基于改进Otsu_Canny算法的光伏组件故障定位研究

陈群杰 牟传强 洪卉 周屿函 韩志坤 赵金时

收稿日期：2023-10-09

DOI：10.19850/j.cnki.2096-4706.2024.07.026

摘  要：为了提高光伏系统在线故障诊断的效率，提出一种基于改进遗传算法的Otsu_Canny光伏组件故障定位方法。采用此方法可以实现从大面积光伏面板的红外图片中提取故障组件，将该方法与基于图像识别的故障诊断方法相结合能够大大提高光伏组件故障诊断的效率。首先利用改进遗传算法的Otsu算法实现光伏组件故障区域分割，再利用Canny算子实现故障边缘检测，最终完成故障定位。实验结果表明，与传统算法相比，所提算法故障定位快、准确率高，具有较好的实用性和应用价值。

关键词：光伏组件；
红外图像；
故障定位；
图片分割

中图分类号：TP391.4；
TK514 文献标识码：A 文章编号：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，风能需求占51.2%，地热和其他可再生能源需求占25.2%，太阳能需求占23.6%。然而，2007至2017年间，太阳能的年平均增长率为50.2%，其次是风能20.8%，其他能源的增长率为7.1%。这表明虽然风能在市场上占主导地位，但太阳能是增长最快的可再生能源[1]。光伏组件暴露在户外，容易受外界环境影响，故障或异常难以避免。光伏组件一旦发生故障，不仅对组件自身产生影响，还会对组件所在的组串产生影响，最终影响光伏发电系统的发电效率[2]。因此，开展光伏发电组件故障诊断研究具有十分重要的意义。

国内外学者就光伏阵列的故障诊断进行了大量的研究。目前，国内外学者对于光伏组件故障检测的研究主要集中在光伏组件的电气特性（输出电压、电流等）分析、电致发光（Electro Luminescence， EL）检测以及红外图像检测这三个方面[3，4]。无人机搭载红外摄像/照相设备可以从不同角度/高度对大面积光伏发电设备进行拍照/拍摄，有利于开展日常巡检，及时发现出现异常/故障的光伏组件，所以基于红外图像检测的方法得到了充分的研究和应用。

基于红外图像检测实现光伏组件的故障检测，可以采用如下两种思路：

1）将图片（包含多个组件）按照组件大小进行切割，然后送入训练好的故障诊断模型中，对每一个组件进行诊断[5-7]。这一方法存在的问题是，现有数据集中正常组件的数目远远大于异常组件，在进行基于机器学习的故障诊断模型训练时，必须采取数据均衡的手段。而且还要对大量正常的组件进行诊断，从而降低了效率。

2）采用图像分割方法从大面积光伏面板图片中将存在故障的组件提取出来，然后再对故障组件进行诊断，判断故障类别。

本文引用2）的思路，采用常用的阈值分割法实现图像分割。在阈值方法中，Otsu是最常用的阈值分割技术。Otsu算法是利用图像直方图选择合适的阈值，使目标与背景类的方差最大，达到分离图像的目的。将这一方法应用于对无人机巡检拍摄的光伏阵列的红外图像时，由于存在以下问题，降低了Otsu方法的性能：

1）由于存在阴影等因素，组件本身的亮度与背景相近，组件灰度直方图中未能体现出显著的双峰特征，导致Otsu不能很好地将故障与其他背景区域区分开来。

2）噪声污染影响单阈值Otsu算法的性能。而双阈值Otsu分割方法与单阈值Otsu算法相比，抗噪声性明显提高，但计算量太大。

鉴于此，本文提出一种基于改进遗传算法的Otsu_Canny光伏组件故障定位方法。将遗传算法应用于图像分割的最优阈值计算可以大大提高传统阈值方法的分割效率。同时对遗传算法进行改进，在获得最优阈值的时候，根据个体适应度和群体分散程度自动调整遗传对照参数，实现既保持种群多样性，又加快收敛速度的目的，这样就克服了传统遗传算法收敛性差、过早收敛等问题。

