基于紅外圖像的光伏組件熱斑智能檢測研究

楊琨

中國大唐集團科學技術研究總院有限公司華北電力試驗研究院 北京 100040

引言

針對大型光伏電站而言，光伏組件在運行一段時間后，因遮擋、積灰等原因會使其產(chǎn)生熱斑故障。這種故障不但影響發(fā)電性能，還會產(chǎn)生安全隱患，所以定期檢測熱斑故障是非常有必要的。目前，在進行組件紅外檢測時，通常是由工作人員高舉紅外掃描儀或利用升降車去檢測和排查組件熱斑，時間成本和人工成本比較高，而且安全性較低。所以，如果能夠合理地應用無人機技術進行巡檢，會更加便捷和安全，并且獲得的數(shù)據(jù)也更加清晰和準確，從而有效提升光伏組件熱斑檢測效率。

1 熱斑形成的原因和影響

1.1 熱斑形成的原因

光伏組件在發(fā)生熱斑故障后，其使用壽命會受到影響，而且發(fā)電性能會逐漸降低。形成熱斑的原因主要有兩種：首先，在生產(chǎn)光伏組件時，因工藝問題，組件內(nèi)不同的電池片之間會產(chǎn)生細微的差距，組件長時間被陽光照射后會有輸出功率不均勻現(xiàn)象產(chǎn)生；其次，光伏組件在投運后，長期暴露在環(huán)境中，其表面會附著灰塵或者其他雜質(zhì)，這些被異物遮擋部分的電池片產(chǎn)生的電流會小于其他電池片。所以，當組件內(nèi)部電池片的工作特性存在差異時，就會存在“木桶效應”，發(fā)電最少的電池片會消耗其他電池片的能量，導致光伏組件局部發(fā)熱。這種現(xiàn)象長期存在就會使組件產(chǎn)生熱斑[1]。

1.2 熱斑故障的影響

光伏組件產(chǎn)生熱斑后，會縮減其使用壽命。同時，由于熱斑的存在，還會降低組件的光電轉(zhuǎn)換效率，減少發(fā)電量，使光伏電站受到經(jīng)濟損失。并且，光伏組件存在熱斑的區(qū)域，其溫度會隨著光照強度的增強而增大，長期運行會導致組件絕緣性能下降，如不能及時發(fā)現(xiàn)并排除故障組件，甚至會引起火災。

2 無人機紅外檢測的應用優(yōu)勢

大型光伏電站對建設場地面積有很高的要求，所以通常會選擇草原、山地、荒漠等區(qū)域，所需的設備種類與數(shù)量也較大。假如光伏電站選擇傳統(tǒng)的運維模式就會造成資源浪費，安全性也難以得到保障。此時如果能夠運用無人機技術，工作人員可以搭載紅外圖像吊艙，然后選擇熱斑定位，通過不同的角度去拍攝與巡查光伏組件，保證拍攝光伏組件熱斑的效果。利用無人機紅外技術進行巡檢時，有效降低運維人員工作強度，并提高巡檢質(zhì)量和故障定位準確度，還可以節(jié)省成本，充分體現(xiàn)出快捷性與高效性。在無人機紅外技術的支持下，熱斑檢測將變得更加完善，且不會干擾最初的溫度，有很強的靈活性，還能避免受到其他障礙物的影響[2]。

3 無人機紅外熱斑檢測在光伏電站中的應用

3.1 無人機紅外熱斑檢測的流程和系統(tǒng)構成

在利用無人機紅外技術檢測熱班時，主要分為5個流程，分別是飛行拍攝、規(guī)劃路徑、監(jiān)測熱班、分析圖像、標記異常區(qū)域。結(jié)合相關研究，固定翼無人機的續(xù)航時間比較長，缺點是不能懸停。以無人直升機為例，總體性能比較良好，所需成本很高，而且不易于操作。再以多旋翼無人機為例，所需成本很低，可以懸停，操作難度小，所以工作人員在挑選無人機時，可結(jié)合光伏電站實情進行合理的分析[3]。

本研究采用DJI大疆公司的M300RTK中國版作為飛行平臺，搭載禪思ZENMUSEH20T云臺相機進行巡檢和數(shù)據(jù)集采樣工作，該系列飛行平臺飛行性能出眾、產(chǎn)品度高、集成度好，云臺相機同時搭載可見光變焦相機、可見光全域相機及熱紅外相機，此搭配非常適合無人機紅外熱斑巡檢工作。

