[发明专利]基于红外与可见光图像的光伏电站在线运维方法及系统

权利要求书

1.一种基于红外与可见光图像的光伏电站在线运维方法，其特征在于，包括：

获取当前巡检的光伏电站的红外图像和可见光图像、光辐照度、温度及光伏组件输出电压电流；

拼接融合光伏电站的红外图像和可见光图像，提取热斑特征，得到各热斑的实际位置；

结合光辐照度、温度及光伏组件输出电压电流，采用改进的鱼群灰色组合预测方法依次判定各个热斑位置阴影类别，进而判断是否发送热斑位置至本次待清洗位置信息数据包；

根据本次巡检是否为首次巡检，执行相应运维策略：

若本次为首次巡检，则根据待清洗位置信息数据包中的热斑位置坐标，规划清扫机器人的路径并下发清扫指令至清扫机器人，当清扫完毕后继续巡检；

若本次非首次巡检，则将本次待清洗位置信息数据包的所有热斑位置对应与上次热斑位置进行比对，根据比对结果来更新本次待清洗位置信息数据包及本次待人工检修位置信息数据包；

基于改进的二维自适应最大阈值差法对融合的红外图像及可见光图像进行热斑提取，得到各热斑所在实际位置；

所述基于改进的二维自适应最大阈值差法的热斑提取过程为：

首先在二维灰度直方图的基础上根据公式得到像素的二维灰度概率密度；其中，p_ij为像素的二维灰度概率密度，且p_ij≥0；f_ij为二维直方图中坐标为(i,j)处的像素个数；M×N为灰度图像大小；

然后以二维最大类间方差S_b＝p₀[(u_0i-u_zi)²+(u_0j-u_zj)²]+p₁[(u_1i-u_zi)²+(u_1j-u_zj)²]为评价函数得到一个阈值T，以该阈值将图像各像素按灰度分成(I₀，I₁)两类，分别计算隶属于I₀，I₁两类的概率矢量p₀、p₁，均值矢量u₀、u₁，与总体均值矢量u_z；

设定(η，η₁，η₂)的值，并按照公式r＝0，1，计算三个η值对应的(C，C₁，C₂)，并根据最大散度差准则，由(C，C₁，C₂)得到对应的最优阈值(T，T₁，T₂)，记T-T₁|为Δ₁，|T-T₂|为Δ₂；

比较Δ₁和Δ₂大小，当Δ₁和Δ₂均大于1时，若Δ₁Δ₂，重置C₂←C，C←0.5(C₁+C₂)，C₁不变，若Δ₁Δ₂，重置C₁←C，C←0.5(C₁+C₂)，C₂不变；重复计算最优阈值(T，T₁，T₂)，直到出现Δ₁＝0或Δ₂＝0，取此时的T值为图像分割的最佳分割阈值T^*；在图像中将像素灰度概率密度值小于T^*置为0，其余像素灰度概率密度值置为1，算法结束；

采用改进的鱼群灰色组合预测方法判定热斑位置阴影类别的过程中，通过基于优化思想的改进经验模态分解方法对光照强度、温度的时间序列进行分解，得到平滑的趋势项数据，然后根据改进的混合鱼群灰色组合预测模型对光伏组件的输出功率进行预测，最后对预测功率与实测功率进行误差分析，根据得出的模型精度差异来判断出软、硬阴影故障类型，若模型精度未达到二级，则说明该数据类型由软性阴影造成，否则由硬性阴影造成；

所述基于优化思想的改进经验模态分解方法的操作过程如下：

(1)计算原率进行预测，最后对预测功率与实测功率进行误差分析，根据得出的模型精度差异来判断出软、硬阴影故障类型，若模型精度未达到二级，则说明该数据类型由软性阴影造成，否则由始信号极值，并使用极值延拓将信号的左右两端分别延拓N个点，通过分段三次埃尔米特插值算法进行包络线的求解；

(2)计算上、下包络线的平均值，并求出原始信号与包络线均值之间的差值，如果差值满足两个IMF条件：a.整个数据序列中，穿越极值点与零点的数量必须相等或最多相差一个；b.信号上任意一点，局部极大值和局部极小值的平均值为零，则为原始信号的第一个IMF分量；

(3)如果不满足IMF条件，则将差值作为原始信号重复(1),(2)步骤，直至满足两个IMF条件；

(4)将第一个IMF分量从原始信号中分离出来，使平滑后信息作为原始信号重复(1)-(3)步骤，得出第二个IMF分量，以此类推，根据筛分迭代准则确定迭代次数，若满足筛分迭代准则要求，则将第n-2次的平滑后信号作为原始信号的第i个IMF分量，筛分迭代停止；否则筛分迭代继续，直到达到预先设定的每次筛分过程迭代次数的最大值，并将最大筛分次数的平滑后信号作为第i个IMF分量；

(5)筛出原始信号中所有IMF分量，得到趋势项数据；

所述筛分迭代准则为：由公式计算目标函数；连续三次筛分迭代过程的目标函数满足f_in-2f_in-1f_in，其中f_in为目标函数，X为信号总采样点数，m_in[x]为i个IMF筛分迭代n次后的平滑信号的包络均值信号，为m_in[x]的算术平方值；

所述改进的鱼群灰色组合预测模型的构建，首先进行参数初始化，设置人工鱼群规模，感知距离，拥挤度因子，每次捕食允许的最大试探次数，最大迭代次数，人工鱼视野范围的上、下限等参数，并进一步初始化鱼群，第i条人工鱼个体状态可表示为向量θ_i；

计算每条人工鱼的适应值，将个体人工鱼θ_i的适应值f(θ_i)函数定义为其中x⁽⁰⁾(i)为原始序列，n为灰色模型的历史数据数目，α为背景值，θ为边值修正量，选择最大食物浓度的人工鱼个体状态保存在公告板；

人工鱼个体在觅食、聚群及追尾等基本行为中，进行自主择优移动,对比人工鱼个体状态，择优记录，保证公告板所记录适应值为最优，重复执行该步骤，直至达到最大迭代次数，得到最优解，并将其值代入灰色模型中，从而建立改进的混合鱼群灰色组合预测模型。