CN116797603B - 一种光伏阵列故障诊断及定位方法 - Google Patents
一种光伏阵列故障诊断及定位方法 Download PDFInfo
- Publication number
- CN116797603B CN116797603B CN202311074882.1A CN202311074882A CN116797603B CN 116797603 B CN116797603 B CN 116797603B CN 202311074882 A CN202311074882 A CN 202311074882A CN 116797603 B CN116797603 B CN 116797603B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- photovoltaic panel
- area
- areas
- heat
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000001931 thermography Methods 0.000 claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims description 14
- 206010020843 Hyperthermia Diseases 0.000 claims description 12
- 230000036031 hyperthermia Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- YOBAEOGBNPPUQV-UHFFFAOYSA-N iron;trihydrate Chemical compound O.O.O.[Fe].[Fe] YOBAEOGBNPPUQV-UHFFFAOYSA-N 0.000 description 8
- 239000003086 colorant Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 241000219307 Atriplex rosea Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种光伏阵列故障诊断及定位方法,包括:采集光伏板的热成图像和光伏阵列图像;获取误判区域和高热区域;根据高热区域和误判区域得到所有高热区域的正常值;根据最大高热区域面积和面积阈值得到单个光伏板中单个高热区域的正常值;根据单个光伏板的高热区域数量得到单个光伏板的高热区域数量系数;根据所有高热区域的正常值、单个高热区域的正常值和数量系数得到单个光伏板的正常值;根据单个光伏板的正常值得到故障光伏板和剩余的光伏板;对剩余的光伏板进行聚类得到疑似故障光伏板;最后定位故障光伏板和疑似故障光伏板的具***置。本发明用图像处理方式进行诊断,提高故障在图像诊断的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种光伏阵列故障诊断及定位方法。
背景技术
随着新能源领域的快速发展,光伏阵列在新能源领域的应用越来越广泛,而在运行过程中光伏阵列故障诊断及定位是提高光伏发电***效率和维护成本的重要手段。目前,相关诊断与定位技术已成为新能源领域的研究热点之一,在国内外的研究和应用都获得了广泛关注。但由于光伏发电***本身的复杂性和多变性,目前光伏阵列的故障诊断和定位技术仍需要不断的改进和完善,以更好地满足光伏发电***的实际应用需求。
在传统的技术手段中,对光伏阵列进行故障检测时,可能由于光照的影响导致光伏阵列板上出现反光,在对光伏板拍照时可能出现误判,导致只通过光伏板的图像对光伏板进行检测故障时不准确。
发明内容
为了解决上述问题,本发明提供一种光伏阵列故障诊断及定位方法,所述方法包括:
采集每个光伏板的热成图像和光伏阵列图像;
对每个光伏板的光伏阵列图像进行边缘检测得到每个光伏板的误判区域总面积;对每个光伏板的热成图像进行边缘检测得到每个光伏板的若干个高热区域;
根据每个光伏板的所有高热区域的面积、所有高热区域的数量和误判区域总面积得到每个光伏板的所有高热区域的正常值;
根据每个光伏板的最大高热区域面积得到每个光伏板的单个高热区域的正常值;
