CN109743019B - 基于气象因素的热斑温度预测及热斑定位的系统和方法 - Google Patents

基于气象因素的热斑温度预测及热斑定位的系统和方法 Download PDF

Info

Publication number
CN109743019B
CN109743019B CN201811569962.3A CN201811569962A CN109743019B CN 109743019 B CN109743019 B CN 109743019B CN 201811569962 A CN201811569962 A CN 201811569962A CN 109743019 B CN109743019 B CN 109743019B
Authority
CN
China
Prior art keywords
hot spot
temperature
spot temperature
data
meteorological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811569962.3A
Other languages
English (en)
Other versions
CN109743019A (zh
Inventor
孙坚
陈芳芳
黄六一
钟丰平
张方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Zhejiang Special Equipment Inspection and Research Institute
Original Assignee
China Jiliang University
Zhejiang Special Equipment Inspection and Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Jiliang University, Zhejiang Special Equipment Inspection and Research Institute filed Critical China Jiliang University
Priority to CN201811569962.3A priority Critical patent/CN109743019B/zh
Publication of CN109743019A publication Critical patent/CN109743019A/zh
Application granted granted Critical
Publication of CN109743019B publication Critical patent/CN109743019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Radiation Pyrometers (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于气象因素的热斑温度预测及热斑定位的系统和方法。系统包括实时监测记录气候特征的气象站、无人机、光伏阵列组件、PC机和二维码；方法包括实验采集数据；模型的拟合；数据预处理；采集四项气象数据作为特征；建立基于热斑温度预测的热斑温度预测模型，求解四种气象特征对应的回归系数，多次迭代后得到热斑温度预测模型；利用热斑温度预测模型对待测情况下的气象数据进行处理，无人机开始巡检，从而实现热斑温度预测及定位。本发明将气象因素用于对太阳能光伏板的热斑温度检测、预测和误差校正中，能够实现简单快速、人为操作少、无需实时巡检的创新优势，带来最优化节省资源，方法简单准确，可靠性高。

