CN108572011A - 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法 - Google Patents

Abstract

本发明是一种基于机器视觉的光伏电池板积灰状态监测系统，其特点是：包括光伏阵列的输出端经汇流箱与直流/交流转换器的输入端连通，光伏阵列的背板与温度传感器的输入端连通；采集卡的输入端分别与温度传感器、高清摄像头、气象站和汇流箱的输出端连通，采集卡的输出端与计算机的输入端连通；直流/交流转换器的输出端与逆变器的输入端连通，逆变器的输出端与输电网连通；高清摄像头采集的图像经采集卡传输给计算机的输入端。并提供包括光伏电池板积灰图像灰度值计算和发电效率损失计算的光伏电池板积灰状态计算方法。系统具有结构简单、合理，造价低廉，测量周期短，工作效率高等优点；计算方法具有科学合理，适用性强，计算准确率高等优点。

Description

一种基于机器视觉的光伏电池板积灰状态监测系统及计算 方法

技术领域

本发明涉及太阳能光伏发电技术领域，是一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法。

背景技术

随着使用时间的积累，太阳能电池板的迎光面会积累一层灰尘，主要是无机物(SIO2)和有机物污染物(鸟粪等)，既减弱了太阳能电池板对光的吸收，影响电池板的发电量，也容易因“热岛效应”造成电池局部发热而损坏。当太阳电池板上布满灰尘时，其电能转换效率就会降低30～40％，若长期不清洁，蓄电池就不能保持足够的电量，以至于被频繁充电，从而导致其寿命缩短，影响其发电效率。

据统计，电池板积灰可以使太阳能电池板发电效率平均降低17％，严重时甚至能达到40％。相关研究表明，在污染较严重地区，累积30天不清理太阳能光伏电池板，光伏系统发电效率就会降低约50％以上。经过初步估算，如果光伏电站不采用任何清洁措施，每兆瓦光伏系统每年因为积灰问题而减少的发电量能够达到40万度/年，造成了巨大的经济损失。

然而目前并没有一套完整的装置来在线监测光伏电池板积灰状态，也没有一个明确的指标来判断光伏电池板的污染指数与清洁周期，仅仅依靠经验判断存在明显的误差，不仅耗费人力物力，也带来了巨大的经济损失。

发明内容

本发明的目的是，针对大型光伏电站电池板积灰导致光电转换效率下降，运维经济性降低，并危害到光伏电池板使用寿命等难题，提出一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法，其特点是，能够在线监测光伏电池板积灰状态及各项发电参数，并提供在传统的通过电压电流来计算发电效率的基础上，附加光伏电池板积灰图像分析，在去除板面栅线对分析结果的干扰后准确计算图像平均灰度值，进而得到灰度值与电功率损失率关系模型。

1.实现本发明目的所采用的技术方案之一是：一种基于机器视觉的光伏电池板积灰状态监测系统，其特征在于：它包括光伏阵列1的输出端经汇流箱7与直流/交流转换器8的输入端相连通，光伏阵列1的背板与温度传感器3的输入端相连通；采集卡6的输入端分别与温度传感器3的输出端，高清摄像头2的输出端，气象站4的输出端和汇流箱7的输出端相连通，采集卡6的输出端与计算机5的输入端相连通；直流/交流转换器8的输出端与逆变器9的输入端相连通，逆变器9的输出端与输电网10相连通；高清摄像头2采集的图像经采集卡6传输给计算机5的输入端。

2.实现本发明目的所采用的技术方案之二是：一种基于机器视觉的光伏电池板积灰状态计算方法，其特征在于，它包括：

1)光伏电池板积灰图像灰度值计算

为了最大限度地减小条带噪声行对图像分析结果的干扰，首先消除光伏电池板上的银色栅线的影响，定位银色栅线所在行,然后用上下两行数据插值结果代替银色栅线，插值的关键是能够准确而有效地找出条带噪声行；由于银色栅线条带噪声的分布非常有规律,相邻条带噪声线之间的距离相同,每块光伏电池板的栅线数目也相同，因此可以通过统计每块光伏电池板可能的噪声数来判断条带噪声所在位置。整个定位过程以及光伏电池板积灰图像灰度值分析由下述方程组定量描述：

银色栅线位置确定：

(G_i,j-G)/G＞T (2)

两点的差值和绝对误差：

F＝G(i+1,j)-G(i-1,j) (3)

δ＝|F|/G(i-1,j) (4)

三界差值算法：

f＝(i+u,j+v)＝[A][B][C] (5)

