《Energies》：Infrared Thermography in Photovoltaic Systems: A Review for Maximizing Energy Yield and Long-Term Reliability
Reza Sadeghi,
Samuele Memme,
Stefano Morchio,
Marco Fossa and
Mattia Parenti
全球光伏（PV）系统部署规模的持续扩大，提升了对高效非侵入式诊断技术的需求，以实现性能监测与长期可靠性保障。红外（IR）热成像已成为一种强有力的工具，可在实际运行条件下检测光伏组件的热异常，包括热点、电池失配、遮阴效应及性能退化。本综述系统梳理了热成像分析在光伏诊断领域的最新进展，阐述了热成像原理、成像规程与数据解译方法，同时归纳了实验室与现场场景中常见的热缺陷类型。进一步探讨了辐照度映射、无人机（UAV）辅助巡检及基于人工智能（AI）的图像分析技术在提升检测精度与可扩展性方面的集成应用。综述还重点讨论了标准化挑战、环境影响因素，以及自动化与预测性维护的新兴发展趋势。通过整合现有研究成果，本研究明确了热成像技术在优化光伏性能、降低运维成本、支撑构建更智能且更具韧性的太阳能基础设施方面的关键作用。
- 1.
引言
全球能源转型推动太阳能光伏成为脱碳战略的核心，欧盟气候中和路线图与中国光伏市场的高速扩张共同确立了光伏在2030及2050气候目标中的主导地位。然而，光伏组件在运行中面临热循环、湿度、积灰、遮阴与机械应力等多重退化机制与外部胁迫，尽管制造商提供长达25年的质保，但未被监测的故障仍会危及安全性并降低能量收益。传统诊断技术如I-V曲线追踪、电致发光（EL）与光致发光（PL）成像精度较高，但多局限于实验室环境或需系统停机。相比之下，红外热成像作为非接触式无损诊断工具，可在实际运行条件下捕捉组件表面温度分布，快速识别热点、失效电池、旁路二极管故障与互连问题，特别适用于大规模光伏电站的预防性维护与性能基准测试。但红外热成像仅对局部发热相关的温度异常敏感，对电势诱导衰减（PID）、早期分层、均匀积灰等不产生显著热特征的缺陷检测能力有限，因此应被视为互补性而非独立诊断工具。与建筑领域稳态传热主导的热诊断不同，光伏场景涉及可变辐照与环境条件下的动态电热耦合，需要更专业的解译框架。光伏热成像评估需从三个维度展开：诊断性能（检测精度、缺陷分类可靠性与早期退化敏感性）、环境影响（辐照变异性、风速、观测角度、发射率不确定性与环境温度效应）与经济影响（缺陷早期发现对能量收益保持、运维调度与长期可靠性的作用）。近年来，红外相机技术进步结合无人机平台、机器学习算法与辐照度补偿技术显著拓展了热成像检测能力，人工智能方法通过环境数据与性能数据的智能解译提升了热诊断水平，无人机辅助热成像可基于温差高效检测组件级缺陷，为大尺度光伏场站快速巡检提供了可扩展方案。这些创新实现了高分辨率映射、自动缺陷分类与变环境下的精准解译，但检测规程标准化、缺陷严重度量化的阈值定义与外部干扰最小化仍是待解决的关键问题。本综述系统梳理了热成像的基础原理、典型故障模式、数据处理与自动化前沿进展，以及在户用、工商业与 utility-scale 光伏系统中的实践应用，重点强调红外热成像作为快速可扩展故障检测方法的优势，以及人工智能、机器学习与无人机技术的集成如何提升诊断精度、自动化水平与成本效益，旨在推动热成像成为智能光伏监测与预测性维护的核心策略。
1.1 运行光伏系统的挑战
随着清洁能源需求增长，光伏系统成为可持续发电的重要技术，但长期效率、安全性与经济可行性的保障依赖可靠的监测与维护体系。实际运行中，光伏组件持续暴露于多种环境与运行胁迫下，导致性能退化与系统故障。热点是最常见且关键的故障之一，由电池失配、遮阴或内部缺陷引发局部发热，不仅降低能量输出，还会加速组件老化甚至引发火灾风险。其他挑战包括电势诱导衰减、微裂纹、分层、焊点失效与旁路二极管故障，均会损害组件性能并导致热行为不均。积灰与遮阴作为外部因素，通过降低表面辐照度引发能量失衡与热应力；连接器失效与接线盒过热在老旧系统中隐蔽性强但安全隐患突出。
1.2 现有诊断与监测方法
现有光伏故障诊断工具各有优劣：I-V曲线追踪广泛用于电气性能评估，但需系统停机与专业技能；EL与PL成像可高精度检测电池级缺陷与微裂纹，但局限于实验室或夜间测量，不适合常规现场巡检。红外热成像本质上是定性诊断技术，仅提供表面温度分布的空间信息，无法直接量化缺陷对光伏组件电气性能参数的影响；而I-V曲线分析与发光技术（EL、PL）可实现缺陷严重程度与关联功率损失的定量评估。因此，红外热成像最适合作为筛查工具，预筛选组件后采用I-V、EL或PL技术开展定量性能分析。场站级监测系统如数据采集与监视控制系统（SCADA）与组串级逆变器可提供实时电气数据，但缺乏组件级故障定位的空间分辨率；人工目视检查成本低但依赖操作员经验，易遗漏隐蔽缺陷，且传统方法多为被动维护，往往在能量损失发生后才识别故障。随着光伏装机规模扩大与分布式部署增加，传统方法已难以满足主动式、可扩展的运维需求。
1.3 热成像检测作为非侵入式解决方案