3.2 無人機紅外熱斑檢測原理

光伏板通過吸收太陽光照輻射加以轉(zhuǎn)化形成電能，然而當光伏板部分發(fā)生故障后，無法將輻射熱能轉(zhuǎn)化為電能，因此故障點溫度將升高，無人機搭載的紅外相機將接收觀測區(qū)熱輻射信息，并形成熱圖像。通過熱圖像能夠獲得很多信息，比如被測物體的溫度，且溫度值是不唯一的，需要用不同顏色標記出來。結(jié)合電池片而言，溫度是比較均勻的，被紅外熱像儀捕捉紅外能量后所生成的熱象圖同樣具有均勻的色彩，如果組建矩陣部分電池片溫度過高，生成的攝像頭色彩分布具有很大的差異性，從而能夠判斷電池片存在某些問題。

3.3 在大型光伏電站中的作用效果

為完成本研究，并確保研究過程的通適性，課題組先后前往我集團托克托光伏電站等13個光伏電站進行光伏組件無人機紅外熱斑數(shù)據(jù)集采集工作，其中包含京津冀能源開發(fā)有限公司贊皇南清河光伏電站、河北發(fā)電發(fā)電有限公司王快電站、阿拉善經(jīng)濟開發(fā)區(qū)光伏發(fā)電有限公司蘭山光伏電站等丘陵山地光伏電站3個，灌云光伏發(fā)電有限公司、卓資新能源有限責任公司及托克托電站等平原電站3個，淮安、沭陽、泗陽、泗洪、連云港、大豐光伏發(fā)電有限公司等分布式電站6個及大唐巖灘光伏等水面光伏電站。

研究共采集有效光伏組件熱紅外圖像4800余張，可見光變焦細節(jié)圖像5200余張，可見光全域圖像4900余張，為后續(xù)故障智能檢測研究及驗證提供充足的數(shù)據(jù)基礎。

4 熱斑智能檢測AI技術開發(fā)

熱斑智能檢測通過圖像識別技術開發(fā)和實現(xiàn)，總體技術路線如下圖所示：

圖1 熱斑智能檢測技術路線

4.1 標注方案

由于光伏板上熱斑位置和形狀的不同，無法在前期直接進行標定方案的確定，因此在標定過程中設計了多項標注方案，具體如下：

方案一：將所有紅外圖像進行統(tǒng)一標注，包括分布式和集中式，高高度拍攝和低高度拍攝，共約4800張有效圖片。除異物遮擋按實際遮擋面積標注，剩余四種故障均按電池板大小標注（加入故障周圍的相關特征）。

方案二：將紅外圖像按飛行高度分為高高度和低高度兩種分別進行標注（但不區(qū)分電站類型），同方案一，除異物遮擋按實際遮擋面積標注，剩余4種故障均按電池板大小標注。

方案三：將紅外圖像按飛行高度分為高高度和低高度，按電站類型分為集中式和分布式，總計分為4大類分別進行標注工作。把檢測重點放在集中式低高度紅外圖像的故障檢測，主要包括烏海站、贊皇站、王快站、托克托站4個電站2400張左右紅外圖像。同方案一二，除異物遮擋按實際遮擋面積標注，剩余四種故障均按電池板大小標注。

方案四：針對集中式低高度紅外圖像，改變標注方式：

①熱斑和異物遮擋均按實際故障大小進行標注。②將異物遮擋分為兩類進行標注，一類為occlusion，標注光伏板上的鳥糞類異物，再加入一類plant，標注遮擋住光伏板的植物。

4.2 算法選擇

基于候選框的目標檢測算法在目標檢測領域取得了一定的成果，例如R-CNN、FastR-CNN、FastR-CNN、FasterR-CNN。Yolo算法的獨特之處在于采用針對目標檢測算法的CNN進行特征提取，之后用全連接層對目標進行分類、位置的確定。

