CN116612094A - 一种光伏板表面积灰分布聚类识别方法及系统 - Google Patents

Abstract

本申请公开了一种光伏板表面积灰分布聚类识别方法及系统，方法包括以下步骤：采集光伏板表面积灰可见光图像，得到待处理图像；将所述待处理图像进行畸变校正，得到三维彩色图像；将所述三维彩色图像进行银线去除，得到去除后图像；将所述去除后图像进行等效分割，得到分割后图像集；利用积灰评估网络提取所述分割后图像集的积灰浓度信息参数，并对所述积灰浓度信息参数进行聚类，得到积灰浓度分布情况。本申请结合图像识别与神经网络建模方法实现对光伏板表面不均匀积灰浓度分布的测量，克服传统人工巡检及时间序列预测等方法无法识别不均匀积灰分布的问题，具有更低的检测成本及更快的响应速度，对电站的智能化运维发展提供重要的指导意义。

Description

一种光伏板表面积灰分布聚类识别方法及系统

技术领域

本申请属于光伏技术领域，具体涉及一种光伏板表面积灰分布聚类识别方法及系统。

背景技术

安装在自然环境中的光伏发电系统受到许多不可控因素的影响，光伏板积灰问题一直是影响光伏电站出力的主要因素。积灰将会影响光伏电池对光线的吸收，易形成均匀遮挡、局部不均匀遮挡、热斑等，阻碍光伏组件的散热，降低光电转换效率，增加运行维护成本，缩短光伏板的使用寿命。积灰能够减少光伏系统2％-10％的输出，最多减少25％。光伏板经风沙、雨水等天气影响，实际的积灰终将表现出不均匀形态，这将破坏板面不同区域间的热平衡，造成发电效率和使用寿命急剧下降。积灰成因复杂、易受周围环境影响，目前针对光伏板积灰检测方法，常以现场运维人员的目视检查和发电性能对比计算为主，准确率低、实时性较差，且不能满足智能化运维的发展需求。光伏现场实际运维经验表明亟需一种简单、安全、准确的光伏板表面积灰分布聚类识别方法，并提供一种误差评价方法的可靠性，为现场运维人员提供一个快速监测、现场评价的科学手段。

发明内容

本申请旨在解决现有技术的不足，提出一种光伏板表面积灰分布聚类识别方法及系统，借助图像识别与神经网络建模方法，加以简单的积灰图像测量。

为实现上述目的，本申请提供了如下方案：

一种光伏板表面积灰分布聚类识别方法，包括以下步骤：

采集光伏板表面积灰可见光图像，得到待处理图像；

将所述待处理图像进行畸变校正，得到三维彩色图像；

将所述三维彩色图像进行银线去除，得到去除后图像；

将所述去除后图像进行等效分割，得到分割后图像集；

利用积灰评估网络提取所述分割后图像集的积灰浓度信息参数，并对所述积灰浓度信息参数进行聚类，得到积灰浓度分布情况。

优选的，所述银线去除的方法包括：

将所述三维彩色图像进行划分，得到若干局部区域；

利用OTSU算法提取所述局部区域的银栅像素值；

利用完全自适应局部二阶非线性插值法对所述银栅像素值进行填补，完成所述银线去除。

优选的，所述等效分割的方法包括：

将所述去除后图像的长度和宽度分别调整为预设倍数大小，得到调整后图像；

将所述调整后图像随机分割为50×50的小块，得到所述分割后图像集。

优选的，所述聚类的方法包括：

确定初始质心的位置，使所述初始质心均匀分布在光伏板上；

计算每个样本到所述初始质心的距离，将所述样本分成与最近的所述初始质心相对应的聚类；

计算每个所述聚类中所述样本的均值，并更新所述初始质心，直到所述初始质心的位置不再改变。

根据上述的光伏板表面积灰分布聚类识别方法，还包括误差环评价：

误差评估系数ξ计算过程包括：

误差评估系数ξ为由真值C、单位映射结果C'、检测值c组成的三角形ΔCC'c的内切圆半径r，公式如下：

其中，S_OCc表示三角形ΔOCc的面积，S_OCC'表示三角形ΔOCC'的面积，P_r表示检测值，T_r表示真值，∠O为实际值与检测值的偏差夹角；

则，Len(CC′)，Len(C′c)和Len(cC)定义为：

Len(CC′)＝Tr

Len(C′c)＝|Pr-Tr|

(Pr-Tr＞0，θ＝π-O或Pr-Tr＜0，θ＝O)