[A]＝(s(1+u),s(u),s(1-u),s(2-u)) (6)

[C]'＝(s(i+v),s(v),s(1-v),s(2-v)) (7)

光伏电池板积灰图像的灰度值：

Gray_i＝R_i×0.3+G_i×0.59+B_i×0.11 (10)

光伏电池板积灰图像的平均灰度值：

其中，(i，j)点为噪声点，值为G_i,j，上一个点为(i+1，j),其像素值为G(i+1，j)，下一个点为(i-1，j)，其像素值为(i-1，j)，T为阈值，某一点的颜色分别用红色R、绿色G、蓝色B表示，联立式(1)和式(2)，如果该像素属性值相对于上下/左右两个像素属性的平均值增加的百分比超过阈值T，就认为该点为“噪声像素”，即确定了栅线所在位置；联立式(3)和式(4)确定栅线和与其相邻点的差值与绝对误差，并设定一临界值d，如果δ＜d说明两个点像素变化不大，此时采用上下两行像素点的线性插值法；如果δ＞d，说明两个点的像素值变化较大，此时联立式(5)、式(6)、式(7)、式(8)和式(9)，采用三阶线性插值算法对周围16个点进行插值处理，再通过联立式(10)和式(11)对处理后的图像进行分析，确定图像的灰度值，进而确定平均灰度值；

2)发电效率损失计算

将基于机器视觉的光伏电池板积灰状态监测系统采集的电压电流数据与温度采集数据和直接辐射采集的数据组合计算，得出电池板发电效率以及电功率损失率，进而得到光伏电池板发电效率、电功率损失率与积灰时间之间的关系模型，具体内容由下述方程组描述：

光伏电池板发电效率：

光伏电池板电功率损失率与积灰时间预测模型：

光伏电池板电功率损失率退化模型：

η_pl(t)＝η_pl ^*·(1-e^-bt),t≥0 (15)

光伏电池板积灰图像灰度值与电功率损失率关系模型：

Gray_a＝49.820+1.1268·η_Pl(t)·100 (16)

光伏电池板积灰图像灰度值与积灰密度关系模型：

Gray_a＝51.06+1.113ρ (17)

光伏电池板电功率损失率与积灰密度关系模型：

其中η表示光伏电池板发电效率，P_max表示最大输出功率，k表示温度系数，G表示辐照度，S_t表示光伏电池板面积，T_b表示电池板温度，T_s表示正常工作电池温度，η_l为积灰工况发电效率损失,η_l ^*为发电效率损失的渐进值，η_c和η_d分别表示清洁和积灰工况下发电效率，t表示灰尘沉积时间，η_pl ^*表示电功率损失率的渐进值，ρ表示光伏电池板积灰密度；

基于机器视觉的光伏电池板积灰状态监测系统运行中，监测积灰工况下光伏电池板输出电功率，太阳能总辐照度以及光伏电池板背板温度，由式(12)确定电池板发电效率模型，由清洁工况，积灰工况发电效率和灰尘沉积时间，联立式(13)和式(14)确定电功率损失率与积灰时间的预测模型，联立式(15)确定电功率损失率退化模型，联立式(16)确定灰度值与电功率损失率关系模型，检测光伏电池板积灰密度，联立式(17)确定积灰图像灰度值与积灰密度关系模型，再联立式(18)确定电功率损失率与积灰密度关系模型。

本发明的一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法的优点体现在：

(1)基于机器视觉的光伏电池板积灰状态监测系统结构简单、合理，造价低廉，可实施性好，能做到长久不间断工作，每次测量独立稳定强，测量周期短，大大提高工作效率，降低故障发生率；

(2)基于机器视觉的光伏电池板积灰状态计算方法中的图像灰度值计算，首先消除光伏电池板银色栅线的影响，最大限度地减小条带噪声行对图像分析结果的干扰；只对银色栅线所在的行和列进行插值处理,而不会对非银色栅线区域产生任何负面作用；

(3)基于机器视觉的光伏电池板积灰状态计算方法中的发电效率损失计算，采用直接辐射辐照度实时分析电池板发电效率，对于跟踪式或固定式安装的电池板，均可消除太阳能入射角度的影响；对于电池板温度影响，采用功率温度系数修正，可修正到标准测试工况；由于电池板材料和工艺的差异，各型号电池板衰减率由设备商通过第三方检测机构测试后给出确定数值，该值具有时变特性，即与运行时间相关联；最后，修正了前三个因素的影响后，积灰程度可作为唯一的发电效率变化值影响因素；

