光伏組件故障診斷方法研究

楊 磊，高德東，孟廣雙，王 珊

（1.青海大學機械工程學院，青海 西寧 810016；2.唐山工業職業技術學院，河北 唐山 063299）

1 引言

光伏組件的安全可靠運行是光伏發電的基本條件，而光伏組件的發電受多種因素影響。光照，溫度，濕度，風沙等外部環境因素會導致光伏組件發電功率的降低。長時間暴露在外部環境中，光伏板也會產生熱斑、裂紋等內部故障，而熱斑、裂紋等內部故障的產生會造成許多潛在的風險和隱患。因此，需及時對光伏電站進行巡檢，對檢測出的有故障甚至已經不發電的光伏板，及時進行剔除，防止安全隱患的產生[1]。

對光伏組件故障部分進行識別檢測以及用圖像分割、圖像聚類方法提取光伏板故障區域的研究已有很多。文獻[2]在對光伏陣列紅外圖像進行預處理和分析的基礎上，采用信息融合與模糊推理的方法，對光伏陣列中太陽電池的正常、遮擋、老化損壞的工作狀態進行識別。文獻[3]基于模糊C均值聚類的方法，分析了光伏組件故障特征量與故障類型之間的模糊映射關系，根據隸屬度函數算法得出待診斷樣本與各故障類型間的隸屬度關系。文獻[4]采用灰度共生矩陣和區域生長算法相結合的方法對閾值進行自動調整，進而對光伏板圖像進行了分割。但此類研究只對紅外圖像進行處理，并未系統研究從航拍圖片至計算出故障區域大小的全過程。在航拍光伏板紅外圖像的基礎上，運用透射變換法對圖片進行傾斜校正，運用改進Otsu算法對矯正截取后的圖像進行目標區域分割提取，從而計算出故障區域大小，便于研究故障區域與發電量的關系，及時對故障光伏板進行更換，保證光伏電站安全的工作環境。

2 電池板圖像傾斜矯正的研究

為得到光伏組件的紅外圖像，需采用無人機對光伏電站進行巡檢。利用無人機進行巡檢，不但可以實時檢測故障區域，還可對產生故障的光伏組件進行拍照并保存圖像。而且采用無人機巡檢具有速度快，效率高，減輕勞動力，節約成本等優勢。但為更好吸收太陽光，光伏板安裝時采用傾斜安裝的方式，故采用無人機進行航拍生成的圖像中光伏板也是傾斜的，為便于之后對圖像的處理，文中采用透視變換法對光伏電池板圖像進行傾斜校正。透射變換是指利用透射中心、像點、目標點三點共線，根據透視旋轉定律使透視面繞透視軸旋轉某一角度，破壞原有的投影光線束，仍能保持透視面上的投影幾何圖形不變的變換[5]。即將圖像投影到一個新的視平面的變換。

透視變換的通用變換公式為：

透視變換的方程組有8個未知數，所以求解就需要找到4組映射點，即基于四個固定頂點的變換。根據透視變換對應的四對像素點坐標，即可求得透視變換矩陣，根據得到的透視變換矩陣，即可對圖像或像素點坐標完成透視變換[6]。

假設把原傾斜圖像中選定的四點坐標標記為（x1，y1）（x2，y2）（x3，y3）（x4，y4），對應的矯正后坐標標記為（u1，v1）（u2，v2）（u3，v3）（u4，v4），則根據式（2）得到透視變換的變換矩陣：

根據式（3）得到透視參數，用解出的透視參數對原圖像進行透視變換，得到矯正圖。

應用透視變換法對光伏板紅外圖像進行傾斜校正的前后對比圖像，如圖1所示。按照左上、右上、左下、右下的順序選用圖1（a）中的四個標紅頂點作為變換固定點，對圖像進行傾斜校正和灰度化處理。從圖1（b）可以看出校正后圖像的效果，該電池板由平行四邊形變為矩形。若拍攝時保證無人機在光伏板上方同一位置，則可通過此算法進行大批量圖像處理。

圖1 無人機航拍的光伏組件紅外圖像Fig.1 Infrared Image of Photovoltaic Module Taken by UAV

3 光伏板紅外圖像分割處理

3.1 單片光伏板截取

根據文獻[7]可知，不同工作狀態下的太陽電池的表面溫度是不同的，而紅外圖像可根據不同的溫度顯示不同的顏色，因此使用無人機對光伏電站進行巡檢，可通過地面顯示裝置的紅外圖像直接看出熱斑、裂紋等故障的存在，但不能確定該故障光伏板的發電量。為研究故障大小對發電量的影響，需對圖像中的故障區域進行提取并量化。光伏板由電池片、封裝膠膜、鋼化玻璃、背板和鋁合金邊框封裝組成，電池片是光伏板的工作部分，鋁合金邊框起封裝保護作用，航拍所得圖像中顯示的光伏板是以串聯或并聯方式連接而的，根據光伏板的組成結構（如圖2所示）可知，邊框等不發電部位會對故障區域的圖像處理進行干擾，因此為防止邊框等外部因素影響，簡化圖像處理程序，需先對圖像中的單片光伏板進行截取。截取結果，如圖3（a）所示。

