基于语义分割的光伏组件积灰检测与分析

章涛，柳玉宾，崔承刚，王恒涛，潘威丞

(1.上海电力大学自动化工程学院，上海 200090；2.华电电力科学研究院北京分院，北京 100000)

传统能源因环境污染，储量限制使用占比呈逐年下降趋势。目前，中国在减排速度和力度方面均远超其他国家，对于新能源的开发愈发重视，新能源的使用优先级越来越高，其中光伏在市场中扮演着越来越重要的角色[1]。大多数光伏电站建设在中国太阳能资源丰富的东北、西北等地区，所处位置降雨量较小，风沙扬尘等极端气候频发，环境复杂，易发生故障和异常，光伏板积灰问题已经成为致使光伏板故障的主要原因之一。

目前，光伏电站主要依靠现场运维人员凭借相关经验利用人工观测方法来对光伏电池板积灰状态进行分析。这种方法较为传统，对于积灰状态分析的精确性与实时性效果不佳，难以满足光伏电池板积灰状态的实时检测、故障诊断与清洁周期计算等智能化运维的发展要求[2]。

Hassan等[3]对光伏板在自然条件下的输出状况进行了为期6个月的研究，得出以下结论，在没有对光伏板进行清扫的情况下经过1个月和6个月后，光伏发电效率分别下降33.5%和65.8%。赵波等[4]利用光伏电站现场的实验数据研究积灰对光伏发电功率的影响，并以此为依据优化清光伏电池板的清扫周期以及积灰造成的损失。王莉[5]通过在现场实验分析了光伏太阳能电池板表面灰尘作用机理并制定了清洁方案。徐志明等[6]对某20 MW光伏电站的积灰损耗进行了分析，数据表明采用传统清扫方式的清扫周期为15 d，然而利用机械的最佳清扫周期为3.40 d，每年此光伏电站可降低损失费用约72.10万元。

积灰对光伏发电系统的影响被广大的研究人员所关注，但对于光伏电池板表面积灰的检测方法研究较少。伏安特性曲线法是一种较为传统、简单的检测方法，通过对比光伏发电系统的实际曲线与理论曲线来判断该系统是否处于正常运行状态[7]。但这种方法无法判断造成光伏系统的输出特性降低是系统故障还是积灰影响，并且无法对光伏电池板表面积灰进行定量分析。

图像分析法可对积灰图像进行分析，运用图像处理技术在图像中提取积灰特征。对于小规模的光伏系统，光伏电池板表面积灰的检测可通过现场运维人员的人工观测直接测得，但对于大规模光伏发电站采用这种检测方法效率低下，而利用人工智能深度学习技术能够对目标物实现快速、便捷及高效的检测，为实现对光伏电池板表面积灰的智能检测提供了新思路。

目前，采用深度学习技术来解决图像识别的算法一般可分为两类：一类是基于区域的目标检测算法，常用的有基于目标检测模型(you only look once，YOLO)的算法；另一类是语义分割技术，与YOLO不同，它是通过对图中每一个像素点进行分类从而实现对图像的分割，是使计算机像人类一样理解复杂场景的关键一步[8]。

1 系统设计与实现方法

1.1 光伏板积灰特性

在实际情况中，光伏组件的表面积灰大部分由地表土壤颗粒和空气悬浮颗粒的物质组成。在一些自然因素影响下空气中的悬浮颗粒物和地表土壤颗粒将会聚合，再经静电吸附、灰尘黏附等作用，在光伏电池板表面形成积灰[9]。

积灰问题对光伏电池板会产生多重效应：①削光效应：太阳光线经光伏电池板上积灰会吸收或反射，光伏电池板透光率降低，太阳辐射强度减弱；②温差效应：当积灰附着在光伏电池板表面时，被积灰部分相当于等效热阻，热阻使光伏电池板的工作温度发生变化；③腐蚀效应：若积灰长期附着于光伏电池板上，将会腐蚀其表面，使得漫反射增大，透光率也进一步受到影响[10-11]。对光伏电池板表面积灰清扫不及时可能会导致腐蚀电池板表面，使其产生热斑等不良影响，严重时还可能会引发短路、火灾等危险事故。

随着时间的推移，光伏组件表面灰尘逐渐增加，光伏组件在积灰状态下其表面颜色、纹路会发生明显变化[12]。虽然通过人工观测方法可以观测出积灰状态下的光伏组件，但是难以对其进行定量分析，并且还会消耗大量人力物力资源。此时，卷积神经网络就展示出了明显的优势，对于图像的色彩变化，边界信息，纹路特征等都十分敏感。因此以卷积神经网络为基础，搭建光伏电池板表面积灰智能检测系统。

