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(jī)以及化石能源燃燒導(dǎo)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(diǎn)的光伏發(fā)電逐漸成為人們關(guān)注的重點(diǎn)，光伏發(fā)電技術(shù)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(shè)備工作環(huán)境極為惡劣，隨著投運(yùn)時(shí)間的增加，光伏電站的運(yùn)營、維護(hù)正面臨著嚴(yán)峻的挑戰(zhàn)［4］。越來越多的光伏電站面臨運(yùn)維難題，已經(jīng)嚴(yán)重影響到其發(fā)電量及運(yùn)行穩(wěn)定性。對于正處在高速發(fā)展階段的國內(nèi)光伏產(chǎn)業(yè)來說，提高光伏電站的運(yùn)維效率和管理質(zhì)量至關(guān)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(yùn)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(dāng)作負(fù)載消耗其他區(qū)域所產(chǎn)生的能量，從而產(chǎn)生熱斑。熱斑不僅會降低光伏電站的發(fā)電效率，還會導(dǎo)致局部過熱［5-8］，損壞光伏組件，嚴(yán)重威脅光伏電站的安全運(yùn)行。為減少熱斑效應(yīng)所帶來的危害，有必要對熱斑進(jìn)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(yīng)檢測的市場前景十分廣闊。傳統(tǒng)的光伏電站運(yùn)營維護(hù)主要依靠運(yùn)維人員手持熱像儀等設(shè)備定期巡檢，這種方式對于熱斑的檢測耗費(fèi)時(shí)間長，準(zhǔn)確率低，效率不高且很容易漏檢，使得故障進(jìn)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(kuò)大，其運(yùn)維工作量及運(yùn)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?，F(xiàn)代航空工業(yè)、傳感器以及人工智能技術(shù)的快速發(fā)展，促使旋翼無人機(jī)巡檢應(yīng)用到光伏電站運(yùn)維工作中。無人機(jī)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(jié)合旋翼無人機(jī)研究新型光伏電站在線熱斑檢測運(yùn)維方法。

結(jié)合無人機(jī)巡檢與陰影類別判定技術(shù)，通過搭載可見光相機(jī)與紅外相機(jī)的無人機(jī)對光伏電站進(jìn)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(zhǔn)的光伏陣列熱斑定位的方法。通過基于改進(jìn)的魚群灰色組合預(yù)測方法進(jìn)一步判別光伏電站陰影類型，及時(shí)排除光伏組件熱斑的外部影響因素，進(jìn)而判定多因素影響下的熱斑成因，并結(jié)合工程實(shí)際，構(gòu)建出基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測運(yùn)維系統(tǒng)，實(shí)現(xiàn)熱斑自動告警與定位排查，減少運(yùn)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(hù)質(zhì)量和可靠性，進(jìn)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(yù)測的光伏電站陰影類別判定方法

光伏組件運(yùn)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(shí)不變性；軟性陰影會隨時(shí)間變化，具有時(shí)變性，若其長時(shí)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(shí)準(zhǔn)確辨別出陰影的類型，避免光伏組件進(jìn)一步損壞，減少發(fā)電量損失。

為實(shí)現(xiàn)光伏組件陰影類型的精準(zhǔn)判別，采用基于混合魚群灰色組合預(yù)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(qiáng)度、溫度數(shù)據(jù)進(jìn)行分解，濾除噪聲數(shù)據(jù)，得到平滑的趨勢項(xiàng)數(shù)據(jù)，再采用混合魚群灰色組合預(yù)測模型預(yù)測光伏組件的發(fā)電功率，然后對比預(yù)測功率和實(shí)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(yù)測［15-16］是利用灰色模型（Grey Model，GM）建立起來的預(yù)測模型，具有易于驗(yàn)證、數(shù)據(jù)需求少、不考慮分布規(guī)律等優(yōu)點(diǎn)，但預(yù)測精度較低，無法直接應(yīng)用于陰影判別，為此特地引入全局搜索能力較強(qiáng)的魚群優(yōu)化算法，建立混合魚群灰色組合預(yù)測模型。

設(shè)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(shè)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(yīng)度（fθv）為