本項目采用了的Yolo系列最新的ToloV5目標檢測算法。Yolov5按照網(wǎng)絡深度大小和特征圖寬度大小分為Yolov5s、Yolov5m、Yolov5l、Yolov5，本文采用了yolov5s作為使用模型。Yolov5的結(jié)構分為input，核心層，Neck，預測層。在輸入端使用了Mosaic的數(shù)據(jù)增強方式，隨機調(diào)用4張圖片，隨機大小和分布，進行堆疊，豐富了數(shù)據(jù)，增加了很多小目標，提升小物體的識別能力?？梢酝瑫r計算4張圖片，相當于增加了Minibatch大小，減少了GPU內(nèi)存的消耗Yolov5首先也可以通過聚類設定anchor大小，然后還可以在訓練過程中，在每次訓練時，計算不同訓練集中的ahchor值。然后在預測時使用了自適應圖片大小的縮放模式，通過減少黑邊，提高了預測速度。在核心層上的主要是采用了Focus結(jié)構，CSPnet結(jié)構。在Neck上采用了FPN結(jié)構和PAN結(jié)構。在損失函數(shù)則使用了GIOU_Loss。

4.3 算法實現(xiàn)

4.3.1 訓練準備。將標注好的數(shù)據(jù)集按5：1比例劃分為訓練集和測試集，送入YoloV5網(wǎng)絡進行訓練，訓練權重文件選用yolov5s.pt，batchsize設置為8，epoch設置為300進行迭代訓練。

4.3.2 訓練結(jié)果分析。該算法對于光伏板故障檢測直觀效果良好，特點較為明顯的故障均可以檢測出來。訓練檢測結(jié)果，可以看到，在測試集中，檢測出來了四種故障類型，標簽上數(shù)字的意義為該算法認為是所框部分屬于該類故障的可能性。因為碎裂的故障較少，導致標注的標簽文件較少，給訓練造成了困難。

數(shù)據(jù)集：對數(shù)據(jù)進行進一步的篩選，盡量選擇同一高度相近時間拍攝的紅外圖像，必要的時候?qū)D像進行剪裁，僅保留光伏板部分，去掉可能會對算法造成干擾的背景。但是進一步篩選數(shù)據(jù)集可能造成數(shù)據(jù)集數(shù)量和標簽個數(shù)進一步減少，對于網(wǎng)絡訓練的精確度和泛化能力均有一定的影響。較為理想的情況是希望可以提供更多的高質(zhì)量數(shù)據(jù)進行訓練，數(shù)據(jù)集對最終結(jié)果的影響遠大于網(wǎng)絡參數(shù)的微調(diào)。

網(wǎng)絡：當結(jié)果不理想時，主要通過調(diào)節(jié)網(wǎng)絡參數(shù)來進行優(yōu)化。

Epochs（訓練輪數(shù)），默認300個，出現(xiàn)過擬合則減小該直，反之亦然。當本身訓練精度較低時，還未過擬合，可以先嘗試增加Epochs值，即增大訓練次數(shù)。

Imagesize，默認使用的是640分辨率，由于數(shù)據(jù)集中有大量的小目標，增加分辨率（如1280），有利于訓練結(jié)果。如果結(jié)果仍不理想，可以嘗試使用原始像素或者更高像素，更有利于訓練。

Batchsize，使用硬件允許的最大值，需避免值過小產(chǎn)生糟糕的統(tǒng)計結(jié)果

Hyperparameters，默認的超參數(shù)在hyp.scratch.yaml文件中，一般情況下，增加augmentation參數(shù)可降低和推遲過擬合，以便于更長的訓練獲得更高的mAP值。減小類似[‘obj’]等損失增益的值也可降低過擬合。

5 應用注意事項

在選擇紅外設備時，應以高熱敏感度為佳，避免在拍攝時受到陽光反射的影響，而且要保證鏡頭面軸線和拍攝對象處于垂直狀態(tài)，并對準焦距。工作人員還要全面設置溫感，可以設置為自動模式，以便全方面地測量出溫度的范圍，然后調(diào)整為手動模式，以便精確地設計水平和跨度，使得溫度范圍保持合理狀態(tài)。最后，無人機搭載成像系統(tǒng)，這時需要保證電池電量的充足，延長續(xù)航時間。

6 結(jié)束語

熱斑故障是光伏電站非常容易發(fā)生的現(xiàn)象，受此影響，會減少光伏電站的發(fā)展總量，光伏電站的穩(wěn)定性與安全性也將無法得到保障。隨著無人機紅外熱斑檢測技術的日益成熟，在光伏電站獲得了廣泛的應用，不僅提高了檢測結(jié)果的精準度，而且還節(jié)省了檢測成本，所以大型光伏電站中應不斷強化并應用無人機紅外熱斑檢測技術。