[0001] 本公开涉及光伏系统故障检测技术领域，特别涉及一种光伏系统故障检测方法及装置、电子设备、存储介质。

[0002] 光伏(Photovoltaic，PV)系统的监测和维护，对于确保光伏系统连续发电以及防止其运行下降至关重要。一直以来，为了实现光伏系统的故障检测，人们通常通过手动检查光伏组件的高分辨率电致发光(Electroluminescent，EL)图像，来确定光伏系统的故障类型及故障位置。然而，这种检测方法通常需要耗费大量的人力和时间，严重影响故障检测效率。

[0003] 目前，深度学习模型已被广泛用于快速准确的图像分类。然而，在利用这些标准通用的深度学习模型基于光伏图像进行故障检测分类时，可能会产生较大的误差，尤其是光伏图像存在噪声或类间小变化数据的情况下。并且，一些基于光伏图像的故障检测方法仍然依赖于手动创建的图像特征，无法确保故障分类的有效性。

[0056] 为使本公开实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本公开的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本公开各实施方式中，为了使读者更好地理解本公开而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本公开所要求保护的技术方案。以下各个实施方式的划分是为了描述方便，不应对本公开的具体实现方式构成任何限定，各个实施方式在不矛盾的前提下可以相互结合相互引用。

[0057] 本公开的一个实施方式涉及一种光伏系统故障检测方法，其流程如图1所示，包括：

[0058] 步骤S110，获取光伏系统的光伏组件图像。

[0059] 举例而言，光伏组件图像可以通过手持式相机或摄像头、固定式相机等影像设备对光伏组件进行拍摄获得，也可以通过其他方式获得，例如，也可以通过无人机捕捉和获取光伏组件图像。本实施方式对光伏组件图像的获取方式并不限制，只要能够获取到光伏组件图像，使得后续步骤能够利用该光伏组件图像进行故障检测即可。

[0060] 步骤S120，将光伏组件图像输入训练好的深度学习模型，得到光伏组件图像对应的故障检测结果。

[0061] 其中，深度学习模型包括VGG‑16模型以及专用层、级联层、分类层；VGG‑16模型用于提取光伏组件图像的图像特征；专用层用于提取光伏组件图像对应的方向梯度直方图归一化特征；级联层用于将图像特征和方向梯度直方图归一化特征进行级联并向量化，得到对应的向量化特征；分类层用于根据向量化特征确定故障检测结果。

[0062] 示例性的，VGG‑16模型中，卷积层的输入为三维张量，三维张量的第一维度表示批量大小，三维张量的第二维度表示输入图像的高度，三维张量的第三维度表示输入图像的宽度。VGG‑16模型中，池化层的输入为卷积层的输出，池化层将输入图像划分为一组不重叠的矩形区域，并分别为每个矩形区域计算单个输出值。

[0063] 举例而言，如图2所示，VGG‑16模型可以包括5个卷积模块即conv1、conv2、conv3、conv4、conv5以及2个全连接层即fc6、fc7，以提取原始图片的图像特征。其中，conv1、conv2分别包括2个卷积层和1个池化层。conv3、conv4、conv5分别包括3个卷积层和1个池化层。conv1中，各卷积层的输出图像尺寸均为224×224×64。conv2中，各卷积层的输出图像尺寸均为112×112×128。conv3中，各卷积层的输出图像尺寸均为56×56×256。conv4中，各卷积层的输出图像尺寸均为28×28×512。conv5中，各卷积层的输出图像尺寸均为14×14×
512。fc6、fc7分别输出的图像尺寸均为1×1×4096。

[0064] 示例性的，专用层用于提取光伏组件图像对应的方向梯度直方图归一化特征，包括：专用层具体用于：根据公式 对光伏组件图像对应的方向梯度直方图特征进行归一化，得到方向梯度直方图归一化特征；其中，z表示方向梯度直方图归一化特征对应的归一化向量，x表示方向梯度直方图特征对应的特征向量，μ表示x的平均值，σ表示x的标准偏差。

[0065] 具体地，专用层被设计用于提取光伏组件图像对应的HOG归一化特征，首先使用具有重叠的16×16窗口大小来提取原始图片的HOG特征，然后将每个窗口提取的特征级联并向量化，以产生长度为1296的特征向量即HOG特征对应的特征向量x，之后利用公式对特征向量x的每个数据点进行归一化，即可得到归一化向量z。通过对HOG特征进行归一化，可以有效减少使用噪声特征对深度学习模型进行训练的影响。

[0066] 示例性的，方向梯度直方图特征基于根据光伏组件图像对应的灰度图像提取得到。

[0067] 具体地，VGG‑16模型中的卷积层通过卷积神经网络(Convolutional Neural Networks，CNN)分层提取图像特征，并被设计为在每个类别存在大量样本的情况下识别彩色图像。当样本数量较少时，由于卷积神经网络通常有数百万个参数，因此，可能会出现错误分类和训练过拟合问题。此外，样本数量较少时，模型训练所使用的图像通常是灰度级的，并且存在类内方差(例如健康0％和健康33％)和类间相似性(例如健康33％和错误66％)。目前，利用灰度图像提取HOG特征，已被广泛应用于基于图像的特定模式识别。因此，为了防止CNN在训练过程中只记住训练图像而没有找到一个好的表示，在深度学习模型的网络中添加一个不可学习的特征向量即HOG特征对应的特征向量。这些不可学习的HOG特征可以有效发挥先验知识的作用，迫使深度学习模型中的其他网络参数在不消失梯度问题的情况下学习，从而避免训练过拟合，减少错误分类。

