賴 菲，陳亞鵬，單正濤，吳 濤，徐創(chuàng)學(xué)，何 新，王智微，趙 勇

深度學(xué)習(xí)算法在光伏電站無人機(jī)智能運(yùn)維中應(yīng)用

賴 菲1，陳亞鵬2，單正濤1，吳 濤1，徐創(chuàng)學(xué)1，何 新1，王智微1，趙 勇1

（1.西安熱工研究院有限公司，陜西 西安 710054；2.國家電投珠海橫琴熱電有限公司，廣東 珠海 519000）

針對當(dāng)前光伏電站運(yùn)維存在的效率低、成本高等問題，提出一套結(jié)合無人機(jī)與人工智能對光伏電站進(jìn)行智能維護(hù)的方法。首先通過實(shí)時監(jiān)控光伏陣列的運(yùn)行狀態(tài)和實(shí)時數(shù)據(jù)的智能分析，及時發(fā)現(xiàn)故障所在陣列，然后通過無人機(jī)巡航對故障所在光伏陣列進(jìn)行圖像采集，并利用深度學(xué)習(xí)算法對圖像進(jìn)行故障識別，判斷發(fā)生故障的具體光伏單元及相應(yīng)的故障類型，以便盡早發(fā)現(xiàn)隱形故障，保障電站高效安全運(yùn)行，降低運(yùn)維成本，提高巡檢效率。該方法對于未來光伏電站運(yùn)維工作的方向把握具有重要的指導(dǎo)意義。

光伏電站；人工智能；功率預(yù)測；無人機(jī)；深度學(xué)習(xí)；故障識別；智能運(yùn)維

目前，光伏電站運(yùn)維工作一般是先通過監(jiān)測光伏發(fā)電系統(tǒng)的輸出功率和輸出電壓粗略判斷運(yùn)行故障[1]，然后根據(jù)經(jīng)驗(yàn)對故障類型進(jìn)行分類，對發(fā)生故障的地理位置進(jìn)行定位，再進(jìn)行相應(yīng)的處理。然而，隨著光伏電站規(guī)模的不斷擴(kuò)大[2]，光伏電站占地面積日益增加，光伏系統(tǒng)的運(yùn)行故障類型及頻次也在不斷上升，這不僅增加了光伏電站的運(yùn)維工作量及工作難度，而且增加了運(yùn)維成本。所以，傳統(tǒng)的運(yùn)維模式顯然已經(jīng)不再適用于當(dāng)前的大規(guī)模光伏電站。

為此，用戶不僅需要選擇先進(jìn)的設(shè)備和技術(shù)，以減少光伏電站系統(tǒng)故障，提高運(yùn)行效率，同時，還要盡可能地實(shí)現(xiàn)光伏電站的智能運(yùn)維。智能運(yùn)維包括智能診斷、智能預(yù)警、智能檢修、智能清洗等，其作用不僅可以減少運(yùn)維成本，提高運(yùn)維效率和發(fā)電效率，而且還可降低光伏電站運(yùn)維人員發(fā)生安全事故的概率（很多光伏電站建設(shè)在荒漠、高山、近海等特殊地區(qū)，周圍環(huán)境惡劣，有些甚至還建設(shè)在建筑屋面、水塘等特殊位置，對運(yùn)維人員構(gòu)成很大的潛在安全隱患）。如果智能運(yùn)維利用無人機(jī)搭載高清攝像機(jī)或紅外攝像機(jī)對光伏電站進(jìn)行初步巡檢，則可避免上述問題。