根据每个光伏板的高热区域数量和整个区域内所有光伏板的高热区域数量均值得到每个光伏板的高热区域数量系数;
根据每个光伏板的所有高热区域的正常值、单个高热区域的正常值和高热区域数量系数得到每个光伏板的正常值;
根据每个光伏板的正常值对光伏板进行筛选得到故障光伏板和剩余的光伏板;对剩余的光伏板进行聚类得到疑似故障光伏板;
获取故障光伏板和疑似故障光伏板在光伏阵列中的具***置,完成光伏阵列故障诊断及定位;
所述所有高热区域的正常值的具体获取步骤如下:
式中,表示第/>个光伏板的第/>个高热区域面积,/>表示第/>个光伏板的误判区域面积,/>表示第i个光伏板的高热区域的数量,/>表示所有光伏板的数量,/>表示单块光伏板的所有高热区域总面积阈值,/>表示阶跃函数,/>表示所有高热区域的正常值;
所述每个光伏板的单个高热区域的正常值的具体获取步骤如下:
每个光伏板的单个高热区域的正常值的公式为:
式中,表示预设单块光伏板的单个高热区域面积阈值,/>表示第/>个光伏板的最大高热区域面积,/>表示第i个光伏板中单个高热区域的正常值;
所述每个光伏板的高热区域数量系数的具体获取步骤如下:
每个光伏板的高热区域数量系数的公式为:
式中,表示第/>个光伏板的高热区域数量,/>表示整个区域内光伏板的高热区域数量均值,/>表示预设阈值,/>表示第/>个光伏板的高热区域数量系数,/>表示以自然数为底的指数函数。
进一步地,所述对每个光伏板的光伏阵列图像进行边缘检测得到每个光伏板的误判区域总面积,包括的具体步骤如下:
对每个光伏板的光伏阵列图像进行canny边缘检测,获取由边缘线连成的所有闭合区域,然后对这些闭合区域作外接矩形,将每个闭合区域的面积记为,将每个闭合区域的外接矩形的面积记为/>,计算每个闭合区域的面积/>与每个闭合区域的外接矩形的面积/>的比值,记为每个区域的差异程度;
当时,将第t个闭合区域记为误判区域,R表示预设差异阈值,/>表示第t个闭合区域的差异程度;然后对每个光伏板的所有误判区域面积求和得到每个光伏板的误判区域总面积。
进一步地,所述对每个光伏板的热成图像进行边缘检测得到每个光伏板的若干个高热区域,包括的具体步骤如下:
对每个光伏板热成图像使用canny边缘检测,获取由边缘线连成的所有闭合区域,将热成图像中的闭合区域记为高热区域,得到每个光伏板的若干个高热区域。
进一步地,所述单个光伏板的正常值的具体获取步骤如下:
单个光伏板的正常值的公式为:
式中,表示所有高热区域的正常值,/>表示第i个光伏板中单个高热区域的正常值,/>表示第/>个光伏板的高热区域数量系数,/>表示第i个光伏板的正常值。
进一步地,所述故障光伏板的具体获取步骤如下:
将单个光伏板的正常值等于0的光伏板记为故障光伏板。
进一步地,所述剩余的光伏板的具体获取步骤如下:
将除故障光伏板之外的所有光伏板记为剩余的光伏板。
进一步地,所述对剩余的光伏板进行聚类得到疑似故障光伏板,包括的具体步骤如下:
对剩余的光伏板按照单个光伏板的正常值使用k-means进行聚类,将其聚为两类,将所有光伏板的正常值的和最小的一类中的所有光伏板记为疑似故障光伏板。
本发明的技术方案的有益效果是:通过获取光伏阵列图像中的误判区域和热成图像中的高热区域得到所有高热区域的正常值、单个光伏板中单个高热区域的正常值和单个光伏板的高热区域数量系数,通过正常值和系数减小光线对拍照时的影响,即通过计算所有高热区域的正常值、单个光伏板中单个高热区域的正常值和单个光伏板的高热区域数量系数得到单个光伏板的正常值,根据单个光伏板的正常值使用k-means检测得到有故障的光伏板。本发明通过分析误判区域排除光伏板的纹理在采集图像时的干扰,通过每个光伏板的误判区域和高热区域获取在排除光线对每个光伏板的影响之后每个高热区域的正常值,最后通过高热区域的正常值聚类,提高对光伏板故障的识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种光伏阵列故障诊断及定位方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种光伏阵列故障诊断及定位方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种光伏阵列故障诊断及定位方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种光伏阵列故障诊断及定位方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集光伏阵列图像和热成图像。
