一种基于人工智能的太阳能电池板的故障检测方法与流程

1.本发明涉及太阳能电池板故障领域，具体涉及一种基于人工智能的太阳能电池板的故障检测方法。


背景技术：

2.太阳能电池板是通过吸收太阳光，将太阳辐射能通过光电效应或者光化学效应直接或间接转换成电能的装置，太阳能电池板阵列吸收太阳光的效率跟很多因素有关，例如地理位置、气候、光照强度、电池板的倾斜角度等。其中，电池板的倾斜角度对其吸收太阳能的效率有很大的影响。
3.由于冬季和夏季太阳光的角度和强度都会发生变化。因此，为了保证太阳能电池板的发电量尽可能大，都是通过调整太阳能电池板的倾斜角度和旋转角度来实现年发电量最大。由于太阳能发电系统的光伏阵列由多个太阳能电池板串并构成。因此，太阳能电池板相互之间平行，且在角度调整过程中，为了避免遮挡，太阳能电池板相互之间也是平行的。那么，在转动过程中如果因为个别太阳能电池板的转动轴的故障导致该块太阳能电池板不能转动，就有可能对其他太阳能电池板造成遮挡，从而导致太阳能电池板不能吸收太阳光，长时间会对太阳能电池板的发电功率造成影响，甚至会出现热斑损害太阳能电池板。
4.目前，对电池板的遮挡情况及故障类型进行检测，通常采取方式为在转动部件设置传感器或者直接进行人工检修的方式。但是，对于设置的传感器，由于环境因素的问题，其寿命较低，需要经常更换，导致成本较高；而人工检修方式，不但效率低，而且会严重增大工作人员的工作负担。同时，由于工作人员经验能力的不同，其也存在无法准确判断电池板出现的具体转动故障类型。
5.因此，亟需一种能够成本低、能够准确检测电池板转动故障的检测方法。


技术实现要素：

6.为了克服上述现有技术的效率低、成本高以及无法准确判断出故障类型的缺点，本发明提供一种基于人工智能的太阳能电池板的故障检测方法，可以通过太阳能电池板上阴影区域的形状以及不同时序下阴影区域的变化特征准确判断出太阳能电池板发生的转动故障类型。
7.为了解决上述问题，本发明的一种基于人工智能的太阳能电池板的故障检测方法，采用以下技术方案：获取太阳能电池板阵列图像，对太阳能电池板阵列图像进行图像预处理，得到灰度图像信息；提取所述灰度图像信息中的单个太阳能电池板，对所述太阳能电池板进行编号，并获取各太阳能电池板的角点坐标信息；根据各太阳能电池板的角点坐标信息，计算对应太阳能电池板的相邻两边缘的斜率；所述斜率包括横向斜率和纵向斜率；判断任意相邻两电池板的斜率是否相等，若所述斜
率不相等，则相邻两太阳能电池板不平行，判断相邻两太阳能电池板出现转动故障；否则，判断相邻两太阳能电池板转动正常；当相邻两电池板出现转动故障时，提取相邻两太阳能电池板的各阴影区域，获取各太阳能电池板的当前时刻的阴影区域形状和/或不同时序下的阴影区域变化特征；根据阴影区域形状特征和/或所述阴影区域变化特征判断太阳能电池板的转动故障类别以及对应的编号。
8.进一步地，所述图像预处理采用中值滤波方法、灰度化处理以及直方图均衡化方法。
9.进一步地，阴影区域的获取方法为：（1）对灰度图像信息进行灰度阈值分割，得到太阳能电池板图像中边框、栅线和栅线交点，将太阳能电池板的边框、栅线和栅线交点作为关注区域；（2）计算所述关注区域的灰度梯度；（3）比较所述灰度梯度与设定阈值的大小，当灰度梯度大于设定阈值，则为阴影区域边缘；（4）随机选取阴影区域边缘的一个像素点，计算所述像素点在8邻域内的梯度角，将梯度变化最大的方向作为该边缘的梯度方向；（5）根据所述梯度方向，得到太阳能电池板的阴影区域，将阴影区域连通得到整体阴影区域。
10.进一步地，当阴影区域为包含电池板单个角点的区域且阴影区域形状为三角形或者不规则四边形，则太阳能电池板为左右转动故障；当阴影区域为包含电池板两个角点的区域且阴影区域形状为矩形，则为上下转动故障；当阴影区域为包含电池板两个角点的区域且阴影区域形状为梯形或者长三角形，则太阳能电池板为上下转动故障和左右转动故障。