近年來航空工業(yè)技術(shù)、傳感器、控制系統(tǒng)以及人工智能發(fā)展迅速，使得利用無人機(jī)對光伏電站進(jìn)行初步巡檢成為可能。利用無人機(jī)巡檢具有面積覆蓋率大、圖像獲取便利、檢測速度快、靈活性高、成本低、不受地形限制等優(yōu)點(diǎn)[3]。光伏電站智能運(yùn)維首先要對光伏電站內(nèi)的組件和陣列進(jìn)行實(shí)時信息采集、監(jiān)控與智能分析；然后通過無人機(jī)對故障所在的光伏陣列進(jìn)行巡航拍照、圖像采集；最后利用深度學(xué)習(xí)算法對圖像進(jìn)行人工智能識別，以判斷故障發(fā)生的具體光伏單元及相應(yīng)的故障類型，合理安排檢修及清洗。

1 光伏電站智能運(yùn)維流程

目前，光伏電站的傳統(tǒng)運(yùn)維模式主要靠人員值守及設(shè)備巡檢，存在電站出現(xiàn)故障排查時間較長、漏檢率高、設(shè)備隱性故障無法獲知等問題，容易導(dǎo)致故障升級。另外，光伏電站運(yùn)維人工成本巨大，且運(yùn)維人員的現(xiàn)場安全性（如滑跌、觸電）值得重視。因此，傳統(tǒng)運(yùn)維模式已經(jīng)無法滿足光伏電站故障預(yù)警、故障診斷、發(fā)電量考核、電站清洗前后發(fā)電量對比、清洗方案與清洗周期提醒、電站關(guān)鍵電氣設(shè)備運(yùn)行性能分析與評估、電站系統(tǒng)損耗等新要求。

由于已建光伏電站大多采用集中式或組串式逆變器，微逆式逆變器還沒有被大范圍推廣，所以運(yùn)維人員通過采集到的實(shí)時數(shù)據(jù)只能進(jìn)行陣列級或多個組串級故障定位，無法判定具體是哪個光伏單元的故障以及什么類型的故障。另外，海洋性氣候下的臨江靠海，以及內(nèi)陸氣候下的山坡、沙漠和草原、建筑物上面的光伏也很難通過人工拍照檢測的方式得到光伏單元的故障類型。所以，對建在荒漠、高山、近海、建筑屋面、水塘漂浮式等特殊位置的光伏電站，最好通過無人機(jī)巡航的方式來完成故障的精準(zhǔn)定位及故障類型判別。

光伏電站的智能運(yùn)維流程如圖1所示。1）收集光伏電站現(xiàn)場的關(guān)鍵數(shù)據(jù)（如實(shí)時光伏發(fā)電功率、電流、電壓、實(shí)時溫度、風(fēng)速、濕度及光照輻射強(qiáng)度等），將數(shù)據(jù)傳給指定計(jì)算機(jī)進(jìn)行分析處理，如發(fā)現(xiàn)異常情況則說明可能有故障發(fā)生，此時大致判斷故障地理范圍。2）操控?zé)o人機(jī)按指定巡航路線對該范圍內(nèi)的電池板進(jìn)行圖像拍攝，圖像與現(xiàn)場的地理位置對應(yīng)，將圖像傳給指定智能設(shè)備。3）基于深度學(xué)習(xí)算法對其進(jìn)行圖像分析，找出故障圖像并分類，最后派遣人工或機(jī)器人處理故障或清洗，使電站正常高效運(yùn)行。

圖1 光伏電站智能運(yùn)維流程

2 故障大致定位

光伏板和逆變器是光伏電站中故障發(fā)生頻率比較高的設(shè)備[4]。光伏板的故障主要有熱斑、失配、組件開路或短路、碎裂等。逆變器的故障主要有過流、過壓、過熱、主電路功率管短路及開路等[5-7]。

目前，利用實(shí)時數(shù)據(jù)分析、判斷故障大致位置的方法多基于光伏電站的發(fā)電轉(zhuǎn)換效率、衰減率、離散率，以及理論發(fā)電量和實(shí)際發(fā)電量對比等，而基于功率預(yù)測或其他方法的研究及應(yīng)用還不多見。本文采用功率預(yù)測的方法判斷故障大致位置，其判斷流程如圖2所示，其中最近鄰算法（KNN）為分類算法中較為成熟有效的算法

