光伏组件故障诊断方法研究

杨 磊，高德东，孟广双，王 珊

（1.青海大学机械工程学院，青海 西宁 810016；2.唐山工业职业技术学院，河北 唐山 063299）

1 引言

光伏组件的安全可靠运行是光伏发电的基本条件，而光伏组件的发电受多种因素影响。光照，温度，湿度，风沙等外部环境因素会导致光伏组件发电功率的降低。长时间暴露在外部环境中，光伏板也会产生热斑、裂纹等内部故障，而热斑、裂纹等内部故障的产生会造成许多潜在的风险和隐患。因此，需及时对光伏电站进行巡检，对检测出的有故障甚至已经不发电的光伏板，及时进行剔除，防止安全隐患的产生[1]。

对光伏组件故障部分进行识别检测以及用图像分割、图像聚类方法提取光伏板故障区域的研究已有很多。文献[2]在对光伏阵列红外图像进行预处理和分析的基础上，采用信息融合与模糊推理的方法，对光伏阵列中太阳电池的正常、遮挡、老化损坏的工作状态进行识别。文献[3]基于模糊C均值聚类的方法，分析了光伏组件故障特征量与故障类型之间的模糊映射关系，根据隶属度函数算法得出待诊断样本与各故障类型间的隶属度关系。文献[4]采用灰度共生矩阵和区域生长算法相结合的方法对阈值进行自动调整，进而对光伏板图像进行了分割。但此类研究只对红外图像进行处理，并未系统研究从航拍图片至计算出故障区域大小的全过程。在航拍光伏板红外图像的基础上，运用透射变换法对图片进行倾斜校正，运用改进Otsu算法对矫正截取后的图像进行目标区域分割提取，从而计算出故障区域大小，便于研究故障区域与发电量的关系，及时对故障光伏板进行更换，保证光伏电站安全的工作环境。

2 电池板图像倾斜矫正的研究

为得到光伏组件的红外图像，需采用无人机对光伏电站进行巡检。利用无人机进行巡检，不但可以实时检测故障区域，还可对产生故障的光伏组件进行拍照并保存图像。而且采用无人机巡检具有速度快，效率高，减轻劳动力，节约成本等优势。但为更好吸收太阳光，光伏板安装时采用倾斜安装的方式，故采用无人机进行航拍生成的图像中光伏板也是倾斜的，为便于之后对图像的处理，文中采用透视变换法对光伏电池板图像进行倾斜校正。透射变换是指利用透射中心、像点、目标点三点共线，根据透视旋转定律使透视面绕透视轴旋转某一角度，破坏原有的投影光线束，仍能保持透视面上的投影几何图形不变的变换[5]。即将图像投影到一个新的视平面的变换。

透视变换的通用变换公式为：

透视变换的方程组有8个未知数，所以求解就需要找到4组映射点，即基于四个固定顶点的变换。根据透视变换对应的四对像素点坐标，即可求得透视变换矩阵，根据得到的透视变换矩阵，即可对图像或像素点坐标完成透视变换[6]。

假设把原倾斜图像中选定的四点坐标标记为（x1，y1）（x2，y2）（x3，y3）（x4，y4），对应的矫正后坐标标记为（u1，v1）（u2，v2）（u3，v3）（u4，v4），则根据式（2）得到透视变换的变换矩阵：

根据式（3）得到透视参数，用解出的透视参数对原图像进行透视变换，得到矫正图。

应用透视变换法对光伏板红外图像进行倾斜校正的前后对比图像，如图1所示。按照左上、右上、左下、右下的顺序选用图1（a）中的四个标红顶点作为变换固定点，对图像进行倾斜校正和灰度化处理。从图1（b）可以看出校正后图像的效果，该电池板由平行四边形变为矩形。若拍摄时保证无人机在光伏板上方同一位置，则可通过此算法进行大批量图像处理。

图1 无人机航拍的光伏组件红外图像Fig.1 Infrared Image of Photovoltaic Module Taken by UAV

3 光伏板红外图像分割处理

3.1 单片光伏板截取

根据文献[7]可知，不同工作状态下的太阳电池的表面温度是不同的，而红外图像可根据不同的温度显示不同的颜色，因此使用无人机对光伏电站进行巡检，可通过地面显示装置的红外图像直接看出热斑、裂纹等故障的存在，但不能确定该故障光伏板的发电量。为研究故障大小对发电量的影响，需对图像中的故障区域进行提取并量化。光伏板由电池片、封装胶膜、钢化玻璃、背板和铝合金边框封装组成，电池片是光伏板的工作部分，铝合金边框起封装保护作用，航拍所得图像中显示的光伏板是以串联或并联方式连接而的，根据光伏板的组成结构（如图2所示）可知，边框等不发电部位会对故障区域的图像处理进行干扰，因此为防止边框等外部因素影响，简化图像处理程序，需先对图像中的单片光伏板进行截取。截取结果，如图3（a）所示。

