陳群杰 牟傳強 洪卉 周嶼函 韓志坤 趙金時

收稿日期：2023-10-09

DOI：10.19850/j.cnki.2096-4706.2024.07.026

摘? 要：為了提高光伏系統(tǒng)在線故障診斷的效率，提出一種基于改進遺傳算法的Otsu_Canny光伏組件故障定位方法。采用此方法可以實現從大面積光伏面板的紅外圖片中提取故障組件，將該方法與基于圖像識別的故障診斷方法相結合能夠大大提高光伏組件故障診斷的效率。首先利用改進遺傳算法的Otsu算法實現光伏組件故障區(qū)域分割，再利用Canny算子實現故障邊緣檢測，最終完成故障定位。實驗結果表明，與傳統(tǒng)算法相比，所提算法故障定位快、準確率高，具有較好的實用性和應用價值。

關鍵詞：光伏組件；紅外圖像；故障定位；圖片分割

中圖分類號：TP391.4；TK514 文獻標識碼：A 文章編號：2096-4706（2024）07-0123-05

Research on the Fault Location of PV Modules Based on an Improved Otsu_Canny Algorithm

CHEN Qunjie， MOU Chuanqiang， HONG Hui， ZHOU Yuhan， HAN Zhikun， ZHAO Jinshi

（Hangzhou Qiantang Power Supply Company of State Grid Zhejiang Power Co.， Ltd.， Hangzhou? 311225， China）

Abstract： In order to improve the efficiency of online fault diagnosis in photovoltaic systems， a fault location method for Otsu-Cannoy photovoltaic modules based on an improved genetic algorithm is proposed. Based on this method， it is possible to extract fault components from infrared images of large-area photovoltaic panels. Combining this method with image recognition-based fault diagnosis methods can greatly improve the efficiency of photovoltaic module fault diagnosis. Firstly， the improved genetic algorithm Otsu algorithm is used to segment the fault area of photovoltaic modules， and then the Canny operator is used to achieve fault edge detection， ultimately completing fault localization. The experimental results show that compared with traditional algorithms， the proposed algorithm has fast fault location， high accuracy， and good practicality and application value.

Keywords： PV module; infrared image; fault location; image segmentation

0? 引? 言

可再生能源需求占全球一次能源需求的4.0%，其中，風能需求占51.2%，地熱和其他可再生能源需求占25.2%，太陽能需求占23.6%。然而，2007至2017年間，太陽能的年平均增長率為50.2%，其次是風能20.8%，其他能源的增長率為7.1%。這表明雖然風能在市場上占主導地位，但太陽能是增長最快的可再生能源[1]。光伏組件暴露在戶外，容易受外界環(huán)境影響，故障或異常難以避免。光伏組件一旦發(fā)生故障，不僅對組件自身產生影響，還會對組件所在的組串產生影響，最終影響光伏發(fā)電系統(tǒng)的發(fā)電效率[2]。因此，開展光伏發(fā)電組件故障診斷研究具有十分重要的意義。

國內外學者就光伏陣列的故障診斷進行了大量的研究。目前，國內外學者對于光伏組件故障檢測的研究主要集中在光伏組件的電氣特性（輸出電壓、電流等）分析、電致發(fā)光（Electro Luminescence， EL）檢測以及紅外圖像檢測這三個方面[3，4]。無人機搭載紅外攝像/照相設備可以從不同角度/高度對大面積光伏發(fā)電設備進行拍照/拍攝，有利于開展日常巡檢，及時發(fā)現出現異常/故障的光伏組件，所以基于紅外圖像檢測的方法得到了充分的研究和應用。

基于紅外圖像檢測實現光伏組件的故障檢測，可以采用如下兩種思路：

1）將圖片（包含多個組件）按照組件大小進行切割，然后送入訓練好的故障診斷模型中，對每一個組件進行診斷[5-7]。這一方法存在的問題是，現有數據集中正常組件的數目遠遠大于異常組件，在進行基于機器學習的故障診斷模型訓練時，必須采取數據均衡的手段。而且還要對大量正常的組件進行診斷，從而降低了效率。

2）采用圖像分割方法從大面積光伏面板圖片中將存在故障的組件提取出來，然后再對故障組件進行診斷，判斷故障類別。

本文引用2）的思路，采用常用的閾值分割法實現圖像分割。在閾值方法中，Otsu是最常用的閾值分割技術。Otsu算法是利用圖像直方圖選擇合適的閾值，使目標與背景類的方差最大，達到分離圖像的目的。將這一方法應用于對無人機巡檢拍攝的光伏陣列的紅外圖像時，由于存在以下問題，降低了Otsu方法的性能：

