一种应用于光伏发电的监控管理系统的制作方法

本发明涉及光伏发电，具体来说，涉及一种应用于光伏发电的监控管理系统。

背景技术：

1、目前，全球能源问题日益突出，传统的燃料能源正在一天天减少，绿色环保的能源开发利用越显重要。光伏发电作为新型可再生能源，具有安全可靠、清洁无污染、可再生等优点，各国政府也出台政策重点支持光伏产业。光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，主要由太阳电池板（组件）、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳电池组件，再配合上功率控制器等部件就形成了光伏发电装置。

2、然而，现有的大型光伏发电厂为了节约土地成本和增加光照时间，往往会将建设地址选择在偏远地区，甚至高海拔地区，从而使得恶劣的条件给光伏发电设备的维护带来了不便。同时，由于光伏电池板常年暴露于室外，经常出现沙尘或鸟粪遮挡的现象，以及出现光伏组件破损或者板材脱落等问题，若这些异常问题不能及时消除极大概率会导致光伏板局部温升或出现热斑效应，使得发电效率下降甚至板材短路造成组件烧毁，此外，在光伏组件运行的过程中同时容易因为运行异常而导致短路、输出功率异常等现象，因此为提升光伏电站的电能质量，确保光伏发电正常运行，需要对光伏组件进行巡检监控，故本发明提出了一种应用于光伏发电的监控管理系统。

技术实现思路

1、针对相关技术中的问题，本发明提出一种应用于光伏发电的监控管理系统，以克服现有相关技术所存在的上述技术问题。

2、为此，本发明采用的具体技术方案如下：

3、一种应用于光伏发电的监控管理系统，包括监控终端模块、云端服务器及管理终端模块；

4、其中，监控终端模块包括数据采集模块及视频监控模块；

5、数据采集模块用于采集光伏发电站的环境数据及运行数据；

6、视频监控模块用于对光伏发电站的现场状况进行实时视频监控；

7、云端服务器包括数据获取模块、分析诊断模块、通讯模块及数据库；

8、数据获取模块用于获取光伏发电站的环境数据、运行数据及现场实时视频监控数据；

9、分析诊断模块用于利用图像识别技术对光伏发电站的光伏组件进行异常检测，还用于利用获取的运行数据对光伏组件的运行状态进行分析检测；

10、通讯模块用于实现云端服务器与监控终端模块及管理终端模块之间的无线通讯连接；

11、数据库用于对系统运行过程中产生的数据进行存储及调用；

12、管理终端模块包括信息查询模块、状态显示模块、控制调度模块及异常报警模块；

13、信息查询模块用于管理人员对光伏发电站的环境数据、运行数据及现场实时视频监控数据进行查询；

14、状态显示模块用于显示光伏发电站的环境数据、运行数据及现场实时视频监控数据；

15、控制调度模块用于根据采集的运行数据及检测得到的异常数据执行对应的控制调度计划；

16、异常报警模块用于在光伏发电站出现运行状态异常时进行报警，并向管理人员发出维修请求通知。

17、进一步的，数据采集模块包括为温湿度采集模块、电流采集模块、电压采集模块及功率采集模块；

18、其中，温湿度采集模块用于采集光伏发电站中现场光伏组件运行时的实时温湿度；

19、电流采集模块用于采集光伏组件及光伏并网逆变器的实时运行电流；

20、电压采集模块用于采集光伏组件及光伏并网逆变器的实时运行电压；

21、功率采集模块用于采集光伏组件及光伏并网逆变器的实时运行功率。

22、进一步的，分析诊断模块包括光伏组件异常检测模块及运行状态异常检测模块；

23、光伏组件异常检测模块用于利用图像识别技术对光伏发电站中的光伏组件进行异常检测，实现光伏组件自身状态的异常检测；

24、运行状态异常检测模块用于利用改进的bp小波神经网络模型结合获取的运行数据对光伏组件的运行状态进行分析检测，实现光伏组件运行状态的异常检测；

25、其中，光伏组件异常检测模块包括光伏组件识别模块及光伏组件异常识别模块；

26、光伏组件识别模块用于利用改进的gvf snake模型对现场实时视频监控数据中的光伏组件进行识别；

27、光伏组件异常识别模块用于利用概率霍夫变换算法结合轮廓提取算法对光伏组件出现的异物遮挡或组件破损状况进行识别与分类。

28、进一步的，光伏组件识别模块包括序列图像获取模块、图像预处理模块、gvf图像生成模块、初始收敛位置匹配模块、迭代收敛模块、初始收敛轮廓位置匹配模块、轮廓点预测模块、snake迭代模块及识别结果输出模块；

