耿洪彬，張英杰，魏燕飛，毛晨旭，邢志同

（國網(wǎng)山東省電力公司德州供電公司，山東 德州 253000）

0 引言

面對日益突出的全球能源危機以及化石能源燃燒導致的環(huán)境污染問題，世界各國紛紛投入巨大的人力、物力用于對綠色可再生能源的開發(fā)研究，我國也將開發(fā)環(huán)保型能源系統(tǒng)視為可持續(xù)發(fā)展戰(zhàn)略中重要的一環(huán)。以清潔、低碳、可再生為特點的光伏發(fā)電逐漸成為人們關注的重點，光伏發(fā)電技術由此迅猛發(fā)展［1-3］。大型光伏電站大多建于光源充足卻人煙稀少的地方，如荒漠、草原等，部分光伏發(fā)電設備工作環(huán)境極為惡劣，隨著投運時間的增加，光伏電站的運營、維護正面臨著嚴峻的挑戰(zhàn)［4］。越來越多的光伏電站面臨運維難題，已經(jīng)嚴重影響到其發(fā)電量及運行穩(wěn)定性。對于正處在高速發(fā)展階段的國內光伏產業(yè)來說，提高光伏電站的運維效率和管理質量至關重要。

為了保證光伏電站的發(fā)電量，光伏電站業(yè)主需要充分考慮影響光伏組件壽命和發(fā)電效率的不利因素，熱斑是在光伏電站運行中經(jīng)常出現(xiàn)的一類故障。光伏組件中部分區(qū)域由于被遮擋或者自身存在裂紋、脫層、連接不良等缺陷，被當作負載消耗其他區(qū)域所產生的能量，從而產生熱斑。熱斑不僅會降低光伏電站的發(fā)電效率，還會導致局部過熱［5-8］，損壞光伏組件，嚴重威脅光伏電站的安全運行。為減少熱斑效應所帶來的危害，有必要對熱斑進行快速有效的檢測，因此光伏組件的巡檢工作非常重要，熱斑效應檢測的市場前景十分廣闊。傳統(tǒng)的光伏電站運營維護主要依靠運維人員手持熱像儀等設備定期巡檢，這種方式對于熱斑的檢測耗費時間長，準確率低，效率不高且很容易漏檢，使得故障進一步惡化，造成更大的損失［9］。且隨著光伏電站的規(guī)模不斷擴大，其運維工作量及運維成本大幅度提升，傳統(tǒng)的人工巡檢方式已不能滿足需要。現(xiàn)代航空工業(yè)、傳感器以及人工智能技術的快速發(fā)展，促使旋翼無人機巡檢應用到光伏電站運維工作中。無人機巡檢［10-11］與傳統(tǒng)人工巡檢方式相比具有鮮明的優(yōu)勢，其覆蓋面積大、檢測效率高、便于獲取圖像、靈活性高，因此，有必要結合旋翼無人機研究新型光伏電站在線熱斑檢測運維方法。

結合無人機巡檢與陰影類別判定技術，通過搭載可見光相機與紅外相機的無人機對光伏電站進行影像數(shù)據(jù)采集工作，提出基于紅外圖像與可見光圖像配準的光伏陣列熱斑定位的方法。通過基于改進的魚群灰色組合預測方法進一步判別光伏電站陰影類型，及時排除光伏組件熱斑的外部影響因素，進而判定多因素影響下的熱斑成因，并結合工程實際，構建出基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測運維系統(tǒng)，實現(xiàn)熱斑自動告警與定位排查，減少運維人工成本，能夠較大程度提高中、大規(guī)模光伏電站的維護質量和可靠性，進一步提高光伏電站的安全性。

1 基于紅外圖像與可見光圖像的光伏電站陰影類別判定與熱斑定位

1.1 基于混合魚群灰色組合預測的光伏電站陰影類別判定方法

光伏組件運行過程中的陰影分為硬性陰影和軟性陰影兩種類型［12-13］。硬性陰影的位置、大小恒定，具有時不變性；軟性陰影會隨時間變化，具有時變性，若其長時間不排除也可能使光伏電池片損壞成為硬性陰影。不同類型的陰影對光伏電池板的損害情況不同，其維修和清除的方式也不同，因此，需要及時準確辨別出陰影的類型，避免光伏組件進一步損壞，減少發(fā)電量損失。

