CN108108736A

CN108108736A - 一种太阳能光伏板光斑识别方法

Info

Publication number: CN108108736A
Application number: CN201711403165.3A
Authority: CN
Inventors: 马松; 门洪; 韩志渊; 王建珍
Original assignee: Crystal Electric Power Polytron Technologies Inc
Current assignee: Crystal Electric Power Polytron Technologies Inc
Priority date: 2017-12-22
Filing date: 2017-12-22
Publication date: 2018-06-01

Abstract

本发明公开了一种太阳能光伏板光斑识别方法，所述方法包括步骤：获取目标光伏板的图像以及第一目标数据，并将所述图像转化为灰度图像，其中，所述第一目标数据包括：灰度值、温度值；基于最大类间方差对所述灰度图像进行分割，并对分割后的每一个子图像进行边缘提取，提取每一个子图像的轮廓；根据所提取的子图像的轮廓获得待检测区域的坐标；根据所述灰度图像、所述第一目标数据以及自图像的坐标，获得所述待检测区域的第二目标数据，其中，所述第二目标数据至少包括：灰度值，像素数，温差值；采用随机森林对所述第二目标数据进行数据训练确定分类阈值，并根据所述分类阈值确定是否为热斑。利用本发明实施例，能够提高热斑的监测效率。

Description

一种太阳能光伏板光斑识别方法

技术领域

本发明涉及太阳能组件热斑识别技术领域，尤其涉及一种太阳能光伏板光斑识别方法。

背景技术

当前我国太阳能装机容量居世界前列。太阳电站再给我们带来清洁能源的时候，自身也受很多问题的干扰，比如环境的影响如沙尘、遮盖物(树叶、泥土等)、鸟粪等，再比如光伏组件自身质量的问题等因素都会对光伏组件造成发电不平衡从而造成热斑效应。可以理解的是，在一定条件下，一串联支路中被遮蔽的太阳电池组件，将被当作负载消耗其他有光照的太阳电池组件所产生的能量。被遮蔽的太阳电池组件此时会发热，这就是热斑效应。

热斑效应会严重的破坏太阳电池，这是因为有光照的太阳电池所产生的部分能量，都可能被遮蔽的电池所消耗。为了防止太阳电池由于热斑效应而遭受破坏，最好在太阳电池组件的正负极间并联一个旁路二极管，以避免光照组件所产生的能量被受遮蔽的组件所消耗。

导致太阳能光伏板发电效率下降从而给光伏电站带来巨大的经济效益损失。现有的巡检方法采用人工的方式不仅效率低而且危险(有些光伏组件安装在山地、池塘等环境下)，耗时耗力而且非常不经济。现有的巡检方法主要是采用红外的技术特征单一存在识别率不高，无法智能分级靠人眼观察光伏红外图像，效率较低，增加了光伏电站的运营成本。

发明内容

本发明实施例提供一种太阳能光伏板光斑识别方法，旨在自动识别光伏热斑，提高光板的识别效率，及时减少由于热斑对电站造成的损失从而降低光伏电站的应用成本。

为解决上述问题，本发明提供的技术方案为：

一种太阳能光伏板光斑识别方法，其特征在于，所述方法包括步骤：

获取目标光伏板的图像以及第一目标数据，并将所述图像转化为灰度图像，其中，所述第一目标数据包括：灰度值、温度值；

基于最大类间方差对所述灰度图像进行分割，并对分割后的每一个子图像进行边缘提取，提取每一个子图像的轮廓；

根据所提取的子图像的轮廓获得待检测区域的坐标；

根据所述灰度图像、所述第一目标数据以及自图像的坐标，获得所述待检测区域的第二目标数据，其中，所述第二目标数据至少包括：灰度值，像素数，温差值；

采用随机森林对所述第二目标数据进行数据训练确定分类阈值，并根据所述分类阈值确定是否为热斑。

可选的，所述最大类间方差的计算公式为：

δ²(K)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)²

其中，ω₀为所述灰度图像中目标像素所占的总面积比例，ω₁为所述灰度图像中背景像素所占的总面积比例，μ₀为所述目标像素的平均灰度级，μ₁为所述背景像素的平均灰度级，μ为总平均像素灰度级，K为像素灰度级。

可选的，所述灰度图像中背景像素所占的总面积比例ω₁的计算公式为：

ω₁＝1-ω₀

其中，i为所述目标像素的灰度级，P_i灰度级为i的像素点出现的概率，N_i为灰度级为i的像素点的个数，N为总像素点的个数。

采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：通过对光伏板的灰度图像的分割、轮廓提取以及对应的目标数据至，采用随机森林算法进行训练，并确定分类阈值，从而根据分类阈值自动确定是否存在热斑，实现热斑的自动识别和监测过程，提高热斑的识别效率，从而减少由于热斑对光伏组件造成的损坏。

