CN102609951A - 光伏电池板遮荫部分的检测方法 - Google Patents

Abstract

本发明公开了一种光伏电池板遮荫部分的检测方法，属于光伏发电领域。该检测方法包括以下步骤：S1、获取在光伏电池板监控区域光伏电池阵列的实际图像A；S2、将该实际图像A进行灰度化处理，并且将经灰度化处理后的实际图像A与原始图像B进行比较，其中该原始图像B是指不存在阴影部分的灰度图：如果实际图像A与原始图像B相同则表示实际图像中不存在阴影部分，结束操作；如果实际图像A与原始图像B不相同则表示实际图像A中存在阴影部分，将该实际图像A的阴影部分作为遮荫区域进行图像分割。通过本发明精确地获取了光伏电池板遮荫部分，进而提高了发电效率；并且降低了使用成本。

Description

光伏电池板遮荫部分的检测方法

技术领域

本发明涉及一种光伏发电系统，尤其是一种光伏电池板遮荫部分的检测方法。

背景技术

光伏发电系统在推广普及过程中，关键在于如何提高太阳能的利用率。光伏发电系统在工作过程中不可避免的会受到树木、高楼、云朵、鸟类等阴影的遮挡，阴影的出现会使光伏电池板的发电效率大大降低，严重时会引起“热斑”效应甚至造成安全问题。在局部遮荫情况下，最大功率点跟踪方法是一种提高光伏电池板输出功率的有效方法。目前的最大功率点跟踪方法通过假设阴影区域，使光伏电池阵列始终工作在最大功率点附近，以此实现发电效率的提高，因此传统的最大功率点跟踪方法中假设阴影区域不能真实地反映光伏电池的遮荫部分。

此外，在传统的最大功率点跟踪方法中还需要采集光伏电池板中所有光伏电池的遮荫度，这就需要采用大量的光强度传感器采集多路信号，无疑增加了光伏发电系统的使用成本。

发明内容

本发明的目的是提供一种光伏电池板遮荫部分的检测方法，采用图像处理方法，精确地获得了光伏电池板遮荫部分，为最大功率点跟踪方法提供依据，进而提高了发电效率。

为了实现上述目的，本发明提供了一种光伏电池板遮荫部分的检测方法，其特征在于包括以下步骤：

S1、获取在光伏电池板监控区域光伏电池阵列的实际图像A；

S2、将该实际图像A进行灰度化处理，并且将经灰度化处理后的实际图像A与原始图像B进行比较，其中该原始图像B是指不存在阴影部分的灰度图：

如果实际图像A与原始图像B相同则表示实际图像中不存在阴影部分，结束操作；

如果实际图像A与原始图像B不相同则表示实际图像A中存在阴影部分，将该实际图像A的阴影部分作为遮荫区域进行图像分割。

通过图像处理方法精确地获取了光伏电池板遮荫部分，为最大功率点跟踪方法提供依据，进而提高了发电效率。

在对该实际图像A的遮荫区域进行图像分割后还包括以下步骤：将经图像分割后的遮荫区域采用数学形态学开运算和闭运算，去除遮荫区域中的细小空洞和孤立点。由此提高了遮荫区域的图像质量。

在对该实际图像A的遮荫区域进行图像分割后还包括以下步骤：

S3、统计实际图像A的平均灰度值以及各图像单元的平均灰度值，其中在光伏电池板监控区域光伏电池阵列中每一光伏电池均对应于实际图像A中的一个图像单元：如果图像单元的平均灰度值小于该实际图像A的平均灰度值则将该图像单元标记为遮荫单元，与该图像单元对应的光伏电池为遮荫光伏电池，否则不作标记；

S4、采用光强度传感器采集遮荫光伏电池的遮荫度，并存储该遮荫光伏电池及其遮荫度，从而为最大功率点跟踪算法提供依据。

通过将平均灰度值大于该遮荫区域的平均灰度值的图像单元进行标记，光强度传感器仅需采集与该图像单元对应的遮荫光伏电池的遮荫度，由于采用了少量的光强度传感器，且信号采集的数量明显减少，因此降低了光伏发电系统的使用成本。