1.2 卷积神经学习及语义分割网络

1.2.1 建模与优化

卷积神经网络是一种采用卷积结构的神经网络，主要包含三个关键的操作：局部连接、权值共享、池化操作，有效地减少了网络中参数的个数，降低了网络的复杂程度[13]。

卷积神经网络特征提取功能的核心模块就是网络中的卷积层和池化层。该模型利用梯度下降法使损失函数最小化，对网络中的权重参数进行反向调节，再经多次的迭代训练，提高网络的精确度。该网络由卷积层和池化层交替组成，实现对目标图片的特征提取。再通过全连接层将提取得到的特征图像一维展开。最后采用Softmax回归，逻辑回归等方法作为分类器对输入图像进行分类。

计算机视觉领域，U-Net在ISBI 2015显微图像分割竞赛中拔得头筹，对于图像的分割效果远胜于其他网络，且已在医疗影像处理中得到了广泛应用。

U-Net的最重要的特点是它经典编码解码(encoder-decoder)结构，该结构是完全对称的，换句话说就是网络输入侧和输出侧的结构非常类似，与之相比全卷积网络(fully convolutional networks,FCN)的解码部分相对简单，输出侧只用了一个反卷积(deconvolution)的操作，并没有连接其他卷积结构。它的另一个特点就是skip connection，FCN网络采用的是“加”操作，U-Net用的是“叠”操作，将下采样和上采样得到的相同尺度的特征度在通道维度上的拼接，能够形成多尺度的特征。

由于网络结构像U型，所以叫U-Net网络，结构如图1所示。U-Net网络可分为下采样(左)和上采样(右)两部分。下采样既特征提取部分，经过多个由卷积层与池化层的组合模块捕捉输入图像的上下文信息，完成对目标图像的特征提取。上采样部分，利用反卷积来还原特征图像的尺寸大小，目的是还原输入侧一系列卷积操作之后变小的特征图。反卷积又称为转置卷积，是卷积的逆过程，相当于传统卷积网络结构在反向计算。最后一层输出层，使用了1×1的卷积层用来对图像像素点逐个进行分类，将图片分割成两层分别为前景和背景[14]。

图1 U-net结构

U-Net的下采样层与上采样层是相互关联的，在上采样过程中，通过剪切拼接补全特征图边缘丢失的信息，可以提高边界信息预测的精确度。与其他如视觉几何组(visual geometry group,VGG)、FCN等语义分割网络相比，U-Net具有数据集样本需求较低，模型训练所需时间较短等优点，但是其网络深度略有不足，识别精度不高。

根据U-Net的思想，将U-Net网络的编码层部分替换为VGG16网络，结构如图2所示。VGG16网络是由16个向前传播的网络层组成。其中13个卷积层，每个卷积层采用了3*3的卷积核，为了实现语义分割，编码器采用了与FCN网络相似的网络结构，将VGG16的最后3层替换为了一个512通道的卷积层[15]，同时它也是编码器与解码器连接的“桥梁”，将U-Net的左右两个部分衔接起来。

图2 优化后的VGG-Unet结构图

优化后的VGG-Unet结构结合了VGG 16的pretrain优势与U-Net的结构优势，在一定程度上解决了U-Net网络结构深度不足的问题，并且还保证了训练时间。

1.2.2 评估指标

在对分类问题或回归问题的模型进行训练时，人们会定义一个损失函数(Loss Function)来描述对问题的预测精度，Loss值越小，就说明模型所预测的结果与实际值的偏离程度越小，模型越精确。前向计算只完成了神经网络输入数据的单向计算，并不能更新神经网络中的参数：权重和偏置，此时需要引入损失函数。通过计算神经网络输出值与标签值的差值作为目标函数，用于更新神经网络的参数，以优化神经网络，完成了神经网络的闭环计算过程[16]。

交叉熵是信息论中的一个重要概念，主要用于度量两个概率分布间的差异性。

KL散度=交叉熵-信息熵，其中相对熵DKL(即KL散度)如果对于同一个随机变量X有两个单独的概率分布p(X)和q(X)，则在n个类别下可使用DKL来衡量这两个概率分布之间的差异[17]，即

(1)

式(1)中：Xi为随机变量X中的第i项，i=1,2,…,n。

将式(1)拆开得

(2)

式(2)中：交叉熵H可表示为

(3)