圖2 故障大致位置判斷流程

首先，將電站光伏陣列分成若干區(qū)域范圍，基于深度學(xué)習(xí)算法中的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）算法對每個區(qū)域的光伏功率做預(yù)測；然后，對比該時刻預(yù)測值與實(shí)時光伏功率，如果偏差超出了設(shè)定誤差范圍，說明此區(qū)域內(nèi)極有可能出現(xiàn)了電氣故障或太陽能電池板缺陷，從而完成對故障的大致定位。

按照建模方式的不同，光伏功率預(yù)測方法可以分為統(tǒng)計(jì)方法和物理方法。RNN算法屬于統(tǒng)計(jì)方法中的人工智能算法，是由多層感知機(jī)發(fā)展而來的，相比于其他統(tǒng)計(jì)學(xué)方法，RNN算法特殊的循環(huán)結(jié)構(gòu)使其能夠更好地處理光伏功率預(yù)測、情感分析和機(jī)器翻譯等時序信息。RNN結(jié)構(gòu)如圖3所示。

RNN通常包含輸入層、隱含層（層數(shù)大于或等于1）和輸出層。除輸入層外，其余每層都包含1個非線性激活函數(shù)，為網(wǎng)絡(luò)增加非線性因素，從而提升了網(wǎng)絡(luò)性能。文獻(xiàn)[8]利用長短時記憶網(wǎng)絡(luò)（LSTM）對太陽能光伏功率進(jìn)行預(yù)測，得到的均方根誤差（RMSE）相比于多元線性回歸、袋裝回歸樹和神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)算法減小了4倍左右。文獻(xiàn)[9]比較了循環(huán)神經(jīng)網(wǎng)絡(luò)（長短時記憶網(wǎng)絡(luò)LSTM，門控循環(huán)單元GRU）和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、自回歸求和移動平均算法在光伏功率預(yù)測上的效果，發(fā)現(xiàn)RNN的RMSE僅為其他模型的1/3。

圖3 RNN結(jié)構(gòu)

RNN模型可選取溫度、露點(diǎn)、濕度、風(fēng)速、陣風(fēng)速度、風(fēng)向方位角度、風(fēng)向方位、可見度、氣壓、風(fēng)寒指數(shù)、熱指數(shù)、降水量、天氣類型、霧、雨、雪、冰雹、雷及龍卷風(fēng)等19個特征參數(shù)作為網(wǎng)絡(luò)輸入進(jìn)行訓(xùn)練學(xué)習(xí)，而不用像傳統(tǒng)機(jī)器學(xué)習(xí)算法需要人為選取特征參數(shù)。即使深度學(xué)習(xí)算法選取的特征參數(shù)與目標(biāo)輸出關(guān)聯(lián)較弱，或所選特征參數(shù)之間強(qiáng)相關(guān)，對深度學(xué)習(xí)網(wǎng)絡(luò)輸出值影響都不大，即網(wǎng)絡(luò)依然能夠很好的學(xué)習(xí)到輸入與輸出之間的映射關(guān)系。但是輸入特征參數(shù)越多意味著網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)耗費(fèi)的時間越多，需要的計(jì)算機(jī)資源也越多。

3 無人機(jī)巡航故障精準(zhǔn)定位

利用無人機(jī)搭載高清攝像機(jī)、熱紅外攝像機(jī)或其他精度較高的傳感器檢測設(shè)備的可行性高，可以實(shí)現(xiàn)如組件、線纜及其他部件的視覺成像、紅外熱成像及植被監(jiān)測等功能，而且可以在光伏系統(tǒng)發(fā)電期間進(jìn)行實(shí)時監(jiān)測。

利用無人機(jī)進(jìn)行智能運(yùn)維潛在成本優(yōu)勢巨大，國外在此方面的研究及應(yīng)用已經(jīng)走在了前面。美國的FirstSolar和SolarCity等光伏企業(yè)，早在幾年前就已開始應(yīng)用無人機(jī)系統(tǒng)對光伏電站進(jìn)行圖像采集及故障識別，其屋頂光伏電站的監(jiān)測效率提升了1倍，并且比人工方法更加精確。無人機(jī)電站巡航如圖4所示[3]。