红外热成像可在实际运行条件下有效检测光伏组件表面温度异常，通过捕捉组件表面热图像快速识别热点、失效旁路二极管、组串失配与积灰相关异常等常见故障关联的局部发热模式。近年光伏诊断领域发展出非接触式日间EL成像与非接触I-V测量概念：日间EL（dEL）技术通过光学滤波与自供电配置，在自然辐照下无需拆卸组件即可注入电流，获得与传统暗条件相当的缺陷图像，提升了现场检测的操作便利性。发光技术（EL、PL）的图像强度与模式可与功率损失、电池退化等电气参数关联，实现比表面温度更定量的组件健康评估。相比之下，红外热成像本质上仍为定性技术：通过检测温度变异作为电气异常的代理指标，无法直接量化电气参数。虽然运行条件下的红外成像可高效识别明显热点与表面热异常，但对未产生显著热对比度的细微或早期缺陷敏感性不足。因此，红外热成像最适合作为高通量筛查技术，筛选出候选组件后，采用I-V曲线分析与发光成像开展定量评估，后者可提供更高分辨率的内部缺陷结构与电气性能影响的量化信息。热成像具有非接触、无需断开组件连接、可在正常运行时实时执行等优势，尤其适用于需快速扫描数百至数千块组件的utility-scale光伏电站。热成像与无人机平台的集成进一步提升了大尺度巡检的可行性与速度，配合辐照度归一化与风补偿等环境校正方法，可为光伏系统健康状态与性能退化提供可靠洞察。尽管存在对环境噪声敏感、需专业解译等局限，热成像仍是太阳能系统预防性维护的重要进步。综上，红外热成像作为定性技术具有以下特征：检测表面温度变化与热点；开展大型阵列的快速非侵入式筛查；对早期或低对比度缺陷敏感性有限；无法直接量化电气性能或功率损失。而EL/PL作为定量技术：提供内部缺陷结构（裂纹、分流、PID、分层）的高分辨率图像；图像强度与模式直接和电气参数及功率损失关联；日间EL支持无停机现场检测；可定量评估缺陷严重程度与退化阶段。I-V曲线分析（定量）：在自然或受控光照下直接测量组件电气性能；检测电流失配、旁路二极管故障与整体性能退化；非接触现场测量概念已有探索但尚未完全商业化；提供评估缺陷对输出功率与效率影响的量化指标。
1.4 研究范围与贡献
本综述重新定义了红外热成像（IRT）的定位，将其从传统缺陷检测技术拓展为面向光伏系统性能优化与长期可靠性管理的可扩展、智能驱动框架。需明确的是，独立红外热成像主要为定性方法，虽可有效定位热异常，但温度模式的解译依赖环境条件与系统特性。因此，稳健且可泛化的建模需集成电气参数、标准化采集规程或机器学习框架，热成像结果应被解读为退化机制的指示指标而非直接预测因子。与以往主要罗列退化模式或聚焦规程导向成像指南的综述不同，本工作系统整合了热成像基础原理、无人机辅助部署策略、辐照度补偿分析方法，以及用于自动异常检测与预测性维护的新兴人工智能方法。通过衔接方法严谨性与场站级可扩展性、智能运维（O&M）策略，本综述将热成像定位为下一代数据驱动光伏资产管理和韧性太阳能基础设施的关键赋能技术。本文与现有综述的差异化特征通过对比表格呈现，同时整合了以下领域的现有知识：热成像原理与现场检测最佳实践；热模式与特定光伏故障类型的映射关系；无人机在大尺度热成像调查中的作用；人工智能与机器学习技术在自动故障检测中的集成；当前方法的局限性与标准化前景。通过跨工程、数据科学与可再生能源领域的研究整合，本文旨在指导智能光伏监测系统的未来创新，最终助力构建更具韧性、效率与成本效益的太阳能基础设施。
1.4.1 2016-2025年光伏系统红外热成像领域年度发文量
基于Web of Science核心合集（WoSCC）数据库的结构化文献计量分析显示，2016-2025年该领域研究产出呈持续增长态势。2016-2020年增长平缓，反映热成像作为热点检测与故障识别实用诊断工具的逐步成熟；2021年后增速显著提升，年发文量超过170篇，这与无人机巡检、机器学习算法与自动图像处理技术在缺陷分类中的集成直接相关；2024年达到峰值（超过250篇索引论文），表明热成像诊断与智能数据分析、智能监测系统融合驱动的研究兴趣强劲扩张。2025年数据因检索时数据库覆盖不全而偏低。除数量增长外，研究主题已从单纯缺陷检测转向自动化、环境补偿策略与性能导向的诊断框架，体现了领域发展的质性跃迁。
1.4.2 研究贡献的地理分布
德国以293篇记录（16.32%）领先，体现其在可再生能源诊断与性能监测领域的深厚研究基础；中国以251篇（13.98%）紧随其后，反映其光伏装机规模扩张与先进检测技术研发的重视；美国以229篇（12.76%）位列第三，凸显其在无人机平台、机器学习与热成像融合检测方面的领先地位。印度（181篇，10.08%）、意大利（104篇，5.79%）与西班牙（90篇，5.01%）为欧洲重要贡献者，英国、法国、阿尔及利亚、加拿大与巴西等国各占2%以上份额，伊朗、挪威、马来西亚、土耳其与台湾地区贡献稳定增长的较小份额，整体呈现全球协作推进光伏热成像诊断技术研发的格局。
1.4.3 出版物来源分布
《Energies》以69篇（3.84%）居首，《Solar Energy》与《Solar Energy Materials and Solar Cells》各67篇（3.73%），体现其在太阳能光伏科学与材料发展领域的传统优势；《IEEE Journal of Photovoltaics》以66篇（3.68%）位列第四，反映工程导向的光伏性能与可靠性研究的重视；《IEEE Photovoltaic Specialists Conference》收录62篇（3.45%），凸显技术研讨会在热成像与光伏监测创新传播中的作用。《Progress in Photovoltaics》（50篇，2.79%）与《Progress in Photovoltaics: Research and Applications》（49篇，2.73%）聚焦性能建模与诊断方法的前沿进展；《IEEE Access》（44篇，2.45%）提供多学科成果的开放获取平台；《Proceedings of SPIE》（33篇，1.84%）与《Renewable Energy》（28篇，1.56%）分别体现会议成果与可持续研究的贡献，整体呈现热成像光伏研究跨学科融合的特征。
1.4.4 研究领域分布
工程领域（1497篇，83.40%）与能源燃料领域（1441篇，80.28%）为核心贡献方向，反映热成像光伏研究的技术与应用属性；物理领域（727篇，40.50%）与材料科学领域（695篇，38.72%）占比显著，凸显基础原理与材料相关研究的重要性；计算机科学领域（656篇，36.55%）体现人工智能与机器学习在热图像处理中日益重要的作用；仪器与仪表领域（334篇，18.61%）聚焦先进成像系统研发；数学、综合科技、化学与通信领域亦有贡献，整体呈现多学科技交叉融合的特征，为可靠光伏性能监测与预测性维护策略提供支撑。
- 2.
