人工智能光伏巡檢定位系統(tǒng)開發(fā)研究概述

柳玉賓，王 勇，孫思宇，王恒濤，紀(jì)宇飛

（1.華電電力科學(xué)研究院有限公司北京分院，北京100000；2.華電湖北發(fā)電有限公司新能源分公司，湖北 武漢430000）

1 光伏系統(tǒng)巡檢概述

光伏產(chǎn)業(yè)在本世紀(jì)由于受到國家重點(diǎn)扶植，其產(chǎn)業(yè)規(guī)模迅速擴(kuò)大，國家能源局的資料顯示，從2018年開始至今，我國光伏裝機(jī)容量擴(kuò)大至44.2GW，達(dá)到了約174.6GW，居世界首位。2019年5月30日，國家能源局正式下發(fā)《2019年光伏發(fā)電項(xiàng)目建設(shè)工作方案》，光伏產(chǎn)業(yè)得到了國家政策的大力推廣。同時，光伏產(chǎn)業(yè)作為扶貧的項(xiàng)目之一，將光伏產(chǎn)業(yè)融入鄉(xiāng)村，能夠發(fā)展分布式能源，加快農(nóng)村現(xiàn)代化建設(shè)，為脫貧提供保障。與此同時，隨著國家大力扶持集中式發(fā)電站，產(chǎn)業(yè)發(fā)展迅猛。隨著光伏電站規(guī)模的增大，運(yùn)行年限的增加，光伏組件揮發(fā)產(chǎn)生各種各樣的問題，維護(hù)光伏電站的成本也隨之增加。由于受到各種影響因素的制約，光伏組件中的電池受損越來越嚴(yán)重。另外，由于粉塵、光伏電站直流側(cè)（組件、匯流箱、逆變器、直流電纜）產(chǎn)生的缺陷占總?cè)毕莸?0%以上，其中組件缺陷又占直流側(cè)缺陷的73.5%，積雪、陰影遮擋光伏組件，對效率的轉(zhuǎn)換產(chǎn)生很大的影響，形成熱斑。

光伏電站維修主要有兩種方法，第一個是對現(xiàn)場進(jìn)行監(jiān)控，第二個是進(jìn)行人工巡檢。隨著互聯(lián)網(wǎng)技術(shù)、遙感技術(shù)和通訊技術(shù)發(fā)展，光伏發(fā)電系統(tǒng)監(jiān)控的主要工作逐漸被機(jī)器所替代，通過對數(shù)據(jù)的采集、傳輸和通信，完成對光伏發(fā)電設(shè)備的檢修和控制，以此來實(shí)現(xiàn)遠(yuǎn)程監(jiān)控。使用“MAPGIS地理信息系統(tǒng)”軟件平臺提供的外部數(shù)據(jù)庫功能，建立“太陽能供電系統(tǒng)用戶”信息數(shù)據(jù)庫[1]，數(shù)據(jù)庫中主要包含：姓名、地址、地理位置（經(jīng)緯度和海拔高度）、電話、太陽能系統(tǒng)型號、電度表指示數(shù)、使用電器情況、日志（記載用戶使用過程中發(fā)生的故障）等。通過對歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)跟蹤，能夠反映用戶和設(shè)備的使用情況，對后期的設(shè)備技術(shù)維護(hù)提供了技術(shù)支持[2]。

國內(nèi)目前針對發(fā)電設(shè)備檢修和維護(hù)的方法并沒有實(shí)現(xiàn)自動化，因?yàn)闆]有融合大數(shù)據(jù)、人工智能、GPS等新興技術(shù)在光伏設(shè)備運(yùn)維方面的研究[3]，因此本研究具有很好的開創(chuàng)性和探索性，具有重要意義與工程應(yīng)用價(jià)值。

2 智能光伏巡檢定位理論與平臺

通過獲得光伏發(fā)電系統(tǒng)實(shí)時數(shù)據(jù)，對光伏設(shè)備海量監(jiān)測信息進(jìn)行相關(guān)性分析，能夠?qū)崿F(xiàn)對照度、環(huán)境溫度、光伏板正板溫度、光伏陣列輸出電流、輸出功率的相關(guān)性挖掘；同時，統(tǒng)計(jì)同一時刻光伏的輸出功率，分析不同功率區(qū)間的概率，由于等效額定裝機(jī)容量的組串在同等環(huán)境下的輸出功率具有集中相似性這一特性，因此，提取光伏監(jiān)測數(shù)據(jù)的主要能效指標(biāo)，采用深度學(xué)習(xí)自編碼的多特征模型進(jìn)行診斷；獲取光伏陣列紅外圖像，通過分析紅外圖像，能夠?qū)﹄姵毓收戏诸惡蜋z測。