需要说明的是,由于本实施例是关于光伏阵列故障诊断和定位,所以需要采集光伏板的图像来分析光伏板上的异常区域,又由于光伏板主要是用来发电的,发电会使得光伏板的温度会不同,温度的不同对故障的分析有一定的影响,所以需要通过热成图像来分析光照对光伏板中电路的影响。
具体地,使用无人机在光伏阵列板的正上方按照单个光伏板的排列先从左到右,再从上到下去采集图像,并进行灰度化,得到每个光伏板的光伏阵列图像;再使用热成像仪按照单个光伏板的排列先从左到右,再从上到下采集光伏板的热成像图像,进行灰度化得到每个光伏板的热成图像。
步骤S002:通过光伏阵列图像对光伏板表面误判区域进行预筛选,结合预筛选的误判区域根据热成图像进行内部故障检测,分析量化光伏板的正常值,根据结果值定义故障光伏板以及筛选疑似故障的光伏板。
需要说明的是,通过光伏阵列图像对误判区域进行预筛选,在进行热成图像检测时,需要将有误判区域的部分剔除。在热成图像中主要的两种误判样式为太阳光在光伏板上的反射以及部分被遮挡的阴影区域,这些区域在热成图像中也会呈现和高热区域类似的高亮显示,如果将这些区域用作热成图像检测的话,会使得检测结果不合理。因此需要对每块光伏板存在的误判区域进行判断。如果已知误判区域的形状特征和位置分布特点,可以通过计算或估算出的方法得到误判区域的面积。太阳光在光伏板上的反射的形状为十分近似的圆形且多分布于光伏板非边缘区域,而部分被遮挡的阴影区域的形状近似于矩形且多分布于光伏板边缘。
进一步需要说明的是,由于单个光伏板中有很多的纹理,在对单个光伏板进行边缘检测时,里面的纹理会造成一定的影响;又因为单个光伏板中的纹理是水平和竖直交错排列的,所以边缘检测出来的闭合区域是规则的矩形。由于在进行光伏板的故障检测时,要排除规则的矩形,防止对故障区域的检测时的影响。但是在排除规则的矩形时,可能由于边缘检测的误差,导致对光伏板的纹理进行边缘检测时,所形成的闭合区域不是矩形,但趋近于矩形,因此,此处对每个闭合区域作外接矩形,获取每个闭合区域的面积和每个闭合区域的外接矩形的面积之间的差异程度,当两个面积之间的差异程度较小时,认为闭合区域就是光伏板中纹理形成的规则矩形;当两个面积之间的差异程度较大时,认为闭合区域是光伏板存在故障导致而形成的闭合区域。
具体地,对每个光伏板的光伏阵列图像进行canny边缘检测,获取由边缘线连成的所有闭合区域,然后对这些闭合区域作外接矩形。将每个闭合区域的面积记为,将每个闭合区域的外接矩形的面积记为/>,计算每个闭合区域的面积/>与每个闭合区域的外接矩形的面积/>的比值,记为每个区域的差异程度。用公式表示:
式中,表示第t个闭合区域的面积,/>表示第t个闭合区域的外接矩形的面积,/>表示第t个闭合区域的差异程度。
预设一个差异阈值R,其中本实施例以R=0.8为例进行叙述,本实施例不进行具体限定,其中R可根据具体实施情况而定。当时,表示第t个闭合区域是光伏板中的规则矩形,当/>时,表示第t个闭合区域是不规则矩形,即为误判区域。然后对每个光伏板的所有误判区域面积求和得到每个光伏板的误判区域总面积。
对每个光伏板热成图像使用canny边缘检测,获取由边缘线连成的所有闭合区域,将热成图像中的闭合区域记为高热区域,此时,即得到每个光伏板的所有高热区域。得到每个光伏板的误判区域总面积之后,在通过热成图像进行高热区域检测时,需要将每块光伏板得到的高热区域面积减去该光伏板对应的误判区域总面积,以此得到光伏板真正的高热区域面积。其中,光伏阵列中有多个排列规则的光伏板。
结合预筛选的误判区域根据热成图像进行内部故障检测,分析量化光伏板的正常值。
需要说明的是,热成像相机的色标范围不同,热量分布所对应的颜色变化也不同。光伏阵列所采用的热成像相机色标范围通常为铁红色标,该色标主要由黑、灰、铁红色组成,尤其适用于高温测量。一般由黑色表示低温、灰色表示中温、铁红色表示高温,铁红色标相对于其他色标来说能够清晰地显示高温区域,契合光伏阵列的场景。但是在色标设置合理的情况下,一般来说,热成像图片中高温区域和低温区域的颜色区别都是很明显的,因为热成像相机会将物体表面的不同温度映射为不同的颜色,这些颜色可以清晰地显示出材料表面的热量分布和变化。本实施例只以铁红色标进行叙述。在热成图像中,不同温度的不同颜色是按区域进行显示的,因此,高热区域的温度颜色在铁红色标范围中呈现铁红色。
