摘 要：通過無人機采集光伏組件的圖像后，利用小波尺度分解技術(shù)來增強圖像的對比度和細節(jié)，重構(gòu)無人機視覺巡航成像結(jié)果。為消除影響壞點定位準確性的噪聲，采用中值濾波法對重構(gòu)圖像進行濾波，同時保留邊緣信息和圖像清晰度；使用門限二值化將圖像中的背景和感興趣區(qū)域進行分割；通過最大類間方差方法計算分割處理得到的背景和感興趣區(qū)域的類間方差，能確定最優(yōu)門限值，以此將感興趣區(qū)域中的壞點范圍單獨提取出來；最后，為更加精確定位具體的壞點位置，引入改進的區(qū)域生長方法，通過設(shè)置生長閾值和梯度振幅門限，能有效定位光伏發(fā)電系統(tǒng)中存在的壞點位置。實驗證明，所提方法對光伏發(fā)電壞點定位誤差小，檢測精準度高，能有效輔助維護電網(wǎng)安全。

關(guān)鍵詞：無人機；光伏發(fā)電；遙感；壞點定位；灰度均值

中圖分類號：TM615 文獻標志碼：A

0 引 言

由于光伏組件通常安裝在較高的建筑物、大型基礎(chǔ)設(shè)施或遙遠地區(qū)，且長時間處于室外環(huán)境中［1］，一旦出現(xiàn)損壞，工作人員只能憑經(jīng)驗將壞點類型歸類并確定位置，從而采取相應(yīng)的措施，但人工巡檢存在一定的安全風(fēng)險。由于光伏電站的規(guī)模和占地面積越來越大，其故障種類和頻率［2］也增加，不但加大了光伏電站的運營工作量和難度，運營成本也變高。因此，現(xiàn)階段要選擇最先進的裝備與技術(shù)［3］，降低光伏發(fā)電系統(tǒng)的故障概率，實現(xiàn)光伏發(fā)電的智能化運營［4］。

無人機攜帶高清相機或紅外相機，可實時獲取光伏圖像信息，無人機可快速地覆蓋大面積的光伏組件區(qū)域，大大提高了發(fā)電壞點的檢測效率。相比傳統(tǒng)的人工巡檢方法，無人機可在更短的時間內(nèi)完成對整個光伏系統(tǒng)的巡航和檢測，提高了工作效率，為后續(xù)壞點定位提供數(shù)據(jù)支持。因此，研究出一種光伏發(fā)電系統(tǒng)壞點定位技術(shù)，可推動整個光伏行業(yè)的發(fā)展，提高光伏發(fā)電技術(shù)的競爭力。

針對以上背景，國內(nèi)相關(guān)領(lǐng)域技術(shù)專家與學(xué)者已對此展開大量研究。高天龍等［5］提出一種基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的光伏陣列故障識別與定位方法，建立了光伏發(fā)電數(shù)學(xué)模型，利用擾動觀測法跟蹤其最大功率，檢測不同種類的光伏陣列故障，研究故障特性，通過門控循環(huán)神經(jīng)網(wǎng)絡(luò)診斷采集樣本，完成故障定位；那峙雄等［6］結(jié)合多尺度卷積運算抽取時間序列特征，網(wǎng)絡(luò)處理輸入數(shù)據(jù)噪聲濾波，利用長短時記憶循環(huán)網(wǎng)絡(luò)監(jiān)控光伏電站數(shù)據(jù)的時間序列特性，結(jié)合注意力機制提取時間序列特征，通過損失函數(shù)訓(xùn)練增強模型識別性能，實現(xiàn)故障診斷；姜萍等［7］提出基于改進單階段多框檢測（single shot multibox detector，SSD）的光伏組件故障定位檢測方法，將ResNet18作為SSD模型的基礎(chǔ)網(wǎng)絡(luò)，引入DR loss進行目標樣本優(yōu)化改善，在非極大值抑制基礎(chǔ)上加權(quán)處理，實現(xiàn)航拍紅外圖像中光伏組件故障的定位；王濤等［8］提出一種新的傳感器布局策略，優(yōu)化電壓傳感器的位置，突出故障的特征。并使用極限學(xué)習(xí)機模型，實現(xiàn)光伏陣列故障定位。但上述文獻存在壞點定位誤差大、準確率低的問題。

