%8e红外图像的太阳能光伏阵列故障分析

分析太阳能光伏阵列红外图像中各区域的特 征，组件中部分太阳电池的老化损坏多数呈长方形 （有些组件呈正六边形或它们的组合），整块组件损 坏为长方形，组件问隙区域警细长形，且具有较规则 的空间分布，运用形状分析能够较好地解决这一问 题。本文设置长宽比参量作为剔除间隙的依据。区
万方数据
２期
王培珍等：基于红外图像的太阳能光伏阵列故障分析
关键词：光伏阵列；红外图像；模糊推理；故障分析
中图分类号：ＴＭ９１４
文献标识码：Ａ
Ｏ引 言
光伏系统运行若干年后，由于组件封装工艺等 原因，系统中的光伏组件局部区域会因为气孔的渗 入或扩散而老化，致使组件中的部分电池损坏，影响 系统输出。因此，有必要对光伏发电系统中光伏组 件的故障进行实时有效地在线分析与诊断。
聚类的基本思想是采用模糊Ｃ均值算法，即依 据最小二乘的原理，通过使均方差目标函数式（２）局 部最小来聚类象素：
．，（ｕ，ｙ）。＝∑∑（ｐ珠）“（也）２ （２）
式中，ｘ——象素的集合，Ｘ＝｛ｘ。，算：，…，‰｝；ｃ—— 类数；ｍ——加权系数，ｍ∈［１，∞］；卢语——第ｋ个 样本相对于第ｉ个聚类中心的隶属度；以——样本
定的矩形，可用矩形拟合因子Ｒ来表征：
Ｒ＝Ａ。／ＡＲ
（６）
其中，Ａ。——物体的பைடு நூலகம்积；Ａ。——其最ｔＪ，Ｊ，Ｉ，接矩形
的面积。尺反映了一个物体对其最／ｌ，Ｊ，Ｉ－接巨型的充
满程度。对于矩形物体尺取得最大值１．０，对于纤
细、弯曲的物体Ｒ取值变小。此外长宽比（式（３））
也可作为判别组件的一个参量。
２．３状态的模糊识别
域的长宽比Ａ定义为： Ａ＝Ｗ／Ｌ
，
（３）
它等于特征区域最小外接矩形的宽与长的比值。这
个特征可以把较纤细的物体与长方形物体或圆形物
体区分开来。
２．２特征量的提取
红外图像中，太阳电池的工作状况主要反映在
象素点灰度（电池表面温度）的变化，温差特性是分
析阵列中电池工作状况的主要特征。本文设计的特
征量主要有：
定义：光伏阵列伞局区域温差ＡＴ，环境温度ｒ， 风速矽，太阳照度Ｌ和太阳电池板工作状态Ｕ的模 糊集分别为：｛ＰＢ，ＰＭ，Ｎ，ＮＭ，ＮＢｆ，｛Ｈ，Ｎ，Ｌ｝，｛Ｂ，Ｓ， Ｎ｝，｛Ｈ，Ｎ，Ｌ｝和｛Ｓ，Ｎ，Ｄ｝；它们的基本论域均为： ｛一６，一５，一４，一３，一２，一ｌ，０，１，２，３，４，５，６｝
全局温差ＡＴ、环境温度ｒ、风速形、太阳照度Ｌ 和太阳电池板工作状态ｕ的实际论域与基本论域 间的关系分别为：
中ｌｌ数噩据一点Ｋ｜丑ｌ；相Ｕ对—于—第样ｉ本个聚 集类 ｘ的中模心糊的ｃ距 一离划，分ｄ；醯卜＝
Ｃ个聚类中心（作矢量处理）组成的结合。
２状态识别
２．１基于形状特征的组件间隙剔除 光伏组件在安装过程中，组件间留有一定的缝
隙。光伏组件工作时温度高于环境温度，对应的光 伏阵列红外图像中缝隙部分灰度值（温度）明硅小于 电池组件区域，且与遮挡情况相近，这部分区域若不 去除，将给后续的识别工作带来很大难度。
（１０）
其中，如本——太阳照度Ｌ基本论域中的值； ｓ实际——太阳照度Ｌ实际论域中的值，范围是［２００
～１２００Ｌｕｘ］。
