太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用, 传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题, 大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性, 提出基于改进DenseNet网络模型的缺陷检测方法, 选取DenseNet基础网络模型, 在模型中加入L2正则化, 并调整Batch Normalization层以解决过拟合问题; 将激活函数ReLU函数替换为SELU函数, 更好地缓解了梯度消失问题, 加强了网络的鲁棒性。实验结果表明, 训练集准确率到达93%, 测试集准确率达到87%, 能有效地检测并区分出电池板不同程度的损伤。

为明确光载波无线传输系统中, 复合传输相比单独传输的优越性, 实验对比了单独传能、单独通信、复合传输三种结构在传输距离为0.1 m、接收的光功率估值为3.5 mW、光通信速率为1 kbps时的输出特性.结果表明, 单独传能系统在与电感串联的负载为4 kΩ时, 电池板输出最大功率为1.82 mW, 复合传输系统在与电感串联的负载为5 kΩ时, 电池板输出最大功率为2.1 mW, 比单独 传能系统高出15%; 与电容串联的负载较低时复合传输系统输出信号波形发生畸变, 优化负载后波形得以改善, 相同条件下幅值比单独通信系统高出1.52 V.

在大规模生产太阳能电池板过程中,由于生产工艺的影响,部分电池板表面会产生颜色深浅不同的花纹(又称为晶花)。用户常常要求厂家对不同花纹的电池板进行分类供应。为此,提出了一种人工智能分类识别系统。系统以太阳能电池板的表面花纹深浅程度为分类依据,对太阳能电池板进行分类识别。系统首先使用局部二值模式(LBP)算子作为分类特征,将电池板分为“有晶花”和“无晶花”两类,然后使用局部对比度作为分类特征,对 “有晶花”一类细分为“强晶花”和“弱晶花”两类。为了满足生产线快速、准确分类的要求,系统使用了BP神经网络作为分类器。实验结果表明,分类系统速度快、准确率高,能够满足实际的生产线需求。

光伏照明系统中作为能量来源的太阳能电池板，其输出特性关系到能量转换效率的衡量以及最大功率跟踪精确性的判断。精确模拟了电池板的等效电路，并通过在Matlab/Simulink中建立其模型，得出电池板输出功率会随着电压的不断增大，先增大再减小；而且随着光照强度的增强而增大和温度的升高而减小。此外，通过对电池板模型进行改善，得出电池板最大功率处所对应的电压值会随着并联电池板的数量增加而减小，但当并联电池板数量超过3时输出曲线就基本保持不变；最大功率峰值会随着串联电池板数量的增加先增大，当串联电池板数量超过一定值时最大功率值开始保持不变。这为光伏照明系统的建立提供良好的理论支持。

以STC单片机为CPU控制单元、以LED点阵屏为显示屏幕、以太阳能电池板为系统供电电源设计了公交车站牌报站及查询系统。该系统可显示不同路数公交车所走的路线 并具有查询功能,可以让乘客通过查询方式找到需乘坐的车次,给乘客乘车带来方便。整个系统由太阳能供电、蓄电池作后备电源,可节约电能。