1.3 积灰状态识别与分析设计

1.3.1 现场实验系统组成

光伏电池板积灰图像检测系统结构如图3所示，包括光伏电池板，负载电阻，可见光摄像头：用于采集光伏电池板表面积灰图像；直流电力参数测量仪：用于测量光伏电池板输出的电压、电流、功率等参数；图像采集器：将采集的图片进行整理清洗，数据传输装置：将采集到的电力数据与图像数据传输至服务器主机。

图3 图像检测系统结构

1.3.2 数据预处理及训练

用于训练的图像数据还需要进行标注，标注质量好的图片信息，可提高网络对积灰图像特征学习的准确率。传统的图片标注方法是使用LabelImg/labelme在采集图像中标注出目标的具体位置。每张图片在标注后生成相应的json文件，这个文件中记录了标注的图形和类别以及标注的图像名称等信息。再利用json文件转化为可视化标签图像，最后在通过可视化标签图像生成最终需要的标签图片。由此可见传统的手动标签标注步骤复杂，程序烦琐，误差的层层叠加，可能会导致训练结果精度较低，识别效果不佳等不良结果。

为了提高生成标签的速率与模型训练精度，利用基于OpenCV的图像处理技术，OpenCV是一个基于BSD许可并由英特尔公司开发的跨平台计算机视觉库[18]，采用Python编程语言，利用图像平滑处理、形态学操作、直方图处理、阈值处理等方法将光伏电池板原图像处理后批量生成标签图片，如图4所示。

图4 数据处理流程图

2 现场实验与结果分析

2.1 积灰图像识别与分析

光伏电池板积灰识别与分析现场实验地点为湖北省武穴某光伏电站。

数据集采样于2022年3—4月电站现场光伏电池板图像。光伏板型号为JMP025P6201204301-B,技术性能参数如表1所示，光伏板安装倾角为45度。为尽量减少太阳光入射角度对光伏板图像成像的影响，提取每天12:00—13:00时间段光伏电池板图像作为模型的基础数据集。过滤积雪、设备故障造成的无效图像。由于需要对大量图片进行批量处理，在光伏电池板图像特征不丢失的前提下，将图像调整为480×640统一尺寸的jpg图片格式，避免在图像采集过程中摄像头受环境因素而导致的图像差异。

表1 光伏板性能参数

本实验软件平台采用Windows平台开发，基于TensorFlow的深度学习框架搭建软件环境，利用PyCharm编程软件以及Python编程语言完成对相应程序的编写。硬件配置为由Intel(R)Xeon(R)CPU E5-2678 v3处理器、512 GB内存、英伟达NVDIA A100-PCIE显卡等部件组成的服务器，以完成的训练任务以VGG16、U-Net模型为对照组，以优化后的VGG-Unet模型为实验组，各网络的输入层对应调整为480*640，以对接光伏板图像，分析不同网络结构模型对积灰状态识别准确性的影响。模型迭代次数设置为200，激活函数使用Adam，损失函数选用交叉熵函数，学习率设置为0.001。

经过完整的训练后，VGG16、U-Net、VGG-Unet模型的准确率分别为18.4%、78.6%、91.3%，如表2所示。VGG16模型训练误差巨大且不收敛，表明VGG16模型对光伏电池板表面积灰识别能力较差；U-Net模型训练误差较大且收敛震荡明显，准确率也不足，难以完成光伏电站现场智能识别任务；图5为优化后模型训练的误差损失(Loss)图，可以看出，收敛情况较好且识别准确率较高，符合光伏电池板表面积灰的识别工作。

图5 优化后U-Net模型Loss曲线

表2 模型识别准确率

利用可见光摄像头完成对光伏板表面积灰的实时检测，VGG16、U-Net、VGG-Unet模型识别效果对比，如图6所示，可以看出，VGG16模型识别效果很差，几乎无法识别处光伏电池板表面积灰；U-Net模型识别效果一般，积灰边缘识别准确率不高且受环境因素影响较大；优化后的VGG-Unet模型识别效果最好，积灰边缘分割准确，能够确保完成对光伏电池板表面积灰的精确识别与分析。

绿色部分为背景；黄色部分为目标识别结果

在获得对光伏电池板表面积灰的识别结果后需要对其进行定量分析。将采用OpenCV图像处理技术对光伏电池板表面积灰的识别结果进行处理，完成对积灰图像的轮廓提取，最小矩形包围框，积灰区域面积计算，积灰区域占比计算等功能，并实时生成分析图像，图7为后期系统运维人员对光伏组件进行清扫检修提供可靠的数据支持。

