基于无监督特征聚类分割算法的光伏电站故障组件检测
图像与视频处理
2023-01-02 v1
摘要
向光伏太阳能的能源转型已发展为一种可行且可持续的发电来源。它已有效成为发展中国家满足能源需求的传统发电模式的替代方案。因此，全球已建成众多太阳能电站。然而，在这些大规模或偏远太阳能电站中，监测与维护仍是艰巨任务，主要是识别光伏（PV）板中的故障或失效电池。本文中，我们使用一种无监督深度学习图像分割模型来检测PV板中的内部故障，如热斑与蜗牛纹。通常，大型太阳能电站缺乏训练或真值标签，因此所提模型高度适用，因其无需任何先验学习或训练。它从输入图像提取特征并分割出图像中的故障。此处我们使用PV板的红外热像作为输入，传入卷积神经网络，由其为像素分配聚类标签。进一步基于迭代随机梯度下降的反向传播优化像素标签、特征与模型参数。然后，我们计算相似性损失与空间连续性损失，为具有相似特征且空间连续的像素分配相同标签，以降低图像分割过程中的噪声。所提方法的有效性在公开可用的数据集上进行了检验，用于识别单晶硅光伏板中的蜗牛纹与热斑故障。
引用
@article{arxiv.2212.14653,
title = {Detection of Malfunctioning Modules in Photovoltaic Power Plants using Unsupervised Feature Clustering Segmentation Algorithm},
author = {Divyanshi Dwivedi and Pradeep Kumar Yemula and Mayukha Pal},
journal= {arXiv preprint arXiv:2212.14653},
year = {2023}
}