CN115940809A - 基于功率数据及视觉分析的太阳能板故障检测方法 - Google Patents
基于功率数据及视觉分析的太阳能板故障检测方法 Download PDFInfo
- Publication number
- CN115940809A CN115940809A CN202310222179.4A CN202310222179A CN115940809A CN 115940809 A CN115940809 A CN 115940809A CN 202310222179 A CN202310222179 A CN 202310222179A CN 115940809 A CN115940809 A CN 115940809A
- Authority
- CN
- China
- Prior art keywords
- solar panel
- power
- real
- time
- imaging
- 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.)
- Granted
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 87
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 130
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 238000003745 diagnosis Methods 0.000 claims abstract description 63
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 32
- 238000012952 Resampling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 8
- 238000005215 recombination Methods 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005401 electroluminescence Methods 0.000 claims description 3
- 238000003331 infrared imaging Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 150000001875 compounds Chemical class 0.000 abstract description 5
- 230000005611 electricity Effects 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
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
- Photovoltaic Devices (AREA)
Abstract
本发明公开了基于功率数据及视觉分析的太阳能板故障检测方法，属于太阳能电池技术领域，解决了现有太阳能电板故障检测方法不能结合太阳能电板运行功率以及视觉成像对太阳能电板故障进行精准分析判断，使得故障判断准确率不足的问题，方法包括：获取太阳能板实时运行功率数据；得到功率异常特征集；获取太阳能板实时视觉成像集，基于故障融合诊断模型对进行融合分析诊断，得到太阳能板故障诊断结果；本申请通过复合型的故障融合诊断模型对太阳能板进行监测预警，既能及时发现太阳能板的发电功率异常，还能结合太阳能板发电功率以及实时视觉成像集，对太阳能板的发电异常点进行定位分析，方便了太阳能板故障的监测。
Description
技术领域
本发明属于太阳能电池技术领域，具体涉及基于功率数据及视觉分析的太阳能板故障检测方法。
背景技术
随着能源日益紧张以及对环保问题的重视，采用太阳能电池板发电实现光能和太阳能的转化逐渐成为新能源发展的主要趋势，太阳能电板是光伏发电的核心部件，太阳能电板能将太阳光辐射直接转换为电能，太阳能电板的正常工作影响着光伏发电***的稳定性和发电效率。
太阳能电板的故障有多种，如太阳能电板热斑、零电流、板体碎裂以及组件功率低，而造成太阳能电板故障的因素有施工因素、环境因素、组件因素、板体碎裂等，现有太阳能电板故障检测方法主要通过IV曲线(电流-电压曲线)数据，从而对光伏组件进行诊断，但是现有太阳能电板故障检测方法不能结合太阳能电板运行功率以及视觉成像对太阳能电板故障进行精准分析判断，使得故障判断准确率不足，影响光伏发电***的发电效率，基于此，我们提出了基于功率数据及视觉分析的太阳能板故障检测方法。
发明内容
本发明的目的在于针对现有技术的不足之处，提供基于功率数据及视觉分析的太阳能板故障检测方法，解决了现有太阳能电板故障检测方法不能结合太阳能电板运行功率以及视觉成像对太阳能电板故障进行精准分析判断，使得故障判断准确率不足，影响光伏发电***发电效率的问题。
