当今国际背景下,全球化石资源枯竭,气候变暖的问题日益突出,如何高效的利用和开发可再生能源已经成为国际社会的关注重点,更成为世界各国的共识。丰富、安全、清洁、高效、低碳、环保的太阳能已经成为新能源电力系统的主要支撑成分之一。光伏产业也已经成为中国国民重点关注产业之一。在国内外市场需求驱动与国家政策双重扶持下,光伏行业经过势头迅猛的发展以后带动我国光伏产业直接参与国际市场竞争并成为我国为数不多的优势产业链之一。由于环境因素复杂,光伏组件电压、电流、功率和其他电气特性参数湮灭特性,基于电气参数的光伏故障诊断方法难以检测大型光伏电站中的光伏组件的故障。基于红外成像的光伏故障诊断方法可以通过一台红外相机检测光伏阵列几乎所有的故障。红外图像由于成像设备的影响,存在光伏组件目标与光伏组件背景对比度差、光伏组件信息模糊、光伏阵列边缘模糊、光伏阵列上噪点分布不均匀等缺点,因此单纯基于红外图像的光伏故障智能诊断依旧存在一些局限性。因此,本文提出一种基于红外成像的融合可见光图像与红外图像的光伏系统智能诊断框架来弥补单纯基于红外图像光伏故障检测的不足。融合可见光图像是为了将故障诊断集中在光伏阵列的最小单元光伏组件上,并通过对比可见光图片排除一些因为组件遮挡而产生的故障误报。本框架包括:图片获取,图片分割,故障诊断,故障预警四个部分组成。在保证精度的同时,轻量化的YOLOv5模型有目前最快的图片分割速度,非常适合用来对光伏组件进行分割。ResNet模型在图片分类中几乎拥有最高的分类准确度,因此适合用来进行组件的故障诊断。本文方案通过YOLOv5目标检测算法对光伏阵列可见光图片进行分割,并将分割后的光伏组件融合之对应的红外图片上。通过ResNet图像分类算法在光伏组件的红外图片上进行故障诊断,并将故障组件的诊断信息返回至对应的可见光图片上进行故障预警。本文方案最终的分析结果显示本文方案具有最快检测速度与最高的诊断准确率,相比于其他算法本文方案速度提升了至少一倍,相比于其他算法本文方案的准确度提升了至少2%,并且本文方案的误报和漏报也更少。