11.进一步地，所述阴影区域变化特征包括阴影区域的面积差值以及梯度角差值。
12.进一步地，根据所述阴影区域的面积差值以及梯度角差值进行太阳能电池板故障的判断：当梯度角差值且面积差值时，系统判断为上下转动异常；当梯度角差值且面积差值时，系统判断为左右转动异常；当梯度角差值且面积变化速率时,系统判断为上下左右同时发生转动异常，其中，表示单一转动异常下阴影区域变化速率，表示左右上下同时发生转动异常时阴影区域变化速率。
13.本发明具有如下有益效果：本发明的方案通过获取太阳能电池板的阴影区域，根据阴影区域形状和不同时序下的阴影区域变化特征，对太阳能电池板进行转动故障的判断，其无需人为检测，提高了检测效率。
14.同时，本发明的方案能够通过太阳能电池板的阴影区域特征，获取太阳能电池板的具体故障类别，便于后续进行检修时能够更有针对性。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
16.图1为本发明的基于人工智能的太阳能电池板的转动故障检测方法实施例的方法流程图；图2
‑
a为本发明的基于人工智能的太阳能电池板的转动故障检测方法实施例的太阳能电池板转动过程中非故障示意图；图2
‑
b为本发明的基于人工智能的太阳能电池板的转动故障检测方法实施例的太阳能电池转动过程中故障示意图。
具体实施方式
17.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
18.实施例一本发明提供的一种基于人工智能的太阳能电池板的故障检测方法，针对的具体场景为：设置的太阳能电池板阵列，在进行最大功率的发电时，其随着太阳光的变化而不断地进行高度角和方位角的调节；但是由于环境以及发电系统使用时间的原因，太阳能电池板在转动过程中可能存在转动故障，使得太阳能电池板之间存在相互遮挡，而无法更有效地获取最大发电功率。
19.为了实现太阳能电池板阵列的故障检测，具体地，本实施例提供的一种基于人工智能的太阳能电池板的故障检测方法，如图1所示，该方法包括以下步骤：步骤1，获取太阳能电池板阵列图像，对所述太阳能电池板阵列图像进行预处理，得到灰度图像信息；具体地，本实施例中为了排除视差的影响采用多台无人机正俯视拍摄，对不同时段的太阳能电池板进行图像采集，并进行图像拼接，最终获取太阳能电池板阵列的表面图像。
20.进一步地，本实施例对太阳能电池板阵列图像进行预处理：为了去除图像中的黑白相间的亮暗点噪声，本实施例中采用中值滤波去噪的方法对图像进行去噪处理；为了减少计算的复杂度，本实施例中对图像进行灰度化处理；为了增加不同电池板的图像对比度，本实施例中对灰度化后的图像进行直方图均衡化操作。
21.步骤2，提取所述灰度图像信息中的单个太阳能电池板，对所述太阳能电池板进行编号，并获取各太阳能电池板的角点坐标信息；具体地，本实施例中采用语义分割的方法获取单个太阳能电池板图像。
22.进一步地，本实施例中利用harris角点检测算法，获取图像中太阳能电池板的四个角点坐标，由于harris角点检测算法属于现有技术，此处不再过多赘述。
23.步骤3，根据各太阳能电池板的角点坐标信息，计算对应太阳能电池板的相邻两边
缘的斜率；所述斜率包括横向斜率和纵向斜率；判断任意相邻两太阳能电池板的斜率是否相等，若所述斜率不相等，则相邻两太阳能电池板不平行，判断相邻两太阳能电池板出现转动故障；否则，判断相邻两太阳能电池板转动正常；具体地，本实施例中通过霍夫直线拟合相邻边缘的斜率是否相等，具体斜率获取方法为通过像素坐标获取图像坐标系下太阳能电池板边缘的斜率，其中包括纵向边的纵向斜率和横向边的横向斜率；其中，电池板纵向斜率和横向斜率分别为：分别为：其中，坐标,,分别为获取的单个太阳能电池板在图像坐标系下的角点坐标。