现有太阳能电板故障检测方法主要通过IV曲线(电流-电压曲线)数据，从而对光伏组件进行诊断，但是现有太阳能电板故障检测方法不能结合太阳能电板运行功率以及视觉成像对太阳能电板故障进行精准分析判断，使得故障判断准确率不足，影响光伏发电***的发电效率，基于此，我们提出了基于功率数据及视觉分析的太阳能板故障检测方法，简而言之，所述方法包括：获取太阳能板实时运行功率数据，得到功率异常特征集；获取太阳能板实时视觉成像集，构建基于Segnet网络结构的故障融合诊断模型，基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断，得到太阳能板故障诊断结果；本申请通过复合型的故障融合诊断模型对太阳能板实时运行功率数据以及视觉成像集对太阳能板进行监测预警，既能及时发现太阳能板的发电功率异常，还能结合太阳能板发电功率以及实时视觉成像集，对太阳能板的发电异常点进行定位分析，方便了太阳能板故障的监测，提高了太阳能板的检修效率。
本发明是这样实现的，基于功率数据及视觉分析的太阳能板故障检测方法，所述基于功率数据及视觉分析的太阳能板故障检测方法包括：
获取太阳能板实时运行功率数据，并对实时运行功率数据进行预处理，其中，实时运行功率数据具有时序性，实时运行功率数据包括太阳能板温度、太阳能板运行功率、实时电压、实时电流；
基于预训练的异常功率提取模型对预处理的实时运行功率数据进行提取筛选，得到功率异常特征集；
获取太阳能板实时视觉成像集，实时视觉成像集基于机器视觉预检测，其中，机器视觉预检测通过比对实时视觉成像集以及标准视觉成像集进行，实现视觉成像集的预检测；
构建基于Segnet网络结构的故障融合诊断模型，基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断，得到太阳能板故障诊断结果。
优选地，所述异常功率提取模型的提取方法，具体包括：
获取多组运行正常的标准太阳能板运行功率数据，基于标准太阳能板运行功率数据构建异常功率提取模型；
以对预处理的实时运行功率数据为输入，执行异常功率提取模型，异常功率提取模型对实时运行功率数据进行归一化处理；
异常功率提取模型调取异常功率提取函数，基于异常功率提取函数提取实时运行功率数据中功率异常特征集。
优选地，所述基于标准太阳能板运行功率数据构建异常功率提取模型的方法，具体包括：
获取N组运行正常的标准太阳能板运行功率数据；
基于太阳能板温度、太阳能板运行功率、实时电压、实时电流类别将N组样本转换为不同时刻t的数据矩阵，通过多目标进化算法定义N组样本转换为不同时刻t的数据矩阵的异常功率提取函数。
优选地，基于异常功率提取函数提取实时运行功率数据中功率异常特征集的方法，具体包括：
调取异常功率提取函数，计算标准太阳能板运行功率数据的数据矩阵误差向量、平均值误差以及标准误差；
以数据矩阵误差向量、平均值误差以及标准误差为输入异常功率提取函数中，基于最小二乘法辨识功率异常特征集。
优选地，所述获取太阳能板实时视觉成像集的方式为红外成像技术、电致发光成像或可见光成像。
优选地，所述获取太阳能板实时视觉成像集的方法，具体包括：
基于光成像技术拍摄，获取多组太阳能板图像，其中，太阳能板图像包括局部图像和全局图像；
对太阳能板图像进行裁剪、投影和重采样，得到修正后实时视觉成像集。
优选地，所述获取太阳能板实时视觉成像集的方法，还包括：
基于Python编程抓取修正后实时视觉成像集，对抓取后实时视觉成像集栅格化处理，得到尺寸一致的栅格图层集。
优选地，所述基于Segnet网络结构的故障融合诊断模型包括：
诊断解码器；
其中，所述诊断解码器包括成像特征卷积层以及特征池化层，成像特征卷积层用于提取成像集中图像特征；
特征池化层用于成像集中图像特征的转换和减少；
重组编码器，用于成像集中图像特征还原重采样。
优选地，所述重组编码器对成像集中图像特征进行还原重采样的方法，具体包括：
获取特征池化层处理后的成像集图像特征，通过Segnet对成像集图像特征进行分类，得到特征分类集，特征分类集中每个特征Q（x，y），通过公式计算特征覆盖范围：
；
其中，m为单组太阳能电板的栅格数，D（x，y）为特征Q（x，y）的亮度值，maxU为特征边缘点与中心点的阈值差，取值范围为0.2-2，∂表示特征中心点的权重系数，δ为特征的权重分割率；
D（x，y）的卷积的结果计算公式为：
；
Fn （x，y）表示特征中心表达函数，ε表示亮度色彩因子，W为特征加权指数，W∈（1，∞）。
优选地，所述基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断的方法，具体包括：
基于故障融合诊断模型对实现视觉成像集进行重组成像，得到标注缺陷的标注成像集；
调取功率异常特征集，基于最小二乘法辨识功率异常特征集，得到功率诊断结果；
