技术领域
[0001] 本
发明属于光伏组件技术领域,具体涉及一种基于环境气象因素的热斑监测装置与预测方法。
背景技术
[0002] 随着
气候变化的影响在全球范围内的不断加剧,为了避免负面影响愈演愈烈,越来越多的国家选择以清洁
能源来代替人类对能源需求的满足。而光能发电作为清洁能源中不可或缺的一部分,也受到广泛国家的青睐。同时,随着科技
水平的逐步提升和工艺上的不断优化,通过光能发电的技术和材料也愈加完善,从而越来越多的国家选择通过光伏板发电站来提供一部分或是大部分
电能的需求,且以经济而有效的方式扩大
太阳能发电的范围,从而减少对不可再生资源的利用。
[0003] 我国作为全球最大的光伏市场,对于光伏产业而言,需要得到先进的技术支持来保持技术领先的优势,并且积极深入拓展光伏的优势和技术。而光伏产业中的核心光伏板,会因为环境气象优势所伴随的影响而产生不同类型的热斑,热斑的产生对光伏板发电的影响将是非常致命的。
[0004] 我国大部分
光伏发电站并未实现对热斑的监测和预测,从而导致因为热斑原因的发电率下降而产生的现象随处可见。想要提升发电效率,离不开热斑的影响,故而实际的光伏发电站环境中,应该重视对热斑的监测和预测。
发明内容
[0005] 为了克服
现有技术的不足,本发明提出了一种基于环境气象因素的热斑监测装置与预测方法,用于监测多列光伏板的热斑情况,以及通
过热斑与环境气象因素之间的关系对热斑的预测。
[0006] 本发明采用的技术方案如下:
[0007] 一、一种基于环境气象因素的热斑监测装置
[0008] 本发明包括光伏组件、气象站、
数据采集仪、监测
机器人、对接平台、移动平台和PC端,光伏组件通过
支撑架倾斜于地面放置,光伏组件主要由多列平行布置的光伏板组成,每列光伏板包括多个光伏组串,光伏组件上端设有凹槽轨道Ⅰ;
[0009] 对接平台底部通过竖直杆与移动平台相连,对接平台侧面与光伏组件一侧相贴合,对接平台上端设有与光伏组件上端的凹槽轨道Ⅰ相接的凹槽轨道Ⅱ;
[0010] 监测机器人包括监测机器人
外壳、运动模
块、监测模块、第一
蓄电池和第二
蓄电池,第一蓄电池、第二蓄电池分别为运动模块和监测模块提供电源;运动模块主要由
电机、电机
驱动器、运动控
制模块、主动轮和从动轮组成,位于监测机器人外壳底部且靠近边缘处装有沿凹槽轨道Ⅰ和凹槽轨道Ⅱ滑动的主动轮和从动轮,第一蓄电池、第二蓄电池、电机、电机驱动器、运动
控制模块均位于监测机器人外壳内,电机
输出轴与主动轮相连,主动轮与从动轮通过同步皮带相连,运动控制模块通过电机驱动器与电机相连,运动控制模块与PC端相连;且运动控制模块装有用于监测光伏板GPS信息的GPS模块。
[0011] 监测模块主要由第一照明模块、第二照明模块、第一红外热像仪、第二红外热像仪和图像传输模块组成,第一红外热像仪位于监测机器人外壳底部中心,第一照明模块、第二照明模块分别位于第一红外热像仪两侧,监测机器人外壳远离主动轮和从动轮的一端安装有第二红外热像仪,且第二红外热像仪未被监测机器人外壳遮挡;图像传输模块安装于监测机器人外壳底部;
[0012] 位于光伏组件附近且正对光伏组件的倾斜面处设置有气象站,气象站中间固定有百叶箱,百叶箱内部放置有数据采集仪,数据采集仪与PC端相连。
[0013] 监测前,监测机器人通过主动轮和从动轮嵌装于对接平台的凹槽轨道Ⅱ内,移动平台底部装有滚轮,移动平台在步进电机控制下带动对接平台移动至光伏组件一侧,位于对接平台上的监测机器人沿凹槽轨道Ⅱ滑动至凹槽轨道Ⅰ;监测机器人在运动控制模块的控制下沿光伏组件的凹槽轨道Ⅰ滑动,运动控制模块在PC端控制下通过电机驱动器