Description

基于气象因素的热斑温度预测及热斑定位的系统和方法
技术领域
本发明涉及了光伏组件技术领域的一种光伏检测预测定位的方法，尤其是涉及一种基于气象因素的热斑温度预测及热斑定位的系统和方法。
背景技术
伴随着能源危机意识的提升，太阳能作为一种可再生、无污染的新能源得到了突飞猛进的发展，然而，热斑现象成为光伏组件使用过程中难以避免的现象，在光照不均匀、光伏组件被遮挡(如鸟屎、建筑物遮挡、树荫等)、或者光伏组件自身质量不合格等情况下，形成局部过热的现象，这种现象称为热斑效应。热斑效应严重时被遮蔽的光伏组件会由于温度过高而烧毁，严重影响光伏组件的使用寿命及安全，因此热斑温度预测与分析意义重大。
当热斑温度过高时，会造成组件发生损坏，因而缺乏有效的技术手段能实时分析给出热斑温度的预测模型，进而预测热斑温度及时发现危害性较高的热斑。
发明内容
本发明所提出的基于气象因素的热斑温度预测的方法克服了现有技术的缺陷，提供一种基于气象因素的热斑温度预测及热斑定位的系统和方法，使热斑巡检无需实时进行，但又能及时发现危险性高的热斑，使系统工作效率大大提高，且运行成本较低。
本发明发现不同的气象因素对热斑的温度影响程度不同，且一些气候因素间相互联系存在着耦合关系，辐照度、温度、太阳入射角度、天气、风速等都会对热斑温度产生影响，进而利用气象因素对热斑进行预测处理。
为了实现上述目标，本发明采用如下的技术方案：
一、一种基于气象因素的热斑温度预测及热斑定位的系统：
系统包括实时监测记录气候特征的气象站、无人机、光伏阵列组件、PC机和二维码；所述的气象站安装于与光伏阵列组件同一海拔高度，且位于无遮挡物的环境中；所述的气象站包含有温度传感器、湿度传感器、气压传感器和风速风向传感器，温度传感器、湿度传感器、气压传感器和风速风向传感器经数据采集卡和采集控制器连接，采集控制器连接有存储芯片和时钟芯片，采集控制器经第一无线通讯模块和PC机连接；
所述的无人机上搭载云台，云台上安装有摄像机和进行热斑图像温度采集的红外热像仪；摄像机和红外热像仪经第二无线通讯模块和PC机连接，光伏阵列组件的每块太阳能光伏板下底边附近的地面上设有二维码。
所述的光伏阵列组件有A排，每排由B块太阳能光伏板串联构成。
在使用红外热像仪检测获得各块太阳能光伏板的热斑温度时，红外热像仪探测方向与太阳能光伏板所在平面之间的夹角呈40°。
二、一种基于气象因素的热斑温度预测及热斑定位的方法：
S1：系统的搭建：系统包括实时监测记录气候特征的气象站、无人机、光伏阵列组件、PC机和二维码；气象站安装于与光伏阵列组件同一海拔高度，且位于无遮挡物的环境中；无人机上搭载云台，云台上安装有摄像机和进行热斑图像温度采集的红外热像仪；光伏阵列组件的每块太阳能光伏板的地面上放置有记录太阳能光伏板编号信息的二维码。
S2：实验采集数据：实验时间设定为上午9点至下午三点，期间每隔30min进行光伏组件热斑温度采样，记录采样时间，并通过气象站获取采样时间下的气象数据，将获取的气象数据与热斑同一时间的热斑温度存储，作为训练数据集；
S3：模型的拟合
S3.1、对步骤S2所获取的数据进行数据预处理；
数据预处理是具体为剔除清理与相邻前后时间两次测得的热斑温度差值极大的数据。
S3.2、气象站采集温度、辐照度、风速、湿度的四项气象数据作为特征；
具体实施从气象站采集到的多种气象中，根据计算气象特征与热斑温度的相关性，提取温度、辐照度、风速、湿度四项特征作为模型的输入变量，忽略相关性不显著的气象特征。
S3.3、建立基于热斑温度预测的热斑温度预测模型：
S3.3.1、输入变量输出变量：以温度、辐照度、风速、湿度的四个特征作为输入变量，特征下热斑的温度为唯一输出变量；
S3.3.2、建立热斑温度预测的热斑温度预测模型：
热斑的温度受温度、辐照度、风速、湿度等气象条件的影响，热斑温度预测模型根据训练集数据，建立热斑温度与气象因素之间的热斑温度预测模型，实现基于气象条件的热斑温度的预测。
S3.3.3、则热斑温度预测模型为
y＝M1X1+M2X2+M3X3+M4X4+ε
其中，M为回归系数，ε为随机误差，X1～X4分别表示四种气象特征的数据向量，y表示热斑预测温度值；M1,M2,M3,M4分别表示四种气象特征对应的回归系数；