红外热成像概述
热成像是最受关注的光伏诊断无损检测技术（NDTT）之一，核心优势在于无需中断系统运行即可检测温度异常。其原理基于检测物体因热能自然发射的红外辐射——任何高于绝对零度的物体均会发射红外辐射，可被热成像系统捕获分析。太阳辐射入射到光伏组件表面时，能量通过反射、吸收与透射三种路径分配，总入射辐照度G=Gr+Ga+Gt。典型光伏组件的玻璃超表层在法向入射时仅反射少量辐射（通常低于6%），大部分透射辐照到达太阳能电池。主要产热机制发生在半导体材料内部：能量高于带隙的光子经历热化过程，加之非辐射复合与电阻损耗进一步加剧温升。产生的热量通过封装层传导至玻璃表面，最终通过对流与红外辐射耗散至环境。这一能量转换与传热过程解释了红外热成像观测到的表面温度模式主要反映电池内部电气与材料损耗，而非玻璃本身的直接加热。热成像通过捕捉物体发射的红外辐射，可视化分析表面温度分布，实现光伏组件热点、裂纹与分层等缺陷的非接触、无中断检测。数字成像技术的进步简化了光伏故障诊断：非制冷焦平面阵列探测器与电荷耦合器件（CCD）的应用使红外热成像不仅能检测故障，还能精确定位异常。红外热成像可有效检测分层——绝缘气隙阻断了电池至表面的导热路径，形成可检测的热模式；但对玻璃超表层的早期微裂纹检测可靠性不足，此类缺陷不会产生明显热特征。热成像依赖热像仪绘制组件表面温度分布，生成二维或三维伪彩色图像：健康系统呈现均匀热模式，缺陷区域表现为局部热点。为获得可靠的现场检测结果，红外热成像通常在稳态光照与稳定天气条件下执行，这种能力使其成为光伏系统预测性维护的理想工具。红外热成像可分为主动与被动两大类。
2.1 光伏诊断中的主动热成像
主动热成像通过主动向光伏表面施加外部热激励以增强 subsurface 异常的检测能力，区别于仅依赖自然发射热辐射的被动方法，适用于实验室或室内可控环境。光伏诊断中常用的主动热成像技术包括脉冲热成像、锁相热成像与振动热成像。脉冲热成像通过闪光灯或卤素光源向组件表面施加短脉冲能量，随后在瞬态冷却阶段进行热成像。由此产生的热梯度可揭示分层、裂纹或空隙等subsurface异常导致的局部热量积聚，但该技术易受能量分布不均与表面反射影响，可能导致图像质量失真，需复杂后处理算法实现精准缺陷解译。锁相热成像（LIT）通过施加周期性调制热源（通常为激光或卤素灯），同步捕捉热波响应以提升热对比度：典型频率为10-40 Hz，热扩散长度约1.7 mm。这种相位敏感检测技术对分流、微裂纹与漏电路径等微小缺陷识别效果优异，广泛应用于光伏电池制造的质量控制。近年锁相热成像的深度分辨分析取得进展，通过顶层减底层差分信号与虚部快速傅里叶变换（FFT）信号分析，可区分太阳能电池顶层、中间层与背层的热源，实现复合区域与背接触失效、发射极表面划痕等缺陷的精准定位，尽管仍存在对齐伪影与图像噪声等挑战，但深度分辨锁相热成像可定量识别垂直缺陷分布，诊断潜力超越传统表面检测。振动热成像利用超声激励（通常15-40 kHz）在光伏电池结构缺陷处诱发局部摩擦或应变生热，通过红外相机实时捕捉瞬态热响应，对晶体硅片中的微裂纹、分层与机械不连续缺陷检测效果显著。共振超声振动（RUV）方法通过分析振动响应的频移与带宽变化进一步提升裂纹检测效率：裂纹导致硅片刚度 measurable 下降，引起谐振频率下移与频谱峰展宽，这些变化与裂纹长度及严重程度直接相关，可实现缺陷检测与初步表征。RUV振动热成像的数据采集周期可短至2.4秒（含硅片装载、激励、测量与释放），与高速太阳能电池生产线高度兼容。总体而言，脉冲、锁相与振动热成像三类主动技术为光伏组件快速、非接触、高分辨率故障检测提供了互补优势，支撑制造质量控制与运行期预测性维护。不同技术的检测时长差异显著：RUV单晶硅片检测仅需数秒，EL可短于1秒，高分辨率热成像（如锁相）需数分钟至数小时，无人机对大型电站的巡检则需数小时，取决于检测规模。
2.2 被动热成像
被动热成像无需外部热激励，直接监测自然太阳辐照下的光伏组件，通过检测热点等表面温度异常识别微裂纹、分层或内部短路等缺陷。硅基组件电气性能对温度高度敏感，工作温度每升高10°C，功率下降约4-5%，因此任何局部发热模式往往预示导致效率损失的潜在故障。在稳定天气条件下应用的被动红外热成像可实时识别此类故障，尤其适合结合无人机开展大尺度户外巡检。近期研究量化了热异常与系统级功率损失的关联：每个包含热异常的组件子串（为避免假阳性，仅考虑温差高于5°C的情况）平均导致组串输出降低1.16%，更严重故障类型造成的损失更大；多个异常的存在与累积能量退化显著相关。局部过热导致的系统级能量效率损失通常为2%-4%，部分案例超过5%，多热点或长期过热的模块退化最严重，单一热点或二极管过热的影响则存在较大差异。长期来看，热异常导致性能渐进退化，年退化率可达3%。反向偏压热成像通过增强缺陷处的散热差异进一步提升故障检测能力，结合扫描电子显微镜（SEM）可将热点与高浓度杂质（如过渡金属）区域关联，这些杂质会加速退化机制。ETFOS 1电站的现场研究验证了被动红外热成像的实用性：通过分析16幅热像图，识别出温差范围为1.9°C至3.5°C的非预期热模式，同时强调了发射率、反射与观测角度的重要性——发射率设置不当可导致2°C误差，玻璃反射在不同云量下可引起高达15°C的偏差，凸显了操作员培训与标准化检测规程的必要性。总体而言，被动与主动红外热成像均为基于状态的性能评估提供了有效手段，被动热成像成功识别了导致性能下降的热点，尽管存在环境依赖与材料特性等局限，但其作为常规光伏监测的可扩展解决方案，可在不中断系统运行的前提下提供实时诊断。
2.2.1 相机-组件对准对被动热成像的影响
作者在意大利热那亚大学萨沃纳校区的双面光伏（BPV）太阳能试验台上开展了热成像实验，旨在阐明相机观测几何对真实户外运行条件下被动红外热成像测量结果解译的影响。实验采用FLIR T560红外相机（固定于三脚架，距组件前表面6.00 m，镜头高度与组件中心基本一致），组件安装倾角β=35°，相机观测角相对于水平面θw=55°。组件方位角为+60°（西南朝向）。环境监测采用总辐射表与HT I-V曲线追踪仪，估算斜面辐照度。测量在三个典型时段（09:45、12:50、15:20）进行，对应上午、正午与下午条件，记录辐照度分别约为850 W·m-2、1005 W·m-2与950 W·m-2。为评估观测几何的影响，相机还在水平方向相对组件中心轴旋转±35°（保持6 m观测距离），模拟向东与向西的观测配置，评估离轴观测对组件表面视在温度分布与热点可见性的影响，三次观测在数分钟内 sequential 完成，确保环境温度与辐照度条件基本恒定。
2.2.2 结果与讨论
热成像观测结果表明，辐照度水平与观测几何显著影响双面光伏组件的视在表面温度分布。上午时段（09:45），斜面辐照度约850 W·m-2，组件表面温度适中，电池间温度分布较均匀；电气仪表记录的参考温度显示正常电池温度约48°C，含模拟局部热扰的微小绝缘元件的扰动电池达约53°C，验证了热成像对局部发热现象的敏感性。正午时段（12:50），辐照度升至约1005 W·m-2，组件温度显著上升，热像图中热对比度增强，组件表面热分布更均匀，相机观测角度的影响减弱（因组件表面更直接暴露于太阳辐射）。下午时段（15:20），辐照度仍维持较高水平（≈950 W·m-2），组件表面温度持续偏高；由于此时太阳方位角更接近组件方位角（+60°），尽管全球辐照度略低于正午，组件仍保持有效辐照接收。对比0°、-35°与+35°观测配置发现，离轴热成像测量可引入视在温度场的变异，主要归因于角度发射率效应与反射伪影，可能轻微改变红外图像中的温度梯度与热点可见性；近法向观测配置则能最一致地呈现组件表面发射的红外辐射。尽管本次实验为单场站案例，但结果凸显了辐照度水平、组件方位角与相机观测几何在被动红外热成像中的实际重要性，光伏巡检中需严格控制这些参数以确保热成像数据解译的可靠性。
- 3.
