基于語義分割的光伏組件積灰檢測與分析

章濤，柳玉賓，崔承剛，王恒濤，潘威丞

(1.上海電力大學自動化工程學院，上海 200090；2.華電電力科學研究院北京分院，北京 100000)

傳統能源因環境污染，儲量限制使用占比呈逐年下降趨勢。目前，中國在減排速度和力度方面均遠超其他國家，對于新能源的開發愈發重視，新能源的使用優先級越來越高，其中光伏在市場中扮演著越來越重要的角色[1]。大多數光伏電站建設在中國太陽能資源豐富的東北、西北等地區，所處位置降雨量較小，風沙揚塵等極端氣候頻發，環境復雜，易發生故障和異常，光伏板積灰問題已經成為致使光伏板故障的主要原因之一。

目前，光伏電站主要依靠現場運維人員憑借相關經驗利用人工觀測方法來對光伏電池板積灰狀態進行分析。這種方法較為傳統，對于積灰狀態分析的精確性與實時性效果不佳，難以滿足光伏電池板積灰狀態的實時檢測、故障診斷與清潔周期計算等智能化運維的發展要求[2]。

Hassan等[3]對光伏板在自然條件下的輸出狀況進行了為期6個月的研究，得出以下結論，在沒有對光伏板進行清掃的情況下經過1個月和6個月后，光伏發電效率分別下降33.5%和65.8%。趙波等[4]利用光伏電站現場的實驗數據研究積灰對光伏發電功率的影響，并以此為依據優化清光伏電池板的清掃周期以及積灰造成的損失。王莉[5]通過在現場實驗分析了光伏太陽能電池板表面灰塵作用機理并制定了清潔方案。徐志明等[6]對某20 MW光伏電站的積灰損耗進行了分析，數據表明采用傳統清掃方式的清掃周期為15 d，然而利用機械的最佳清掃周期為3.40 d，每年此光伏電站可降低損失費用約72.10萬元。

積灰對光伏發電系統的影響被廣大的研究人員所關注，但對于光伏電池板表面積灰的檢測方法研究較少。伏安特性曲線法是一種較為傳統、簡單的檢測方法，通過對比光伏發電系統的實際曲線與理論曲線來判斷該系統是否處于正常運行狀態[7]。但這種方法無法判斷造成光伏系統的輸出特性降低是系統故障還是積灰影響，并且無法對光伏電池板表面積灰進行定量分析。

圖像分析法可對積灰圖像進行分析，運用圖像處理技術在圖像中提取積灰特征。對于小規模的光伏系統，光伏電池板表面積灰的檢測可通過現場運維人員的人工觀測直接測得，但對于大規模光伏發電站采用這種檢測方法效率低下，而利用人工智能深度學習技術能夠對目標物實現快速、便捷及高效的檢測，為實現對光伏電池板表面積灰的智能檢測提供了新思路。

目前，采用深度學習技術來解決圖像識別的算法一般可分為兩類：一類是基于區域的目標檢測算法，常用的有基于目標檢測模型(you only look once，YOLO)的算法；另一類是語義分割技術，與YOLO不同，它是通過對圖中每一個像素點進行分類從而實現對圖像的分割，是使計算機像人類一樣理解復雜場景的關鍵一步[8]。

1 系統設計與實現方法

1.1 光伏板積灰特性

在實際情況中，光伏組件的表面積灰大部分由地表土壤顆粒和空氣懸浮顆粒的物質組成。在一些自然因素影響下空氣中的懸浮顆粒物和地表土壤顆粒將會聚合，再經靜電吸附、灰塵黏附等作用，在光伏電池板表面形成積灰[9]。

積灰問題對光伏電池板會產生多重效應：①削光效應：太陽光線經光伏電池板上積灰會吸收或反射，光伏電池板透光率降低，太陽輻射強度減弱；②溫差效應：當積灰附著在光伏電池板表面時，被積灰部分相當于等效熱阻，熱阻使光伏電池板的工作溫度發生變化；③腐蝕效應：若積灰長期附著于光伏電池板上，將會腐蝕其表面，使得漫反射增大，透光率也進一步受到影響[10-11]。對光伏電池板表面積灰清掃不及時可能會導致腐蝕電池板表面，使其產生熱斑等不良影響，嚴重時還可能會引發短路、火災等危險事故。

隨著時間的推移，光伏組件表面灰塵逐漸增加，光伏組件在積灰狀態下其表面顏色、紋路會發生明顯變化[12]。雖然通過人工觀測方法可以觀測出積灰狀態下的光伏組件，但是難以對其進行定量分析，并且還會消耗大量人力物力資源。此時，卷積神經網絡就展示出了明顯的優勢，對于圖像的色彩變化，邊界信息，紋路特征等都十分敏感。因此以卷積神經網絡為基礎，搭建光伏電池板表面積灰智能檢測系統。