驱动电机转动,电机带动主动轮转动的同时带动从动轮转动;监测机器人在光伏组件上滑动过程中,第一红外热像仪和第二红外热像仪将采集的图像通过图像传输模块传输至PC端。
[0014] 数据采集仪通过无线采集模块将采集的数据传输至PC端;数据采集仪采集的数据包括环境气象因素数据,环境气象因素数据主要由辐照度、环境
温度、湿度、气压、
风速、风向、风压和雨量组成。
[0015] 第一照明模块、第二照明模块用于第一红外热像仪采集图像时提供照明;第一红外热像仪用于拍摄被监测机器人
覆盖的光伏组件区域,第二红外热像仪用于拍摄未被监测机器人覆盖的光伏组件区域;并通过第一红外热像仪或第二红外热像仪获取光伏组件中热斑的温度。
[0016] 二、基于上述环境气象因素的热斑监测装置的预测方法
[0017] 包括以下步骤:
[0018] 1)获取存在热斑的图片作为样本图片,样本图片的热斑预测值以及每张样本图片对应的相关环境因素数据作为样本数据;
[0020] 3)将监测机器人采集的图片作为待测图片实时输入热斑预测模型,通过热斑预测模型输出存在热斑的待测图片及对应的光伏板编号;
[0021] 4)对存在热斑的待测图片进行
图像处理,采用Canny
边缘检测方法提取热斑边缘。
[0022] 所述步骤1)具体为:
[0023] 1.1)从监测机器人历史采集的图片中选取存在热斑的图片作为样本图片;
[0024] 1.2)通过红外热像仪获取每张样本图片中热斑的温度,通过
图像分割获取样本图片中的热斑区域后计算每张样本图片中的热斑大小,通过数据采集仪获取每张样本图片所处时间环境下的相关环境因素数据;
[0025] 1.3)每张样本图片的热斑预测值以及每张样本图片对应的相关环境因素数据作为样本数据,将样本数据做数据归一化处理,将数据转换为[0,1]之间的值;然后将样本数据分为训练样本和测试样本;
[0026] 其中热斑预测值为热斑大小和热斑温度。
[0027] 所述步骤1.2)中的相关环境因素数据从环境气象因素数据中筛选得到:通过Python中的heatmap函数将每个环境气象因素数据与热斑温度进行相关性分析得到对应的相关性热
力分析图;将相关性热力分析图中大于相关性
阈值的相关系数所对应的环境气象因素数据保留,保留的环境气象因素数据为辐照度、温度、湿度、风速、风向和雨量,六个保留的与热斑相关的环境气象因素数据作为相关环境因素数据。
[0028] 所述步骤2)具体为:
[0029] 2.1)基于Keras中的Sequential模型构建用于判断热斑预测值的热斑预测模型;
[0030] 2.2)将样本数据分为训练样本和测试样本,采用训练样本多次训练热斑预测模型,训练时使用均值平方差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)或交叉熵作为损失函数,采用Adam优化
算法进行训练,从而得到完成训练后的热斑预测模型;
[0031] 2.3)相关环境因素数据作为热斑预测模型的输入数据,经过模型计算后,
输出层输出热斑大小和热斑温度即热斑预测值。
[0032] 所述步骤4)具体为:
[0033] 4.1)以N-L对每块光伏组件进行编号,N为光伏组件序号,L为光伏组件中光伏板的列数;在热斑
定位过程中,PC端控制监测机器人在光伏组件上以一列光伏板为单位监测目标运动,将监测机器人拍摄的图像作为待测图片传输至通过PC端;
[0034] 4.2)PC端通过数据采集仪将待测图片对应的相关环境因素数据输入热斑预测模型,输出值为零则表示输入的待测图片不存在热斑,监测机器人进行下一列光伏组串的监测,输出值不为零则表示输入的待测图片存在热斑,保留存在热斑的待测图片并输出存在热斑的待测图片对应光伏板的GPS信息,从而完成热斑的准确定位。
