徐小奇 劉海波

(揚(yáng)州大學(xué)電氣與能源動力工程學(xué)院,江蘇 揚(yáng)州225000)

熱斑故障給光伏發(fā)電產(chǎn)業(yè)帶來了巨大的危害,傳統(tǒng)的熱斑故障診斷是基于光伏組件的DC參數(shù)來觀察光伏組件固有特性的變化,從而判斷熱斑。這一過程耗時長,其可靠性受到設(shè)定閾值的影響,且不利于自動化控制的實(shí)現(xiàn),不適合應(yīng)用到大規(guī)模的光伏發(fā)電系統(tǒng)中。

本文所提出的基于神經(jīng)網(wǎng)絡(luò)的光伏組件紅外熱圖熱斑識別方案,能夠運(yùn)用于大規(guī)模的光伏發(fā)電系統(tǒng)中,有利于實(shí)現(xiàn)自動化控制。

1 光伏陣列特性

1.1 光伏陣列的輸出特性

光伏電池的理想模型可以由一個直流電源DC與一個二極管并聯(lián)構(gòu)成,其輸出電流與光伏電池表面積、太陽輻射強(qiáng)度等因素有直接關(guān)系。在實(shí)際的器件中,由于諸多因素的影響,光伏電池的理想模型與實(shí)際的伏安特性有很大的差異。因此,為了修正以上誤差,在實(shí)際光伏模型中,通常先并聯(lián)一個大電阻,然后再串聯(lián)一個小電阻,以此來抵消實(shí)際器件中的各種因素的影響。

光伏電池等效電路的伏安特性方程為[1]:

1.2 光伏陣列熱斑故障理論分析

當(dāng)光伏組件中某塊電池被遮擋或損壞時,故障電池的光生電流小于所在串聯(lián)回路中其他電池的電流,故障電池處于反向偏置狀態(tài),以熱能形式消耗組件中正常電池產(chǎn)生的電能。從而導(dǎo)致故障電池的局部溫度高于周圍正常工作的電池。[2]

當(dāng)某塊電池被遮擋時,該電池電壓表現(xiàn)為小于0,當(dāng)其它電池正常工作在MPP點(diǎn)時,故障電池電壓為V',則故障電池會消耗電能功率V'*lMP。出現(xiàn)熱斑故障時,圖1的等效電路中的Iph為0。

圖1 單體光伏電池等效電路

1.3 光伏陣列的紅外熱圖特性

由已有研究可知[3],光伏陣列溫度受到光照強(qiáng)度L、環(huán)境溫度Ta、內(nèi)阻產(chǎn)生的溫升Ti有關(guān),其滿足如下關(guān)系:

式中T0為L=0,Ta=0,Ti=0時,光伏陣列的溫度；a1,a2為相應(yīng)的修正系數(shù)。

由上式可知,當(dāng)光伏電池局部受到遮擋時,該部分所受光照強(qiáng)度L降低,在修正系數(shù)a2為正的前提下,根據(jù)公式描述,該處溫度應(yīng)有所降低。然而事實(shí)上,被遮擋部分的光電池產(chǎn)生的光生電流小于正常工作電池產(chǎn)生的光生電流,故障電池處在反向偏置狀態(tài),將不斷消耗正常電池產(chǎn)生的能量,并轉(zhuǎn)化為熱能,即體現(xiàn)在上述公式的內(nèi)阻溫升Ti迅速上升,則故障電池部分溫度迅速上升,形成熱斑故障。

在正常工作情況下,光伏陣列中各電池片溫度分布均勻,向外輻射的電磁波譜相似,在紅外成像設(shè)備上將呈現(xiàn)出相似的色彩特征。由于熱斑故障區(qū)域溫度明顯高于正常區(qū)域,在紅外圖像上,熱斑故障區(qū)域也會呈現(xiàn)出明顯的不同。從而我們能夠通過光伏電池的紅外圖像發(fā)現(xiàn)熱板故障區(qū)域。