S3.4、建立以下目标函数，以最小值为目标采用梯度下降法/最小二乘法求解四种气象特征对应的回归系数M1,M2,M3,M4值；
其中，i表示特征的序数；
S3.5、将所有采集的2000组气象数据输入训练模型训练求解，设置初始学习率learning_rate＝0.01，多次迭代后得到热斑温度预测模型；
S4：利用热斑温度预测模型对待测情况下的气象数据进行处理，预测获得待测情况的气象因素下热斑存在危险性结果，无人机开始巡检，通过无人机传输至PC端的带热斑及二维码的图片识别热斑所处的光伏板的具体位置，从而实现热斑温度预测及定位。
本发明发现热斑的温度受温度、辐照度、风速、湿度等气象条件的影响，建立以上热斑温度预测的热斑温度预测模型进行训练并能准确地预测热斑的温度。
所述步骤S2中，进行光伏组件热斑温度采样，具体是：在光伏阵列组件正常工作的前提下，设置不同的遮荫面积作为热斑，然后控制无人机飞经光伏阵列组件中的各个太阳能光伏板上方，通过无人机上搭载的红外热像仪检测获得各块太阳能光伏板的热斑温度作为样本。
当通过气象站检测获得的气象数据经热斑温度预测模型处理输出获得的热斑温度和热斑有危害性的阈值比较后，热斑温度达到了热斑有危害性的阈值时，则认为温度异常，派出无人机进行巡检区域，通过无人机上红外热像仪所采集到的太阳能光伏板的实际温度和二维码图像，利用二维码图像识别太阳能光伏板的编号，将太阳能光伏板的编号和实际温度进行误差修正处理，并将采集到的实际温度数据继续存入数据集中，以便模型进一步进行训练修正，使热斑温度预测的热斑温度预测模型准确性不断提高。
控制无人机飞经光伏阵列组件中的各个太阳能光伏板上方，摄像机对太阳能光伏板地面上的二维码进行拍照和识别，获得太阳能光伏板的编号；红外热像仪对太阳能光伏板表面进行温度检测采集；气象站采集获得光伏阵列组件附近的环境温度、辐照度、风速和湿度的气象数据；气象站和无人机均连接到PC机，PC机接收气象站采集到的气象数据以及无人机采集到的太阳能光伏板的编号和红外热像仪所采集到的太阳能光伏板的实际温度，进而进行数据处理获得热斑的定位。
所述的光伏阵列组件有A排，每排由B块太阳能光伏板串联构成；运用Google的ZXing函数库对不同位置的太阳能光伏板生成对应不同位置信息的二维码，将生成的二维码封装固定并按照顺序依次固定于各自对应的太阳能光伏板下底边附近的地面上。
在使用红外热像仪检测获得各块太阳能光伏板的热斑温度时，红外热像仪与太阳能光伏板之间的夹角呈40°。
本发明将气象因素用于对太阳能光伏板的热斑温度检测、预测和误差校正中，能够实现简单快速、人为操作少、无需实时巡检的创新优势，带来最优化节省资源，为热斑检测提供了气象环境标准。
本发明相对于现有技术有如下的有益效果：
1本发明提出一种基于环境气候预测光伏组件热斑温度的方法，能够根据环境判断热斑的危害程度，无需实时派无人机巡检，又能及时检测出热斑的位置，防止光伏板造成损坏。
2本发明对有热斑的光伏板采用无人机拍摄二维码，PC端扫描识别方式，其成本较低，可靠性高。
3本发明能够在任意有网络覆盖的地方实现对所控制的光伏组件热斑温度的预测，无需制定在特定的位置，即可判断当时的气候热斑的温度是否达到阈值。
4.本发明通过对相关性的分析，选取四个关系密切的特征，通过大量数据进行训练，最终实现对热斑温度的预测，方法简单准确，可作为热斑危险性评定的气象标准评定。
附图说明
图1为本发明系统的结构图。
图2为本发明无人机结构示意图。
图3为本发明太阳能光伏板和二维码布置示意图。
图4为本发明系统电路框图；
图5为本发明热斑识别图；
图6为本发明温度预测流程图；
图7为本发明气象站中的传感检测数据与热斑温度散点图；
图7(a)为温度与热斑温度散点图；
图7(b)为辐照度与热斑温度散点图；
图7(c)为湿度与热斑温度散点图；
图7(d)为风速与热斑温度散点图。
图中：光伏阵列组件1、气象站2、无人机3、二维码4、PC机5。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，具体实施采用以下定位系统：依赖于以下能够实时监测环境各项指标的气象站2、进行热斑采集的无人机3、光伏阵列组件1、能够控制整个系统运行的PC端5、支持无人机识别位置的二维码4构成硬件系统。