[0035] 所述步骤5)具体为:
[0036] 5.1)对存在热斑的待测图片进行图像处理:存在热斑的待测图片经灰度化处理后转化为灰度图片,根据灰度值获得灰度图片的灰度直方图,之后经过直方图均衡化处理增强灰度图片的
对比度和
亮度,即增强灰度图片中热斑与光伏板之间的对比效果;
[0037] 5.2)采用Canny边缘检测方法提取存在热斑的待测图片的热斑边缘:
[0038] 5.2.1)滤波处理:将经步骤5.1)处理后的图片通过离散化的高斯函数进行滤波;
[0039] 5.2.2)计算图像梯度:通过计算图片的梯度幅值增强热斑边缘与热斑周围区域的灰度值差异;
[0040] 5.2.3)非极大值抑制:对图片中的每个
像素进行非极大值抑制,若当前像素的梯度强度大于正负梯度方向上相邻两个像素的梯度强度,则保留当前像素作为边缘点,反之则被抑制;
[0041] 5.2.4)双阈值筛选:将像素梯度超过高阈值的边缘点作为边缘像素,剔除小于低阈值的边缘点,介于高阈值和低阈值之间的边缘点用于连接边缘像素,从而完成待测图片的热斑边缘提取。
[0042] 本发明的有益效果是:
[0043] 1)本发明源于环境气象因素对于热斑的影响,从而通过分析环境气象因素与热斑的关系,达到对热斑的预测以及初步的定位;利用热斑预测的方法,通过对每块光伏板进行默认编号,从而实现对热斑的初步定位,再通过对预测定位的光伏板进行热斑的监测,可以提高全自动热斑监测与预测的精确度;同时能为热斑的情况做出预测性的判断,且具有一定的参考价值。
[0044] 2)本发明通过多种
传感器提供的数据,并且通过简单的系统装置就能实现对光伏发电站中热斑的监测和预测,大量的数据能够实现实时的检测和预测准确性的提升,并且在实现效率提高的同时减少相应的人工。
[0045] 3)本发明通过简单的系统装置实现的优点,适合于一般的光伏发电站,并与可持续发展的核心理念相适应。
附图说明
[0046] 图1是本发明装置的示意图;
[0047] 图2是光伏组件默认编号示意图;
[0048] 图3是机器人与轨道的结构示意图;
[0049] 图4是机器人的运动模块结构示意图;
[0050] 图5是机器人的监测模块结构示意图;
[0051] 图6是数据采集仪的结构示意图;
[0052] 图7是光伏板示意图以及圆圈处为热斑图;
[0054] 图9是热斑预测系统框图;
[0055] 图10是热斑提取的系统框图;
[0057] 图中:1.光伏组件、2.气象站、3.数据采集仪、4.监测机器人、5.对接平台、6.移动平台、7.PC端、8.凹槽轨道Ⅰ、301.百叶箱、401.监测机器人外壳、402.电机、403.电机驱动器、404.第一蓄电池、405.第二蓄电池、406.运动控制模块、407.同步皮带、408.从动轮、409.主动轮、410.第一照明模块、411.第一红外热像仪、412.图像传输模块、413.第二照明模块、414.第二红外热像仪。
具体实施方式
[0058] 下面结合附图和
实施例对本发明作进一步说明,以便对本发明的理解更加清楚。需要着重说明的是,此处仅介绍本发明的主要内容,一些已知的功能和详细的描述将被忽略。
[0059] 本发明装置在通用的光伏发电站都适用,一般的光伏发电站在关于光伏板的铺设时都采用若干块
自上而下,左右比邻的方式连接成一行,并且进行多列的平行摆放。同时为了使光伏板处于最佳光照条件下,将与地面形成一定的固定
角度,并且对于光伏板的放置应该防止出现因为光伏板对阳光的反射而导致气象站工作不精确问题。