1.2 卷積神經學習及語義分割網絡

1.2.1 建模與優化

卷積神經網絡是一種采用卷積結構的神經網絡，主要包含三個關鍵的操作：局部連接、權值共享、池化操作，有效地減少了網絡中參數的個數，降低了網絡的復雜程度[13]。

卷積神經網絡特征提取功能的核心模塊就是網絡中的卷積層和池化層。該模型利用梯度下降法使損失函數最小化，對網絡中的權重參數進行反向調節，再經多次的迭代訓練，提高網絡的精確度。該網絡由卷積層和池化層交替組成，實現對目標圖片的特征提取。再通過全連接層將提取得到的特征圖像一維展開。最后采用Softmax回歸，邏輯回歸等方法作為分類器對輸入圖像進行分類。

計算機視覺領域，U-Net在ISBI 2015顯微圖像分割競賽中拔得頭籌，對于圖像的分割效果遠勝于其他網絡，且已在醫療影像處理中得到了廣泛應用。

U-Net的最重要的特點是它經典編碼解碼(encoder-decoder)結構，該結構是完全對稱的，換句話說就是網絡輸入側和輸出側的結構非常類似，與之相比全卷積網絡(fully convolutional networks,FCN)的解碼部分相對簡單，輸出側只用了一個反卷積(deconvolution)的操作，并沒有連接其他卷積結構。它的另一個特點就是skip connection，FCN網絡采用的是“加”操作，U-Net用的是“疊”操作，將下采樣和上采樣得到的相同尺度的特征度在通道維度上的拼接，能夠形成多尺度的特征。

由于網絡結構像U型，所以叫U-Net網絡，結構如圖1所示。U-Net網絡可分為下采樣(左)和上采樣(右)兩部分。下采樣既特征提取部分，經過多個由卷積層與池化層的組合模塊捕捉輸入圖像的上下文信息，完成對目標圖像的特征提取。上采樣部分，利用反卷積來還原特征圖像的尺寸大小，目的是還原輸入側一系列卷積操作之后變小的特征圖。反卷積又稱為轉置卷積，是卷積的逆過程，相當于傳統卷積網絡結構在反向計算。最后一層輸出層，使用了1×1的卷積層用來對圖像像素點逐個進行分類，將圖片分割成兩層分別為前景和背景[14]。

圖1 U-net結構

U-Net的下采樣層與上采樣層是相互關聯的，在上采樣過程中，通過剪切拼接補全特征圖邊緣丟失的信息，可以提高邊界信息預測的精確度。與其他如視覺幾何組(visual geometry group,VGG)、FCN等語義分割網絡相比，U-Net具有數據集樣本需求較低，模型訓練所需時間較短等優點，但是其網絡深度略有不足，識別精度不高。

根據U-Net的思想，將U-Net網絡的編碼層部分替換為VGG16網絡，結構如圖2所示。VGG16網絡是由16個向前傳播的網絡層組成。其中13個卷積層，每個卷積層采用了3*3的卷積核，為了實現語義分割，編碼器采用了與FCN網絡相似的網絡結構，將VGG16的最后3層替換為了一個512通道的卷積層[15]，同時它也是編碼器與解碼器連接的“橋梁”，將U-Net的左右兩個部分銜接起來。

圖2 優化后的VGG-Unet結構圖

優化后的VGG-Unet結構結合了VGG 16的pretrain優勢與U-Net的結構優勢，在一定程度上解決了U-Net網絡結構深度不足的問題，并且還保證了訓練時間。

1.2.2 評估指標

在對分類問題或回歸問題的模型進行訓練時，人們會定義一個損失函數(Loss Function)來描述對問題的預測精度，Loss值越小，就說明模型所預測的結果與實際值的偏離程度越小，模型越精確。前向計算只完成了神經網絡輸入數據的單向計算，并不能更新神經網絡中的參數：權重和偏置，此時需要引入損失函數。通過計算神經網絡輸出值與標簽值的差值作為目標函數，用于更新神經網絡的參數，以優化神經網絡，完成了神經網絡的閉環計算過程[16]。

交叉熵是信息論中的一個重要概念，主要用于度量兩個概率分布間的差異性。

KL散度=交叉熵-信息熵，其中相對熵DKL(即KL散度)如果對于同一個隨機變量X有兩個單獨的概率分布p(X)和q(X)，則在n個類別下可使用DKL來衡量這兩個概率分布之間的差異[17]，即

(1)

式(1)中：Xi為隨機變量X中的第i項，i=1,2,…,n。

將式(1)拆開得

(2)

式(2)中：交叉熵H可表示為

(3)