1）由于存在陰影等因素，組件本身的亮度與背景相近，組件灰度直方圖中未能體現出顯著的雙峰特征，導致Otsu不能很好地將故障與其他背景區(qū)域區(qū)分開來。

2）噪聲污染影響單閾值Otsu算法的性能。而雙閾值Otsu分割方法與單閾值Otsu算法相比，抗噪聲性明顯提高，但計算量太大。

鑒于此，本文提出一種基于改進遺傳算法的Otsu_Canny光伏組件故障定位方法。將遺傳算法應用于圖像分割的最優(yōu)閾值計算可以大大提高傳統(tǒng)閾值方法的分割效率。同時對遺傳算法進行改進，在獲得最優(yōu)閾值的時候，根據個體適應度和群體分散程度自動調整遺傳對照參數，實現既保持種群多樣性，又加快收斂速度的目的，這樣就克服了傳統(tǒng)遺傳算法收斂性差、過早收斂等問題。

1? 基于改進遺傳算法的雙閾值Otsu故障識別

1.1? Otsu算法的雙閾值分割原理

Otsu算法[8]也叫大津法-最大類間方差法，是閾值選擇的最佳方法之一，通過對類間方差最大化找到最佳閾值。

根據圖像高斯分布的灰度直方圖特性實現分割閾值的選擇。假設給定圖像的像素存在L個不同的灰度等級[1，2，…，L]，灰度等級i的像素數用ni表示，像素總數N = n1 + n2 + … + nL，概率分布由式（1）所示：

（1）

通過設定2個閾值t1、t2，將圖片像素分為三類C0、C1、C2（背景和目標對象）。其中，C0表示灰度級別≤1的像素，C1表示灰度級別 ∈ [t1 + 1，t2 + 2，…，t2]的像素，C2表示灰度級別 ∈ [t1 + 1，t2 + 2，…，L]的像素。該方法默認為圖片中灰度級別高于高閾值t2以及低于低閾值t1的區(qū)域均是背景。而對于兩個閾值之間的像素級別，則需要驗證該像素值的相鄰像素中是否有超出范圍的邊緣像素。

計算這三類像素出現的概率，分別如式（2）（3）（4）所示：

（2）

（3）

（4）

其中，。

均值分別為：

（5）

（6）

（7）

（8）

類間方差如式（9）所示：

（9）

對式（9）進行化簡，得到：

其中，，則最優(yōu)值閾值? 為：

（11）

1.2? 基于改進自適應遺傳算法的最優(yōu)閾值求解

采用Otsu法尋找閾值的過程實際上是一個尋找最優(yōu)解的過程[9]。本文采用改進遺傳算法對（11）進行求解。算法具體流程如下：

1）初始化種群Q（t）和進化次數s。初始化進化次數s = 0，選擇最大進化次數100。初始種群表示為 ，初始種群中所有 的概率相等，均為 。

2）確定編碼位數并完成初始種群編碼。圖像的灰度值取值范圍為[0，255]，因此每個染色體成員可以編碼為8位二進制代碼。采用雙閾值（t1，t2）對光伏組件圖像進行分割，需要用32（8 + 8 + 8 + 8）位來表示要描述的閾值信息。解碼的時候則是將32位編碼解碼為0～255范圍內的數，得出所需的閾值。

3）確定適應度函數。采用雙閾值Otsu作為適應度函數。

4）計算每一代個體的適應度值并評估其適應度。

5）優(yōu)勝劣汰選擇。對個體適應度進行排序，記錄最佳個體及其相應的適應度。

6）根據確定的遺傳最大進化代數判斷是否滿足終止條件，如果滿足，則給出最佳解決方案個體并結束，反之，算法繼續(xù)增加進化次數s = s + 1。

7）對種群中的個體進行交叉操作，其中初始化變異概率為10%。

8）輸出最優(yōu)個體及其適應度值，并轉換二進制代碼得到分割閾值。

9）根據最優(yōu)雙閾值對光伏組件缺陷目標圖像進行分割。

為了避免個體的適應度值和最大適應度值無限逼近時交叉率和變異率趨近于0，而導致算法陷入局部最優(yōu)，本文對算法進行相應的改進。改進后算法的交叉率pc和變異率pm由式（12）（13）表示：

（12）

（13）

其中，pc.max表示最大交叉率，pm.max表示最大變異率，fmax表示種群中的最大適應度值，favg表示種群中各個代的平均適應度值，f ′表示兩個被雜交的個體中大者的適應度值，f表示待變異個體的適應度值， 表示調整系數。

2? 基于Otsu_Canny算法的光伏組件故障定位

Canny邊緣檢測算子是John F. Canny于1986年開發(fā)出來的一種多級邊緣檢測算法，是目前最優(yōu)越的邊緣檢測算法之一。該算法不易受噪聲的影響，能夠識別圖像中的弱邊緣和強邊緣，并可結合強弱邊緣的位置關系綜合給出圖像整體的邊緣信息。

算法步驟如圖1所示。

圖1? Otsu-Canny算法實現步驟

1）引入高斯濾波平滑圖像。光伏組件處于背景復雜的區(qū)域，不可避免地產生各種噪聲，為防止由于噪聲的存在而造成偽邊緣，首先引入高斯濾波平滑圖像，所采用的高斯濾波計算式為：