可得所述误差环评价系数ξ为：

本申请还提供了一种光伏板表面积灰分布聚类识别系统，包括：图像采集模块、校正模块、去除模块、分割模块和识别模块；

所述图像采集模块用于采集光伏板表面积灰可见光图像，得到待处理图像；

所述校正模块用于将所述待处理图像进行畸变校正，得到三维彩色图像；

所述去除模块用于将所述三维彩色图像进行银线去除，得到去除后图像；

所述分割模块用于将所述去除后图像进行等效分割，得到分割后图像集；

所述识别模块用于利用积灰评估网络提取所述分割后图像集的积灰浓度信息参数，并对所述积灰浓度信息参数进行聚类，得到积灰浓度分布情况。

优选的，所述去除模块包括：图像划分单元、提取单元和填补单元；

所述图像划分单元用于将所述三维彩色图像进行划分，得到若干局部区域；

所述提取单元用于利用OTSU算法提取所述局部区域的银栅像素值；

所述填补单元用于利用完全自适应局部二阶非线性插值法对所述银栅像素值进行填补，完成所述银线去除。

优选的，所述分割模块包括：调整单元和分割单元；

所述调整单元用于将所述去除后图像的长度和宽度分别调整为预设倍数大小，得到调整后图像；

所述分割单元用于将所述调整后图像随机分割为50×50的小块，得到所述分割后图像集。

优选的，所述识别模块的工作流程包括：

确定初始质心的位置，使所述初始质心均匀分布在光伏板上；

计算每个样本到所述初始质心的距离，将所述样本分成与最近的所述初始质心相对应的聚类；

计算每个所述聚类中所述样本的均值，并更新所述初始质心，直到所述初始质心的位置不再改变，完成聚类；

基于聚类结果识别所述积灰浓度分布情况。与现有技术相比，本申请的有益效果为：

(1)本申请结合图像识别与神经网络建模方法实现对光伏板表面不均匀积灰浓度分布的测量，克服传统人工巡检及时间序列预测等方法无法识别不均匀积灰分布的问题，具有更低的检测成本及更快的响应速度，对电站的智能化运维发展提供重要的指导意义；

(2)本申请能够实现光伏板沉积周期内不均匀分布积灰识别问题，较传统人工目视检查等方法，具有更高的识别精度和响应速度。

附图说明

为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的方法流程示意图；

图2为本申请实施例的完全自适应局部二阶非线性插值原理图；

图3为本申请实施例的积灰评估网络结构示意图；

图4为本申请实施例的误差环原理图；

图5为本申请实施例的系统结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

实施例一

在本实施例中，如图1所示，一种光伏板表面积灰分布聚类识别方法，包括以下步骤：

S1.采集光伏板表面积灰可见光图像，得到待处理图像。

在本实施例中，利用采集相机采集的光伏现场积灰可见光图像，获得积灰在光伏板表面空间分布情况，即待处理图像。

S2.将待处理图像进行畸变校正，得到三维彩色图像。

在本实施例中，光伏板底色为深蓝色(多晶硅材质光伏板颜色偏蓝，单晶硅光伏板颜色偏黑)，内部纵横排列银色汇流栅线，四周包裹银色铝合金边框，整体图像信息复杂度不高，利用透视变换对待处理图像进行校正，将待处理图像调整为标准矩形，得到三维彩色图像，校正公式如下：