故障类型及其红外热成像可检测性
理解光伏系统故障的类型与影响对保障系统安全与长期性能可靠性至关重要。故障不仅降低光伏阵列的能量收益与运行效率，还会导致过早退化，引发火灾隐患或电气故障等安全风险。故障涵盖从高风险的线间故障、接地故障、遮阴与电弧故障，到局部且发生率较低的的热点、旁路二极管故障或连接缺陷。光伏组件故障通常分为三个阶段：早期故障（如接线盒缺陷、互连问题）、中期故障（如分层、玻璃破碎或乙烯-醋酸乙烯酯（EVA）变色）与磨损故障（如电池裂纹、腐蚀或封装材料退化）。各类故障表现出独特的热或电气特征，对功率输出的影响取决于位置、严重程度及与环境条件的交互作用。提升诊断可靠性不仅需要识别故障机制与根本原因，还需解决阻碍其在真实场景中早期精准检测的实践局限。
3.1 光伏组件的断裂与裂纹
断裂与裂纹是光伏组件最常见的机械故障，对性能退化与长期可靠性影响重大。玻璃破碎多发生于运输、安装或维护过程中，也可由热冲击（如突然降温）诱发。现场观测表明，玻璃破碎可能产生高压安全隐患（如绝缘失效通路与接地故障风险），但组件仍可能输出“有用功率”，导致损伤在升级前处于运行掩盖状态。尽管部分开裂或破碎的组件初期仍可运行，但其结构完整性已受损，更易受湿气侵入、腐蚀、分层与封装材料变色的影响。可靠性认证中的机械应力测试明确针对此类损伤机制：标准静态机械载荷测试施加2400 Pa（风载）至5400 Pa（雪载），冰雹认证采用25 mm冰球以23 m·s-1速度多点撞击，集中冲击下载荷低至2.4 kN或均匀压力下3300 Pa即可引发损伤。电池内微裂纹虽未必肉眼可见，但会阻断电流路径，导致功率损失、局部发热与电势诱导衰减。热成像中，损伤导致的传热阻断可放大热点对比度：现场老化组件观测显示，分层/封装缺陷可通过降低局部散热效率，使热点与背景温差超过约30%，直接影响红外热成像中的异常表现。EL成像是检测电池微裂纹等细微缺陷的最有效技术，此类缺陷在被动红外热成像中可能无法产生可检测的热特征。微裂纹早期检测的重要性已被多项研究证实，其潜在长期功率损失可达5%-30%。深度学习技术的进步显著提升了EL分析能力：基于Transformer的模型在包含5000余个标注缺陷（70.9%为线性微裂纹）的数据集上实现了83.40%的召回率与86.20%的精确率；双卷积神经网络（CNN）架构的分类准确率达85.33%，较传统模型降低14%的假阴性率与32%的假阳性率。因此，EL成像仍是微裂纹检测的金标准，与更适合识别热活性缺陷的红外热成像形成互补。
3.2 光伏组件的分层
分层指封装材料与光伏组件其他层（如玻璃或电池）之间的粘附丧失，是常见的长期性能与安全隐患退化机制。该现象会增加光学反射、降低绝缘性能并允许湿气侵入，最终劣化组件电气性能并加速腐蚀过程。分层是重要的可靠性关切点，通常通过加速认证测试评估：标准IEC规程包括85°C、85%相对湿度下1000小时的湿热暴露，以及湿冻与紫外相关应力测试，旨在揭示粘附丧失与封装退化。尽管分层不会立即危及安全，但会促进湿气侵入并形成导电路径，增加漏电流并激活旁路二极管，导致功率损失。此时红外热成像成为有价值的诊断工具，可揭示串联电阻增加或分流效应导致的异常散热。此外，1000 W·m-2辐照下持续1-5小时的热点保护测试（时长取决于电池分流电阻），凸显了封装完整性受损时的热点脆弱性评估应力条件。分层可通过促进湿气侵入与电气退化通路（如分流或串联电阻增加）间接导致可检测的热异常，这些通路引发的局部散热可通过红外热成像识别。分层表现为封装层与下层电池表面分离的局部区域，常形成组件内部的可见气泡或浑浊区；沿汇流条的封装材料与玻璃分离（可通过玻璃纹理破坏识别）多源于层压工艺缺陷或环境应力。制造缺陷（如层压压力不当、EVA交联不足或生产污染）是常见诱因，热循环、紫外暴露或机械应力等外部因素也起重要作用。此类缺陷在高温高湿环境中更为严重，往往是腐蚀、绝缘丧失或组件完全失效的前兆。
3.3 光伏组件的玻璃腐蚀或磨损
玻璃腐蚀或磨损是光伏组件前表层常见的退化形式，表现为表面浑浊、乳白或粗糙，降低光透射率。该效应通常源于湿气与盐、氨或工业排放物等污染物的大气相互作用：露水可溶解钠钙玻璃中的钠离子，形成碱液攻击硅酸盐基质。大型失效调查中，减反射（AR）涂层腐蚀或磨损被归类为独立的退化机制：系统层面此类表面相关磨损机制（包括AR涂层退化与玻璃表面损伤）的年退化率通常低于3%，远低于PID（约15-16%/年）或缺陷旁路二极管（温和气候下达25%/年）等电气驱动故障。这表明玻璃腐蚀主要影响光学透射而非电气回路，但长期累积影响在恶劣环境暴露下仍不可忽视。退化也可能源于沙漠磨蚀环境或不当清洁操作，剥离或损坏AR或防积灰涂层，进一步降低光学性能并增加后续积灰敏感性。尽管通常每年仅导致几个百分点的功率损失，但调查数据显示表面相关故障的年退化率普遍低于电池裂纹或PID机制。大面积玻璃腐蚀表现为广泛分布的白色 haze，严重限制光穿透，可能随时间推移渐进降低能量收益。
3.4 金属化、变色与腐蚀
除玻璃表面退化外，电池金属化与互连带的腐蚀和变色是另一类常见故障。该缺陷表现为焊点、栅线、细栅或互连带的黄、棕甚至黑色变色，根据材料不同可能伴随粉末状或彩色电化学产物。与影响光学透射的玻璃腐蚀不同，金属化腐蚀主要通过增加串联电阻损害电气性能，降低组件输出。定量现场研究证实：仅受封装材料变色的组件在20年以上运行期中位数功率损失为4-5%。该退化模式通常由EVA封装材料在湿气与氧气存在下降解产生的乙酸引发，常继发于分层之后。焊接质量差、层压时间不当或锡镀铜等低电阻材料的使用会加剧该问题。高湿度、农业或海洋环境暴露、温度波动等环境条件显著增加腐蚀风险：温和气候下，运行11-20年的组件中约20-25%受金属化腐蚀影响，20年以上组件比例达30-35%；湿热气候下老旧组件受影响比例超过40%。尽管金属化变色本身未必构成即时安全隐患，但会增加失配损失并激活旁路二极管，尤其在伴随分层或封装材料褐变等其他故障模式时。
3.5 热点与组串