1.3 積灰狀態識別與分析設計

1.3.1 現場實驗系統組成

光伏電池板積灰圖像檢測系統結構如圖3所示，包括光伏電池板，負載電阻，可見光攝像頭：用于采集光伏電池板表面積灰圖像；直流電力參數測量儀：用于測量光伏電池板輸出的電壓、電流、功率等參數；圖像采集器：將采集的圖片進行整理清洗，數據傳輸裝置：將采集到的電力數據與圖像數據傳輸至服務器主機。

圖3 圖像檢測系統結構

1.3.2 數據預處理及訓練

用于訓練的圖像數據還需要進行標注，標注質量好的圖片信息，可提高網絡對積灰圖像特征學習的準確率。傳統的圖片標注方法是使用LabelImg/labelme在采集圖像中標注出目標的具體位置。每張圖片在標注后生成相應的json文件，這個文件中記錄了標注的圖形和類別以及標注的圖像名稱等信息。再利用json文件轉化為可視化標簽圖像，最后在通過可視化標簽圖像生成最終需要的標簽圖片。由此可見傳統的手動標簽標注步驟復雜，程序煩瑣，誤差的層層疊加，可能會導致訓練結果精度較低，識別效果不佳等不良結果。

為了提高生成標簽的速率與模型訓練精度，利用基于OpenCV的圖像處理技術，OpenCV是一個基于BSD許可并由英特爾公司開發的跨平臺計算機視覺庫[18]，采用Python編程語言，利用圖像平滑處理、形態學操作、直方圖處理、閾值處理等方法將光伏電池板原圖像處理后批量生成標簽圖片，如圖4所示。

圖4 數據處理流程圖

2 現場實驗與結果分析

2.1 積灰圖像識別與分析

光伏電池板積灰識別與分析現場實驗地點為湖北省武穴某光伏電站。

數據集采樣于2022年3—4月電站現場光伏電池板圖像。光伏板型號為JMP025P6201204301-B,技術性能參數如表1所示，光伏板安裝傾角為45度。為盡量減少太陽光入射角度對光伏板圖像成像的影響，提取每天12:00—13:00時間段光伏電池板圖像作為模型的基礎數據集。過濾積雪、設備故障造成的無效圖像。由于需要對大量圖片進行批量處理，在光伏電池板圖像特征不丟失的前提下，將圖像調整為480×640統一尺寸的jpg圖片格式，避免在圖像采集過程中攝像頭受環境因素而導致的圖像差異。

表1 光伏板性能參數

本實驗軟件平臺采用Windows平臺開發，基于TensorFlow的深度學習框架搭建軟件環境，利用PyCharm編程軟件以及Python編程語言完成對相應程序的編寫。硬件配置為由Intel(R)Xeon(R)CPU E5-2678 v3處理器、512 GB內存、英偉達NVDIA A100-PCIE顯卡等部件組成的服務器，以完成的訓練任務以VGG16、U-Net模型為對照組，以優化后的VGG-Unet模型為實驗組，各網絡的輸入層對應調整為480*640，以對接光伏板圖像，分析不同網絡結構模型對積灰狀態識別準確性的影響。模型迭代次數設置為200，激活函數使用Adam，損失函數選用交叉熵函數，學習率設置為0.001。

經過完整的訓練后，VGG16、U-Net、VGG-Unet模型的準確率分別為18.4%、78.6%、91.3%，如表2所示。VGG16模型訓練誤差巨大且不收斂，表明VGG16模型對光伏電池板表面積灰識別能力較差；U-Net模型訓練誤差較大且收斂震蕩明顯，準確率也不足，難以完成光伏電站現場智能識別任務；圖5為優化后模型訓練的誤差損失(Loss)圖，可以看出，收斂情況較好且識別準確率較高，符合光伏電池板表面積灰的識別工作。

圖5 優化后U-Net模型Loss曲線

表2 模型識別準確率

利用可見光攝像頭完成對光伏板表面積灰的實時檢測，VGG16、U-Net、VGG-Unet模型識別效果對比，如圖6所示，可以看出，VGG16模型識別效果很差，幾乎無法識別處光伏電池板表面積灰；U-Net模型識別效果一般，積灰邊緣識別準確率不高且受環境因素影響較大；優化后的VGG-Unet模型識別效果最好，積灰邊緣分割準確，能夠確保完成對光伏電池板表面積灰的精確識別與分析。

綠色部分為背景；黃色部分為目標識別結果

在獲得對光伏電池板表面積灰的識別結果后需要對其進行定量分析。將采用OpenCV圖像處理技術對光伏電池板表面積灰的識別結果進行處理，完成對積灰圖像的輪廓提取，最小矩形包圍框，積灰區域面積計算，積灰區域占比計算等功能，并實時生成分析圖像，圖7為后期系統運維人員對光伏組件進行清掃檢修提供可靠的數據支持。

