基于信息融合的太陽電池陣列故障研究

周文誼，黃隆勝，鄭成博

(1.江西環境工程職業學院，江西贛州 341000；2.贛南師范大學物理與電子信息學院，江西贛州 341000；3.贛州佳源太陽能科技有限公司，江西贛州 341000)

基于信息融合的太陽電池陣列故障研究

周文誼1，黃隆勝2，鄭成博3

(1.江西環境工程職業學院，江西贛州 341000；2.贛南師范大學物理與電子信息學院，江西贛州 341000；3.贛州佳源太陽能科技有限公司，江西贛州 341000)

主要根據不同工作狀態下太陽電池的溫度明顯不同這一特點，并結合信息融合技術和模糊推理方法對太陽能光伏陣列的工作狀態進行自動識別與分析。首先對光伏陣列的紅外圖像進行預處理，對其中可能的故障區域及其特征信息進行提取，綜合考慮環境因素對圖像產生的影響，并結合信息融合技術和模糊推理方法自動識別光伏陣列中太陽電池的工作狀態。研究結果表明，通過采用的實驗方法可很好地對太陽能光伏陣列中組件的正常、老化、損壞、遮擋等工作狀態進行識別。

光伏陣列；信息融合；模糊推理；紅外圖像；工作狀態

光伏發電系統中光伏組件一般采用封裝工藝，在工作時組件中的部分區域會出現老化、損壞等現象，這會使系統的輸出受到影響。所以，對光伏組件的故障進行實時的診斷與分析是十分必要的。由于大部分光伏供電系統中光伏組件的數量較多，若直接測量組件會使系統變得很復雜，所以一般不采用這種方法[1]。由于不同工作狀態下的光伏組件的表面溫度不同，本文提出一種以紅外圖像為基礎的方法對太陽能光伏陣列的不同工作狀態進行自動識別及分析，本文所提出的方法主要針對在自然環境下運行的光伏發電系統。首先對所采集到的紅外圖像進行處理，將圖像中可能的故障區域及相應的特征信息進行提取，同時綜合環境因素對圖像產生的影響，并結合信息融合技術和模糊推理方法自動識別光伏陣列中太陽電池的工作狀態。

1 圖像處理

相關研究表明，理想狀態下光伏電池的轉換效率為8%～ 13%，處于正常工作狀態下的電池溫度為30℃，已損壞的太陽電池與正常狀態下的太陽電池的溫差為6.7～11.5℃。由于外界環境因素的影響(如風、散熱等)比理論值略小，但仍可區分兩種不同工作狀態下的太陽電池。本文中的紅外圖像通過非制冷熱成像探測儀來獲取，該探測儀的測溫范圍為－50～600℃，溫度分辨率為0.15℃，測溫精度為±4%，空間分辨率為1.5 mrad，光譜響應的波長為8～14 μm。紅外熱像儀存在容易受外界環境的影響、圖像邊緣模糊、目標與背景的對比度較差、成像不均勻等缺點，且所得紅外圖像的噪聲顆粒較大[2]，當采用的窗口較小時濾波效果不好，當采用的窗口較大時又會使圖像的邊緣更模糊，所以本文在比較之后，采用5×5的Gaussian濾波器對其濾波。

實際紅外圖像中噪聲和脈沖干擾與鄰域灰度之差較大，所得紅外圖像的二維灰度直方圖利用了灰度及鄰域平均灰度的信息，這樣有利于消除因噪聲等環境因素所產生的誤分割。由于外界存在噪聲等干擾使得紅外圖像中多了一些不確定的信息，而這些信息很難用統計信息對其描述，本文中采用模糊理論對這些不確定信息進行處理[3]。本文在二維灰度直方圖的基礎上，通過模糊聚類的方法對所得紅外圖像進行分割處理，以得到不同工作狀態下的目標信息。假設圖像中共有個像素點，灰度的取值范圍。定義f表示的映射關系，所以坐標為的某點像素的灰度值可表示為，則其鄰域灰度的平均值表示為，以灰度和鄰域平均灰度相對應的數據對表示紅外圖像的二維灰度直方圖，并利用二維矢量對圖像進行分割結果見圖1。根據同態性可得在目標和背景的臨分界鄰域，象素的灰度值與鄰域平均灰度值之間的差異較大；在目標和背景處，像素的灰度值和鄰域平均灰度值相近，所以圖1中的方塊0和方塊1分別包括目標類和背景類的分布，方塊2和方塊3與邊緣和噪聲相對應。由于所得紅外圖像中的噪聲較大，使得落在區域2和區域3的點遠遠大于可見光圖像，這樣會出現較多的誤分割，所以本文采用模糊聚類的方法對所得圖像進行劃分。模糊聚類方法中主要是應用模糊C均值的算法(最小二乘法的原理)，使均方差目標函數的值局部最小進行聚類像素。

