编辑推荐：
光伏电站维护需有效检测组件故障，现有研究多聚焦单 facial 模块，对 bifacial 模块关注不足。研究人员采用 aerial infrared thermography（AIRT）结合 Mask R-CNN 模型，分析两类模块热图像。结果显示模型 mAP 达 84.27%，为光伏维护系统发展提供支撑。
太阳能作为清洁可再生能源，在全球能源结构中占据愈发重要的地位。然而，光伏（PV）组件在长期运行中易受环境因素影响出现故障，如热点、二极管失效、积污等，这些故障不仅会降低发电量，还可能加速组件老化甚至引发安全隐患。传统的人工巡检方式效率低、成本高，且难以应对大规模光伏电站的检测需求。尤其随着双面（bifacial）光伏组件因能量收益高（利用反照率特性，在高反照率区域可提升 25–30% 能量产量）而市场份额迅速扩大（预计 2029 年占比达 60%），其独特的热特性和故障模式却缺乏足够研究，现有数据集和检测模型多针对单面（monofacial）组件，双面组件的故障检测成为行业亟待解决的痛点。
为填补这一研究空白，相关研究人员开展了 “基于深度学习的红外热成像单面与双面光伏组件故障检测” 研究。该研究通过实验构建了包含单双面组件热图像的新型数据集，并利用掩码区域卷积神经网络（Mask R-CNN）模型进行故障检测，研究成果发表在《International Journal of Cognitive Computing in Engineering》。
研究主要采用以下关键技术方法：
- 红外热成像数据采集：使用搭载热成像相机的无人机（UAV），通过预设航点自动采集光伏组件热图像，遵循国际电工委员会（IEC）检测标准，确保数据规范性。
- 故障模拟实验：针对双面组件设计故障模拟方案，通过窗口薄膜模拟不同类型故障（如电池缺陷、二极管缺陷、积污），在可控环境下获取故障热图像。
- 深度学习模型训练：采用 Mask R-CNN 模型，结合迁移学习，使用 MS COCO 预训练权重，对单双面组件混合数据集进行训练，优化模型参数以提升检测精度。
研究结果
4.1 双面组件热图像分析
- 辐照与温度验证：实验期间平均辐照达 655 W/m2，满足检测要求。双面组件故障电池温度比正常电池高约 4–6°C，且相同条件下比单面组件故障温度高 2°C 以上，表明双面组件故障热信号更显著，但也增加了检测复杂性。
- 热图像特征差异：单面组件电池呈矩形（多晶），双面组件为八角形（单晶），且双面热图像存在独特点状图案，反映了两者结构差异对热分布的影响。
- IV 曲线分析：各类故障均导致电压、电流下降，最大输出功率降低。双面组件电池缺陷的 IV 曲线呈现 “n 步” 特征，与单面组件一致，验证了故障模拟的有效性。
4.2 故障检测性能分析
- 模型训练效果：当数据集按 85% 训练、5% 验证、10% 测试划分时，模型表现最佳，验证集平均精度均值（mAP）达 91.67%，测试集 mAP 为 84.27%。
- 各类故障检测精度：电池缺陷检测精度最高（平均 AP 96.43%），二极管缺陷次之（84.62%），积污缺陷最低（65.44%）。积污检测精度低主要受限于数据集规模及缺陷形态多样性。
结论与讨论
本研究首次系统对比了单双面光伏组件的热特性与故障模式，构建了包含双面组件的新型数据集，并验证了 Mask R-CNN 模型对两类组件故障的检测能力。结果表明，尽管双面组件热图像存在独特模式，模型仍能有效检测故障，为光伏电站自动化巡检提供了可靠方案。研究同时指出，扩大双面组件数据集、优化模型对积污等复杂缺陷的识别能力，以及探索背面特殊故障（如酸腐蚀、生物生长）的检测方法，是未来的重要研究方向。
该研究不仅为双面光伏组件的维护提供了技术支撑，也为深度学习在新能源领域的应用拓展了思路，有助于推动光伏产业向高效化、智能化方向发展，对提升可再生能源利用率和保障能源安全具有重要意义。