匹配功率诊断结果以及标注成像集，融合分析诊断太阳能电板故障类型。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请通过复合型的故障融合诊断模型对太阳能板实时运行功率数据以及视觉成像集对太阳能板进行监测预警，既能及时发现太阳能板的发电功率异常，还能结合太阳能板发电功率以及实时视觉成像集，对太阳能板的发电异常点进行定位分析，方便了太阳能板故障的监测，提高了太阳能板的检修效率。
附图说明
图1是本发明提供的基于功率数据及视觉分析的太阳能板故障检测方法的实现流程示意图。
图2是本发明提供的对实时运行功率数据的拟合曲线进行平滑度处理方法的实现流程示意图。
图3是本发明提供的所述异常功率提取模型的提取方法的实现流程示意图。
图4是本发明提供的基于标准太阳能板运行功率数据构建异常功率提取模型方法的实现流程示意图。
图5是本发明提供的基于异常功率提取函数提取实时运行功率数据中功率异常特征集方法的实现流程示意图。
图6是本发明提供的获取太阳能板实时视觉成像集方法的实现流程示意图。
图7是本发明提供的重组编码器对成像集中图像特征进行还原重采样方法的实现流程示意图。
图8是本发明提供的基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断方法的实现流程示意图。
图9是本发明提供的基于功率数据及视觉分析的太阳能板故障检测***的结构示意图。
图10是本发明提供的模型诊断模块的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
现有太阳能电板故障检测方法主要通过IV曲线(电流-电压曲线)数据，从而对光伏组件进行诊断，但是现有太阳能电板故障检测方法不能结合太阳能电板运行功率以及视觉成像对太阳能电板故障进行精准分析判断，使得故障判断准确率不足，影响光伏发电***的发电效率，基于此，我们提出了基于功率数据及视觉分析的太阳能板故障检测方法，简而言之，所述方法包括：获取太阳能板实时运行功率数据，得到功率异常特征集；获取太阳能板实时视觉成像集，构建基于Segnet网络结构的故障融合诊断模型，基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断，得到太阳能板故障诊断结果；本申请通过复合型的故障融合诊断模型对太阳能板实时运行功率数据以及视觉成像集对太阳能板进行监测预警，既能及时发现太阳能板的发电功率异常，还能结合太阳能板发电功率以及实时视觉成像集，对太阳能板的发电异常点进行定位分析，方便了太阳能板故障的监测，提高了太阳能板的检修效率。
本发明实施例提供了基于功率数据及视觉分析的太阳能板故障检测方法，如图1所示，示出了所述基于功率数据及视觉分析的太阳能板故障检测方法的实现流程示意图，所述基于功率数据及视觉分析的太阳能板故障检测方法，具体包括：
步骤S10，获取太阳能板实时运行功率数据，并对实时运行功率数据进行预处理，其中，实时运行功率数据具有时序性，实时运行功率数据包括太阳能板温度、太阳能板运行功率、实时电压、实时电流；
需要说明的是，本申请中，实时运行功率数据包括但不限于太阳能板温度、太阳能板运行功率、实时电压、实时电流，同时，需要对采集到的太阳能板实时运行功率数据进行有线性函数归一化处理。
步骤S20，基于预训练的异常功率提取模型对预处理的实时运行功率数据进行提取筛选，得到功率异常特征集；
步骤S30，获取太阳能板实时视觉成像集，实时视觉成像集基于机器视觉预检测，其中，机器视觉预检测通过比对实时视觉成像集以及标准视觉成像集进行，实现视觉成像集的预检测；
步骤S40，构建基于Segnet网络结构的故障融合诊断模型，基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断，得到太阳能板故障诊断结果。
在本实施例中，对实时运行功率数据进行预处理的方式包括但不限于实时运行功率数据的缺失数据处理和拟合曲线平滑度处理。
示例性的，对实时运行功率数据的缺失数据处理基于预设的补缺规则进行，预设的补缺规则为：判断某一维度的功率数据的缺失程度是否大于预设缺失阈值，缺失程度若大于缺失阈值，则舍弃该维度的功率数据，若小于缺失阈值，则对某一维度功率数据缺失部分进行补全。
在本发明一个可选的实施例中，如图2所示，对实时运行功率数据的拟合曲线进行平滑度处理时，所述对实时运行功率数据的拟合曲线进行平滑度处理的方法，具体包括：
步骤S101，引入可处理的规则平滑约束架，其中，设定平滑度处理前各维度的功率数据集为Z（x，y）；
步骤S102，对功率数据集Z（x，y）各组数据进行染色体编码，形成编码集Za（x，y）；
步骤S103，然后对编码集Za（x，y）设定准确性和合理性的平滑拟合目标；
步骤S104，对平滑拟合目标进行规则匹配，然后验证对应规则的适应度；
步骤S105，若适应度符合平滑拟合要求，则输出编码集对应的平滑最优集Zb（x，y）。若适应度不符合平滑拟合要求，则重复上述步骤。
本申请通过复合型的故障融合诊断模型对太阳能板实时运行功率数据以及视觉成像集对太阳能板进行监测预警，既能及时发现太阳能板的发电功率异常，还能结合太阳能板发电功率以及实时视觉成像集，对太阳能板的发电异常点进行定位分析，方便了太阳能板故障的监测，提高了太阳能板的检修效率。
