[发明专利]一种电-图模型的光伏热斑效应检测方法

权利要求书

1.一种电-图模型的光伏热斑效应检测方法，其特征在于：包括以下步骤：

S1：采集光伏电池板输出的电信号(电压信号、电流信号)以及红外热像图；

S2：观察分析红外热像图信息并对光伏电池板热斑效应做出初步判断；

S3：输入电-图模型；

S4：输出故障值Y；

S5：将所得Y值与给定的故障阈值比较；

S6：对光伏电池板热斑效应进行准确检测，并且给出热斑效应的轻重度。

2.根据权利要求1所述的一种电-图模型的光伏热斑效应检测方法，其特征在于：所述步骤S3中的电-图模型通过以下步骤来构建：

S31：通过I-V分析仪采集光伏电池板正常运行状态下的输出电压信号和负载电流信号；

S32：用红外热像仪采集光伏电池板正常运行状态下的红外热像图；

S33：运用一种新的红外图像分割算法，即首先用粒子群算法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的光伏电池板的红外热像图；

S34：利用红外图像分析仪可以得到整个光伏电池板的最高温度值T；

S35：将光伏电池板正常工作情况下测得的值与光伏电池板出现热斑效应时测得的n组值进行比较分析，并且根据专家经验构建电-图模型：

Y＝αU_n/U+βI_n/I+mγT_n/T

其中，Y为输出的故障值，U和I分别表示正常工作时光伏电池板输出的电压有效值和电流有效值，Un和In分别表示通常情况下光伏电池板输出的电压有效值和电流有效值，Tn表示整个光伏电池板的最高温度值，α表示输出电压信号所占输出故障值的经验权重，β表示负载电流信号所占输出故障值的经验权重，γ表示红外热像图信号所占输出故障值的经验权重，m表示所监测的光伏电池板出现最高温度点的个数，其中0≤m≤N⁺。

3.根据权利要求2所述的一种电-图模型的光伏热斑效应检测方法，其特征在于：所述S33中的一种新型的红外图像分割算法包括以下具体步骤：

S331：首先通过粒子群算法确定最佳分割阈值。标准的PSO算法公式中，具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中，每个粒子均会调整其在每一维空间的速度，计算出其新的位置。因为每个粒子更新是相对独立的，且维数只与适应度函数的解空间有关，所以，可以用下面的公式表示每个粒 子其一维空间的运动情况：

x_t+1＝x_t+v_t+1    (2) 

其中r₁,r₂～U(0，1)，ω,v_t表示粒子在第t次迭代时的速度，x_t表示粒子第t次迭代时的位置，表示粒子在t次迭代过程中目前的个体极值点，表示种群在t次迭代过程中目前的全局极值点，ω称为惯性权重，常量c₁和c₂称为加速度因子。通常设置速度的上边界v_max和下边界v_min，防止粒子远离搜索空间。

根据光伏电池板物理特性，将物理特性中的重要成分作为粒子群算法的输入，同时将物理结构特性方程作为适应度函数，从而输出分割的最佳阈值。

S332：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。

在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励S_ij，即像素对应的灰度值I_ij。由图1可知，整个接受部分描述如下：

其中，V_F和V_L分别为放大系数，α_F和α_L为衰减常数，Y_kl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由

计算得到.然后通过连接系数β将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励U_ij，

U_ij(n)＝F_ij(n)(1+βL_ij(n))    (6) 

此时，脉冲生成器将U_ij与先前得到的阈值E_ij进行比较.当U_ij超过阈值E_ij时，神经元点火形成脉冲，并输出为1，即

当神经元点火之后，其阈值因常数V_E会瞬间增加，并在衰减因子α_E的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。

S333：得到分割后的光伏电池板热斑效应部分的红外热像图以及全部温度信息。