無人機(jī)搭載熱紅外攝像機(jī)可以檢測光伏組件表面的高溫區(qū)域，然后利用熱成像技術(shù)迅速檢測出光伏陣列的諸多缺陷，如熱斑、蝸牛紋、黑心等；無人機(jī)搭載高清攝像機(jī)可以檢測出異物遮擋、蝸牛紋等缺陷；無人機(jī)搭載電致發(fā)光成像儀不僅可以檢測上述諸多缺陷，而且可以檢測出隱裂、斷柵等隱形的、難以發(fā)現(xiàn)的缺陷，這些缺陷均會導(dǎo)致光伏組件效率下降甚至造成電站安全事故。無人機(jī)搭載電致發(fā)光成像儀和高清攝像機(jī)的拍照效果如圖5所示。此外，無人機(jī)還可以用來監(jiān)測電氣系統(tǒng)故障，如匯流箱、逆變器、接線盒等電子設(shè)備的溫度，做到對故障的提前預(yù)警或故障報警。

圖4 無人機(jī)光伏電站巡航

圖5 無人機(jī)搭載電致發(fā)光成像儀和高清攝像機(jī)的拍照效果

實(shí)際應(yīng)用中，利用無人機(jī)搭載紅外熱像儀等多種監(jiān)測設(shè)備，通過精確地溫度場圖像采集、通信傳輸及計(jì)算機(jī)視覺等先進(jìn)技術(shù)，對數(shù)量眾多的太陽能組件進(jìn)行實(shí)時、準(zhǔn)確檢測；并定位出太陽能電池板存在的熱斑、黑心、隱裂、蝸牛紋、失配等常見故障及隱患，再結(jié)合GPS將故障位置、故障圖像以及故障類型通過通信系統(tǒng)傳輸?shù)竭h(yuǎn)端運(yùn)維智能分析平臺，以便及時維修及安排合理清洗，實(shí)現(xiàn)實(shí)時監(jiān)測、故障預(yù)警及智能故障診斷等功能。無人機(jī)圖像采集流程如圖6所示。

圖6 無人機(jī)圖像采集流程

無人機(jī)可以同時迅速采集到多種不同的結(jié)構(gòu)化及半結(jié)構(gòu)化數(shù)據(jù)，實(shí)時精確定位故障的地理坐標(biāo)。多傳感器控制技術(shù)可以使無人機(jī)系統(tǒng)同時獲取多種傳感器（如高清相機(jī)、熱成像儀、紫外成像儀、激光、定位定姿系統(tǒng)）數(shù)據(jù)，并將其存儲為業(yè)界通用的圖像、視頻、點(diǎn)云、經(jīng)緯度序列和傳感器工作狀態(tài)，實(shí)現(xiàn)光學(xué)影像、紅外視頻、紫外視頻、點(diǎn)云的快速存儲?？刂婆_將回傳的數(shù)據(jù)進(jìn)行數(shù)據(jù)高精度幾何處理及智能分析：首先利用GPS完成多種異頻、異源數(shù)據(jù)在時空的匹配；然后利用大數(shù)據(jù)及人工智能算法對數(shù)據(jù)進(jìn)行分析。

無人機(jī)飛行靈活輕巧，不受地形限制，受陰天、雪、雨、霧等天氣的限制也較小，并裝載有先進(jìn)的航測系統(tǒng)，還可以搭載各種需要的傳感器，這使得利用無人機(jī)對光伏電站進(jìn)行智能運(yùn)維成為眾多光伏企業(yè)認(rèn)可的方案。但是應(yīng)用無人機(jī)需要審查當(dāng)前的政策、法規(guī)、環(huán)境影響、隱私等問題。雖然目前采用無人機(jī)巡航需要進(jìn)行航空申請，且無人機(jī)巡航時間會受到機(jī)體載重以及電池電量的限制，但隨著我國低空空域的不斷開放以及無人機(jī)技術(shù)持續(xù)高速發(fā)展，上述限制將會得到有效地解決或緩解。

