光伏阵列输出特性曲线实时获取方法与流程

本发明涉及光伏发电系统中光伏阵列遭遇局部阴影时的辐照度测量技术、阴影检测技术以及光伏阵列输出特性曲线实时获取技术，属于光伏发电系统运行条件检测领域。

背景技术：

随着传统能源的枯竭与大众环保意识的提高，无污染、分布广且易获取的太阳能日益受到重视。太阳能光伏发电是对太阳能有效利用的主要形式，并成为了继风力发电之后主要的新能源发电方式。近年来光伏组件价格的降低以及政府补贴政策的出台，光伏发电装机容量飞速增长，其中包括大容量的荒漠光伏电站、分散式的中小容量建筑光伏系统。

光伏阵列通常由大量光伏电池以一定的串并联结构组成，以此获取所需的光伏输出电压和功率。为防止出现热斑现象与支路电能倒送现象，光伏阵列还装设有旁路二极管与防逆二极管。采用集中输出控制的光伏阵列受均匀光照时，光伏阵列的输出功率-电压(p-u)特性曲线呈单峰状，传统最大功率点跟踪(mppt)方法可以很容易跟踪到最大功率点(mpp)；但当阵列受局部遮荫时，局部阴影不仅会削弱光伏阵列潜在的最大功率输出能力，二极管的存在还会导致光伏阵列输出特性复杂化、多峰化，给mppt控制、重构优化、发电功率预测等带来很大困难。

局部阴影条件下，光伏阵列中各个光伏电池所接收到的太阳光辐照度可能存在差异。考虑到局部阴影的千变万化，理论上可以通过密集布置辐射传感器的方法，实现对光伏阵列中各个位置辐照度的测量。但大量的传感器意味着建设成本高和系统复杂化，无法实现广泛应用。若对局部阴影形状准确度测量要求越高，传感器的数量将成倍增加。

技术实现要素：

本发明要克服现有技术在局部遮荫条件下光伏阵列输出特性曲线实时获取困难的问题，利用辐射传感器与遮荫组件识别算法获取光伏阵列上的辐照度数据与阴影分布信息，并结合光伏组件参数、阵列结构，利用计算机仿真绘制局部遮荫时光伏阵列的输出特性曲线。本发明所需的传感器数量非常少，但是可以快速、准确地绘制局部阴影条件下光伏阵列的输出特性曲线。

一种光伏阵列输出特性曲线实时获取方法，其特征在于具体实现该方法的步骤如下：

步骤1：综合考虑传感器个数以及辐照度检测效率，确定光伏阵列中辐射传感器的安装位置；具体实现方法如下：

步骤11：对于共有n块光伏组件的光伏发电系统，根据阵列规模，设计m种定点安装辐射传感器的方案，分别记为方案1、方案2、….、方案m，且记方案j(j＝1,2,…,m)中传感器的使用个数为aj；

步骤12：通过排列组合，构造i(i＝1,2,…,n)块光伏组件受遮荫时光伏阵列所有可能的阴影分布类型，记录阴影分布类型数yi，并计算阴影分布类型总数y＝σyi；

步骤13：采用步骤11中的方案j时，光伏阵列遍历步骤12中总数为y的阴影分布类型，统计光照区与阴影区的辐照度能同时被检测到的阴影类型数xj；

步骤14：计算步骤11中方案j的适用率ξj＝xj/y；

步骤15：综合考虑传感器个数，定义方案j的辐照度检测效率ρj＝ξj/aj，选取最大辐照度检测效率max(ρj)对应的方案作为最优方案；

步骤16：按照步骤15选取的最优方案在光伏阵列中布置辐射传感器；

步骤2：构建光伏阵列输出特性曲线实时获取系统框架；所述的光伏阵列输出特性曲线实时获取系统框架包括检测光伏阵列接收入射光强度的辐射传感器(1)、采集光伏阵列运行图像的摄像头(2)、传输光伏阵列图像与辐照度数据的通信网络(3)、实现a/d转换与遮荫组件识别并绘制光伏阵列输出特性曲线的光伏发电系统控制中心(4)、光伏阵列(5)，其中辐射传感器(1)、摄像头(2)的输出端与通信网络(3)的输入端连接，通信网络(3)的输出端与光伏发电系统控制中心(4)的输入端相连；摄像头(2)安装在光伏阵列(5)的正前方；辐射传感器(1)按照步骤15所述的辐照度检测效率最高的最优方案来布置；光伏阵列(5)采取包括串-并联结构(sp)、桥型结构(bl)、全连接结构(tct)在内的所有结构；

