光伏組件故障診斷方法研究

楊 磊，高德東，孟廣雙，王 珊

（1.青海大學(xué)機(jī)械工程學(xué)院，青海 西寧 810016；2.唐山工業(yè)職業(yè)技術(shù)學(xué)院，河北 唐山 063299）

1 引言

光伏組件的安全可靠運(yùn)行是光伏發(fā)電的基本條件，而光伏組件的發(fā)電受多種因素影響。光照，溫度，濕度，風(fēng)沙等外部環(huán)境因素會(huì)導(dǎo)致光伏組件發(fā)電功率的降低。長時(shí)間暴露在外部環(huán)境中，光伏板也會(huì)產(chǎn)生熱斑、裂紋等內(nèi)部故障，而熱斑、裂紋等內(nèi)部故障的產(chǎn)生會(huì)造成許多潛在的風(fēng)險(xiǎn)和隱患。因此，需及時(shí)對(duì)光伏電站進(jìn)行巡檢，對(duì)檢測出的有故障甚至已經(jīng)不發(fā)電的光伏板，及時(shí)進(jìn)行剔除，防止安全隱患的產(chǎn)生[1]。

對(duì)光伏組件故障部分進(jìn)行識(shí)別檢測以及用圖像分割、圖像聚類方法提取光伏板故障區(qū)域的研究已有很多。文獻(xiàn)[2]在對(duì)光伏陣列紅外圖像進(jìn)行預(yù)處理和分析的基礎(chǔ)上，采用信息融合與模糊推理的方法，對(duì)光伏陣列中太陽電池的正常、遮擋、老化損壞的工作狀態(tài)進(jìn)行識(shí)別。文獻(xiàn)[3]基于模糊C均值聚類的方法，分析了光伏組件故障特征量與故障類型之間的模糊映射關(guān)系，根據(jù)隸屬度函數(shù)算法得出待診斷樣本與各故障類型間的隸屬度關(guān)系。文獻(xiàn)[4]采用灰度共生矩陣和區(qū)域生長算法相結(jié)合的方法對(duì)閾值進(jìn)行自動(dòng)調(diào)整，進(jìn)而對(duì)光伏板圖像進(jìn)行了分割。但此類研究只對(duì)紅外圖像進(jìn)行處理，并未系統(tǒng)研究從航拍圖片至計(jì)算出故障區(qū)域大小的全過程。在航拍光伏板紅外圖像的基礎(chǔ)上，運(yùn)用透射變換法對(duì)圖片進(jìn)行傾斜校正，運(yùn)用改進(jìn)Otsu算法對(duì)矯正截取后的圖像進(jìn)行目標(biāo)區(qū)域分割提取，從而計(jì)算出故障區(qū)域大小，便于研究故障區(qū)域與發(fā)電量的關(guān)系，及時(shí)對(duì)故障光伏板進(jìn)行更換，保證光伏電站安全的工作環(huán)境。

2 電池板圖像傾斜矯正的研究

為得到光伏組件的紅外圖像，需采用無人機(jī)對(duì)光伏電站進(jìn)行巡檢。利用無人機(jī)進(jìn)行巡檢，不但可以實(shí)時(shí)檢測故障區(qū)域，還可對(duì)產(chǎn)生故障的光伏組件進(jìn)行拍照并保存圖像。而且采用無人機(jī)巡檢具有速度快，效率高，減輕勞動(dòng)力，節(jié)約成本等優(yōu)勢。但為更好吸收太陽光，光伏板安裝時(shí)采用傾斜安裝的方式，故采用無人機(jī)進(jìn)行航拍生成的圖像中光伏板也是傾斜的，為便于之后對(duì)圖像的處理，文中采用透視變換法對(duì)光伏電池板圖像進(jìn)行傾斜校正。透射變換是指利用透射中心、像點(diǎn)、目標(biāo)點(diǎn)三點(diǎn)共線，根據(jù)透視旋轉(zhuǎn)定律使透視面繞透視軸旋轉(zhuǎn)某一角度，破壞原有的投影光線束，仍能保持透視面上的投影幾何圖形不變的變換[5]。即將圖像投影到一個(gè)新的視平面的變換。

透視變換的通用變換公式為：

透視變換的方程組有8個(gè)未知數(shù)，所以求解就需要找到4組映射點(diǎn)，即基于四個(gè)固定頂點(diǎn)的變換。根據(jù)透視變換對(duì)應(yīng)的四對(duì)像素點(diǎn)坐標(biāo)，即可求得透視變換矩陣，根據(jù)得到的透視變換矩陣，即可對(duì)圖像或像素點(diǎn)坐標(biāo)完成透視變換[6]。