Ｑ基奉＝（ＪＰ实际一０）×寻＝６Ｐ实际 （１１）
其中，Ｑ基本——太阳电池板工作状态ｕ基本论域中 的值；尸实际——太阳电池板工作状态（，实际论域中 的值，太阳电池板工作状态ｕ的实际论域为［一１～ １］。 ２．３．２模糊隶属函数
万方数据
太阳
能学报
３ｌ卷
大，采用较小的窗口或中值滤波效果不理想，而窗口 太大会使得红外图像中原本比较模糊的边缘更加模 糊。经过比较，本文采用５×５的Ｇａｕｓｓｉａｎ滤波器对 其滤波。 １．２图像分割
由于实际红外图像中脉冲干扰和噪声与邻域厌 度差较大，图像的二维灰度直方图，即象素的灰度值 分布及其邻域的平均灰度值分布所构成的直方图， 同时利用了灰度及邻域平均灰度的信息，有利于消 除囚噪声等囚素产牛的误分割。同时由于噪声和于 扰的存在，红外图像中包含了许多不确定的信息，难 以用统计信息进行描述，模糊理论能较好地处理这 些不确定的信息。本文在二维灰度直方图的基础 上，运用模糊聚类方法对光伏阵列红外图像进行分 割，以提取不同工作状况所对应的目标信息。 １．２．１二维阈值化
（０
～
图ｌ二维灰度直方图 Ｈｇ．１ Ｔｗｏ－ｄｉｍｅｍｉｏｎａｌ ｈｉｓｔｏｇｒａｍ
的分界邻域，象素的灰度值与邻域平均灰度值差异 较大；因此方块０和ｌ包含了Ｈ标类和背景类的分 布；远离对角线的方块２和３，对应边缘和噪声【７Ｊ。 １．２．２模糊聚类
由于红外图像中存在大量噪声，落在图１中区 域２和Ⅸ域３的点会比可见光图像中多得多，这势 必会造成大量的误分割。为此，本方案采用模糊聚 类的方法对其进行进一步的划分。
瓷“、 “。
Ｎ｝和｛Ｓ，Ｎ，Ｄ｝的隶属度函数分别与表达式（１７）、 （１８）、（１９）类似。
小班长晋：＝≯４ （１４） ２．３．３模糊判决规则与模糊诊断表 模糊决策采用ＩＦ—ＥＬＳＥ规则。诊断表如表１、表
２所示。
茗
２．６
１
－一晋 产蹦（石）＝
０．４≤ｚ＜一０．４
一Ｏ·４≤戈＜Ｏ·４ ０．４≤石＜３
（１５）
第３１卷第２期 ２０１０年２月
太阳能学报
Ａ（■＇Ａ ＥＮＥＲＧＩＡＥ ＳＯＩＡＲＩｓ ＳＩｎⅡＣＡ
Ｖ０１．３１，Ｎｏ．２ Ｆｅｂ．，２０１０
基于红外图像的太阳能光伏阵列故障分析
王培珍，郑诗程
（安徽工业大学电气信息学院，－ｑ鞍山２４３００２）
摘要：依据处于不同工作状态下太阳电池间存在明显温差这一特性，提出了基于红外图像分析的太阳能光伏阵
１红外图像处理
１．１红外图像的获取与预处理 根据理论分析，理想条件下当光伏电池的转换
效率为８％～１３％，正常工作电池的温度为３０℃ （３０３Ｋ），处于正常工作状态与已损坏的太阳电池问 温差为６．５～１１．１℃【１］。实际测得温差由于受风力、 散热条件等因素影响，略小于理论值，但仍在可分辨 范围之内…。本文选用非制冷热成像探测仪 ＧＩＹ２０００来获取红外图像，光谱响应的波长为８～ １４ｐｒｏ，测温范围为一４０～５００℃，测温精度为±３％， 温度分辨率达０．１５℃（在３０℃时），空间分辨率为 １．５ｍｍｄ。
ｙ基本＝［（Ａ ｈｉ＋△ｈｇ）／２—０］×最口＝ｏ．２ａ（Ａ ｈｉ＋△以）