热点是由电池裂纹、遮阴或互连失效等缺陷导致受影响电池进入反向偏压状态引发的局部热异常，迫使电池将能量以热量形式耗散。反向偏压下可能发生局部雪崩击穿，焦点发热可超过150°C，高于常见封装材料的临界稳定性极限，加速分层与绝缘失效。实验研究表明，在反向偏压（≈-10 V，3 A）下，严重受损电池的温度峰值可接近150°C；即使中等反向功耗（~11 W）也可在单电池内产生约25 K的温差。这些高温加速材料退化，带来长期可靠性与安全隐患。红外热成像广泛用于现场巡检以快速非侵入式检测此类故障，尤其当热对比度揭示早期反向偏压发热时，可在灾难性烧毁前预警。为降低热点风险，建议子串电池数量限制在18-20片，因反向偏压随串联长度成比例增加。分析模型显示，典型18片电池的子串在旁路二极管保护下最大反向偏压约-10 V，而扩展至24片时可能无法为多种测试电池类型提供充分保护。因此，模块认证中需采用增强型反向偏压测试规程，识别最差电池以预防运行中的不可逆热点损伤。进一步的热点敏感性研究表明，晶体硅与非晶硅组件均在反向偏压下易受局部发热影响：商业非晶硅组件中，反向偏压电流密度超过5-20 mA·cm-2时，电池间互连处发生局部损伤；尽管电流失配是热点诱因之一，但遮阴导致的温升更为显著，是现场条件中更关键的因子，相关研究正推动组件方位角优化以减少固定与跟踪系统中的遮阴损失。虽然热点并非总是直接可见，但其热效应对识别隐蔽光伏组件问题至关重要，表现为只能通过红外热成像可靠检测的局部过热或不规则热模式。温和温差（<10 K）通常良性，但超过20 K的温差可能预示严重故障甚至安全风险。热成像通过关联热模式与特定电气和物理故障实现热点模式分类：开路故障表现为较热但仍基本功能正常的模块；短路或旁路二极管故障导致局部发热与功率损失；PID或极化等严重问题引发边框附近的大面积发热，需采取纠正措施；遮阴、分层或鸟粪等则产生不对称或尖锐热点。早期识别热模式可支持预防性干预，避免不可逆损伤。研究显示，热异常子串数量是影响组串性能的最关键因素，而热类别或热点温度本身并非决定性因素；均匀发热电池（通常归类为A类异常，可能代表局部遮阴）的危害通常低于部分电池发热（B类）、热点（C类）、活跃旁路二极管（D类）或短路子串（E类），后者的功率损失可比前者高出30%。
3.6 积灰与环境沉积物
与热点等电活性故障不同，积灰主要影响光伏组件的光学输入，但空间非均匀分布的积灰可能产生局部温差，若未正确识别易导致热成像数据误判。积灰指灰尘、污垢、鸟粪与其他空气颗粒物在组件表面的堆积，阻碍阳光入射并降低能量输出，在降雨稀少、空气颗粒物丰富的干旱与半干旱地区尤为关键。即使是轻度积灰也可导致 measurable 功率损失，重度堆积则可能引发热点形成与长期退化。近期研究提出了强化巡检中积灰评估的新方法：红外热成像（广泛用于无人机巡检）显示的局部温升未必由电气缺陷引起，也可能源于空间非均匀积灰。为降低误分类风险，研究者引入电热建模框架，将标准RGB航拍图像获得的空间分辨积灰信息转换为预测温度图；在相同气象条件下对比建模温度模式与实测红外热成像图像，可辅助判断观测到的温度非均匀性是否符合积灰效应，还是指示更严重的组件问题，支撑更有针对性的维护决策。积灰影响研究显示，灰尘显著降低了光谱透射率，尤其在短波长（<570 nm）区间，对不同电池技术的影响存在差异：非晶硅电池因宽带隙特性，在积灰密度8.5 mg·m-2下光电流损失最高达33%，晶体硅与铜铟镓硒（CIGS）组件分别为28.6%与28.5%。倾角影响积灰的非均匀分布，30°倾角下光谱透射率的非均匀性最为显著。这些结果凸显了在性能建模与维护策略中考虑光谱与位置相关积灰效应的重要性，尤其在科威特等积灰高风险环境。现场观测清晰展示了非均匀积灰模式及其对组件性能的实际影响。
- 4.
故障检测方法
可靠的故障检测策略对最小化大规模光伏电站的能量损失、预防加速退化至关重要。随着全球光伏装机的持续扩张，及时识别从微裂纹、热点到PID等各类故障，成为防止能量损失与缓解长期退化的核心需求。多种检测技术应运而生，各具优势、灵敏度与适用场景，包括目视检查、电气测试，以及红外热成像（IRTG）、电致发光（EL）、光致发光（PL）与紫外荧光（UVF）等先进成像技术。
4.1 目视检查
目视检查通常作为初步诊断方法，用于识别宏观缺陷（如裂纹、变色与分层），再开展更高级诊断。尽管局限于表面缺陷，但可有效标记需进一步分析的组件。澳大利亚屋顶光伏电站的大规模分析显示，蜗牛纹、变色等视觉可检测缺陷多数对组件输出影响有限，但严重天气、操作不当或人为破坏导致的物理冲击可引发大面积玻璃破碎与结构故障，与 measurable 功率损失相关。研究证实，目视检测到的蜗牛纹在96%的案例中与微裂纹相关，但分离其独立影响仍具挑战性。目视检查作为低成本的一线诊断工具，可识别需深入调查的组件，实现资源密集型技术（如红外热成像或EL成像）的靶向部署，通过层级化流程优化运维 workflow，降低成本并减少停机时间。
4.2 电脉冲红外热成像
电脉冲红外热成像（EPIT）是一种利用受控电激励与热成像定位光伏电池结构与电气异常的缺陷检测技术。可编程直流电源向光伏板施加正向偏压，诱发扩散与复合电流；存在划痕、隐蔽裂纹或栅线断裂等缺陷时，缺陷处的局域复合导致 disproportionate 产热，改变电池表面温度分布。红外相机捕捉这些温度变异，通过数据采集（DAQ）卡将数据传输至计算机，生成序列热像图以可视化呈现电池表面温度。采用线性判别分析（LDA）与二次判别分析（QDA）等监督学习算法的后处理，通过最大化缺陷区与非缺陷区的光谱对比度增强缺陷特征可见性。实验证实EPIT可有效识别各类光伏电池故障，QDA在缺陷分类中表现优于LDA与主成分分析（PCA），信噪比更高，能更清晰识别隐蔽裂纹与热点区域。1-1.5 V的最优偏置电压可实现有效缺陷识别，划伤电池温差达11.5-14.9°C，热点温差达6.4-8.4°C。集成监督学习诊断框架的EPIT，为光伏电池早期故障检测提供了有效途径，可识别细微缺陷特征，支撑主动维护策略。
4.3 电致发光（EL）方法
EL技术是光伏诊断中成熟的视觉检测技术，常作为红外热成像的补充，检测不产生可观测热特征的缺陷。与主要检测热活性缺陷的红外热成像不同，EL成像对微裂纹或非活性区等电非活性缺陷尤为有效，这类缺陷可能无法产生可检测的热特征。集成机器学习框架的EL成像研究报道，故障分类准确率超过95-99%（取决于数据集条件与噪声水平）；先进特征提取方法在光伏故障诊断中总体检测准确率超过97%，证实了基于图像与数据驱动技术可靠区分正常与故障状态的能力。EL成像通过施加正向直流电流刺激太阳能电池的辐射复合，发射红外辐射，在暗环境下通过CCD相机捕捉生成高分辨率EL图像，揭示肉眼不可见的内部结构问题。EL图像可区分两类常见裂纹模式：“裂纹模式A”中可见裂纹但不阻断电流路径，无附加电阻；“裂纹模式B+(A)”中裂纹开始影响流向互连带的电流，但电池仍保持电气连接。这些细微内部变化的识别支持早期精准故障分类。EL成像灵敏度高，是质量控制与安装后诊断的宝贵工具。轻量级深度学习EL图像分析方法实现了93.02%的分类准确率，单张图像推理时间仅8.07毫秒（标准CPU），其数据增强、L2正则化、批量归一化与Dropout等方法，为包括热成像在内的光伏诊断成像提供了可迁移的AI方法论。
4.4 红外热成像（IRTG）
IRTG是广泛应用的非接触诊断技术，可在实际运行条件下检测组件表面温度异常，指示热点、焊接问题与电池断裂等隐蔽故障，支持大规模电站快速安全评估而无需中断发电。对15座光伏电站260块拆卸组件的研究证实，IRTG可有效识别旁路子串、断裂电池与短路区域等故障，这些故障导致高达45°C的温差，与功率输出显著下降直接相关；所有存在升温区域的组件均被证实存在缺陷。地面光伏电站的典型红外热成像 overview 可清晰显示异常发热模式（红色斑块），快速标记性能不佳单元。
4.5 航空红外热成像