24.判断相邻两电池板的横向斜率和纵向斜率是否分别平行，当相邻电池板边缘斜率平行时，边缘斜率相等，所以相邻电池板的边缘斜率差值时，认为两电池板平行，判断太阳能电池板转动正常；当斜率差值时时，认为两电池板不平行，出现错乱，判断太阳能电池板出现转动故障。
25.步骤4，当相邻两太阳能电池板出现转动故障时，提取相邻两太阳能电池板的阴影区域，获取各太阳能电池板的阴影区域形状特征和不同时序下的阴影区域变化特征；具体地，阴影区域的获取方法为：（1）对灰度图像信息进行灰度阈值分割，得到太阳能电池板图像中边框、栅线和栅线交点，其中的各太阳能电池板的边框、栅线和栅线交点构成关注区域；（2）计算关注区域的灰度梯度；其中的灰度梯度公式为：其中，为当前像素点的灰度梯度，为当前像素点在方向上的灰度梯度，为当前像素点在方向上的灰度梯度。
26.（3）比较灰度梯度与设定阈值的大小，当灰度梯度大于设定阈值，则为阴影区域边缘；（4）随机选择阴影区域边缘的某一像素点，计算所述像素点在8邻域内的梯度角，将梯度变化最大的方向作为该边缘的梯度方向；其中的梯度角为：（5）根据梯度方向得到太阳能电池板的阴影区域。
27.本实施例中利用每个交点为分割点，交点相连的区域为边，得到太阳能电池板上的多边形阴影区域，再将阴影区域连通得到整体阴影区域。
28.本实施例中通过分割后首先获取每个太阳能电池板组的图像，由于太阳能电池板本身底板呈现深蓝色，所以当出现阴影时，阴影区域往往是较小的灰度变化，特征不明显，容易造成阴影区域误检或者漏检的情况。因此，通过光伏电池板的白色栅线和栅线交点的灰度变化，来进行太阳能电池板的阴影区域检测。
29.步骤5，根据阴影区域形状和/或所述阴影区域变化特征判断太阳能电池板的转动故障类别。
30.其中，利用阴影区域形状特征进行故障类别的判断为：当阴影区域为包含电池板单个角点的区域且阴影区域形状为三角形或者不规则四边形，则太阳能电池板为左右转动故障；当阴影区域为包含电池板两个角点的区域且阴影区域形状为矩形，则为上下转动故障；阴影区域为包含电池板两个角点的区域且阴影区域形状为梯形或者长三角形，则太阳能电池板为上下转动故障和左右转动故障。
31.需要说明的是，上述阴影区域形状是太阳能电池板在转动过程中的某一时刻静止时获取的阴影区域。
32.上述步骤中的阴影区域变化特征包括阴影区域面积差值以及梯度角差值。
33.利用阴影区域变化特征进行故障类型的判断，如下：当梯度角差值且面积差值时，系统判断为上下转动异常；当梯度角差值且面积差值时，系统判断为左右转动异常；当梯度角差值且面积变化速率时,系统判断为上下左右同时发生转动异常。
34.其中，表示单一转动异常下阴影区域变化速率，表示上下左右同时发生转动异常时阴影区域变化速率；为阴影区域的初始边缘直线的梯度角与时序上电池板转动后阴影区域边缘直线的梯度角的梯度角差值，即；为阴影区域的初始阴影区域面积与时序上电池板转动后阴影区域面积的面积差值，即。
35.需要说明的是，本实施例中获取的阴影区域变化特征是获取连续的一段时间不同时序下对应的阴影区域面积差值以及梯度角差值。
36.进一步地，为了更准确地判断具体哪个编号的太阳能电池板的故障，本发明还可以通过再近邻太阳能电池板的阴影区域特征变化进一步确定异常太阳能电池板的编号。
37.当电池板向右转动过程中，某一电池板转动异常，如图2
‑
a和图2
‑
b所示，检测到左近邻电池板1造成电池板2左上角点区域出现阴影且，同时，检测此时的电池板3左下角点区域出现阴影且，系统可判断为电池板2转动异常。同样地，当转动到一定角度时，发生转动异常的电池板会对上下近邻电池板造成阴影且其他电池板均不存在阴影，可进一步通过四周近邻的电池板的阴影区域变化，确定发生转动故障的电池板为电池板2。
38.进一步地，多个电池板发生同类型且同时发生转动故障的判断方法为：通过步骤5