因此，提出基于無人機視覺巡航的光伏發(fā)電壞點定位技術(shù)研究。利用無人機視覺巡航采集光伏發(fā)電成像，量化圖像中的像素值，通過中值濾波對噪聲過濾消除，使用中值濾波方法有效地去除噪聲，提高壞點定位的精確度和可靠性。結(jié)合最大類間方差方法增強圖像的對比度，使得光伏發(fā)電壞點在圖像中更加顯著，有助于進一步定位準確性和可視化效果。通過消除復(fù)雜背景的重點區(qū)域，將重點放在光伏發(fā)電壞點上，有助于提高壞點定位的可信度和準確性。

1 基于無人機視覺巡航的紅外遙感掃描成像解析

無人機配備高分辨率的相機或熱成像設(shè)備，能準確獲取光伏發(fā)電圖像［9］。同時，由于無人機可在空中懸停、改變拍攝角度，能夠獲取更廣角度的全景視角圖像，以獲取光伏發(fā)電的狀態(tài)。因此，為達到探測光伏發(fā)電壞點的目的，利用無人機視覺巡航的紅外遙感掃描成像解析法，獲取光伏圖像。無人機紅外遙感成像原理如圖1所示。

當光伏發(fā)電系統(tǒng)中的元件和區(qū)域存在溫度差異時，會產(chǎn)生不同的紅外輻射。無人機上配備的紅外相機設(shè)備能感知并接收這些紅外輻射，并將其轉(zhuǎn)換為電信號。通過圖像處理系統(tǒng)對信號進行處理，生成紅外圖像。通過對其分析，可快速準確地探測到光伏發(fā)電壞點。利用成像原理，采集并分析圖像，[Xi，j]描述（[i，j]）位處光伏發(fā)電無人機紅外遙感掃描成像取樣點，其中，[i]描述[x]方向上的單位向量，[j]描述[y]方向上的單位向量，建立無人機可視圖像獲取的塊狀網(wǎng)絡(luò)架構(gòu)?；谛〔ǔ叨确纸饧夹g(shù)［10］，從[q]個層次分解圖像幀，奇偶拆分關(guān)鍵幀方向，構(gòu)建一個網(wǎng)格區(qū)，以描述光伏發(fā)電無人機視覺圖像分布，獲取圖像生成函數(shù)表達式為：

[Mi，j=medXi-1，j-1…Xi，j…Xi+1，j+1] （1）

在無人機的紅外遙感掃描圖像中，為了更好地分析和識別光伏組件中的壞點問題，通過融合增強整體光伏發(fā)電設(shè)備的像素，增加圖像的對比度和細節(jié)，使得細微特征更加明顯，完成無人機視覺巡航像素特征的重構(gòu)，重構(gòu)后的無人機視覺巡航成像結(jié)果為：

[Fi，j=τ?Mi，j/δ] （2）

式中：[τ]——像素特征重構(gòu)系數(shù)；[δ]——像素平均值。

2 圖像采集中的噪聲消除與邊緣保留預(yù)處理方法

由于利用無人機視覺巡檢采集圖像時可能受到各種噪聲的影響［11-12］，如傳感器噪聲、大氣湍流等，為降低圖像中的噪聲，提高圖像的清晰度和質(zhì)量，需要消除噪聲影響，將無人機視覺圖像采集結(jié)果作為數(shù)據(jù)輸入，利用中值過濾對整體光伏發(fā)電區(qū)域圖像預(yù)處理。中值過濾將一幅影像中像素的灰度設(shè)定為鄰近視窗中像素灰度中值，用于去除異常的灰度，對噪聲抑制效果較好，從而保留完整的邊緣數(shù)據(jù)。