圖2 光伏組件結構圖Fig.2 Structure of Photovoltaic Module

圖3 圖像形態學處理過程Fig.3 Image Morphology Processing Process

3.2 形態學處理

形態學圖像處理以幾何學為基礎，主要研究圖像的幾何結構。而研究圖像幾何結構的基本思想是利用一個結構元素去探測圖像，看這個結構元素能否很好的填充到圖像內部[8]。開運算是形態學操作的一種方式，一般用于平滑物體的輪廓、斷開較窄的狹頸并消除細的突出物。結構元b對圖像f的開運算定義為：

即開運算是先通過結構元b對圖像f做腐蝕運算，隨后用結構元b對結果做膨脹運算。開運算常常用于去除那些相對于結構元素b而言較小的高灰度區域。因此，結構元素b的形狀、大小的選取影響圖像處理的結果。經調試，選用半徑為12的圓盤結構作為結構元素。

將開運算與圖像相減相結合，會產生所謂的頂帽變換。即頂帽變換定義為灰度圖像f減去其開運算。

頂帽變換是解決非均勻光照問題的一種常用方法，具有去除較小的明亮細節，保持整體灰度級和較大的明亮特征相對不變的優勢。光伏板表面有時會有電線、樹葉等遮蔽物，會產生陰影造成光伏板表面光照不均勻。因此，可用頂帽變換進行圖像預處理。截取的單片光伏板圖像f，如圖3（a）所示。f經過頂帽變換后的圖像，如圖3（b）所示。圖像f的三維可視化效果，如圖3（c）所示。圖中的“山峰”對應圖像f中的裂紋部分。可以觀察到“峰”位于“斜坡”上，即圖像的“地基”并不處于同一高度，這是由于圖像中背景不均勻造成的。選取半徑為12的圓盤結構元素與圖像f進行開運算得到如圖3（d）所示的三維可視化效果。從原圖像f中減去這個不均勻的背景（如圖3（d）所示）得到的三維可視化效果如圖3（e）所示，可以看出圖像的“山峰”高度范圍由原來的（0～180）變為（0～70），明顯降低，即頂帽變換可有效解決背景不均勻問題[9]。

3.3 改進Otsu算法

3.3.1 Otsu算法原理

令{0，1，2，…，L-1}表示一幅大小為M×N像素的數字圖像中的L個不同的灰度級，灰度為i的像素數為ni，圖像中的像素總數MN為[10]：

假設選擇一個閾值T（k）=k，0＜k＜L-1，并根據閾值k把輸入圖像像素處理為兩類A1和A2，其中，A1由灰度值在范圍[0，k]內的所有像素組成，A2由灰度值在范圍[k+1，L-1]內的所有像素組成。則區域A1和A2的概率分別為：

從上式可以看出，兩個均值m1和m2彼此隔得越遠，類間方差越大，使類間方差最大的k值便是最佳區域分割閾值。

為了評價級別k處的閾值的“質量”，我們使用歸一化的無量綱矩陣：

僅由單一且恒定灰度級的圖像就能得到下界，且僅由灰度等于0和L-1的二值圖像就能得到上界[10]。

3.3.2 改進Otsu算法

Otsu算法是一種自動選擇閾值的方法，不需要人為設定其它參數，而且能得到比較好的割據效果。Otsu算法原理是利用最佳閾值將圖像的灰度值分割成背景和目標兩個部分，使背景和目標之間的方差最大[12]。背景和目標之間的方差越大，就說明構成圖像的兩部分之間的差別越大[13]。截取圖像進行頂帽變換后運用Otsu算法的處理效果圖，如圖4（a）所示。在頂帽變換的基礎上，對其灰度值進行拉伸，再利用Otsu算法選取圖像閾值得到的圖像，如圖4（b）所示。觀察圖像可以看出對圖像進行灰度拉伸后得到的分割效果不會造成圖像的過度分割，效果更好。

圖4 圖像變換效果的對比圖Fig.4 Comparison of Image Transformation Effect

3.4 連通區域標記

利用改進Otsu算法將裂紋、熱斑等故障區域提取出來后，對提取區域進行標記，如圖5所示。并利用MATLAB編程直接計算該標記區域的面積。用標記區域面積度量該塊光伏板的故障程度，便于后續其與發電量關系的分析。