进一步需要说明的是,通过基于颜色的图像分割技术,对铁红色颜色范围的区域面积进行统计计算。铁红色的区域面积越大,说明该区域的高热部分面积越大,如果面积过大,说明该块光伏板可能存在问题。此外,一块光伏板上可能会存在若干高热区域,高热区域的分布数量过多也说明该块光伏板可能存在问题。在对光伏板的高热区域进行比较时,考虑在该光伏板所在的区域内与区域其他光伏板进行比较,具体来说,不同区域的光伏板受到的光照和太阳辐射能量可能不同,这会影响光伏板表面温度的大小,而且不同区域的光伏板所处的环境温度、污染程度等因素也可能存在差异,该差异会进一步影响光伏板表面温度的大小和变化。因此,在对光伏板表面的高热区域进行判断时,需要考虑不同区域的光伏板可能存在的表面温度差异,而不是简单地对整体光伏阵列进行比较。
具体地,通过光伏板热成图像对光伏板内部故障进行检测时,考虑以光伏板表面高热区域面积和高热区域数量为参数在该光伏板所在区域的所有光伏板中的差异程度对可能存在内部故障的光伏板进行检测。预设一个单块光伏板的所有高热区域总面积阈值,其中本实施例以/>=50平方厘米为例进行叙述,本实施例不进行具体限定,其中可根据具体实施情况而定。
则在整体的所有光伏板中,所有高热区域正常值的计算公式为:
式中,表示第/>个光伏板的第/>个高热区域面积,/>表示第/>个光伏板的误判区域面积,/>表示第i个光伏板的高热区域的数量,/>表示所有光伏板的数量,/>表示单块光伏板的所有高热区域总面积阈值,/>表示阶跃函数,/>表示所有高热区域的正常值。
其中,是根据整个区域的光伏板数量和单块光伏板的所有高热区域总面积阈值得到的整个区域的高热区域面积阈值;通过/>将单个光伏板的所有高热区域累加,再减去每块光伏板的误判区域/>,将单个光伏板的误差结果视为单个光伏板处理后的高热区域;通过该公式/>得到整个区域所有光伏板处理后的高热区域面积,如果整个区域采集处理后的高热区域面积大于整个区域的高热区域面积阈值,即说明此光伏板整个区域都存在问题,此时/>。此种情况包含了由于单个高热区域面积超过阈值以及高热区域数量点过多导致累加的高热区域面积超过单块光伏板高热区域面积阈值的情况。
需要说明的是,如果只对整体区域的高热区域面积定义一个阈值,有可能出现该区域的高热区域面积超过阈值是因为某些光伏板的高热区域过大所导致的,而与其他高热区域面积并不大的光伏板并无直接关系,此时是没必要对整体区域都进行检修的,需要对单个光伏板的高热区域设置阈值进行检测。
具体地,预设一个单块光伏板的单个高热区域面积阈值,其中本实施例以/>=10平方厘米为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定。根据单个光伏板的高热区域面积阈值和单个光伏板的最大高热区域面积得到单个光伏板高热区域的正常值。用公式表示:
式中,表示单块光伏板的单个高热区域面积阈值,/>表示第/>个光伏板的最大高热区域面积,/>表示阶跃函数,/>表示第i个光伏板中单个高热区域的正常值。
其中,如果区域整体的高热区域面积没有问题,即区域整体的高热区域正常值不等于0,就需要对区域内的单个光伏板进行故障诊断。通过单个光伏板的高热区域的面积筛选出现故障的光伏板。一块光伏板上可能有若干个高热区域存在,但如果一块光伏板上高热区域最大面积超过单个高热区域面积阈值,即可判定该光伏板出现问题,此时的。
需要说明的是,某块光伏板高热区域的数量如果和区域内其他光伏板相比数量过多,也说明该光伏板存在问题,所以此处根据单个光伏板的高热区域的数量来进一步的判断。
具体地,预设一个阈值k,其中本实施例以k=5为例进行叙述,本实施例不进行具体限定,其中k可根据具体实施情况而定。根据单个光伏板的高热区域的数量来获取单个光伏板的系数,用公式表示为:
式中,表示第/>个光伏板的高热区域数量,/>表示整个区域内光伏板的高热区域数量均值,/>表示阈值,/>表示第/>个光伏板的高热区域数量系数,/>表示以自然数为底的指数函数。
其中,当光伏板的高热区域的数量越多,的结果值越小。
根据所有高热区域正常值、第i个光伏板中单个高热区域的正常值/>和第/>个光伏板的高热区域数量系数/>得到第i个光伏板的正常值,用公式表示为:
式中,表示所有高热区域的正常值,/>表示第i个光伏板中单个高热区域的正常值,/>表示第/>个光伏板的高热区域数量系数,/>表示第i个光伏板的正常值。