[0060] 如图1所示,本发明包括光伏组件1、气象站2、数据采集仪3、监测机器人4、对接平台5、移动平台6和PC端7,光伏组件1通过支撑架倾斜于地面放置,光伏组件1上端设有凹槽轨道Ⅰ8。
[0061] 如图2所示,光伏组件1主要由多列平行布置的光伏板组成,每列光伏板包括多个光伏组串,以N-L对每块光伏组件1进行编号,N为光伏组件1序号,L为光伏组件1中光伏板的列数;在热斑定位过程中,PC端7控制监测机器人4在光伏组件1上以一列光伏板为单位监测目标运动,将监测机器人4拍摄的图像作为待测图片传输至通过PC端7;继而对机器人所拍摄到的图像进行处理,若图像处理后不存在热斑即可进行下一个光伏组串的监测,若存在热斑即可确定热斑的定位,从而准确地找出热斑所在的
位置。
[0062] 如图3所示,对接平台5底部通过竖直杆与移动平台6相连,对接平台5侧面与光伏组件1一侧相贴合,对接平台5上端设有与光伏组件1上端的凹槽轨道Ⅰ8相接的凹槽轨道Ⅱ。
[0063] 如图4所示,监测机器人4包括监测机器人外壳401、运动模块、监测模块、第一蓄电池404和第二蓄电池405,第一蓄电池404、第二蓄电池405分别为运动模块和监测模块提供电源;运动模块主要由电机402、电机驱动器403、运动控制模块406、主动轮409和从动轮408组成,位于监测机器人外壳401底部且靠近边缘处装有沿凹槽轨道Ⅰ8和凹槽轨道Ⅱ滑动的主动轮409和从动轮408,第一蓄电池404、第二蓄电池405、电机402、电机驱动器403、运动控制模块406均位于监测机器人外壳401内,电机402输出轴与主动轮409相连,主动轮409与从动轮408通过同步皮带相连,运动控制模块装406含有用于监测光伏板GPS信息的GPS模块,运动控制模块406通过电机驱动器403与电机402相连,运动控制模块406与PC端7相连。
[0064] 如图5所示,监测模块主要由第一照明模块410、第二照明模块413、第一红外热像仪411、第二红外热像仪414和图像传输模块412组成,第一红外热像仪411位于监测机器人外壳401底部中心,第一照明模块410、第二照明模块413分别位于第一红外热像仪411两侧,监测机器人外壳401远离主动轮409和从动轮408的一端安装有第二红外热像仪414,且第二红外热像仪414未被监测机器人外壳401遮挡;图像传输模块412安装于监测机器人外壳401底部;第一照明模块410、第二照明模块413用于第一红外热像仪411采集图像时提供照明;第一红外热像仪411用于拍摄被监测机器人4覆盖的光伏组件1区域,第二红外热像仪414用于拍摄未被监测机器人4覆盖的光伏组件1区域。
[0065] 如图6所示,位于光伏组件1附近且正对光伏组件1的倾斜面处设置有气象站2,气象站2中间固定有百叶箱301,百叶箱301内部放置有数据采集仪3,数据采集仪与PC端7相连。数据采集仪3有百叶箱301进行保护,防止因为气象因素所导致的非人为破坏,以及确保数据传输的
稳定性和安全性。
[0066] 如图7所示,在PC端7所显示的示光伏板监测机器人4所拍摄到的光伏板1示意图,同时圆圈处表示为热斑。
[0067] 监测前,监测机器人4通过主动轮409和从动轮408嵌装于对接平台5的凹槽轨道Ⅱ内,移动平台6底部装有滚轮,移动平台6在步进电机控制下带动对接平台5移动至光伏组件1一侧,位于对接平台5上的监测机器人4沿凹槽轨道Ⅱ滑动至凹槽轨道Ⅰ8;监测机器人4在运动控制模块406的控制下沿光伏组件1的凹槽轨道Ⅰ8滑动,运动控制模块406在PC端控制下通过电机驱动器403驱动电机402转动,电机402带动主动轮409转动的同时带动从动轮
408转动;监测机器人4在光伏组件1上滑动过程中,第一红外热像仪411和第二红外热像仪