航空红外热成像（aIRTG）是监测utility-scale光伏系统的高效非侵入式低成本技术，通过将红外相机搭载于无人机，实现大面积故障检测而无需中断系统运行，较传统地面方法缩短检测时间10-15倍。该方法在早期缺陷识别与远程/大型电站预防性维护中优势显著，人工巡检劳动强度大或不可行。研究表明，结合热成像与RGB成像的无人机红外巡检可显著降低运维成本与诊断时间，提升诊断精度；直方图与线轮廓分析可有效定位量化热点与组件退化。巴西四座utility-scale光伏电站的巡检显示，最常见故障为断开的子串与组串，其中断开组串对功率损失贡献最大；RGB辅助巡检可区分真实故障与积灰或植被遮阴，提升诊断可靠性；飞行后图像分析比实时评估更高效，优化人力使用。机器学习算法的集成进一步增强了诊断能力：卷积神经网络热点检测准确率超过99%，定位误差低至0.86 m；支持向量机模型热异常分类准确率超过96%。aIRTG已成为最大化运行时间、降低运维成本、支撑现代光伏资产 condition-based 监测的可靠工具。典型案例显示，红外图像中的局部热异常可能由鸟粪引起（RGB图像确认为非电气缺陷），凸显了巡检中融合热与视觉数据以避免误诊的重要性。当前研究尝试超越热成像结果的定性解译：采用平均热强度与标准差作为关键指标，建立阵列级统计阈值而非全局规则；提出的“热像素计数”算法设定特定温差指数（ΔT=15°C与20°C高于面板最低温度），表面温度超过阈值指示功率损失与安全关切。但光伏热故障诊断仍缺乏统一的ΔT阈值标准，常用经验值（如5 K、10 K、20 K）源于特定案例研究，跨环境与运行条件的可移植性有限；故障率数据披露不一致，且多基于异质数据集与方法，使得跨研究比较与通用量化基准的定义极具挑战。
4.6 无人机（UAV）
无人机革新了光伏巡检实践，为大型光伏电站提供快速、高效、低成本监测方案。搭载红外与视觉相机的无人机可检测热点、断开子串、遮阴与物理损伤等多种故障，无需中断系统运行。意大利北部200 kW光伏系统的试验证实，轻型无人机搭载的热像仪可实时快速评估系统性能，检测各类故障；智能无人机系统可自动识别退化组件，适应不同气象条件与光伏配置，通过阈值警报标记退化超过5%的组件。无人机部署可将热成像评估时间缩短85%，特别适合大面积或难以接近的光伏电站巡检。3 MW光伏电站（约12600块多晶组件，350×120 m2）的实验验证显示，采用GPS与热成像系统的轻型无人机通过协同路径规划，水平与垂直飞行路径对比显示总飞行距离从2.71 km降至2.02 km（缩短约25%），提升时间与能效。经济评估表明，1 MW光伏电站（年运维成本约50美元/kW，即约50000美元/年）采用无人机巡检仅增加年运维成本6-10%，但可实现退化组件的早期检测，降低长期性能退化风险。无人机平台（2.8 kg重量，0-20节巡航速度，0.25-0.4小时续航）在实际运行条件下展现了实用价值。IPCC第五次评估报告强调，应对气候变化需可靠的基于科学的能源系统监测管理策略，无人机作为实用高效工具，支持可再生能源领域的气候适应：快速巡检大型光伏系统契合AR5对提升观测能力以增强韧性与运行效率的强调，通过早期检测故障与退化，助力可持续能源生产，缓解能量损失并确保系统在气候变化下的可靠性。无人机自主导航系统的进展显著提升了可行性：标准GPS导航定位精度约2-5 m，集成RTK-GPS可实现厘米级精度；现代无人机平台续航达20-60分钟，单次任务覆盖面积大；实时障碍物检测系统更新率超过10 Hz，支持复杂环境安全导航；先进3D无碰撞导航算法减少路径冗余，提升轨迹效率；多无人机协同系统进一步缩短任务时长，增强巡检可扩展性。这些导航精度、续航与协同能力的量化提升，直接转化为光伏电站巡检时间的缩短、覆盖可靠性的提升与热数据获取的一致性。无人机按控制构型主要分为多旋翼（如六旋翼，适合精准局部巡检）与固定翼（适合长距离大范围监测）两类。保加利亚12.6 kWp光伏电站的对比实验显示，近距离（2 m）与远距离（15-26.9 m）红外测量的绝对温差可达34.1°C，相对偏差超过30-50%；远程红外与接触传感器的温差通常低于10°C（约16%）；电池内温差可超过40°C，热点与相邻电池的温差超过50°C，证实空间非均匀性显著；电池表面积灰覆盖率低于6%时无热点形成，提示了红外检测的实际阈值。这些结果定量证实无人机热成像受距离、分辨率与观测几何的显著影响，大尺度光伏巡检中需考量峰值温度估计的不确定性。总体而言，无人机监测通过灵活性、精度与自动化的集成，成为光伏系统巡检的变革性进步，减少巡检时间、降低运行停机时间、提升 worker 安全，随着成像技术、自主导航与机载数据处理的持续改进，正成为光伏系统预测性维护与实时性能分析不可或缺的工具，支撑持续能量收益、优化运维调度与太阳能基础设施的长期可靠性。
4.7 第4节总结：故障检测方法
本节系统综述了适用于不同诊断需求、运行场景与故障类型的当代光伏故障检测方法。目视检查作为传统方法，仍是识别变色、分层与机械损伤等宏观缺陷的基础，尽管局限于表面异常，但成本效益突出，可有效标记需进一步分析的组件。电脉冲红外热成像通过受控正向偏压激励与红外成像定位隐蔽裂纹或断栅等内部电气故障，结合二次判别分析等监督学习技术，实现了高信噪比与鲁棒缺陷分类，特别适合实验室尺度诊断与早期质量控制。EL成像作为高分辨率非侵入式技术，可检测微裂纹、非活性区等潜在缺陷，对电流路径的细微变化敏感，支持性能退化问题的早期识别；轻量级深度学习模型的集成推动了自动化缺陷检测的发展，具备高准确率与实时推理能力，向现场可部署解决方案迈进。红外热成像作为广泛应用的非接触技术，在真实条件下的大型巡检中价值显著，通过识别热异常可靠检测热点、焊接缺陷与电池断裂；拆卸组件研究证实升温区域与功率下降强相关，凸显其诊断效力，但精度受风速、辐照度等环境因素限制，需精细校准与情境化解译。航空红外热成像依托无人机搭载的热与RGB相机，高效巡检utility-scale光伏系统，巴西电站案例证实其可识别断开子串、植被遮阴等关键故障；飞行后图像分析优于实时评估，RGB成像融合提升了故障分类能力，可区分真实热点与外部积灰。无人机作为通用巡检平台，多旋翼与固定翼构型适配不同巡检范围与地形；意大利与保加利亚案例显示其可自动检测退化组件并适应环境变量；实验同时证实测量角度与传感器距离的温差显著性，强化了多传感器集成的必要性；自主导航与协同路由的进展提升了可扩展性与人机干预最小化潜力，且契合全球气候韧性目标，支持可再生能源基础设施的快速数据驱动决策。积灰作为最普遍的环境性能损失源，研究显示灰尘积累显著损害透射率（尤其<570 nm波段），宽带隙非晶硅功率损失可达33%，倾角影响积灰分布的非均匀性，需情境化积灰模型；观测数据证实低于6%的表面覆盖率可能无法被热成像单独检测，支持红外系统与视觉相机的联合使用。综上，集成表面观测、热分析、发光成像与航空监测的多模态方法，为光伏系统故障检测、性能优化与长期可靠性提供了最鲁棒的框架；随着系统规模扩大与运行复杂性提升，采用自动化多模态巡检策略，对支撑高效维护、减少能量损失、实现可持续能源目标至关重要。
- 5.
