在电力市场放松管制的情况下，优化风电场选址以增加收入并降低电力成本

《Renewable Energy》：Optimizing wind farm locations for revenue and reduced electricity costs in deregulated electricity markets

提出针对光伏电池缺陷动态检测的持续学习框架SegAdapt，通过快速归一化注意力机制强化细长缺陷识别，结合多级辅助多标签学习实现旧类知识保留与新类快速适应，有效缓解持续学习中的灾难性遗忘问题，实验验证其在动态场景下优于通用持续学习方法。

　　太阳能电池板是光伏发电系统中的核心组件，其可靠性和效率直接影响整个系统的性能。因此，对太阳能电池板缺陷的检测至关重要。现有的基于电致发光（Electroluminescence, EL）的缺陷检测方法已被广泛应用于自动化的光伏（Photovoltaic, PV）缺陷检查系统中，作为一种无损检测技术，它能够提供高分辨率图像，帮助识别电池板内部的缺陷。然而，这些传统方法在实际应用中存在明显的局限性，尤其是在考虑光伏模块在生命周期中受到的动态运行条件（如温度、湿度等）对缺陷演变的影响方面。

当前的EL图像缺陷检测方法大多基于固定数据集进行训练，预设了特定的缺陷类别。这种静态训练方式无法适应不断变化的运行环境和新出现的缺陷类型。例如，在不同地理位置或不同运行阶段，由于气候条件、材料老化或其他因素，可能会出现之前未曾见过的缺陷形式。此外，随着光伏系统规模的扩大，存储和管理所有历史数据变得不切实际，导致模型更新和训练成本高昂。即便在数据存储没有限制的情况下，重新训练模型以适应新数据，也需要大量的时间和计算资源，这对长期监测和维护光伏系统提出了挑战。

为了解决这些问题，本文提出了一种名为SegAdapt的新颖知识蒸馏框架，专门用于在动态条件下进行光伏缺陷分割。SegAdapt的核心思想是通过知识蒸馏的方式，将历史模型中积累的缺陷知识有效地传递给新模型，从而在不遗忘旧有知识的同时，适应新的缺陷类型。这种方法不仅提高了模型的泛化能力，还增强了其在复杂环境下的稳定性。

为了在知识蒸馏过程中突出显示细长或薄型缺陷，SegAdapt引入了一种基于快速归一化特征融合的注意力机制。该机制通过调整特征图的归一化方式，使得模型在学习过程中更加关注那些容易被忽略的细长缺陷区域。这在EL图像中尤为重要，因为这些图像通常包含复杂的背景结构，而细长缺陷往往与这些背景结构相似，难以准确识别。

此外，为了进一步保留旧有缺陷分割的能力并学习新的缺陷类型，SegAdapt在模型编码器的各个层级上实施了辅助多标签识别。这种策略不仅帮助模型在不同层级上捕捉缺陷知识，还通过多标签分类和逻辑蒸馏的方式，确保模型能够区分各种缺陷类型，减少灾难性遗忘（catastrophic forgetting）现象的发生。灾难性遗忘是连续学习（Continual Learning, CL）中的主要问题，指的是模型在适应新任务时，对之前学过的任务性能显著下降。在EL图像中，由于目标缺陷往往不明显，背景复杂，这一问题尤为突出。辅助多标签识别通过引入伪标签和软目标，帮助模型在学习新缺陷的同时，不会完全丢弃旧有知识，从而保持模型的整体性能。

本文的贡献主要体现在以下几个方面：首先，SegAdapt是首个在连续学习框架下研究光伏缺陷分割的方法，充分考虑了缺陷的先验特征，使得模型能够有效地处理缺陷的尺度变化和噪声敏感问题。其次，通过引入基于快速归一化的注意力机制，SegAdapt能够更好地识别细长缺陷，从而提高分割的准确性。第三，通过在模型编码器的各个层级上实施辅助多标签识别，SegAdapt不仅能够保留旧有缺陷的分割能力，还能适应新出现的缺陷类型，显著减少灾难性遗忘。最后，实验结果表明，SegAdapt在新旧缺陷分割任务中均优于其他通用的连续学习方法，特别是在处理光伏模块动态运行条件下的缺陷识别方面表现突出。

为了验证SegAdapt的有效性，本文使用了公开的太阳能电池数据集UCF EL。该数据集包含单晶硅和多晶硅太阳能电池的图像，共11,851张，其中主要分为四种缺陷类型。在训练和测试数据划分上，本文保持与原始研究一致。为了提高训练的稳定性，本文对这两个罕见缺陷类别进行了数据增强，包括从+25°到-25°的随机旋转等操作。这些数据增强手段有助于提升模型对不同缺陷类型的识别能力，特别是在处理尺度变化和噪声干扰方面。

在方法实现上，SegAdapt的结构设计充分考虑了连续学习的特点。模型在初始阶段通过传统的一次性训练方式学习基础任务，随后在新的任务中通过知识蒸馏的方式不断更新和优化。这一过程使得模型能够在不遗忘旧有知识的前提下，逐步适应新的缺陷类型。同时，快速归一化的特征融合机制和辅助多标签识别策略，共同作用于模型的各个层级，确保其在复杂环境下的稳定性和准确性。

在实际应用中，SegAdapt能够显著提升光伏系统在长期运行中的缺陷检测能力。通过保留旧有缺陷的知识，模型可以持续监测和识别系统中可能出现的缺陷，从而提高维护效率和系统可靠性。此外，SegAdapt的动态适应能力使得它能够应对不同地理位置和运行条件下的光伏模块，具有较强的通用性和扩展性。

本文的研究结果表明，SegAdapt在处理光伏模块缺陷分割任务时，具有显著的优势。相比传统的固定数据集训练方法，SegAdapt能够更有效地适应新出现的缺陷类型，同时保持对旧有缺陷的识别能力。这不仅有助于提高光伏系统的运行效率，还能降低维护成本，延长设备寿命。此外，SegAdapt的框架设计为未来在其他领域应用连续学习提供了新的思路和方法。

在作者贡献方面，本文的作者们分别承担了不同的研究任务。Xinyue Lei负责论文的撰写、审阅与编辑，以及可视化、验证、软件开发、方法设计、调查和概念设计。Jinxia Zhang则负责论文的撰写、审阅与编辑，并提供了概念设计方面的指导。Ying He主要负责研究的调查工作，而Shixiong Fang、Kanjian Zhang和Haikun Wei则提供了监督和支持。这种分工使得研究工作能够高效进行，并确保了最终成果的质量和可靠性。

最后，本文声明作者们没有已知的与研究工作相关的竞争性财务利益或个人关系。同时，本文的研究得到了多个基金的支持，包括国家自然科学基金、东南大学高级海洋研究所研究基金和中央高校基本科研业务费。此外，东南大学大数据计算中心为本文的数值计算提供了设施支持。这些支持不仅为研究提供了必要的资源，也体现了科研工作的合作性和多学科交叉的特点。

综上所述，SegAdapt作为一种新型的知识蒸馏框架，在光伏缺陷分割领域展现出广阔的应用前景。它不仅解决了现有方法在动态条件下的不足，还通过创新的注意力机制和辅助多标签识别策略，提升了模型的识别能力和适应性。随着光伏技术的不断发展，SegAdapt有望成为光伏系统维护和监测的重要工具，为提高太阳能发电系统的可靠性和效率做出贡献。