所述步骤S2中实际图像A与原始图像B的比较步骤为：

求取实际图像求取实际图像A与原始图像B中对应像素点P之间像素差值的绝对值K，并将该像素差值的绝对值K与T₁进行比较，其中T₁和K均为大于零的实数：如果实际图像A与原始图像B中每一对应像素点P之间的像素差值的绝对值K均≤T₁，则表示该实际图像A与原始图像B相同，实际图像A中不存在阴影部分，结束操作；

如果实际图像A与原始图像B中任一对应像素点P之间的像素差值的绝对值K> T₁，则表示该实际图像A与原始图像B不相同，实际图像A中存在阴影部分。

在判定实际图像A中存在阴影部分时进一步判断该阴影部分是由于固体遮挡物还是遮荫导致：如果该阴影部分在时间段t内仍然存在，则该阴影部分是由于固体遮挡物导致，否则该阴影部分是由于遮荫导致。

对实际图像A中是否存在阴影部分进行判断，并且对阴影部分造成的原因进行分析，在阴影部分由于固体遮挡物导致时可以及时地通知维护人员进行异物清扫，在阴影部分由于遮荫导致时再进一步处理该实际图像A，从而提高了光伏电池板遮荫部分的检测精度，防止阴影部分误判断导致发电效率降低。

判断该阴影部分是由于固体遮挡物还是遮荫导致的步骤为：

获取在时间段t内采集的多张实际图像A中对应像素点P的像素值，并分别求取该多张实际图像A与原始图像B中对应像素点P之间的像素差值的绝对值，从而获得多个像素差值的绝对值K^’，将该多个像素差值的绝对值K^’与T₂进行比较，其中T₂为大于零的实数，K^’由多个大于零的实数组成：如果该多个像素差值的绝对值K^’ 均< T₂，则表示该阴影部分是由于固体遮挡物导致，否则表示该阴影部分是由于遮荫导致。

在判定该实际图像中存在阴影部分且该阴影部分是由于遮荫导致时，进一步判断在光伏电池板监控区域光伏电池阵列中光伏电池的数量：

如果光伏电池的数量=1，则该实际图像A的阴影部分即为遮荫区域；

如果光伏电池的数量>1，设定在光伏电池板监控区域光伏电池阵列中每一光伏电池均对应于实际图像A中的一个图像单元，根据实际图像A中各图像单元之间的布局去除各图像单元之间的间隔s=L^’ *（1- n * l/L）/（n-1），从而获得实际图像A的遮荫区域，其中L^’表示实际图像A的长度，n表示实际图像A中图像单元的个数，l表示单个光伏电池的长度且L表示监控区域光伏电池阵列的长度。

在光伏电池阵列由多个光伏电池组成时，通过去除实际图像A中各图像单元之间的间隔，降低了误判率，进一步提高了光伏电池板遮荫部分的检测精度。

在所述步骤S2中采用加权模糊C均值聚类方法对实际图像A的遮荫区域进行图像分割：

该遮荫区域表示为                                               

，其中

表示第i个像素点，即第i个样本，并将该遮荫区域分为c类，其中且c为整数，为遮荫区域的尺寸，通过最小化隶属度矩阵和聚类中心矩阵V（

）的目标函数

实现加权模糊C均值聚类，该目标函数表示为：

其中m为模糊加权指数，

为每个样本的加权系数，用于调整聚类中心，且满足条件

；

，

。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、通过图像处理方法精确地获取了光伏电池板遮荫部分，为最大功率点跟踪方法提供依据，进而提高了发电效率；

2、通过将平均灰度值大于该遮荫区域的平均灰度值的图像单元进行标记，光强度传感器仅需采集与该图像单元对应的遮荫光伏电池的遮荫度，由于采用了少量的光强度传感器，且信号采集的数量明显减少，因此降低了光伏发电系统的使用成本；

3、对实际图像A中是否存在阴影部分进行判断，并且对阴影部分造成的原因进行分析，在阴影部分由于固体遮挡物导致时可以及时地通知维护人员进行异物清扫，在阴影部分由于遮荫导致时再进一步处理该实际图像A，从而提高了光伏电池板遮荫部分的检测精度，防止阴影部分误判断导致发电效率降低；