图2 光伏组件结构图Fig.2 Structure of Photovoltaic Module

图3 图像形态学处理过程Fig.3 Image Morphology Processing Process

3.2 形态学处理

形态学图像处理以几何学为基础，主要研究图像的几何结构。而研究图像几何结构的基本思想是利用一个结构元素去探测图像，看这个结构元素能否很好的填充到图像内部[8]。开运算是形态学操作的一种方式，一般用于平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。结构元b对图像f的开运算定义为：

即开运算是先通过结构元b对图像f做腐蚀运算，随后用结构元b对结果做膨胀运算。开运算常常用于去除那些相对于结构元素b而言较小的高灰度区域。因此，结构元素b的形状、大小的选取影响图像处理的结果。经调试，选用半径为12的圆盘结构作为结构元素。

将开运算与图像相减相结合，会产生所谓的顶帽变换。即顶帽变换定义为灰度图像f减去其开运算。

顶帽变换是解决非均匀光照问题的一种常用方法，具有去除较小的明亮细节，保持整体灰度级和较大的明亮特征相对不变的优势。光伏板表面有时会有电线、树叶等遮蔽物，会产生阴影造成光伏板表面光照不均匀。因此，可用顶帽变换进行图像预处理。截取的单片光伏板图像f，如图3（a）所示。f经过顶帽变换后的图像，如图3（b）所示。图像f的三维可视化效果，如图3（c）所示。图中的“山峰”对应图像f中的裂纹部分。可以观察到“峰”位于“斜坡”上，即图像的“地基”并不处于同一高度，这是由于图像中背景不均匀造成的。选取半径为12的圆盘结构元素与图像f进行开运算得到如图3（d）所示的三维可视化效果。从原图像f中减去这个不均匀的背景（如图3（d）所示）得到的三维可视化效果如图3（e）所示，可以看出图像的“山峰”高度范围由原来的（0～180）变为（0～70），明显降低，即顶帽变换可有效解决背景不均匀问题[9]。

3.3 改进Otsu算法

3.3.1 Otsu算法原理

令{0，1，2，…，L-1}表示一幅大小为M×N像素的数字图像中的L个不同的灰度级，灰度为i的像素数为ni，图像中的像素总数MN为[10]：

假设选择一个阈值T（k）=k，0＜k＜L-1，并根据阈值k把输入图像像素处理为两类A1和A2，其中，A1由灰度值在范围[0，k]内的所有像素组成，A2由灰度值在范围[k+1，L-1]内的所有像素组成。则区域A1和A2的概率分别为：

从上式可以看出，两个均值m1和m2彼此隔得越远，类间方差越大，使类间方差最大的k值便是最佳区域分割阈值。

为了评价级别k处的阈值的“质量”，我们使用归一化的无量纲矩阵：

仅由单一且恒定灰度级的图像就能得到下界，且仅由灰度等于0和L-1的二值图像就能得到上界[10]。

3.3.2 改进Otsu算法

Otsu算法是一种自动选择阈值的方法，不需要人为设定其它参数，而且能得到比较好的割据效果。Otsu算法原理是利用最佳阈值将图像的灰度值分割成背景和目标两个部分，使背景和目标之间的方差最大[12]。背景和目标之间的方差越大，就说明构成图像的两部分之间的差别越大[13]。截取图像进行顶帽变换后运用Otsu算法的处理效果图，如图4（a）所示。在顶帽变换的基础上，对其灰度值进行拉伸，再利用Otsu算法选取图像阈值得到的图像，如图4（b）所示。观察图像可以看出对图像进行灰度拉伸后得到的分割效果不会造成图像的过度分割，效果更好。

图4 图像变换效果的对比图Fig.4 Comparison of Image Transformation Effect

3.4 连通区域标记

利用改进Otsu算法将裂纹、热斑等故障区域提取出来后，对提取区域进行标记，如图5所示。并利用MATLAB编程直接计算该标记区域的面积。用标记区域面积度量该块光伏板的故障程度，便于后续其与发电量关系的分析。