為實現(xiàn)光伏組件陰影類型的精準判別，采用基于混合魚群灰色組合預測［14］的光伏電站陰影類別判定方法。首先使用小波分解方法對光照強度、溫度數(shù)據(jù)進行分解，濾除噪聲數(shù)據(jù)，得到平滑的趨勢項數(shù)據(jù)，再采用混合魚群灰色組合預測模型預測光伏組件的發(fā)電功率，然后對比預測功率和實際輸出功率之間的差異，最后通過分析模型精度誤差來判別軟、硬性陰影故障類型。

灰色預測［15-16］是利用灰色模型（Grey Model，GM）建立起來的預測模型，具有易于驗證、數(shù)據(jù)需求少、不考慮分布規(guī)律等優(yōu)點，但預測精度較低，無法直接應用于陰影判別，為此特地引入全局搜索能力較強的魚群優(yōu)化算法，建立混合魚群灰色組合預測模型。

設置初始參數(shù)，包括人工魚群數(shù)量、最大迭代次數(shù)、擁擠度因子、感知距離、單次捕食的最大試探次數(shù)、人工魚視野范圍上下限等參數(shù)，設置向量θv表示第v條人工魚的狀態(tài)，個體人工魚θv的適應度（fθv）為

式中：x（0）（w）為該條人工魚在w時刻的實際狀態(tài)值；為該條人工魚在w時刻的狀態(tài)估計值；n為歷史狀態(tài)數(shù)據(jù)個數(shù)；α為背景值；β為邊值修正量。

個體人工魚通過覓食、聚群及追尾三種基本行為進行自主擇優(yōu)移動，對比人工魚個體狀態(tài)，擇優(yōu)記錄，確保記錄的人工魚適應度為最優(yōu)，當達到最大迭代次數(shù)時，輸出最優(yōu)解，將最優(yōu)解代入灰色模型中，得到混合魚群灰色組合預測模型。

1.2 基于斜率約束的光伏組件紅外圖像及可見光圖像配準的熱斑定位方法

傳統(tǒng)的熱斑定位方法［17-18］主要是結合無人機的飛行高度，將可見光圖像或紅外圖像中的經(jīng)緯度進行位置換算，這種依靠單一圖像定位的方法存在較大的經(jīng)緯度誤差，定位精度不高。因此需要引入圖像配準技術［19-20］，獲取關于相同場景的紅外圖像和可見光圖像，通過定位兩幅圖中同一位置的像素點來完成圖像匹配。由于紅外圖像和可見光圖像具有不同的成像原理，所以兩者提取的特征點往往不是一一對應的，為了能夠充分利用兩種圖像的特征信息，提高熱斑定位精度，采用基于斜率約束的光伏組件圖像配準算法，通過斜率約束實現(xiàn)圖像的精確配準，從而準確定位光伏電站中的熱斑組件。

對光伏陣列兩種圖像進行配準時，將光伏陣列紅外圖像用I1表示，可見光圖像用I2表示，設置I1和I2的尺寸相同，均為a×b，a為圖像中像素的行數(shù)，b為圖像中像素的列數(shù)，使用Harris特征提取方法對I1和I2進行特征提取，得到特征點集合分別為：

式中：h、k分別為光伏陣列紅外圖像I1和可見光圖像I2提取到的特征點數(shù)量；(xi,yi)為I1中第i個特征點坐標；(x′j,y′j)為I2中第j個特征點坐標。

從po（sI1）中任意取一個特征點，計算其與po（sI2）中所有特征點的馬氏距離。馬氏距離由印度統(tǒng)計學家馬哈拉諾比斯（P.C.Mahalanobis）提出，表示數(shù)據(jù)的協(xié)方差距離，是一種有效的計算兩個未知樣本集的相似度的方法。選擇馬氏距離最小的一對特征點作為粗配準點對，然后將所有粗配準點對根據(jù)馬氏距離從小到大進行排序，剔除其中含有相同特征點的粗配準點對，將po（sI1）和po（sI2）剩下的特征點分別用po（sI3）和po（sI4）表示。選擇po（sI3）和po（sI4）中前20 對配準點對，計算兩點的斜率，即