4、在光伏电池阵列由多个光伏电池组成时，通过去除实际图像A中各图像单元之间的间隔，降低了误判率，进一步提高了光伏电池板遮荫部分的检测精度；

5、将经图像分割后的遮荫区域采用数学形态学开运算和闭运算，去除遮荫区域中的细小空洞和孤立点，从而提高了遮荫区域的图像质量。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明的方法流程图；

图2是监控区域光伏电池阵列的实际图像；

图3是监控区域光伏电池阵列的实际图像经灰度化后的结果图；

图4是监控区域光伏电池阵列的实际图像经去除图像单元之间间距后的结果图；

图5是监控区域光伏电池阵列的实际图像经分割后的结果图；

图6是监控区域光伏电池阵列的实际图像经形态学处理后的结果图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书（包括任何附加权利要求、摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

如图1所示，该光伏电池板遮荫部分的检测方法，由以下步骤组成：

S1、获取在光伏电池板监控区域光伏电池阵列的实际图像A，在本发明的第一实施例中由安装在光伏发电系统正前方的摄像头实时地采集光伏电池板监控区域光伏电池阵列的实际图像A，如图2所示，此时采集的实际图像为RGB图像，并且该实际图像A通过视频图像传输器发送给监控中心平台，由该监控中心平台对实际图像A进行处理；

S2、将该实际图像A进行灰度化处理，如图3所示，并将经灰度化处理后的实际图像A与原始图像B进行比较，其中该原始图像B是指在光伏电池板监控区域光伏电池阵列上不存在固体遮挡物和遮荫时获取的灰度图，即该原始图像B不存在阴影部分：如果实际图像A与原始图像B相同则表示实际图像A中不存在阴影部分，结束操作；

如果实际图像A与原始图像B不相同则表示实际图像A中存在阴影部分，并进一步判断该阴影部分是由于固体遮挡物还是遮荫导致。诸如灰尘、鸟粪等的固体遮挡物与遮荫相比，阴影部分存在的时间较长且面积较小，如果该阴影部分不会随时间消失（即在时间段t内仍然存在）且覆盖面积较小，则表示该阴影部分是由于固体遮挡物导致，否则表示该阴影部分是由于遮荫导致。

实际图像A与原始图像B的比较步骤具体为：求取实际图像A与原始图像B中对应像素点P之间像素差值的绝对值K，并将该像素差值的绝对值K与T₁进行比较：如果实际图像A与原始图像B中每一对应像素点P之间的像素差值的绝对值K均≤T₁，则表示该实际图像A与原始图像B相同，实际图像A中不存在阴影部分，结束操作；

如果实际图像A与原始图像B中任一对应像素点P之间的像素差值的绝对值K> T₁，则表示该实际图像A与原始图像B不相同，实际图像A中存在阴影部分，并进一步判断该阴影部分是由于固体遮挡物还是遮荫导致。

判断该阴影部分是由于固体遮挡物还是遮荫导致的具体步骤为：获取在时间段t内采集的多张实际图像A中像素点P的像素值，并分别求取该多张实际图像与原始图像中像素点P之间的像素差值的绝对值，从而获得多个像素差值的绝对值K^’，将该多个像素差值的绝对值K^’与T₂进行比较：如果该多个像素差值的绝对值K^’ 均< T₂，则表示该阴影部分是由于固体遮挡物导致，否则表示该阴影部分是由于遮荫导致。

在本发明的第一实施例中以第k帧像素点为例来说明实际图像中阴影部分的判定过程。设定实际图像中第k帧像素点的像素值为

，原始图像中第k帧像素点的像素值为

，则实际图像A与原始图像B的比较步骤具体为：求取实际图像与原始图像中第k帧像素点的像素差值的绝对值

，其中abs为绝对值符号且k为大于零的整数，并将该像素差值的绝对值

与T₁进行比较：如果

则表示实际图像与原始图像不相同，实际图像中存在阴影部分，并进一步判断该阴影部分是由于固体遮挡物还是遮荫导致。

判断该阴影部分是由于固体遮挡物还是遮荫导致的具体步骤为：获取在时间段t内采集的多张实际图像中第k帧像素点的像素值，并分别求取该多张实际图像与原始图像中第k帧像素点的像素差值的绝对值，从而获得多个像素差值的绝对值K^’，将该多个像素差值的绝对值K^’与T₂进行比较：如果该多个像素差值的绝对值K^’ 均< T₂，则表示该阴影部分是由于固体遮挡物导致，否则表示该阴影部分是由于遮荫导致。