1  基于改进遗传算法的双阈值Otsu故障识别

1.1  Otsu算法的双阈值分割原理

Otsu算法[8]也叫大津法-最大类间方差法，是阈值选择的最佳方法之一，通过对类间方差最大化找到最佳阈值。

根据图像高斯分布的灰度直方图特性实现分割阈值的选择。假设给定图像的像素存在L个不同的灰度等级[1，2，…，L]，灰度等级i的像素数用ni表示，像素总数N = n1 + n2 + … + nL，概率分布由式（1）所示：

（1）

通过设定2个阈值t1、t2，将图片像素分为三类C0、C1、C2（背景和目标对象）。其中，C0表示灰度级别≤1的像素，C1表示灰度级别 ∈ [t1 + 1，t2 + 2，…，t2]的像素，C2表示灰度级别 ∈ [t1 + 1，t2 + 2，…，L]的像素。该方法默认为图片中灰度级别高于高阈值t2以及低于低阈值t1的区域均是背景。而对于两个阈值之间的像素级别，则需要验证该像素值的相邻像素中是否有超出范围的边缘像素。

计算这三类像素出现的概率，分别如式（2）（3）（4）所示：

（2）

（3）

（4）

其中，。

均值分别为：

（5）

（6）

（7）

（8）

类间方差如式（9）所示：

（9）

对式（9）进行化简，得到：

其中，，则最优值阈值  为：

（11）

1.2  基于改进自适应遗传算法的最优阈值求解

采用Otsu法寻找阈值的过程实际上是一个寻找最优解的过程[9]。本文采用改进遗传算法对（11）进行求解。算法具体流程如下：

1）初始化种群Q（t）和进化次数s。初始化进化次数s = 0，选择最大进化次数100。初始种群表示为 ，初始种群中所有 的概率相等，均为 。

2）确定编码位数并完成初始种群编码。图像的灰度值取值范围为[0，255]，因此每个染色体成员可以编码为8位二进制代码。采用双阈值（t1，t2）对光伏组件图像进行分割，需要用32（8 + 8 + 8 + 8）位来表示要描述的阈值信息。解码的时候则是将32位编码解码为0～255范围内的数，得出所需的阈值。

3）确定适应度函数。采用双阈值Otsu作为适应度函数。

4）计算每一代个体的适应度值并评估其适应度。

5）优胜劣汰选择。对个体适应度进行排序，记录最佳个体及其相应的适应度。

6）根据确定的遗传最大进化代数判断是否满足终止条件，如果满足，则给出最佳解决方案个体并结束，反之，算法继续增加进化次数s = s + 1。

7）对种群中的个体进行交叉操作，其中初始化变异概率为10%。

8）输出最优个体及其适应度值，并转换二进制代码得到分割阈值。

9）根据最优双阈值对光伏组件缺陷目标图像进行分割。

为了避免个体的适应度值和最大适应度值无限逼近时交叉率和变异率趋近于0，而导致算法陷入局部最优，本文对算法进行相应的改进。改进后算法的交叉率pc和变异率pm由式（12）（13）表示：

（12）

（13）

其中，pc.max表示最大交叉率，pm.max表示最大变异率，fmax表示种群中的最大适应度值，favg表示种群中各个代的平均适应度值，f ′表示两个被杂交的个体中大者的适应度值，f表示待变异个体的适应度值， 表示调整系数。

2  基于Otsu_Canny算法的光伏组件故障定位

Canny边缘检测算子是John F. Canny于1986年开发出来的一种多级边缘检测算法，是目前最优越的边缘检测算法之一。该算法不易受噪声的影响，能够识别图像中的弱边缘和强边缘，并可结合强弱边缘的位置关系综合给出图像整体的边缘信息。

算法步骤如图1所示。

图1  Otsu-Canny算法实现步骤

1）引入高斯滤波平滑图像。光伏组件处于背景复杂的区域，不可避免地产生各种噪声，为防止由于噪声的存在而造成伪边缘，首先引入高斯滤波平滑图像，所采用的高斯滤波计算式为：