（14）

經過濾波之后的圖像S = G×I。

2）計算梯度幅值和方向。當某像素點邊緣法線方向為θ時，該處梯度幅值和方向分別為：

（15）

其中：

（16）

3）非極大值抑制。在高斯濾波卷積過程中，邊緣像素附近可能會出現梯度值較小的偽邊緣，為了保證所得邊緣的精度，需要找到局部最大值梯度，對非極大值的像素置零，避免偽邊緣的出現影響分割精度。

4）雙閾值檢測與連接。為了進一步提高邊緣檢測的準確度，設置雙閾值檢測，利用高低兩個閾值過濾掉不需要的像素。

3? 仿真驗證

采用文獻[10]給出的Photovoltaic System Thermal Images數據集驗證本文所提方法的有效性。該數據集為由無人機搭載紅外相機對實際光伏組件進行拍攝獲得的紅外圖像數據集。數據集中包含蝸牛紋和熱斑兩類故障，共277張圖像。實驗運行環(huán)境為64位Window 10系統(tǒng)，基于Python 3.7編程環(huán)境的TensorFlow 2.1框架。

3.1? 光伏組件故障區(qū)域分割對比

圖2、圖3、圖4以三張（圖2至4中的（a））包含不同缺陷的光伏組件圖片為例，分別采用雙閾值、傳統(tǒng)遺傳算法和改進遺傳算法進行分割，比較分割效果。三種算法中最大遺傳代數均為100。

由圖4可以看出，光伏組件紅外圖像的顏色和背景亮度相近，當光伏組件上的故障區(qū)域不止一處時，Otsu雙閾值分割算法和遺傳算法Otsu雙閾值分割均不能將所有故障區(qū)域準確地分割出來，而本文所提的算法可以有效解決這個問題，可以準確快速地分割出所有故障目標點，大大降低了漏檢率。采用本文算法對整體圖像數據集的277張圖片進行故障定位，準確度達到100%。

3.2? 光伏組件故障定位效果對比

在仿真的基礎上，三張示例的光伏組件基于Canny算子的故障邊緣檢測效果如圖5至圖7中的（b）所示，進一步將提取出的故障邊緣疊加到已完成的故障區(qū)域分割圖像上實現故障定位，故障定位效果如圖5至圖7中的（c）所示。

4? 結? 論

本章提出了基于改進遺傳算法的Otsu_Canny光伏組件故障定位方法。首先將改進遺傳算法用在Otsu分割算法的雙閾值選取上，確定分割的最佳雙閾值，提高閾值的搜索速度，完成故障區(qū)域的分割。然后利用Canny算子提取故障邊緣，實現光伏組件故障定位。

參考文獻：

[1] RAHAMAN S A，URMEE T，PARLEVLIET D A. PV System Defects Identification Using Remotely Piloted Aircraft （RPA） Based Infrared （IR） Imaging： A Review [J].Solar Energy，2020，206：579-595.

[2] AKRAM M W，LI G Q，JIN Y，et al. Failures of Photovoltaic Modules and Their Detection： A Review [J/OL].Applied Energy，2022，313[2023-08-05].https：//www.sciencedirect.com/science/article/abs/pii/S0306261922002677.

[3] ZAIN M，AHMED A，MAHER A，et al. Fault Identification for Photovoltaic Systems Using a Multi-output Deep Learning Approach [J/OL].Expert Systems with Applications，2023，211[2023-08-06].https：//doi.org/10.1016/j.eswa.2022.118551.

[4] WADE C I，TORIHARA R，SAKODA T，et al. Numerical Analysis of Electrical Characteristics of a PV Module Irradiated by an Impulse Light Flash [J].Journal of International Council on Electrical Engineering，2018，8（1）：8-13.

[5] 郎慶凱，高方玉，吳瓊，等.基于改進YOLOv7的光伏組件紅外圖像熱斑目標檢測方法 [J].計算機應用，2023，43（S2）：191-195.

[6] 任惠，夏靜，盧錦玲，等.基于紅外圖像和改進MobileNet-V3的光伏組件故障診斷方法 [J].太陽能學報，2023，44（8）：238-245.

[7] 劉成，馮斌，李昉.無人機智能巡檢技術在光伏電站的應用 [J].電力勘測設計，2023（8）：71-75+95.

[8] MANICKAM R，RAJAN S K，SUBRAMANIAN C，et al.Person Identification with Aerial Imaginary Using SegNet Based Semantic Segmentation [J].Earth Science Informatics，2020，13（4）：1293-1304.

[9] 王冠，張亞寧.改進鯨魚算法優(yōu)化Ostu多閾值圖像分割 [J].佳木斯大學學報：自然科學版，2023，41（3）：174-177.

[10] ALFARO-MEJIA E，LOAIZA-CORREA H，FRANCO-MEJIA E，et al. Dataset for Recognition of Snail Trails and Hot Spot Failures in Monocrystalline Si Solar Panels [J/OL].Data in Brief，2019，26（10）：1-6 [2023-08-06].https：//doi.org/10.1016/j.dib.2019.104441.

作者簡介：陳群杰（1992—），男，漢族，浙江杭州人，工程師，碩士研究生，研究方向：電力系統(tǒng)運行。