[0068] 一并结合图2，级联层将VGG‑16模型输出的大小为1×1×4096的图像与专用层提取到的1×1×1296大小的HOG归一化特征进行级联并向量化，输出大小为1×1×5392的向量。分类层则根据级联层输出的大小为1×1×5392的向量进行故障检测分类，输出大小为1×1×2的故障检测结果，包括故障类型及其对应的故障位置。

[0069] 本公开实施方式提供的光伏系统故障检测方法，相对于现有技术而言，可以有效实现端到端的光伏图像故障检测，提高故障检测精度。

[0070] 示例性的，深度学习模型的训练过程包括：获取光伏系统的光伏组件图像样本；对光伏组件图像样本进行标注，确定光伏组件图像样本对应的真实标签；真实标签包括真实故障类型及真实故障位置；基于光伏组件图像样本及其对应的真实标签，构建训练集，按照预设比例确定训练数据和测试数据；利用训练数据对深度学习模型进行训练，利用测试数据对深度学习模型进行测试。

[0071] 具体地，光伏组件图像样本可以通过手持式相机或摄像头、固定式相机等对光伏组件进行拍摄获得，也可以从网络上公开的数据集中获得以作为样本补充。光伏组件图像样本可以包括多种故障类型分别对应的光伏组件图像。举例而言，如图3所示，光伏组件图像样本可以包括单晶硅故障的光伏组件图像(图3中的第1行图像)、多晶硅故障的光伏组件图像(图3中的第2行图像)、单晶硅健康的光伏组件图像(图3中的第3行图像)、多晶硅健康的光伏组件图像(图3中的第4行图像)。当然，光伏组件图像样本还可以包括其他故障类型的光伏组件图像，本实施方式对此并不限制。

[0072] 在对光伏组件图像样本进行标注时，需要将对对应的真实故障类型及其真实故障位置进行标注。举例而言，对于图3中的第1行图像包括的各光伏组件图像样本来说，为其标注的真实故障类型应当为单晶硅故障。对于图3中的第2行图像包括的各光伏组件图像样本来说，为其标注的真实故障类型应当为多晶硅故障。对于图3中的第3行图像包括的各光伏组件图像样本来说，为其标注的真实故障类型应当为单晶硅健康。对于图3中的第4行图像包括的各光伏组件图像样本来说，为其标注的真实故障类型应当为多晶硅健康。

[0073] 在构建得到训练集之后，可以将训练集中的数据按照预设比例划分为训练数据和测试数据。举例而言，预设比例可以为1：3，此时，训练数据占训练集中数据总量的25％，测试数据占训练集中数据总量的75％，也就是说，将训练集中25％的数据作为训练数据，用于对深度学习模型进行训练，将训练集中75％的数据作为测试数据，用于对利用训练数据训练后的深度学习模型进行测试。

[0074] 示例性的，深度学习模型的训练过程还包括：创建深度学习模型的受试者工作特性(Receiver Operating Characteristic，ROC)曲线；根据受试者工作特性曲线，对深度学习模型的有效性进行评价。

[0075] 具体地，二元分类模型的有效性通常由ROC曲线以图形方式描述，以比较不同分类水平的真阳性率(True Positive Rate，TPR)和假阳性率(False Positive Rate，FPR)。为了创建深度学习模型的ROC曲线，需要计算不同分类阈值的TPR和FPR。在这里，阈值是一个数值，它的范围从0.5(对于执行一般的分类器)到1(对于完美分类器)，高于该数值，深度学习模型将指定正标签，而低于该数值，深度学习模型则将指定负标签。

[0076] 举例而言，通过利用上述实施方式提供的训练过程对深度学习模型进行训练后，得到的ROC曲线如图4所示，其中，Healthy表示健康类型，Faulty表示故障类型，该ROC曲线穿过图的左上角，这表明，训练得到的深度学习模型效果非常出色。

[0077] 为使本领域技术人员能够更好地理解上述实施方式提供的光伏系统故障检测方法，下面以一具体示例进行说明。

[0078] 一并结合图5，一种光伏系统故障检测方法包括以下步骤：

[0079] 数据收集：利用手持式相机或固定式相机拍摄各种故障类型的光伏组件图像作为样本，也可从网络上获取一些公开的光伏组件图像数据集作为样本补充。

[0080] 数据分类标注：分别标注各光伏组件图像样本对应的真实标签，该真实标签包括故障类型及故障位置，其中，故障类型包括健康、故障以及单晶硅、多晶硅等。

[0081] 搭建混合模型：搭建如图2所示的深度学习模型。采用VGG‑16模型作为端到端深度学习模型的基线。深度学习模型还包括专用层、级联层、分类层。其中，VGG‑16模型用于提取光伏组件图像的图像特征。专用层用于提取光伏组件图像对应的HOG归一化特征。级联层用于将图像特征和HOG归一化特征进行级联并向量化，得到对应的向量化特征。分类层用于根据向量化特征确定故障检测结果。

