当前,温室气体排放导致全球气温升高现象对人类生活的影响日益深远,成为人类社会普遍关注的问题。伴随世界日益紧张的能源局势,可再生能源的开发开始受到重视,尤其是占据可再生能源中重要地位的太阳能。因为它几乎零污染,并且绿色可持续,因此光伏发电产业逐渐以一种新型的态势代替传统的燃料发电。然而,在产业高速发展的背景下也隐含着危机,由于光伏电站的规模增大,工作的年限增加,导致光伏阵列的缺陷问题日益严重,电站运行维护的压力越来越大,整个系统面对的挑战也变得越发严峻。因此当光伏阵列发生故障时,若能够对其工作状态进行在线分析,准确实时发现相应的缺陷并且做出处理,避免造成更大的损失,将是一份十分有意义的工作。本文主要针对光伏阵列常见的热斑、隐裂、断栅等内外部缺陷进行详细地研究,在图像处理技术的基础上分别提出基于热成像与灰度转换技术以及基于卷积神经网络的光伏阵列缺陷检测方法。首先,对光伏系统及其分类进行简要的描述,介绍了系统常见的几种缺陷类型,说明了研究主体为光伏阵列的原因。接着基于Matlab/Simulink平台建立光伏阵列的数学模型,并就此推导光伏阵列的相关公式。然后描述了图像处理法的具体流程,介绍其在光伏阵列缺陷检测方面的优势。并且基于本文使用的实验模型,介绍了卷积神经网络与支持向量机分类器的简单概念,为后续实验研究提供理论依据。其次,对光伏阵列的内部缺陷进行详细地研究,针对该类型缺陷的特点,采用基于热成像技术的数据采集方式,接着提出了改进的灰度转换技术,包括灰度化、颜色聚类、线性增强、阈值分割等一系列算法对热成像进行处理。相比于传统的二值化缺陷检测法,本文提出的算法性能偏差均能保持在2%以内,并且能够在前者的基础上将缺陷区域细化成轻微缺陷和严重缺陷,同时在处理热斑缺陷的非均匀性噪声情况时,较好地避免了传统算法的大区域误检现象。最后详细介绍了光伏阵列的外部缺陷,针对该类型缺陷的特点,采用基于电致发光成像技术的数据采集方式,所获取的图像数据采用倾斜校正、Retinex增强、图像分割、数据扩充等算法进行预处理。建立卷积神经网络结合支持向量机的实验模型并投入提前设定好的样本进行模型训练。实验建立三组实验对照,分别将预处理的测试样本按照指定的条件输入模型进行测试,结果表明本文提出的算法在准确率、精确度、召回率、收敛时间、损失值等指标均优于传统的算法。