气象站2安装于与光伏阵列组件1同一海拔高度，且位于无遮挡物的环境中。如图4所示，气象站2包含有温度传感器、湿度传感器、气压传感器和风速风向传感器，温度传感器、湿度传感器、气压传感器和风速风向传感器经数据采集卡和采集控制器连接，采集控制器连接有存储芯片和时钟芯片，采集控制器经第一无线通讯模块和PC机5连接；无人机3上搭载云台，如图2所示，云台上安装有摄像机和进行热斑图像温度采集的T450红外热像仪3-1；摄像机和红外热像仪3-1经第二无线通讯模块和PC机5连接，光伏阵列组件1的每块太阳能光伏板下底边附近的地面上设有二维码4，如图3所示，二维码4为带有太阳能光伏板编号信息的二维码图案。
温度传感器、湿度传感器、气压传感器和风速风向传感器的传感检测数据被数据采集卡采集后发送到采集控制器，并在存储芯片存储，在存储时通过时钟芯片做采集时间的记录，采集控制器将传感检测数据通过第一无线通讯模块发送给PC机5，无人机3上的摄像机和红外热像仪3-1将自身采集到的可见光图像和红外热图像通过第二无线通讯模块发送到PC机5。PC机5搜集可见光图像和红外热图像以及传感检测数据作相关性处理获得热斑温度预测的结果。无人机3飞行经过每块太阳能光伏板时，牌照识别光伏板拍照采集热斑以及二维码4。
在使用红外热像仪检测获得各块太阳能光伏板的热斑温度时，红外热像仪探测方向与太阳能光伏板所在平面之间的夹角呈40°，即入射角为50°，此时测量热斑温度效果为最佳。
光伏阵列组件1有A排，每排由B块太阳能光伏板串联构成；对待测试的各块太阳能光伏板进行编号，每排为1、2、3......A，每排依此编号为1、2、3......B，每块太阳能光伏板的序号为排号和排中的编号。运用Google的ZXing函数库对不同位置的太阳能光伏板生成对应不同位置信息的二维码4，如图3所示，将生成的二维码4封装固定并按照顺序依次固定于各自对应的太阳能光伏板下底边附近的地面上，二维码之间距离适中，确保无人机飞过时能够采集到，又不能对光伏组件正常工作造成影响。
控制无人机3飞经光伏阵列组件1中的各个太阳能光伏板上方，摄像机对太阳能光伏板地面上的二维码4进行拍照和识别，获得太阳能光伏板的编号；红外热像仪3-1对太阳能光伏板表面进行温度检测采集；气象站2采集获得光伏阵列组件1附近的环境温度、辐照度、风速和湿度的气象数据；气象站2和无人机3均连接到PC机5，PC机5接收气象站2采集到的气象数据以及无人机3采集到的太阳能光伏板的编号和红外热像仪3-1所采集到的太阳能光伏板的实际温度，进而进行数据处理获得热斑的定位。
在使用红外热像仪检测获得各块太阳能光伏板的热斑温度时，红外热像仪与太阳能光伏板之间的夹角呈40°，即入射角为50°，此时测量热斑温度效果为最佳。
无人机3采用滑模控制，为达到最优路径使其能够沿着太阳能光伏板的边缘路线绕S线路飞行。
按照本发明方法完整实施的实施例如下，过程如图2所示：
S1：系统的搭建：系统包括实时监测记录气候特征的气象站2、执行检测任务的无人机3、光伏阵列组件1、PC机5和用于光伏板定位的二维码4；气象站2安装于与光伏阵列组件1同一海拔高度，且位于无遮挡物的环境中；无人机3上搭载云台，云台上安装有摄像机和进行热斑图像温度采集的T450红外热像仪3-1；光伏阵列组件1的每块太阳能光伏板的地面上放置有记录太阳能光伏板编号信息的二维码4，无人机识别光伏板拍照采集热斑以及二维码4。
如图1所示，具体实施采用以下定位系统：依赖于以下能够实时监测环境各项指标的气象站2、进行热斑采集的无人机3、光伏阵列组件1、能够控制整个系统运行的PC端5、支持无人机识别位置的二维码4构成硬件系统。
S2：实验采集数据：实验时间设定为上午9点至下午三点，期间每隔30min进行光伏组件热斑温度采样，具体是：在光伏阵列组件1正常工作的前提下，设置不同的遮荫面积作为热斑，然后控制无人机3飞经光伏阵列组件1中的各个太阳能光伏板上方，通过无人机3上搭载的红外热像仪3-1检测获得各块太阳能光伏板的热斑温度作为样本；记录采样时间，并通过气象站获取采样时间下的气象数据，将获取的气象数据与热斑同一时间的热斑温度存储，作为训练数据集；
具体实施中采用纸头或者胶布遮挡光伏板形成热斑。
采样的次数不少于2000次，采集的数据量不少于2000组数据。
S3：模型的拟合
S3.1、对步骤S2所获取的数据进行数据预处理；