（７） 其中，ｙ摹本——代表这些区域平均温差在基本论域 中的值；△鬼——检测到的区域与整体区域灰度平 均值之差；Ａ＾ｉ——相邻区域平均灰度差；口——热 像仪温度分辨率，实际温差范围在一１５一１５℃之间。
魄本＝（魄际一１０）×茹＝０．１２魄际一１．２（８）
３典型实例及分析结果
ｌ等 ｌ ２·
”每“、 。’
０
其它
ｆｅｘｐ（一０．５（ｚ一４．５）２）
Ｏ≤ｘ＜４．５
—３≤髫＜一ｏ．４６ 一６≤龙＜一３．４１６
刖小｛１。等以－３．４６…≤ｘ＜。－２石 （１３）
／ｚＨ（菇）＝１ １
００
４．５≤并＜６
其它 （１９）
【０
其它
风力和工作状态（输出）的３个模糊子集｛Ｂ，Ｓ，
ｆ百ｘ＋３
Ｉ ２．
域间平均温差直接反映局部变化。定义：
Ａ ｈ口＝ｈｉ一△吩
（５）
３）区域面积Ｓ
在判别光伏阵列中区域的工作状况时，区域面
积的大小具有一定的参考价值。通常在剔除了组件
间隙后，面积最大的区域为正常工作状况的区域。
４）形状因子
当电池组件处于短路或开路时其表面温度也有
所变化。通常的太阳电池组件其形状皆为长宽比一
其中，魄奉——环境温度ｒ基本论域中的值，环境温 度ｒ的实际论域定为［一４０～６０。Ｃ］；Ｕ实际——环境 温度实际论域中的值。
‘
Ⅳ基本＝（肘实际一４）×詈＝１．５Ｍ实际一６ （９）
其中，Ⅳ摹本——风速形基本论域中的值；Ｍ实际—— 风速实际论域中的值，范围为［０～８级］。
‘
ｒ摹本＝（ｓ实际一７００）×蒜２０·００８５７Ｓ实际一６
列工作状态自动分析与识别的方案。该方案首先对光伏阵列的红外图像进行预处理与分析，提取可能的故障区域
及区域的特征信息，综合考虑环境温度、照度、风力等环境因素的影响，采用信息融合与模糊推理的方法，实现ｒ对
光伏阵列中太阳电池工作状态的自动识别。研究结果表明，该方案能够准确地对运行于光伏系统中组件的正常、
遮挡、老化损坏状态进行识别。
万方数据
太 阳 能 学报
３ｌ卷
光伏阵列区域温差被划分为５个模糊子集｛ＰＢ， ＰＭ，Ｎ，ＮＭ，ＮＢ｝，其隶属函数分别表示为：
省百丁
一 一５５≤ ≤菇菇＜＜一一８０．８
１
一０·８≤菇＜０·８
１一等ｏ．８≤ｚ＜５．ｏ一（１８） ．．
ｐ船ｃ戈，＝。尹１ ｃ一。．２８９ｃ石＋５，２，主－辜６于８＜菇ｘ＜＜。－５ ｃ·２，ＰＮ（石）＝
设图像包含Ｎ×Ｎ个象点，Ｇ＝｛０，ｌ，…，￡一．１｝
为灰度取值范围。定义映射．厂：Ｎ×Ⅳ＿一Ｇ，则位于坐 标（筇，，，）象素的灰度值为厂（菇，Ｙ），其ｎ Ｘ乃邻域平 均灰度值为：
号考
，
ｇ（菇，，，）＝未∑∑八茗＋ｉ，Ｙ＋＿『） （１）
“ｂ一号』；一号 其中ｎ≤Ｎ，ｎ一般取奇数，［ｎ／２］取整。
以灰度、邻域平均灰度数据对［ｆ（菇，Ｙ），ｇ（石， Ｙ）］来表示图像的二维灰度直方图，并以二维矢量 （Ｓ，丁）分割图像（Ｏ≤Ｓ，丁≤Ｌ—１），直方图被分成４ 块，如图１所示。根据同态性：在目标和背景处，象 素的灰度值和邻域平均灰度值接近，在目标和背景
１）目标区域与整体区域灰度平均值之差Ａ ｈｉ
设Ａ ｈｉ表示整幅图像的平均灰度，Ａ ｈ。为检测
出的第个有效区域的平均灰度，各有效区域厌度的
平均值与整幅图像灰度平均值之差Ａ ｈｉ定义为：
Ａ ｈＩ＿ｈｉ—Ａ ｈ