(4)基于机器视觉的光伏电池板积灰状态计算方法科学合理，适用性强，计算准确率高。

附图说明

图1为一种基于机器视觉的光伏电池板积灰状态监测系统结构示意图；

图2为一种基于机器视觉的光伏电池板积灰状态计算方法中的图像灰度值计算流程图；

图3为一种基于机器视觉的光伏电池板积灰状态计算方法中的电功率损失率预测模型图；

图4为光伏电池板积灰图像灰度值与灰尘沉积密度关系图；

图5为电功率损失率与灰尘沉积密度关系图。

图中：1光伏阵列，2高清摄像头，3温度传感器，4气象站，5计算机，6数据采集卡，7汇流箱，8直流/交流转换器，9逆变器，10输电网。

具体实施方式

下面利用附图和具体实施方式对本发明作进一步说明。

参照图1，本发明的一种基于机器视觉的光伏电池板积灰状态监测系统，包括光伏阵列1，高清摄像头2，温度传感器3，气象站4，计算机5，数据采集卡6，汇流箱7，直流/交流转换器8，逆变器9，输电网10。所述的光伏阵列1的输出端经汇流箱7与直流/交流转换器8的输入端相连通，所述的光伏阵列1的背板与温度传感器3的输入端相连通；所述的采集卡6的输入端分别与温度传感器3的输出端、高清摄像头2的输出端、气象站4的输出端和汇流箱(7)的输出端相连通，所述的采集卡6的输出端与计算机5的输入端相连通；所述的直流/交流转换器8的输出端与逆变器9的输入端相连通，所述的逆变器9的输出端与输电网10相连通；所述的高清摄像头2采集的图像经采集卡6传输给计算机5的输入端。

本发明的一种基于机器视觉的光伏电池板积灰状态监测系统，选取光伏电站里某一光伏阵列为检测对象(一般由数十块光伏电池板串接组成，构成一路电压、电流、功率参数送入汇流箱)，实时监测电池板背板温度、光伏阵列电压、电流、功率和总辐照度，高清摄像头实时对光伏阵列进行监控，并定时截图，在线分析积灰数据，真正做到监测与数据分析一体化。

实施方式的一种基于机器视觉的光伏电池板积灰状态监测系统，具体工作过程为：所述的光伏阵列正负极通过汇流箱7与直流/交流转换器8、逆变器9相连，直接将电传给输电网10；所述的温度传感器3与光伏阵列1的背板相连；温度传感器3采集的光伏阵列1的背板温度值，高清摄像头2采集的图像以及气象站4采集的各项试验参数，一并送进数据采集卡6，并传输到计算机5，实现光伏电池板转换效率与积灰图像灰度值的计算。

参照图2，本发明的一种基于机器视觉的光伏电池板积灰状态计算方法中的图像灰度值计算，为了最大限度地减小条带噪声行对图像分析结果的干扰，首先消除了光伏电池板上的银色栅线。基本思路是：定位银色栅线所在行，然后用上下两行数据插值结果代替银色栅线。插值算法的关键是能够准确而有效地找出条带噪声行。银色栅线条带噪声的分布非常有规律,相邻条带噪声线之间的距离相同，每块光伏电池板的栅线数目也相同，因此通过统计每块光伏电池板可能的噪声数来判断条带噪声所在位置。整个定位过程以及灰度值分析由下述方程组定量描述：

栅线位置确定：

(G_i,j-G)/G＞T (2)

两点的差值和绝对误差：

F＝G(i+1,j)-G(i-1,j) (3)

δ＝|F|/G(i-1,j) (4)

三界差值算法：

f＝(i+u,j+v)＝[A][B][C] (5)

[A]＝(s(1+u),s(u),s(1-u),s(2-u)) (6)

[C]'＝(s(i+v),s(v),s(1-v),s(2-v)) (7)

光伏电池板积灰图像的灰度值：

Gray_i＝R_i×0.3+G_i×0.59+B_i×0.11 (10)

