在光伏电池板中使用基于CNN的分类与PyQt5实现的增强故障检测

科学领域:

• 可再生能源工程可再生能源工程
• 人工智能在能源中的作用
• 材料科学用于光伏发电.

背景情况:

• 太阳能光伏 (PV) 系统对于可再生能源至关重要,但模块寿命终止管理是一个日益关注的问题.
• 定期维护和检查对于光伏系统的寿命,能源效率和环境保护至关重要.
• 早期检测异常可以防止显著的性能下降和系统故障.

研究的目的:

• 开发一种创新的,可解释的AI模型,用于检测太阳能光伏电池板中的异常.
• 通过早期故障检测,提高光伏系统的寿命和发电效率.
• 提供一个用户友好的工具,用于在光伏系统维护方面做出明智的决策.

主要方法:

• 使用增强的卷积神经网络 (CNN) 与VGG16架构相结合用于异常检测.
• 通过过量采样和数据增强实现了数据集平衡,以提高模型的稳定性.
• 使用PyQt5开发了一个用户界面,用于直观的交互和决策支持.

主要成果:

• 人工智能模型实现了高性能指标:91.46%的准确性,98.29%的特异性和91.67%的F1得分.
• 成功识别了物理和电气异常,如尘埃积累和鸟类便.
• PyQt5接口促进了用户友好的操作和决策.

结论:

• 开发的可解释的人工智能模型有效地检测太阳能光伏电池板中的异常,提高系统效率.
• 该方法有助于延长光伏系统的寿命,并最大限度地减少环境风险.
• 这种由人工智能驱动的解决方案为太阳能基础设施的积极维护和管理提供了一个有前途的方法.