随着全球能源危机的日益凸显,化石燃料燃烧所导致的环境问题日益严重,世界各国对清洁、可再生能源的开发研究投入越来越大,并且开发环保干净型能源系统也是我国可持续发展战略中重要的一环。随着新型的清洁能源越来越受到重视,光伏发电技术得到了迅猛地发展。然而光伏发电产品在工作过程中,光伏电池组件的热斑故障由于严重影响光伏系统正常发电以及降低光伏电池工作寿命而急切需要被克服。光伏热斑故障是光伏组件在运行过程中,因部分电池片自身的特性的改变导致与整体的不谐调,从而被当作负载消耗其它太阳电池组件产生的能量并持续发热的现象。通常情况下,热斑故障是由于光伏电池组件被局部遮荫而引起的。对于这类非自身问题引起的热斑故障,一套能够进行实时监测并且切实可行的光伏热斑故障检测、检测方法对延长光伏电池组件的寿命,减少发电成本都具有十分重要的意义。针对因局部遮荫所导致的热斑故障现象,基于红外成像技术在光伏发电故障诊断中的应用,本文提出了对光伏组件在运行过程中出现的光伏热斑现象的故障检测方法。本检测方法的主要内容包括:①光伏组件红外热图的图像预处理;②光伏组件运行状态的分类编码;③基于脉冲神经网络的热斑故障检测。在对光伏组件红外热图的图像预处理过程中,本文使用YCb Cr颜色空间模型,并对红外热图的亮度进行分离操作从而减小了图像信息的体积;在状态编码步骤,本文利用卷积神经网络的对任意输入输出模式的全局逼近能力,提出了基于卷积神经网络的光伏电池单元运行状态编码模型,最终通过有监督学习算法将光伏电池单元在工作中的红外热图划分为四类,进一步减小了图像信息的体积;在最后的热斑故障检测环节,本文利用脉冲神经元自身对时序信息的处理能力,提出了基于序列编码的可扩展脉冲神经网络模型,并根据光伏组件工作状态的变化应用该模型实现热斑故障检测功能。该脉冲神经网络模型能够随着学习内容的增加动态地增加神经元数量,从而有效控制自身神经网络的体积并且在学习的内容上实现了可控性。最后,在CUDA高性能计算平台下,本文以因局部遮光导致的光伏热斑红外热图仿真视频为实验材料进行方法验证实验,通过对热斑故障检测的实验结果证明了本方法的可行性和有效性。