假設(shè)把原傾斜圖像中選定的四點(diǎn)坐標(biāo)標(biāo)記為（x1，y1）（x2，y2）（x3，y3）（x4，y4），對(duì)應(yīng)的矯正后坐標(biāo)標(biāo)記為（u1，v1）（u2，v2）（u3，v3）（u4，v4），則根據(jù)式（2）得到透視變換的變換矩陣：

根據(jù)式（3）得到透視參數(shù)，用解出的透視參數(shù)對(duì)原圖像進(jìn)行透視變換，得到矯正圖。

應(yīng)用透視變換法對(duì)光伏板紅外圖像進(jìn)行傾斜校正的前后對(duì)比圖像，如圖1所示。按照左上、右上、左下、右下的順序選用圖1（a）中的四個(gè)標(biāo)紅頂點(diǎn)作為變換固定點(diǎn)，對(duì)圖像進(jìn)行傾斜校正和灰度化處理。從圖1（b）可以看出校正后圖像的效果，該電池板由平行四邊形變?yōu)榫匦巍Ｈ襞臄z時(shí)保證無人機(jī)在光伏板上方同一位置，則可通過此算法進(jìn)行大批量圖像處理。

圖1 無人機(jī)航拍的光伏組件紅外圖像Fig.1 Infrared Image of Photovoltaic Module Taken by UAV

3 光伏板紅外圖像分割處理

3.1 單片光伏板截取

根據(jù)文獻(xiàn)[7]可知，不同工作狀態(tài)下的太陽電池的表面溫度是不同的，而紅外圖像可根據(jù)不同的溫度顯示不同的顏色，因此使用無人機(jī)對(duì)光伏電站進(jìn)行巡檢，可通過地面顯示裝置的紅外圖像直接看出熱斑、裂紋等故障的存在，但不能確定該故障光伏板的發(fā)電量。為研究故障大小對(duì)發(fā)電量的影響，需對(duì)圖像中的故障區(qū)域進(jìn)行提取并量化。光伏板由電池片、封裝膠膜、鋼化玻璃、背板和鋁合金邊框封裝組成，電池片是光伏板的工作部分，鋁合金邊框起封裝保護(hù)作用，航拍所得圖像中顯示的光伏板是以串聯(lián)或并聯(lián)方式連接而的，根據(jù)光伏板的組成結(jié)構(gòu)（如圖2所示）可知，邊框等不發(fā)電部位會(huì)對(duì)故障區(qū)域的圖像處理進(jìn)行干擾，因此為防止邊框等外部因素影響，簡化圖像處理程序，需先對(duì)圖像中的單片光伏板進(jìn)行截取。截取結(jié)果，如圖3（a）所示。

圖2 光伏組件結(jié)構(gòu)圖Fig.2 Structure of Photovoltaic Module

圖3 圖像形態(tài)學(xué)處理過程Fig.3 Image Morphology Processing Process

3.2 形態(tài)學(xué)處理

形態(tài)學(xué)圖像處理以幾何學(xué)為基礎(chǔ)，主要研究圖像的幾何結(jié)構(gòu)。而研究圖像幾何結(jié)構(gòu)的基本思想是利用一個(gè)結(jié)構(gòu)元素去探測圖像，看這個(gè)結(jié)構(gòu)元素能否很好的填充到圖像內(nèi)部[8]。開運(yùn)算是形態(tài)學(xué)操作的一種方式，一般用于平滑物體的輪廓、斷開較窄的狹頸并消除細(xì)的突出物。結(jié)構(gòu)元b對(duì)圖像f的開運(yùn)算定義為：

即開運(yùn)算是先通過結(jié)構(gòu)元b對(duì)圖像f做腐蝕運(yùn)算，隨后用結(jié)構(gòu)元b對(duì)結(jié)果做膨脹運(yùn)算。開運(yùn)算常常用于去除那些相對(duì)于結(jié)構(gòu)元素b而言較小的高灰度區(qū)域。因此，結(jié)構(gòu)元素b的形狀、大小的選取影響圖像處理的結(jié)果。經(jīng)調(diào)試，選用半徑為12的圓盤結(jié)構(gòu)作為結(jié)構(gòu)元素。