式中：x（0）（w）為該條人工魚在w時(shí)刻的實(shí)際狀態(tài)值；為該條人工魚在w時(shí)刻的狀態(tài)估計(jì)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(jìn)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(yīng)度為最優(yōu)，當(dāng)達(dá)到最大迭代次數(shù)時(shí)，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(yù)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(zhǔn)的熱斑定位方法

傳統(tǒng)的熱斑定位方法［17-18］主要是結(jié)合無人機(jī)的飛行高度，將可見光圖像或紅外圖像中的經(jīng)緯度進(jìn)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(zhǔn)技術(shù)［19-20］，獲取關(guān)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(diǎn)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(diǎn)往往不是一一對應(yīng)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(zhǔn)算法，通過斜率約束實(shí)現(xiàn)圖像的精確配準(zhǔn)，從而準(zhǔn)確定位光伏電站中的熱斑組件。

對光伏陣列兩種圖像進(jìn)行配準(zhǔn)時(shí)，將光伏陣列紅外圖像用I1表示，可見光圖像用I2表示，設(shè)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(jìn)行特征提取，得到特征點(diǎn)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(diǎn)數(shù)量；(xi,yi)為I1中第i個特征點(diǎn)坐標(biāo)；(x′j,y′j)為I2中第j個特征點(diǎn)坐標(biāo)。

從po（sI1）中任意取一個特征點(diǎn)，計(jì)算其與po（sI2）中所有特征點(diǎn)的馬氏距離。馬氏距離由印度統(tǒng)計(jì)學(xué)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(jì)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(diǎn)作為粗配準(zhǔn)點(diǎn)對，然后將所有粗配準(zhǔn)點(diǎn)對根據(jù)馬氏距離從小到大進(jìn)行排序，剔除其中含有相同特征點(diǎn)的粗配準(zhǔn)點(diǎn)對，將po（sI1）和po（sI2）剩下的特征點(diǎn)分別用po（sI3）和po（sI4）表示。選擇po（sI3）和po（sI4）中前20 對配準(zhǔn)點(diǎn)對，計(jì)算兩點(diǎn)的斜率，即

式中：xq、yq分別為po（sI3）中第q個特征點(diǎn)的橫坐標(biāo)與縱坐標(biāo)；x′q、y′q分別為po（sI4）中與(xq,yq)點(diǎn)配準(zhǔn)的特征點(diǎn)的橫坐標(biāo)與縱坐標(biāo)。

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(diǎn)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(jì)算po（sI3）和po（sI4）中所有滿足［kq-0.5，kq+0.5］的配準(zhǔn)點(diǎn)對，形成新的集合po（sl）。

2 基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測性能評價(jià)運(yùn)維系統(tǒng)設(shè)計(jì)與構(gòu)建

2.1 系統(tǒng)結(jié)構(gòu)

設(shè)計(jì)與構(gòu)建的基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測運(yùn)維系統(tǒng)由現(xiàn)場采集與控制層、遠(yuǎn)程信息管理中心以及光伏電站智慧運(yùn)維主站3個部分構(gòu)成。系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)

在現(xiàn)場采集與控制層中無人機(jī)按照預(yù)設(shè)航線飛行，通過搭載的可見光相機(jī)與紅外相機(jī)對光伏電站進(jìn)行拍攝，光伏參數(shù)采集單元負(fù)責(zé)采集現(xiàn)場的溫度、光照強(qiáng)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(luò)上傳到信息管理中心。信息管理中心對其接收到的信息進(jìn)行處理分析，計(jì)算熱斑實(shí)際位置，進(jìn)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(yùn)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(jī)進(jìn)行航跡規(guī)劃，也能按照待清洗及檢修的位置坐標(biāo)對光伏清掃機(jī)器人的清掃路徑進(jìn)行規(guī)劃。光伏電站智慧運(yùn)維主站能夠向運(yùn)維人員展示巡檢及清掃的采集圖像、巡檢結(jié)果報(bào)告等信息。運(yùn)維人員也可通過光伏電站智慧運(yùn)維主站直接下達(dá)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(jī)器人和無人機(jī)進(jìn)行清掃和巡檢。