利用稀疏模板二維中值濾波器對重構(gòu)后的無人機視覺巡航成像濾波，濾波后圖像[fmx，y]表達式為：

[fmx，y=medw，v∈0，±1，±2，w-vFi，j?Fi+w，j+v] （3）

式中：[w]—— 一維濾波系數(shù)；[v]——二維濾波系數(shù)。

在經(jīng)過濾波處理之后，圖像內(nèi)的異常干擾噪聲已經(jīng)被剔除，只剩下光伏主體和光伏主體外的背景部分，如樹木、房屋等，為此還要做一個門限分割，以進一步消除光伏主體無關(guān)背景。根據(jù)圖像的灰度級特征，將圖像分為兩類，即背景和對象，并對其分割。由于背景與對象之間的類間方差［13］較大，表示兩個部分之間的差異較大，因而更易于有效分割。引入門限二值化［14］，得到一幅黑白圖像，去除背景中的黑點。

假設(shè)灰度圖像具有[L]個灰度等級［""[…]，[a， ...， L]］，如果門限是[K]，則圖像像素被劃分為兩種類別：背景[Ba={1， 2， …， K}]與對象[Oj={K+1， …， L}]。將光伏主體無關(guān)背景發(fā)生概率表示為[ωB]、灰度均值為[μB]，光伏主體發(fā)生概率為[ωO]、灰度均值為[μO]，采集圖像灰度均值為[μ]。

將圖像尺寸設(shè)為[M×N]，[na]設(shè)為灰度級別[a]的全部像素的數(shù)目，[pa]設(shè)為發(fā)生概率。概率分布以及灰度均值表達式為：

[ωB=a=1Kpa=a=1Kna/fmx，yM×NωO=a=K+1Lpa=a=K+1Lna/fmx，yM×NμB=a=1Ka?pa/ωBμO=a=K+1La?pa/ωOμ=a=1Li?pa] （4）

利用獲取的概率分布以及灰度均值結(jié)果來確定閾值[H]，將圖像中的每個像素的灰度均值[μ]與設(shè)定的閾值[H]進行比較，如果像素的灰度均值[μ]小于等于閾值[H]，則將像素標記為背景；若像素的灰度均值[μ]大于閾值[H]，則將像素標記為感興趣區(qū)域。

3 異常升溫區(qū)域定位與壞點診斷

在光伏發(fā)電站中，當設(shè)備出現(xiàn)故障時，通常會有異常升溫現(xiàn)象，并在其紅外成像上形成與之對應(yīng)的白光高光區(qū)［15］，若能準確、快速地定位該白光高光區(qū)，就可以實現(xiàn)光伏發(fā)電的壞點診斷。采用最大類間方差方法，有效剔除圖像中大量背景信息，保留一個含有壞點區(qū)域的感興趣區(qū)域，進而通過改進區(qū)域生長方法，從而準確定位壞點區(qū)域。

經(jīng)過上述預(yù)處理分割后，圖像內(nèi)只剩下存在壞點的感興趣區(qū)域和背景區(qū)域，為定位壞點區(qū)域需要將二者分離。在分割感興趣區(qū)域之后，可將紅外圖像中的大面積背景分離，減弱背景干擾，增強圖像對比度，以抽取出一個包含壞點的粗略范圍。在搜尋種子點過程中，只需在感興趣區(qū)域中搜索［16］，使小目標更易于劃分，增強定位精度和運行速度。

為獲得最大的類間距和最佳的劃分結(jié)果，通過不同閾值來劃分感興趣區(qū)域中的壞點和正常區(qū)域，并計算每個閾值對應(yīng)的類間方差。選擇具有最大類間方差的閾值，即能使壞點區(qū)域與正常區(qū)域之間的差異最大化的閾值。根據(jù)選定的閾值，將感興趣區(qū)域中的像素分成壞點區(qū)域和正常區(qū)域，將超過閾值的像素劃分為壞點區(qū)域，其余像素劃分為正常區(qū)域。假定用已選擇的閾值[H]，將圖像劃分為具有［0，""[…]，[K]］階灰度的像素集合的存在壞點的光伏區(qū)域[C1]、具有［[K+1，…， L-1]］階灰度的像素集合的正常光伏區(qū)域[C2]。利用最大類間方差方法，計算分割處理得到的背景和感興趣區(qū)域的類間方差：