將開運(yùn)算與圖像相減相結(jié)合，會(huì)產(chǎn)生所謂的頂帽變換。即頂帽變換定義為灰度圖像f減去其開運(yùn)算。

頂帽變換是解決非均勻光照問題的一種常用方法，具有去除較小的明亮細(xì)節(jié)，保持整體灰度級(jí)和較大的明亮特征相對(duì)不變的優(yōu)勢。光伏板表面有時(shí)會(huì)有電線、樹葉等遮蔽物，會(huì)產(chǎn)生陰影造成光伏板表面光照不均勻。因此，可用頂帽變換進(jìn)行圖像預(yù)處理。截取的單片光伏板圖像f，如圖3（a）所示。f經(jīng)過頂帽變換后的圖像，如圖3（b）所示。圖像f的三維可視化效果，如圖3（c）所示。圖中的“山峰”對(duì)應(yīng)圖像f中的裂紋部分。可以觀察到“峰”位于“斜坡”上，即圖像的“地基”并不處于同一高度，這是由于圖像中背景不均勻造成的。選取半徑為12的圓盤結(jié)構(gòu)元素與圖像f進(jìn)行開運(yùn)算得到如圖3（d）所示的三維可視化效果。從原圖像f中減去這個(gè)不均勻的背景（如圖3（d）所示）得到的三維可視化效果如圖3（e）所示，可以看出圖像的“山峰”高度范圍由原來的（0～180）變?yōu)椋?～70），明顯降低，即頂帽變換可有效解決背景不均勻問題[9]。

3.3 改進(jìn)Otsu算法

3.3.1 Otsu算法原理

令{0，1，2，…，L-1}表示一幅大小為M×N像素的數(shù)字圖像中的L個(gè)不同的灰度級(jí)，灰度為i的像素?cái)?shù)為ni，圖像中的像素總數(shù)MN為[10]：

假設(shè)選擇一個(gè)閾值T（k）=k，0＜k＜L-1，并根據(jù)閾值k把輸入圖像像素處理為兩類A1和A2，其中，A1由灰度值在范圍[0，k]內(nèi)的所有像素組成，A2由灰度值在范圍[k+1，L-1]內(nèi)的所有像素組成。則區(qū)域A1和A2的概率分別為：

從上式可以看出，兩個(gè)均值m1和m2彼此隔得越遠(yuǎn)，類間方差越大，使類間方差最大的k值便是最佳區(qū)域分割閾值。

為了評(píng)價(jià)級(jí)別k處的閾值的“質(zhì)量”，我們使用歸一化的無量綱矩陣：

僅由單一且恒定灰度級(jí)的圖像就能得到下界，且僅由灰度等于0和L-1的二值圖像就能得到上界[10]。

3.3.2 改進(jìn)Otsu算法

Otsu算法是一種自動(dòng)選擇閾值的方法，不需要人為設(shè)定其它參數(shù)，而且能得到比較好的割據(jù)效果。Otsu算法原理是利用最佳閾值將圖像的灰度值分割成背景和目標(biāo)兩個(gè)部分，使背景和目標(biāo)之間的方差最大[12]。背景和目標(biāo)之間的方差越大，就說明構(gòu)成圖像的兩部分之間的差別越大[13]。截取圖像進(jìn)行頂帽變換后運(yùn)用Otsu算法的處理效果圖，如圖4（a）所示。在頂帽變換的基礎(chǔ)上，對(duì)其灰度值進(jìn)行拉伸，再利用Otsu算法選取圖像閾值得到的圖像，如圖4（b）所示。觀察圖像可以看出對(duì)圖像進(jìn)行灰度拉伸后得到的分割效果不會(huì)造成圖像的過度分割，效果更好。

圖4 圖像變換效果的對(duì)比圖Fig.4 Comparison of Image Transformation Effect

3.4 連通區(qū)域標(biāo)記

利用改進(jìn)Otsu算法將裂紋、熱斑等故障區(qū)域提取出來后，對(duì)提取區(qū)域進(jìn)行標(biāo)記，如圖5所示。并利用MATLAB編程直接計(jì)算該標(biāo)記區(qū)域的面積。用標(biāo)記區(qū)域面積度量該塊光伏板的故障程度，便于后續(xù)其與發(fā)電量關(guān)系的分析。

圖5 區(qū)域劃分效果圖Fig.5 Effect Picture of Regional Division

3.5 圖像處理算法流程

首先利用無人機(jī)對(duì)光伏組件進(jìn)行航拍，獲取光伏組件的紅外圖像。圖像的處理算法，如圖6所示。

圖6 圖像處理算法流程Fig.6 Image Processing Algorithm Flow

將紅外圖像進(jìn)行灰度變換和傾斜校正后，截取出圖像中的單片光伏板，進(jìn)行形態(tài)學(xué)預(yù)處理。在利用改進(jìn)Otsu算法時(shí)，計(jì)算輸入圖像的歸一化直方圖，計(jì)算累計(jì)和、累計(jì)均值、全局灰度均值和類間方差，得到的使類間方差最大的閾值即為最佳分割閾值。當(dāng)使類間方差最大的閾值不唯一時(shí)，用相應(yīng)檢測到的各個(gè)閾值進(jìn)行平均，得到的值確定為最佳閾值。經(jīng)上述步驟，圖像已分割完成，對(duì)分割出的裂紋區(qū)域進(jìn)行標(biāo)記，最后計(jì)算標(biāo)記區(qū)域的面積，即圖像的分割量化過程。

