CN111798441A - 一种基于图像处理的光伏电站光伏板污染物检测方法 - Google Patents

Abstract

本发明克服了现有技术存在的不足，提供了一种通过光伏板监控相机采集到光伏板图像的基于图像处理的光伏电站光伏板污染物检测方法；为了解决上述技术问题，本发明采用的技术方案为：一种基于图像处理的光伏电站光伏板污染物检测方法，通过图像采集、图像去噪、图像标定、图像特征向量计算、图像训练、光伏板污染物在线检测，实现在线检测和识别光伏板污染物类型和污染程度；本发明可广泛应用于电力设备在线检测系统领域。

Description

一种基于图像处理的光伏电站光伏板污染物检测方法

技术领域

本发明一种基于图像处理的光伏电站光伏板污染物检测方法，属于电力设备在线检测系统技术领域。

背景技术

近年来，随着光伏电站大规模建设，光伏并网容量迅猛增加，而光伏发电的不可控性对电网稳定造成较大冲击。除光能自然资源的不可控性外，其中较为严重的一类是光伏板污染物对光伏发电造成的影响。而且，光伏板污染物的类型多样，造成的影响和危害也不尽相同，例如光伏板灰尘积累直接降低转换效率，遮挡物影响太阳能吸收能力，并易形成光伏板热斑效应，一些具有腐蚀性的污染物，例如鸟类粪便对光伏板造成腐蚀危害，不及时发现及清理，对太阳能电池板寿命造成极大危害，严重影响光伏发电经济性。不仅如此，光伏板污染物具有较大的隐蔽性，光伏电站覆盖区域较广，在污染物对光伏板造成严重损伤之前，光伏电站运维人很难在日常运维中及时发现光伏板污染物，一般会在大规模场站检修工作中进行全覆盖检查，然而，这样的检查周期较长，进而会降低污染物清理的及时性，造成发电经济和设备安全方面的损失。

随着模式识别、图像处理、机器学习等技术的发展，基于图像的方法也逐渐应用到光伏发电领域，然而这些应用普遍仅适用于单项任务的光伏板检测，例如光伏板灰尘检测，而未涉及多类型的光伏板污染物检测。

发明内容

本发明克服了现有技术存在的不足，提供了一种通过光伏板监控相机采集到光伏板图像的基于图像处理的光伏电站光伏板污染物检测方法。

为了解决上述技术问题，本发明采用的技术方案为：一种基于图像处理的光伏电站光伏板污染物检测方法，通过图像采集、图像去噪、图像标定、图像特征向量计算、图像训练、光伏板污染物在线检测，实现在线检测和识别光伏板污染物类型和污染程度；

(1)图像采集：通过光伏板监控照相机采集光伏板图像，包含无污染物光伏板图像、各类型污染物光伏板图像，并采集相应时刻光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据；

(2)图像预处理：采用三维块匹配(Block-matching and 3D filtering，BM3D)对步骤(1)采集得到的光伏板图像进行去噪，去除图像干扰点；

(3)图像标定：针对污染物类型和污染程度，对步骤(2)去噪后的数据进行人工标定，标定污染物类别及污染等级，污染物类别可分为灰尘污染、飘落物污染、附着物污染，并依据灰尘厚度对灰尘污染分为三个污染等级，依据飘落物污染及附着物污染面积分为三个污染等级，其中可依据光伏电站实际情况需求更改污染物类别及污染程度，从而得到光伏图像训练集；

(4)图像特征向量计算：采用主成分特征分析网络计算步骤(3)得到的训练图像的主成分滤波器组和特征向量，具体步骤为：

1)计算训练集图像出成分滤波器，并对所有训练集图像进行卷积计算；设定共有L个滤波器，本发明中设定L＝2，大小为k₁×k₂，对于给定的光伏板图像训练集V(共有图像h张)，提取每副光伏板图像I_i(i＝1,2,...,h)的所有像素点周围k₁×k₂大小的块p，并整合，得到一个所有块的集合矩阵P；由公式(1)得到主成分滤波器组C_r；

其中，

是一个矩阵转换方程，将图

转换为矩阵

q_r(PP^T) 是矩阵PP^T第r个主特征矢量；然后由如下公式得到输出图像

其中，*为二维卷积计算；

2)对所有1)输出中的训练图像进行卷积计算，计算训练图像和测试图像的特征向量；其主要过程为，将所有训练数据经过1)得到的图像作为输入，再次计算所有图像的主成分滤波器组，并用该滤波器组对所有图像进行卷积计算，得到最终输出图像Y_i ^r；主成分滤波器组的计算和卷积计算的次数也根据实际情况向1)步骤一样适当增加；

