一种电‑图模型的光伏热斑效应检测方法

暂无

一种电-图模型的光伏热斑效应检测方法\n技术领域\n[0001] 本发明涉及光伏发电系统故障检测领域，尤其是一种电-图模型的光伏热斑效应检测方法。\n背景技术\n[0002] 随着“能源安全危机”的愈发突显，太阳能作为一种无污染、可再生的环保新能源，已经在能源领域占据了非常重要的地位。然而，太阳能(也称光伏)电站工作的稳定性和输出功率与每一块光伏电池板的工作状态都息息相关，如何有效地对每块光伏电池板进行监测和故障诊断是维持光伏电站正常工作的首要问题。\n[0003] 热斑效应是光伏电池板的运行过程中极易发生的一种主要故障现象。具体地讲，在光照不均匀、光伏电池板被遮蔽、光伏电池板本身质量不合格或者电池板安装使用不当等情况下，光伏电池会出现热斑效应，即不再作为电源向外输出功率，而是成为负载消耗其他未被遮蔽的光伏电池产生的功率，此时系统的发电效率会急剧下降，严重时被遮蔽的光伏电池会由于过热而烧毁，从而使系统可靠性降低。热斑效应严重影响了光伏电池板的使用安全和寿命，热斑测试也由此成为认证测试过程中的一项重要试验，并且通过率非常低。\n[0004] 为了避免上述问题，通常采用在每一光伏电池的两端并联一个旁路二极管，当光伏电池未被遮蔽时该光伏电池正常工作，旁路二级管不导通；当光伏电池被遮蔽时，光伏电池两端电压的极性会与正常工作时相反，旁路二极管导通，从而保护该光伏电池，防止被遮蔽的光伏电池由于过热而烧毁。这种方法虽然可以保护被遮蔽的光伏电池，一定程度上延长光伏电池板的寿命，但仍然使得整个光伏发电系统在遮光情况下发电效率下降，并且解决不了根本的问题。\n[0005] 为了检测光伏电池板热斑效应，目前常用的方法是基于红外图像分析。发生热斑现象的光伏电池单体表面温度与正常工作的光伏电池单体表面温度差异十分明显,导致两者产生的红外图像差异也是十分明显,通过对红外图像的处理与分析,可以提取可能的热斑现象故障区域及区域的特征信息,从而能够实现对光伏电池单体工作状态正常与否进行识别。然而此种方法存在一些缺陷：a.不能区分温度相差不明显的状态,检测精度与准确度不高；b.不能在光伏电池板将要出现热斑效应时，及时地检测到该故障，实时性差且不易实现在线故障分析和报警等等。在目前阶段,此方法的检测精度和效率相对较低。\n发明内容\n[0006] 本发明的目的是提供一种电-图模型的光伏热斑效应检测方法，进一步提高检测光伏热斑效应的精度与准确度。\n[0007] 本发明提供的一种电-图模型的光伏热斑效应检测方法，包括以下步骤：\n[0008] S1：采集光伏电池板输出的电压信号和电流信号以及红外热像图；\n[0009] S2：观察分析红外热像图信息并对光伏电池板热斑效应做出初步判断；\n[0010] S3：输入根据专家经验构建的电-图模型；\n[0011] S4：输出故障值Y；\n[0012] S5：将所得Y值与给定的故障阈值比较；\n[0013] S6：对光伏电池板热斑效应进行准确检测，并且给出热斑效应的轻重度；\n[0014] 进一步，所述步骤S3中的根据专家经验构建的电-图模型通过以下步骤来构建：\n[0015] S31：通过I-V分析仪采集光伏电池板正常运行状态下的输出电压信号和负载电流信号；\n[0016] S32：用红外热像仪采集光伏电池板正常运行状态下的红外热像图；\n[0017] S33：运用一种红外图像分割算法，即首先用粒子群算法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的光伏电池板的红外热像图；\n[0018] S34：利用红外图像分析仪可以得到整个光伏电池板的最高温度值T；\n[0019] S35：将光伏电池板正常工作情况下测得的值与光伏电池板出现热斑效应时测得的n组值进行比较分析，并且根据专家经验构建电-图模型：\n[0020] Y＝αUn/U+βIn/I+mγTn/T\n[0021] 其中，Y为输出的故障值，U和I分别表示正常工作时光伏电池板输出的电压有效值和电流有效值，Un和In分别表示通常情况下光伏电池板输出的电压有效值和电流有效值，Tn表示整个光伏电池板的最高温度值，α表示输出电压信号所占输出故障值的经验权重，β表示负载电流信号所占输出故障值的经验权重，γ表示红外热像图信号所占输出故障值的经验权重，m表示所检测的光伏电池板中出现热斑的个数，其中0≤m≤N+。\n[0022] 进一步，所述S33中的一种红外图像分割算法包括以下具体步骤：\n[0023] S331：首先通过粒子群算法确定最佳分割阈值。标准的PSO算法公式中，具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。\n在迭代过程中，每个粒子均会调整其在每一维空间的速度，计算出其新的位置。因为每个粒子更新是相对独立的，且维数只与适应度函数的解空间有关，所以，可以用下面的公式表示每个粒子其一维空间的运动情况：\n[0024]\n[0025] xt+1＝xt+vt+1   (2)\n[0026] 其中 r1,r2～U(0,1)， vt表示粒子在第t次迭代\n时的速度，xt表示粒子第t次迭代时的位置， 表示粒子在t次迭代过程中目前的个体极值点， 表示种群在t次迭代过程中目前的全局极值点， ω称为惯\n性权重，常量c1和c2称为加速度因子。通常设置速度的上边界vmax和下边界vmin，防止粒子远离搜索空间。\n[0027] 根据光伏电池板物理特性，将物理特性中的重要成分作为粒子群算法的输入，同时将物理结构特性方程作为适应度函数，从而输出分割的最佳阈值。\n[0028] S332：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。\n[0029] 在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励Sij，即像素对应的灰度值Iij。整个接受部分描述如下：\n[0030]\n[0031]\n[0032] 其中，VF和VL分别为放大系数，αF和αL为衰减常数，Ykl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由\n[0033]\n[0034] 计算得到.