圖1 分割后的二維灰度直方圖

2 狀態識別

由于安裝過程中光伏組件間存在一定的間隙，且處于工作狀態下的光伏組件的溫度比環境溫度高，這使得紅外圖像中光伏組件間間隙的灰度值小于電池組件，這部分區域會對識別工作產生較大干擾，所以應先將這部分區域去除。削弱或去除間隙對結果影響的一種方法是在將兩幅圖像相減后再進行圖像分割，也就是先對處于正常工作狀態下的光伏陣列的圖像進行采集，再將要分析的圖像與所采集的圖像相減。當光伏組件的面積較大時，進行這種差運算既費時又困難。由于太陽能光伏陣列的紅外圖像中，光伏組件中部分電池的老化損壞和光伏組件整塊損壞多呈長方形，而組件的間隙區域一般呈細長形，且空間分布較規則[4]。針對以上特點，本文中去除間隙的主要依據為長寬之比，通過這個比值A可區分開物體的形狀。電池的工作狀態主要反映在所得紅外圖像中像素點灰度的變化，也就是電池表面溫度的變化，該特點對光伏陣列中太陽電池工作狀態進行分辨的主要依據。本文所采用的特征量主要包括目標區域灰度的平均值與整體區域灰度平均值Δ之差Δ；相鄰區域平均灰度之差Δ；矩形擬合因子，大小等于物體的面積與相對應的最小外接矩形面積之比，當物體為矩形時的值為1，當物體較細長時的值小于1；區域面積為。

當外界環境相同時，處于不同工作狀態的太陽電池的表面溫度差別較大；當外界環境不同時，處于相同工作狀態下的太陽電池的溫度也有較大差別[5]。所以本文將所得紅外圖像的各區域的特征信息與環境信息進行融合后，采用模糊推理的方法識別各個區域的工作狀態。首先對環境溫度、全局區域溫差△、太陽光的照度、風速和電池板的工作狀態的模糊集進行定義分別為{H，N，L}、{PB，PM，N，NM，NB}、{B，S，N}、{H，N，L}和{S，N，D}，這些模糊集的基本論域相同，均為{－6，－5，－4，－3，－2，－1，0，1，2，3，4，5，6}。其中環境溫度、全局區域溫差△、太陽光的照度、風速和電池板的工作狀態的實際論域與基本論域之間的關系分別進行定義且表示為。其中光伏陣列中的區域溫差被劃分為5個模糊子集{PB，PM，N，NM，NB}，其中環境溫度和太陽光的照度分別被劃分為3個模糊子集{H，N，L}，其相應的隸屬函數表示為，風速和電池板的工作狀態的3個模糊子集{B，S，N}、{S，N，D}的隸屬度函數與上式相類似，在分析時采用IF-ELSE規則的模糊決策，相對應的診斷結果見表1，表2。

表1 模糊診斷隸屬函數

表2 模糊診斷隸屬函數

3 實例分析

采用本文的分析方法進行實例分析，分析結果見圖2、圖3。圖2(a)所示為當光伏陣列中組件被部分遮擋后所得的紅外圖像，其中環境條件為風力4級，溫度20℃，光的照度800 Lux；圖2(b)、圖2(c)和圖2(d)所示分別為經過濾波處理、分割處理和間隙去除后所得的紅外圖像，經過模糊識別和分析后輸出為S，也就是光伏組件中部分區域被遮擋，該結果與實際情況相符。圖3所示為組件中部分區域由于老化而損壞所得的紅外圖像，其中環境條件為風力4級，溫度25℃，光的照度700 Lux，經過模糊識別和分析后輸出為D，也就是光伏組件中部分區域老化損壞，該結果與實際情況相符。經過相應的實例分析后，兩種典型的故障均獲得了與實際相符的分析結果。

圖2 光伏陣列中局部遮擋時所得紅外圖像的處理結果

圖3 光伏組件中部分區域老化所得紅外圖像的處理結果

4 結論

由于環境因素對太陽能光伏陣列中組件不同工作狀態下的表面溫度有很大影響，對這一問題的分析較復雜且需要大量的數據積累及充分的認識。本文中主要應用信息融合與模糊推理方法對光伏組件中部分典型的狀態(正常、損壞、遮擋)進行了識別與分析，從分析結果來看本文所采用的方案較合理且具有可實施性。

[1]王元章，李智華，吳春華.光伏系統故障診斷方法綜述[J].電源技術，2013，37(9)：1 700-1 705.

[2]張翔，王時勝，余運俊，等.局部陰影條件下光伏陣列建模及輸出特性研究[J].電源技術，2015，39(1)：203-206.

[3]韓偉，王宏華，王成亮，等.基于參數辨識的光伏組件故障診斷模型[J].電網技術，2015(5)：1 198-1 204.

[4]王培珍，沈玉樑，楊維翰.太陽光伏陣列的溫度與紅外特性分析[J].太陽能學報，2005(1)：86-89.

[5]劉玉英，馮英偉.BP神經網絡光伏組件在線故障診斷系統開發[J].電源技術，2014，38(6)：1 088-1 089.

Research on fault of solar cell array based on information fusion

The working condition of photovoltaic array was automatic recognized and analyzed according to the characteristic of the solar cell's temperature in different work condition and combining the technology of information fusion and fuzzy inference method.Firstly,the infrared image of the photovoltaic array was preprocessed and the possible fault zone and its characteristic information was extracted,the impact of environmental factors on the image was considered.The working state of the solar cells in photovoltaic array was automatically identified combining the technology of information fusion and fuzzy inference.The results show that it is a good method to recognize the condition such as normal,aged,damaged and shade of the solar photovoltaic array.

photovoltaic array;information fusion;fuzzy inference;infrared image;working state

TM914

A

1002-087X(2016)12-2385-03

2016-05-12

2015年度江西省科技廳教育研究項目(ITE12144)

周文誼(1982—)，女，江西省人，講師，碩士，主要研究方向為電子信息技術。