光伏检测数据集(六种)
1.并网光伏系统故障诊断数据集
(该数据集为excel张，对故障类型完成标注)。
2.分布式光伏目标检测数据集
(该数据集共4000+张分布式光伏高清图片，均已标注)
3.光伏电池板缺陷检测数据集
(该数据集共2400+张光伏板缺陷高清图片，均已标注)。
4、光伏电池板语义分割数据集
(该数据集共9000+张光伏电池板高清图片，均已标注)。
5、光伏电池异常检测数据集
(该数据集共2000+张累计光伏电池异常高清图片，均已标注。
6、光伏模组功率预测数据集(excel数据集)
(该数据集包括一个模组的一年数据)

1. 并网光伏系统故障诊断数据集

数据集名称

并网光伏系统故障诊断数据集（Grid-Tied PV System Fault Diagnosis Dataset）

数据集概述

该数据集专为并网光伏系统的故障诊断设计，包含Excel表格形式的数据，对光伏系统中可能出现的各种故障类型进行了详细的标注。数据集中的每一行代表一个故障事件，包含了故障发生的时间、地点、故障类型、故障描述等信息。

数据集特点

• Excel格式：数据以易于处理的Excel表格形式提供，方便导入到数据分析软件中。
• 详细标注：对每一种故障类型都进行了详细的标注，便于故障模式识别。
• 实际应用场景：适用于并网光伏系统的故障诊断与维护，帮助运维人员快速定位故障原因。

数据集构成

• 数据格式：Excel表格
• 数据内容：故障发生时间、地点、故障类型、故障描述等信息。

数据集用途

• 故障诊断：帮助运维人员快速识别并网光伏系统的故障类型。
• 预防维护：通过对历史故障数据的分析，提前预防潜在故障的发生。
• 研究与开发：作为研究基准，支持故障诊断算法的研发。

示例代码

1import pandas as pd
2
3# 数据集路径
4fault_diagnosis_file = 'path/to/grid_tied_pv_system_fault_diagnosis.xlsx'
5
6# 读取Excel文件
7df = pd.read_excel(fault_diagnosis_file)
8
9# 显示前几行数据
10print(df.head())

2. 分布式光伏目标检测数据集

数据集名称

分布式光伏目标检测数据集（Distributed PV Target Detection Dataset）

数据集概述

该数据集包含4000+张高清图片，涵盖了分布式光伏系统的多种场景，每张图片均已标注目标对象的位置信息，适用于分布式光伏系统的物体检测任务。

数据集特点

• 高清图像：所有图像均为高清画质，确保细节清晰可见。
• 详细标注：每张图片都有详细的标注信息，便于训练目标检测模型。
• 多样场景：涵盖多种分布式光伏应用场景，提高模型泛化能力。

数据集构成

• 图像数量：4000+张高清图片
• 标注信息：每张图片包含目标对象的位置信息。

数据集用途

• 目标检测：训练模型识别分布式光伏系统中的目标对象。
• 自动化监控：结合自动化设备，实现分布式光伏系统的实时监控。
• 研究与开发：作为基准数据集，支持目标检测技术的研究与发展。

示例代码

1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6distributed_pv_images_dir = 'path/to/distributed_pv_target_detection/images'
7
8# 选取一张图像及其标签文件
9image_files = os.listdir(distributed_pv_images_dir)
10image_file = image_files[0]  # 假设取第一张图
11image_path = os.path.join(distributed_pv_images_dir, image_file)
12
13# 加载图像
14image = cv2.imread(image_path)
15
16# 绘制图像
17plt.figure(figsize=(10, 10))
18plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
19plt.axis('off')
20plt.show()

3. 光伏电池板缺陷检测数据集

数据集名称

光伏电池板缺陷检测数据集（PV Panel Defect Detection Dataset）

数据集概述

该数据集包含2400+张高清图片，涵盖了光伏电池板上的多种缺陷类型，如裂纹、脏污、损坏等，每张图片均已标注缺陷的具体位置，适用于光伏电池板缺陷检测任务。

数据集特点

• 高清图像：所有图像均为高清画质，确保缺陷细节清晰可见。
• 详细标注：每张图片都有详细的缺陷位置标注信息。
• 多样缺陷：涵盖多种光伏电池板缺陷类型，提高模型检测能力。

数据集构成

• 图像数量：2400+张高清图片
• 标注信息：每张图片包含缺陷的具体位置信息。

数据集用途

• 缺陷检测：训练模型识别光伏电池板上的缺陷类型。
• 质量控制：帮助制造商及时发现和处理光伏电池板上的缺陷。
• 研究与开发：作为基准数据集，支持缺陷检测技术的研究与发展。

示例代码

1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6pv_panel_defects_images_dir = 'path/to/pv_panel_defect_detection/images'
7
8# 选取一张图像及其标签文件
9image_files = os.listdir(pv_panel_defects_images_dir)
10image_file = image_files[0]  # 假设取第一张图
11image_path = os.path.join(pv_panel_defects_images_dir, image_file)
12
13# 加载图像
14image = cv2.imread(image_path)
15
16# 绘制图像
17plt.figure(figsize=(10, 10))
18plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
19plt.axis('off')
20plt.show()

