1.一种基于机器视觉的光伏电池板积灰状态监测系统,其特征在于:它包括光伏阵列(1)的输出端经汇流箱(7)与直流/交流转换器(8)的输入端相连通,光伏阵列(1)的背板与温度传感器(3)的输入端相连通;采集卡(6)的输入端分别与温度传感器(3)的输出端,高清摄像头(2)的输出端,气象站(4)的输出端和汇流箱(7)的输出端相连通,采集卡(6)的输出端与计算机(5)的输入端相连通;直流/交流转换器(8)的输出端与逆变器(9)的输入端相连通,逆变器(9)的输出端与输电网(10)相连通;高清摄像头(2)采集的图像经采集卡(6)传输给计算机(5)的输入端。
2.根据权利要求1所述的一种基于机器视觉的光伏电池板积灰状态监测系统,其特征在于,其计算方法包括:
1)光伏电池板积灰图像灰度值计算
为了最大限度地减小条带噪声行对图像分析结果的干扰,首先消除光伏电池板上的银色栅线的影响,定位银色栅线所在行,然后用上下两行数据插值结果代替银色栅线,插值的关键是能够准确而有效地找出条带噪声行;由于银色栅线条带噪声的分布非常有规律,相邻条带噪声线之间的距离相同,每块光伏电池板的栅线数目也相同,因此可以通过统计每块光伏电池板可能的噪声数来判断条带噪声所在位置。整个定位过程以及光伏电池板积灰图像灰度值分析由下述方程组定量描述:银色栅线位置确定:
(Gi,j-G)/G>T (2)两点的差值和绝对误差:
F=G(i+1,j)-G(i-1,j) (3)δ=|F|/G(i-1,j) (4)三界差值算法:
f=(i+u,j+v)=[A][B][C] (5)[A]=(s(1+u),s(u),s(1-u),s(2-u)) (6)[C]'=(s(i+v),s(v),s(1-v),s(2-v)) (7)光伏电池板积灰图像的灰度值:
Grayi=Ri×0.3+Gi×0.59+Bi×0.11 (10)光伏电池板积灰图像的平均灰度值:
其中,(i,j)点为噪声点,值为Gi,j,上一个点为(i+1,j),其像素值为G(i+1,j),下一个点为(i-1,j),其像素值为(i-1,j),T为阈值,某一点的颜色分别用红色R、绿色G、蓝色B表示,联立式(1)和式(2),如果该像素属性值相对于上下/左右两个像素属性的平均值增加的百分比超过阈值T,就认为该点为“噪声像素”,即确定了栅线所在位置;联立式(3)和式(4)确定栅线和与其相邻点的差值与绝对误差,并设定一临界值d,如果δ<d说明两个点像素变化不大,此时采用上下两行像素点的线性插值法;如果δ>d,说明两个点的像素值变化较大,此时联立式(5)、式(6)、式(7)、式(8)和式(9),采用三阶线性插值算法对周围16个点进行插值处理,再通过联立式(10)和式(11)对处理后的图像进行分析,确定图像的灰度值,进而确定平均灰度值;
2)发电效率损失计算
将基于机器视觉的光伏电池板积灰状态监测系统采集的电压电流数据与温度采集数据和直接辐射采集的数据组合计算,得出电池板发电效率以及电功率损失率,进而得到光伏电池板发电效率、电功率损失率与积灰时间之间的关系模型,具体内容由下述方程组描述:光伏电池板发电效率:
光伏电池板电功率损失率与积灰时间预测模型:
光伏电池板电功率损失率退化模型:
ηpl(t)=ηpl*·(1-e-bt),t≥0 (15)光伏电池板积灰图像灰度值与电功率损失率关系模型:
Graya=49.820+1.1268·ηPl(t)·100 (16)光伏电池板积灰图像灰度值与积灰密度关系模型:
Graya=51.06+1.113ρ (17)光伏电池板电功率损失率与积灰密度关系模型:
其中η表示光伏电池板发电效率,Pmax表示最大输出功率,k表示温度系数,G表示辐照度,St表示光伏电池板面积,Tb表示电池板温度,Ts表示正常工作电池温度,ηl为积灰工况发*电效率损失,ηl 为发电效率损失的渐进值,ηc和ηd分别表示清洁和积灰工况下发电效率,t表示灰尘沉积时间,ηpl*表示电功率损失率的渐进值,ρ表示光伏电池板积灰密度;
基于机器视觉的光伏电池板积灰状态监测系统运行中,监测积灰工况下光伏电池板输出电功率,太阳能总辐照度以及光伏电池板背板温度,由式(12)确定电池板发电效率模型,由清洁工况,积灰工况发电效率和灰尘沉积时间,联立式(13)和式(14)确定电功率损失率与积灰时间的预测模型,联立式(15)确定电功率损失率退化模型,联立式(16)确定灰度值与电功率损失率关系模型,检测光伏电池板积灰密度,联立式(17)确定积灰图像灰度值与积灰密度关系模型,再联立式(18)确定电功率损失率与积灰密度关系模型。