式中：xq、yq分別為po（sI3）中第q個特征點的橫坐標與縱坐標；x′q、y′q分別為po（sI4）中與(xq,yq)點配準的特征點的橫坐標與縱坐標。

將所有斜率值取整，篩選其中出現(xiàn)頻率超過3次的斜率值形成一個斜率集合knew={k1，k2，…，kp}，p＜20。如果所有斜率值都只出現(xiàn)過一次，則選擇前10對配對點作為knew。找出斜率集合knew中出現(xiàn)頻率最高的斜率值kq，遍歷計算po（sI3）和po（sI4）中所有滿足［kq-0.5，kq+0.5］的配準點對，形成新的集合po（sl）。

2 基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測性能評價運維系統(tǒng)設計與構建

2.1 系統(tǒng)結構

設計與構建的基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測運維系統(tǒng)由現(xiàn)場采集與控制層、遠程信息管理中心以及光伏電站智慧運維主站3個部分構成。系統(tǒng)架構如圖1所示。

圖1 系統(tǒng)架構

在現(xiàn)場采集與控制層中無人機按照預設航線飛行，通過搭載的可見光相機與紅外相機對光伏電站進行拍攝，光伏參數(shù)采集單元負責采集現(xiàn)場的溫度、光照強度以及光伏組件的電氣量信息，拍攝的圖片和采集到的信息經(jīng)由無線網(wǎng)絡上傳到信息管理中心。信息管理中心對其接收到的信息進行處理分析，計算熱斑實際位置，進而得到待清洗及檢修的位置信息，并將其打包上傳至光伏電站智慧運維主站。信息管理中心能夠依據(jù)光伏電站的全景信息對無人機進行航跡規(guī)劃，也能按照待清洗及檢修的位置坐標對光伏清掃機器人的清掃路徑進行規(guī)劃。光伏電站智慧運維主站能夠向運維人員展示巡檢及清掃的采集圖像、巡檢結果報告等信息。運維人員也可通過光伏電站智慧運維主站直接下達清掃及巡檢指令至信息管理中心，信息管理中心再根據(jù)其所指定的路徑控制光伏組件清掃機器人和無人機進行清掃和巡檢。

2.2 系統(tǒng)信息判別流程

基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測運維系統(tǒng)進行巡檢作業(yè)時的信息判別流程如圖2所示。

圖2 系統(tǒng)信息判別流程

首先將采集的紅外圖像與可見光圖像進行預處理，通過采用基于斜率約束的光伏陣列圖像配準算法得到各熱斑所在準確位置，并初步判定熱斑成因。將由單一性光伏組件內部缺陷所導致的熱斑特征圖像及位置信息存至待檢修數(shù)據(jù)包，并對受外部陰影影響的熱斑進行陰影類別判定：結合溫度、光照強度以及光伏組件電氣量信息，采用改進的魚群灰色組合預測方法逐個判定熱斑的陰影類型，若為軟性陰影，發(fā)送“空”信息到待清洗信息數(shù)據(jù)包；若為硬性陰影，則發(fā)送熱斑的圖像、位置等信息到待清洗信息數(shù)據(jù)包，直至判定完所有熱斑。待清洗信息數(shù)據(jù)包中每次熱斑信息存入時，需與上次存入的熱斑信息進行篩選比較：若本次熱斑信息與上次有重合部分，則將重合部分的熱斑信息轉存到待檢修信息數(shù)據(jù)包，并進一步根據(jù)圖像信息判定該熱斑成因；若本次熱斑信息與上次沒有重合，則將本次熱斑信息保存到待清洗信息數(shù)據(jù)包中。最后根據(jù)篩選后的待清洗信息數(shù)據(jù)包存儲的位置信息，制定光伏組件清掃機器人的清掃路徑，并向其下達清掃指令。

2.3 系統(tǒng)功能

基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測運維系統(tǒng)集成實現(xiàn)了巡檢運維管理、大數(shù)據(jù)存儲與處理分析、熱斑故障判定與告警、故障信息推送等功能。

1）巡檢運維管理。包括無人機飛行路徑規(guī)劃、無人機巡檢周期制定、清掃路徑規(guī)劃、圖像信息管理、飛行設備及清掃設備狀態(tài)管理，具備遠程巡檢操控功能，實現(xiàn)全自動遠程巡檢管理。