在步骤S2中T₁、T₂、t和K均为大于零的实数，K^’由多个大于零的实数组成，本发明对实际图像A中是否存在阴影部分进行判断，并且对阴影部分造成的原因进行分析，在阴影部分由于固体遮挡物导致时可以及时地通知维护人员进行异物清扫，在阴影部分由于遮荫导致时再进一步处理该实际图像A，从而提高了光伏电池板遮荫部分的检测精度，防止阴影部分误判断导致发电效率降低。

 S3、当在步骤S2中判定该实际图像A中存在阴影部分且该阴影部分由于遮荫导致时，进一步判断在光伏电池板监控区域光伏电池阵列中光伏电池的数量：如果光伏电池的数量=1，则该实际图像A的阴影部分即为遮荫区域；

如果光伏电池的数量>1，由于光伏电池在安装过程中存在间隔，设定在光伏电池板监控区域光伏电池阵列中每一光伏电池均对应于实际图像A中的一个图像单元，则实际图像A中各图像单元之间也存在间隔s，并且设定光伏电池阵列的长度为L，单个光伏电池的长度为l且光伏电池阵列中光伏电池的个数n=L/l，设定实际图像A的长度为L^’，每一图像单元的长度为l^’且实际图像A中图像单元的个数n^’=L^’/l^’，由于光伏电池阵列中光伏电池的个数与实际图像A中图像单元的个数相等，即L/l=L^’/l^’，则l^’ = L^’ * l/L，且实际图像A的长度L^’=n* l^’+（n-1）*s，因此实际图像A中各图像单元之间的间隔s=（L^’- n* l^’）/（n-1）=（L^’- n* *L^’ * l/L）/（n-1）= L^’ *（1- n * l/L）/（n-1），根据实际图像A中各图像单元之间的布局去除各图像单元之间的间隔s，从而获得实际图像A中阴影部分的遮荫区域，如图4所示。

在光伏电池阵列由多个光伏电池组成时，通过去除实际图像A中各图像单元之间的间隔，降低了误判率，进一步提高了光伏电池板遮荫部分的检测精度。

S4、对实际图像A中遮荫区域进行图像分割。

在本发明的第一实施例中采用加权模糊C均值聚类方法对实际图像A中遮荫区域进行图像分割，如图5所示。设定遮荫区域表示为

，其中

表示第i个像素点，即第i个样本，并将该遮荫区域分为c类，其中

且c为整数，

为遮荫区域的尺寸，通过最小化隶属度矩阵

和聚类中心矩阵V（

）的目标函数

实现加权模糊C均值聚类，该目标函数表示为：

其中m为模糊加权指数，

为每个样本的加权系数，用于调整聚类中心，且满足条件

；

，

。

当然，除了上述图像分割方法，还可以采用阈值分割法、统计学分割法等。

S5、将经图像分割后的遮荫区域采用数学形态学开运算和闭运算，去除遮荫区域中的细小空洞和孤立点，如图6所示，从而提高了遮荫区域的图像质量。

S6、统计实际图像A的平均灰度值以及各图像单元的平均灰度值：如果图像单元的平均灰度值小于该实际图像A的平均灰度值则将该图像单元标记为遮荫单元，与该图像单元对应的光伏电池为遮荫光伏电池，否则不作标记；

S7、采用光强度传感器采集遮荫光伏电池的遮荫度，并存储该遮荫光伏电池及其遮荫度，从而为最大功率点跟踪算法提供依据。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (8)

1.一种光伏电池板遮荫部分的检测方法，其特征在于包括以下步骤：

S1、获取在光伏电池板监控区域光伏电池阵列的实际图像A；

S2、将该实际图像A进行灰度化处理，并且将经灰度化处理后的实际图像A与原始图像B进行比较，其中该原始图像B是指不存在阴影部分的灰度图：

如果实际图像A与原始图像B相同则表示实际图像中不存在阴影部分，结束操作；

如果实际图像A与原始图像B不相同则表示实际图像A中存在阴影部分，将该实际图像A的阴影部分作为遮荫区域进行图像分割。

2.根据权利要求1中任何一项所述的光伏电池遮荫部分的检测方法，其特征在于在对该实际图像A的遮荫区域进行图像分割后还包括以下步骤：将经图像分割后的遮荫区域采用数学形态学开运算和闭运算，去除遮荫区域中的细小空洞和孤立点。