本发明实施例提供了异常功率提取模型的提取方法，如图3所示，示出了所述异常功率提取模型的提取方法的实现流程示意图，所述异常功率提取模型的提取方法，具体包括：
步骤S201，获取多组运行正常的标准太阳能板运行功率数据，基于标准太阳能板运行功率数据构建异常功率提取模型；
步骤S202，以对预处理的实时运行功率数据为输入，执行异常功率提取模型，异常功率提取模型对实时运行功率数据进行归一化处理；
步骤S203，异常功率提取模型调取异常功率提取函数，基于异常功率提取函数提取实时运行功率数据中功率异常特征集。
在本实施例中，为了保证太阳能板运行功率数据集合的鲁棒性，采用长短期记忆网络对异常功率提取模型进行快速构建，同时，基于异常功率提取函数提取实时运行功率数据中功率异常特征集是对实时运行功率数据集进行至少两次不同尺度的划分，且每次划分的实时运行功率数据集经过SSNBDL网络结构以及最小二乘法组合辨识功率异常特征集。
本发明实施例提供了基于标准太阳能板运行功率数据构建异常功率提取模型的方法，如图4所示，示出了基于标准太阳能板运行功率数据构建异常功率提取模型方法的实现流程示意图，所述基于标准太阳能板运行功率数据构建异常功率提取模型的方法，具体包括：
步骤S2011，获取N组运行正常的标准太阳能板运行功率数据；
步骤S2012，基于太阳能板温度、太阳能板运行功率、实时电压、实时电流类别将N组样本转换为不同时刻t的数据矩阵，通过多目标进化算法定义N组样本转换为不同时刻t的数据矩阵的异常功率提取函数。
需要说明的是，异常功率提取函数为高斯滤波函数，异常功率提取函数可以对数据矩阵进行滤波处理，利用异常功率提取函数，对数据矩阵进行分析处理，同时不会破坏矩阵的结构，方便了对数据的调取，也提高了数据矩阵的抗干扰能力。
在本实施例中，异常功率提取函数的表达公式为：
（1）；
其中，φ为高斯矩阵尺度，φ的大小为K*L，m，n分别为矩阵的长度和宽度。
本发明实施例提供了基于异常功率提取函数提取实时运行功率数据中功率异常特征集的方法，如图5所示，示出了基于异常功率提取函数提取实时运行功率数据中功率异常特征集方法的实现流程示意图，所述基于异常功率提取函数提取实时运行功率数据中功率异常特征集的方法，具体包括：
步骤S2031，调取异常功率提取函数，计算标准太阳能板运行功率数据的数据矩阵误差向量、平均值误差以及标准误差；
步骤S2032，以数据矩阵误差向量、平均值误差以及标准误差为输入异常功率提取函数中，基于最小二乘法辨识功率异常特征集。
需要说明的是，在本申请中，所述获取太阳能板实时视觉成像集的方式为红外成像技术、电致发光成像或可见光成像。通过视觉成像集包含了常见的内外缺陷，如黑心片、黑斑片、短路黑片、过焊片、断栅片、明暗片、隐裂等类型的缺陷。
本发明实施例提供了获取太阳能板实时视觉成像集的方法，如图6所示，示出了获取太阳能板实时视觉成像集方法的实现流程示意图，所述获取太阳能板实时视觉成像集的方法，具体包括：
步骤S301，基于光成像技术拍摄，获取多组太阳能板图像，其中，太阳能板图像包括局部图像和全局图像；
步骤S302，对太阳能板图像进行裁剪、投影和重采样，得到修正后实时视觉成像集。
步骤S303，基于Python编程抓取修正后实时视觉成像集，对抓取后实时视觉成像集栅格化处理，得到尺寸一致的栅格图层集。
在本实施例中，尺寸一致的栅格图层集的分辨率为30mm×30mm。
在本申请的一个可选的实施例中，所述基于Segnet网络结构的故障融合诊断模型包括：
诊断解码器；
其中，所述诊断解码器包括成像特征卷积层以及特征池化层，成像特征卷积层用于提取成像集中图像特征；
特征池化层用于成像集中图像特征的转换和减少；
重组编码器，用于成像集中图像特征还原重采样。
本发明实施例提供了重组编码器对成像集中图像特征进行还原重采样的方法，如图7所示，示出了重组编码器对成像集中图像特征进行还原重采样方法的实现流程示意图，所述重组编码器对成像集中图像特征进行还原重采样的方法，具体包括：
步骤S4011，获取特征池化层处理后的成像集图像特征；
步骤S4012，通过Segnet对成像集图像特征进行分类，得到特征分类集，特征分类集中每个特征Q（x，y），通过公式（2）计算特征覆盖范围：
（2）；
其中，m为单组太阳能电板的栅格数，D（x，y）为特征Q（x，y）的亮度值，maxU为特征边缘点与中心点的阈值差，取值范围为0.2-2，∂表示特征中心点的权重系数，δ为特征的权重分割率；
D（x，y）的卷积的结果计算公式（3）为：
（3）；
Fn（x，y）表示特征中心表达函数，ε表示亮度色彩因子，W为特征加权指数，W∈（1，∞）。
本发明实施例提供了所述基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断的方法，如图8所示，示出了所述基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断方法的实现流程示意图，所述基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断的方法，具体包括：
