馮宗海 蔡 廣 曾華鋒 馮春海
(華能海南清潔能源分公司,海南 海口 570311)
據統計,2015年中國光伏發(fā)電新增裝機容量為15.13 GW。到2019年,新增光伏裝機容量達30.1 GW。2021—2022年的需求有望分別達到160 GW、190 GW,恢復較快增長速率??紤]容配比因素,預計2020—2022年全球光伏組件需求有望達到134 GW、180 GW、210 GW[1]。
從行業(yè)發(fā)展來說,當前我國光伏產業(yè)發(fā)展正處于從追求規(guī)模與速度向重視效益與質量轉變的關鍵時期。光伏產業(yè)經過快速發(fā)展,成為我國可以參與國際競爭的新興產業(yè)。我國光伏產業(yè)正在從規(guī)模化向質量化發(fā)展。充分利用物聯網、云計算、大數據、智能硬件、移動寬帶互聯網等信息技術,推動光伏產業(yè)從自動化向智能化升級,加快實現智能制造和智能應用,已成為產業(yè)發(fā)展的必然趨勢[2]。光伏陣列排列狀況復雜,光伏電站外部環(huán)境多變,這些都使得光伏陣列故障檢測困難,光伏陣列紅外圖像分割效果難以令人滿意。傳統的故障檢測手段在大規(guī)模的光伏陣列中并不適用,因此發(fā)展智能光伏診斷既符合國家對光伏產業(yè)發(fā)展的要求,也順應了光伏診斷的發(fā)展趨勢,對于提升我國光伏產業(yè)的發(fā)展質量與效率,具有戰(zhàn)略性意義。
依據光伏陣列異常發(fā)熱進而影響光伏組件功率的特性,光伏陣列故障診斷一般分為兩大類:基于電氣特性的故障診斷方法和紅外測量的故障診斷方法。電氣測量法大都利用單一參數進行故障診斷,雖然在一定程度上通過數據挖掘解決了故障定位問題,但是依舊難以直接對光伏組件進行精確的故障定位。紅外測量方法可以通過紅外圖像對故障部位進行精確定位,但上述紅外測量圖像處理方法大都基于閾值分割或改進的閾值分割方法?;陂撝档姆指罘椒ㄖ荒茚槍μ囟ǖ募t外設備和特定工況下的圖像進行分割。Sobel算子是一種離散性差分算子,用來檢測圖像像素的差異,會使得紅外圖像的分割檢測更加智能與便捷,因此本文提出了一種基于Sobel算子的太陽能光伏組件紅外圖像的識別方法[3]。
光伏系統的故障診斷對光伏發(fā)電系統的高品質平穩(wěn)運行具有至關重要的作用。光伏陣列故障可概括為:組件內部電池片故障;二極管故障或旁路工作狀態(tài);組件存在表面污跡;組件被陰影遮擋;保險燒毀或斷路。這些故障都明顯體現在故障部位的溫度上,一般表現為故障部位異常發(fā)熱。由于光伏陣列的輸出特性具有明顯的非線性特征,局部異常發(fā)熱會迅速改變光伏組件的電壓電流狀態(tài),進而降低光伏組件的輸出功率,從而降低了光伏系統的發(fā)電效率。為保證光伏陣列安全運行,提升光伏陣列的發(fā)電效率,因此必須及時、準確地排除光伏陣列故障。
一般的太陽能光伏發(fā)電站都安裝了大規(guī)模的光伏發(fā)電陣列,如果陣列中的某一塊或者某幾塊光伏組件出現故障,依靠人為測量光伏組件的電氣特性發(fā)現并排除故障的難度非常大,費時又費力。一個光伏陣列由若干光伏組件構成,光伏陣列的電氣特性也是單塊光伏組件電氣特性的線性疊加,小規(guī)模的光伏組件電氣特性改變會被整個光伏陣列電氣特性數據給湮滅,因此難以從陣列數據中獲取光伏部件故障信息。通過紅外測量對光伏組件進行故障檢測是一種更加有效可行的方法。
2.2.1 高斯濾波原理
基于光伏電站現場環(huán)境因素以及紅外成像儀器固有特性,紅外熱圖普遍會存在圖像邊緣模糊、目標對比度差、非均勻成像及噪聲較大等缺點。相比于可見光圖,紅外熱圖噪聲顆粒更大,噪點分布更加不規(guī)律。高斯濾波是一種線性平滑濾波,用于消除高斯噪聲,對大顆粒的隨機噪聲有更好的濾波效果,被廣泛應用于圖像處理的減噪過程。