4 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本算法對(duì)光伏組件紅外圖像故障區(qū)域檢測的有效性，需對(duì)光伏實(shí)驗(yàn)平臺(tái)的電池板進(jìn)行航拍，得到紅外圖像與可見光圖像，對(duì)比分析兩種圖像，篩選分類其中的無故障光伏板、熱斑光伏板和裂紋光伏板，對(duì)其進(jìn)行傾斜校正和單片光伏板截取的處理，并用K均值聚類算法和本文采用的改進(jìn)Otsu算法分別對(duì)篩選的三類光伏板圖像進(jìn)行處理，每一類別各挑選出一張，分別標(biāo)號(hào)為圖①、圖②、圖③，將處理結(jié)果圖與原圖對(duì)比，其中圖①為無故障光伏板，圖②為產(chǎn)生熱斑的光伏板，圖③為產(chǎn)生裂紋的光伏板，實(shí)驗(yàn)結(jié)果，如圖7所示。

圖7 不同算法的處理對(duì)比圖Fig.7 Processing Comparison of Different Algorithms

校正截取后的圖①，如圖7（a）所示。用K均值聚類算法分割得到的圖①，如圖7（b）所示。這里改進(jìn)Otsu算法分割得到的圖①，如圖7（c）所示。校正截取后的圖②，如圖7（d）所示。用K均值聚類算法分割得到的圖②，如圖7（e）所示。這里改進(jìn)Otsu算法分割得到的圖②，如圖7（f）所示。用K均值聚類算法分割得到的圖③，如圖7（g）所示。這里改進(jìn)Otsu算法分割得到的圖③，如圖7（h）所示。分別計(jì)算經(jīng)過處理的三幅圖像的面積和程序運(yùn)行時(shí)間，生成數(shù)據(jù)，如表1所示。

表1 K均值聚類算法的參數(shù)Tab.1 Parameters of K-Means Clustering Algorithm

由于光照強(qiáng)度、環(huán)境溫度等外部環(huán)境的影響，采用熱成像相機(jī)對(duì)光伏組件進(jìn)行拍攝得到的圖像會(huì)產(chǎn)生明顯的光照不均，對(duì)圖像閾值的選取會(huì)產(chǎn)生一定的影響，最終影響圖像的分割效果。拍攝得到的圖像也會(huì)受到噪聲等因素的影響，對(duì)圖像的分割效果會(huì)產(chǎn)生一定的影響，造成處理誤差，圖7（c）為無故障光伏板，但表2中圖像的處理結(jié)果卻產(chǎn)生了故障面積，造成誤差影響。因此，如何進(jìn)一步完善此算法是進(jìn)一步的工作。

表2 改進(jìn)Otsu算法的參數(shù)Tab.2 Parameters of Improved Otsu Algorithm

實(shí)驗(yàn)結(jié)果表明，用K均值聚類算法和這里的改進(jìn)Otsu算法對(duì)圖像處理得到的裂紋、熱斑的面積是不同的。將用兩種方法處理的圖像分別與其截取原圖對(duì)比，觀察可得采用改進(jìn)Otsu算法對(duì)正常工作的電池板的處理和故障光伏板的處理都與原圖基本重合，如上圖所示。觀察表1和表2可得，對(duì)截取后的圖片運(yùn)用改進(jìn)Otsu算法運(yùn)行的時(shí)間比K均值聚類算法運(yùn)行的時(shí)間少。相比之下文中給出的改進(jìn)算法在提取光伏組件紅外圖像故障區(qū)域時(shí)有較好的優(yōu)勢，算法處理后得到的故障面積，如表2所示。

5 結(jié)語

為方便預(yù)測光伏板故障區(qū)域面積與發(fā)電量的關(guān)系，保障電站發(fā)電量，這里研究了光伏組件紅外圖像中裂紋、熱斑等故障區(qū)域的分割、提取、量化方法。利用無人機(jī)拍攝紅外圖像并經(jīng)過圖像傾斜校正，單片光伏板截取，圖像形態(tài)學(xué)處理和改進(jìn)Otsu算法等步驟完成對(duì)單片光伏板故障區(qū)域面積的計(jì)算。經(jīng)實(shí)驗(yàn)驗(yàn)證，利用透射變換與改進(jìn)Otsu算法相結(jié)合的方法可以有效的對(duì)無人機(jī)拍攝的圖像進(jìn)行處理并對(duì)裂紋等故障區(qū)域進(jìn)行分割和計(jì)算。

未來工作需要進(jìn)一步將此算法用于處理不同故障類型的光伏紅外圖像；其次，由于裂紋等故障的大小會(huì)影響光伏組件的發(fā)電量，因此后續(xù)工作會(huì)研究光伏組件發(fā)電量與故障區(qū)域大小的關(guān)系，實(shí)現(xiàn)基于無人機(jī)的自動(dòng)化故障檢測。