[σ2BH=P1Hm1H-mG2/fmx，y′+ """""""""""""""P2Hm2H-mG2/fmx，y′] （5）

式中：[P1H]和[P2H]——光伏區(qū)域集合[C1]和[C2]出現(xiàn)壞點的概率；[m1H]、[m2H]——[C1、C2]的平均灰度值；[mG]——光伏區(qū)域總灰度值。

為減少誤判，避免將正常組件錯誤地判定為壞點或?qū)狞c錯誤地判定為正常組件，通過計算最優(yōu)類間方差[σ2BK*]，找到最佳的門限值[K*]，將感興趣區(qū)域中的壞點范圍單獨提取出來。

[σ2BK*=maxσ2BK] （6）

最大類間方差方法能實現(xiàn)對門限的自動選取，且具有很好的自適應(yīng)能力，無論選取單一門限或多門限，都能取得很好的結(jié)果。在分割感興趣區(qū)域之后，可分離出紅外圖像中的大面積背景，并提取出包括壞點區(qū)域在內(nèi)的大致位置，在查找種子點時，僅需在存在壞點的光伏區(qū)域中查找，以提高定位精度和速度。

考慮到光伏發(fā)電的紅外成像的溫度特性，且存在壞點的光伏的溫度常比周圍環(huán)境溫度高［17］，因而可在紅外成像中產(chǎn)生一塊高亮度區(qū)域，選取該區(qū)域內(nèi)各像素灰度平均值較大的點位作為種子。將圖像尺寸[M×N]作為滑動矩陣，遍歷各目標區(qū)域，算出矩陣平均像素，以平均值最大的目標區(qū)域中心點為種子點，從而完成目標區(qū)域的自動選擇。

在感興趣區(qū)域內(nèi)，對比待判定的像素[n]與生長區(qū)域的像素[β]，如果像素差的絕對值低于門限[K]，就符合生長條件，將門限[K]設(shè)置為生長閾值，即：

[n-β≤K] （7）

由于壞點區(qū)域邊界灰度變化很大，邊界上的像素梯度振幅很大，若光伏發(fā)電壞點梯度振幅超過了預(yù)設(shè)的門限[K]，這個點就被判斷為存在壞點的邊界點。用[Φ]描述光伏發(fā)電壞點梯度的振幅，即：

[Φ=n-βσ2BK*?fmx，y′?x2+?fmx，y′?y2] （8）

利用梯度振幅設(shè)置壞點邊界點的條件為：

[Φ≤K*] （9）

根據(jù)獲取的邊界點判斷此處是否為光伏發(fā)電壞點，如果確定該點為發(fā)電壞點，則對其完成標記。

壞點定位流程如圖2所示。

4 實驗與分析

為證明所提基于無人機視覺巡航的光伏發(fā)電壞點定位技術(shù)研究方法的定位精準性和有效性，選用門控循環(huán)神經(jīng)網(wǎng)絡(luò)方法、多尺度時序特征融合方法進行對比實驗。實驗選用8塊多晶硅光伏組件，寬度為200 mm，高度為300 mm，厚度為40 mm，最大輸出功率為120 W，填充因子為0.6，開路電壓溫度系數(shù)為[-0.2%]，短路電流溫度系數(shù)為0.06%，最大功率溫度系數(shù)為[-0.3%]，效率為24%。實驗選取的光伏組件如圖3所示。

實驗選取DJI Phantom 4 Pro型號無人機完成光伏組件的巡檢，該無人機最大飛行速度為72 km/h，飛行時間為約30 min，最大飛行高度為6000 m，最大通信距離為7 km，攝像頭分辨率為20百萬像素。無人機如圖4所示，實驗參數(shù)如表1所示。