光伏电池板积灰图像平均灰度值：

其中，(i，j)点为噪声点，值为G_i,j，上一个点为(i+1，j),其像素值为G(i+1,j)，下一个点为(i-1,j)，其像素值为(i-1,j)，T为阈值，某一点的颜色分别用红色R、绿色G、蓝色B表示。联立式(1)和式(2)，如果该像素属性值相对于上下/左右两个像素属性的平均值增加的百分比超过阈值T，就认为该点为“噪声像素”，即确定了银色栅线所在位置。联立式(3)和式(4)确定银色栅线和与其相邻点的差值与绝对误差，并设定一临界值d，如果δ＜d说明两个点像素变化不大，此时采用上下两行像素点的线性插值法。如果δ＞d，说明两个点的像素值变化较大，此时联立式(5)、式(6)、式(7)、式(8)和式(9)，采用三阶线性插值算法对周围16个点进行插值处理。再通过联立式(10)和式(11)对处理后的图像进行分析，确定图像的灰度值，进而确定平均灰度值。

参照图3，本发明的一种基于图像灰度值的光伏电池板积灰状态计算方法中的发电效率损失计算，将基于机器视觉的光伏电池板积灰状态监测系统采集的电压电流数据与温度采集数据和直接辐射采集的数据组合计算，得出电池板发电效率以及电功率损失率，进而得到光伏电池板发电效率，电功率损失率与积灰时间之间的关系模型。具体内容由下述方程组描述：光伏电池板发电效率：

光伏电池板电功率损失率与积灰时间预测模型：

光伏电池板电功率损失率退化模型：

η_pl(t)＝η_pl ^*·(1-e^-bt),t≥0 (15)

光伏电池板积灰图像灰度值与电功率损失率关系模型：

Gray_a＝49.820+1.1268·η_Pl(t)·100 (16)

光伏电池板积灰图像灰度值与积灰密度关系模型：

Gray_a＝51.06+1.113ρ (17)

光伏电池板电功率损失率与积灰密度关系模型：

其中η表示光伏电池板发电效率，P_max表示最大输出功率，k表示温度系数，G表示辐照度，S_t表示光伏电池板面积，T_b表示电池板温度，T_s表示正常工作电池温度，η_l为积灰工况发电效率损失,η_l ^*为发电效率损失的渐进值，η_c和η_d分别表示清洁和积灰工况下发电效率，t表示灰尘沉积时间，η_pl ^*表示电功率损失率的渐进值，ρ表示光伏电池板积灰密度。

本发明的一种基于机器视觉的光伏电池板积灰状态监测系统运行中，监测积灰工况下光伏电池板输出电功率，太阳能总辐照度以及光伏电池板背板温度，由式(12)确定电池板发电效率模型，由清洁工况，积灰工况发电效率和灰尘沉积时间，联立式(13)和式(14)确定电功率损失率与积灰时间的预测模型，联立式(15)确定电功率损失率退化模型，联立式(16)确定灰度值与电功率损失率关系模型。检测光伏电池板积灰密度，联立式(17)确定积灰图像灰度值与积灰密度关系模型，再联立式(18)确定电功率损失率与积灰密度关系模型。

本发明的一种基于机器视觉的光伏电池板积灰状态监测系统，采用50MW光伏电站为例，如图4所示，光伏电池板积灰图像灰度值的大小随灰尘沉积密度的变化符合线性变化关系，光伏电池板积灰图像灰度值与灰尘沉积密度的预测模型为Gray_a＝51.06+1.113ρ。经现场测量数据显示，当光伏电池板灰尘沉积密度为10g/m²时，光伏电池板积灰图像灰度值为62.19。如图5所示，积灰造成的光伏电池板电功率损失率的大小随灰尘沉积密度的变化符合线性变化关系，其预测模型为结合现场观测表明，当光伏电池板灰尘沉积密度为10g/m²时，造成的光伏电池板电功率损失率为10.98％。经现场观测数据显示，50MW电站在光照强度为870W/m²，灰尘沉积密度为10g/m²时，其发电效率为12.48％。

本发明所用元件、器件均为市售产器，容易实施。

本发明的具体实施方式已对本发明的内容作出了说明，但不局限本具体实施方式，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (2)

1.一种基于机器视觉的光伏电池板积灰状态监测系统，其特征在于：它包括光伏阵列(1)的输出端经汇流箱(7)与直流/交流转换器(8)的输入端相连通，光伏阵列(1)的背板与温度传感器(3)的输入端相连通；采集卡(6)的输入端分别与温度传感器(3)的输出端，高清摄像头(2)的输出端，气象站(4)的输出端和汇流箱(7)的输出端相连通，采集卡(6)的输出端与计算机(5)的输入端相连通；直流/交流转换器(8)的输出端与逆变器(9)的输入端相连通，逆变器(9)的输出端与输电网(10)相连通；高清摄像头(2)采集的图像经采集卡(6)传输给计算机(5)的输入端。