與此同時建立管理域、設(shè)備域和量值域三段KKS編碼的設(shè)備統(tǒng)一信息模型，將數(shù)字制圖、數(shù)據(jù)庫管理及空間融為一體，構(gòu)成空間信息系統(tǒng)，融合設(shè)備狀態(tài)與故障信息，對故障設(shè)備進(jìn)行定位。研究包含編制計(jì)劃、工期管控、檢修進(jìn)度跟蹤的雙代號網(wǎng)絡(luò)圖的關(guān)鍵路徑法則，將檢修項(xiàng)目與資源間使用深度學(xué)習(xí)進(jìn)行匹配，在多設(shè)備故障條件下，基于故障精準(zhǔn)定位信息，引入智能優(yōu)化算法，以設(shè)備檢修資源管控與檢修路徑規(guī)劃為目的，建立光伏設(shè)備智能運(yùn)維管控一體化模型?！霸?端”容器為一體的數(shù)據(jù)層、服務(wù)層、應(yīng)用層以及表示層的邏輯結(jié)構(gòu)和組成，實(shí)現(xiàn)的平臺具有故障預(yù)警、故障診斷、能耗分析、檢修資源和路徑優(yōu)化等功能。

3 數(shù)據(jù)挖掘的步驟

數(shù)據(jù)挖掘的典型周期如圖1所示，包括6個階段：工程理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建立模型、模型評價(jià)和模型安放。周期步驟并不固定，上一個階段的結(jié)果影響下一步的計(jì)劃。

圖1 數(shù)據(jù)挖掘項(xiàng)目周期

（1）工程理解：對數(shù)據(jù)進(jìn)行挖掘。在這個階段清晰地定義工程需求，認(rèn)清數(shù)據(jù)挖掘的目的是這一階段的主要任務(wù)。

（2）數(shù)據(jù)理解：數(shù)據(jù)理解主要對數(shù)據(jù)進(jìn)行收集，以此來收集系統(tǒng)感興趣的子集。

（3）數(shù)據(jù)準(zhǔn)備：數(shù)據(jù)準(zhǔn)備階段貫穿整個周期。數(shù)據(jù)準(zhǔn)備的工作需要反復(fù)進(jìn)行多次，沒有任何順序，是完全隨機(jī)的。數(shù)據(jù)準(zhǔn)備工作包含選擇數(shù)據(jù)表、記錄、屬性以及轉(zhuǎn)換和清除數(shù)據(jù)等。

（4）建立模型：需要選擇和應(yīng)用不同的建模技術(shù)，并將其參數(shù)調(diào)整到最優(yōu)值。數(shù)據(jù)結(jié)構(gòu)對建模技術(shù)具有一定的影響，因此經(jīng)常需要返回到第一步對數(shù)據(jù)進(jìn)行簡單處理。該階段主要建立的模型包括關(guān)聯(lián)規(guī)則、分類與預(yù)測、數(shù)據(jù)聚類、異常檢測等。

（5）模型評價(jià)：在進(jìn)行模型檢驗(yàn)之前，需要從頭至尾地對模型進(jìn)行評估，以此來確定模型是否適合目標(biāo)工程。主要評估的問題是一些安全隱患。評估階段最后應(yīng)作出數(shù)據(jù)挖掘結(jié)果的使用決定。

（6）模型部署：根據(jù)具體工程具體需求，對模型進(jìn)行可視化操作或生成文檔報(bào)告等方法組織與呈現(xiàn)數(shù)據(jù)挖掘模型獲得的知識。

4 數(shù)據(jù)挖掘主要方法

數(shù)據(jù)挖掘涉及多種學(xué)科領(lǐng)域和方法，不同的工程應(yīng)用環(huán)境需要不同的方法和建模技術(shù)，主要包括以下幾種方法。

4.1 統(tǒng)計(jì)分析方法：貝葉斯推理，回歸分析

貝葉斯推理是修正數(shù)據(jù)集概率分布的基本工具，前提是需要知道數(shù)據(jù)狀態(tài)?；貧w分析可以有效得到輸入和輸出映射關(guān)系，或者得到一個參數(shù)的走向，同時可以得到其他變量值的線性回歸，也可以進(jìn)行對數(shù)回歸。

4.2 決策樹：ID3、ID4和C4.5

直觀是決策樹的最佳優(yōu)點(diǎn)，對高維數(shù)據(jù)分類這一問題應(yīng)用廣泛。缺點(diǎn)就是數(shù)據(jù)的輸入數(shù)量越多，它的建模就越加的復(fù)雜，分類的種類也隨之變得復(fù)雜。另外，該方法對缺失的數(shù)據(jù)處理存在缺陷。