图5 区域划分效果图Fig.5 Effect Picture of Regional Division

3.5 图像处理算法流程

首先利用无人机对光伏组件进行航拍，获取光伏组件的红外图像。图像的处理算法，如图6所示。

图6 图像处理算法流程Fig.6 Image Processing Algorithm Flow

将红外图像进行灰度变换和倾斜校正后，截取出图像中的单片光伏板，进行形态学预处理。在利用改进Otsu算法时，计算输入图像的归一化直方图，计算累计和、累计均值、全局灰度均值和类间方差，得到的使类间方差最大的阈值即为最佳分割阈值。当使类间方差最大的阈值不唯一时，用相应检测到的各个阈值进行平均，得到的值确定为最佳阈值。经上述步骤，图像已分割完成，对分割出的裂纹区域进行标记，最后计算标记区域的面积，即图像的分割量化过程。

4 实验结果分析

为了验证本算法对光伏组件红外图像故障区域检测的有效性，需对光伏实验平台的电池板进行航拍，得到红外图像与可见光图像，对比分析两种图像，筛选分类其中的无故障光伏板、热斑光伏板和裂纹光伏板，对其进行倾斜校正和单片光伏板截取的处理，并用K均值聚类算法和本文采用的改进Otsu算法分别对筛选的三类光伏板图像进行处理，每一类别各挑选出一张，分别标号为图①、图②、图③，将处理结果图与原图对比，其中图①为无故障光伏板，图②为产生热斑的光伏板，图③为产生裂纹的光伏板，实验结果，如图7所示。

图7 不同算法的处理对比图Fig.7 Processing Comparison of Different Algorithms

校正截取后的图①，如图7（a）所示。用K均值聚类算法分割得到的图①，如图7（b）所示。这里改进Otsu算法分割得到的图①，如图7（c）所示。校正截取后的图②，如图7（d）所示。用K均值聚类算法分割得到的图②，如图7（e）所示。这里改进Otsu算法分割得到的图②，如图7（f）所示。用K均值聚类算法分割得到的图③，如图7（g）所示。这里改进Otsu算法分割得到的图③，如图7（h）所示。分别计算经过处理的三幅图像的面积和程序运行时间，生成数据，如表1所示。

表1 K均值聚类算法的参数Tab.1 Parameters of K-Means Clustering Algorithm

由于光照强度、环境温度等外部环境的影响，采用热成像相机对光伏组件进行拍摄得到的图像会产生明显的光照不均，对图像阈值的选取会产生一定的影响，最终影响图像的分割效果。拍摄得到的图像也会受到噪声等因素的影响，对图像的分割效果会产生一定的影响，造成处理误差，图7（c）为无故障光伏板，但表2中图像的处理结果却产生了故障面积，造成误差影响。因此，如何进一步完善此算法是进一步的工作。

表2 改进Otsu算法的参数Tab.2 Parameters of Improved Otsu Algorithm

实验结果表明，用K均值聚类算法和这里的改进Otsu算法对图像处理得到的裂纹、热斑的面积是不同的。将用两种方法处理的图像分别与其截取原图对比，观察可得采用改进Otsu算法对正常工作的电池板的处理和故障光伏板的处理都与原图基本重合，如上图所示。观察表1和表2可得，对截取后的图片运用改进Otsu算法运行的时间比K均值聚类算法运行的时间少。相比之下文中给出的改进算法在提取光伏组件红外图像故障区域时有较好的优势，算法处理后得到的故障面积，如表2所示。

5 结语

为方便预测光伏板故障区域面积与发电量的关系，保障电站发电量，这里研究了光伏组件红外图像中裂纹、热斑等故障区域的分割、提取、量化方法。利用无人机拍摄红外图像并经过图像倾斜校正，单片光伏板截取，图像形态学处理和改进Otsu算法等步骤完成对单片光伏板故障区域面积的计算。经实验验证，利用透射变换与改进Otsu算法相结合的方法可以有效的对无人机拍摄的图像进行处理并对裂纹等故障区域进行分割和计算。

未来工作需要进一步将此算法用于处理不同故障类型的光伏红外图像；其次，由于裂纹等故障的大小会影响光伏组件的发电量，因此后续工作会研究光伏组件发电量与故障区域大小的关系，实现基于无人机的自动化故障检测。