人工智能光伏巡检定位系统开发研究概述

柳玉宾，王 勇，孙思宇，王恒涛，纪宇飞

（1.华电电力科学研究院有限公司北京分院，北京100000；2.华电湖北发电有限公司新能源分公司，湖北 武汉430000）

1 光伏系统巡检概述

光伏产业在本世纪由于受到国家重点扶植，其产业规模迅速扩大，国家能源局的资料显示，从2018年开始至今，我国光伏装机容量扩大至44.2GW，达到了约174.6GW，居世界首位。2019年5月30日，国家能源局正式下发《2019年光伏发电项目建设工作方案》，光伏产业得到了国家政策的大力推广。同时，光伏产业作为扶贫的项目之一，将光伏产业融入乡村，能够发展分布式能源，加快农村现代化建设，为脱贫提供保障。与此同时，随着国家大力扶持集中式发电站，产业发展迅猛。随着光伏电站规模的增大，运行年限的增加，光伏组件挥发产生各种各样的问题，维护光伏电站的成本也随之增加。由于受到各种影响因素的制约，光伏组件中的电池受损越来越严重。另外，由于粉尘、光伏电站直流侧（组件、汇流箱、逆变器、直流电缆）产生的缺陷占总缺陷的90%以上，其中组件缺陷又占直流侧缺陷的73.5%，积雪、阴影遮挡光伏组件，对效率的转换产生很大的影响，形成热斑。

光伏电站维修主要有两种方法，第一个是对现场进行监控，第二个是进行人工巡检。随着互联网技术、遥感技术和通讯技术发展，光伏发电系统监控的主要工作逐渐被机器所替代，通过对数据的采集、传输和通信，完成对光伏发电设备的检修和控制，以此来实现远程监控。使用“MAPGIS地理信息系统”软件平台提供的外部数据库功能，建立“太阳能供电系统用户”信息数据库[1]，数据库中主要包含：姓名、地址、地理位置（经纬度和海拔高度）、电话、太阳能系统型号、电度表指示数、使用电器情况、日志（记载用户使用过程中发生的故障）等。通过对历史运行数据进行数据跟踪，能够反映用户和设备的使用情况，对后期的设备技术维护提供了技术支持[2]。

国内目前针对发电设备检修和维护的方法并没有实现自动化，因为没有融合大数据、人工智能、GPS等新兴技术在光伏设备运维方面的研究[3]，因此本研究具有很好的开创性和探索性，具有重要意义与工程应用价值。

2 智能光伏巡检定位理论与平台

通过获得光伏发电系统实时数据，对光伏设备海量监测信息进行相关性分析，能够实现对照度、环境温度、光伏板正板温度、光伏阵列输出电流、输出功率的相关性挖掘；同时，统计同一时刻光伏的输出功率，分析不同功率区间的概率，由于等效额定装机容量的组串在同等环境下的输出功率具有集中相似性这一特性，因此，提取光伏监测数据的主要能效指标，采用深度学习自编码的多特征模型进行诊断；获取光伏阵列红外图像，通过分析红外图像，能够对电池故障分类和检测。

与此同时建立管理域、设备域和量值域三段KKS编码的设备统一信息模型，将数字制图、数据库管理及空间融为一体，构成空间信息系统，融合设备状态与故障信息，对故障设备进行定位。研究包含编制计划、工期管控、检修进度跟踪的双代号网络图的关键路径法则，将检修项目与资源间使用深度学习进行匹配，在多设备故障条件下，基于故障精准定位信息，引入智能优化算法，以设备检修资源管控与检修路径规划为目的，建立光伏设备智能运维管控一体化模型。“云-端”容器为一体的数据层、服务层、应用层以及表示层的逻辑结构和组成，实现的平台具有故障预警、故障诊断、能耗分析、检修资源和路径优化等功能。

3 数据挖掘的步骤

数据挖掘的典型周期如图1所示，包括6个阶段：工程理解、数据理解、数据准备、建立模型、模型评价和模型安放。周期步骤并不固定，上一个阶段的结果影响下一步的计划。

图1 数据挖掘项目周期

（1）工程理解：对数据进行挖掘。在这个阶段清晰地定义工程需求，认清数据挖掘的目的是这一阶段的主要任务。

（2）数据理解：数据理解主要对数据进行收集，以此来收集系统感兴趣的子集。

（3）数据准备：数据准备阶段贯穿整个周期。数据准备的工作需要反复进行多次，没有任何顺序，是完全随机的。数据准备工作包含选择数据表、记录、属性以及转换和清除数据等。

