基于红外图像的光伏组件热斑智能检测研究

2023-03-09杨琨

科学与信息化 2023年4期

杨琨

中国大唐集团科学技术研究总院有限公司华北电力试验研究院北京 100040

引言

针对大型光伏电站而言，光伏组件在运行一段时间后，因遮挡、积灰等原因会使其产生热斑故障。这种故障不但影响发电性能，还会产生安全隐患，所以定期检测热斑故障是非常有必要的。目前，在进行组件红外检测时，通常是由工作人员高举红外扫描仪或利用升降车去检测和排查组件热斑，时间成本和人工成本比较高，而且安全性较低。所以，如果能够合理地应用无人机技术进行巡检，会更加便捷和安全，并且获得的数据也更加清晰和准确，从而有效提升光伏组件热斑检测效率。

1 热斑形成的原因和影响

1.1 热斑形成的原因

光伏组件在发生热斑故障后，其使用寿命会受到影响，而且发电性能会逐渐降低。形成热斑的原因主要有两种：首先，在生产光伏组件时，因工艺问题，组件内不同的电池片之间会产生细微的差距，组件长时间被阳光照射后会有输出功率不均匀现象产生；其次，光伏组件在投运后，长期暴露在环境中，其表面会附着灰尘或者其他杂质，这些被异物遮挡部分的电池片产生的电流会小于其他电池片。所以，当组件内部电池片的工作特性存在差异时，就会存在“木桶效应”，发电最少的电池片会消耗其他电池片的能量，导致光伏组件局部发热。这种现象长期存在就会使组件产生热斑[1]。

1.2 热斑故障的影响

光伏组件产生热斑后，会缩减其使用寿命。同时，由于热斑的存在，还会降低组件的光电转换效率，减少发电量，使光伏电站受到经济损失。并且，光伏组件存在热斑的区域，其温度会随着光照强度的增强而增大，长期运行会导致组件绝缘性能下降，如不能及时发现并排除故障组件，甚至会引起火灾。

2 无人机红外检测的应用优势

大型光伏电站对建设场地面积有很高的要求，所以通常会选择草原、山地、荒漠等区域，所需的设备种类与数量也较大。假如光伏电站选择传统的运维模式就会造成资源浪费，安全性也难以得到保障。此时如果能够运用无人机技术，工作人员可以搭载红外图像吊舱，然后选择热斑定位，通过不同的角度去拍摄与巡查光伏组件，保证拍摄光伏组件热斑的效果。利用无人机红外技术进行巡检时，有效降低运维人员工作强度，并提高巡检质量和故障定位准确度，还可以节省成本，充分体现出快捷性与高效性。在无人机红外技术的支持下，热斑检测将变得更加完善，且不会干扰最初的温度，有很强的灵活性，还能避免受到其他障碍物的影响[2]。

3 无人机红外热斑检测在光伏电站中的应用

3.1 无人机红外热斑检测的流程和系统构成

在利用无人机红外技术检测热班时，主要分为5个流程，分别是飞行拍摄、规划路径、监测热班、分析图像、标记异常区域。结合相关研究，固定翼无人机的续航时间比较长，缺点是不能悬停。以无人直升机为例，总体性能比较良好，所需成本很高，而且不易于操作。再以多旋翼无人机为例，所需成本很低，可以悬停，操作难度小，所以工作人员在挑选无人机时，可结合光伏电站实情进行合理的分析[3]。

本研究采用DJI大疆公司的M300RTK中国版作为飞行平台，搭载禅思ZENMUSEH20T云台相机进行巡检和数据集采样工作，该系列飞行平台飞行性能出众、产品度高、集成度好，云台相机同时搭载可见光变焦相机、可见光全域相机及热红外相机，此搭配非常适合无人机红外热斑巡检工作。

3.2 无人机红外热斑检测原理

光伏板通过吸收太阳光照辐射加以转化形成电能，然而当光伏板部分发生故障后，无法将辐射热能转化为电能，因此故障点温度将升高，无人机搭载的红外相机将接收观测区热辐射信息，并形成热图像。通过热图像能够获得很多信息，比如被测物体的温度，且温度值是不唯一的，需要用不同颜色标记出来。结合电池片而言，温度是比较均匀的，被红外热像仪捕捉红外能量后所生成的热象图同样具有均匀的色彩，如果组建矩阵部分电池片温度过高，生成的摄像头色彩分布具有很大的差异性，从而能够判断电池片存在某些问题。

3.3 在大型光伏电站中的作用效果

为完成本研究，并确保研究过程的通适性，课题组先后前往我集团托克托光伏电站等13个光伏电站进行光伏组件无人机红外热斑数据集采集工作，其中包含京津冀能源开发有限公司赞皇南清河光伏电站、河北发电发电有限公司王快电站、阿拉善经济开发区光伏发电有限公司兰山光伏电站等丘陵山地光伏电站3个，灌云光伏发电有限公司、卓资新能源有限责任公司及托克托电站等平原电站3个，淮安、沭阳、泗阳、泗洪、连云港、大丰光伏发电有限公司等分布式电站6个及大唐岩滩光伏等水面光伏电站。