数据预处理是具体为剔除清理与相邻前后时间两次测得的热斑温度差值极大的数据。这样能解决热斑的温度不是瞬时变化情况下，前后相邻时间所测得的热斑温度与本次的热斑温度值相差大造成的误差问题。
S3.2、气象站采集温度、辐照度、风速、湿度的四项气象数据作为特征；
将所有气象因素与热斑温度建立关联性分析，可知温度、辐照度、风速、湿度为关联性较大的特征，提取出温度、辐照度、风速、湿度四项特征，忽略风向、气压、入射角等关联度较小的气象因素，其选取特征与热斑温度的散点图如图7所示。
S3.3、建立基于热斑温度预测的热斑温度预测模型：
S3.3.1、输入变量输出变量：以温度、辐照度、风速、湿度的四个特征作为输入变量，特征下热斑的温度为唯一输出变量；
具体实施中将所有采集的2000组气象数据作为样本数据，选取五分之四作为训练集，其余的数据作为测试集。
首先确定输入变量输出变量：选取温度、辐照度、风速、湿度这四个特征作为输入变量，该特征下的热斑的预测温度为唯一输出变量。
接着进行训练集与测试集的划分：将采集的2000组数据作为样本数据，选取五分之四作为训练集，其余的数据作为测试集。部分训练集数据如下表1。
接着建立热斑温度预测的热斑温度预测模型：热斑的温度受温度、辐照度、风速、湿度等气象条件的影响，热斑温度预测模型根据训练集数据，建立热斑温度与气象因素之间的热斑温度预测模型，实现基于气象条件的热斑温度的预测。
表1
S3.3.2、建立热斑温度预测的热斑温度预测模型：
热斑的温度受温度、辐照度、风速、湿度等气象条件的影响，热斑温度预测模型根据训练集数据，建立热斑温度与气象因素之间的热斑温度预测模型，实现基于气象条件的热斑温度的预测。
S3.3.3、则热斑温度预测模型为
y＝M1X1+M2X2+M3X3+M4X4+ε
其中，M为回归系数，ε为随机误差，ε～N(0，σ2)，X1～X4分别表示四种气象特征的数据向量，y表示热斑预测温度值；M1,M2,M3,M4分别表示四种气象特征对应的回归系数；
具体实施中，
实验获取了2000组数据即代入上式，表示
其中，ε1,ε2,…ε2000相互独立，并且εi～N(0，σ2)。
模型转变为矩阵形式为：y＝MX+ε
式中
M＝[M1,M2,M3,M4],εi～N(0，σ2)。
S3.4、建立以下目标函数，以最小值为目标采用梯度下降法/最小二乘法求解四种气象特征对应的回归系数M1,M2,M3,M4值；即对目标函数J(M)求偏导，采用梯度下降法求最终值即为回归系数的值。
其中，i表示特征的序数；
S3.5、将所有采集的2000组气象数据输入训练模型训练求解，设置初始学习率learning_rate＝0.01，并且进行误差修正，多次迭代后得到热斑温度预测模型；
S4：利用热斑温度预测模型对待测情况下的气象数据进行处理，预测获得待测情况的气象因素下热斑存在危险性结果，无人机开始巡检，通过无人机传输至PC端的带热斑及二维码4的图片识别热斑所处的光伏板的具体位置，从而实现热斑温度预测及定位。
本发明发现热斑的温度受温度、辐照度、风速、湿度等气象条件的影响，建立以上热斑温度预测的热斑温度预测模型进行训练并能准确地预测热斑的温度。
当通过气象站2检测获得的气象数据经热斑温度预测模型处理输出获得的热斑温度，将剩余的测试数据输入到训练好的模型中，对热斑温度进行预测，由PC机显示预测值。
具体结果如下表2：
表2
温度 辐照度 风速 湿度 实际热斑温度 预测热斑温度 误差率
35 780 3 78％ 56.7 52.9 6.70％
将预测输出的热斑温度和热斑有危害性的阈值比较后，热斑温度达到了热斑有危害性的阈值时，则认为温度异常，温度阈值设定为超过40℃视为危险。
热斑的定位是系统操作的最后流程，预测输出的热斑温度超过40℃后，派出无人机3进行巡检可能的异常区域，通过无人机3上红外热像仪3-1所采集到的太阳能光伏板的实际温度和二维码图像，利用二维码图像识别太阳能光伏板的编号，将太阳能光伏板的编号和实际温度进行误差修正处理，并将采集到的实际温度数据继续存入数据集中，以便模型进一步进行训练修正，使热斑温度预测的热斑温度预测模型准确性不断提高。
以上所述仅为本发明的实施例，对于发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变、修改等，但都将落入本发明的保护范围内。

