找到 2 条结果 · 光伏发电技术
基于深度学习的光伏组件红外、电致发光和红绿蓝图像自动缺陷检测
Deep learning-based automatic defect detection of photovoltaic modules in infrared, electroluminescence, and red–green–blue images
Yi-Sheng Laia · Chien-Chun Hsieh · Ting-Wei Liaoa · Chao-Yang Huang 等5人 · Energy Conversion and Management · 2025年5月 · Vol.332
摘要 本研究提出了一种结合图像处理技术与深度学习模型的光伏组件自动化缺陷检测系统。该系统利用三种成像方法——红外成像、红绿蓝成像和电致发光成像，识别21种类型的缺陷。红外成像通过安装在无人机上的热成像仪获取，用于检测热点和开路等热异常现象；红绿蓝成像用于识别玻璃破裂、污渍污染和植被遮挡等表面缺陷；电致发光成像则在受控暗室环境中使用电荷耦合器件相机采集，可揭示微裂纹、电池片性能退化和主栅腐蚀等内部缺陷。通过交叉比对红外图像与红绿蓝图像的结果，可有效识别缺陷成因，而电致发光成像进一步确认内部问题，并...
解读: 该深度学习缺陷检测技术对阳光电源智能运维体系具有重要价值。可集成至iSolarCloud平台,通过无人机红外成像实现光伏电站巡检自动化,结合EL成像诊断组件内部微裂纹与电池衰减,为SG系列逆变器的MPPT优化提供精准数据支持。系统99%以上检测精度和0.1秒处理速度,可显著提升PowerTitan储...
考虑多因素动态效应的光伏功率预测：一种基于动态局部特征嵌入的广义学习系统
Photovoltaic Power Prediction Considering Multifactorial Dynamic Effects: A Dynamic Locally Featured Embedding-Based Broad Learning System
Ziwen Gu · Yatao Shen · Zijian Wang · Yaqun Jiang 等6人 · IEEE Transactions on Sustainable Energy · 2025年3月
精确的光伏功率预测是新型电力系统高效稳定运行的前提。现有研究多关注温度、辐照度等全局因素与光伏功率的关系，常忽略其局部动态影响，导致预测精度下降。为此，本文考虑多因素间的动态关联，提出一种基于动态局部特征嵌入的广义学习系统（DLFE-BLS）。首先设计动态相空间重构方法（DPSR）刻画多变量数据的动态特性，进而引入动态局部特征嵌入（DLFE）算法提取局部动态特征，并将其融入广义学习系统框架，构建DLFE-BLS模型以提升预测精度。实验结果表明，该模型在多种场景下均优于对比模型，尤其在迁移预测中表...
解读: 该DLFE-BLS光伏功率预测技术对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。其动态相空间重构方法可优化MPPT算法在复杂气象条件下的功率追踪精度，局部动态特征提取能力可提升PowerTitan储能系统的充放电策略优化。该模型在迁移预测场景的优异表现，可直接应用...