所提方法對光伏發(fā)電壞點定位檢測情況如圖5所示，從圖5中能看出，高亮部分是壞點區(qū)域，黑暗部分為非壞點區(qū)域。

光伏發(fā)電壞點的正確定位至關(guān)重要，精確其位置信息對于光伏發(fā)電系統(tǒng)的性能和效率具有重要影響。經(jīng)度誤差和緯度誤差可衡量光伏發(fā)電的水平定位精度，而大地高誤差用于評估其垂直定位精度。因此，分別通過經(jīng)度誤差、緯度誤差以及大地高誤差3個角度驗證方法定位的性能。實驗時，研究人員可根據(jù)需要在光伏組件上人為地放置不同數(shù)量的壞點，以模擬不同故障情況。在該實驗中，選取8塊多晶硅光伏組件，并按照實驗需求放置不同數(shù)量的壞點。每增加一個壞點，進行一次實驗，然后綜合所有實驗結(jié)果得到相關(guān)的曲線和數(shù)據(jù)。具體實驗過程為：

1）研究人員根據(jù)實驗設(shè)計，在光伏組件上選擇合適的位置，并放置壞點。

2）使用DJI Phantom 4 Pro型號的無人機進行光伏組件的巡檢。

3）在實驗過程中，無人機攜帶的攝像頭獲取紅外圖像，將其傳輸至監(jiān)測設(shè)備中進行處理和分析。

4）登記壞點區(qū)域的經(jīng)度、緯度以及大地高誤差數(shù)據(jù)，并記錄實驗結(jié)果。

5）增加一個壞點，重復(fù)步驟3）～5），直到完成所有實驗。

為驗證提出的光伏發(fā)電壞點定位技術(shù)的有效性和優(yōu)越性，選擇文獻［5］門控循環(huán)神經(jīng)網(wǎng)絡(luò)方法和文獻［6］多尺度時序特征融合方法作為對比。這兩種方法在壞點定位效果、準確率等方面具有一定的優(yōu)勢，并與所提方法的研究目標和方法設(shè)計相吻合。不同方法的壞點定位誤差結(jié)果如圖6～圖8所示。

通過圖6能明顯觀察到，所提方法與實際壞點的經(jīng)度誤差值較小，基本上走向一致；門控循環(huán)神經(jīng)網(wǎng)絡(luò)方法與實際壞點的經(jīng)度誤差較大，壞點數(shù)量為16～17時，壞點定位準確率較佳；多尺度時序特征融合方法較定位技術(shù)最差，與實際壞點位置相差最大。由此證明，所提方法對光伏發(fā)電壞點定位精準，能及時修復(fù)，減少電網(wǎng)企業(yè)損失。

從圖7可看出，實際壞點和所提方法的緯度誤差相對較小，誤差值不超過0.00"壞點位置識別效果精準度高；門控循環(huán)神經(jīng)網(wǎng)絡(luò)方法誤差值最大，達到0.03，相比所提方法精準度不佳，可能會出現(xiàn)二次檢測，消耗時間和資源；多尺度時序特征融合方法不能準確找到位置。說明所提方法能精準定位光伏發(fā)電壞點位置，工作人員及時作出應(yīng)對措施，保證電力運行穩(wěn)定。

通過圖8可得知，門控循環(huán)神經(jīng)網(wǎng)絡(luò)方法和多尺度時序特征融合方法在壞點數(shù)量為0～11之間，誤差值相對較小，但隨著數(shù)量的增長誤差逐漸變大，門控循環(huán)神經(jīng)網(wǎng)絡(luò)方法在壞點數(shù)量為12時，誤差值最大為1.0，多尺度時序特征融合方法在壞點數(shù)量為14時，誤差值最大也為1.0，而所提方法誤差依舊較小，具有很好的定位精準度。證明所提方法對光伏發(fā)電壞點定位準確度最高，能找到故障位置，維護電網(wǎng)安全。