研究共采集有效光伏组件热红外图像4800余张，可见光变焦细节图像5200余张，可见光全域图像4900余张，为后续故障智能检测研究及验证提供充足的数据基础。

4 热斑智能检测AI技术开发

热斑智能检测通过图像识别技术开发和实现，总体技术路线如下图所示：

图1 热斑智能检测技术路线

4.1 标注方案

由于光伏板上热斑位置和形状的不同，无法在前期直接进行标定方案的确定，因此在标定过程中设计了多项标注方案，具体如下：

方案一：将所有红外图像进行统一标注，包括分布式和集中式，高高度拍摄和低高度拍摄，共约4800张有效图片。除异物遮挡按实际遮挡面积标注，剩余四种故障均按电池板大小标注（加入故障周围的相关特征）。

方案二：将红外图像按飞行高度分为高高度和低高度两种分别进行标注（但不区分电站类型），同方案一，除异物遮挡按实际遮挡面积标注，剩余4种故障均按电池板大小标注。

方案三：将红外图像按飞行高度分为高高度和低高度，按电站类型分为集中式和分布式，总计分为4大类分别进行标注工作。把检测重点放在集中式低高度红外图像的故障检测，主要包括乌海站、赞皇站、王快站、托克托站4个电站2400张左右红外图像。同方案一二，除异物遮挡按实际遮挡面积标注，剩余四种故障均按电池板大小标注。

方案四：针对集中式低高度红外图像，改变标注方式：

①热斑和异物遮挡均按实际故障大小进行标注。②将异物遮挡分为两类进行标注，一类为occlusion，标注光伏板上的鸟粪类异物，再加入一类plant，标注遮挡住光伏板的植物。

4.2 算法选择

基于候选框的目标检测算法在目标检测领域取得了一定的成果，例如R-CNN、FastR-CNN、FastR-CNN、FasterR-CNN。Yolo算法的独特之处在于采用针对目标检测算法的CNN进行特征提取，之后用全连接层对目标进行分类、位置的确定。

本项目采用了的Yolo系列最新的ToloV5目标检测算法。Yolov5按照网络深度大小和特征图宽度大小分为Yolov5s、Yolov5m、Yolov5l、Yolov5，本文采用了yolov5s作为使用模型。Yolov5的结构分为input，核心层，Neck，预测层。在输入端使用了Mosaic的数据增强方式，随机调用4张图片，随机大小和分布，进行堆叠，丰富了数据，增加了很多小目标，提升小物体的识别能力。可以同时计算4张图片，相当于增加了Minibatch大小，减少了GPU内存的消耗Yolov5首先也可以通过聚类设定anchor大小，然后还可以在训练过程中，在每次训练时，计算不同训练集中的ahchor值。然后在预测时使用了自适应图片大小的缩放模式，通过减少黑边，提高了预测速度。在核心层上的主要是采用了Focus结构，CSPnet结构。在Neck上采用了FPN结构和PAN结构。在损失函数则使用了GIOU_Loss。

4.3 算法实现

4.3.1 训练准备。将标注好的数据集按5：1比例划分为训练集和测试集，送入YoloV5网络进行训练，训练权重文件选用yolov5s.pt，batchsize设置为8，epoch设置为300进行迭代训练。

4.3.2 训练结果分析。该算法对于光伏板故障检测直观效果良好，特点较为明显的故障均可以检测出来。训练检测结果，可以看到，在测试集中，检测出来了四种故障类型，标签上数字的意义为该算法认为是所框部分属于该类故障的可能性。因为碎裂的故障较少，导致标注的标签文件较少，给训练造成了困难。

数据集：对数据进行进一步的筛选，尽量选择同一高度相近时间拍摄的红外图像，必要的时候对图像进行剪裁，仅保留光伏板部分，去掉可能会对算法造成干扰的背景。但是进一步筛选数据集可能造成数据集数量和标签个数进一步减少，对于网络训练的精确度和泛化能力均有一定的影响。较为理想的情况是希望可以提供更多的高质量数据进行训练，数据集对最终结果的影响远大于网络参数的微调。

网络：当结果不理想时，主要通过调节网络参数来进行优化。

Epochs（训练轮数），默认300个，出现过拟合则减小該直，反之亦然。当本身训练精度较低时，还未过拟合，可以先尝试增加Epochs值，即增大训练次数。

Imagesize，默认使用的是640分辨率，由于数据集中有大量的小目标，增加分辨率（如1280），有利于训练结果。如果结果仍不理想，可以尝试使用原始像素或者更高像素，更有利于训练。

Batchsize，使用硬件允许的最大值，需避免值过小产生糟糕的统计结果

Hyperparameters，默认的超参数在hyp.scratch.yaml文件中，一般情况下，增加augmentation参数可降低和推迟过拟合，以便于更长的训练获得更高的mAP值。减小类似[‘obj’]等损失增益的值也可降低过拟合。

5 应用注意事项

在选择红外设备时，应以高热敏感度为佳，避免在拍摄时受到阳光反射的影响，而且要保证镜头面轴线和拍摄对象处于垂直状态，并对准焦距。工作人员还要全面设置温感，可以设置为自动模式，以便全方面地测量出温度的范围，然后调整为手动模式，以便精确地设计水平和跨度，使得温度范围保持合理状态。最后，无人机搭载成像系统，这时需要保证电池电量的充足，延长续航时间。