414将采集的图像通过图像传输模块412传输至PC端7;
[0068] 数据采集仪3通过无线采集模块将采集的数据传输至PC端7;数据采集仪3采集的数据包括环境气象因素数据,环境气象因素数据主要由辐照度、
环境温度、湿度、气压、风速、风向、风压和雨量组成;数据采集仪3采集的数据还包括光伏组件1中热斑的温度,光伏组件1底部安装有与数据采集仪3通过无线传输模块相连的贴片组件,数据采集仪3通过贴片组件获取光伏组件1中热斑的温度。
[0069] 如图8、图9、图10和图11分别表示热斑监测的硬件系统、热斑预测的系统框图、热斑提取的工作流程图和本发明的整体工作流程图。
[0070] 具体实施例包括以下步骤:
[0071] 1、整体系统的描述:本系统适用于一般的光伏发
电场,一般的光伏发电场均包含L列光伏板,且每L列包含W个光伏组串。
[0072] 同时整体的系统还将包含能够实时采集环境气象因素的气象站、收集采集因素数据的数据采集仪、采集光伏板图像的光伏板监测机器人,同时监测机器人能够实现对光伏发电场监测、可以完成光伏板监测机器人在光伏板之间移动的凹槽轨道、连接平台、移动平台以及PC端。同时要求光伏组件与气象站保持一致的海拔上,且气象站位于最前排光伏板的前方,且保持距离避免光伏板对阳光反射所产生的影响。
[0073] 2、采集数据的处理
[0074] 2.1)实验数据的采集和初步筛选:首先筛选数据采集仪所采集到的与环境气象因素有关的数据,数据所产生的时间范围设定为早上的八点半到下午的三点半,所筛选出的数据作为环境气象因素的数据组,数据采集仪(3)通过贴片组件获取热斑温度的数据组。热像仪所拍摄的照片也只筛选出同一时间段所产生的照片,作为热斑情况的数据组。由于经过时间范围筛选而得的数据组仍然过于庞大,进而对庞大的数据组做进一步的筛选,筛选条件为在所确定的时间范围中,每隔半小时所采集到的数据和图像作为初步筛选后的样本集。
[0075] 2.2)实验数据的预处理:通过步骤2.1)处理后所得到的样本集,将经过数据审核和数据筛选两
大数据预处理环节。其中数据审核主要是筛选气象站所采集得到关于环境气象因素的数据组,以及审核初步筛选得到的热斑温度和热斑情况的数据,最终留下实际所需要的数据组;数据筛选是剔除有
明显错误痕迹的数据,比如相邻实验组的温度、湿度、辐照度等有着显而易见的偏差时,就应该选择剔除不符合实际的数据。剔除数据完成后,将所剩的实验数据分为训练样本和测试样本两大类。
[0076] 3、建立热斑预测模型
[0077] 3.1)模型输入量的选取:经步骤2.2数据预处理步骤后得到的环境气象因素有:辐照度、环境温度、湿度、气压、风速、风向、风压和雨量。利用Python中的相关性分析函数对数据进行相关性分析,通过相关性热力分析图得出与热斑有关系的气象因素,其中热力图
颜色越深表示热斑与该因素之间的关系越密切,得出的结果是主要与辐照度、温度、湿度、风速、风向和雨量这六个因素有明显的相关性,故而选择这六个因素作为环境气象因素的代表,将这六个因素和热斑的温度和大小作为热斑预测模型的输入量。因为热斑预测模型的输入量性质不一致,数量级亦存在较大的差别,为了防止输入数据和输出数据因为数量级差别过大的问题造成的预测误差问题,所以热斑预测模型的输入量做数据归一化处理,将数据转换为[0,1]之间的值。
[0078] 所述热斑大小的获取过程如下:将采集到的图像经过图像分割中的二值化处理,再通过滤波、降噪的方法去除背景,只留下热斑范围的图像,进而通过计算所留下的热斑范围的像素点个数,从而计算出热斑的大小。
[0079] 3.2)建立基于Keras的热斑预测模型:Keras,高层神经网络