圖5 區域劃分效果圖Fig.5 Effect Picture of Regional Division

3.5 圖像處理算法流程

首先利用無人機對光伏組件進行航拍，獲取光伏組件的紅外圖像。圖像的處理算法，如圖6所示。

圖6 圖像處理算法流程Fig.6 Image Processing Algorithm Flow

將紅外圖像進行灰度變換和傾斜校正后，截取出圖像中的單片光伏板，進行形態學預處理。在利用改進Otsu算法時，計算輸入圖像的歸一化直方圖，計算累計和、累計均值、全局灰度均值和類間方差，得到的使類間方差最大的閾值即為最佳分割閾值。當使類間方差最大的閾值不唯一時，用相應檢測到的各個閾值進行平均，得到的值確定為最佳閾值。經上述步驟，圖像已分割完成，對分割出的裂紋區域進行標記，最后計算標記區域的面積，即圖像的分割量化過程。

4 實驗結果分析

為了驗證本算法對光伏組件紅外圖像故障區域檢測的有效性，需對光伏實驗平臺的電池板進行航拍，得到紅外圖像與可見光圖像，對比分析兩種圖像，篩選分類其中的無故障光伏板、熱斑光伏板和裂紋光伏板，對其進行傾斜校正和單片光伏板截取的處理，并用K均值聚類算法和本文采用的改進Otsu算法分別對篩選的三類光伏板圖像進行處理，每一類別各挑選出一張，分別標號為圖①、圖②、圖③，將處理結果圖與原圖對比，其中圖①為無故障光伏板，圖②為產生熱斑的光伏板，圖③為產生裂紋的光伏板，實驗結果，如圖7所示。

圖7 不同算法的處理對比圖Fig.7 Processing Comparison of Different Algorithms

校正截取后的圖①，如圖7（a）所示。用K均值聚類算法分割得到的圖①，如圖7（b）所示。這里改進Otsu算法分割得到的圖①，如圖7（c）所示。校正截取后的圖②，如圖7（d）所示。用K均值聚類算法分割得到的圖②，如圖7（e）所示。這里改進Otsu算法分割得到的圖②，如圖7（f）所示。用K均值聚類算法分割得到的圖③，如圖7（g）所示。這里改進Otsu算法分割得到的圖③，如圖7（h）所示。分別計算經過處理的三幅圖像的面積和程序運行時間，生成數據，如表1所示。

表1 K均值聚類算法的參數Tab.1 Parameters of K-Means Clustering Algorithm

由于光照強度、環境溫度等外部環境的影響，采用熱成像相機對光伏組件進行拍攝得到的圖像會產生明顯的光照不均，對圖像閾值的選取會產生一定的影響，最終影響圖像的分割效果。拍攝得到的圖像也會受到噪聲等因素的影響，對圖像的分割效果會產生一定的影響，造成處理誤差，圖7（c）為無故障光伏板，但表2中圖像的處理結果卻產生了故障面積，造成誤差影響。因此，如何進一步完善此算法是進一步的工作。

表2 改進Otsu算法的參數Tab.2 Parameters of Improved Otsu Algorithm

實驗結果表明，用K均值聚類算法和這里的改進Otsu算法對圖像處理得到的裂紋、熱斑的面積是不同的。將用兩種方法處理的圖像分別與其截取原圖對比，觀察可得采用改進Otsu算法對正常工作的電池板的處理和故障光伏板的處理都與原圖基本重合，如上圖所示。觀察表1和表2可得，對截取后的圖片運用改進Otsu算法運行的時間比K均值聚類算法運行的時間少。相比之下文中給出的改進算法在提取光伏組件紅外圖像故障區域時有較好的優勢，算法處理后得到的故障面積，如表2所示。

5 結語

為方便預測光伏板故障區域面積與發電量的關系，保障電站發電量，這里研究了光伏組件紅外圖像中裂紋、熱斑等故障區域的分割、提取、量化方法。利用無人機拍攝紅外圖像并經過圖像傾斜校正，單片光伏板截取，圖像形態學處理和改進Otsu算法等步驟完成對單片光伏板故障區域面積的計算。經實驗驗證，利用透射變換與改進Otsu算法相結合的方法可以有效的對無人機拍攝的圖像進行處理并對裂紋等故障區域進行分割和計算。

未來工作需要進一步將此算法用于處理不同故障類型的光伏紅外圖像；其次，由于裂紋等故障的大小會影響光伏組件的發電量，因此后續工作會研究光伏組件發電量與故障區域大小的關系，實現基于無人機的自動化故障檢測。