CN110210060B - 太阳能光伏板表面积灰程度的预测方法 - Google Patents

Abstract

本发明公开了一种太阳能光伏板表面积灰程度的预测方法，包括以下步骤：S1：随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象；S2：采集被测对象的表面积灰程度数据，形成太阳能光伏板表面积灰程度数据集；S3：利用采集的太阳能光伏板表面积灰程度数据集，建立太阳能光伏板表面积灰程度预测模型。本发明通过采集太阳能光伏发电站中太阳能光伏板的表面积灰程度随时间变化的数据，来进一步建立太阳能光伏板的表面积灰程度随时间变化的模型，实现太阳能光伏板表面的积灰程度预测，为及时对积灰进行清洁工作提供了数据支撑，有效保证太阳能光伏板的发电效益。

Description

太阳能光伏板表面积灰程度的预测方法

技术领域

本发明涉及光伏发电技术领域，特别是涉及一种太阳能光伏板表面积灰程度的预测方法。

背景技术

太阳能是一种清洁的可再生能源。我国明确：到2020年，我国光伏发电装机达到1.05亿千瓦以上，大力推进分布式光伏发电。近年来，随着我国绿色建筑、低碳建筑、近零及零能耗建筑技术的不断发展和大力推广，作为建筑分布式能源系统和微能网的重要组成，建筑光伏发电系统被广泛应用。对于建筑光伏发电系统，城市环境中的灰尘是影响发电能力的重要因素。

太阳能光伏板表面积灰的形式受地理环境、气候环境等因素约束。在全球各地，太阳能表面积灰的物理、化学等特性多种多样；同时，太阳能光伏板有单晶硅、多晶硅、薄膜等多种类型，不同类型的太阳能光伏板表面积灰的机理也存在差异。因而，安装在不同地区、使用不同类型太阳能光伏板的太阳能光伏发电站的表面积灰程度随时间变化的模型均有自身的特征。

针对现有技术中存在不同地区不同类型的太阳能光伏板在工作过程中会出现积灰的现象，且积灰程度会影响太阳能光伏板发电效率的问题，如何准确掌握太阳能光伏板表面积灰程度成为亟需解决的问题。

发明内容

本发明所要解决的技术问题是提供一种太阳能光伏板表面积灰程度的预测方法，能够预测光伏板表面的积灰程度，保证太阳能光伏板的发电效益。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种太阳能光伏板表面积灰程度的预测方法，包括以下步骤：

S1：随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象；

S2：采集被测对象的表面积灰程度数据，形成太阳能光伏板表面积灰程度数据集；

S3：利用采集的太阳能光伏板表面积灰程度数据集，建立太阳能光伏板表面积灰程度预测模型。

在本发明一个较佳实施例中，步骤S2中，被测对象的表面积灰程度数据的采集方法包括以下步骤：

S201：通过红外成像模块获取太阳能光伏板表面的红外图像；

S202：将采集的红外图像转换成灰度图像，并对灰度图像进行预处理；

S203：采用OTSU算法对灰度图像中的积灰区域进行检测、识别；

S204：根据灰度图像中积灰区域的占比，计算太阳能光伏板表面的积灰程度。

进一步的，在步骤S202中，预处理的过程包括：

S202.1：通过中值滤波算法对灰度图像进行滤波；

S202.2：采用分段线性变换算法对步骤S202.1得到的灰度图像进行增强。

进一步的，步骤S202的具体步骤包括：

S202.1：采用中值滤波算法对灰度图像G_m×n进行滤波，得到滤波后的灰度图像H_m×n；

h(x，y)＝Med{g(x-k，y-l)，(k，l∈w)} (3)

式(3)中，h(x，y)代表滤波后灰度图像H_m×n中的一个像素点；

S202.2：采用分段线性变换算法对滤波后的灰度图像H_m×n进行增强，得到最终的灰度图像F_m×n；

式(4)中，f(x，y)代表最终灰度图像(F_m×n)中的一个像素点，a和b分别为常数，a＝30，b＝180，L＝256。

进一步的，步骤S204的具体步骤包括：

S204.1：计算灰度图像F_m×n中积灰区域的面积：

式(5)中，S_dust代表灰度图像F_m×n中积灰区域的面积值；

S204.2：计算灰度图像中积灰区域的占比，以占比值表示太阳能光伏板表面积灰的程度；

式(6)中，S_PV代表灰度图像F_m×n中光伏板的总面积值，d代表灰度图像中积灰区域的占比，即太阳能光伏板表面积灰程度的数值。

在本发明一个较佳实施例中，步骤S2中，太阳能光伏板表面积灰程度数据集的形成方法具体步骤为：

假设随机选取的被测太阳能光伏板的数量为n；d_i表示第i个被测太阳能光伏板的表面积灰程度，0＜i≤n；D表示随机选取的所有被测太阳能光伏板的表面积灰平均程度，即为所有被测太阳能光伏板的表面积灰程度的平均值，如式(7)所示。