4.3 人工智能方法：神經(jīng)網(wǎng)絡(luò)方法

通過模擬大腦的結(jié)構(gòu)和神經(jīng)元的工作機(jī)制建立一個模型，該模型稱之為神經(jīng)網(wǎng)絡(luò)模型。MP模型和Hebb模型是神經(jīng)網(wǎng)絡(luò)的基本模型，在此基礎(chǔ)上又發(fā)展出了前饋、反饋和自組織的模型，對數(shù)據(jù)類型進(jìn)行準(zhǔn)確預(yù)測是神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)。神經(jīng)網(wǎng)絡(luò)魯棒性強(qiáng)、泛化能力強(qiáng)、能夠并行處理數(shù)據(jù)和容錯性高，由于具有大量的優(yōu)點(diǎn)，神經(jīng)網(wǎng)絡(luò)成為了數(shù)據(jù)分類的有效工具。

4.4 粗集方法：粗糙集理論

上世紀(jì)80年代，Pawlak提出了粗糙集理論，它把知識進(jìn)行論域的劃分，該方法屬于數(shù)據(jù)分析方法，認(rèn)為知識是通過粒度構(gòu)成的，利用相對核這一概念進(jìn)行知識相關(guān)性分析和約簡。

粗糙集理論可以在數(shù)據(jù)缺失的情況下，對數(shù)據(jù)進(jìn)行很好的分類處理，能夠獲得其中的潛在規(guī)律，在當(dāng)前數(shù)據(jù)挖掘中具有廣泛的應(yīng)用。

典型數(shù)據(jù)挖掘各階段涉及到的方法如表1所示。

表1 數(shù)據(jù)挖掘各階段主要涉及方法

基于大數(shù)據(jù)的光伏設(shè)備早期故障預(yù)警技術(shù)，構(gòu)建基于模型和多源異構(gòu)大數(shù)據(jù)驅(qū)動的光伏設(shè)備故障診斷方法，原理圖如圖2、圖3所示。首先根據(jù)光伏設(shè)備建立動態(tài)模型，利用實(shí)際系統(tǒng)的輸出數(shù)據(jù)和所建立模型的基準(zhǔn)值來產(chǎn)生偏差（即殘差），實(shí)現(xiàn)基于模型的光伏設(shè)備潛在故障早期預(yù)警；基于多源異構(gòu)大數(shù)據(jù)驅(qū)動的技術(shù)常常需要用先驗(yàn)故障樣本進(jìn)行訓(xùn)練，揭示輸入與輸出的映射關(guān)系，并用于在線檢測，從而進(jìn)行設(shè)備故障診斷；基于此，在研究內(nèi)容1的基礎(chǔ)上提出了數(shù)據(jù)挖掘與特征融合技術(shù)，通過實(shí)時更新故障知識庫（故障標(biāo)準(zhǔn)樣本集），建立基于時間序列變化的故障診斷模型，提出了一種基于時間序列模型的故障診斷和性能退化分析的算法，能夠?qū)夥O(shè)備進(jìn)行早期潛在故障的診斷與預(yù)警，使設(shè)備具有更高的安全性與可靠性。

圖2 數(shù)據(jù)驅(qū)動的診斷技術(shù)原理圖

圖3 模型診斷技術(shù)原理圖

5 深度學(xué)習(xí)的故障診斷模型

本研究的重要部分之一就是光伏設(shè)備故障診斷，通過獲得電廠的各種重要參數(shù)，采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和SVM等故障診斷模型對設(shè)備進(jìn)行有效的故障診斷，從而對故障設(shè)備進(jìn)行故障定位。在模式識別方面，深度學(xué)習(xí)通過對歷史數(shù)據(jù)中的輸入數(shù)據(jù)和對應(yīng)的故障數(shù)據(jù)進(jìn)行擬合，可以有效地對其進(jìn)行評估分類。通過將大數(shù)據(jù)與深度學(xué)習(xí)進(jìn)行融合，擺脫傳統(tǒng)意義上需要人工經(jīng)驗(yàn)以及大量數(shù)據(jù)的故障診斷方法，完成設(shè)備故障特征提取與健康狀況評估。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有多個隱藏層，通過發(fā)掘數(shù)據(jù)內(nèi)在特征，使其分類更加容易，提高分類的準(zhǔn)確性。其主要方法為受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）。每一層RBM包含一個可視層v和一個隱藏層h，結(jié)構(gòu)如圖4所示。

圖4 RBM結(jié)構(gòu)