步骤3：利用辐射传感器检测光伏阵列中光照区与阴影区的辐照度数据并标记测量时刻，与此同时，利用摄像头同步采集光伏阵列运行图像，将辐照度数据与光伏阵列图像通过通信网络传送到光伏发电系统控制中心；

步骤4：针对浅色地面与深色光伏板之间的灰度值以及正常光照与遮荫状态下组件的灰度值均存在差别这一特征，提出光伏阵列受局部遮荫时的遮荫组件识别算法，识别光伏阵列图像中的遮荫组件；遮荫组件识别算法具体实现方法如下：

步骤41：对光伏阵列图像进行预处理；

步骤411：将图像大小为n1×n2的光伏阵列图像转换为阵列灰度图f(x,y)，其中(x,y)为图像中各像素点的坐标，f(x,y)表示点(x,y)的灰度值；

步骤412：采用迭代法求取阈值k，将灰度值小于等于k的像素点设置为黑，灰度值大于k的像素点设置为白，即将k作为阈值对灰度图f(x,y)进行二值化，得二值图像；

步骤413：去除地面砖块之间的黑色栅线与光伏组件上的白色栅线：设置检测宽度w，逐行遍历步骤412所得的二值图像中横坐标从1+w到n2-w、纵坐标从1到n1范围内所有的像素点(x,y)，若点(x,y)为黑且点(x-w,y)与点(x+w,y)均为白，则认为点(x,y)是黑色栅线点，并将y行中横坐标从x-w到x+w的点设置为白，否则判断下一个像素点，根据同一原理，逐行去除白色栅线点后，再逐列去除图像中的黑、白栅线点；

步骤414：使用中值滤波器过滤去栅线后光伏阵列图像中较多的点状噪声；

步骤42：识别光伏阵列图像中的光伏组件；

步骤421：采用高斯拉普拉斯(log)算子检测经过步骤414滤波后的光伏阵列图像中灰度值剧烈变化的边界，产生了n+a+b个亮对象；

步骤422：去除n+a+b个亮对象中由地面石子及阴影产生的a个小连通亮对象；

步骤423：去除经过步骤422处理后剩余的n+b个亮对象中b个非封闭的亮对象：对含有n+b个亮对象的图像使用元素0标记非亮对象区域，元素i(i＝1,2,…,n+b)标记各个亮对象，测量并记录使用元素i标记的亮对象的质心位置zi与周长ci，计算zi在上下左右四个方向与最近亮对象之间的距离，四个距离分别记为ai、bi、ci、di，计算li＝ai+bi、wi＝ci+di并计算c0i＝2×(li+wi)，判断ci/c0i是否大于0.5且小于1.5，若是则保留该亮对象，若不是则去除该亮对象；

步骤424：对n个亮对象的封闭区域填充白，之外的其他区域填充黑，得组件区域图像i(x,y)，其中白色区域表示组件区域，黑色区域表示背景区域；

步骤43：识别光伏组件中受遮荫的组件；

步骤431：将步骤424所得组件区域图像i(x,y)中的黑色区域记为区域p，并将步骤411所得阵列灰度图f(x,y)中区域p内所有像素点设置为白；

步骤432：使用元素k(k＝1,2,…,n)标记各个组件，计算第k个组件的灰度均值mk，将mk作为新的灰度值填充对应的第k个组件区域，得灰度填充图像；

步骤433：计算步骤432的灰度填充图像中n个组件区域的灰度均值m，将m作为阈值对灰度填充图像进行图像分割；

步骤434：采用高斯拉普拉斯算子检测经过步骤433图像分割后的光伏阵列图像中灰度值剧烈变化的边界，并产生了c个亮对象；

步骤435：对c个亮对象的封闭区域填充白，之外的其他区域填充黑，得遮荫组件区域图像g(x,y)，其中白色区域表示遮荫组件区域，黑色区域包括背景区域与受正常光照的组件区域；

步骤5：根据光伏阵列光照区与阴影区的辐照度数据与识别的遮荫组件，结合光伏阵列结构，分析光伏阵列各个组件上的辐照度；

步骤6：结合组件辐照度、光伏组件参数以及光伏阵列结构，利用计算机仿真快速绘制该时刻光伏阵列的输出特性曲线。

本发明的优点是：无需测量各组件或各支路的电流与电压，只需采集少量的辐照度数据与阵列图像，通过简单的遮荫组件识别算法即可绘制光伏阵列的输出特性曲线，不仅有助于降低最大功率点跟踪(mppt)方法的算法要求，提高mppt跟踪准确度，而且可以为光伏阵列重构优化提供必要的全局信息，实现光伏发电系统的高效运行。