4 深度學(xué)習(xí)算法故障圖像智能識別及分類

基于人工智能技術(shù)的光伏電站無人機(jī)巡檢系統(tǒng)中，無人機(jī)遙感技術(shù)、地面數(shù)據(jù)分析站、數(shù)據(jù)方式等技術(shù)相對成熟，但是在后期數(shù)據(jù)的處理方面，尤其結(jié)合深度學(xué)習(xí)算法的應(yīng)用方面[10-11]，國內(nèi)的研究和應(yīng)用都還較少。目前，對于無人機(jī)拍攝到的故障圖像一般采用人工檢測的方法進(jìn)行分析判斷，但是該方法存在人工識別標(biāo)準(zhǔn)不一致、檢測效率低、容易疲勞，以及一致性較差等問題。也有部分光伏電站利用傳統(tǒng)機(jī)器學(xué)習(xí)算法對故障圖像進(jìn)行分類判斷[12-13]，但是該方法需要對圖像進(jìn)行預(yù)處理，人工提取關(guān)鍵特征，較為繁瑣。而深度學(xué)習(xí)算法在圖像處理領(lǐng)域應(yīng)用時無需人工提取特征值，圖像預(yù)處理要求簡單，目前已經(jīng)得到了廣泛的應(yīng)用，并取得了顯著的效果，如人臉識別[11]、行人檢測[14]、車牌號識別[15]等。因此，將深度學(xué)習(xí)算法中圖像分類性能良好的卷積神經(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用于太陽能光伏板的故障檢測，并最終實(shí)現(xiàn)準(zhǔn)確、快速、有效地光伏電站故障診斷及故障預(yù)警，是一項(xiàng)非常有意義的工作。

基于深度學(xué)習(xí)算法的故障位置及類別判斷流程：首先，利用實(shí)時數(shù)據(jù)智能分析判斷出光伏板的大致故障發(fā)生范圍[7]；然后，采用無人機(jī)巡航的方式得到該區(qū)域范圍內(nèi)的電池板圖像，利用深度學(xué)習(xí)算法的CNN對其進(jìn)行自動識別判斷，找出有故障電池板的精確位置，以及確定故障的類型；最后對該缺陷電池進(jìn)行相應(yīng)處理以保障電站安全高效持續(xù)運(yùn)行?；谏疃葘W(xué)習(xí)算法的故障位置及類別判斷流程如圖7所示。經(jīng)典的CNN（LeNet-5模型）網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示，該結(jié)構(gòu)除了輸入層，共包含卷積層、池化層和全連接層3種類型的7層結(jié)構(gòu)。CNN利用其獨(dú)特的卷積操作和池化操作將圖像中的像素點(diǎn)互相關(guān)聯(lián)起來，充分利用了圖像的空間相關(guān)性。卷積操作利用稀疏交互、參數(shù)共享和等變表示3種思想減少了模型的存儲需求，減少了模型參數(shù)，加快了網(wǎng)絡(luò)的收斂速度，增強(qiáng)了模型的魯棒性和靈活性。

圖7 基于深度學(xué)習(xí)算法的故障位置及類別判斷流程

池化操作利用上層特征圖某一位置的相鄰輸出總體特征來代替該位置的特征輸出，這樣利用局部相關(guān)性原理對圖像進(jìn)行子抽樣，既可以在減少數(shù)據(jù)量的同時保留下相對有用的信息，又能保持圖像的旋轉(zhuǎn)不變性[16]。文獻(xiàn)[16]利用改進(jìn)后的LeNet-5模型經(jīng)過180步迭代后，對含有隱裂缺陷電池的識別正確率達(dá)到了90%。文獻(xiàn)[17]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)，對正常電池、含裂紋電池和含缺角電池的識別正確率達(dá)到了96.667%。