2.根据权利要求1所述的一种基于机器视觉的光伏电池板积灰状态监测系统，其特征在于，其计算方法包括：

1)光伏电池板积灰图像灰度值计算

为了最大限度地减小条带噪声行对图像分析结果的干扰，首先消除光伏电池板上的银色栅线的影响，定位银色栅线所在行,然后用上下两行数据插值结果代替银色栅线，插值的关键是能够准确而有效地找出条带噪声行；由于银色栅线条带噪声的分布非常有规律,相邻条带噪声线之间的距离相同,每块光伏电池板的栅线数目也相同，因此可以通过统计每块光伏电池板可能的噪声数来判断条带噪声所在位置。整个定位过程以及光伏电池板积灰图像灰度值分析由下述方程组定量描述：

银色栅线位置确定：

(G_i,j-G)/G＞T (2)

两点的差值和绝对误差：

F＝G(i+1,j)-G(i-1,j) (3)

δ＝|F|/G(i-1,j) (4)

三界差值算法：

f＝(i+u,j+v)＝[A][B][C] (5)

[A]＝(s(1+u),s(u),s(1-u),s(2-u)) (6)

[C]'＝(s(i+v),s(v),s(1-v),s(2-v)) (7)

光伏电池板积灰图像的灰度值：

Gray_i＝R_i×0.3+G_i×0.59+B_i×0.11 (10)

光伏电池板积灰图像的平均灰度值：

其中，(i，j)点为噪声点，值为G_i,j，上一个点为(i+1，j),其像素值为G(i+1，j)，下一个点为(i-1，j)，其像素值为(i-1，j)，T为阈值，某一点的颜色分别用红色R、绿色G、蓝色B表示，联立式(1)和式(2)，如果该像素属性值相对于上下/左右两个像素属性的平均值增加的百分比超过阈值T，就认为该点为“噪声像素”，即确定了栅线所在位置；联立式(3)和式(4)确定栅线和与其相邻点的差值与绝对误差，并设定一临界值d，如果δ＜d说明两个点像素变化不大，此时采用上下两行像素点的线性插值法；如果δ＞d，说明两个点的像素值变化较大，此时联立式(5)、式(6)、式(7)、式(8)和式(9)，采用三阶线性插值算法对周围16个点进行插值处理，再通过联立式(10)和式(11)对处理后的图像进行分析，确定图像的灰度值，进而确定平均灰度值；

2)发电效率损失计算

将基于机器视觉的光伏电池板积灰状态监测系统采集的电压电流数据与温度采集数据和直接辐射采集的数据组合计算，得出电池板发电效率以及电功率损失率，进而得到光伏电池板发电效率、电功率损失率与积灰时间之间的关系模型，具体内容由下述方程组描述：

光伏电池板发电效率：

光伏电池板电功率损失率与积灰时间预测模型：

光伏电池板电功率损失率退化模型：

η_pl(t)＝η_pl ^*·(1-e^-bt),t≥0 (15)

光伏电池板积灰图像灰度值与电功率损失率关系模型：

Gray_a＝49.820+1.1268·η_Pl(t)·100 (16)

光伏电池板积灰图像灰度值与积灰密度关系模型：

Gray_a＝51.06+1.113ρ (17)

光伏电池板电功率损失率与积灰密度关系模型：

其中η表示光伏电池板发电效率，P_max表示最大输出功率，k表示温度系数，G表示辐照度，S_t表示光伏电池板面积，T_b表示电池板温度，T_s表示正常工作电池温度，η_l为积灰工况发电效率损失,η_l ^*为发电效率损失的渐进值，η_c和η_d分别表示清洁和积灰工况下发电效率，t表示灰尘沉积时间，η_pl ^*表示电功率损失率的渐进值，ρ表示光伏电池板积灰密度；

基于机器视觉的光伏电池板积灰状态监测系统运行中，监测积灰工况下光伏电池板输出电功率，太阳能总辐照度以及光伏电池板背板温度，由式(12)确定电池板发电效率模型，由清洁工况，积灰工况发电效率和灰尘沉积时间，联立式(13)和式(14)确定电功率损失率与积灰时间的预测模型，联立式(15)确定电功率损失率退化模型，联立式(16)确定灰度值与电功率损失率关系模型，检测光伏电池板积灰密度，联立式(17)确定积灰图像灰度值与积灰密度关系模型，再联立式(18)确定电功率损失率与积灰密度关系模型。