其中，(u，v)是原始图像的像素坐标，(x＝x′/w′，y＝y′/w′)是变换后图像的像素坐标，为权重矩阵。

S3.将三维彩色图像进行银线去除，得到去除后图像。

银线去除的方法包括：将三维彩色图像进行划分，得到若干局部区域；利用OTSU算法提取局部区域的银栅像素值；利用完全自适应局部二阶非线性插值法对银栅像素值进行填补，完成银线去除。

在本实施例中，首先，设定局部区域A的尺寸：局部区域太小会缺少原像素值，无法拟合有效的关系曲线，区域太大会包含太多原始像素信息，造成拟合的曲线不够准确；根据光伏板银栅分布特点，选取局部区域为25×25，确保每个区域最好只包含一条银栅。其次，进行局部二值化提取银栅像素值：不同区域像素值有较大差异，积灰严重区域偏亮，需要更高的分割阈值才能将银栅区域分割，积灰较少地方，图像偏暗，易于分割，阈值较小；采用OTSU算法，实现局部自动分割，达到提取银栅像素值的目的。最后，利用完全自适应局部二阶非线性插值方法填补银栅像素：按行列规则依次遍历寻找银栅像素值，记录银栅像素点四个方向上的像素值与位置。当某一方向上的有效像素值(板面像素值)超过这一方向总像素值50％，则定义为满足拟合条件，在这一方向拟合曲线，并求出这一方向上此点的像素值。最后利用如下公式，求得平均值作为插入值。插值中均值的计算如下：

其中，P₁为内插值，下标表示排列点的位置；Line1、Line2、Line3、Line4表示插补点上的四条非线性曲线，即水平，垂直，45°左，45°右；x_i表示插补点上的非线性曲线位置。完全自适应局部二阶非线性插值原理如图2所示。

S4.将去除后图像进行等效分割，得到分割后图像集。

等效分割的方法包括：将去除后图像的长度和宽度分别调整为预设倍数大小，得到调整后图像；将调整后图像随机分割为50×50的小块，得到分割后图像集。

在本实施例中，将图像的长度和宽度调整为50倍像素大小，对光伏板的预处理图像进行等效分割：

(x,y)→(x′,y′)

其中，(x,y)是预处理图像的大小，(x′,y′)是(x,y)值的50倍。将其分割成全包含且不重复的尺寸为50×50的小块，记录总数Q和位置坐标。积灰附着在光伏板表面，直接影响光伏板图像的颜色，表现为浓度越大图像越亮，根据这一特点提取表征积灰浓度信息参数。

S5.利用积灰评估网络提取分割后图像集的积灰浓度信息参数，并对积灰浓度信息参数进行聚类，得到积灰浓度分布情况。

在本实施例中，将积灰光伏板图像随机切割成50×50小块后，并从中提取平均像素值和峰值像素作为积灰评估网络(Dust evaluation network,DEN)的输入，其对应的积灰浓度作为检测输出，DEN网络的结构如图3所示。

在DEN网络中，可以自由选择尺度数M、层数Nm和每层神经元个数n；在同一尺度中每一层的神经元数量是相同的，层与层之间进行加法操作；每层的输出结果为上层中的激活函数内叠加入该尺度内第一层的特征参数。同一尺度下各层的特征定义如下：

Z_i+1＝g(W_i*Z_i+Z₁)

其中，g(·)表示激活函数，W_i表示第i层权重，Z_i表示第i层的特征输出，Z_i+1表示第i+1层的输入。

网络最终结构需要根据的实验结果得出最优尺度数M、层数Nm和每层神经元个数n。而不同类型的积灰属于不同污染物样本，最后针对每种污染物同时建立对应的网络结构。

聚类的方法包括：确定初始质心的位置，使初始质心均匀分布在光伏板上；计算每个样本到初始质心的距离，将样本分成与最近的初始质心相对应的聚类；计算每个聚类中样本的均值，并更新初始质心，直到初始质心的位置不再改变。

