基于深度学习的从电致发光测量预测组件功率流水线
计算机视觉与模式识别
2020-11-30 v2 机器学习
图像与视频处理
摘要
自动检测在监控大规模光伏电站中起着重要作用。通常，电致发光测量用于识别太阳能电池组件上的各类缺陷，但尚未用于确定组件功率。然而，最大功率点处的功率知识同样重要，因为单个组件功率的下降会影响整个组串的性能。目前，这通常通过需要断开甚至拆卸组件的检测来确定，使得对单个组件的定期检测不可行。在这项工作中，我们弥合了电致发光测量与组件功率确定之间的鸿沟。我们编制了一个大型数据集，包含 719 张处于不同退化阶段（尤其是电池片裂纹和破碎）的组件的电致发光测量及其对应的最大功率点功率。在此，我们关注非活跃区域和裂纹作为主要缺陷类型。我们建立了一个基线回归模型，从电致发光测量预测功率，平均绝对误差为 9.0±3.7（4.0±8.4%）。然后，我们展示了深度学习可用于训练性能显著更优的模型（7.3±2.7 或 3.2±6.5%），并提出了一种类激活图的变体，以得到模型预测的每片电池功率损失。通过本工作，我们旨在开辟一个新的研究课题。因此，我们公开发布数据集、代码和训练好的模型，以使其他研究者能与我们的结果进行比较。最后，我们对某些边界条件（如数据集规模）以及用于一次性测量多个组件的现场测量的自动预处理流水线进行了全面评估。
引用
@article{arxiv.2009.14712,
title = {Deep Learning-based Pipeline for Module Power Prediction from EL Measurements},
author = {Mathis Hoffmann and Claudia Buerhop-Lutz and Luca Reeb and Tobias Pickel and Thilo Winkler and Bernd Doll and Tobias Würfl and Ian Marius Peters and Christoph Brabec and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2009.14712},
year = {2020}
}