接口,通过Python的编写来建立神经网络,编写过程中的重要数据结构是“模型”,在热斑预测模型中选用的是Keras中最核心的Sequential模型,Sequential模型名为序贯模型,是函数式模型的简略版,属于最简单的线性、从头至末的结构和顺序,不存在分支,并将多个网络层的线性堆叠。本模型的构建方式为:model=Sequential();并定义模型的第一个
隐藏层中具有n个神经元,神经网络层次和神经元个数n将根据样本的数据来确定,同时定义输出层为三个神经元分别用于表示热斑大小和温度即作为热斑的预测值。
[0080] 3.3)热斑预测模型的训练学习:根据步骤2.2)所得的训练样本,设置最大训练次数、学习
频率和批大小,再将训练样本分别对神经网络进行学习训练,从而建立起不一样的预测神经网络。将环境气象数据作为热斑预测模型的输入数据,经过模型计算得到输出结果,即为热斑的预测值。
[0081] 3.4)预测模型的误差优化:损失函数跨越用来表述模型的预测值与真实监测值的之间的误差大小,而模型的误差优化需要通过损失函数和优化器来实现,其中损失函数的常见算法有:均值平方差MSE、均方根误差RMSE、平均绝对误差MAE和交叉熵。以MAE为例,同时选择自适应估计Adam的优化器,Adam优化器将根据损失函数中每个参数梯度的一阶矩估计和二阶矩估计进行综合考虑,进而调整更新学习速率和预测模型的优化,将所选择的MAE和Adam通过Phython的编译为:model.compile(loss='mae',optimizer='adam'),从而实现预测模型的误差优化。
[0082] 4、热斑的预判别:
[0083] 4.1)以N-L对每块光伏组件1进行编号,N为光伏组件1序号,L为光伏组件1中光伏板的列数;在热斑定位过程中,PC端7控制监测机器人4在光伏组件1上以一列光伏板为单位监测目标运动,将监测机器人4拍摄的图像作为待测图片传输至通过PC端7;
[0084] 4.2)PC端7通过数据采集仪3将待测图片对应的相关环境因素数据输入热斑预测模型,输出值为零则表示输入的待测图片不存在热斑,监测机器人进行下一列光伏组串的监测,输出值不为零则表示输入的待测图片存在热斑,保留存在热斑的待测图片并输出存在热斑的光伏板编号,从而完成热斑的准确定位。
[0085] 5、从存在热斑的待测图片提取热斑:
[0086] 5.1)图像的初步处理:红外热像仪摄像头所采集到图片是根据温度的高低来显示的,温度越高的灰度值也越大,且热斑的温度一般都是大于正常光伏板的温度的,所以在图像处理中需要提取出灰度值比较大的范围来确定热斑的位置。首先通过对图像的灰度值做直方图的计算,因为图像的灰度统计直方图是一个离散函数,有:
[0087] P(Si)=Ni/N i=0,1,2,3,……,D-1
[0088] 其中Si意为图像的第i级灰度值,Ni是图像中具有灰度值Si的像素个数,N为图像总的像素数量,D为离散函数的i的取值上限值。公式中P指的是Si出现概率一个估算值,所以通过直方图的计算能够得出原图像灰度值所分布的结果,即对原图的灰度值有一个整体性的描述,通过直方图的计算能够区分出热斑与普通光伏板所对应区域之间的灰度值之差,但由于存在热斑的温度与周边光伏板的温度之间的差值会过小的问题,从而导致无法通过直接的直方图计算得到,所以需要通过进一步的图像处理去完成最终的疑似热斑图像处理工作。