在本实施例中，利用DEN网络提取每个小块的特征信息，并检测其积灰浓度，按位置进行浓度标注。采用聚类算法对小块区域浓度信息进行聚类得到光伏板积灰分布情况。不同于K-means算法随机初始质心的选择，根据光伏板上的积灰分布特点，固定初始质心位置，并均匀分布在光伏板上。最初始的聚类数定义如下：

其中，k为初始聚类个数，Q为图像分割个数。

计算每个样本到质心的距离，将样本分成与最近质心相对应的簇。计算每个聚类中样本的均值，并用于更新质心。重复这些步骤，直到质心位置不再改变。一个阈值T_dc用于合并区域。当积灰浓度C_dc＜T_dc时，表示区域合并。

在本实施例中，还利用误差环验证所识别的积灰分布是否准确，误差环原理如图4所示。

误差环评价包括检测值、真值和绝对误差，误差评估系数ξ为由真值C、单位映射结果C'、检测值c组成的三角形ΔCC'c的内切圆半径r，可以得到以下关系：

其中，S_OCc表示三角形ΔOCc的面积，S_OCC'表示三角形ΔOCC'的面积，P_r表示检测值，T_r表示真值，∠O为实际值与检测值的偏差夹角；

则，Len(CC′)，Len(C′c)和Len(cC)定义为：

Len(CC′)＝Tr

Len(C′c)＝|Pr-Tr|

(Pr-Tr＞0，θ＝π-O或Pr-Tr＜0，θ＝O)

可得所述误差环评价系数ξ为：

由上式可知，T_r对评价系数ξ的影响可以忽略不计。敏感性增加T_r，导致评估系数ξ较大。同时，当T_r和AE固定时，由于所记录的P_r往往小于T_r，使得满足，误差循环的评估系数ξ主要取决于T_r、P_r和AE。

实施例二

在本实施例中，如图5所示，一种光伏板表面积灰分布聚类识别系统，包括：图像采集模块、校正模块、去除模块、分割模块和识别模块。

图像采集模块用于采集光伏板表面积灰可见光图像，得到待处理图像。

在本实施例中，利用采集相机采集的光伏现场积灰可见光图像，获得积灰在光伏板表面空间分布情况，即待处理图像。

校正模块用于将待处理图像进行畸变校正，得到三维彩色图像。

在本实施例中，光伏板底色为深蓝色(多晶硅材质光伏板颜色偏蓝，单晶硅光伏板颜色偏黑)，内部纵横排列银色汇流栅线，四周包裹银色铝合金边框，整体图像信息复杂度不高，利用透视变换对待处理图像进行校正，将待处理图像调整为标准矩形，得到三维彩色图像，校正公式如下：

其中，(u，v)是原始图像的像素坐标，(x＝x′/w′，y＝y′/w′)是变换后图像的像素坐标，为权重矩阵。

去除模块用于将三维彩色图像进行银线去除，得到去除后图像。

去除模块包括：图像划分单元、提取单元和填补单元；图像划分单元用于将三维彩色图像进行划分，得到若干局部区域；提取单元用于利用OTSU算法提取局部区域的银栅像素值；填补单元用于利用完全自适应局部二阶非线性插值法对银栅像素值进行填补，完成银线去除。

在本实施例中，首先，设定局部区域A的尺寸：局部区域太小会缺少原像素值，无法拟合有效的关系曲线，区域太大会包含太多原始像素信息，造成拟合的曲线不够准确；根据光伏板银栅分布特点，选取局部区域为25×25，确保每个区域最好只包含一条银栅。其次，进行局部二值化提取银栅像素值：不同区域像素值有较大差异，积灰严重区域偏亮，需要更高的分割阈值才能将银栅区域分割，积灰较少地方，图像偏暗，易于分割，阈值较小；采用OTSU算法，实现局部自动分割，达到提取银栅像素值的目的。最后，利用完全自适应局部二阶非线性插值方法填补银栅像素：按行列规则依次遍历寻找银栅像素值，记录银栅像素点四个方向上的像素值与位置。当某一方向上的有效像素值(板面像素值)超过这一方向总像素值50％，则定义为满足拟合条件，在这一方向拟合曲线，并求出这一方向上此点的像素值。最后利用如下公式，求得平均值作为插入值。插值中均值的计算如下：