29、序列图像获取模块用于获取现场实时监控视频的序列图像；

30、图像预处理模块用于在序列图像出现反光现象时进行图像增强处理，还用于对序列图像进行平滑处理；

31、gvf图像生成模块用于利用改进的gvf模型进行计算，并迭代生成改进的图像gvf；

32、初始收敛位置匹配模块用于在第一幅序列图像中沿着光伏组件串的边缘以鼠标点击的方式在图像边缘附近点击设定关键点位置，得到的收敛轮廓用来预测第二层轮廓点，并经过匹配得到初始收敛位置；

33、迭代收敛模块用于以初始收敛位置的轮廓作为snake的初始轮廓进行迭代；

34、初始收敛轮廓位置匹配模块用于以第一幅序列图像位置作为第二幅序列图像的预测位置，同时也是匹配的初始位置，经过匹配后得到初始收敛的轮廓位置，并判断是否超过底层，若是，则实现对序列图像中光伏组件串的识别，若否，则进行块匹配；

35、轮廓点预测模块用于利用前两层的收敛结果预测下一层的轮廓点，并以预测的位置为初始位置进行块匹配；

36、snake迭代模块用于利用带有三维约束的snake进行迭代收敛，层数加一再次进行越层判断并进行后续的预测及匹配，以此循环直至实现对所有序列图像的识别；

37、识别结果输出模块用于输出所有序列图像中光伏组件串的识别结果，并对所有的光伏组件串进行编号。

38、进一步的，图像预处理模块包括反光判断模块、图像增强处理模块及图像平滑处理模块；

39、反光判断模块用于判断序列图像是否存在反光现象；

40、图像增强处理模块用于在列图像出现反光现象时进行图像增强处理；

41、图像平滑处理模块用于对序列图像进行平滑处理，增强边缘，去除噪音。

42、进一步的，改进的gvf模型的表达式为：

43、

44、式中，ε表示能量函数，f表示被处理图像的边缘图，（x,y）表示像素的坐标，d表示一个对称且半正定矩阵，μ表示加权系数，v表示矢量场，▽f表示f的梯度场，u表示力场在x方向上的投影，v表示力场在y方向上的投影，▽表示图像求解的梯度算子，dx表示x方向上的卷积核，dy表示y方向上的卷积核，t表示转置。

