基于红外图像的光伏阵列故障等级划分方法
【技术领域】
[0001] 本发明涉及光伏阵列故障等级划分方法，具体涉及一种基于红外图像的光伏阵列 故障等级划分方法。
【背景技术】
[0002] 太阳能作为可持续发展的绿色能源，具有清洁和高效等优点。我国作为一个能源 生产和消费的大国，发展太阳能光伏发电是我国解决能源需求、优化能源结构的理想选择。 在光伏发电过程中，光伏电池组件将太阳能转化为电能，是影响光电转化效率的主要因素。 随着光伏产业的迅速发展，光伏阵列运行状况检测等问题逐渐暴露。由于组件封装工艺等 原因，当组件运行几年后，局部区域因为气孔的渗入或扩散而老化，导致组件中的部分电池 板损坏；此外，组件受到遮挡或污染时，也会使光电转换受到影响，产生热斑并导致电池板 损坏。目前，部分投产较早的光伏电站已陆续出现局部的老化现象，如果无法确定光伏阵列 的实际运行情况，不及时发现组件的早期故障，将造成故障扩大，设备停运，严重影响光伏 电站的安全运行及其经济效益。
[0003] 传统的光伏系统故障诊断大多是基于电路结构属性以及测量的电信号参数来实 现的，可分为以下三类。一、电路结构法，通过改变电路结构，用传感器来测量一些电参数进 行故障诊断，该方法只能检测故障的大概位置，安装复杂，成本高；二、数学模型法，随着计 算机技术的发展，可以通过测量电信号估计系统状态及参数，对光伏系统构建数学仿真模 型，将估计值与实际值进行比较实现诊断，由于光伏系统故障的多样性，以及环境依赖性， 增加了模型建立的难度，局限大；三、电气测量法，只需要比较实际运行参数与理论运行参 数就能够判断系统是否存在故障，该方法简单有效，但存在一定的缺陷如故障位置不能确 定、组件的特性与形状要求相同、易受安装环境影响等。综上，我们可以了解到传统的光伏 系统故障诊断方法都有着自身的局限性，只能解决特定的问题。
[0004] 随着图像识别技术和热成像技术的飞速发展，红外图像法成为目前有效的故障检 测技术之一。自然界中一切温度高于绝对零度的物体，时刻都会发射出红外线，这些红外线 辐射载有物体的特征信息（如温度高低、热分布场等）。热成像技术就是把物体自身辐射的 红外辐射变成可见图像。此可见图像并不是人眼所能看到的目标可见光图像，而是目标表 面温度分布图像，换一句话说，红外热成像使人眼不能直接看到目标的表面温度分布，变成 人眼可以看到的代表目标表面温度分布的热图像。红外图像法指的就是获取红外图像，并 通过相应的软件编程对图像进行处理以检测设备故障。基于红外图像的状态识别算法有两 种思想：一是由下而上的数据驱动型，无论待识别目标属于哪一类，都先对原始图像进行分 害J、标记和特征提取，然后将每一个疑似目标区域的特征量与目标模型相匹配；二是自上而 下的知识（假设）驱动型，需要根据待识别目标的模型，先对图像中可能存在的特征提出假 设，根据假设，有目的的进行分割、标记和特征提取，在此基础上和目标模型进行匹配，以识 别待识别的疑似目标。
[0005] 基于知识驱动型的模式识别算法是新的有效红外图像目标识别方法。常用模式识 别算法有：人工神经网络（ANN)模式识别算法；多传感器信息融合模式识别算法；模糊模式 识别算法等。目前，基于红外图像针对光伏阵列故障诊断的模式识别方法的研究还很少， 主要是采用信息融合与模糊推理的方法，实现对光伏阵列中太阳能组件工作状态的自动识 另IJ。该方法需要考虑来自不同类型传感器的光照、环境温度、风速等环境信息，因此，前期的 人工数据采集工作周期长、工作量大，数据的预处理也更繁琐，模型构建复杂，且只能依次 对单张图片进行分析诊断，无法实现对大量图像的快速分析诊断。
[0006] 工程实际中，如何对组件的工作状态进行快速有效的分析，及时确定设备的故障 等级，并对故障隐患安排检修更换是一个亟待解决的问题，也是今后光伏电站运行维护的 重要内容。
【发明内容】
[0007] 为了克服上述现有技术存在的不足，本发明的目的在于提供一种基于红外图像的 光伏阵列故障等级划分方法，只需采集少量的光伏组件红外图像信息，在对红外图像数据 分析的基础上，建立基于该场景下的光伏阵列故障等级划分模型，实现对光伏阵列有效的 故障等级划分，简便易行且通用性好，更为直观；使得光伏发电系统在安全稳定的前提下， 保持最佳运行状态，这样不仅为光伏组件的高效运行提供有效保证，而且能够提高光伏电 厂的经济效益。
[0008] 为了达到上述目的，本发明所采用的技术方案是：
[0009] -种基于红外图像的光伏阵列故障等级划分方法，步骤如下：
[0010] 步骤1:首先采集光伏阵列系统红外图像信息，采集的信息包括1张光伏组件红外 图像及其温度信息，每张图均分成λ个图像单元的图像信息；采集到的原始红外图像信息 构成图像信息数据库，即IX λ X υ的三维张量X，三个维度分别表示光伏组件红外图像数 1、图像分割单元数λ以及每一个图像单元的信息特征变量数υ ;
[0011] 步骤2 :根据各图像的温度信息，对1张光伏组件红外图像进行故障等级编码，形 成故障等级一维列向量￥(6><：1,)，}^表示第|张图的故障等级（/^1,2,...,/) |
