Benchmarking imaging-based inspection techniques for PV systems

doi:10.1016/j.rser.2026.117457

Benchmarking imaging-based inspection techniques for PV systems

2026-09-02

0

OA

AI

D

Dhanup S. Pillai *

A

Abinisha Thiruchuthan

A

A. Mellit

A

Abdullah Berkay Bayındır

DOI：10.1016/j.rser.2026.117457

原文链接

原文求助

摘要

En 中文

光伏模块经历渐变降解和突发故障，导致能源产量、可靠性和安全性降低，促使采用基于成像的诊断技术。成像方法能够检测到电学和物理缺陷，这些缺陷通常在常规目视检查中不可见。研究表明，微裂纹、热点、诱导降解和光照诱导降解会显著影响光伏模块的可靠性。因此，本综述考察了既有的现场部署诊断技术（技术就绪水平 > 5）和正在开发的新兴方法（技术就绪水平 < 5）。大多数现有研究侧重于开发或评估单个成像技术，而部分综述文章讨论了多种方法，但未对不同故障类型下传统与新兴诊断方法的详细比较。因此，对现有成像模式的诊断能力进行系统性比较仍然有限。为填补这一空白，本综述提出了一种结构化研究和面向故障的基准测试，对比了各种基于成像的光伏检测技术，强调不同成像模式中的故障可见性和诊断相关性，而非仅依赖报告的准确度指标。此外，采用了一种混合范围-映射系统综述方法，其中同行评审研究根据故障类型和技术成熟度进行筛选、分类和综合。根据文献报道结果，机器学习辅助的红外热成像技术已实现94%～98%的检测准确率，而基于深度学习的电致发光方法报告的准确率高达97.8%。紫外荧光技术已展示出超过91%的裂纹检测率，在可比操作条件下，检测吞吐量比近红外检测高出10～15倍。这些性能值源自不同研究、数据集和实验条件，因此旨在说明代表性能力，而非实现技术间的直接比较。新兴方法如日光发光和基于磁场的诊断技术也正引起关注，尽管其广泛应用仍受限于操作复杂性和信噪比挑战。

Keyword:

Imaging-based fault detection

PV module degradation

PV module inspection

Preventive maintenance

Benchmarking imaging-based inspection techniques for PV systems

摘要

期刊

机构

引用论文