基于PCNN的局部遮蔭光伏組件圖像分割方法研究.pdf

1、目前，不管是大型還是小型光伏發(fā)電系統(tǒng)，在實際運行中不可避免的會受到陰影、積塵等影響，導致其輸出特性呈現(xiàn)多峰現(xiàn)象，此時可以運用最大功率點跟蹤算法來尋找最大功率點，避免陷入局部最優(yōu)。遮蔭情況下最大功率點跟蹤算法的首先假設(shè)光伏陣列中的陰影區(qū)域再進行深入研究。當陰影區(qū)域不同時，非常規(guī)最大功率點跟蹤算法所用到的目標函數(shù)不同。當光伏發(fā)電系統(tǒng)較小時，可以為光伏組件安裝多個檢測光照的光強度傳感器，然而當系統(tǒng)較大時，如果安裝的光強度傳感器過多，那么采集的

2、信號也會增多，這在一定程度上增加了系統(tǒng)的復雜度。因此，如若采用圖像處理方法自動地識別光伏系統(tǒng)中的遮蔭區(qū)域，則可以減少系統(tǒng)的復雜度，降低系統(tǒng)成本，而且可以為最大功率點跟蹤算法所運用的目標函數(shù)提供陰影區(qū)域信息，以便在實際系統(tǒng)中設(shè)計合理的目標函數(shù)，提高最大功率點跟蹤算法的適應(yīng)性，進而增加系統(tǒng)的效率。
　　本文針對不同遮蔭情況下的光伏組件圖像，提出了適用于局部遮蔭光伏組件圖像的分割算法以及陰影區(qū)域識別方法。由于光伏組件表面由于具有一層玻璃

3、蓋板，光伏組件表面會有反光現(xiàn)象，局部光伏組件圖像中的可能存在陰影區(qū)域內(nèi)部灰度分布不均，而背景和陰影區(qū)域的灰度值具有一定的相似性；因此，局部遮蔭光伏組件圖像分割的算法需要對灰度值敏感。脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN根據(jù)哺乳動物的視覺神經(jīng)細胞建立模型，因此和人眼的識別機制較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更加接近。它對灰度值敏感，能夠?qū)叶葓D實現(xiàn)較好的圖像分割，然而該方法需要設(shè)置的參數(shù)較多；因此提出了改進的unit-linking PCNN模型，它減少參數(shù)設(shè)置的復雜

4、度而且兼具PCNN的優(yōu)點。但是PCNN和unit-linking PCNN都需要多次迭代，分割效果的好壞都是由人決定，為了解決這一問題，本文提出了 ULPCNN-otsu1d和ULPCNN-otsu2d自動獲取最優(yōu)分割圖像，避免引入過多人為因素。ULPCNN-otsu1d僅考慮到了圖像的灰度值，在分割結(jié)果中存在誤分割現(xiàn)象，而ULPCNN-otsu2d兼顧像素的灰度值和鄰域空間信息，減少了迭代次數(shù)，局部遮蔭光伏圖像中的陰影區(qū)域更加光滑連續(xù)