圖7 結果分析

2.2 積灰故障診斷

隨著光伏發電技術的發展，其內部部件越來越精密，所處的環境也越來越惡劣，這些都對光伏發電系統的可靠性提出了更高的要求，工程上的檢修工作需要做到故障的提前預防。光伏板表面積灰將使得光伏發電效率大幅下降，其工作狀態發生變化也會導致一些部件性能發生變化，從而使得光伏發電系統發生故障。

查閱文獻[19]可知，在陰影逐漸遮擋光伏板表面的整個過程中，當陰影遮擋比例小于30%時，光伏組串損失電量的比例小于1%。但隨著陰影遮擋比例的持續增加，損失電量占比也越來越大，同時損失電量的上升幅度隨之增大，當陰影遮擋比例達到90%以上時，損失電量達到最大值，占比趨近25%，如表3所示。

表3 陰影遮擋比例對光伏發電的影響

與陰影影響光伏發電原理相似，通過實驗研究光伏電池板表面積灰占比對發電功率的影響。為了驗證數據真實性以及應對不同環境的普適性，利用實驗室設備進行積灰占比對光伏電池發電功率影響的實驗。設備采用JBLGK-1V型直流電流電壓采集器，RS485通信數據線，德力西24 V開關電源，WXD-13型(阻值范圍：100～4 700 Ω)滑動變阻器等，如圖8所示。

圖8 光伏電池板積灰檢測實驗裝置

本實驗在晴天13：00左右進行實驗以保證光照強度充足且一致，環境溫度相同。以8種不同積灰狀態(無積灰遮擋、5%遮擋、10%遮擋、15%遮擋、20%遮擋、25%遮擋、30%遮擋、35%遮擋)為案例，繪制對應的功率-電壓(P-U)曲線如圖9所示。

圖9 不同積灰占比下光伏板功率特性曲線

當積灰遮擋比例小于30%時，光伏電池輸出功率下降的比例小于1%。但隨著積灰遮擋比例的持續增加，光伏電池輸出功率下降的比例也越來越大，所以擬定積灰占比30%作為故障警戒標志。

根據光伏板積灰識別結果獲得光伏板上積灰面積數值之后，將其與預先設置的警戒值進行比較，得到偏差值，然后通過偏差值來判斷是否需要對光伏發電系統進行停機清掃，整體流程如圖10所示。

圖10 故障預警流程圖

光伏電池處于運行中，將各個時間點的積灰占比測量值進行統計。在第17個時間點監測的數據監測值超過預警線，并一直保持在警戒線以上，同時，可以建立故障診斷及預警平臺，為監測人員提供可視化功能，如圖11所示，此時運維人員應合理安排光伏電站的啟停計劃，對識別異常的光伏電池板進行清掃維護，防止后續故障的加重，降低電站經濟損失，為設備以及整個光伏電站的安全運行提供保障。

圖11 運行監測

3 結論

(1)為解決光伏電站傳統積灰檢測方法費時費力、檢測誤差較大且不能實時檢測等問題，本文提出了基于語義分割的光伏電池板表面積灰識別與分析方法，搭建了積灰圖像識別實驗系統，利用光伏電站現場以及實驗室圖像制備數據集、對其建模并訓練、測試模型精確度與誤差。通過OpenCV圖像處理技術提高數據集圖片樣本質量、增加樣本圖片數量，并優化網絡結構，配置合適的參數等方法來提升對光伏電池板積灰圖片識別與分析的準確性。

(2)通過對比研究多種模型對光伏電池板積灰圖像的識別效果,VGG16模型識別效果最差，訓練集準確率僅有18.4%；U-Net模型識別效果一般，積灰邊緣識別準確率不高且受環境因素影響較大，訓練集準確率僅有78.6%；優化后的VGG-Unet模型識別效果最高，積灰邊緣分割準確，訓練集準確率達到了91.3%。綜合3種網絡模式的收斂情況、準確率，優化后的VGG-Unet模型能夠確保完成對光伏電池板表面積灰的智能識別與分析。但是最終的識別結果的Loss曲線雖已經收斂，但可以看出仍有波動，在后續的研究中仍需進一步優化。

(3)通過光伏積灰故障實驗，研究了在不同積灰遮擋比例下光伏發電功率的變化。實驗表明，當積灰遮擋比例小于30%時，光伏電池輸出功率下降的比例小于1%。但隨著積灰遮擋比例的持續增加，光伏電池輸出功率下降的比例也越來越大。因此以遮擋比例30%為警戒值，并建立故障診斷及預警可視化平臺供運維人員合理安排清掃計劃。