圖8 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

CNN需要對從無人機(jī)獲取到的大量太陽能電池板圖像進(jìn)行模型訓(xùn)練，在對圖片預(yù)處理的基礎(chǔ)上，將其分類為無故障圖像和各類故障圖像，并將多種圖形按比例分為訓(xùn)練集和測試集，然后將訓(xùn)練集作為模型的輸入數(shù)據(jù)，訓(xùn)練模型，模型收斂后，在測試集上驗(yàn)證CNN模型的效果。

5 結(jié) 語

本文研究了深度學(xué)習(xí)算法在光伏電站無人機(jī)智能運(yùn)維中的應(yīng)用。通過深度學(xué)習(xí)算法對實(shí)時數(shù)據(jù)、無人機(jī)采集圖像等數(shù)據(jù)的綜合分析，可以快速、準(zhǔn)確地進(jìn)行故障定位及檢測，不僅可以做到故障早預(yù)防、早發(fā)現(xiàn)、早解決，避免電量損失及事故發(fā)生，還可以進(jìn)行智能化的故障定位及識別，大幅度提高光伏電站的發(fā)電量，降低了維修事故及成本。隨著光伏電站的興建，無人機(jī)智能運(yùn)維系統(tǒng)將具有很大的市場空間和推廣價值。

［1］ 劉江林. 基于eLTE集群通信的光伏電站無人機(jī)自動巡檢的研究[J]. 太陽能, 2017(6): 15-17.

LIU Jianglin. Research on automatic inspection of photovoltaic power station uav based on eLTE trunking communication[J]. Solar Energy, 2017(6): 15-17.

［2］ DAS U K, TEY K S, SEYEDMAHMOUDIAN M, et al. Forecasting of photovoltaic power generation and model optimization: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 81: 912-928.

［3］ GRIMACCIA F, AGHAEI M, MUSSETTA M, et al. Planning for PV plant performance monitoring by means of unmanned aerial systems (UAS)[J]. International Journal of Energy and Environmental Engineering, 2015, 6(1): 47-54.

［4］ ABDELHAMID M, SINGH R, OMAR M. Review of microcrack detection techniques for silicon solar cells[J]. IEEE Journal of Photovoltaics, 2013, 4(1): 514-524.

［5］ KUDO M, TAKEUCHI A, NOZAKI Y, et al. Forecasting electric power generation in a photovoltaic power system for an energy network[J]. Electrical Engineering in Japan, 2010, 167(4): 16-23.

［6］ LORENZ E, HURKA J, HEINEMANN D, et al. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2009, 2(1): 2-10.

［7］ DIAGNE M, DAVID M, LAURET P, et al. Review of solar irradiance forecasting methods and a proposition for small-scale insular grids[J]. Renewable and Sustainable Energy Reviews, 2013, 27: 65-76.

［8］ ABDEL-NASSER M, MAHMOUD K. Accurate photovoltaic power forecasting models using deep LSTM-RNN[J]. Neural Computing and Applications, 2017. https://doi.org/10.1007/s00521-017-3225-z.

［9］WANG Y, LIAO W, CHANG Y. Gated recurrent unit network-based short-term photovoltaic forecasting[J]. Energies, 2018, 11(8): 2163.

［10］ LAUER F, SUEN C Y, BLOCH G. A trainable feature extractor for handwritten digit recognition[J]. Pattern Recognition, 2007, 40(6): 1816-1824.

［11］ LAWRENCE S, GILES C L, TSOI A C, et al. Face recognition: a convolutional neural-network approach[J]. IEEE Transactions on Neural Networks, 1997, 8(1): 98-113.

［12］ 趙慧陽. 基于機(jī)器視覺的太陽能電池片表面缺陷檢測的研究[D]. 秦皇島: 燕山大學(xué), 2011: 65-66.