其中,当越小时,说明第i个光伏板存在的故障越明显。当/>时,说明/>或中光伏板高热区域的面积超过光伏板高热区域的面积阈值,所以将/>的光伏板记为故障光伏板,排除/>的光伏板,对剩余的光伏板进行k-means聚类筛选出疑似故障的光伏板。
排除完的光伏板之后,还有光伏板高热区域的面积等于光伏板高热区域的面积阈值,即/>或/>为0.5,所以第i个光伏板的正常值为/>或;除过这种情况外其余的/>或/>都为1,即/>,也就是两结果值都没有超过各自阈值时,/>的结果值和高热点的数量有关,高热点数量越多,/>的结果值越小;如果/>和/>刚好等于各自阈值,会导致该光伏板的/>的结果值相比其他光伏板更小。阈值的定义是高热区域存在面积的最大限度,如果与阈值相等,说明是有超过阈值的趋势,因此作为疑似故障光伏板去处理。
步骤S003:根据光伏板的正常值进行聚类确定出存在故障的光伏板。
将的光伏板排除之后,对剩余的光伏板使用k-means进行聚类,由于在上一步骤中计算出了每个光伏板的正常值,所以本步骤根据每个光伏板的正常值进行聚类。其中本实施例以聚类的类别数等于2为例进行叙述,本实施例不进行具体限定,其中聚类的类别数目可根据具体实施情况而定。
此时,k-means聚类将剩余的光伏板分成了两类,由于光伏板的正常值越小,表明光伏板越是疑似故障光伏板,所以将光伏板的正常值的和最小的一类作为疑似故障光伏板;最后对疑似故障光伏板和故障光伏板进行定位,确定出每个疑似故障光伏板和故障光伏板的位置。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种光伏阵列故障诊断及定位方法,其特征在于,该方法包括以下步骤:
采集每个光伏板的热成图像和光伏阵列图像;
对每个光伏板的光伏阵列图像进行边缘检测得到每个光伏板的误判区域总面积;对每个光伏板的热成图像进行边缘检测得到每个光伏板的若干个高热区域;
根据每个光伏板的所有高热区域的面积、所有高热区域的数量和误判区域总面积得到每个光伏板的所有高热区域的正常值;
根据每个光伏板的最大高热区域面积得到每个光伏板的单个高热区域的正常值;
根据每个光伏板的高热区域数量和整个区域内所有光伏板的高热区域数量均值得到每个光伏板的高热区域数量系数;
根据每个光伏板的所有高热区域的正常值、单个高热区域的正常值和高热区域数量系数得到每个光伏板的正常值;
根据每个光伏板的正常值对光伏板进行筛选得到故障光伏板和剩余的光伏板;对剩余的光伏板进行聚类得到疑似故障光伏板;
获取故障光伏板和疑似故障光伏板在光伏阵列中的具***置,完成光伏阵列故障诊断及定位;
所述所有高热区域的正常值的具体获取步骤如下:
式中,表示第/>个光伏板的第/>个高热区域面积,/>表示第/>个光伏板的误判区域面积,/>表示第i个光伏板的高热区域的数量,/>表示所有光伏板的数量,/>表示单块光伏板的所有高热区域总面积阈值,/>表示阶跃函数,/>表示所有高热区域的正常值;
所述每个光伏板的单个高热区域的正常值的具体获取步骤如下:
每个光伏板的单个高热区域的正常值的公式为:
式中,表示预设单块光伏板的单个高热区域面积阈值,/>表示第/>个光伏板的最大高热区域面积,/>表示第i个光伏板中单个高热区域的正常值;
所述每个光伏板的高热区域数量系数的具体获取步骤如下:
每个光伏板的高热区域数量系数的公式为:
式中,表示第/>个光伏板的高热区域数量,/>表示整个区域内光伏板的高热区域数量均值,/>表示预设阈值,/>表示第/>个光伏板的高热区域数量系数,/>表示以自然数为底的指数函数。
2.根据权利要求1所述一种光伏阵列故障诊断及定位方法,其特征在于,所述对每个光伏板的光伏阵列图像进行边缘检测得到每个光伏板的误判区域总面积,包括的具体步骤如下:
对每个光伏板的光伏阵列图像进行canny边缘检测,获取由边缘线连成的所有闭合区域,然后对这些闭合区域作外接矩形,将每个闭合区域的面积记为,将每个闭合区域的外接矩形的面积记为/>,计算每个闭合区域的面积/>与每个闭合区域的外接矩形的面积的比值,记为每个区域的差异程度;
当时,将第t个闭合区域记为误判区域,R表示预设差异阈值,/>表示第t个闭合区域的差异程度;然后对每个光伏板的所有误判区域面积求和得到每个光伏板的误判区域总面积。
3.根据权利要求1所述一种光伏阵列故障诊断及定位方法,其特征在于,所述对每个光伏板的热成图像进行边缘检测得到每个光伏板的若干个高热区域,包括的具体步骤如下:
对每个光伏板热成图像使用canny边缘检测,获取由边缘线连成的所有闭合区域,将热成图像中的闭合区域记为高热区域,得到每个光伏板的若干个高热区域。
4.根据权利要求1所述一种光伏阵列故障诊断及定位方法,其特征在于,所述单个光伏板的正常值的具体获取步骤如下:
单个光伏板的正常值的公式为:
式中,表示所有高热区域的正常值,/>表示第i个光伏板中单个高热区域的正常值,/>表示第/>个光伏板的高热区域数量系数,/>表示第i个光伏板的正常值。
5.根据权利要求1所述一种光伏阵列故障诊断及定位方法,其特征在于,所述故障光伏板的具体获取步骤如下:
将单个光伏板的正常值等于0的光伏板记为故障光伏板。
6.根据权利要求1所述一种光伏阵列故障诊断及定位方法,其特征在于,所述剩余的光伏板的具体获取步骤如下:
将除故障光伏板之外的所有光伏板记为剩余的光伏板。
7.根据权利要求1所述一种光伏阵列故障诊断及定位方法,其特征在于,所述对剩余的光伏板进行聚类得到疑似故障光伏板,包括的具体步骤如下:
对剩余的光伏板按照单个光伏板的正常值使用k-means进行聚类,将其聚为两类,将所有光伏板的正常值的和最小的一类中的所有光伏板记为疑似故障光伏板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074882.1A CN116797603B (zh) | 2023-08-25 | 2023-08-25 | 一种光伏阵列故障诊断及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074882.1A CN116797603B (zh) | 2023-08-25 | 2023-08-25 | 一种光伏阵列故障诊断及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797603A CN116797603A (zh) | 2023-09-22 |
CN116797603B true CN116797603B (zh) | 2023-10-24 |
Family
ID=88048350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074882.1A Active CN116797603B (zh) | 2023-08-25 | 2023-08-25 | 一种光伏阵列故障诊断及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797603B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107453709A (zh) * | 2017-07-03 | 2017-12-08 | 重庆大学 | 一种隔离机制与交叉测量融合的光伏热斑故障诊断方法 |
KR102133224B1 (ko) * | 2020-03-26 | 2020-07-13 | 주식회사 스카이텍 | 태양광 어레이 설치용 cad 설계도면을 활용한 태양광 어레이 자동 진단 시스템 |
CN111860404A (zh) * | 2020-07-28 | 2020-10-30 | 华润智慧能源有限公司 | 一种光伏板热斑定位方法及*** |
CN114782880A (zh) * | 2022-06-22 | 2022-07-22 | 索日新能源科技(南通)有限公司 | 用于离网光伏发电***的监测*** |
-
2023
- 2023-08-25 CN CN202311074882.1A patent/CN116797603B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107453709A (zh) * | 2017-07-03 | 2017-12-08 | 重庆大学 | 一种隔离机制与交叉测量融合的光伏热斑故障诊断方法 |
KR102133224B1 (ko) * | 2020-03-26 | 2020-07-13 | 주식회사 스카이텍 | 태양광 어레이 설치용 cad 설계도면을 활용한 태양광 어레이 자동 진단 시스템 |