5 結(jié) 論

為實現(xiàn)對光伏發(fā)電壞點的精準定位，提出基于無人機視覺巡航的光伏發(fā)電壞點定位技術(shù)研究。將無人機視覺巡航應(yīng)用于光伏發(fā)電壞點定位，充分利用無人機的全面監(jiān)測能力，獲取大量的光伏發(fā)電圖像數(shù)據(jù)。通過量化處理和中值濾波技術(shù)，有效去除噪聲的影響，提高壞點定位的準確性。最大類間方差方法的運用進一步優(yōu)化圖像質(zhì)量，去除背景干擾，將焦點放在關(guān)鍵區(qū)域，提高定位結(jié)果的可信度。通過設(shè)置生長閾值和梯度振幅門限，能有效定位光伏發(fā)電系統(tǒng)中存在的壞點位置。實驗結(jié)果表明，該方法在光伏發(fā)電壞點定位方面具有較小的誤差和高精準度，對于提高光伏發(fā)電系統(tǒng)的穩(wěn)定性、降低維護成本具有重要的應(yīng)用價值，可幫助操作人員及時維護和修復(fù)，從而保證光伏發(fā)電系統(tǒng)的正常運行。

［參考文獻］

［1］ 朱東垣， 孫一飛， 田有文. 含儲能光伏電站并網(wǎng)運行可靠性評價仿真［J］. 計算機仿真， 202""39（10）： 109-11""165.

ZU D H， SUN Y F， TIAN Y W. Simulation of grid-connected operation reliability evaluation of photovoltaic power station including energy storage［J］. Computer simulation， 202""39（10）： 109-11""165.

［2］ REZAEI J， GOLSHAN M E H， ALHELOU H H. Impacts of integration of very large-scale photovoltaic power plants on rotor angle and frequency stability of power system［J］. IET renewable power generation， 202""16（11）： 2384-2401.

［3］ ABRAMOVITZ A， SHMILOVITZ D. Short survey of architectures of photovoltaic arrays for solar power generation systems［J］. Energies， 202""14（16）： 4917.

［4］ HASSAN M A， AL-GHUSSAIN L， KHALIL A， et al. Self-calibrated hybrid weather forecasters for solar thermal and photovoltaic power plants［J］. Renewable energy， 202""188： 1120-1140.

［5］ 高天龍， 劉衛(wèi)亮， 張文軍. 基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的光伏陣列故障識別與定位研究［J］. 熱力發(fā)電， 202""51（3）： 21-28.

GAO T L， LIU W L， ZHANG W J. Fault identification and location strategy of photovoltaic power station based on gated recurrent unit［J］. Thermal power generation， 202""51（3）： 21-28.

［6］ 那峙雄， 孫濤， 來廣志， 等. 多尺度特征融合的光伏電站故障診斷［J］. 計算機工程與應(yīng)用， 202""58（10）： 300-308.

NA Z X， SUN T， LAI G Z， et al. Fault diagnosis for photovoltaic power station by multi-scale features fusion［J］. Computer engineering and applications， 202""58（10）： 300-308.

［7］ 姜萍， 王天亮， 欒艷軍. 基于改進SSD的光伏組件故障定位檢測［J］. 激光雜志， 202""43（5）： 43-48.

JIANG P， WANG T L， LUAN Y J. Photovoltaic module fault location detection based on improved SSD［J］. Laser journal， 202""43（5）： 43-48.

［8］ 王濤， 林培杰， 周海芳， 等. 采用ELM和優(yōu)化電壓傳感器布局的光伏陣列故障檢測與區(qū)域定位［J］. 福州大學(xué)學(xué)報（自然科學(xué)版）， 202""50（4）： 475-482.

WANG T， LIN P J， ZHOU H F， et al. Fault detection and location for photovoltaic array using an optimal voltage sensor placement and extreme learning machine［J］. Journal of Fuzhou University （natural science edition）， 202""50（4）： 475-482.

［9］ 張治， 馬輝， 王林. 采用AFCM-SMOTE-RF的光伏電站故障診斷方法［J］. 電源技術(shù)， 202""45（11）： 1495-1499.

ZHANG Z， MA H， WANG L. Fault diagnosis method of photovoltaic power station using AFCM-SMOTE-RF［J］. Chinese journal of power sources， 202""45（11）： 1495-1499.

［10］ ESCANDE P， WEISS P. Fast wavelet decomposition of linear operators through product-convolution expansions［J］. IMA journal of numerical analysis， 202""42（1）： 569-596.