附图说明

图1为本发明实施例提供的太阳能光伏板光斑识别方法的一种结构示意图。

具体实施方式

为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。

参见图1：S1：获取目标光伏板的图像以及第一目标数据，并将所述图像转化为灰度图像，其中，所述第一目标数据包括：灰度值、温度值。

设光伏板的图像X灰度转化后是一幅具有L级灰度级的图像，其中第i级像素个数为Ni个，其中i的值在0～L-1之间，图像的总像素点个数为：

第i级出现的概率为：

在最大类间差算法中，以阈值k将所有的像素分为目标C₀和背景C₁两类。其中，C₀类的像素灰度级为0～k-1，C₁类的像素灰度级为k～L-1。

图像的总平均灰度级为：

C₀类的像素所占的总面积的比例为：

C₁类像素所占的总面积的比例为：ω₁＝1-ω₀

C₀类像素的平均灰度级为：μ₀=μ₀(K)/ω₀

C1类像素的平均灰度级为：μ₁=μ₁(K)/ω₁

最大类间方差的公式为：δ²(K)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)²

令K从0～L-1变化，计算在不同K值下的类间方差δ²(K)，使得δ²(K)最大值时的那个K值就是所要求的最优值。

需要说明的是，K为像素的灰度级，k为阈值，即某一个特殊的、计算得到分割图像较合理的灰度级。

由上述公式可以得到每一个像素点的灰度值，另外，根据红外热成像，可以得到每一个像素点的温度值，从而可以得到包含灰度值和温度值的目标光伏板的任意一个像素点的第一目标数据。

S2：基于最大类间方差对所述灰度图像进行分割，并对分割后的每一个子图像进行边缘提取，提取每一个子图像的轮廓。

轮廓提取说明：输入的二值图像即为0和1的图像，用f(i,j)表示图像的像素值。每次行扫描,遇到以下两种情况终止：

(1)f(i,j-1)＝0，f(i,j)＝1；f(i,j)是外边界的起始点

(2)f(i,j)>＝1，f(i,j+1)＝0；f(i,j)是孔边界的起始点

然后从起始点开始，标记边界上的像素。在这里分配一个唯一的标示符给新发现的边界，叫做NBD。初始时NBD＝1，每次发现一个新边界加1。在这个过程中，遇到f(p,q)＝1,f(p,q+1)＝0时，将f(p,q)置为-NBD。以此，提取每一个分割后的子图像的轮廓。

S3：根据所提取的子图像的轮廓获得待检测区域的坐标。

经过S2提取子图像的轮廓以后，依据原图像的坐标，可以获得子图像中待检测区域的坐标，根据子图像的边缘的坐标，和待检测区域的各个边缘距离子图像的边缘的距离，从而获得待检测区域的所有边缘的坐标。

S4：根据所述灰度图像、所述第一目标数据以及自图像的坐标，获得所述待检测区域的第二目标数据，其中，所述第二目标数据至少包括：灰度值，像素数，温差值。

在步骤S1中可以知道任何一个区域的灰度值和误差值，以及任一个等级的像素的像素个数，且待检测区域属于灰度图像中的一部分，所以可以获得待检测区域对应的参数。

S5：采用随机森林对所述第二目标数据进行数据训练确定分类阈值，并根据所述分类阈值确定是否为热斑。

根据已有的训练集已经生成对应的随机森林，随机森林算法利用某热斑的面积(检测区域的像素总个数，记号A)、平均灰度值(检测区域的像素平均灰度值，记号I)、温差(检测区域与其2倍面积区域的温度差值，记号DT)共3个特征来预测每个热斑的故障等级。

故障分为四等级：轻微(1)、一般(2)、偏重(3)、严重(4)。大于等于3等级以上需现场运维人员及时排查产生原因并做好记录。

1、随机森林的训练过程如下：

(1)给定训练集S＝160(热斑数)，测试集T＝20，特征维数F＝3。确定参数：使用到的CART的数量t＝3，每棵树的深度d＝3，每个节点使用到的特征数量f＝1，终止条件：节点上最少样本数s＝2，节点上最少的信息增益m＝1