然后，通过公式(3)计算图像Y_i ^r的特征向量：

F_i＝[BhistH(Y_i ¹),...,BhistH(Y_i ^L)]^T, (3)

其中BhistH(Y_i ¹)是一个将整数化的Y_i ^r直方图转换为向量的方程；

3)对步骤2)得到的特征向量进行光伏板信息融合，通过公式(4)计算训练图像V的特征向量，来描述对应光伏板图像：

Γ_i＝[Gt_i,Gr_i,Dg_i,A_i,U_i,Es_i,Eb_i,De_i,nor(F_i)]^T (4)

其中:

nor(a)是一讲向量a进行归一化处理的方程；

Gt_i＝nor[gt_i1,...,gt_iT],其中gt_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的理论有功功率，T为3分钟内采样总数；

Gr_i＝nor[gr_i1,...,gr_iT],其中gr_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的实际有功功率；

Dg_i＝nor(Gt_i-Gr_i)；

A_i＝nor[a_i1,...,a_iT],其中a_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t 次采样得到的逆变器电流；

U_i＝nor[u_i1,...,u_iT],其中u_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t 次采样得到的逆变器电压；

Es_i＝nor[es_i1,...,es_iT],其中es_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的光伏板温度；

Eb_i＝nor[eb_i1,...,eb_iT],其中eb_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的光伏板温度；

De_i＝nor[Es_i-Eb_i]；

(4)图像训练：本步骤采用有监督分类器——支持向量机对步骤(3)式(4)得到的特征向量Γ_i进行训练；

设支持向量机数据空间中超平面方程为：w·x+b＝0， (5)

其中w即为所求分类面。

则分类间隔为

求最优平面即转化为：

本发明采用线性核函数：

K(x，x_i)＝xx_i (7)

其中：x_i∈Rⁿ，i＝1,2,...,N为可分样本，N为样本可分总数；

结合公式(4)得到的光伏板图像特征向量与步骤(3)得到的人工标定结果，对光伏板污染物种类及污染物程度进行训练，建立训练模型；

(5)光伏板污染物在线检测：同步骤(1)，通过光伏板监控照相机采集待测光伏板的图像I_TE，并采集相应时刻光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据；

由步骤(4)得到的主成分滤波器C₁、C₂，作为待测图像I_TE的主成分滤波器，并通过公式(2)及公式(3)迭代计算出图像I_TE的图像特征F_i；

结合采集到的光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据，利用公式(4)计算图像I_TE的特征向量f^TE，来描述图像 I_TE对应光伏板；

将图像I_TE的特征向量f^TE与步骤(4)得到的训练模型输入到支持向量机进行有监督分类，采用公式(7)作为分类核函数，实现对图像I_TE所属污染物类别及污染物程度进行分类。

本发明与现有技术相比具有的有益效果是：本发明通过图像采集、图像去噪、图像标定、图像特征向量计算、图像训练、光伏板污染物在线检测，实现在线检测和识别光伏板污染物类型和污染程度。

附图说明

下面结合附图对本发明做进一步的说明。

图1为本发明的结构示意图。

具体实施方式

如图1所示，本发明一种基于图像处理的光伏电站光伏板污染物检测方法，通过图像采集、图像去噪、图像标定、图像特征向量计算、图像训练、光伏板污染物在线检测，实现在线检测和识别光伏板污染物类型和污染程度；

一种基于图像处理的光伏电站光伏板污染物检测方法可与光伏电站数据采集与监控控制系统(Supervisory Control And Data Acquisition，SCADA)相连。

实现本发明目的所采用的步骤包括：

(1)图像采集：通过光伏板监控照相机采集光伏板图像，包含无污染物光伏板图像、各类型污染物光伏板图像，并采集相应时刻光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据。

(2)图像预处理：采用三维块匹配(Block-matching and 3D filtering，BM3D)对步骤(1)采集得到的光伏板图像进行去噪，去除图像干扰点。

(3)图像标定：针对污染物类型和污染程度，对步骤(2)去噪后的数据进行人工标定，标定污染物类别及污染等级，污染物类别可分为灰尘污染、飘落物污染(树叶、轻质垃圾等)、附着物污染(鸟粪等)，并依据灰尘厚度对灰尘污染分为三个污染等级，依据飘落物污染及附着物污染面积分为三个污染等级，其中可依据光伏电站实际情况需求更改污染物类别及污染程度，从而得到光伏图像训练集。