2）大數(shù)據(jù)存儲與處理分析。通過無線通信協(xié)議，實時采集、存儲和處理光伏電站圖像及數(shù)據(jù)，并將數(shù)據(jù)依照不同功能分別進行存儲，形成實時歷史數(shù)據(jù)庫和分布式管理數(shù)據(jù)庫，實現(xiàn)故障數(shù)據(jù)的高效管理。

3）熱斑故障判定與告警。依據(jù)歷史故障數(shù)據(jù)判定光伏組件故障缺陷狀況，對于每次巡檢的結果可快速生成報告，將光伏電站待人工檢修信息及時展示在光伏電站智慧運維平臺，通過圖像直觀展現(xiàn)故障分布情況，針對配置的告警規(guī)則，實時產生故障告警信息。

4）故障信息推送。檢測到熱斑后，系統(tǒng)自動將故障信息推送到相關運維檢修人員的手機APP，并為之提供檢修方案，幫助完成電站熱斑故障消除。

3 系統(tǒng)應用及其性能分析

3.1 系統(tǒng)應用實例與效果

所構建的基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測運維系統(tǒng)于2020年6月在山東濟寧高新區(qū)20 MW 光伏電站投入使用，針對熱斑效應開展日常巡檢工作。目前該系統(tǒng)運行穩(wěn)定，巡檢控制安全可靠，該運維系統(tǒng)信息采集與圖像處理如圖3—圖4 所示。該系統(tǒng)利用無人機可在2 天內完成20 MW 電站所有光伏陣列的巡檢，比人工巡檢效率高出數(shù)十倍，同時熱斑檢測準確率高，平均每月由熱斑導致的功率損失較之前減少了32.6%，有效提高了發(fā)電量。且系統(tǒng)能夠有效分辨出光伏電站熱斑形成的內因與外因，主動篩除遮擋、表面臟污等光伏組件外部因素，進一步鎖定熱斑成因，為運維人員后續(xù)的故障檢修工作提供了有力的依據(jù)和指導。

圖3 系統(tǒng)信息采集截面

圖4 系統(tǒng)圖像處理截面

3.2 系統(tǒng)應用實例與效果

為驗證該系統(tǒng)實際效果，在該電站選取約1 MW區(qū)域進行檢測。該區(qū)域內共有熱斑108 個，其中光伏組件內外部因素共同造成的熱斑有12 個，僅由外部因素造成的熱斑有68 個，僅由內部缺陷造成的熱斑28 個。經(jīng)過現(xiàn)場分析，確定該區(qū)域各熱斑缺陷數(shù)量為：陰影遮蔽80 個、氣泡17 個、斷柵7 個、碎片4個、隱裂10 個。為了檢驗該系統(tǒng)熱斑檢測結果的準確性，將所提熱斑信息判定方法與文獻［21］提出的基于統(tǒng)計學模型的熱斑判別方法進行對比，檢測數(shù)據(jù)如圖5所示。

圖5 檢測數(shù)據(jù)對比

所提熱斑信息判定方法熱斑漏檢個數(shù)為3 個，漏檢率為2.78%；誤檢1 個，誤檢率為0.93%；檢測準確率為96.29%。而使用文獻［21］的方法漏檢熱斑10 個，漏檢率為9.26%；誤檢7 個，誤檢率為6.48%；檢測準確率為84.26%。從以上數(shù)據(jù)可以得出，所提熱斑信息判定方法比文獻［21］的檢測結果更接近真實值，檢測效果更好。

4 結語

應用無人機巡檢，提出紅外圖像與可見光圖像配準融合技術，降低了紅外目標的誤判率，提高了熱斑定位精度，為后續(xù)準確消除光伏組件熱斑的外部影響奠定基礎?；诟倪M的魚群灰色組合預測方法判定光伏電站陰影類型，并在此基礎上設計了熱斑信息判定流程，構建了基于無人機紅外與可見光檢測的光伏電站在線熱斑檢測運維系統(tǒng)，能夠提高熱斑成因檢測準確度與檢測效率，較大程度提高中、大規(guī)模光伏電站的維護質量和可靠性。