对于第1-t棵树，i＝1-t：

(2)从S中有放回的抽取大小和S一样的训练集S(i)，作为根节点的样本，从根节点开始训练

(3)如果当前节点上达到终止条件，则设置当前节点为叶子节点，如果是分类问题，该叶子节点的预测输出为当前节点样本集合中数量最多的那一类c(j)，概率p为c(j)占当前样本集的比例；如果是回归问题，预测输出为当前节点样本集各个样本值的平均值。然后继续训练其他节点。如果当前节点没有达到终止条件，则从F维特征中无放回的随机选取f维特征。利用这f维特征，寻找分类效果最好的一维特征k及其阈值th，当前节点上样本第k维特征小于th的样本被划分到左节点，其余的被划分到右节点。继续训练其他节点。有关分类效果的评判标准在后面会讲。

(4)重复(2)(3)直到所有节点都训练过了或者被标记为叶子节点。

(5)重复(2),(3),(4)直到所有CART都被训练过。

2、利用随机森林的预测过程如下：

对于第1-t棵树，i＝1-t：

(1)从当前树的根节点开始，根据当前节点的阈值th，判断是进入左节点(<th)还是进入右节点(>＝th)，直到到达，某个叶子节点，并输出预测值。

(2)重复执行(1)直到所有t棵树都输出了预测值。如果是分类问题，则输出为所有树中预测概率总和最大的那一个类，即对每个c(j)的p进行累计；如果是回归问题，则输出为所有树的输出的平均值。

对于分类问题(将某个样本划分到某一类)，也就是离散变量问题，CART使用Gini值作为评判标准。定义为Gini＝1-∑(P(i)*P(i)),P(i)为当前节点上数据集中第i类样本的比例。当前节点上有160个样本，属于第一类的样本有60个，属于第二类的样本有50个，属于第三类的样本有30个，属于第四类的样本有20个.其中一二两类归为一个等级即110个样本，三四类归为第二等级即50个样本则Gini＝1-0.6875×0.6875-0.3125×0.3125＝0.43，可以看出，类别分布越平均，Gini值越大，类分布越不均匀，Gini值越小。在寻找最佳的分类特征和阈值时，评判标准为：argmax(Gini-GiniLeft-GiniRight)，即寻找最佳的特征f和阈值th，使得当前节点的Gini值减去左子节点的Gini和右子节点的Gini值最大。获得的最佳阈值最作为两个等级权重，做计算进行分类。对每类再进行一次分类即可得到四类样本的最佳权值。

算法处理验证：选用6幅不同环境下的太阳能红外热图像作为处理对象样本，包括多排和单排。在进行处理时，要注意对原图像注意保护，所以处理的都是原图像的副本。再者要注意对不同的图像进行二值化处理时阈值很难统一的定为一个固定参数，所以将阈值的定义为外部参数。最后注意内存的释放和设定的ROI的释放以避免造成内存泄露及对原图造成不恰当处理。如表1所示，检测区域特征值的属性。表1为3个红外图像特征值的具体意义。

表1

最后，用随机森林的方法对6幅11个热斑样本进行训练，分析需要确定的分类阈值，并存入计算机中。

选取1幅图像作为测试样本，重复上述过程，将得到的数据结果与分类做比较，完成分级过程。其测试样本分类结果如表2所示，检测准确率为80.3％。表2测试样本分类结果

表2

太阳能光伏板热斑鉴别原理

根据对热斑特性研究表明：热斑区域比较明显的特征是温度差，是一个比较稳定的参数一般学术上定为至少差6℃；但有时由于视频拍摄的原因，只有温度参数可能会漏掉一些热斑区域，所以需要区域面积和灰度值作为参数；在分类等级中温度差值是一个占权重值较高的参数，灰度值是占权重最低的参数。从以上三点来计算，准确定较之前单一的方法有所提高，而且，基本不会误检。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims

1.一种太阳能光伏板光斑识别方法，其特征在于，所述方法包括步骤：

根据所提取的子图像的轮廓获得待检测区域的坐标；

2.根据权利要求1所述的太阳能光伏板光斑识别方法，其特征在于，所述最大类间方差的计算公式为：

δ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ¹)²

3.根据权利要求2所述的太阳能光伏板光斑识别方法，其特征在于，所述灰度图像中背景像素所占的总面积比例ω₁的计算公式为：

ω₁＝1-ω₀

<mrow> <msub> <mi>&omega;</mi> <mn>0</mn> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>K</mi> <mi>max</mi> </mrow> </munderover> <msub> <mi>P</mi> <mi>i</mi> </msub> </mrow>

其中，i为所述目标像素的灰度级，K_max为所述目标像素的最高灰度级，P_i灰度级为i的像素点出现的概率，N_i为灰度级为i的像素点的个数，N为总像素点的个数。