图7 结果分析

2.2 积灰故障诊断

随着光伏发电技术的发展，其内部部件越来越精密，所处的环境也越来越恶劣，这些都对光伏发电系统的可靠性提出了更高的要求，工程上的检修工作需要做到故障的提前预防。光伏板表面积灰将使得光伏发电效率大幅下降，其工作状态发生变化也会导致一些部件性能发生变化，从而使得光伏发电系统发生故障。

查阅文献[19]可知，在阴影逐渐遮挡光伏板表面的整个过程中，当阴影遮挡比例小于30%时，光伏组串损失电量的比例小于1%。但随着阴影遮挡比例的持续增加，损失电量占比也越来越大，同时损失电量的上升幅度随之增大，当阴影遮挡比例达到90%以上时，损失电量达到最大值，占比趋近25%，如表3所示。

表3 阴影遮挡比例对光伏发电的影响

与阴影影响光伏发电原理相似，通过实验研究光伏电池板表面积灰占比对发电功率的影响。为了验证数据真实性以及应对不同环境的普适性，利用实验室设备进行积灰占比对光伏电池发电功率影响的实验。设备采用JBLGK-1V型直流电流电压采集器，RS485通信数据线，德力西24 V开关电源，WXD-13型(阻值范围：100～4 700 Ω)滑动变阻器等，如图8所示。

图8 光伏电池板积灰检测实验装置

本实验在晴天13：00左右进行实验以保证光照强度充足且一致，环境温度相同。以8种不同积灰状态(无积灰遮挡、5%遮挡、10%遮挡、15%遮挡、20%遮挡、25%遮挡、30%遮挡、35%遮挡)为案例，绘制对应的功率-电压(P-U)曲线如图9所示。

图9 不同积灰占比下光伏板功率特性曲线

当积灰遮挡比例小于30%时，光伏电池输出功率下降的比例小于1%。但随着积灰遮挡比例的持续增加，光伏电池输出功率下降的比例也越来越大，所以拟定积灰占比30%作为故障警戒标志。

根据光伏板积灰识别结果获得光伏板上积灰面积数值之后，将其与预先设置的警戒值进行比较，得到偏差值，然后通过偏差值来判断是否需要对光伏发电系统进行停机清扫，整体流程如图10所示。

图10 故障预警流程图

光伏电池处于运行中，将各个时间点的积灰占比测量值进行统计。在第17个时间点监测的数据监测值超过预警线，并一直保持在警戒线以上，同时，可以建立故障诊断及预警平台，为监测人员提供可视化功能，如图11所示，此时运维人员应合理安排光伏电站的启停计划，对识别异常的光伏电池板进行清扫维护，防止后续故障的加重，降低电站经济损失，为设备以及整个光伏电站的安全运行提供保障。

图11 运行监测

3 结论

(1)为解决光伏电站传统积灰检测方法费时费力、检测误差较大且不能实时检测等问题，本文提出了基于语义分割的光伏电池板表面积灰识别与分析方法，搭建了积灰图像识别实验系统，利用光伏电站现场以及实验室图像制备数据集、对其建模并训练、测试模型精确度与误差。通过OpenCV图像处理技术提高数据集图片样本质量、增加样本图片数量，并优化网络结构，配置合适的参数等方法来提升对光伏电池板积灰图片识别与分析的准确性。

(2)通过对比研究多种模型对光伏电池板积灰图像的识别效果,VGG16模型识别效果最差，训练集准确率仅有18.4%；U-Net模型识别效果一般，积灰边缘识别准确率不高且受环境因素影响较大，训练集准确率仅有78.6%；优化后的VGG-Unet模型识别效果最高，积灰边缘分割准确，训练集准确率达到了91.3%。综合3种网络模式的收敛情况、准确率，优化后的VGG-Unet模型能够确保完成对光伏电池板表面积灰的智能识别与分析。但是最终的识别结果的Loss曲线虽已经收敛，但可以看出仍有波动，在后续的研究中仍需进一步优化。

(3)通过光伏积灰故障实验，研究了在不同积灰遮挡比例下光伏发电功率的变化。实验表明，当积灰遮挡比例小于30%时，光伏电池输出功率下降的比例小于1%。但随着积灰遮挡比例的持续增加，光伏电池输出功率下降的比例也越来越大。因此以遮挡比例30%为警戒值，并建立故障诊断及预警可视化平台供运维人员合理安排清扫计划。