步骤S401，基于故障融合诊断模型对实现视觉成像集进行重组成像，得到标注缺陷的标注成像集；
步骤S402，调取功率异常特征集，基于最小二乘法辨识功率异常特征集，得到功率诊断结果；
步骤S403，匹配功率诊断结果以及标注成像集，融合分析诊断太阳能电板故障类型。
在本实施例中，调取功率异常特征集与匹配功率诊断结果以及标注成像集平行的，遍历整块太阳能板的功率异常特征点，对当前处理的特征点坐标进行标注成像集检测：满足功率异常特征以及标注成像集的太阳能板有故障，向用户反馈故障板位置。
本发明实施例提供了基于功率数据及视觉分析的太阳能板故障检测***，如图9所示，示出了所述基于功率数据及视觉分析的太阳能板故障检测***的示意图，所述基于功率数据及视觉分析的太阳能板故障检测***，具体包括：
功率获取模块100，所述功率获取模块200用于获取太阳能板实时运行功率数据，并对实时运行功率数据进行预处理，其中，实时运行功率数据具有时序性，实时运行功率数据包括太阳能板温度、太阳能板运行功率、实时电压、实时电流；
异常特征集获取模块200，所述异常特征集获取模块200基于预训练的异常功率提取模型对预处理的实时运行功率数据进行提取筛选，得到功率异常特征集；
成像集获取模块300，所述成像集获取模块300获取太阳能板实时视觉成像集，实时视觉成像集基于机器视觉预检测，其中，机器视觉预检测通过比对实时视觉成像集以及标准视觉成像集进行，实现视觉成像集的预检测；
模型诊断模块400，所述模型诊断模块400构建基于Segnet网络结构的故障融合诊断模型，基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断，得到太阳能板故障诊断结果。
在本实施例中，功率获取模块100、异常特征集获取模块200、成像集获取模块300以及模型诊断模块400通过5G通讯或DTU通讯方式连接，且功率获取模块100以一拖n的方式连接多组太阳能电板，从而实现对太阳能电板的实时监测。
需要说明的是，功率获取模块100连接有数据采集终端，数据采集终端的感应范围为10-300Hz，数据采集终端可以减弱各类干扰信号（如高频辐射、电压波动等）采用多种抗干扰处理技术，可在变频干扰严重场合使用。
本发明实施例提供了模型诊断模块400，如图10所示，示出了所述模型诊断模块400的示意图，所述模型诊断模块400，具体包括：
标注成像单元410，所述标注成像单元410基于故障融合诊断模型对实现视觉成像集进行重组成像，得到标注缺陷的标注成像集；
功率诊断单元420，所述功率诊断单元420调取功率异常特征集，基于最小二乘法辨识功率异常特征集，得到功率诊断结果；
故障类型判断单元430，所述故障类型判断单元430匹配功率诊断结果以及标注成像集，融合分析诊断太阳能电板故障类型。
在本实施例中，所述故障类型判断单元430匹配功率诊断结果以及标注成像集，融合分析诊断太阳能电板故障类型有太阳能电池板表面缺陷，包括隐裂、划痕、黑斑、断栅、孔洞、黑角，同时太阳能电板故障类型结合功率异常特征集既能对功率异常进行分太阳能电板定位，配合标注成像集，能够实现对单组太阳能电板异常进行精准定位。
本发明实施例还提供的一种计算机设备，该计算机设备包括显示屏、存储器、处理器以及计算机程序，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于功率数据及视觉分析的太阳能板故障检测方法的步骤。
可以理解的是，在本发明提供的优选实施例中，该计算机设备还可以为笔记本电脑、个人数字助理(PersonalDigitalAssistant，PDA)、手机等可以进行通信的设备。
本发明实施例还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于功率数据及视觉分析的太阳能板故障检测方法的步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。例如，上述计算机程序可以被分割成上述各个***实施例提供的基于功率数据及视觉分析的太阳能板故障检测***的单元或模块。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个***的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
最后需要说明的是，本文的计算机可读存储介质（例如，存储器）可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦写可编程ROM（EEPROM）或快闪存储器。易失性存储器可以包括随机存取存储器（RAM），该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM（DRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据速率SDRAM（DDRSDRAM）、增强SDRAM（ESDRAM）、同步链路DRAM（SLDRAM）、以及直接RambusRAM（DRRAM）。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