3.根据权利要求1或2所述的光伏电池板遮荫部分的检测方法，其特征在于在对该实际图像A的遮荫区域进行图像分割后还包括以下步骤：

S3、统计实际图像A的平均灰度值以及各图像单元的平均灰度值，其中在光伏电池板监控区域光伏电池阵列中每一光伏电池均对应于实际图像A中的一个图像单元：如果图像单元的平均灰度值小于该实际图像A的平均灰度值则将该图像单元标记为遮荫单元，与该图像单元对应的光伏电池为遮荫光伏电池，否则不作标记；

S4、采用光强度传感器采集遮荫光伏电池的遮荫度，并存储该遮荫光伏电池及其遮荫度，从而为最大功率点跟踪算法提供依据。

4.根据权利要求1所述的光伏电池板遮荫部分的检测方法，其特征在于在所述步骤S2中实际图像A与原始图像B的比较步骤为：

求取实际图像求取实际图像A与原始图像B中对应像素点P之间像素差值的绝对值K，并将该像素差值的绝对值K与T₁进行比较，其中T₁和K均为大于零的实数：如果实际图像A与原始图像B中每一对应像素点P之间的像素差值的绝对值K均≤T₁，则表示该实际图像A与原始图像B相同，实际图像A中不存在阴影部分，结束操作；

如果实际图像A与原始图像B中任一对应像素点P之间的像素差值的绝对值K> T₁，则表示该实际图像A与原始图像B不相同，实际图像A中存在阴影部分。

5.根据权利要求4所述的光伏电池板遮荫部分的检测方法，其特征在于：在判定实际图像A中存在阴影部分时进一步判断该阴影部分是由于固体遮挡物还是遮荫导致：如果该阴影部分在时间段t内仍然存在，则该阴影部分是由于固体遮挡物导致，否则该阴影部分是由于遮荫导致。

6.根据权利要求5所述的光伏电池板遮荫部分的检测方法，其特征在于判断该阴影部分是由于固体遮挡物还是遮荫导致的步骤为：

获取在时间段t内采集的多张实际图像A中对应像素点P的像素值，并分别求取该多张实际图像A与原始图像B中对应像素点P之间的像素差值的绝对值，从而获得多个像素差值的绝对值K^’，将该多个像素差值的绝对值K^’与T₂进行比较，其中T₂为大于零的实数，K^’由多个大于零的实数组成：如果该多个像素差值的绝对值K^’ 均< T₂，则表示该阴影部分是由于固体遮挡物导致，否则表示该阴影部分是由于遮荫导致。

7.根据权利要求5所述的光伏电池板遮荫部分的检测方法，其特征在于：在判定该实际图像中存在阴影部分且该阴影部分是由于遮荫导致时，进一步判断在光伏电池板监控区域光伏电池阵列中光伏电池的数量：

如果光伏电池的数量=1，则该实际图像A的阴影部分即为遮荫区域；

如果光伏电池的数量>1，设定在光伏电池板监控区域光伏电池阵列中每一光伏电池均对应于实际图像A中的一个图像单元，根据实际图像A中各图像单元之间的布局去除各图像单元之间的间隔s=L^’ *（1- n * l/L）/（n-1），从而获得实际图像A的遮荫区域，其中L^’表示实际图像A的长度，n表示实际图像A中图像单元的个数，l表示单个光伏电池的长度且L表示监控区域光伏电池阵列的长度。

8.根据权利要求1所述的光伏电池遮荫部分的检测方法，其特征在于：在所述步骤S2中采用加权模糊C均值聚类方法对实际图像A的遮荫区域进行图像分割：

该遮荫区域表示为                                               

，其中表示第i个像素点，即第i个样本，并将该遮荫区域分为c类，其中

且c为整数，

为遮荫区域的尺寸，通过最小化隶属度矩阵

和聚类中心矩阵V（

）的目标函数

实现加权模糊C均值聚类，该目标函数表示为：

其中m为模糊加权指数，

为每个样本的加权系数，用于调整聚类中心，且满足条件

；，

。

Images