其中，P₁为内插值，下标表示排列点的位置；Line1、Line2、Line3、Line4表示插补点上的四条非线性曲线，即水平，垂直，45°左，45°右；x_i表示插补点上的非线性曲线位置。完全自适应局部二阶非线性插值原理如图2所示。

分割模块用于将去除后图像进行等效分割，得到分割后图像集。

分割模块包括：调整单元和分割单元；调整单元用于将去除后图像的长度和宽度分别调整为预设倍数大小，得到调整后图像；分割单元用于将调整后图像随机分割为50×50的小块，得到分割后图像集。

在本实施例中，将图像的长度和宽度调整为50倍像素大小，对光伏板的预处理图像进行等效分割：

(x,y)→(x′,y′)

其中，(x,y)是预处理图像的大小，(x′,y′)是(x,y)值的50倍。将其分割成全包含且不重复的尺寸为50×50的小块，记录总数Q和位置坐标。积灰附着在光伏板表面，直接影响光伏板图像的颜色，表现为浓度越大图像越亮，根据这一特点提取表征积灰浓度信息参数。

识别模块用于利用积灰评估网络提取分割后图像集的积灰浓度信息参数，并对积灰浓度信息参数进行聚类，得到积灰浓度分布情况。

在本实施例中，将积灰光伏板图像随机切割成50×50小块后，并从中提取平均像素值和峰值像素作为积灰评估网络(Dust evaluation network,DEN)的输入，其对应的积灰浓度作为检测输出，DEN网络的结构如图3所示。

在DEN网络中，可以自由选择尺度数M、层数Nm和每层神经元个数n；在同一尺度中每一层的神经元数量是相同的，层与层之间进行加法操作；每层的输出结果为上层中的激活函数内叠加入该尺度内第一层的特征参数。同一尺度下各层的特征定义如下：

Z_i+1＝g(W_i*Z_i+Z₁)

其中，g(·)表示激活函数，W_i表示第i层权重，Z_i表示第i层的特征输出，Z_i+1表示第i+1层的输入。

网络最终结构需要根据的实验结果得出最优尺度数M、层数Nm和每层神经元个数n。而不同类型的积灰属于不同污染物样本，最后针对每种污染物同时建立对应的网络结构。

聚类的方法包括：确定初始质心的位置，使初始质心均匀分布在光伏板上；计算每个样本到初始质心的距离，将样本分成与最近的初始质心相对应的聚类；计算每个聚类中样本的均值，并更新初始质心，直到初始质心的位置不再改变。

在本实施例中，利用DEN网络提取每个小块的特征信息，并检测其积灰浓度，按位置进行浓度标注。采用聚类算法对小块区域浓度信息进行聚类得到光伏板积灰分布情况。不同于K-means算法随机初始质心的选择，根据光伏板上的积灰分布特点，固定初始质心位置，并均匀分布在光伏板上。最初始的聚类数定义如下：

其中，k为初始聚类个数，Q为图像分割个数。

计算每个样本到质心的距离，将样本分成与最近质心相对应的簇。计算每个聚类中样本的均值，并用于更新质心。重复这些步骤，直到质心位置不再改变。一个阈值T_dc用于合并区域。当积灰浓度C_dc＜T_dc时，表示区域合并。

以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (9)

