《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Benchmarking imaging-based inspection techniques for PV systems
编辑推荐：
光伏组件会经历渐进的性能退化与突发性故障，这些现象会降低能量产出、可靠性与安全性，从而推动了基于成像的诊断技术的应用。成像方法能够检测常规目视检查（visual inspection, VIS）通常不可见的电气与物理缺陷。研究表明，微裂纹（microcrack
光伏组件会经历渐进的性能退化与突发性故障，这些现象会降低能量产出、可靠性与安全性，从而推动了基于成像的诊断技术的应用。成像方法能够检测常规目视检查（visual inspection, VIS）通常不可见的电气与物理缺陷。研究表明，微裂纹（microcracks）、热点（hotspots）、电位诱导退化（potential-induced degradation, PID）和光诱导退化（light-induced degradation, LID）会显著影响光伏组件的可靠性。因此，本综述同时考察了已部署的成熟现场诊断技术（技术就绪水平（technology readiness level, TRL）>5）和正在开发中的新兴方法（TRL<5）。大多数现有研究聚焦于单一成像技术的开发或评估，而部分综述文章虽然讨论了多种方法，却未能在不同故障类型之间对传统与新兴诊断方法进行详细比较。因此，现有成像模态诊断能力的系统比较仍然有限。为填补这一空白，本综述对各种基于成像的光伏检测技术开展了结构化研究与故障中心基准评估（fault-centric benchmarking），强调跨成像模态的故障可见性与诊断相关性，而非仅依赖已报道的准确率指标。此外，研究人员采用了一种混合范围-映射（scope-mapping）系统综述方法，对同行评审研究根据故障类型和技术成熟度进行筛选、分类与综合。根据文献报道结果，机器学习辅助的红外热成像（infrared thermography, IRT）已实现94%–98%的检测准确率，而基于深度学习的电致发光（electroluminescence, EL）方法的准确率高达97.8%。紫外荧光（ultraviolet fluorescence, UVF）技术的裂纹检测率超过91%，在可比运行条件下其检测吞吐量比近红外检测高10–15倍。这些性能数值来源于不同的研究、数据集和实验条件，因此旨在展示代表性能力，而非在不同技术之间进行直接比较。日光发光（daylight luminescence）和基于磁场的诊断等新兴方法也日益受到关注，但其更广泛的应用仍受到运行复杂性和信噪比（signal-to-noise ratio, SNR）挑战的限制。
**1. 引言（Introduction）**
论文指出，全球能源转型使太阳能光伏发电量从2024年的450 TWh显著增至2025年的620 TWh。光伏组件在运行寿命中会经历渐进退化与突发性故障，涵盖电池级（如光诱导退化（LID）与光热诱导退化（LeTID））、互连级（如焊料疲劳与接触退化）、组件级（如封装老化、背板开裂、水汽侵入）和系统级（如电位诱导退化（PID））等失效机制。多数缺陷无法通过常规目视检查（VIS）早期识别，因此电致发光（EL）、光致发光（PL）和红外热成像（IRT）等先进成像技术被广泛用于失效分析与长期可靠性评估。现有综述多聚焦于单一模态或有限组合，缺乏涵盖全谱系成像方法的统一比较框架。为此，本研究提出一种故障中心基准评估（fault-centric benchmarking）框架，系统考察各类成像模态的诊断能力与适用场景。
**2. 综述方法（Review methodology）**
采用混合范围-映射（scope-mapping）系统综述方法，包含范围界定、文献检索、相关性筛选和方法分类四个阶段。检索平台包括IEEE Xplore、ScienceDirect和MDPI，并辅以其他权威来源。检索围绕光伏系统与组件、故障与缺陷检测、成像与图像分析、无人机（UAV）辅助检测及人工智能（AI）辅助诊断五个概念组展开。最终纳入138篇文献，其中核心论文110篇、支撑论文11篇、外围论文17篇。