综上所述，本发明提供了基于功率数据及视觉分析的太阳能板故障检测方法，本申请通过复合型的故障融合诊断模型对太阳能板实时运行功率数据以及视觉成像集对太阳能板进行监测预警，既能及时发现太阳能板的发电功率异常，还能结合太阳能板发电功率以及实时视觉成像集，对太阳能板的发电异常点进行定位分析，方便了太阳能板故障的监测，提高了太阳能板的检修效率。
需要说明的是，对于前述的各实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可能采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，涉及的动作和模块并不一定是本发明所必须的。
本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或通信连接可以是通过一些接口，装置或单元之间的间接耦合或通信连接，可以是电信或者其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案，而非对发明的保护范围进行限制。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明，本领域普通技术人员依然可以在不冲突的情况下，不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整，从而得到不同的、本质未脱离本发明的构思的其他技术方案，这些技术方案也同样属于本发明所要保护的范围。
Claims (10)
1.基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于，所述基于功率数据及视觉分析的太阳能板故障检测方法包括：
获取太阳能板实时运行功率数据，并对实时运行功率数据进行预处理，其中，实时运行功率数据具有时序性，实时运行功率数据包括太阳能板温度、太阳能板运行功率、实时电压、实时电流；
基于预训练的异常功率提取模型对预处理的实时运行功率数据进行提取筛选，得到功率异常特征集；
获取太阳能板实时视觉成像集，实时视觉成像集基于机器视觉预检测，其中，机器视觉预检测通过比对实时视觉成像集以及标准视觉成像集进行，实现视觉成像集的预检测；
构建基于Segnet网络结构的故障融合诊断模型，基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断，得到太阳能板故障诊断结果。
2.如权利要求1所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述异常功率提取模型的提取方法，具体包括：
获取多组运行正常的标准太阳能板运行功率数据，基于标准太阳能板运行功率数据构建异常功率提取模型；
以对预处理的实时运行功率数据为输入，执行异常功率提取模型，异常功率提取模型对实时运行功率数据进行归一化处理；
异常功率提取模型调取异常功率提取函数，基于异常功率提取函数提取实时运行功率数据中功率异常特征集。
3.如权利要求2所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述基于标准太阳能板运行功率数据构建异常功率提取模型的方法，具体包括：
获取N组运行正常的标准太阳能板运行功率数据；
基于太阳能板温度、太阳能板运行功率、实时电压、实时电流类别将N组样本转换为不同时刻t的数据矩阵，通过多目标进化算法定义N组样本转换为不同时刻t的数据矩阵的异常功率提取函数。
4.如权利要求3所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：基于异常功率提取函数提取实时运行功率数据中功率异常特征集的方法，具体包括：
调取异常功率提取函数，计算标准太阳能板运行功率数据的数据矩阵误差向量、平均值误差以及标准误差；
以数据矩阵误差向量、平均值误差以及标准误差为输入异常功率提取函数中，基于最小二乘法辨识功率异常特征集。
5.如权利要求1-4任一所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述获取太阳能板实时视觉成像集的方式为红外成像技术、电致发光成像或可见光成像。
6.如权利要求4所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述获取太阳能板实时视觉成像集的方法，具体包括：
基于光成像技术拍摄，获取多组太阳能板图像，其中，太阳能板图像包括局部图像和全局图像；
对太阳能板图像进行裁剪、投影和重采样，得到修正后实时视觉成像集。
7.如权利要求6所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述获取太阳能板实时视觉成像集的方法，还包括：
基于Python编程抓取修正后实时视觉成像集，对抓取后实时视觉成像集栅格化处理，得到尺寸一致的栅格图层集。
