基于红外图像的光伏阵列故障等级划分方法

摘要

一种基于红外图像的光伏阵列故障等级划分方法，采集光伏阵列系统红外图像信息，包括多张光伏组件红外图像，每张图均分成多个图像单元后每个单元的R、G、B值，这些构成图像信息数据库张量，并根据获得的光伏组件温度信息对红外图像进行故障编码，采用Tensor-V混合偏最小二乘法，通过红外图像信息数据库张量来预测故障等级向量，从而建立一个张量-向量的故障等级划分模型，具有很强的预测能力，可实现对光伏组件红外图像快速有效的故障等级编码，提供给光伏电站运行维护的工作人员，及时对存在问题的光伏组件安排检修更换，从而实现了光伏组件持续最佳状态运行，保证了光伏电厂的经济效益。

主权项

一种基于红外图像的光伏阵列故障等级划分方法，其特征在于：步骤如下：步骤1：首先采集光伏阵列系统红外图像信息，采集的信息包括l张光伏组件红外图像及其温度信息，每张图均分成λ个图像单元的图像信息；采集到的原始红外图像信息构成图像信息数据库，即l×λ×υ的三维张量X，三个维度分别表示光伏组件红外图像数l、图像分割单元数λ和每一个图像单元的信息特征变量数υ；步骤2：根据各图像的温度信息，对l张光伏组件红外图像进行故障等级编码，形成故障等级一维列向量Y(Y_l×1)，Y_l表示第l张图的故障等级(l＝1,2,...,l)；步骤3：基于红外图像的光伏阵列故障等级划分方法采用Tensor‑V混合偏最小二乘法，针对光伏阵列故障等级划分通过红外图像信息数据库三维张量X来预测故障等级一维列向量Y，从而建立一个张量‑向量的故障等级划分模型；将红外图像信息数据库三维张量X分解为一组秩‑(1,L₂,L₃)张量的和，故障等级一维列向量Y分解为向量的和，潜向量个数为K，如下所示：其中，H_k是第k个核张量，P_k⁽¹⁾，P_k⁽²⁾分别为mode‑1、mode‑2上正交的负载矩阵，s_k是第k个潜向量，d_k是第k个回归系数，E_K、E'_K是残差，“×_n”表示n模乘；步骤4：将红外图像信息数据库三维张量X、故障等级一维列向量Y作为输 入，初始化将红外图像信息数据库三维张量X、故障等级一维列向量Y作为初始残差量，令k＝1,E_k＝X,E'_k＝Y；步骤5：求建立基于红外图像的光伏阵列故障等级划分模型的模型参数，具体如下：⑴引入张量‑向量乘积得到的交叉协方差张量C_k，⑵对交叉协方差张量C_k做秩‑(1,L₂,L₃)的高阶正交迭代，即得到负载矩阵P_k⁽¹⁾，P_k⁽²⁾H'_k为1×(L₂×L₃)向量形式的核张量；⑶求潜向量s_k，对(E_k×₂P_k^(1)T×₃P_k^(2)T)₍₁₎做奇异值分解，第一个主导左奇异向量即为潜向量s_k；“₍₁₎”表示矩阵化；⑷求核张量H_k及回归系数d_k，公式如下：H_k＝E_k×₁s_k^T×₂P_k^(1)T×₃P_k^(2)T；⑸当k＝K或‖E_k‖_F＜ε,‖E'_k‖_F＜ε时，即直到K个潜变量都计算一遍或者残差满足一定范围，转到步骤⑺；⑹E_k＝E_k‑H_k×₁s_k×₂P_k⁽¹⁾×₃P_k⁽²⁾,E'_k＝E'_k‑d_ks_k,k＝k+1，转到步骤⑴；⑺输出模型参数，负载矩阵{P_k⁽¹⁾,P_k⁽²⁾}，潜向量矩阵S＝[s₁,…,s_k]，核张量{H_k}，回归系数矩阵D＝[d₁,…,d_k]；步骤6：建立基于红外图像的光伏阵列故障等级划分模型式中，W由得到，表示张量积，“+”表示广义逆；步骤7：令K^*＝WD，则基于红外图像的故障等级划分模型为至此，基于红外图像的光伏阵列故障等级划分模型完成；步骤8：得到模型后，对现场新采集的l^new张光伏组件红外图像做预测，根据新的红外图像信息数据库三维张量X^new来预测故障等级一维列向量预测值根据下式得到至此，基于红外图像的光伏阵列故障等级划分预测完成，输出步骤9：基于红外图像的光伏阵列故障等级划分方法根据输出的得到每张图像的故障等级。