巡检算法与挑战
随着红外热成像、电致发光成像与无人机辅助巡检在光伏系统中的普及，先进计算算法的作用日益凸显，核心是图像处理技术的应用，其在增强、分析与解译光伏组件海量视觉与热数据中发挥关键作用，用于精准检测、分类与定位热点、裂纹、分层与遮阴等故障。传统人工巡检已无法适应大规模太阳能电站的需求，现代巡检 pipeline 日益依赖自动图像处理应用、计算机视觉方法与机器学习（ML）模型（包括深度学习架构），以简化数据分析与决策。这些工具不仅提升检测精度，还减少人为误差，支持实时诊断与预测性维护策略。尽管热成像在故障定位中效果显著，但经典热成像检测本质上为定性方法：热梯度指示异常，但受环境变异与技术依赖性响应限制，无法单独建立普适退化模型，因此近期研究聚焦于混合与数据驱动方法以提升鲁棒性与可复现性。尽管热成像可揭示异常发热模式，但将这些温度变异转化为定量退化路径仍具挑战：相似热特征可能源于不同物理机制，环境变异性进一步限制可复现性，因此红外热成像不应被视为独立的定量退化建模工具。
5.1 数字图像处理（DIP）
数字图像处理技术广泛应用于光伏巡检，通过增强热与视觉图像，自动检测微裂纹、热点与分层等缺陷。其核心任务是通过适当的信号与滤波操作处理图像，增强故障特征可见性，去除噪声或畸变，为高级分类或诊断算法奠定基础。在光伏应用中，DIP通过增强、分割与特征提取步骤识别积灰、微裂纹、热点与分层等异常，现已成为光伏 condition 监测与预测性维护计算机视觉 pipeline 的核心模块。许多数字图像处理技术利用电磁频谱，通过噪声滤波、边缘检测与稀疏方法增强分析图像内容。
5.2 机器学习与混合AI方法
近期研究日益将ML算法应用于光伏诊断中热成像与电致发光图像的自动解译。ML算法通过识别红外热成像或电致发光成像采集的大规模图像数据集中的复杂模式，训练分类热点、裂纹与分层等缺陷，相比人工或规则驱动方法，显著提升故障检测速度与可靠性。从支持向量机（SVM）等传统分类器到深度神经网络的数据驱动模型，在多变环境与运行条件下均展现出鲁棒性能。DIP可与深度学习（DL）模型结合，发挥DIP的高级特征提取优势与DL的强大分类能力，以最小人工干预实现自动图像识别与缺陷识别。DL通过CNN核心架构，从数据中准确提取分类复杂模式，用于光伏故障检测的视觉任务。持续从新数据中学习的ML方法，确保了跨环境与运行条件的鲁棒性能，成为现代光伏监测与预报性维护系统不可或缺的组成部分。混合AI缺陷检测框架的最新进展，通过集成红外热图像与电气I-V曲线特征，提升了诊断鲁棒性：该框架利用表面温度分布与电气性能特征的互补性，通过卷积与池化层提取特征，经全连接层融合多模态表征，分类正常运行、积灰、裂纹、局部遮阴与短路等运行状态。基于VGG16架构的迁移学习策略，实现并行多模态特征学习，显著提升故障判别能力；屋顶光伏模块实验验证显示准确率与召回率超过98%，证实多模态学习优于传统单输入ML pipeline，可同时捕捉可见热异常与潜在电气退化。该框架通过数据增强与微调迁移学习，在有限数据集下仍保持强泛化能力，降低计算需求；热成像与I-V曲线分析的融合，提升了对热模式 alone 无法显现的缺陷的检测可靠性，减少假阴性。这些发现强化了集成数据驱动巡检 pipeline 的发展趋势，ML模型通过融合成像与性能指标，支撑大规模光伏系统的主动维护、可扩展部署与高置信度决策。
5.3 卷积神经网络（CNN）
CNN是光伏系统故障检测与图像分类中最广泛采用的深度学习模型之一，作为专为图像分析设计的深度神经网络，擅长从光伏模块的视觉、热或EL图像中提取空间特征。其分层架构支持自动学习层次化特征，对微裂纹、分层、热点等缺陷识别效果显著。CNN消除了手动特征工程的需求，对图像噪声、可变光照与尺度畸变（现场巡检的常见问题）具备强鲁棒性。通过在自动巡检系统（尤其集成无人机或航拍图像的系统）中应用CNN，可显著提升屋顶与utility-scale电站光伏诊断的可扩展性、精度与速度。
5.4 光伏诊断中当前热成像方法的关键视角
批判性回顾现有文献揭示了若干持续存在的挑战，限制了热成像的全面标准化与实践优化。尽管红外热成像作为光伏系统非侵入式诊断工具已广泛应用，但重要的跨领域空白仍未充分解决。IEC TS 62446-3为自然阳光下光伏组件与系统的户外红外巡检提供了结构化指导，但其本质为技术规范，旨在标准化巡检流程而非定义量化验收准则。与基于电气性能指标建立合格/不合格要求的IEC 61215不同，红外热成像无法直接量化检测到的热异常对I-V特性的电气影响，因此IRTG观测到的温度偏差无法普适性地转化为性能损失阈值或失效判据。现场研究与巡检实践进一步显示，该推荐的实施方式存在显著变异性，包括辐照度阈值差异、风影响、观测角度对发射率与反射率的影响，以及红外相机的辐射校准与测量不确定性。IRTG的这些固有局限（尤其是与电气退化的间接关联，以及对环境与仪器因素的敏感性），阻碍了IEC TS 62446-3中普适性合格/不合格判据的制定，也增加了通用温度基严重性分类定义的难度。因此，IRTG应主要被视为定性或半定量筛查工具，而非确定性合规测试方法。第二个挑战是温度异常模式与定量性能退化之间的相关性有限。尽管多项研究报道了热点温度与组串级能量损失的经验关系，但能综合考虑模块架构、旁路二极管行为、遮阴动态与老化机制的普适模型仍缺失。若无此类模型，热成像仍主要为定性技术。近期研究显示，热点模式与长期性能退化的相关性较弱，仅同一PV组串中故障模块（含热异常）的数量对性能衰减具有 measurable 影响。热成像与数据驱动方法的交叉领域存在明显研究空白：尽管用于光伏组件缺陷检测的深度学习模型已取得显著进步，但多数训练于精心筛选的数据集，无法代表真实光伏电站的变异性；实验室或地面热图像训练的模型，在真实电站无人机采集图像上的有效性往往下降，存在显著的领域偏移问题。此外，缺乏带高质量标注的公共热数据集，阻碍了结果复现与模型比较。现有数据集多聚焦单面组件，而双面组件带来的后侧辐照、反射与不同热模式等额外挑战，当前模型通常未纳入训练。无人机热成像的普及引入了更多测量挑战：飞行高度、相机俯仰与横滚、平台振动与大气透射率变异均贡献不确定性，但这些误差源在光伏巡检研究中鲜少被量化。多数研究采用单一飞行配置，未评估热结果对不同飞行参数的敏感性，限制了研究发现跨电站与跨条件的适用性。融合热成像与EL、PL、IV曲线分析或SCADA数据的多模态诊断策略仍未得到充分开发：PID早期、微裂纹或金属化腐蚀等故障类型常产生微弱或无法检测的热特征，仅靠热成像不足以可靠检测。缺乏融合电气与热信息的系统化框架，制约了现场巡检的整体诊断完整性，限制了准确识别量化模块或组串级故障的能力。应对这些空白需要协调的规程、鲁棒的环境补偿模型、标准化的无人机流程、共享数据集，以及能将热异常与电气性能和退化路径关联的集成诊断框架。
- 6.
