基于热图像处理技术的光伏组件热点检测与分类

《Signals》：Detection and Classification of Hot Spots in Photovoltaic Panels Using Thermal Image Processing Techniques

　　

光伏系统因其免费、清洁和可持续的能源产出而近期受到广泛关注。研究人员开发并运用热图像处理技术对太阳能电池板上的热点进行分类。热图像被分为三类：（a）理想图像，即不含热点的图像；（b）受阴影影响的图像；以及（c）受鸟粪影响的图像。该分类通过图像处理技术实现，包括直方图分析、对比度增强和滤波工具。所得分类结果随后与电力输出的降低进行匹配。该方法被应用于热图像以检测和分类目标热点。实验结果表明，估计误差约为研究中使用图像总数的6.3%，其中阴影热点类型的误差率为6.57%，鸟粪（泥状类）的误差率为6.67%。此外，所提方法的准确率约为93.7%。

随着全球环境问题日益严峻，如全球变暖与臭氧层耗竭，加之化石燃料储量有限，寻找清洁、可持续且广泛可用的替代能源已成为当务之急。太阳能作为继水电和风电之后的第三大可再生电力来源，2022年占全球可再生电力的11%。光伏（Photovoltaic, PV）电池利用光伏效应将光能转化为电能，是太阳能发电系统的核心组件。然而，光伏组件在实际运行中常出现热点（Hot Spot）现象，即局部热过载或不良电气连接导致的局部温升，这会显著降低组件输出功率，甚至缩短其使用寿命。热点成因既包括内部因素（如污垢、裂纹等），也包括外部因素（如阴影、鸟粪等）。尽管热成像技术已被引入作为热点检测的有效工具，但现有研究在热成像数据库构建、热点类型自动分类及其与输出功率关联方面仍存在明显不足。

针对上述问题，研究人员开展了基于热图像处理技术的光伏组件热点检测与分类研究，旨在开发适当的热点检测与定位方法，建立热点分类体系以简化检测流程，并尝试将图像处理结果与实际电气输出性能相关联。该研究最终提出了一种自动化程序，能够识别影响光伏组件的热点类型并计算由热点造成的功率损失，论文发表于《Signals》期刊。

本研究采用的关键技术方法主要包括：样本来源于约旦北部伊尔比德地区，使用Solarworld公司Sunmodule Plus SW 270 mono光伏组件（60片156 mm×156 mm单晶硅电池，配备三个旁路二极管）进行实验，热图像采集采用Fluke Thermal Imager Ti32热像仪（温度范围?20 °C至+600 °C，发射率设定为0.9），于夏季（7月，环境温度35–37 °C，太阳辐照度900–1000 W/m2）和冬季（12月，环境温度22–25 °C，太阳辐照度 ver700–750 W/m2）正午晴天条件下进行测量，同时使用GwINSTEK GCM-403数字钳形表测量电流电压。图像处理方面，研究团队采用对比度拉伸（Contrast Stretching）技术增强热图像清晰度，通过HSV（Hue, Saturation, Value，色调-饱和度-亮度）色彩模型分割获取色调层，运用抖动滤波器（Dithering Filter）和形态学滤波器进行降噪处理，采用基于Moore-neighbor追踪算法结合Jacob终止准则确定感兴趣区域（Region of Interest, ROI）边界，最后利用欧几里得距离（Euclidean Distance）进行热点类型判别。

研究结果部分，研究人员从检测与分类、功率损失和对比研究三个方面进行了阐述。

**检测与分类结果**：研究人员使用111张热图像进行测试，结果显示无理想图像被误分类为阴影或鸟粪的情况。阴影热点的加权检测误差约为6.57%，鸟粪热点的加权检测误差约为6.67%。对于阴影覆盖不同数量电池的情况，当阴影覆盖单块电池时检测误差概率最高，随覆盖面积增大而降低。对于鸟粪热点，当鸟粪数量少于10个时检测误差为12.5%，10至30个时降至10%，超过30个时误差为0%，表明鸟粪数量增加有利于检测。当鸟粪分布较为密集时，其对功率损失的影响趋近于阴影效应，但检测过程仍能区分两种情况。

**功率损失结果**：研究表明阴影对发电功率的影响与阴影面积呈正相关。当阴影覆盖少于一块电池时，输出功率接近理想状态；覆盖一块电池时功率降低30%–33.2%；覆盖少于两块电池时功率降低49.8%–58.3%；覆盖两块电池以上时功率降低58.9%–68.2%；覆盖三块电池时功率降低高达97.5%–98.7%。鸟粪方面，小鸟粪对功率输出影响微弱（降低约0.0022%–0.01%），中等鸟粪导致功率下降10.7%–18.5%，大鸟粪则造成21%–29.7%的功率损失，总体而言鸟粪对输出功率的影响小于阴影。

**对比研究结果**：为评估方法的泛化能力，研究人员将该方法应用于来自多个参考文献的外部热图像样本。结果显示，理想图像的分类准确率达到100%，阴影热点识别准确率为90%，鸟粪热点识别准确率为92%，证实了该方法在不同工况下的有效性。

在讨论与结论部分，研究人员总结了所提方法的核心贡献。该方法通过图像处理技术将热图像分类为理想、阴影和鸟粪（泥状）三类，应用于110张热图像时总体误差率为6.3%（其中阴影热点6.57%、鸟粪热点6.67%）。该方法量化了热点与功率损失之间的关系：阴影造成的功率损失与阴影面积成正比，其程度取决于覆盖面积和持续时间；鸟粪检测准确率随数量增加而提高，但相应的发电功率会降低。当应用于外部热图像样本时，该方法展示了0.18%的错误率，进一步验证了其适用性。研究局限性在于仅考虑了理想、阴影和鸟粪三种热点类型，对于微裂纹、旁路二极管故障和制造缺陷等其他热点机制因缺乏相应热图像数据集而未纳入研究，这将成为未来工作的方向。该研究为光伏系统的自动故障诊断提供了重要技术支撑，有助于提升太阳能发电系统的运行维护效率。