每天采集被测太阳能光伏板的表面积灰程度数值，形成的太阳能光伏板表面积灰程度数据集为时序数列{D₁，D₂，...，D_t，...，D_m}，1＜t≤m，其中t表示天数，即D_t表示第t日的所有被测太阳能光伏板的表面积灰程度的平均值，m表示最大天数。

进一步的，步骤S3的具体步骤为：

基于采集获得的时序数列{D₁，D₂，...，D_t，...，D_m}，利用最小二乘法拟合获得太阳能光伏板表面积灰程度随时间变化的模型。

本发明的有益效果是：

(1)本发明通过采集太阳能光伏发电站中太阳能光伏板的表面积灰程度随时间变化的数据，来进一步建立太阳能光伏板的表面积灰程度随时间变化的模型，实现太阳能光伏板表面的积灰程度预测，为及时对积灰进行清洁工作提供了数据支撑，有效保证太阳能光伏板的发电效益；

(2)本发明采用OTSU算法对光伏板的灰度图像中的积灰区域进行检测、识别，通过分析光伏板表面温度场分布特征，计算积灰程度；与传统检测方式相比，采用非接触式红外检测技术对光伏组件进行太阳能光伏板表面积灰程度的预测，更灵活实用；通过对积灰区域的自动准确识别和监测过程，提高光伏板表面积灰程度的识别效率，从而减少由于积灰对光伏组件造成的损坏；

(3)本发明针对安装在不同地区不同类型太阳能光伏板，采用非接触式的红外检测方式实现太阳能光伏板表面积灰程度的计算，进而获得太阳能光伏板表面积灰程度随时间变化的模型，为实现太阳能光伏板表面积灰预测提供了一种新的方法和途径。

附图说明

图1是本发明太阳能光伏板表面积灰程度的预测方法的流程图；

图2是所述太阳能光伏板表面积灰程度数据采集方法的流程图；

图3是所述太阳能光伏板表面积灰程度数据采集方法的具体步骤流程图；

图4是利用本发明对太阳能光伏板表面红外图像处理的图像示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1，本发明实施例包括：

一种太阳能光伏板表面积灰程度的预测方法，包括以下步骤：

S1：随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象；

S2：采集被测对象的表面积灰程度数据，形成太阳能光伏板表面积灰程度数据集；具体步骤为：

假设随机选取的被测太阳能光伏板的数量为n；d_i表示第i个被测太阳能光伏板的表面积灰程度，0＜i≤n；D表示随机选取的所有被测太阳能光伏板的表面积灰平均程度，即为所有被测太阳能光伏板的表面积灰程度的平均值，如式(7)所示。

每天(按日)采集被测太阳能光伏板的表面积灰程度数值，形成的太阳能光伏板表面积灰程度数据集为时序数列{D₁，D₂，...，D_t，...，D_m}，1＜t≤m，其中t表示天数，m的最大值一般取为60，即D_t表示第t日的所有被测太阳能光伏板的表面积灰程度的平均值。

其中，结合图2和图3，被测太阳能光伏板的表面积灰程度(d_i)的计算方法包括以下步骤：

S201：通过红外成像模块获取太阳能光伏板表面的红外图像(I_m×n)。

式(1)中，c(x，y)表示红外图像(I_m×n)中的一个像素点，c(x，y)包括红(R(x，y))，绿(G(x，y))，蓝(B(x，y))三个部分。

具体的，所述红外成像模块可采用MAG32型非制冷焦平面型红外成像模块。

S202：将采集的红外图像(I_m×n)转换成灰度图像(G_m×n)，如式(2)，并对灰度图像进行预处理，具体包括以下步骤：

g(x，y)＝0.2989×R(x，y)+0.5870×G(x，y)+0.1140×B(x，y) (2)

式(2)中，g(x，y)代表灰度图像中的一个像素点。

S202.1：采用中值滤波算法对灰度图像(G_m×n)进行滤波，得到滤波后的灰度图像(H_m×n)；

h(x，y)＝Med{g(x-k，y-l)，(k，l∈w)} (3)

式(3)中，h(x，y)代表滤波后灰度图像(H_m×n)中的一个像素点。

S202.2：采用分段线性变换算法对滤波后灰度图像(H_m×n)进行增强，得到最终的灰度图像(F_m×n)；

式(4)中，f(x，y)代表最终灰度图像(F_m×n)中的一个像素点，a和b分别为常数，a＝30，b＝180，L＝256。

S203：采用OTSU算法对灰度图像中的积灰区域进行检测、识别，并对灰度图像(F_m×n)中检测出的积灰区域进行二值化，积灰区域标记为“1”，非积灰区域标记为“0”，二值化图像信息存入矩阵(J_m×n)中；