下面給出含有熱斑的伏陣列紅外圖像,如圖2所示。

圖2 含有熱斑的光伏陣列紅外圖像

2 光伏陣列紅外熱圖的預(yù)處理

2.1 紅外成像原理

自然界中任何高于絕對零度的物體都會不斷向外發(fā)射紅外輻射。而由于物體本身型狀的不同和各部位溫度的差異,使得在同一位置接收到的該物體各部位紅外輻射功率不同。紅外成像儀利用這一不同形成紅外圖像。

根據(jù)基爾霍夫定律,在相同的溫度和波長上,物體的輻射和吸收本領(lǐng)的比值僅由物體的自身性質(zhì)決定。這一比值是只和溫度與波長相關(guān)的函數(shù),且等于絕對黑體在同一溫度、波長下的輻射本領(lǐng)[4],即:

而斯忒藩-玻爾茲曼定律提出了黑體的總輻射本領(lǐng)Mb與其熱力學(xué)溫度T的關(guān)系:

其中,σ為玻爾茲曼常數(shù)。

由上述定律可知,對于呈現(xiàn)平面的光伏電池,其各部分性質(zhì)相同。當(dāng)某一區(qū)域出現(xiàn)熱斑故障溫度升高時,該區(qū)域會發(fā)射出更強(qiáng)的紅外輻射,從而在熱像儀圖像上會表現(xiàn)出“亮斑”。

2.2 紅外圖像的特點(diǎn)[5]

2.2.1 對人眼而言,分辨率低,分辨潛力差。

2.2.2 空間相關(guān)性強(qiáng),對比度低,視覺效果模糊。

2.2.3 紅外圖像清晰度低于可見光圖像。

2.2.4 紅外圖像噪聲復(fù)雜,信噪比低。

2.2.5 紅外圖像具有非均勻性,體現(xiàn)為圖像的固定圖案噪聲、串?dāng)_、畸變等。

光伏陣列紅外圖像不僅具有信噪比低、對比度低等普通紅外圖像的特點(diǎn),并且其上的熱斑形狀、大小各異。如圖3所示,不同區(qū)域溫差不大,圖像對比度低,幾乎難以看見,因此很有必要進(jìn)行圖像預(yù)處理,增強(qiáng)圖像上熱斑與背景的對比度,從而突出熱斑的特征。

圖3 光伏電池紅外熱圖(含熱斑故障)

2.3 紅外圖像增強(qiáng)

圖像增強(qiáng)是指強(qiáng)調(diào)突出圖像的某些特征,以便做進(jìn)一步的的分析和處理。在圖像增強(qiáng)的過程中,應(yīng)當(dāng)作到不引入額外的其他信息,僅僅突出我們感興趣的特征[6]。

由于光伏陣列紅外圖像是RGB模式的圖像,為了突出我們需要的特征,需將其轉(zhuǎn)換為灰度圖像。RGB圖像轉(zhuǎn)灰度圖像有多種方法,例如:(1)采用三通道的均值作為灰度值。(2)采用單通道值作為灰度值。(3)采用灰度轉(zhuǎn)換公式:

Gray=0.29900 *R+0.58700 *G+0.11400 *B

為了對比上述多種方式的實(shí)際效果,使用MATLAB對三種方案同時進(jìn)行實(shí)驗(yàn),并進(jìn)行對比。針對方案(2),我們采用綠色通道值作為灰度值。

上述的圖3所示的光伏電池紅外圖像中包含了熱斑故障區(qū)域,但是幾乎難以分辨,我們首先針對該圖像進(jìn)行了試驗(yàn)。結(jié)果如圖4所示。

圖4 三種圖像灰度化方案結(jié)果

圖中,“input”代表輸入圖像；“gray by rgb2gray”表示采用灰度轉(zhuǎn)換公式后的輸出結(jié)果；“gray by Green”表示采用綠色通道值作為灰度值后的結(jié)果；“gray by mean”表示采用三通道均值作為灰度值后的結(jié)果?？梢钥闯?采用綠色通道作為灰度值的灰度圖像中熱斑故障最為明顯。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的狀態(tài)識別