附图说明

图1是本发明的备选传感器布置方案示意图，其中·表示辐射传感器(1)；点线封闭区域表示光伏阵列(5)；图1a是方案1对角布置的示意图；图1b是方案2三角布置的示意图；图1c是方案3四角布置的示意图；图1d是方案4四边加中心布置的示意图；图1e是方案5六点布置的示意图。

图2是本发明的光伏阵列系统框架图；其中·表示辐射传感器(1)；△表示摄像头(2)；┄表示通信网络(3)；□表示光伏发电系统控制中心(4)；点线封闭区域表示光伏阵列(5)。

图3是本发明的遮荫组件识别算法流程图。

图4是实施案例遮荫组件识别过程的示意图，其中图4a是实施例的光伏阵列灰度图；图4b是组件区域识别结果；图4c是遮荫组件区域识别结果。

图5是图像采集时刻光伏阵列输出特性曲线，其中图5a是i-u特性曲线；图5b是p-u特性曲线。

具体实施方式

下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。实施例采用规模为3×3的光伏发电系统。

步骤一：确定光伏阵列中辐射传感器的安装位置；

a)对于共有9块光伏组件的光伏发电系统，备选的传感器布置方案共5种：对角布置、三角布置、四角布置、四边加中心布置、六点布置，5种方案分别记为方案1、方案2、方案3、方案4、方案5，传感器布置方案示意图如图1所示，且a1＝2，a2＝3，a3＝4，a4＝5，a5＝6；

b)当1块光伏组件受遮荫时，排列组合后得此时阵列所有可能的阴影分布类型遮荫2块光伏组件时遮荫3块光伏组件时遮荫4块光伏组件时遮荫5块光伏组件时遮荫6块光伏组件时遮荫7块光伏组件时遮荫8块光伏组件时遮荫9块光伏组件时计算阴影分布类型总数y＝511；

c)采用步骤a)中的方案1时，光伏阵列遍历步骤b)中总数为511的阴影分布类型，统计光照区与阴影区的辐照度能同时被检测到的阴影类型数x1＝145，采用方案2时x2＝385，采用方案3时x3＝449，采用方案4时x4＝481，采用方案5时x5＝497；

d)计算方案1的适用率ξ1＝x1/y＝0.2838，方案2的适用率ξ2＝x2/y＝0.7534，方案3的适用率ξ3＝x3/y＝0.8787，方案4的适用率ξ4＝x4/y＝0.9413，方案5的适用率ξ5＝x5/y＝0.9726；

e)综合考虑传感器个数后，计算方案1的辐照度检测效率ρ1＝ξ1/a1＝0.1419，方案2中ρ2＝ξ2/a2＝0.2511，方案3中ρ3＝ξ3/a3＝0.2197，方案4中ρ4＝ξ4/a4＝0.1883，方案5中ρ5＝ξ5/a5＝0.1621，选取最大辐照度检测效率max(ρj)对应的方案2作为最优方案；

f)按照步骤e)选取的最优方案在光伏阵列中布置辐射传感器；

步骤二：构建光伏阵列输出特性曲线实时获取系统框架；实施例使用的光伏阵列输出特性曲线快速实时获取系统框架如图2所示，包括检测光伏阵列接收入射光强度的辐射传感器(1)、采集光伏阵列运行图像的摄像头(2)、传输光伏阵列图像与辐照度数据的通信网络(3)、实现a/d转换与遮荫组件识别并绘制光伏阵列输出特性曲线的光伏发电系统控制中心(4)、光伏阵列(5)，其中辐射传感器(1)、摄像头(2)的输出端与通信网络(3)的输入端连接，通信网络(3)的输出端与光伏发电系统控制中心(4)的输入端相连，且辐射传感器(1)按照步骤一中辐照度检测效率最高的最优方案来布置，摄像头(2)安装在光伏阵列(5)的正前方，光伏阵列(5)包括3×3块光伏组件，每一块光伏组件并联一个旁路二极管，每3块光伏组件串联成串后，再串上一个防逆二极管，最后将3串组件串并联，形成sp连接结构；