(4)图像特征向量计算：采用主成分特征分析网络计算步骤(3)得到的训练图像的主成分滤波器组和特征向量，具体步骤为：

1)计算训练集图像出成分滤波器，并对所有训练集图像进行卷积计算。设定共有L个滤波器，本发明中设定L＝2，大小为k₁×k₂，对于给定的光伏板图像训练集V(共有图像h张)，提取每副光伏板图像I_i(i＝1,2,...,h)的所有像素点周围k₁×k₂大小的块p，并整合，得到一个所有块的集合矩阵P。由公式(1)得到主成分滤波器组C_r。

其中，

是一个矩阵转换方程，将图

转换为矩阵

q_r(PP^T) 是矩阵PP^T第r个主特征矢量。然后由如下公式得到输出图像

其中，*为二维卷积计算。

2)对所有1)输出中的训练图像进行卷积计算，计算训练图像和测试图像的特征向量。其主要过程为，将所有训练数据经过1)得到的图像作为输入，再次计算所有图像的主成分滤波器组，并用该滤波器组对所有图像进行卷积计算，得到最终输出图像Y_i ^r。(主成分滤波器组的计算和卷积计算的次数也根据实际情况向1)步骤一样适当增加。)

然后，通过公式(3)计算图像Y_i ^r的特征向量：

F_i＝[BhistH(Y_i ¹),...,BhistH(Y_i ^L)]^T, (3)

其中BhistH(Y_i ¹)是一个将整数化的Y_i ^r直方图转换为向量的方程。

3)对步骤2)得到的特征向量进行光伏板信息融合，通过公式(4)计算训练图像V的特征向量，来描述对应光伏板图像：

Γ_i＝[Gt_i,Gr_i,Dg_i,A_i,U_i,Es_i,Eb_i,De_i,nor(F_i)]^T (4)

其中:

nor(a)是一讲向量a进行归一化处理的方程；

Gt_i＝nor[gt_i1,...,gt_iT],其中gt_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的理论有功功率，T为3分钟内采样总数；

Gr_i＝nor[gr_i1,...,gr_iT],其中gr_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的实际有功功率；

Dg_i＝nor(Gt_i-Gr_i)；

A_i＝nor[a_i1,...,a_iT],其中a_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t 次采样得到的逆变器电流；

U_i＝nor[u_i1,...,u_iT],其中u_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t 次采样得到的逆变器电压；

Es_i＝nor[es_i1,...,es_iT],其中es_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的光伏板温度；

Eb_i＝nor[eb_i1,...,eb_iT],其中eb_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的光伏板温度；

De_i＝nor[Es_i-Eb_i]；

(4)图像训练：本步骤采用有监督分类器——支持向量机对步骤(3)式(4)得到的特征向量Γ_i进行训练。

设支持向量机数据空间中超平面方程为：w·x+b＝0， (5)

其中w即为所求分类面。

则分类间隔为

求最优平面即转化为：

本发明采用线性核函数：

K(x，x_i)＝xx_i (7)

其中：x_i∈Rⁿ，i＝1,2,...,N为可分样本，N为样本可分总数。

结合公式(4)得到的光伏板图像特征向量与步骤(3)得到的人工标定结果，对光伏板污染物种类及污染物程度进行训练，建立训练模型。

(5)光伏板污染物在线检测：同步骤(1)，通过光伏板监控照相机采集待测光伏板的图像I_TE，并采集相应时刻光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据。

由步骤(4)得到的主成分滤波器C₁、C₂，作为待测图像I_TE的主成分滤波器，并通过公式(2)及公式(3)迭代计算出图像I_TE的图像特征F_i。

结合采集到的光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据，利用公式(4)计算图像I_TE的特征向量f^TE，来描述图像 I_TE对应光伏板。

将图像I_TE的特征向量f^TE与步骤(4)得到的训练模型输入到支持向量机进行有监督分类，采用公式(7)作为分类核函数，实现对图像I_TE所属污染物类别及污染物程度进行分类。

上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种基于图像处理的光伏电站光伏板污染物检测方法，其特征在于，通过图像采集、图像去噪、图像标定、图像特征向量计算、图像训练、光伏板污染物在线检测，实现在线检测和识别光伏板污染物类型和污染程度；

(1)图像采集：通过光伏板监控照相机采集光伏板图像，包含无污染物光伏板图像、各类型污染物光伏板图像，并采集相应时刻光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据；

(2)图像预处理：采用三维块匹配(Block-matching and 3D filtering，BM3D)对步骤(1)采集得到的光伏板图像进行去噪，去除图像干扰点；