1.一种光伏板表面积灰分布聚类识别方法，其特征在于，包括以下步骤：

采集光伏板表面积灰可见光图像，得到待处理图像；

将所述待处理图像进行畸变校正，得到三维彩色图像；

将所述三维彩色图像进行银线去除，得到去除后图像；

将所述去除后图像进行等效分割，得到分割后图像集；

利用积灰评估网络提取所述分割后图像集的积灰浓度信息参数，并对所述积灰浓度信息参数进行聚类，得到积灰浓度分布情况。

2.根据权利要求1所述一种光伏板表面积灰分布聚类识别方法，其特征在于，所述银线去除的方法包括：

将所述三维彩色图像进行划分，得到若干局部区域；

利用OTSU算法提取所述局部区域的银栅像素值；

利用完全自适应局部二阶非线性插值法对所述银栅像素值进行填补，完成所述银线去除。

3.根据权利要求1所述一种光伏板表面积灰分布聚类识别方法，其特征在于，所述等效分割的方法包括：

将所述去除后图像的长度和宽度分别调整为预设倍数大小，得到调整后图像；

将所述调整后图像随机分割为50×50的小块，得到所述分割后图像集。

4.根据权利要求1所述一种光伏板表面积灰分布聚类识别方法，其特征在于，所述聚类的方法包括：

确定初始质心的位置，使所述初始质心均匀分布在光伏板上；

计算每个样本到所述初始质心的距离，将所述样本分成与最近的所述初始质心相对应的聚类；

计算每个所述聚类中所述样本的均值，并更新所述初始质心，直到所述初始质心的位置不再改变。

5.根据权利要求1-4所述的光伏板表面积灰分布聚类识别方法，其特征在于，还包括误差环评价：

误差评估系数ξ计算过程包括：

误差评估系数ξ为由真值C、单位映射结果C'、检测值c组成的三角形ΔCC'c的内切圆半径r，公式如下：

其中，S_OCc表示三角形ΔOCc的面积，S_OCC'表示三角形ΔOCC'的面积，P_r表示检测值，T_r表示真值，∠O为实际值与检测值的偏差夹角；

则，Len(CC′)，Len(C′c)和Len(cC)定义为：

Len(CC′)＝Tr

Len(C′c)＝|Pr-Tr|

(Pr-Tr＞0,θ＝π-O or Pr-Tr＜0,θ＝O)

可得所述误差环评价系数ξ为：

6.一种光伏板表面积灰分布聚类识别系统，其特征在于，包括：图像采集模块、校正模块、去除模块、分割模块和识别模块；

所述图像采集模块用于采集光伏板表面积灰可见光图像，得到待处理图像；

所述校正模块用于将所述待处理图像进行畸变校正，得到三维彩色图像；

所述去除模块用于将所述三维彩色图像进行银线去除，得到去除后图像；

所述分割模块用于将所述去除后图像进行等效分割，得到分割后图像集；

所述识别模块用于利用积灰评估网络提取所述分割后图像集的积灰浓度信息参数，并对所述积灰浓度信息参数进行聚类，得到积灰浓度分布情况。

7.根据权利要求6所述一种光伏板表面积灰分布聚类识别系统，其特征在于，所述去除模块包括：图像划分单元、提取单元和填补单元；

所述图像划分单元用于将所述三维彩色图像进行划分，得到若干局部区域；

所述提取单元用于利用OTSU算法提取所述局部区域的银栅像素值；

所述填补单元用于利用完全自适应局部二阶非线性插值法对所述银栅像素值进行填补，完成所述银线去除。

8.根据权利要求6所述一种光伏板表面积灰分布聚类识别系统，其特征在于，所述分割模块包括：调整单元和分割单元；

所述调整单元用于将所述去除后图像的长度和宽度分别调整为预设倍数大小，得到调整后图像；

所述分割单元用于将所述调整后图像随机分割为50×50的小块，得到所述分割后图像集。

9.根据权利要求6所述一种光伏板表面积灰分布聚类识别系统，其特征在于，所述识别模块的工作流程包括：

确定初始质心的位置，使所述初始质心均匀分布在光伏板上；

计算每个样本到所述初始质心的距离，将所述样本分成与最近的所述初始质心相对应的聚类；

计算每个所述聚类中所述样本的均值，并更新所述初始质心，直到所述初始质心的位置不再改变，完成聚类；

基于聚类结果识别所述积灰浓度分布情况。