步骤三：利用辐射传感器检测光伏阵列光照区与阴影区的辐照度数据并标记测量时刻，与此同时，利用摄像头同步采集光伏阵列运行图像，将辐照度数据与光伏阵列图像通过通信网络传送到光伏发电系统控制中心，本实施例中局部阴影处辐照度较均匀，辐射传感器测得光照处与阴影处的辐照度分别为1037w/m²和240w/m²；

步骤四：受局部遮荫的光伏组件图像中，浅色地面与深色光伏板之间的灰度值以及正常光照与遮荫状态下组件的灰度值均存在差别，根据这一特征，提出了流程图如图3所示的适用于光伏阵列的遮荫组件识别算法，算法步骤如下：

步骤1：由于摄像头本身的固有特性以及图片拍摄时无法避免的环境干扰，首先对光伏阵列图像进行预处理：

a)将图像大小为685×514的光伏阵列图像转换成如图4a所示的阵列灰度图；

b)采用迭代法求得阈值k为112，将灰度值小于等于112的像素点设置为黑，灰度值大于112的像素点设置为白，即将112作为阈值对图4a所示的灰度图进行二值化，得二值图像；

c)去除地面砖块之间的黑色栅线与光伏组件上的白色栅线：设置检测宽度w＝3，逐行遍历步骤b)所得的二值图像中横坐标从4到511、纵坐标从1到685范围内所有的像素点(x,y)，若点(x,y)为黑且点(x-3,y)与点(x+3,y)均为白，则认为点(x,y)是黑色栅线点，并将y行中横坐标从x-3到x+3的点设置为白，否则判断下一个像素点，根据同一原理，逐行去除白色栅线点后，再逐列去除图像中的黑、白栅线点；

d)使用中值滤波器过滤去栅线后光伏阵列图像中较多的点状噪声；

步骤2：识别光伏阵列图像中的光伏组件：

a)采用高斯拉普拉斯(log)算子检测经过步骤1预处理后的光伏阵列图像中灰度值剧烈变化的边界，并产生了98个亮对象；

b)去除98个亮对象中由地面石子及阴影产生的88个小连通亮对象；

c)去除经过步骤b)处理后剩余的10个亮对象中1个非封闭的亮对象：对含有10个亮对象的图像使用元素0标记非亮对象区域，元素i(i＝1,2,…,10)标记各个亮对象，测量并记录使用元素i标记的亮对象的质心位置zi与周长ci，计算zi在上下左右四个方向与最近亮对象之间的距离，四个距离分别记为ai、bi、ci、di，计算li＝ai+bi、wi＝ci+di并计算c0i＝2×(li+wi)，判断ci/c0i是否大于0.5且小于1.5，若是则保留该亮对象，若不是则去除该亮对象；

d)对9个亮对象的封闭区域填充白，之外的其他区域填充黑，得如图4b所示的组件区域识别结果，其中白色区域表示组件区域，黑色区域表示背景区域；

步骤3：识别光伏组件中受遮荫的组件：

a)将图4b中的黑色区域记为区域p，并将图4a中区域p内所有像素点设置为白；

b)使用元素k(k＝1,2,…9)标记9个组件，计算第k个组件的灰度均值mk，将mk作为新的灰度值填充对应的第k个组件区域，得灰度填充图像；

c)计算步骤b)的灰度填充图像中9个组件区域的灰度均值m＝52，将灰度值52作为阈值对灰度填充图像进行图像分割；

d)采用高斯拉普拉斯算子检测经过步骤c)图像分割后的光伏阵列图像中灰度值剧烈变化的边界，并产生了3个亮对象；

e)对3个亮对象的封闭区域填充白，之外的其他区域填充黑，得如图4c所示的遮荫组件识别结果，其中白色区域表示遮荫组件区域，黑色区域包括背景区域与受正常光照的组件区域；

对比图4a与图4c可见，利用本发明的遮荫组件识别算法可以获得较好的识别效果；

步骤五：根据步骤三获取的光伏阵列光照区与阴影区的辐照度数据与步骤四识别的遮荫组件，结合光伏阵列结构，分析可得光伏阵列各个组件上的辐照度；

步骤六：结合组件辐照度、光伏组件参数以及光伏阵列结构，利用计算机仿真快速绘制该时刻光伏阵列的输出特性曲线如图5所示。

本实施例无需测量各组件或各支路的电流与电压，只需采集少量的辐照度数据与阵列图像，通过简单的遮荫组件识别算法即可绘制光伏阵列的输出特性曲线，不仅有助于光伏发电系统最大输出功率的跟踪与发电量预测，而且可以为光伏阵列重构优化提供必要的全局信息，实现光伏发电系统的高效运行。