[0082] 建立训练集：按照1：3的比例，将标注好的光伏组件图像样本划分为测试集和训练集，即，将25％的光伏组件图像样本用于测试，将75％的光伏组件图像样本用于训练。

[0083] 训练后观察ROC曲线并对模型效果评估：利用训练集和测试集对深度学习模型进行训练，训练完成后，构建深度学习模型的ROC曲线，根据该ROC曲线对深度学习模型的训练效果进行评估。若ROC曲线表明深度学习模型的训练效果较差，还不能满足实际需求，则重新利用训练集和测试集对深度学习模型进行训练。

[0084] 若ROC曲线表明深度学习模型的训练效果较好，能够满足实际需求，则获取待检测的光伏组件图像，将该光伏组件图像作为真实数据输入训练好的深度学习模型，使该深度学习模型输出故障判断结果，得到该光伏组件图像对应的故障检测结果，从而实现端到端的光伏图像故障检测。其中，端到端指的是：手持式相机或固定式相机作为数据的输入端，将手持式相机或固定式相机拍摄的光伏组件图像回传至服务器或电脑中，利用训练好的深度学习模型对图像进行识别与分类以实现故障检测，并将检测结果直接呈现在服务器或电脑上。

[0085] 本公开的另一个实施方式涉及一种光伏系统故障检测装置，如图6所示，包括获取模块610和检测模块620。

[0086] 获取模块610用于获取光伏系统的光伏组件图像。检测模块620用于将光伏组件图像输入训练好的深度学习模型，得到光伏组件图像对应的故障检测结果。

[0087] 其中，深度学习模型包括VGG‑16模型以及专用层、级联层、分类层；VGG‑16模型用于提取光伏组件图像的图像特征；专用层用于提取光伏组件图像对应的方向梯度直方图归一化特征；级联层用于将图像特征和方向梯度直方图归一化特征进行级联并向量化，得到对应的向量化特征；分类层用于根据向量化特征确定故障检测结果。

[0088] 示例性的，VGG‑16模型中，卷积层的输入为三维张量，三维张量的第一维度表示批量大小，三维张量的第二维度表示输入图像的高度，三维张量的第三维度表示输入图像的宽度。

[0089] 示例性的，VGG‑16模型中，池化层的输入为卷积层的输出，池化层将输入图像划分为一组不重叠的矩形区域，并分别为每个矩形区域计算单个输出值。

[0090] 示例性的，专用层用于提取光伏组件图像对应的方向梯度直方图归一化特征，包括：专用层具体用于：根据公式 对光伏组件图像对应的方向梯度直方图特征进行归一化，得到方向梯度直方图归一化特征；其中，z表示方向梯度直方图归一化特征对应的归一化向量，x表示方向梯度直方图特征对应的特征向量，μ表示x的平均值，σ表示x的标准偏差。

[0091] 示例性的，方向梯度直方图特征基于根据光伏组件图像对应的灰度图像提取得到。

[0092] 示例性的，光伏系统故障检测装置还包括训练模块。训练模块用于根据以下步骤对深度学习模型进行训练：获取光伏系统的光伏组件图像样本；对光伏组件图像样本进行标注，确定光伏组件图像样本对应的真实标签；真实标签包括真实故障类型及真实故障位置；基于光伏组件图像样本及其对应的真实标签，构建训练集，按照预设比例确定训练数据和测试数据；利用训练数据对深度学习模型进行训练，利用测试数据对深度学习模型进行测试。

[0093] 示例性的，训练模块还用于：创建深度学习模型的受试者工作特性曲线；根据受试者工作特性曲线，对深度学习模型的有效性进行评价。

[0094] 本公开实施方式提供的光伏系统故障检测装置的具体实现方法，可以参见本公开实施方式提供的光伏系统故障检测方法所述，此处不再赘述。

[0095] 本公开实施方式提供的光伏系统故障检测装置，相对于现有技术而言，可以有效实现端到端的光伏图像故障检测，提高故障检测精度。

[0096] 本公开的另一个实施方式涉及一种电子设备，如图7所示，包括：

[0097] 至少一个处理器701；以及，

[0098] 与至少一个处理器701通信连接的存储器702；其中，

[0099] 存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行，以使至少一个处理器701能够执行上述实施方式所述的光伏系统故障检测方法。

[0100] 其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

[0101] 处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

[0102] 本公开的另一个实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式所述的光伏系统故障检测方法。

[0103] 即，本领域技术人员可以理解，实现上述实施方式所述方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本公开各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0104] 本领域的普通技术人员可以理解，上述各实施方式是实现本公开的具体实施方式，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本公开的精神和范围。