徐小奇 刘海波

(扬州大学电气与能源动力工程学院,江苏 扬州225000)

热斑故障给光伏发电产业带来了巨大的危害,传统的热斑故障诊断是基于光伏组件的DC参数来观察光伏组件固有特性的变化,从而判断热斑。这一过程耗时长,其可靠性受到设定阈值的影响,且不利于自动化控制的实现,不适合应用到大规模的光伏发电系统中。

本文所提出的基于神经网络的光伏组件红外热图热斑识别方案,能够运用于大规模的光伏发电系统中,有利于实现自动化控制。

1 光伏阵列特性

1.1 光伏阵列的输出特性

光伏电池的理想模型可以由一个直流电源DC与一个二极管并联构成,其输出电流与光伏电池表面积、太阳辐射强度等因素有直接关系。在实际的器件中,由于诸多因素的影响,光伏电池的理想模型与实际的伏安特性有很大的差异。因此,为了修正以上误差,在实际光伏模型中,通常先并联一个大电阻,然后再串联一个小电阻,以此来抵消实际器件中的各种因素的影响。

光伏电池等效电路的伏安特性方程为[1]:

1.2 光伏阵列热斑故障理论分析

当光伏组件中某块电池被遮挡或损坏时,故障电池的光生电流小于所在串联回路中其他电池的电流,故障电池处于反向偏置状态,以热能形式消耗组件中正常电池产生的电能。从而导致故障电池的局部温度高于周围正常工作的电池。[2]

当某块电池被遮挡时,该电池电压表现为小于0,当其它电池正常工作在MPP点时,故障电池电压为V',则故障电池会消耗电能功率V'*lMP。出现热斑故障时,图1的等效电路中的Iph为0。

图1 单体光伏电池等效电路

1.3 光伏阵列的红外热图特性

由已有研究可知[3],光伏阵列温度受到光照强度L、环境温度Ta、内阻产生的温升Ti有关,其满足如下关系:

式中T0为L=0,Ta=0,Ti=0时,光伏阵列的温度；a1,a2为相应的修正系数。

由上式可知,当光伏电池局部受到遮挡时,该部分所受光照强度L降低,在修正系数a2为正的前提下,根据公式描述,该处温度应有所降低。然而事实上,被遮挡部分的光电池产生的光生电流小于正常工作电池产生的光生电流,故障电池处在反向偏置状态,将不断消耗正常电池产生的能量,并转化为热能,即体现在上述公式的内阻温升Ti迅速上升,则故障电池部分温度迅速上升,形成热斑故障。

在正常工作情况下,光伏阵列中各电池片温度分布均匀,向外辐射的电磁波谱相似,在红外成像设备上将呈现出相似的色彩特征。由于热斑故障区域温度明显高于正常区域,在红外图像上,热斑故障区域也会呈现出明显的不同。从而我们能够通过光伏电池的红外图像发现热板故障区域。

下面给出含有热斑的伏阵列红外图像,如图2所示。

图2 含有热斑的光伏阵列红外图像

2 光伏阵列红外热图的预处理

2.1 红外成像原理

自然界中任何高于绝对零度的物体都会不断向外发射红外辐射。而由于物体本身型状的不同和各部位温度的差异,使得在同一位置接收到的该物体各部位红外辐射功率不同。红外成像仪利用这一不同形成红外图像。

根据基尔霍夫定律,在相同的温度和波长上,物体的辐射和吸收本领的比值仅由物体的自身性质决定。这一比值是只和温度与波长相关的函数,且等于绝对黑体在同一温度、波长下的辐射本领[4],即:

而斯忒藩-玻尔兹曼定律提出了黑体的总辐射本领Mb与其热力学温度T的关系:

其中,σ为玻尔兹曼常数。

由上述定律可知,对于呈现平面的光伏电池,其各部分性质相同。当某一区域出现热斑故障温度升高时,该区域会发射出更强的红外辐射,从而在热像仪图像上会表现出“亮斑”。

2.2 红外图像的特点[5]