（4）建立模型：需要选择和应用不同的建模技术，并将其参数调整到最优值。数据结构对建模技术具有一定的影响，因此经常需要返回到第一步对数据进行简单处理。该阶段主要建立的模型包括关联规则、分类与预测、数据聚类、异常检测等。

（5）模型评价：在进行模型检验之前，需要从头至尾地对模型进行评估，以此来确定模型是否适合目标工程。主要评估的问题是一些安全隐患。评估阶段最后应作出数据挖掘结果的使用决定。

（6）模型部署：根据具体工程具体需求，对模型进行可视化操作或生成文档报告等方法组织与呈现数据挖掘模型获得的知识。

4 数据挖掘主要方法

数据挖掘涉及多种学科领域和方法，不同的工程应用环境需要不同的方法和建模技术，主要包括以下几种方法。

4.1 统计分析方法：贝叶斯推理，回归分析

贝叶斯推理是修正数据集概率分布的基本工具，前提是需要知道数据状态。回归分析可以有效得到输入和输出映射关系，或者得到一个参数的走向，同时可以得到其他变量值的线性回归，也可以进行对数回归。

4.2 决策树：ID3、ID4和C4.5

直观是决策树的最佳优点，对高维数据分类这一问题应用广泛。缺点就是数据的输入数量越多，它的建模就越加的复杂，分类的种类也随之变得复杂。另外，该方法对缺失的数据处理存在缺陷。

4.3 人工智能方法：神经网络方法

通过模拟大脑的结构和神经元的工作机制建立一个模型，该模型称之为神经网络模型。MP模型和Hebb模型是神经网络的基本模型，在此基础上又发展出了前馈、反馈和自组织的模型，对数据类型进行准确预测是神经网络的主要优点。神经网络鲁棒性强、泛化能力强、能够并行处理数据和容错性高，由于具有大量的优点，神经网络成为了数据分类的有效工具。

4.4 粗集方法：粗糙集理论

上世纪80年代，Pawlak提出了粗糙集理论，它把知识进行论域的划分，该方法属于数据分析方法，认为知识是通过粒度构成的，利用相对核这一概念进行知识相关性分析和约简。

粗糙集理论可以在数据缺失的情况下，对数据进行很好的分类处理，能够获得其中的潜在规律，在当前数据挖掘中具有广泛的应用。

典型数据挖掘各阶段涉及到的方法如表1所示。

表1 数据挖掘各阶段主要涉及方法

基于大数据的光伏设备早期故障预警技术，构建基于模型和多源异构大数据驱动的光伏设备故障诊断方法，原理图如图2、图3所示。首先根据光伏设备建立动态模型，利用实际系统的输出数据和所建立模型的基准值来产生偏差（即残差），实现基于模型的光伏设备潜在故障早期预警；基于多源异构大数据驱动的技术常常需要用先验故障样本进行训练，揭示输入与输出的映射关系，并用于在线检测，从而进行设备故障诊断；基于此，在研究内容1的基础上提出了数据挖掘与特征融合技术，通过实时更新故障知识库（故障标准样本集），建立基于时间序列变化的故障诊断模型，提出了一种基于时间序列模型的故障诊断和性能退化分析的算法，能够对光伏设备进行早期潜在故障的诊断与预警，使设备具有更高的安全性与可靠性。

图2 数据驱动的诊断技术原理图

图3 模型诊断技术原理图

5 深度学习的故障诊断模型

本研究的重要部分之一就是光伏设备故障诊断，通过获得电厂的各种重要参数，采用深度学习神经网络和SVM等故障诊断模型对设备进行有效的故障诊断，从而对故障设备进行故障定位。在模式识别方面，深度学习通过对历史数据中的输入数据和对应的故障数据进行拟合，可以有效地对其进行评估分类。通过将大数据与深度学习进行融合，摆脱传统意义上需要人工经验以及大量数据的故障诊断方法，完成设备故障特征提取与健康状况评估。

深度学习神经网络具有多个隐藏层，通过发掘数据内在特征，使其分类更加容易，提高分类的准确性。其主要方法为受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）。每一层RBM包含一个可视层v和一个隐藏层h，结构如图4所示。

图4 RBM结构