结论
本综述系统审视了IRTG作为光伏系统非接触现场可部署诊断方法的价值，重点阐释了热成像如何支撑大尺度的故障定位、性能基准测试与维护规划。论文同时强调，无人机部署与算法自动化（图像处理、ML与深度学习）的最新进展，正将光伏巡检 workflow 从人工被动检查转变为日益数据驱动的预测性监测 pipeline。核心结论之一是，自然辐照下的被动IRTG仍是常规户外巡检最实用的热成像模式，可在不停机前提下捕捉热点电池、二极管激活、互连问题等温度异常。文献同时表明，热异常不仅是视觉指标：组串级影响是可 measurable 的，受影响子串数量是比热点温度本身更能预测产量损失的指标。现场分析显示，每个含异常的模块子串平均导致组串输出降低约1%（受影响子串），局部过热通常与几个百分点的能量损失相关，若持续存在可促进长期退化。但需强调，热成像测量仅提供电气性能的间接指标，而非I-V退化的直接量化，因此IRTG应主要被视为定性或半定量筛查工具，温度偏差无法普适性地转化为标准化合格/不合格判据。萨沃纳校区的实验进一步证实，热成像结果的质量与可解译性强烈依赖测量几何与运行条件：双面光伏试验台与固定相机距离的设置下，观测到上午/正午/下午时段随辐照与太阳入射角演变的 distinct 热响应，而相机观测角度影响视在热点可见性（尤其当日后组件方位角与太阳更接近时）。这表明，即使同一组件，热“特征”并非固定，而是辐照度、入射角与观测配置的函数，凸显了现场规程中记录与控制这些参数的必要性。从失效机制视角，综述的故障分类学（断裂/裂纹、分层、腐蚀、热点形成与积灰）支持一个重要实践观点：热异常常代表电气与材料退化路径的汇聚，而非孤立事件。例如，热点可由遮阴、失配、接触缺陷、裂纹或二极管行为引发；分层与湿气侵入可加速金属化/互连腐蚀，放大电阻发热；积灰不仅是光学损失机制，还可造成非均匀辐照与热梯度，复杂化诊断，并在长期忽视下促进热点演化。积灰研究进一步表明，灰尘可导致显著的技术依赖性损失（尤其宽带隙器件），而轻微覆盖可能热特征微弱，强化了巡检中热成像与RGB/视觉确认结合的必要性。对比不同巡检模式，核心发现是：单一技术不足以在所有缺陷类型与运行场景下实现全面光伏诊断。目视检查对表面可见缺陷快速经济，但对电活性、早期或内部故障局限；EL提供微裂纹与非活性区的高分辨率洞察，但受操作约束；EPIT在受控激励下具备出色的电池级缺陷定位能力；IRTG/aIRTG提供热特征的大尺度现场监测，尤其结合无人机平台实现电站级快速覆盖。因此，论文的比较框架（表3）与证据基础一致：鲁棒诊断日益依赖多方法与多传感器 workflow，而非孤立测试。第5节讨论的一个核心议题是，巡检效能现已与巡检算法的成熟度紧密耦合。数字图像处理仍是去噪、增强、分割与特征提取的基础，而ML与CNN-based pipeline 支撑了大规模数据集的可扩展缺陷分类与定位。但批判性视角同时显示，算法进展当前受限于系统性问题：缺乏带可靠标注的公共数据集、实验室/地面图像与无人机热像图之间的领域偏移、双面特有热行为的代表性不足。这些空白直接限制了受控条件下报道的“高精度”模型的复现性、泛化能力与真实世界迁移能力。从标准与部署视角，综述识别了一个核心瓶颈：热成像巡检规程的协调统一。尽管IEC指南为户外IR巡检提供了结构化框架，但该文件为指导性规范，未提供普适的合格/不合格严重性阈值——这正是因为IRTG无法以类似认证标准的方式直接量化电气影响。现场实施存在显著差异（辐照约束、风耐受性、观测角度处理、校准实践），这种规程变异性既阻碍了跨研究比较，也限制了通用温度基严重性分类的建立。与此同时，无人机热成像引入了额外不确定性源（高度、相机俯仰/横滚、振动、大气透射率），而这些在光伏巡检研究中仍鲜少被系统量化。展望未来，本论文的发现指向最具影响力的研究与工程方向：规程趋同与不确定性量化——推动辐照度、风速、发射率假设、观测几何、校准方法与不确定度边界的标准化报告，尤其针对无人机巡检；性能关联解译——开发将热特征与电气影响（子串/二极管行为、遮阴动态、老化机制）关联的普适模型，同时明确热成像是而非替代直接电气表征的补充工具；多模态诊断融合——系统化集成IRTG/aIRTG与RGB情境、EL/PL（可行时）、IV/SCADA分析与维护历史，提升故障归因能力（如区分积灰诱导热区与电驱动发热）；面向现场变异的算法鲁棒性——扩展数据集与基准测试以反映真实光伏多样性（组件技术、气候、无人机配置、双面运行），优先发展领域自适应与物理信息学习以缓解领域偏移。综上，综述证据支持红外热成像（尤其通过无人机平台规模化并结合现代图像处理与学习算法）作为当代光伏巡检的重要组成部分。其核心优势在于非侵入式部署、可扩展性与快速异常筛查；局限包括与电气退化的间接关联、对环境变异的敏感性，以及缺乏普适定量严重性阈值。因此，热成像的最大价值体现在集成化多模态诊断框架中——该框架结合标准化采集、量化不确定度、互补电气测试与性能感知分析，以指导及时的维护决策，支撑光伏系统的长周期高收益运行。