Claims (7)

1.一种基于气象因素的热斑温度预测及热斑定位的系统，其特征在于，系统包括实时监测记录气候特征的气象站(2)、无人机(3)、光伏阵列组件(1)、PC机(5)和二维码(4)；所述的气象站(2)安装于与光伏阵列组件(1)同一海拔高度，且位于无遮挡物的环境中；所述的气象站(2)包含有温度传感器、湿度传感器、气压传感器和风速风向传感器，温度传感器、湿度传感器、气压传感器和风速风向传感器经数据采集卡和采集控制器连接，采集控制器连接有存储芯片和时钟芯片，采集控制器经第一无线通讯模块和PC机(5)连接；所述的无人机(3)上搭载云台，云台上安装有摄像机和进行热斑图像温度采集的红外热像仪(3-1)；摄像机和红外热像仪(3-1)经第二无线通讯模块和PC机(5)连接，光伏阵列组件(1)的每块太阳能光伏板下底边附近的地面上设有二维码(4)；
所述的光伏阵列组件(1)有A排，每排由B块太阳能光伏板串联构成；
在使用红外热像仪检测获得各块太阳能光伏板的热斑温度时，红外热像仪探测方向与太阳能光伏板所在平面之间的夹角呈40°。
2.一种基于气象因素的热斑温度预测及热斑定位的方法，其特征在于，方法步骤如下：
S1：系统的搭建：系统包括实时监测记录气候特征的气象站(2)、无人机(3)、光伏阵列组件(1)、PC机(5)和二维码(4)；气象站(2)安装于与光伏阵列组件(1)同一海拔高度，且位于无遮挡物的环境中；无人机(3)上搭载云台，云台上安装有摄像机和进行热斑图像温度采集的红外热像仪(3-1)；光伏阵列组件(1)的每块太阳能光伏板的地面上放置有记录太阳能光伏板编号信息的二维码(4)；
S2：实验采集数据：实验时间设定为上午9点至下午三点，期间每隔30min进行光伏组件热斑温度采样，记录采样时间，并通过气象站获取采样时间下的气象数据，将获取的气象数据与热斑同一时间的热斑温度存储，作为训练数据集；
S3：模型的拟合
S3.1、对步骤S2所获取的数据进行数据预处理；
数据预处理是具体为剔除清理与相邻前后时间两次测得的热斑温度差值极大的数据；
S3.2、气象站采集温度、辐照度、风速、湿度的四项气象数据作为特征；
S3.3、建立基于热斑温度预测的热斑温度预测模型：
S3.3.1、输入变量输出变量：以温度、辐照度、风速、湿度的四个特征作为输入变量，特征下热斑的温度为唯一输出变量；
S3.3.2、建立热斑温度预测的热斑温度预测模型：
热斑的温度受温度、辐照度、风速、湿度气象条件的影响，热斑温度预测模型根据训练集数据，建立热斑温度与气象因素之间的热斑温度预测模型，实现基于气象条件的热斑温度的预测；
S3.3.3、则热斑温度预测模型为
y＝M1X1+M2X2+M3X3+M4X4+ε
其中，M为回归系数，ε为随机误差，X1～X4分别表示四种气象特征的数据向量，y表示热斑预测温度值；M1,M2,M3,M4分别表示四种气象特征对应的回归系数；
S3.4、建立以下目标函数，以最小值为目标采用梯度下降法/最小二乘法求解四种气象特征对应的回归系数M1,M2,M3,M4值；
其中，i表示特征的序数；
S3.5、将所有采集的2000组气象数据输入训练模型训练求解，设置初始学习率learning_rate＝0.01，多次迭代后得到热斑温度预测模型；
S4：利用热斑温度预测模型对待测情况下的气象数据进行处理，预测获得待测情况的气象因素下热斑存在危险性结果，无人机开始巡检，通过无人机传输至PC端的带热斑及二维码(4)的图片识别热斑所处的光伏板的具体位置，从而实现热斑温度预测及定位。
3.根据权利要求2所述的一种基于气象因素的热斑温度预测及热斑定位的方法，其特征在于：所述步骤S2中，进行光伏组件热斑温度采样，具体是：在光伏阵列组件(1)正常工作的前提下，设置不同的遮荫面积作为热斑，然后控制无人机(3)飞经光伏阵列组件(1)中的各个太阳能光伏板上方，通过无人机(3)上搭载的红外热像仪(3-1)检测获得各块太阳能光伏板的热斑温度作为样本。
4.根据权利要求2所述的一种基于气象因素的热斑温度预测及热斑定位的方法，其特征在于：当通过气象站(2)检测获得的气象数据经热斑温度预测模型处理输出获得的热斑温度和热斑有危害性的阈值比较后，热斑温度达到了热斑有危害性的阈值时，则认为温度异常，派出无人机(3)进行巡检区域，通过无人机(3)上红外热像仪(3-1)所采集到的太阳能光伏板的实际温度和二维码图像，利用二维码图像识别太阳能光伏板的编号，将太阳能光伏板的编号和实际温度进行误差修正处理，并将采集到的实际温度数据继续存入数据集中，以便模型进一步进行训练修正，使热斑温度预测的热斑温度预测模型准确性不断提高。
5.根据权利要求2所述的一种基于气象因素的热斑温度预测及热斑定位的方法，其特征在于：控制无人机(3)飞经光伏阵列组件(1)中的各个太阳能光伏板上方，摄像机对太阳能光伏板地面上的二维码(4)进行拍照和识别，获得太阳能光伏板的编号；红外热像仪(3-1)对太阳能光伏板表面进行温度检测采集；气象站(2)采集获得光伏阵列组件(1)附近的环境温度、辐照度、风速和湿度的气象数据；气象站(2)和无人机(3)均连接到PC机(5)，PC机(5)接收气象站(2)采集到的气象数据以及无人机(3)采集到的太阳能光伏板的编号和红外热像仪(3-1)所采集到的太阳能光伏板的实际温度，进而进行数据处理获得热斑的定位。
6.根据权利要求2所述的一种基于气象因素的热斑温度预测及热斑定位的方法，其特征在于：所述的光伏阵列组件(1)有A排，每排由B块太阳能光伏板串联构成；运用Google的ZXing函数库对不同位置的太阳能光伏板生成对应不同位置信息的二维码(4)，将生成的二维码(4)封装固定并按照顺序依次固定于各自对应的太阳能光伏板下底边附近的地面上。
7.根据权利要求2所述的一种基于气象因素的热斑温度预测及热斑定位的方法，其特征在于：在使用红外热像仪检测获得各块太阳能光伏板的热斑温度时，红外热像仪与太阳能光伏板之间的夹角呈40°。
CN201811569962.3A 2018-12-21 2018-12-21 基于气象因素的热斑温度预测及热斑定位的系统和方法 Active CN109743019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811569962.3A CN109743019B (zh) 2018-12-21 2018-12-21 基于气象因素的热斑温度预测及热斑定位的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811569962.3A CN109743019B (zh) 2018-12-21 2018-12-21 基于气象因素的热斑温度预测及热斑定位的系统和方法

