
-
生物通官微
陪你抓住生命科技
跳动的脉搏
使用类别条件生成对抗网络的光伏面板故障检测
《Scientific Reports》:Photovoltaic panel failure detection using class-conditioned generative adversarial networks
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要光伏(PV)组件缺陷和故障的检测日益依赖于基于成像的诊断技术,尤其是红外热成像。基于热成像数据训练的人工智能模型有助于识别光伏缺陷和故障。然而,这些基于成像的诊断模型的有效性经常受到现实世界数据集中严重类别不平衡的限制,其中安全关键故障类别的代表性严重不足。这种数据稀缺导
光伏(PV)组件缺陷和故障的检测日益依赖于基于成像的诊断技术,尤其是红外热成像。基于热成像数据训练的人工智能模型有助于识别光伏缺陷和故障。然而,这些基于成像的诊断模型的有效性经常受到现实世界数据集中严重类别不平衡的限制,其中安全关键故障类别的代表性严重不足。这种数据稀缺导致分类性能不可靠且概率校准较差。本研究提出了一种 AC-GAN 框架,专门用于光伏缺陷高保真热图像的类条件合成。通过集成自注意力机制和谱归一化,该模型实现了稳定的训练,并保留了不同热异常特有的细微结构特征。在红外太阳能组件数据集上的评估显示,该模型实现了 35.4 的弗雷歇 Inception 距离(FID),优于标准条件 GAN(124.8)和条件 WGAN-GP 基线(47.2),并且显著优于类别加权基线,将 12 类分类准确率从 61.73% 提升至 78.35%(五次随机种子的平均值),虽然超出过采样基线的幅度较小(77.29%)。与传统几何增强相比,AC-GAN 框架产生的分类准确率较低(78.35% 对比 80.99%,差距为 2.64 个百分点),但实现了显著较低的期望校准误差(ECE)(1.5% 对比 2.56%)。该方法为增强自主太阳能运维(O&M)的可靠性提供了一种可扩展的解决方案,确保即使缺乏罕见故障模式的现场采集数据,诊断模型依然保持鲁棒性。