高斯濾波器是根據高斯函數的形狀來選擇權值的線性平滑濾波器。對于圖像來說,高斯濾波器是由二維高斯函數獲得的二維的卷積核。因此需要由一維高斯函數式(1)獲得二維高斯函數式(2)。高斯函數是一種正態(tài)分布的曲線,在圖形上,正態(tài)分布是一種鐘形曲線,越接近中心,取值越大,越遠離中心,取值越小。計算平均值的時候,本文使用一個N×N的高斯卷積核對目標圖像的每一個像素進行卷積,用高斯卷積核領域內像素的加權平均灰度值去代替高斯卷積核中心的像素點值。
則簡化后的梯度算子計算結果為:
2.2.3 大津自適應閾值分割法原理
日本學者大津(Nobuyuki Otsu)于1979年提出的最大類間方差法是一種自適應的閾值確定的方法,又叫大津法,簡稱OTSU。依據圖像灰度值的不同,OTSU將圖像分為背景和前景兩個部分,前景是需要按照要求分割出來的部分,背景是需要舍棄的部分。前景和背景的分界值就是需要求出來的閾值。遍歷不同的閾值,計算不同閾值下對應的背景和前景之間的類內方差,當類內方差取得極大值時,對應的閾值就是大津法(OTSU算法)所求的閾值。
由于光伏陣列紅外圖像普遍存在背景復雜,邊界模糊,噪聲較大,非均勻成像以及不同環(huán)境、不同紅外設備成像后閾值范圍差異很大等特性,傳統的分割方法難以廣泛適用且分割結果不夠準確。針對傳統分割方法的不足,本文提出了一種基于Sobel算子的OTSU分割方法。
首先采用高斯濾波對獲得的紅外圖像進行預處理,以消除現場隨機噪聲和設備干擾對圖像的影響。對預處理之后所得紅外圖像使用Sobel算子進行處理,以獲取分割區(qū)域,提取故障部位。最后對經過Sobel算子處理后的圖像采用OTSU算法進行二次分割獲取最終的紅外圖像故障識別區(qū)域。流程如下:原始紅外圖像→高斯濾波→sobel算子檢測→OTSU分割→分割結果。
如圖1所示,a1~a5為一組原始紅外圖像,b1~b5為高斯濾波后的紅外圖像,c1~c5為經過Laplace算子檢測后的紅外圖像,d1~d5為Scharr算子檢測后的紅外圖像,e1~e5為Sobel算子檢測后的紅外圖像,f1~f5為設置閾值為160后的分割圖像,g1~g5為OTSU分割后的圖像。
將e行圖像分別與c行和d行圖像相比可以看出,Laplace算子獲得的特征區(qū)域過少,難以有效分割;Scharr算子獲得太多的無用信息,從而導致需要的特性區(qū)域比例變小,且噪聲非常嚴重;Sobel算子獲得了需要的特性信息,對濾波后的紅外圖像進行了有效的特征提取。將g行與f行相比較可以看出,普通的閾值分割方法不夠靈活,且需要人為設置閾值,不同工況下的不同圖像最優(yōu)分割閾值也有很大差異。如f3相比于f行其他圖像,在閾值為160時取得了很好的分割效果,而f1、f2、f4效果就差很多,f5效果非常差。g行經過OTSU自適應閾值分割法普遍取得了很好的分割效果,g1檢測到了不明顯區(qū)域的熱斑與很小的光斑點,g2檢測到了明顯的小熱斑與大熱斑漸變區(qū)域,g3對由遮擋引起的熱斑做了完美的分割,g4在檢測到熱斑區(qū)域的同時也檢測到了遮擋物,g5做到了對熱斑區(qū)域與故障部件的檢測。
圖1 各種方法對比結果圖
考慮到復雜光伏陣列紅外圖像的特性,針對傳統分割方法不靈活、不準確、分割效果差等不足,本文提出了一種基于Sobel算子的OTSU分割方法。實驗結果表明,本文的分割方法可以對光伏陣列的明顯故障區(qū)域、不明顯故障區(qū)域、小熱斑、故障部件等進行有效準確的分割。