（14）

经过滤波之后的图像S = G×I。

2）计算梯度幅值和方向。当某像素点边缘法线方向为θ时，该处梯度幅值和方向分别为：

（15）

其中：

（16）

3）非极大值抑制。在高斯滤波卷积过程中，边缘像素附近可能会出现梯度值较小的伪边缘，为了保证所得边缘的精度，需要找到局部最大值梯度，对非极大值的像素置零，避免伪边缘的出现影响分割精度。

4）双阈值检测与连接。为了进一步提高边缘检测的准确度，设置双阈值检测，利用高低两个阈值过滤掉不需要的像素。

3  仿真验证

采用文献[10]给出的Photovoltaic System Thermal Images数据集验证本文所提方法的有效性。该数据集为由无人机搭载红外相机对实际光伏组件进行拍摄获得的红外图像数据集。数据集中包含蜗牛纹和热斑两类故障，共277张图像。实验运行环境为64位Window 10系统，基于Python 3.7编程环境的TensorFlow 2.1框架。

3.1  光伏组件故障区域分割对比

图2、图3、图4以三张（图2至4中的（a））包含不同缺陷的光伏组件图片为例，分别采用双阈值、传统遗传算法和改进遗传算法进行分割，比较分割效果。三种算法中最大遗传代数均为100。

由图4可以看出，光伏组件红外图像的颜色和背景亮度相近，当光伏组件上的故障区域不止一处时，Otsu双阈值分割算法和遗传算法Otsu双阈值分割均不能将所有故障区域准确地分割出来，而本文所提的算法可以有效解决这个问题，可以准确快速地分割出所有故障目标点，大大降低了漏检率。采用本文算法对整体图像数据集的277张图片进行故障定位，准确度达到100%。

3.2  光伏组件故障定位效果对比

在仿真的基础上，三张示例的光伏组件基于Canny算子的故障边缘检测效果如图5至图7中的（b）所示，进一步将提取出的故障边缘叠加到已完成的故障区域分割图像上实现故障定位，故障定位效果如图5至图7中的（c）所示。

4  结  论

本章提出了基于改进遗传算法的Otsu_Canny光伏组件故障定位方法。首先将改进遗传算法用在Otsu分割算法的双阈值选取上，确定分割的最佳双阈值，提高阈值的搜索速度，完成故障区域的分割。然后利用Canny算子提取故障边缘，实现光伏组件故障定位。

参考文献：

[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] 郎庆凯，高方玉，吴琼，等.基于改进YOLOv7的光伏组件红外图像热斑目标检测方法 [J].计算机应用，2023，43（S2）：191-195.

[6] 任惠，夏静，卢锦玲，等.基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法 [J].太阳能学报，2023，44（8）：238-245.

[7] 刘成，冯斌，李昉.无人机智能巡检技术在光伏电站的应用 [J].电力勘测设计，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，张亚宁.改进鲸鱼算法优化Ostu多阈值图像分割 [J].佳木斯大学学报：自然科学版，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.

作者简介：陈群杰（1992—），男，汉族，浙江杭州人，工程师，硕士研究生，研究方向：电力系统运行。

猜你喜欢 故障定位 城市轨道交通供电直流侧短路故障定位技术探讨知音励志·社科版(2016年10期)2017-02-15小电流接地系统故障定位技术研究科技与创新(2016年21期)2017-02-14基于配电网故障停电管理系统的设计与应用研究中国高新技术企业(2016年34期)2017-02-10基于GIS的电力系统光缆故障快速定位研究中国高新技术企业(2016年35期)2017-02-10测控区和非测控区并存的配电网故障定位实用方法山东工业技术(2016年24期)2017-01-12探讨智能配电网故障快速定位与故障恢复中国新技术新产品(2016年23期)2016-12-26电力电缆故障定位的探讨科技视界(2016年21期)2016-10-17FTTX光纤线路常见故障查找与定位电脑知识与技术(2015年33期)2016-01-18CDMA 网络IP 问题故障定位研究电脑知识与技术(2015年30期)2016-01-09配网自动化系统小电流接地故障定位方法分析科技与创新(2015年5期)2015-04-20