[0089] 5.2)图像的进一步处理:为了能够让热斑处的灰度值与正常光伏板的灰度值之间有明显的区别,同时紧接步骤5.2的图像处理方法将采用的是对图像进行直方图均衡化的方式,来提高两者之间的对比度,通过对比度的提高能够更加明显地区别两者之间灰度值的不同。直方图均衡化是为了将原始图像的直方图以均匀分布的形式来展示,从而增加了像素灰度值的动态范围,即增强了图像中热斑与周边光伏板之间的对比效果。
[0090] 可以将步骤5.1中的公式进一步表示为:
[0091] PS(Si)=Ni/N 0≤Si≤1;i=0,1,2,3,……,D-1
[0092] 公式中PS意为原始图像第i个灰度级出现的概率,Ni是图像中具有灰度值Si的像素个数,N为图像总的像素数量,D为离散函数的i的取值上限值,将PS作为函数后所的得到的曲线就是图像的直方图。同时要实现图像的增强,与步骤5.1中的公式不同之处在于,还需要满足以下两个条件:
[0093] (1)EH(s)在0≤s≤D-1范围内为一个单值单增函数;
[0094] (2)对0≤s≤D-1有0≤EH(s)≤D-1。
[0095] EH(s)为s的
累积分布函数即原图的累计直方图,当EH(s)满足上述两个条件便可以将s的分布转换为t的均匀分布,即:
[0096]
[0097] 经过公式的计算得ti为均匀分布,且在实际运算过程中ti应该取整数以满足数字图像的要求,可以将步骤5.1计算所得的直方图直接转换为直方图均衡化后各个像素的灰度值。
[0098] 5.3)热斑的提取:热斑的提取是热斑的判别中尤为重要的一步,只有将热斑成功地提取出来才能完成对热斑的判别。经过步骤5.2)可以明显的区分出热斑处与正常光伏板之间的灰度值存在不同,可以进一步开始热斑的提取工作,将采用Canny边缘检测的方法来实现对热斑边缘提取的工作,因为热斑边缘的温度与正常光伏板的温度差值是最大的,所以经过直方图均衡化后两者之间的亮度将更加明显,所以在均衡化后获取热斑的边缘是提取热斑最佳方式。在开始Canny边缘检测的第一步便是滤波,将直方图均衡化后的图像通过离散化的高斯函数进行滤波,离散化的高斯函数所产生的一组高斯核作为
基础,再通过对图像灰度的每个像素点灰度值进行加权求和。滤波完成后需要增强边缘,在基于各邻近区域的强度变化值确定后,可以通过增强边缘的算法突显出邻近区域的灰度值差异,其中增强的算法可以由计算梯度幅值的方法来完成。
[0099] 增强边缘后就可以实现热斑边缘的检测,因为邻近区域中大多都是梯度值比较大的点,但这些点并非需要提取的边缘点,需要通过对这些点进行筛选处理,一般采用的是阈值化的方法来实现热斑边缘的检测:首先由非极大值抑制将非边缘像素进行排除,留下疑似边缘的一些细线条,再通过滞后阈值来进行热斑边缘的提取,即采用高低两个阈值来实现的,超过高阈值的为边缘像素,小于低阈值的为非保留像素,其中介于两个阈值之间的起连接边缘的作用。完成热斑边缘的提取后便可以实现对热斑的提取。
[0100] 6、预测值与监测值对比分析:为确定步骤3.3)所得到的热斑预测值的准确程度与实用程度,将热斑预测模型的输出值和实际的监测值相比较,从而得出预测模型的性能情况。热斑预测模型的准确性可以通过平均相对误差(MRE)以及相关系数(R)来估算,其中MRE所代表的是预测值与监测值的偏离度,MRE越趋向于O,所预测的准确性也越高,R代表的是预测值与监测值间变化情况的相似度,R越趋向于1,所预测的效果也越加精确。预测模型建立完成后,可以完成对热斑的预测,并且对热斑检测的图像处理中具有一定的参考价值。
[0101] 最后,应当指出,以上实施例及提出的一种控制方法仅是本发明较有代表性的例子,显然,本发明的技术方案不限于上述实施例及提出的一种控制方法,还可以有许多
变形。本领域的普通技术人员能从本发明公开内容直接导出或者联想到的所有变形,均应认为是本发明的保护范围。