2.2.1 对人眼而言,分辨率低,分辨潜力差。

2.2.2 空间相关性强,对比度低,视觉效果模糊。

2.2.3 红外图像清晰度低于可见光图像。

2.2.4 红外图像噪声复杂,信噪比低。

2.2.5 红外图像具有非均匀性,体现为图像的固定图案噪声、串扰、畸变等。

光伏阵列红外图像不仅具有信噪比低、对比度低等普通红外图像的特点,并且其上的热斑形状、大小各异。如图3所示,不同区域温差不大,图像对比度低,几乎难以看见,因此很有必要进行图像预处理,增强图像上热斑与背景的对比度,从而突出热斑的特征。

图3 光伏电池红外热图(含热斑故障)

2.3 红外图像增强

图像增强是指强调突出图像的某些特征,以便做进一步的的分析和处理。在图像增强的过程中,应当作到不引入额外的其他信息,仅仅突出我们感兴趣的特征[6]。

由于光伏阵列红外图像是RGB模式的图像,为了突出我们需要的特征,需将其转换为灰度图像。RGB图像转灰度图像有多种方法,例如:(1)采用三通道的均值作为灰度值。(2)采用单通道值作为灰度值。(3)采用灰度转换公式:

Gray=0.29900 *R+0.58700 *G+0.11400 *B

为了对比上述多种方式的实际效果,使用MATLAB对三种方案同时进行实验,并进行对比。针对方案(2),我们采用绿色通道值作为灰度值。

上述的图3所示的光伏电池红外图像中包含了热斑故障区域,但是几乎难以分辨,我们首先针对该图像进行了试验。结果如图4所示。

图4 三种图像灰度化方案结果

图中,“input”代表输入图像；“gray by rgb2gray”表示采用灰度转换公式后的输出结果；“gray by Green”表示采用绿色通道值作为灰度值后的结果；“gray by mean”表示采用三通道均值作为灰度值后的结果。可以看出,采用绿色通道作为灰度值的灰度图像中热斑故障最为明显。

3 基于卷积神经网络的状态识别

3.1 卷积神经网络概述

卷积神经网络启发于猫视觉皮层的结构模型,是一类能够很好地处理二维数据的多层神经网络[7]。由于该网络能够实现对图像局部信息的捕捉以及具有位移、拉伸和旋转不变性的特点,因而被广泛用于图像识别领域,例如人脸识别、手写数字识别、车牌识别。

3.2 基于卷积神经网络的光伏阵列红外热图识别

由上文对红外图像特点的分析可以知道,光伏阵列红外热图中的热斑故障区域往往表现地与正常区域差别很小,热斑区域的大小型状、位置难以被识别发现。而卷积神经网络具有局部性和层次性等深度网络具有的特点,能够更好地捕捉输入数据内在的显著特征,优化网络的学习效果,从而在光伏阵列红外热图中能够更好地识别热斑故障。

相比其它神经网络模型,卷积神经网络具有特征抽取层与降维层。卷积层实现了局部感受野功能,降维层通过降采样操作实现最大池采样。在卷积神经网络中,层与层神经元节点的连接采用局部连接方式,从而大大降低了各层神经网络的权值规模,网络能够实现更加快速高效的训练。因而该模型能够很好的用于大型光伏阵列红外图像的识别。

为了建立准确的输入到理想输出的映射,可以采用有监督学习方法中的误差反向传递算法。从而,网络的学习过程可以理解为信号的正向传播和误差的反向传播两个过程组成。通过误差的反向传播,能够不断修正各单元的权重,直至误差减小到可接受的程度。

针对上文中所展示的红外热图预处理后的图像,定义不同状态为0～3,如图5所示。

图5 状态编码

卷积神经网络通过训练,能够准确识别图像各位置所处的状态,并将其转换为状态矩阵,图6给出了状态识别示意图。

图6 状态识别示意图

通过设定阈值,系统能够根据状态矩阵及时对热斑故障的严重程度和所处位置进行报警,从而与其他自动化设备联动,或呼叫人工,及时对热斑故障进行处理。

4 结论

利用光伏组件热斑故障会发热的特性,可利用热像仪对光伏阵列进行监控。针对红外热图分辨率低、信噪比低的特点,应用红外图像增强技术提高其识别度,最后选用在图像识别领域应用广泛的卷积神经网络对红外热图进行识别,并转换为状态矩阵,实现光伏阵列热板故障的严重程度和具体位置的及时报警,可靠保证光伏阵列发电的安全。