8.如权利要求1-4任一所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述基于Segnet网络结构的故障融合诊断模型包括：
诊断解码器；
其中，所述诊断解码器包括成像特征卷积层以及特征池化层，成像特征卷积层用于提取成像集中图像特征；
特征池化层用于成像集中图像特征的转换和减少；
重组编码器，用于成像集中图像特征还原重采样。
9.如权利要求8所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述重组编码器对成像集中图像特征进行还原重采样的方法，具体包括：
获取特征池化层处理后的成像集图像特征，通过Segnet对成像集图像特征进行分类，得到特征分类集，特征分类集中每个特征 ，通过公式计算特征覆盖范围：
；
其中，为单组太阳能电板的栅格数，为特征的亮度值，为特征边缘点与中心点的阈值差，取值范围为0.2-2，表示特征中心点的权重系数，为特征的权重分割率；
的卷积的结果计算公式为：
；
表示特征中心表达函数，表示亮度色彩因子，为特征加权指数，。
10.如权利要求9所述的基于功率数据及视觉分析的太阳能板故障检测方法，其特征在于：所述基于故障融合诊断模型对功率异常特征集以及预检测的实现视觉成像集进行融合分析诊断的方法，具体包括：
基于故障融合诊断模型对实现视觉成像集进行重组成像，得到标注缺陷的标注成像集；
调取功率异常特征集，基于最小二乘法辨识功率异常特征集，得到功率诊断结果；
匹配功率诊断结果以及标注成像集，融合分析诊断太阳能电板故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222179.4A CN115940809B (zh) | 2023-03-09 | 2023-03-09 | 基于功率数据及视觉分析的太阳能板故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222179.4A CN115940809B (zh) | 2023-03-09 | 2023-03-09 | 基于功率数据及视觉分析的太阳能板故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115940809A true CN115940809A (zh) | 2023-04-07 |
| CN115940809B CN115940809B (zh) | 2023-06-09 |
Family
ID=86556127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310222179.4A Active CN115940809B (zh) | 2023-03-09 | 2023-03-09 | 基于功率数据及视觉分析的太阳能板故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115940809B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227743A (zh) * | 2023-05-06 | 2023-06-06 | 中国华能集团清洁能源技术研究院有限公司 | 基于金枪鱼群算法的光伏发电功率异常率确定方法及*** |
| CN116955965A (zh) * | 2023-09-20 | 2023-10-27 | 山东鑫泰莱光电股份有限公司 | 一种基于太阳能数据故障预测方法、设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
| CN114862814A (zh) * | 2022-05-18 | 2022-08-05 | 上海师范大学天华学院 | 太阳能电池板缺陷检测方法及***、存储介质及终端 |
| CN115225032A (zh) * | 2022-07-19 | 2022-10-21 | 中国华电科工集团有限公司 | 一种分布式光伏运维***及运维方法 |
| CN115712873A (zh) * | 2022-11-18 | 2023-02-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测***及方法 |
| CN115714580A (zh) * | 2022-10-08 | 2023-02-24 | 北京鑫泰绿能科技有限公司 | 一种光伏电池板的异常检测方法 |
-
2023
- 2023-03-09 CN CN202310222179.4A patent/CN115940809B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
| CN114862814A (zh) * | 2022-05-18 | 2022-08-05 | 上海师范大学天华学院 | 太阳能电池板缺陷检测方法及***、存储介质及终端 |
