geoscience" and" remote sensing letters， 2022， 19： 1-5.

［13］""" LIU X Y， DI X G. TanhExp： a smooth activation function with high convergence speed for lightweight neural networks［J］. IET computer vision， 2021， 15（2）： 136-150.

［14］""" 何俊， 劉躍， 李倡洪， 等. 基于改進(jìn)的深度殘差網(wǎng)絡(luò)的表情識別研究［J］. 計算機(jī)應(yīng)用研究， 2020， 37（5）： 1578-1581.

HE J， LIU Y， LI C H， et al. Research on expression recognition based on improved deep residual network［J］. Application research of computers， 2020， 37（5）： 1578-1581.

RESEARCH ON FAULT DIAGNOSIS OF PHOTOVOLTAIC

MODULES BASED ON INFRARED IMAGES AND

IMPROVED MOBILENET-V3

Ren Hui，Xia Jing，Lu Jinling，Wang Yunzhe，Xin Guoyu

（School of Electrical and Electronic Engineering， North China Electric Power University， Baoding 071003， China）

Abstract：In order to improve the reliability and performance of photovoltaic systems， a fault diagnosis method for photovoltaic modules based on infrared images and improved MobileNet-V3 is proposed. Firstly， the defect images of open-source photovoltaic modules and their existing problems are analyzed. Then， image and data enhancement are performed on the infrared defect images of photovoltaic modules aiming at the existing problems， so that the infrared images meet the requirements of image availability and sample quantity. Finally， the basic MobileNet-V3 network is improved to realize fault classification of photovoltaic modules. The experimental results show that， compared with the traditional CNN and the basic MobileNet-V3， the proposed fault classification method not only has high accuracy and fast diagnosis speed， but also has a high recognition rate for various fault categories， which has good practicability and application value.

Keywords：photovoltaic modules； infrared imaging； image enhancement； fault diagnosis； improved MobileNet-V3 algorithm

附錄A

各類異常正常組件樣本示例

附錄B

對圖片計算灰度范圍及一元灰度熵，灰度熵衡量圖像中信息的多少，熵越大，其信息量越豐富。定義如式（B-1）所示。

[H=-i=0n-1pilgpi]" （B-1）

式中：[pi]——灰度級[i]在圖像中出現(xiàn)的概率。當(dāng)圖像灰度值在0～255之間均勻分布，對應(yīng)圖像的熵最大時，圖像的對比度最高，細(xì)節(jié)信息最明顯，圖像整體質(zhì)量最好。