确定任意一个初始故障电池板的位置坐标和故障类型；选择其四周相邻电池板，进行步骤5的故障检测和故障类型分析，在电池板转动的过程中，若相邻电池板保持静止，且与初始故障电池板保持平行，对应位置处不存在阴影区域，则将该相邻电池板归为与初始故障电池板同类型且同时发生故障的电池板；然后，对初始故障电池板其他相邻电池板进行同样分析，直到初始故障电池板的相邻电池板都判断完成，再选择任意一个相邻电池板与周围未参与上述分析的相邻的电池板进行故障分析，直至得到发生相同类型且同时发生转动故障的故障电池板关联区域。
39.进一步地，多个电池板存在同类型的转动故障且不同时发生故障判断方法：与多个电池板发生同类型且同时发生转动故障的判断方法类似，区别在于关联区域内故障电池板为不同时发生故障，可能出现初始故障电池板的相邻故障电池板之间存在阴影，但是在整体电池板转动的过程中，该相邻故障电池板之间的阴影不会发生对应故障类型的阴影特征变化，以此得到多个电池板存在同类型的转动故障且不同时发生故障的关联区域。
40.进一步地，多个电池板存在不同类型的转动故障且不同时发生故障判断方法：可将此情况看作上述多个电池板存在同类型的转动故障且不同时发生故障的综合情况；当整体电池板在转动调节的过程中为单类型调节（如，先进行左右转动，再进行上下转动），则此时电池板存在同类型的转动故障且不同时发生故障分析过程，将故障相邻电池板看做同一类型去分析；当整体电池板在转动调节的过程中为综合调节（上下左右同时调节）时，首先，获取初始电池板的故障类型和位置坐标，记录初始的阴影面积和梯度角度，在进行综合调节时，通过对比步骤5中，梯度角度差值变化和面积差值变化与对应的阴影特征变化是否相同，来确定故障电池板的不同故障类型，最终，得到故障关联区域内所有电池板的故障情况。
41.实施例二本实施例是在实施例一判断出的太阳能电池板的故障的基础上，对太阳能电池板的发电功率进行调整，实现转动故障对发电功率影响最小化，发电功率最大化。
42.具体地，通过实施例一中得到的电池板故障类型、影响关联区域进行太阳能电池板阵列调节，具体过程为：1）获取每个太阳能电池板的阴影面积、阴影形状、初始调节角度和实时太阳能电池板阵功率的数据，将所有太阳能电池板的数据构成序列数据，其中的序列数据包括测试集和训练集；构建调节网络模型；利用训练集对调节网络模型进行训练，获取训练好的调节网络模型；本实施例中，对序列数据进行自编码后才进行网络的输入。
43.其中，本实施例中构建的网络结构为encoder
‑
decoder的自编码器，经过编码器提取特征张量，特征张量经解码器后，输出最优调节角度。
44.其中，本实施例中的调节网络模型采用的损失函数为，其中，均为权值。
45.阴影方差相似度为：
，其中，表示未调节之前的阴影面积表示调节后的阴影面积。
46.调节角度功率差为：，其中，表示未调节之前的太阳能电池板阵列的总功率，表示调节后的太阳能电池板阵列的总功率。
47.卡死电池板角度差为：，其中，表示未调节之前的卡死太阳能电池板角度，表示调节后的太阳能电池板角度。
48.为正则项，，该约束调整角度幅度尽可能的小。
49.其中，调节主要关注度应该为权值最大，其次为。
50.本实施例中构建的损失函数，能够保证阴影区域对发电功率影响最小化，整体发电功率最大。
51.2）将测试集输入训练好的调节网络模型中，输出各太阳能电池板的最优调节角度。
52.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
53.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
54.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。