4. 光伏电池板语义分割数据集

数据集名称

光伏电池板语义分割数据集（PV Panel Semantic Segmentation Dataset）

数据集概述

该数据集包含9000+张高清图片，每张图片均附有详细的像素级标签，适用于光伏电池板的语义分割任务。通过像素级别的标注，可以帮助模型区分电池板的不同区域。

数据集特点

• 高清图像：所有图像均为高清画质，确保像素级别的细节清晰可见。
• 像素级标注：每张图片都有详细的像素级标签信息。
• 多样场景：涵盖多种光伏电池板应用场景，提高模型分割能力。

数据集构成

• 图像数量：9000+张高清图片
• 标注信息：每张图片包含详细的像素级标签信息。

数据集用途

• 语义分割：训练模型区分光伏电池板的不同区域。
• 自动化检测：结合自动化设备，实现光伏电池板的精细化检测。
• 研究与开发：作为基准数据集，支持语义分割技术的研究与发展。

示例代码

1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6pv_panel_segmentation_images_dir = 'path/to/pv_panel_semantic_segmentation/images'
7pv_panel_segmentation_labels_dir = 'path/to/pv_panel_semantic_segmentation/labels'
8
9# 选取一张图像及其标签文件
10image_files = os.listdir(pv_panel_segmentation_images_dir)
11image_file = image_files[0]  # 假设取第一张图
12image_path = os.path.join(pv_panel_segmentation_images_dir, image_file)
13
14label_file = os.path.splitext(image_file)[0] + '_seg.png'  # 假设标签文件名格式
15label_path = os.path.join(pv_panel_segmentation_labels_dir, label_file)
16
17# 加载图像和标签
18image = cv2.imread(image_path)
19label = cv2.imread(label_path, cv2.IMREAD_GRAYSCALE)
20
21# 绘制图像和标签
22fig, axs = plt.subplots(1, 2, figsize=(20, 10))
23axs[0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
24axs[0].set_title('Original Image')
25axs[0].axis('off')
26
27axs[1].imshow(label, cmap='gray')
28axs[1].set_title('Segmentation Label')
29axs[1].axis('off')
30
31plt.show()

5. 光伏电池异常检测数据集

数据集名称

光伏电池异常检测数据集（PV Cell Anomaly Detection Dataset）

数据集概述

该数据集包含2000+张高清图片，涵盖了光伏电池上的多种异常情况，如短路、烧损、裂纹等，每张图片均已标注异常的具体位置，适用于光伏电池异常检测任务。

数据集特点

• 高清图像：所有图像均为高清画质，确保异常细节清晰可见。
• 详细标注：每张图片都有详细的异常位置标注信息。
• 多样异常：涵盖多种光伏电池异常类型，提高模型检测能力。

数据集构成

• 图像数量：2000+张高清图片
• 标注信息：每张图片包含异常的具体位置信息。

数据集用途

• 异常检测：训练模型识别光伏电池上的异常情况。
• 预防维护：帮助制造商及时发现和处理光伏电池上的异常。
• 研究与开发：作为基准数据集，支持异常检测技术的研究与发展。

示例代码

python

深色版本

1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6pv_cell_anomalies_images_dir = 'path/to/pv_cell_anomaly_detection/images'
7
8# 选取一张图像及其标签文件
9image_files = os.listdir(pv_cell_anomalies_images_dir)
10image_file = image_files[0]  # 假设取第一张图
11image_path = os.path.join(pv_cell_anomalies_images_dir, image_file)
12
13# 加载图像
14image = cv2.imread(image_path)
15
16# 绘制图像
17plt.figure(figsize=(10, 10))
18plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
19plt.axis('off')
20plt.show()

6. 光伏模组功率预测数据集

数据集名称

光伏模组功率预测数据集（PV Module Power Prediction Dataset）

数据集概述

该数据集包含一个光伏模组一年的数据，涵盖了模组在不同环境条件下的功率输出情况，适用于光伏模组功率预测任务。数据以Excel表格形式提供，方便导入和分析。

数据集特点

• 长时间序列：数据覆盖了一整年的时间跨度，有助于模型学习长期趋势。
• 详细记录：包括环境条件（温度、光照强度等）和功率输出信息。
• 实际应用：适用于光伏模组功率预测，帮助优化能源管理系统。

数据集构成

• 数据格式：Excel表格
• 数据内容：环境条件（温度、光照强度等）和功率输出信息。

数据集用途

• 功率预测：训练模型预测光伏模组在不同环境条件下的功率输出。
• 能源管理：结合预测模型，优化能源管理系统。
• 研究与开发：作为基准数据集，支持功率预测技术的研究与发展。

示例代码

1import pandas as pd
2
3# 数据集路径
4power_prediction_file = 'path/to/pv_module_power_prediction.xlsx'
5
6# 读取Excel文件
7df = pd.read_excel(power_prediction_file)
8
9# 显示前几行数据
10print(df.head())

总结

以上六个光伏检测数据集覆盖了从故障诊断、目标检测、缺陷检测、语义分割、异常检测到功率预测等多个方面，为光伏系统的研究、开发和应用提供了丰富的数据支持。无论是对于学术研究还是工业应用，这些数据集都是极其宝贵的资源。