Publications (2)

Publication Number Publication Date
CN109743019A CN109743019A (zh) 2019-05-10
CN109743019B true CN109743019B (zh) 2023-09-19

Family

ID=66360830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811569962.3A Active CN109743019B (zh) 2018-12-21 2018-12-21 基于气象因素的热斑温度预测及热斑定位的系统和方法

Country Status (1)

Country Link
CN (1) CN109743019B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953296B (zh) * 2019-05-17 2023-08-08 泰州隆基乐叶光伏科技有限公司 光伏组件热斑选片的方法及其设备
CN110518881B (zh) * 2019-08-02 2024-07-12 中国计量大学 基于环境气象因素的热斑监测装置与预测方法
CN111220618B (zh) * 2020-02-25 2020-12-04 广州华粤科技有限公司 一种基于无人机的远程监测污染物气体vocs排放的装置
CN111416573A (zh) * 2020-05-06 2020-07-14 河海大学常州校区 一种光伏组件及其温度监测方法、系统
CN112215113A (zh) * 2020-09-30 2021-01-12 张成林 人脸识别方法及装置
CN112213326A (zh) * 2020-10-10 2021-01-12 常州大学 一种具有预测热斑功能的光伏热斑模拟灰尘装置及方法
CN112418517B (zh) * 2020-11-20 2023-09-26 杭州电子科技大学 一种用于冻害短临预警的预测方法
CN112688640A (zh) * 2020-11-24 2021-04-20 国网山东省电力公司郓城县供电公司 一种太阳能电池组件热斑故障检测分析系统及方法
CN114244873B (zh) * 2022-02-28 2022-05-13 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605369A (zh) * 2013-11-22 2014-02-26 航天科工深圳（集团）有限公司 一种基于无人机的太阳电池组件热斑监测系统及方法
CN104601109A (zh) * 2014-12-25 2015-05-06 重庆大学 一种电-图模型的光伏热斑效应检测方法
CN104753461A (zh) * 2015-04-10 2015-07-01 福州大学 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法
CN104899936A (zh) * 2015-06-16 2015-09-09 深圳市联翼风电技术有限公司 一种基于图像识别的光伏组件故障提示方法及系统
CN104932035A (zh) * 2015-05-26 2015-09-23 中国科学院深圳先进技术研究院 一种台风强度预报方法及系统
CN105141255A (zh) * 2015-08-12 2015-12-09 河海大学常州校区 一种光伏阵列故障诊断方法
CN105678396A (zh) * 2015-11-04 2016-06-15 衢州职业技术学院 光伏电站超短时功率预测装置
CN106059496A (zh) * 2016-05-18 2016-10-26 华北电力大学 一种光伏组件阵列性能监测和故障识别的方法及系统
CN106230377A (zh) * 2016-07-01 2016-12-14 重庆大学 一种光伏电池板热斑故障检测方法
CN106779137A (zh) * 2016-11-14 2017-05-31 上海海事大学 一种根据海况与操纵条件预测船舶油耗的方法
CN106803129A (zh) * 2015-11-26 2017-06-06 中国电力科学研究院 一种基于多源数值天气预报的风电功率集合预测方法
CN107015560A (zh) * 2017-03-02 2017-08-04 浙江大学 一种基于无人机的光伏阵列的巡检方法
CN107341566A (zh) * 2017-06-19 2017-11-10 东北电力大学 基于气象参数与太阳能电池板运行状态参数的光伏系统发电功率预测装置及其方法
CN107451600A (zh) * 2017-07-03 2017-12-08 重庆大学 一种基于隔离机制的在线光伏热斑故障检测方法
CN107478335A (zh) * 2017-08-08 2017-12-15 河海大学常州校区 一种微缺陷太阳电池组件热斑温度计算的方法
CN108108736A (zh) * 2017-12-22 2018-06-01 晶科电力科技股份有限公司 一种太阳能光伏板光斑识别方法
CN108964606A (zh) * 2018-08-23 2018-12-07 上海电气分布式能源科技有限公司 一种光伏系统热斑故障检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086891B (zh) * 2018-06-15 2022-07-22 重庆大学 基于模糊逻辑推理的热斑故障诊断方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605369A (zh) * 2013-11-22 2014-02-26 航天科工深圳（集团）有限公司 一种基于无人机的太阳电池组件热斑监测系统及方法
CN104601109A (zh) * 2014-12-25 2015-05-06 重庆大学 一种电-图模型的光伏热斑效应检测方法
CN104753461A (zh) * 2015-04-10 2015-07-01 福州大学 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法
CN104932035A (zh) * 2015-05-26 2015-09-23 中国科学院深圳先进技术研究院 一种台风强度预报方法及系统
CN104899936A (zh) * 2015-06-16 2015-09-09 深圳市联翼风电技术有限公司 一种基于图像识别的光伏组件故障提示方法及系统
CN105141255A (zh) * 2015-08-12 2015-12-09 河海大学常州校区 一种光伏阵列故障诊断方法
CN105678396A (zh) * 2015-11-04 2016-06-15 衢州职业技术学院 光伏电站超短时功率预测装置
CN106803129A (zh) * 2015-11-26 2017-06-06 中国电力科学研究院 一种基于多源数值天气预报的风电功率集合预测方法
CN106059496A (zh) * 2016-05-18 2016-10-26 华北电力大学 一种光伏组件阵列性能监测和故障识别的方法及系统
CN106230377A (zh) * 2016-07-01 2016-12-14 重庆大学 一种光伏电池板热斑故障检测方法
CN106779137A (zh) * 2016-11-14 2017-05-31 上海海事大学 一种根据海况与操纵条件预测船舶油耗的方法
CN107015560A (zh) * 2017-03-02 2017-08-04 浙江大学 一种基于无人机的光伏阵列的巡检方法
CN107341566A (zh) * 2017-06-19 2017-11-10 东北电力大学 基于气象参数与太阳能电池板运行状态参数的光伏系统发电功率预测装置及其方法
CN107451600A (zh) * 2017-07-03 2017-12-08 重庆大学 一种基于隔离机制的在线光伏热斑故障检测方法
CN107478335A (zh) * 2017-08-08 2017-12-15 河海大学常州校区 一种微缺陷太阳电池组件热斑温度计算的方法
CN108108736A (zh) * 2017-12-22 2018-06-01 晶科电力科技股份有限公司 一种太阳能光伏板光斑识别方法
CN108964606A (zh) * 2018-08-23 2018-12-07 上海电气分布式能源科技有限公司 一种光伏系统热斑故障检测方法