2.2 系統(tǒng)信息判別流程

基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測運(yùn)維系統(tǒng)進(jìn)行巡檢作業(yè)時(shí)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(jìn)行預(yù)處理，通過采用基于斜率約束的光伏陣列圖像配準(zhǔn)算法得到各熱斑所在準(zhǔn)確位置，并初步判定熱斑成因。將由單一性光伏組件內(nèi)部缺陷所導(dǎo)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(jìn)行陰影類別判定：結(jié)合溫度、光照強(qiáng)度以及光伏組件電氣量信息，采用改進(jìn)的魚群灰色組合預(yù)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(shí)，需與上次存入的熱斑信息進(jìn)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(zhuǎn)存到待檢修信息數(shù)據(jù)包，并進(jìn)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(jī)器人的清掃路徑，并向其下達(dá)清掃指令。

2.3 系統(tǒng)功能

基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測運(yùn)維系統(tǒng)集成實(shí)現(xiàn)了巡檢運(yùn)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(yùn)維管理。包括無人機(jī)飛行路徑規(guī)劃、無人機(jī)巡檢周期制定、清掃路徑規(guī)劃、圖像信息管理、飛行設(shè)備及清掃設(shè)備狀態(tài)管理，具備遠(yuǎn)程巡檢操控功能，實(shí)現(xiàn)全自動遠(yuǎn)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(shí)時(shí)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(jìn)行存儲，形成實(shí)時(shí)歷史數(shù)據(jù)庫和分布式管理數(shù)據(jù)庫，實(shí)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(jié)果可快速生成報(bào)告，將光伏電站待人工檢修信息及時(shí)展示在光伏電站智慧運(yùn)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(shí)時(shí)產(chǎn)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(guān)運(yùn)維檢修人員的手機(jī)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(yīng)用及其性能分析

3.1 系統(tǒng)應(yīng)用實(shí)例與效果

所構(gòu)建的基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測運(yùn)維系統(tǒng)于2020年6月在山東濟(jì)寧高新區(qū)20 MW 光伏電站投入使用，針對熱斑效應(yīng)開展日常巡檢工作。目前該系統(tǒng)運(yùn)行穩(wěn)定，巡檢控制安全可靠，該運(yùn)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(jī)可在2 天內(nèi)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(shí)熱斑檢測準(zhǔn)確率高，平均每月由熱斑導(dǎo)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(nèi)因與外因，主動篩除遮擋、表面臟污等光伏組件外部因素，進(jìn)一步鎖定熱斑成因，為運(yùn)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(dǎo)。

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(yīng)用實(shí)例與效果

為驗(yàn)證該系統(tǒng)實(shí)際效果，在該電站選取約1 MW區(qū)域進(jìn)行檢測。該區(qū)域內(nèi)共有熱斑108 個，其中光伏組件內(nèi)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(nèi)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(yàn)該系統(tǒng)熱斑檢測結(jié)果的準(zhǔn)確性，將所提熱斑信息判定方法與文獻(xiàn)［21］提出的基于統(tǒng)計(jì)學(xué)模型的熱斑判別方法進(jìn)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(zhǔn)確率為96.29%。而使用文獻(xiàn)［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(zhǔn)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(xiàn)［21］的檢測結(jié)果更接近真實(shí)值，檢測效果更好。

4 結(jié)語

應(yīng)用無人機(jī)巡檢，提出紅外圖像與可見光圖像配準(zhǔn)融合技術(shù)，降低了紅外目標(biāo)的誤判率，提高了熱斑定位精度，為后續(xù)準(zhǔn)確消除光伏組件熱斑的外部影響奠定基礎(chǔ)?；诟倪M(jìn)的魚群灰色組合預(yù)測方法判定光伏電站陰影類型，并在此基礎(chǔ)上設(shè)計(jì)了熱斑信息判定流程，構(gòu)建了基于無人機(jī)紅外與可見光檢測的光伏電站在線熱斑檢測運(yùn)維系統(tǒng)，能夠提高熱斑成因檢測準(zhǔn)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(hù)質(zhì)量和可靠性。