[0012] 步骤3 :基于红外图像的光伏阵列故障等级划分方法采用Tensor-V混合偏最小二 乘法，针对光伏阵列故障等级划分通过红外图像信息数据库三维张量X来预测故障等级一 维列向量Y，从而建立一个张量-向量的故障等级划分模型；将红外图像信息数据库三维张 量X分解为一组秩-(1，L 2, L3)张量的和，故障等级一维列向量Y分解为向量的和，潜向量个 数为K，如下所示：
[0015] 其中，氐是第k个核张量，if、/f1分别为mode-Umode-2上正交的负载矩阵，s k 是第k个潜向量，dk是第k个回归系数，Εκ、E'濕残差，" X n"表示η模乘；
[0016] 步骤4:将红外图像信息数据库三维张量X、故障等级一维列向量Υ作为输入，初始 化将红外图像信息数据库三维张量X、故障等级一维列向量Υ作为初始残差量，令k = 1，L =x, Ε\= Y ；
[0017] 步骤5 :求建立基于红外图像的光伏阵列故障等级划分模型的模型参数，具体如 下：
[0018] ⑴引入张量-向量乘积得到的交叉协方差张量
[0019] ⑵对交叉协方差张量Q做秩_(1，L 2，L3)的高阶正交迭代，即
'得到负载矩阵
；匕为IX (L2XL3)向量形式的核张量；
[0020] ⑶求潜向量sk，对（EkX2P k(1)TX3Pk(2)T)⑴做奇异值分解，第一个主导左奇异向量即 为潜向量sk;"（l)"表示矩阵化；
[0021] ⑷求核张量氐及回归系数dk，公式如下：
[0024] (5)当k = K或| |EJ |F< ε，| |E' k| |F< ε时，即直到K个潜变量都计算一遍或者 残差满足一定范围，转到步骤(7);
转到步骤⑴；
[0026] (7)输出模型参数，负载矩阵
.，潜向量矩阵S = IX，…，sk]，核张量低}， 回归系数矩阵D=[山，…，dk];
[0027] 步骤6 :建立基于红外图像的光伏阵列故障等级划分模型
[0029] 式中，W由
得到，" 表示张量积，" + "表示广义逆；
[0030] 步骤7 :令If = WD，则基于红外图像的故障等级划分模型为
[0032] 至此，基于红外图像的光伏阵列故障等级划分模型完成；
[0033] 步骤8 :得到模型后，对现场新采集的Γε"张光伏组件红外图像做预测，根据新的 λ new- 红外图像信息数据库三维张量来预测故障等级一维列向量& \预测值根据下式得到
a new
[0035] 至此，基于红外图像的光伏阵列故障等级划分预测完成，输出全. a new
[0036] 步骤9 :基于红外图像的光伏阵列故障等级划分方法根据输出的I ，得到每张图 像的故障等级。
[0037] 根据所述基于红外图像的光伏阵列故障等级划分方法，快速有效的得到故障等级 编码值，提供给光伏电站运行维护的工作人员，及时对存在问题的光伏组件安排检修更换， 从而实现了光伏组件持续最佳状态运行，保证了光伏电厂的经济效益。
【附图说明】
[0038] 图1为采集的6张光伏组件红外图像，其中：图1-1为采集的第一张光伏组件红 外图像，图1-2为采集的第二张光伏组件红外图像，图1-3为采集的第三张光伏组件红外图 像，图1-4为采集的第四张光伏组件红外图像，图1-5为采集的第五张光伏组件红外图像， 图1-6为采集的第六张光伏组件红外图像。
[0039] 图2为采集的6张光伏组件红外图像的故障等级编码图，其中：图2-1为采集的第 一张光伏组件红外图像的故障等级编码图，图2-2为采集的第二张光伏组件红外图像的故 障等级编码图，图2-3为采集的第三张光伏组件红外图像的故障等级编码图，图2-4为采集 的第四张光伏组件红外图像的故障等级编码图，图2-5为采集的第五张光伏组件红外图像 的故障等级编码图，图2-6为采集的第六张光伏组件红外图像的故障等级编码图。
[0040] 图3为新采集的3张光伏组件红外图像，其中：图3-1为新采集的第一张光伏组件 红外图像，图3-2为采集的第二张光伏组件红外图像，图3-3为采集的第三张光伏组件红外 图像。
[0041] 图4为新采集的3张光伏组件红外图像预测得到的故障等级编码图，其中：图4-1 为新采集的第一张光伏组件红外图像预测得到的故障等级编码图，图4-2为新采集的第二 张光伏组件红外图像预测得到的故障等级编码图，图4-3为新采集的第三张光伏组件红外 图像预测得到的故障等级编码图。
【具体实施方式】
[0042] 下面结合光伏阵列红外图像中图像单元的故障等级划分为实例对本发明作更详 细的说明。
[0043] 本发明基于红外图像的光伏阵列故障等级划分方法，步骤如下：
[0044] 步骤1 :首先采集光伏阵列系统红外图像信息，采集的信息包括1 = 6张光伏组件 红外图像及其温度信息，及每张图均分成λ =9个图像单元的图像信息；采集到的原始红 外图像信息构成图像信息数据库，即IX λ X υ的三维张量X，三个维度分别表示光伏组件 红外图像数1、图像分割单元数λ以及每一个图像