3.1 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)啟發(fā)于貓視覺皮層的結(jié)構(gòu)模型,是一類能夠很好地處理二維數(shù)據(jù)的多層神經(jīng)網(wǎng)絡(luò)[7]。由于該網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對圖像局部信息的捕捉以及具有位移、拉伸和旋轉(zhuǎn)不變性的特點(diǎn),因而被廣泛用于圖像識別領(lǐng)域,例如人臉識別、手寫數(shù)字識別、車牌識別。

3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的光伏陣列紅外熱圖識別

由上文對紅外圖像特點(diǎn)的分析可以知道,光伏陣列紅外熱圖中的熱斑故障區(qū)域往往表現(xiàn)地與正常區(qū)域差別很小,熱斑區(qū)域的大小型狀、位置難以被識別發(fā)現(xiàn)。而卷積神經(jīng)網(wǎng)絡(luò)具有局部性和層次性等深度網(wǎng)絡(luò)具有的特點(diǎn),能夠更好地捕捉輸入數(shù)據(jù)內(nèi)在的顯著特征,優(yōu)化網(wǎng)絡(luò)的學(xué)習(xí)效果,從而在光伏陣列紅外熱圖中能夠更好地識別熱斑故障。

相比其它神經(jīng)網(wǎng)絡(luò)模型,卷積神經(jīng)網(wǎng)絡(luò)具有特征抽取層與降維層。卷積層實(shí)現(xiàn)了局部感受野功能,降維層通過降采樣操作實(shí)現(xiàn)最大池采樣。在卷積神經(jīng)網(wǎng)絡(luò)中,層與層神經(jīng)元節(jié)點(diǎn)的連接采用局部連接方式,從而大大降低了各層神經(jīng)網(wǎng)絡(luò)的權(quán)值規(guī)模,網(wǎng)絡(luò)能夠?qū)崿F(xiàn)更加快速高效的訓(xùn)練。因而該模型能夠很好的用于大型光伏陣列紅外圖像的識別。

為了建立準(zhǔn)確的輸入到理想輸出的映射,可以采用有監(jiān)督學(xué)習(xí)方法中的誤差反向傳遞算法。從而,網(wǎng)絡(luò)的學(xué)習(xí)過程可以理解為信號的正向傳播和誤差的反向傳播兩個過程組成。通過誤差的反向傳播,能夠不斷修正各單元的權(quán)重,直至誤差減小到可接受的程度。

針對上文中所展示的紅外熱圖預(yù)處理后的圖像,定義不同狀態(tài)為0～3,如圖5所示。

圖5 狀態(tài)編碼

卷積神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練,能夠準(zhǔn)確識別圖像各位置所處的狀態(tài),并將其轉(zhuǎn)換為狀態(tài)矩陣,圖6給出了狀態(tài)識別示意圖。

圖6 狀態(tài)識別示意圖

通過設(shè)定閾值,系統(tǒng)能夠根據(jù)狀態(tài)矩陣及時對熱斑故障的嚴(yán)重程度和所處位置進(jìn)行報(bào)警,從而與其他自動化設(shè)備聯(lián)動,或呼叫人工,及時對熱斑故障進(jìn)行處理。

4 結(jié)論

利用光伏組件熱斑故障會發(fā)熱的特性,可利用熱像儀對光伏陣列進(jìn)行監(jiān)控。針對紅外熱圖分辨率低、信噪比低的特點(diǎn),應(yīng)用紅外圖像增強(qiáng)技術(shù)提高其識別度,最后選用在圖像識別領(lǐng)域應(yīng)用廣泛的卷積神經(jīng)網(wǎng)絡(luò)對紅外熱圖進(jìn)行識別,并轉(zhuǎn)換為狀態(tài)矩陣,實(shí)現(xiàn)光伏陣列熱板故障的嚴(yán)重程度和具體位置的及時報(bào)警,可靠保證光伏陣列發(fā)電的安全。