**3. 光伏系统中的缺陷类型（Types of defects in PV）**
电池级缺陷包括蜗牛纹（snail trails）、裂纹/微裂纹与热点（hotspots）。微裂纹按严重程度分为A、B、C三类：A类不造成电学隔离，B类部分断连受影响区域，C类导致电池碎片完全电学隔离。退化机制涵盖LID（初始光暴露阶段功率损失可达5%）、PID（高电位差驱动Na
+离子形成分流）以及LeTID（在高于50°C时显著降低组件性能）。其他缺陷包括玻璃破裂、乙烯-醋酸乙烯酯（EVA）封装退化、背板退化、接线盒故障、连接器故障及材料失配等。
**4. 光伏现场检测（PV field inspection）**
4.1 IRT成像：基于1.4–15 μm光谱范围内的红外辐射，可采用被动或主动（如脉冲或锁定加热）模式，实现热点、分流电池、旁路二极管故障及断流串的实时非接触检测。与UAV平台结合可进一步提升检测速度与空间覆盖，但检测精度受风速、湿度、反射和环境温度梯度影响，部分研究报道温度误差可达15°C。
4.2 EL成像：通过正向电流注入诱导近红外发射，可检测微裂纹、早期PID、亚电池断裂和金属化缺陷等精细损伤。EL发射信号弱，通常需在低光或暗室条件下成像，且需要电气接触和稳定电源，现场部署灵活性受限。
4.3 PL成像：以光激发方式表征载流子寿命与缺陷分布，可检测低质量电池、裂纹、非活性区域及旁路二极管故障。PL信号弱于反射激发光，需敏感探测器与精确光谱滤波。
4.4 UVF成像：对封装聚合物退化敏感，可检测电池裂纹、分层、热点及封装老化。FLOIS系统可实现日光下每小时近200块组件的检测速率，后续发展将吞吐量提高至1000–2000块/小时。
4.5 UAV成像：UAV搭载IRT可实现大规模检测，调查速率接近1 MW/h；UAV-EL与UAV-PL可提供电池级空间细节，但需夜间或低光操作并受飞行稳定性影响。
**5. 新兴技术（Emerging technologies）**
5.1 dEL：通过数字滤波和电流调制抑制背景光，可在日光条件下成像。自供电配置利用相邻组串提供注入电流，无需外部电源。仍受限于低信噪比（约0.01）和飞行运动模糊。
5.2 dPL：以太阳光为激发源，通过逆变器开关调制工作点（开路与最大功率点（MPP）切换），可实现宽面积成像并生成空间电压图，具有毫伏级灵敏度。
5.3 MFI：基于Biot–Savart定律映射三维磁通密度，可检测断裂连接器、脱离焊带、接线盒故障和分流故障。毫米级传感器高度变化即可引起12%的磁通密度测量偏差。
5.4 UAV-UVF：最佳检测条件为4–6 m飞行高度和12–16块组件/帧，理想条件下检测速率可达720块/小时，但需低光环境和至少两名操作人员，且飞行续航受重型载荷限制。
**6. 基准评估（Benchmarking）**
从故障可见性、定位能力、诊断解释、检测条件和报告局限性五个维度进行文献证据评估。EL获得总评分4.40/5.00，在故障覆盖与检测可靠性方面表现突出；IRT与UAV-IRT在热相关故障（热点、旁路二极管、开路故障）中检测能力最强；UVF对聚合物退化和玻璃破裂检测最有效；dEL与dPL改善了缺陷边界定位与退化进程追踪，但对热主导型故障的检测能力有限。
**7. 挑战、建议与未来方向（Challenges, recommendations and future directions）**
主要挑战包括环境条件干扰、训练数据集规模有限且缺乏跨光伏技术（单晶、多晶、薄膜）的泛化验证、公开多模态数据集稀缺、多传感系统集成复杂度高等。建议建立大规模标准化多模态数据集、统一评估指标（精确率、召回率、F1分数、平均精度均值（mAP）等），并发展适用于UAV实时检测的轻量级深度学习模型。
**8. 结论（Conclusions）**
没有单一成像方法能够识别所有缺陷类型。IRT在大规模现场检测中最具实用性，尤其适合UAV平台；EL与PL对微裂纹和电学非活性区域敏感性更高；UVF主要用于揭示封装老化与退化历史；dEL、dPL与MFI等新兴技术进一步扩展了检测能力，但仍面临环境敏感性、成本、气候条件及跨技术泛化等挑战。