| CN115225032A (zh) * | 2022-07-19 | 2022-10-21 | 中国华电科工集团有限公司 | 一种分布式光伏运维***及运维方法 |
| CN115714580A (zh) * | 2022-10-08 | 2023-02-24 | 北京鑫泰绿能科技有限公司 | 一种光伏电池板的异常检测方法 |
| CN115712873A (zh) * | 2022-11-18 | 2023-02-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测***及方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227743A (zh) * | 2023-05-06 | 2023-06-06 | 中国华能集团清洁能源技术研究院有限公司 | 基于金枪鱼群算法的光伏发电功率异常率确定方法及*** |
| CN116227743B (zh) * | 2023-05-06 | 2023-09-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于金枪鱼群算法的光伏发电功率异常率确定方法及*** |
| CN116955965A (zh) * | 2023-09-20 | 2023-10-27 | 山东鑫泰莱光电股份有限公司 | 一种基于太阳能数据故障预测方法、设备以及存储介质 |
| CN116955965B (zh) * | 2023-09-20 | 2024-02-02 | 山东鑫泰莱光电股份有限公司 | 一种基于太阳能数据故障预测方法、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115940809B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115940809B (zh) | 基于功率数据及视觉分析的太阳能板故障检测方法 | |
| CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| CN103886294B (zh) | 基于图像的换流站用避雷器动作次数的识别方法以及*** | |
| CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
| JP2019022251A (ja) | 太陽電池診断方法及び太陽電池診断システム | |
| CN116054417B (zh) | 一种变电站用的监控***及方法 | |
| CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
| CN115908407B (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
| CN115601197A (zh) | 光伏电站的异常状态检测方法、装置 | |
| CN115102287A (zh) | 一种新能源电站集中区域智能管控*** | |
| CN113191977A (zh) | 一种用于恶劣环境条件下目标检测识别的图像增强*** | |
| CN117171410A (zh) | 基于光伏发电数据的***状态评估方法、装置、设备和介质 | |
| CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
| CN116388685A (zh) | 一种太阳能电池板运行控制*** | |
| CN115954291A (zh) | 一种TOPCon结构光伏电池板的裂纹监测*** | |
| CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
| CN115311539A (zh) | 架空输电线路缺陷识别方法、装置、设备及存储介质 | |
| CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
| CN118154609B (zh) | 一种光伏组件故障检测方法 | |
| CN218734201U (zh) | 一种光伏组件故障诊断设备 | |
| CN114048815B (zh) | 基于厂站侧的电网运行信息感知***、感知方法 | |
| Gu et al. | Object detection of overhead transmission lines based on improved YOLOv5s | |
| CN118154609A (zh) | 一种光伏组件故障检测方法 | |
| CN116760360A (zh) | 一种光伏发电***能量损耗监测*** | |
| CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 |
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 |