［11］ 劉志清， 蘭奇遜， 徐林， 等. 基于圖像處理的光伏局部陰影區(qū)域分割方法［J］. 太陽能學(xué)報， 2023， 44（2）： 391-398.

LIU Z Q， LAN Q X， XU L， et al. Partial shading region segmentation of photovoltaic systems based on image processing［J］. Acta energiae solaris sinica， 2023， 44（2）： 391-398.

［12］ SINGH A， GABA G S， HEDABOU M. Robust and effective image preprocessing conglomerate method for denoising of both grayscale and color images［J］. Journal of electronic imaging， 202""31： 041203.

［13］ 陳世群， 楊耿杰， 高偉. 一種基于BOA-SAE-EELM的光伏陣列故障診斷方法［J］. 太陽能學(xué)報， 202""43（4）： 154-161.

CHEN S Q， YANG G J， GAO W. A fault diagnosis method for ""photovoltaic ""array ""via ""BOA-SAE-EELM［J］. "Acta energiae solaris sinica， "202"""43（4）： "154-161.

［14］ VARMA G H K， BARRY V R， JAIN R K， et al. An MMTES algorithm for dynamic photovoltaic array reconfiguration to enhance power output under partial shading conditions［J］. IET renewable power generation， 202""15（4）： 809-820.

［15］ 王付勝， 陳韜， 竇盛， 等. 級聯(lián)H橋光伏逆變器開關(guān)管開路故障診斷［J］. 太陽能學(xué)報， 202""43（5）： 187-192.

WANG F S， CHEN T， DOU S， et al. Diagnosis of open-circuit """fault """of """switch ""tube ""of ""cascaded """H-bridge photovoltaic inverter［J］. Acta energiae solaris sinica， 202""43（5）： 187-192.

［16］ 張懷捷， 馬靜雅， 劉浩源， 等. 視覺與慣性融合的多旋翼飛行機器人室內(nèi)定位技術(shù)［J］. 航空學(xué)報， 2023， 44（5）： 292-304.

ZHANG H J， MA J Y， LIU H Y， et al. Indoor positioning technology of multi-rotor flying robot based on visual-inertial fusion［J］. Acta aeronautica et astronautica sinica， 2023， 44（5）： 292-304.

［17］ ETARHOUNI M， CHONG B， ZHANG L. A novel square algorithm for maximising the output power from a partially shaded photovoltaic array system［J］. Optik， 202""257： 168870.

RESEARCH ON PHOTOVOLTAIC POWER GENERATION BAD POINT LOCALIZATION TECHNOLOGY BASED ON DRONE VISUAL

CRUISE CONTROL

Huang Xuyong"Tang Biao""Qin Xiongpeng3，Lin Zhongai"Xu Shoudong1

（1. Electric Power Research Institute of Yunnan Power Grid Co.，Ltd.， Kunming 65001""China；

2. School of Information， Yunnan University， Kunming 65001""China；

3. Yunnan Electric Power Technology Co.，Ltd.， Kunming 65001""China）

Abstract：After collecting images of photovoltaic modules through drones， wavelet scale decomposition technology is used to enhance the contrast and details of the images， and the visual cruise imaging results of drones are reconstructed. In order to eliminate noise that affects the accuracy of bad point localization， the median filtering method is used to filter the reconstructed image， while preserving edge information and image clarity. Using threshold binarization to segment the background and regions of interest in the image. By using the maximum inter class variance method to calculate the inter class variance of the background and region of interest obtained from segmentation， the optimal threshold value can be determined， thereby extracting the range of bad points in the region of interest separately. Finally， in order to more accurately locate specific bad point locations， an improved region growth method was introduced. By setting growth thresholds and gradient amplitude thresholds， the bad point locations present in photovoltaic power generation systems can be effectively located. The experiment proves that the proposed method has small positioning error for photovoltaic power generation bad points， high detection accuracy， and can effectively assist in maintaining power grid security.

Keywords：unmanned aerial vehicles； PV power generation； remote sensing； bad point positioning； mean grayscale