Also Published As

Publication number Publication date
CN109743019A (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN109743019B (zh) 基于气象因素的热斑温度预测及热斑定位的系统和方法
KR102578769B1 (ko) 단열재 하부부식(cui)을 식별하기 위해 신경망을 이용한 서모그래피 이미지 처리
Aghaei et al. Innovative automated control system for PV fields inspection and remote control
Dotenco et al. Automatic detection and analysis of photovoltaic modules in aerial infrared imagery
CN108964606B (zh) 一种光伏系统热斑故障检测方法
Kim et al. Automatic fault recognition of photovoltaic modules based on statistical analysis of UAV thermography
CN103235830A (zh) 一种基于无人机电力巡线方法、装置及无人机
CN107742171B (zh) 基于移动阴影图像识别的光伏电站发电功率预测方法
de Oliveira et al. Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography
KR101806217B1 (ko) 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치
KR20210048506A (ko) 단열재 하부 부식을 탐지하기 위한 배치 상태의 최적화를 위한 기계 학습 시스템 및 데이터 융합
KR102250247B1 (ko) 무인비행체를 이용한 태양광 패널 관리장치 및 시스템
Kuo et al. Automatic detection, classification and localization of defects in large photovoltaic plants using unmanned aerial vehicles (UAV) based infrared (IR) and RGB imaging
CN113890027B (zh) 基于设备运行状态和气象参数的发电功率预测系统及方法
CN209512915U (zh) 一种用于气象和热斑温度检测及热斑定位的装置
Alfaro-Mejía et al. Dataset for recognition of snail trails and hot spot failures in monocrystalline Si solar panels
Herraiz et al. Optimal productivity in solar power plants based on machine learning and engineering management
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
Montoya et al. Remote condition monitoring for photovoltaic systems
Gallardo-Saavedra et al. Aerial thermographic inspection of photovoltaic plants: analysis and selection of the equipment
CN115690626A (zh) 一种光伏电池热斑的图像识别方法
CN113284103B (zh) 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法
Kim et al. Automatic detection of malfunctioning photovoltaic modules using unmanned aerial vehicle thermal infrared images
CN112927222B (zh) 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法
CN116046796A (zh) 一种基于无人机的光伏组件热斑检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant