基于圖像識別技術的新能源場站巡檢系統研究

胡繼新,薛 輝

(石家莊東方熱電熱力工程有限公司,河北 石家莊 050031)

0 引言

隨著國家新能源場站發電裝機容量的增多,不斷有光伏電站、風電場等發電組件臨近質保期或質保期已過,造成巡檢工作量增大,對巡檢工作的質量要求增多。而新能源場站大多占地面積大、場址位置偏僻,伴隨巡檢困難、人工檢測作業量大、定位難,得益于無人機技術、可穿戴技術、傳感器技術、無線通信技術的飛速發展,當前多數新能源場站巡檢正處于由傳統人工巡檢方式到智能巡檢方式的過渡階段。基于巡檢技術的2個基本特征檢測目標和定位目標,雖然傳統人工巡檢方式進行了智能化升級,但仍處于初級階段,其獲取的大量數據仍需人工判別分析,即用肉眼判別光學圖像中的目標物體和位置描述。人工的大量介入影響和制約著巡檢的效率。如何利用現代無人機技術搭載傳感設備及圖像數據采集設備進行智能化巡檢,自動識別故障類型,為設備更新改造提供依據,成為當前亟待解決的問題。本文致力于減少人工介入,用成熟的無人機技術為數據獲取提供載體,配合多種傳感設備,提升新能源場站巡檢的數據獲取數量和效率,同時利用圖像識別技術和特定目標識別算法提升目標定位效率和精確度[1]。

1 新能源場站巡檢系統工作原理

按照新能源場站的全壽命周期,搭建基于圖像識別技術的新能源場站巡檢系統,使用無人機采集發電組件設備圖像數據;利用人工智能識別系統進行數據分析處理,利用地理信息系統技術構建設備GIS系統,直觀監測設備的運行狀態以及健康水平,為運維人員提供發電設備的維護建議,提高光伏、風機的發電效率[2]。

基于圖像識別技術的巡檢系統以無人機為輔助載體,搭載紅外光與可見光設備,對現場進行影像數據采集,將采集的影像數據與標準模型進行比對,分析判別故障類型及故障點位置信息,將結果數據生成巡檢報告。同時結合現場實測發電質量,計算出故障組件對整個新能源場站發電效率的影響,為場站及時消缺提供技術服務和數據支撐[3]。

新能源場站巡檢系統網絡拓撲如圖1。該系統以無人機巡檢為主要手段,圖像識別、地理信息系統以及數據可視化等技術為支撐,主要包括3個層面。

圖1 新能源場站巡檢系統網絡拓撲

算法模型層,即通用算法和通用可視化建模算法層。將無人機巡檢所獲取的數據(照片、視頻以及激光點云數據等)通過相應的自動檢測和故障量化算法進行自動化處理,不同的輸入數據采用不同的通用算法,最終達到數據與算法分離的目的。

數據層,即廠站基本信息的數字化管理。將算法處理后的數據按照運行管理需要進行分類,如數字化電站、巡檢管理、資產管理、可視化電站等,實現以單個光伏板或者單個風機為單位的資產管理,及每個基本單元設備的歷史故障情況查看等。

用戶展示層,即利用Web前端技術實現基于瀏覽器的圖形界面。在該層,用戶可以在不同地點從多種視角查看無人機上傳的數據,對所巡檢電站的設備運行、資產運營等進行專業化可視化管理,同時可進行報告導出以及數據分析等操作。

2 新能源場站巡檢系統關鍵技術分析

2.1 光伏熱斑紅外圖像故障識別技術

光伏原件的故障使得光伏板局部發電效率降低,進而產生熱量聚集,在熱紅外影像上主要表現為局部的高溫異常。不同故障類型會造成影像中熱斑的形狀和溫度有所不同[4]。為了能夠對不同類型熱斑進行自動區分,實現對熱斑發電影響的定量分析與評價,本文所研究的關鍵技術之一就是利用深度學習技術對熱紅外影像中的熱斑進行識別和分類,其識別方法如圖2所示。

圖2 熱紅外異常識別方法

本巡檢系統將深度學習模型Faster R-CNN在熱紅外識別中的應用進行改進。相比于可見光影像,熱紅外影像缺少紋理信息而難以區分溫度相似的地物。為克服該問題,在識別流程中引入基于語義圖像風格網絡,利用溫度信息及形狀信息對光板特征進行描述,實現光伏板與地面的分離,減少無關因素的干擾。

巡檢系統對光伏場站進行多傾角成像地理信息數據采集,形成場站俯視高程圖;通過WPM(仿地)系統,形成自動化圖像數據采集路線。將可見光與紅外成像設備采集的發電組件圖像數據,批量導入系統,進行熱紅外異常識別,識別出熱斑效應、遮擋、隱裂等缺陷點,并進一步區分出是屬于二極管故障、一般熱斑故障、嚴重熱斑故障還是組件損壞等[5]。光伏組件熱斑效應診斷結果見圖3。

圖3 光伏組件熱斑檢測結果

光伏巡檢的光學和熱紅外數據同步獲取,與GPS模塊的實時同步以獲取準確的POS信息。利用雙光相機,2種相機同時固定安裝在相機外殼中,在控制器中編寫了相應的程序,觸發拍照的同時記錄GPS信息,同步時間差在10 ms以內?？梢姽庀鄼C為ILCE-QX1,拍攝分辨率為5 456×3 632,熱紅外相機為FLIR Tau系列鏡頭,成像分辨率為640×512。

通過對海量光伏組件熱紅外數據以及組件實際發電數據分析,提出故障量化算法,實現通過組件的熱紅外數據,對光伏組件的故障影響進行量化分析,為光伏故障的管理提供科學數據支撐[6]。

2.2 風機葉片表面可見圖像特征差異識別技術

中國電力投資建設有限公司發布的風電產業精細化對標報告中顯示,2021年度統計的13類風電機組故障,葉片故障14例,故障頻次排名第6,故障占比1.38%,由此引起的電量損失排名第2,故障電量損失占比21.34%。

雖然風機葉片發生故障的概率不高,但是一旦發生故障,小缺陷處理需要約一周時間,大缺陷處理要將葉片返廠維修,時間更長,直接影響場站經濟運行。采用圖像識別技術,利用計算機對圖像進行處理、分析和理解,通過比對圖像中的不同特征,尋找差異點,并對差異特征進行識別,對數據庫存在的損傷點匹配,進而識別各種不同模式的故障目標和標定故障點。識別過程主要包括圖像預處理、圖像分割、特征提取和判斷匹配。風機葉片故障的發生是損耗累積的結果,為更好的判別葉片故障發生,識別判斷采用故障量化算法,主要包括葉面覆冰損耗量化和葉片蒙皮裂紋損傷量化。

2.2.1 葉面覆冰損耗量化

2.2.1.1 風機可靠度及失效率

式中:T為風機正常運行時間。

風機發電量在風機正常運行時,與運行時間成正比。若風機葉片覆冰,則可用度降低約6.3%,發電時間少6.3%。

假設風機額定運行時間為2 400 h,正常機組可用度為91.8%,則正常發電時間為2 203.2 h。若風機葉片覆冰,可用度降為85.6%,則覆冰發電時間2 054.4 h。那么,正常與覆冰情況下發電時間相差148.8 h,發電量相差372 M W。

2.2.2 葉片蒙皮裂紋損傷量化分析

風機葉片是風電機組關鍵大部件之一,在全壽命周期中隨時受到空氣中不同介質的侵蝕,雷電、冰雹、雨雪、沙塵、撞擊等會引發葉片產生裂紋、膠衣開裂、孔洞、劃痕、腐蝕等缺陷。風機葉片缺陷初期雖不至于直接影響設備運行,但發展嚴重時可能導致葉片直接報廢,屆時將給發電企業帶來較大經濟損失。

目前,基于振動、聲發射、超聲波、紅外熱成像、X射線等多種技術的風機葉片健康檢測方法很多,振動檢測技術應用最廣泛、最成熟。

將因故障變化了的應變能曲線與健康狀態下的導納曲線比較,判定結構是否損傷。為了準確分析,引入阻抗均方值(RMSD)作為損傷結構的健康指數

式中:Y1i和Y0i分別為葉片發生損傷前后的應變能;N為受損單元。

假設裂紋寬為2 mm(點b至點a),設點b坐標為(b,0),那么裂紋寬度Lba=b+2 mm。葉片裂紋損傷區域,見圖4。

圖4 葉片裂紋損傷區域

假設裂紋損傷深度為h,把[b,a]劃分為無限多個小區間,則所有矩形面積之和的極限就是裂紋損傷的面積,即

2.3 基于Web GIS平臺的發電設備及故障可視化技術

Web GIS以B/S架構的形式向用戶展現傳統GIS平臺所特有的功能,這種架構具有靈活輕便以及免安裝的特點。目前,Web GIS本身已經有比較成熟的解決方案,比如以Leaflet和Open-Layers為代表的開源程序庫,但是要獲取Web-GIS所需要的地理數據仍然是一個亟需解決的問題。對于新能源場站來說,獲取每臺發電設備的位置、尺寸等信息是該Web GIS可視化能否成功的關鍵。由于光伏板和風機數量龐大,無法直接進行手工重建,因此需要發展自動重建方法。本系統根據不同數據的特點,提出了光伏板與風機提取算法流程,見圖5。

圖5 光伏板風機提取算法流程

對于高清的無人機可見光照片,采用基于顏色空間轉換和基于SV M的分類算法,其特點是能夠得到準確的光伏板和風機信息,但是無人機往往只能覆蓋較小面積;對于分辨率相對較粗的衛星影像,采用基于深度學習的光伏板、風機識別技術,充分利用其固定形狀的性質特征,從遙感影像中提取大范圍的光伏板和風機信息,為場站的可視化建模提供充足的數據源[7]。

3 結論

基于圖像識別技術的新能源場站巡檢系統以無人機為載體,搭載不同功能的數據采集設備,獲取相應數據;采用有針對性的新能源發電組件圖像識別診斷檢測技術進行數據處理,實現集成無人機技術、實景地理信息技術及人工智能巡檢系統的大數據一體化智能巡檢系統,替代傳統人工巡檢作業模式。該系統充分發揮智能巡檢的優勢,滿足新能源場站發電設備精細化、高效率檢測及故障數據量化管理需要,切實保證發電設備長期經濟安全運行,可以作為新能源場站日常技術監督的一種重要手段。