然后通过连接系数ξ将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励Uij，\n[0035] Uij(n)＝Fij(n)(1+ξLij(n))   (6)\n[0036] 此时，脉冲生成器将Uij与先前得到的阈值Eij进行比较.当Uij超过阈值Eij时，神经元点火形成脉冲，并输出为1，即\n[0037]\n[0038]\n[0039] 当神经元点火之后，其阈值因常数VE会瞬间增加，并在衰减因子αE的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。\n[0040] S333：得到分割后的光伏电池板热斑效应部分的红外热像图以及全部温度信息。\n[0041] 本发明的优点在于：其一，建立了一种热斑效应检测模型—电-图模型，同时为光伏电池板热斑效应检测提供了一种的方法；其二，提高光伏电池板热斑效应检测的准确度与实时性；其三，提出的电-图模型可以扩展运用到其他光伏发电系统设备的故障检测，具备很广阔的应用前景。\n附图说明\n[0042] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：\n[0043] 图1为一种电-图模型的光伏热斑效应检测方法流程图；\n[0044] 图2为电-图模型图；\n[0045] 图3为红外热像图分割算法流程图；\n[0046] 图4为光伏电池板热斑效应分割后的红外热像图。\n具体实施方式\n[0047] 以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。\n[0048] 图1为一种电-图模型的光伏热斑效应检测方法流程图，图2为电-图模型图，图3为红外热像图分割算法流程图，图4为光伏电池板热斑效应分割后的红外热像图，如图所示：\n本发明提供的基于电-图模型的光伏电池板热斑效应检测方法，包括以下步骤：\n[0049] S1：采集光伏电池板输出的电压信号和电流信号以及红外热像图；\n[0050] S2：观察分析红外热像图信息并对光伏电池板热斑效应做出初步判断；\n[0051] S3：输入根据专家经验构建的电-图模型；\n[0052] S4：输出故障值Y；\n[0053] S5：将所得Y值与给定的故障阈值比较；\n[0054] S6：对光伏电池板热斑效应进行准确预测诊断，并且给出热斑效应的轻重度；\n[0055] 所述步骤S3中的根据专家经验构建的电-图模型通过以下步骤来构建：\n[0056] S31：通过I-V分析仪采集光伏电池板正常运行状态下的输出电压信号和负载电流信号；\n[0057] S32：用红外热像仪采集光伏电池板正常运行状态下的红外热像图；\n[0058] S33：运用一种红外图像分割算法，即首先用粒子群算法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的光伏电池板的红外热像图；\n[0059] S34：利用红外图像分析仪可以得到整个光伏电池板的最高温度值T；\n[0060] S35：将光伏电池板正常工作情况下测得的值与光伏电池板出现热斑效应时测得的n组值进行比较分析，并且根据专家经验构建电-图模型：\n[0061] Y＝αUn/U+βIn/I+mγTn/T\n[0062] 所述S33中的一种红外图像分割算法包括以下具体步骤：\n[0063] S331：首先通过粒子群算法确定最佳分割阈值。标准的PSO算法公式中，具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。\n在迭代过程中，每个粒子均会调整其在每一维空间的速度，计算出其新的位置。因为每个粒子更新是相对独立的，且维数只与适应度函数的解空间有关，所以，可以用下面的公式表示每个粒子其一维空间的运动情况：\n[0064]\n[0065] xt+1＝xt+vt+1   (2)\n[0066] 其中 r1,r2～U(0,1)， vt表示粒子在第t次迭代时\n的速度，xt表示粒子第t次迭代时的位置， 表示粒子在t次迭代过程中目前的个体极值点，表示种群在t次迭代过程中目前的全局极值点， ω称为惯性\n权重，常量c1和c2称为加速度因子。通常设置速度的上边界vmax和下边界vmin，防止粒子远离搜索空间。\n[0067] 根据光伏电池板物理特性，将物理特性中的重要成分作为粒子群算法的输入，同时将物理结构特性方程作为适应度函数，从而输出分割的最佳阈值。\n[0068] S332：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。\n[0069] 在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励Sij，即像素对应的灰度值Iij。整个接受部分描述如下：\n[0070]\n[0071]\n[0072] 其中，VF和VL分别为放大系数，αF和αL为衰减常数，Ykl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由\n[0073]\n[0074] 计算得到.然后通过连接系数ξ将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励Uij，\n[0075] Uij(n)＝Fij(n)(1+ξLij(n))   (6)\n[0076] 此时，脉冲生成器将Uij与先前得到的阈值Eij进行比较.当Uij超过阈值Eij时，神经元点火形成脉冲，并输出为1，即\n[0077]\n[0078]\n[0079] 当神经元点火之后，其阈值因常数VE会瞬间增加，并在衰减因子αE的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。\n[0080] S333：得到分割后的光伏电池板热斑效应部分的红外热像图以及全部温度信息。\n[0081] 本实施例融合了多种算法而且建立了一种光伏热斑效应检测模型—电-图模型，制定了精确地诊断步骤，得到了最终的光伏电池板热斑效应结果或者预测热斑位置以及热斑效应的轻重度，从而为光伏电池板热斑效应检测找到一条途径，提高了光伏电池板的可靠性与稳定性。