CN111860404A (zh) * | 2020-07-28 | 2020-10-30 | 华润智慧能源有限公司 | 一种光伏板热斑定位方法及*** |
CN114782880A (zh) * | 2022-06-22 | 2022-07-22 | 索日新能源科技(南通)有限公司 | 用于离网光伏发电***的监测*** |
Non-Patent Citations (1)
Title |
---|
一种新型光伏阵列多传感器故障检测定位方法;张晓娜;高德东;刘海雄;叶军;王珊;;可再生能源(02);第12-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116797603A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Spataru et al. | Automatic detection and evaluation of solar cell micro-cracks in electroluminescence images using matched filters | |
Di Tommaso et al. | A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle | |
CN111751002B (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
CN110071692B (zh) | 光伏组件故障判定方法、装置及控制器 | |
CN115439474B (zh) | 一种电力设备故障快速定位方法 | |
KR101806217B1 (ko) | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 | |
US20230042106A1 (en) | System and method for the statistical analysis of images of photovoltaic panels | |
Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
CN115115643B (zh) | 一种光伏电池板生产缺陷检测方法 | |
CN116191680B (zh) | 一种应用于光伏发电的监控管理*** | |
Guerriero et al. | Automatic edge identification for accurate analysis of thermographic images of solar panels | |
CN112446863A (zh) | 基于图像处理的光伏阵列热斑检测方法和检测*** | |
CN115940809A (zh) | 基于功率数据及视觉分析的太阳能板故障检测方法 | |
CN116797603B (zh) | 一种光伏阵列故障诊断及定位方法 | |
CN114782442A (zh) | 一种基于人工智能的光伏电池板智慧巡检方法及*** | |
So et al. | Estimating the electricity generation capacity of solar photovoltaic arrays using only color aerial imagery | |
CN116503633B (zh) | 基于图像识别的开关柜状态智能检测控制方法 | |
Rodriguez et al. | Segmentation and error detection of PV modules | |
CN116188510B (zh) | 一种基于多传感器的企业排放数据采集*** | |
CN110610474A (zh) | 一种基于红外图像的太阳能板缺陷实时检测方法 | |
CN116152195A (zh) | 光伏电池板的热斑检测方法、装置及电子设备 | |
CN207280970U (zh) | 光学扫描图像检测装置 | |
CN117706239B (zh) | 一种换流变压器过热故障点预测*** | |
CN118096738B (zh) | 一种新能源光伏组件故障检测方法及*** |
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 |