45、进一步的，光伏组件异常识别模块包括光伏组件图像获取模块、异常图像获取模块、异常轮廓提取模块及异常状态识别模块；

46、光伏组件图像获取模块用于根据光伏组件的识别结果对组件最小外接矩形内的光伏组件区域进行截取，得到单个光伏组件图像；

47、异常图像获取模块用于基于形态学消除单个光伏组件图像的背景板和栅格线，并利用基于概率霍夫变换算法消除单个光伏组件图像的边框，得到异常图像；

48、异常轮廓提取模块用于利用八领域遍历算法对异常图像进行轮廓提取，得到提取的轮廓图；

49、异常状态识别模块用于基于提取的轮廓图对光伏组件的异常状态进行识别及分类；

50、其中，异常状态识别模块在基于提取的轮廓图对光伏组件的异常状态进行识别及分类时包括：

51、判断是否提取到有效轮廓，若否，则表示没有异常，若是，则判断是否存在多个轮廓，若否进行执行轮廓内颜色特征的判断，若是，则执行下一步；

52、降低筛选阈值后再继续判断多个轮廓是否出现辐射状区域，若是，则判定为光伏组件玻璃破损，若否，则判定为多异物遮挡；

53、判断轮廓内的颜色特征是否为非白色区域，若是，则判定为异物遮挡，若否，则判断轮廓是否具有规则性，若是，则判定为eva脱落，若否，则判定为异物遮挡。

54、进一步的，当判定为异物遮挡时包括以下步骤：

55、对提取的轮廓图像进行最小外接矩形的提取，得到所有轮廓的最小外接矩形，同时计算出所有最小外接矩形的长、宽、长宽比及面积信息；

56、基于预先制定的轮廓筛选条件对所有的最小外接矩形进行筛选和排除，筛选出属于异物遮挡的区域，得到异物遮挡的轮廓及遮挡区域的位置信息；

57、其中，轮廓筛选条件为：

58、条件1：width≥lth＆＆length≤hth＆＆length≥width

59、条件2：a≤length/ width≤b

60、式中，width表示最小外接矩形宽度，length表示最小外接矩形长度，lth表示低阈值大小，hth表示高阈值大小，a、b表示范围参数，当最小外接矩形同时满足条件1和条件2时则认定其为异物遮挡区域。

61、进一步的，运行状态异常检测模块在利用改进的bp小波神经网络模型结合获取的运行数据对光伏组件的运行状态进行分析检测，实现光伏组件运行状态的异常检测包括：

62、构建改进的bp小波神经网络模型，并利用数据库中光伏发电站的历史运行数据对模型进行训练；

63、采集上一时刻光伏组件及光伏并网逆变器的运行数据，并将其输入训练好的改进的bp小波神经网络模型中，得到当前时刻光伏组件及光伏并网逆变器的预测运行数据；

64、将当前时刻检测得到的光伏组件及光伏并网逆变器的运行数据与预测运行数据进行分析比较，当运行数据与预测运行数据的差值超出预设阈值时，则判定当前时刻光伏组件的运行状态异常。

65、进一步的，构建改进的bp小波神经网络模型包括以下步骤：

66、结合小波类型、时频参数及训练样本数据设置输入层到隐含层权值、隐含层神经元阈值及小波伸缩平移参数；

67、通过引进隐含层饱和度构建新的误差函数，建立改进的bp小波神经网络模型；

68、其中，新的误差函数的公式如下：

69、

70、式中，p表示全部输入样本数，p表示样本，m表示输出层的节点数量，j表示输出层各节点，l表示隐含层的节点数量，k表示隐含层各节点，n表示偶数，tp表示期望输出，tpj表示输出层各节点的期望输出，tpk表示隐含层各节点的期望输出，yp表示实际输出，ypj表示输出层各节点的实际输出，表示隐含层饱和度比例因子，ea表示第a个样本误差，eb表示第b个样本误差。

71、本发明的有益效果为：

72、1）通过监控终端模块、云端服务器及管理终端模块之间的配合使用，可以实现对光伏组件运行参数及实时状态数据的采集存储及分析处理，从而可以实现对光伏发电系统的运行参数预测、故障显示和警报提示等，进而可以为用户提供全面的监控管理功能。

73、2）通过设置有光伏组件异常检测模块和运行状态异常检测模块，从而不仅可以在光伏组件异常检测模块的作用下利用图像识别技术来实现对光伏组件表面异物遮挡、组件破损或材料脱落等现象的检测及识别，而且还可以在运行状态异常检测模块的作用下利用改进的bp小波神经网络模型来实现对异常运行数据的检测及识别，进而可以有效地提高光伏发电系统的运行安全。

74、3）通过设置有光伏组件识别模块和光伏组件异常识别模块，从而不仅可以在光伏组件识别模块的作用下利用改进的gvf snake模型对现场实时视频监控数据中的光伏组件进行识别，可以在图像分割是更好地考虑图像的边缘信息，使得分割效果更加理想，而且还可以在光伏组件异常识别模块的作用下利用概率霍夫变换算法结合轮廓提取算法来实现对光伏组件表面异物遮挡、组件破损或材料脱落等现象的识别，进而可以更好的满足于光伏发电站的监控管理需求。