S204：根据灰度图像中积灰区域的占比，计算太阳能光伏板表面的积灰程度。具体步骤包括：

S204.1：计算灰度图像F_m×n中积灰区域的面积：

式(5)中，S_dust代表灰度图像F_m×n中积灰区域的面积值；

S204.2：计算灰度图像中积灰区域的占比，以占比值表示太阳能光伏板表面积灰的程度；

式(6)中，S_PV代表灰度图像F_m×n中光伏板的总面积值，d代表灰度图像中积灰区域的占比，即太阳能光伏板表面积灰程度的数值。

S3：利用采集的太阳能光伏板表面积灰程度数据集，建立太阳能光伏板表面积灰程度预测模型。具体步骤为：

基于采集获得的时序数列{D₁，D₂，...，D_t，...，D_m}，利用最小二乘法拟合获得太阳能光伏板表面积灰程度随时间变化的模型(即：D-t模型)，该模型即为该地区该类型太阳能光伏板表面积灰程度的预测模型。

结合图4，利用本发明对太阳能光伏板表面积灰程度进行预测的图像包括：(a)为滤波后的灰度图像，(b)为增强后的灰度图像，(c)二值化后的图像，其中白色区域为积灰区域。该实施例中求得的太阳能光伏板表面积灰程度等于0.714。太阳能光伏板表面积灰程度的计算方法：采用OTSU算法对光伏板的灰度图像中的积灰区域进行检测、识别，通过分析光伏板表面温度场分布特征，计算其积灰程度。

本发明针对不同地区不同类型的太阳能光伏板，采用非接触式的红外检测方式实现太阳能光伏板表面积灰程度的计算，进而获得太阳能光伏板表面积灰程度随时间变化的模型，为实现太阳能光伏板表面积灰预测提供了一种新的方法和途径，实现了太阳能光伏板表面的积灰程度预测，为及时对积灰进行清洁工作提供了数据支撑，有效保证太阳能光伏板的发电效益。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种太阳能光伏板表面积灰程度的预测方法，包括以下步骤：

S1：随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象；

S2：采集被测对象的表面积灰程度数据，形成太阳能光伏板表面积灰程度数据集；

太阳能光伏板表面积灰程度数据集的形成方法具体步骤为：

假设随机选取的被测太阳能光伏板的数量为n；d_i表示第i个被测太阳能光伏板的表面积灰程度，0＜i≤n；D表示随机选取的所有被测太阳能光伏板的表面积灰平均程度，即为所有被测太阳能光伏板的表面积灰程度的平均值，如式(7)所示，

每天采集被测太阳能光伏板的表面积灰程度数值，形成的太阳能光伏板表面积灰程度数据集为时序数列{D₁，D₂，...，D_t，...，D_m}，1＜t≤m，其中t表示天数，即D_t表示第t日的所有被测太阳能光伏板的表面积灰程度的平均值，m表示最大天数；

S3：利用采集的太阳能光伏板表面积灰程度数据集，建立太阳能光伏板表面积灰程度预测模型，具体步骤为：

基于采集获得的时序数列{D₁，D₂，...，D_t，...，D_m}，利用最小二乘法拟合获得太阳能光伏板表面积灰程度随时间变化的模型。

2.根据权利要求1所述的太阳能光伏板表面积灰程度的预测方法，其特征在于，步骤S2中，被测对象的表面积灰程度数据的采集方法包括以下步骤：

S201：通过红外成像模块获取太阳能光伏板表面的红外图像；

S202：将采集的红外图像转换成灰度图像，并对灰度图像进行预处理；

S203：采用OTSU算法对灰度图像中的积灰区域进行检测、识别；

S204：根据灰度图像中积灰区域的占比，计算太阳能光伏板表面的积灰程度。

3.根据权利要求2所述的太阳能光伏板表面积灰程度的预测方法，其特征在于，在步骤S202中，预处理的过程包括：

S202.1：通过中值滤波算法对灰度图像进行滤波；

S202.2：采用分段线性变换算法对步骤S202.1得到的灰度图像进行增强。

4.根据权利要求2所述的太阳能光伏板表面积灰程度的预测方法，其特征在于，步骤S202的具体步骤包括：

S202.1：采用中值滤波算法对灰度图像G_m×n进行滤波，得到滤波后的灰度图像H_m×n；

h(x，y)＝Med{g(x-k，y-l)，(k，l∈w)} (3)

式(3)中，h(x，y)代表滤波后灰度图像H_m×n中的一个像素点；

S202.2：采用分段线性变换算法对滤波后的灰度图像H_m×n进行增强，得到最终的灰度图像F_m×n；

式(4)中，f(x，y)代表最终灰度图像(F_m×n)中的一个像素点，a和b分别为常数，a＝30，b＝180，L＝256。

5.根据权利要求2所述的太阳能光伏板表面积灰程度的预测方法，其特征在于，步骤S204的具体步骤包括：

S204.1：计算灰度图像F_m×n中积灰区域的面积：

式(5)中，S_dust代表灰度图像F_m×n中积灰区域的面积值；

S204.2：计算灰度图像中积灰区域的占比，以占比值表示太阳能光伏板表面积灰的程度；

式(6)中，S_PV代表灰度图像F_m×n中光伏板的总面积值，d代表灰度图像中积灰区域的占比，即太阳能光伏板表面积灰程度的数值。