CN119399518A 一种融合多模态数据的光伏电池热斑智能检测方法 （江苏戴日光控能源科技有限公司）

一种融合多模态数据的光伏电池热斑智能本发明公开了一种融合多模态数据的光伏2S3、基于历史运行数据和人工标注，构建包含S7、将综合特征向量输入到预先训练的基于时空卷用基于时空卷积网络的动态热斑检测模型对多模态数据的时间序列和空间特征进行自动2.根据权利要求1所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征3.根据权利要求2所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征θS523、将复数形式的特征向量输入到多模态相34.根据权利要求1所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征非图像数据的统计特征，分别对应于Dnorm和Dhotynorm),(Thotspot,yhotspot)}，其中Tnorm和Thotspot分别表示正常状态和热斑状态样本的特征，5.根据权利要求1所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征S72、通过时空卷积网络对输入的综合特征向量FFusion进行S73、将多尺度时空特征FMST输入到基于时空卷积网络的动态热斑检测模型的分类层，46.根据权利要求5所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征k,m反映了热斑在不同时间范围内的动态变化，con)表示在第m个空间尺度Δsk,m上提取光伏电池表面图像中的空间特征，Δsk,m反映了热斑在光伏电池表面上从局部到全7.根据权利要求1所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征58.根据权利要求1所述的一种融合多模态数据的光伏电池热斑智能检测方法，其特征重γk以及学习率η;学习率η和时空权重调整因子ζ:1和λ2为自适应权重调整系数，用于平衡学习率和时空权重因子的变化幅度，表示损失函数的二阶导数并反映了多模态特征的复杂度和变化速率，ζ(t)用于动态调整时S95、将基于动态调整后的时空卷积网络热斑检测模型的实时检测结果和分析结果集6[0008]本发明的一个目的在于提出一种融合多模态数据的光伏电池热斑智能检测方7[0016]S7、将综合特征向量输入到预先训练的基于时空卷积网络的动态热斑检测模型8征和非图像数据的统计特征，分别对应于Dnorm和Dhotspot样本，构建训练数据集Dtrain=norm和yhotspot为相应的标签；[0039]S72、通过时空卷积网络对输入的综合特征向量FFusion进和分别为边界函数在x和y方向上的变化率，用于精确计算不规则热斑区域的面9层次结合不同的时间尺度Δtk和空间尺度Δsk的卷积核进行卷积操作，卷积输出表示为k,m反映了热斑在不同时间范围内的动态变化，表示在第m[0050]S722、将每一层次的卷积输出FConv(k)进行多层融合，生成多尺度时空特征表示度时空特征能够根据光伏电池热斑的实际变化[0055]其中，和""分别表示在t+1次迭代后更新的权重系数βm和层次权重γk,η为光伏电池实际检测结果之间的差异，和分别为损失函数关于权重系数βm和γk的梯[0061]S84、将检测到的热斑区域的面积、位置坐标及边界信息作为最终的检测结果输次权重γk以及学习率η;的多目标损失函数该损失函数通过加权动态调整机制与非线性权重更新策略结合，优化学习率η和时空权重调整因子ζ:λ2为自适应权重调整系数，用于平衡学习率和时空权重因子的变化幅整时空特征的权重分布；热斑区域和新热斑区域的几何特征和演变趋势，并通过检测结果与历史数据进行对比分[0069]S95、将基于动态调整后的时空卷积网络热斑检测模型的实时检测结果和分析结[0072](2)本发明引入了基于元学习的动态自适应算法，实现了对检测模型的实时调整[0073](3)通过多模态数据融合和动态自适应算法，本发明能够有效区分正常工作状态[0075]图1为本发明提出的一种融合多模态数据的光伏电池热斑智能检测方法的流程[0076]图2为本发明提出的一种融合多模态数据的光伏电池热斑智能检测方法中多模态[0085]S7、将综合特征向量输入到预先训练的基于时空卷积网络的动态热斑检测模型征和非图像数据的统计特征，分别对应于Dnorm和Dhotspot样本，构建训练数据集Dtrain=norm和yhotspot为相应的标签；[0108]S72、通过时空卷积网络对输入的综合特征向量FFusion进和分别为边界函数在x和y方向上的变化率，用于精确计算不规则热斑区域的面层次结合不同的时间尺度Δtk和空间尺度Δsk的卷积核进行卷积操作，卷积输出表示为k,m反映了热斑在不同时间范围内的动态变化，表示在第m个空间尺度[0119]S722、将每一层次的卷积输出FConv(k)进行多层融合，生成多尺度时空特征表示度时空特征能够根据光伏电池热斑的实际变化光伏电池实际检测结果之间的差异，和分别为损失函数关于权重系数βm和γk的梯[0130]S84、将检测到的热斑区域的面积、位置坐标及边界信息作为最终的检测结果输次权重γk以及学习率η;的多目标损失函数Lmut,该损失函数通过加权动态调整机制与非线性权重更新策略结合，优化学习率η和时空权重调整因子ζ:λ2为自适应权重调整系数，用于平衡学习率和时空权重因子的变化幅整时空特征的权重分布；热斑区域和新热斑区域的几何特征和演变趋势，并通过检测结果与历史数据进行对比分[0138]S95、将基于动态调整后的时空卷积网络热斑检测模型的实时检测结果和分析结[0140]在位于中国甘肃省酒泉市的B光伏电站中，部署了本发明的融合多模态数据的光[0146]在系统部