ZHAO Huiyang. Research on surface defect inspection of solar cell based on machine vision[D]. Qinhuangdao: Yanshan University, 2011: 65-66.

［13］ 馮博. 太陽能電池片表面裂紋檢測算法的研究與實(shí)現(xiàn)[D]. 長春: 吉林大學(xué), 2014: 57-58.

FENG Bo. Research and implementation of crack detection algorithm on the surface of solar cell[D]. Changchun: Jilin University, 2014: 57-58.

［14］ SZARVAS M, YOSHIZAWA A, YAMAMOTO M, et al. Pedestrian detection with convolutional neural networks [C]//Proceedings of Intelligent Vehicles Symposium, 2005. IEEE, 2005: 224-229.

［15］ 趙志宏, 楊紹普, 馬增強(qiáng). 基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識別研究[J]. 系統(tǒng)仿真學(xué)報, 2010, 22(3): 638-641.

ZHAO Zhihong, YANG Shaopu, MA Zengqiang. License plate character recognition based on convolutional neural network LeNet-5[J]. Journal of System Simulation, 2010, 22(3): 638-641.

［16］ 吳濤, 賴菲. 基于LeNet-5模型的太陽能電池板缺陷識別分類[J]. 熱力發(fā)電, 2019, 48(3): 120-125.

WU Tao, LAI Fei. Identification and classification of defects in solar cells based on LeNet-5[J]. Thermal Power Generation, 2019, 48(3): 120-125.

［17］ 李夢園. 深度學(xué)習(xí)算法在表面缺陷識別中的應(yīng)用研究[D]. 杭州: 浙江工業(yè)大學(xué), 2015: 1-2.

LI Mengyuan. Research and application of deep learning algorithm in surface defect recognition[D]. Hangzhou: Zhejiang University of Technology, 2015: 1-2.

Application of deep learning algorithm in intelligent operation and maintenance of UAVs in photovoltaic power plants

LAI Fei1, CHEN Yapeng2, SHAN Zhengtao1, WU Tao1, XU Chuangxue1, HE Xin1, WANG Zhiwei1, ZHAO Yong1

(1. Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China; 2. SPIC Zhuhai Hengqin Cogeneration Co., Ltd., Zhuhai 519000, China)

In view of the problems of low efficiency and high cost occurred in operation and maintenance of the current photovoltaic power stations, a set of methods for smart maintenance of the photovoltaic power station in combination with unmanned aerial vehicle and artificial intelligence is proposed. In this method, real-time monitoring of the operation status of photovoltaic arrays and intelligent analysis of real-time data are carried out to find the faulty arrays timely. Then, by UAV cruise, the photovoltaic arrays where the faults are located are collected and the specific photovoltaic units and the corresponding types of faults are determined by deep learning algorithm, so as to find the hidden faults as early as possible, ensure the high-efficiency and safe operation of the power station, reduce the operation and maintenance cost and improve the inspection efficiency. This method has guiding significance for the future operation and maintenance of photovoltaic power stations.

photovoltaic power station, artificial intelligence, power forecasting, UAV, deep learning, fault recognization, smart operation and maintenance

TM73

B

10.19666/j.rlfd.201904075

2019-04-15

賴菲(1971—)，男，博士，研究員，主要研究方向?yàn)殡娬緝?yōu)化運(yùn)行，laifei@tpri.com.cn。

賴菲, 陳亞鵬, 單正濤, 等. 深度學(xué)習(xí)算法在光伏電站無人機(jī)智能運(yùn)維中應(yīng)用[J]. 熱力發(fā)電, 2019, 48(9): 139-144. LAI Fei, CHEN Yapeng, SHAN Zhengtao, et al. Application of deep learning algorithm in intelligent operation and maintenance of UAVs in photovoltaic power plants[J]. Thermal Power Generation, 2019, 48(9): 139-144.

（責(zé)任編輯 楊嘉蕾）