(3)图像标定：针对污染物类型和污染程度，对步骤(2)去噪后的数据进行人工标定，标定污染物类别及污染等级，污染物类别可分为灰尘污染、飘落物污染、附着物污染，并依据灰尘厚度对灰尘污染分为三个污染等级，依据飘落物污染及附着物污染面积分为三个污染等级，其中可依据光伏电站实际情况需求更改污染物类别及污染程度，从而得到光伏图像训练集；

(4)图像特征向量计算：采用主成分特征分析网络计算步骤(3)得到的训练图像的主成分滤波器组和特征向量，具体步骤为：

1)计算训练集图像出成分滤波器，并对所有训练集图像进行卷积计算；设定共有L个滤波器，本发明中设定L＝2，大小为k₁×k₂，对于给定的光伏板图像训练集V(共有图像h张)，提取每副光伏板图像I_i(i＝1,2,...,h)的所有像素点周围k₁×k₂大小的块p，并整合，得到一个所有块的集合矩阵P；由公式(1)得到主成分滤波器组C_r；

其中，

是一个矩阵转换方程，将图

转换为矩阵

q_r(PP^T)是矩阵PP^T第r个主特征矢量；然后由如下公式得到输出图像

其中，*为二维卷积计算；

2)对所有1)输出中的训练图像进行卷积计算，计算训练图像和测试图像的特征向量；其主要过程为，将所有训练数据经过1)得到的图像作为输入，再次计算所有图像的主成分滤波器组，并用该滤波器组对所有图像进行卷积计算，得到最终输出图像Y_i ^r；主成分滤波器组的计算和卷积计算的次数也根据实际情况向1)步骤一样适当增加；

然后，通过公式(3)计算图像Y_i ^r的特征向量：

F_i＝[BhistH(Y_i ¹),...,BhistH(Y_i ^L)]^T, (3)

其中BhistH(Y_i ¹)是一个将整数化的Y_i ^r直方图转换为向量的方程；

3)对步骤2)得到的特征向量进行光伏板信息融合，通过公式(4)计算训练图像V的特征向量，来描述对应光伏板图像：

Γ_i＝[Gt_i,Gr_i,Dg_i,A_i,U_i,Es_i,Eb_i,De_i,nor(F_i)]^T (4)

其中:

nor(a)是一讲向量a进行归一化处理的方程；

Gt_i＝nor[gt_i1,...,gt_iT],其中gt_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的理论有功功率，T为3分钟内采样总数；

Gr_i＝nor[gr_i1,...,gr_iT],其中gr_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的实际有功功率；

Dg_i＝nor(Gt_i-Gr_i)；

A_i＝nor[a_i1,...,a_iT],其中a_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的逆变器电流；

U_i＝nor[u_i1,...,u_iT],其中u_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的逆变器电压；

Es_i＝nor[es_i1,...,es_iT],其中es_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的光伏板温度；

Eb_i＝nor[eb_i1,...,eb_iT],其中eb_it(t＝1,2,...,T)为图像I_i生成时对应光伏板逆变器前3分钟内第t次采样得到的光伏板温度；

De_i＝nor[Es_i-Eb_i]；

(4)图像训练：本步骤采用有监督分类器——支持向量机对步骤(3)式(4)得到的特征向量Γ_i进行训练；

设支持向量机数据空间中超平面方程为：w·x+b＝0， (5)

其中w即为所求分类面；

则分类间隔为

求最优平面即转化为：

本发明采用线性核函数：

K(x，x_i)＝xx_i (7)

其中：x_i∈Rⁿ，i＝1,2,...,N为可分样本，N为样本可分总数；

结合公式(4)得到的光伏板图像特征向量与步骤(3)得到的人工标定结果，对光伏板污染物种类及污染物程度进行训练，建立训练模型；

(5)光伏板污染物在线检测：同步骤(1)，通过光伏板监控照相机采集待测光伏板的图像I_TE，并采集相应时刻光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据；

由步骤(4)得到的主成分滤波器C₁、C₂，作为待测图像I_TE的主成分滤波器，并通过公式(2)及公式(3)迭代计算出图像I_TE的图像特征F_i；

结合采集到的光伏板理论有功功率，光伏板实际有功功率，光伏板电流，光伏板电压，光伏板温度，光伏板环境温度数据，利用公式(4)计算图像I_TE的特征向量f^TE，来描述图像I_TE对应光伏板；

将图像I_TE的特征向量f^TE与步骤(4)得到的训练模型输入到支持向量机进行有监督分类，采用公式(7)作为分类核函数，实现对图像I_TE所属污染物类别及污染物程度进行分类。

Images