基于图像识别技术的新能源场站巡检系统研究

胡继新,薛 辉

(石家庄东方热电热力工程有限公司,河北 石家庄 050031)

0 引言

随着国家新能源场站发电装机容量的增多,不断有光伏电站、风电场等发电组件临近质保期或质保期已过,造成巡检工作量增大,对巡检工作的质量要求增多。而新能源场站大多占地面积大、场址位置偏僻,伴随巡检困难、人工检测作业量大、定位难,得益于无人机技术、可穿戴技术、传感器技术、无线通信技术的飞速发展,当前多数新能源场站巡检正处于由传统人工巡检方式到智能巡检方式的过渡阶段。基于巡检技术的2个基本特征检测目标和定位目标,虽然传统人工巡检方式进行了智能化升级,但仍处于初级阶段,其获取的大量数据仍需人工判别分析,即用肉眼判别光学图像中的目标物体和位置描述。人工的大量介入影响和制约着巡检的效率。如何利用现代无人机技术搭载传感设备及图像数据采集设备进行智能化巡检,自动识别故障类型,为设备更新改造提供依据,成为当前亟待解决的问题。本文致力于减少人工介入,用成熟的无人机技术为数据获取提供载体,配合多种传感设备,提升新能源场站巡检的数据获取数量和效率,同时利用图像识别技术和特定目标识别算法提升目标定位效率和精确度[1]。

1 新能源场站巡检系统工作原理

按照新能源场站的全寿命周期,搭建基于图像识别技术的新能源场站巡检系统,使用无人机采集发电组件设备图像数据;利用人工智能识别系统进行数据分析处理,利用地理信息系统技术构建设备GIS系统,直观监测设备的运行状态以及健康水平,为运维人员提供发电设备的维护建议,提高光伏、风机的发电效率[2]。

基于图像识别技术的巡检系统以无人机为辅助载体,搭载红外光与可见光设备,对现场进行影像数据采集,将采集的影像数据与标准模型进行比对,分析判别故障类型及故障点位置信息,将结果数据生成巡检报告。同时结合现场实测发电质量,计算出故障组件对整个新能源场站发电效率的影响,为场站及时消缺提供技术服务和数据支撑[3]。

新能源场站巡检系统网络拓扑如图1。该系统以无人机巡检为主要手段,图像识别、地理信息系统以及数据可视化等技术为支撑,主要包括3个层面。

图1 新能源场站巡检系统网络拓扑

算法模型层,即通用算法和通用可视化建模算法层。将无人机巡检所获取的数据(照片、视频以及激光点云数据等)通过相应的自动检测和故障量化算法进行自动化处理,不同的输入数据采用不同的通用算法,最终达到数据与算法分离的目的。

数据层,即厂站基本信息的数字化管理。将算法处理后的数据按照运行管理需要进行分类,如数字化电站、巡检管理、资产管理、可视化电站等,实现以单个光伏板或者单个风机为单位的资产管理,及每个基本单元设备的历史故障情况查看等。

用户展示层,即利用Web前端技术实现基于浏览器的图形界面。在该层,用户可以在不同地点从多种视角查看无人机上传的数据,对所巡检电站的设备运行、资产运营等进行专业化可视化管理,同时可进行报告导出以及数据分析等操作。

2 新能源场站巡检系统关键技术分析

2.1 光伏热斑红外图像故障识别技术

光伏原件的故障使得光伏板局部发电效率降低,进而产生热量聚集,在热红外影像上主要表现为局部的高温异常。不同故障类型会造成影像中热斑的形状和温度有所不同[4]。为了能够对不同类型热斑进行自动区分,实现对热斑发电影响的定量分析与评价,本文所研究的关键技术之一就是利用深度学习技术对热红外影像中的热斑进行识别和分类,其识别方法如图2所示。

图2 热红外异常识别方法

本巡检系统将深度学习模型Faster R-CNN在热红外识别中的应用进行改进。相比于可见光影像,热红外影像缺少纹理信息而难以区分温度相似的地物。为克服该问题,在识别流程中引入基于语义图像风格网络,利用温度信息及形状信息对光板特征进行描述,实现光伏板与地面的分离,减少无关因素的干扰。

巡检系统对光伏场站进行多倾角成像地理信息数据采集,形成场站俯视高程图;通过WPM(仿地)系统,形成自动化图像数据采集路线。将可见光与红外成像设备采集的发电组件图像数据,批量导入系统,进行热红外异常识别,识别出热斑效应、遮挡、隐裂等缺陷点,并进一步区分出是属于二极管故障、一般热斑故障、严重热斑故障还是组件损坏等[5]。光伏组件热斑效应诊断结果见图3。

图3 光伏组件热斑检测结果

光伏巡检的光学和热红外数据同步获取,与GPS模块的实时同步以获取准确的POS信息。利用双光相机,2种相机同时固定安装在相机外壳中,在控制器中编写了相应的程序,触发拍照的同时记录GPS信息,同步时间差在10 ms以内。可见光相机为ILCE-QX1,拍摄分辨率为5 456×3 632,热红外相机为FLIR Tau系列镜头,成像分辨率为640×512。

通过对海量光伏组件热红外数据以及组件实际发电数据分析,提出故障量化算法,实现通过组件的热红外数据,对光伏组件的故障影响进行量化分析,为光伏故障的管理提供科学数据支撑[6]。

2.2 风机叶片表面可见图像特征差异识别技术

中国电力投资建设有限公司发布的风电产业精细化对标报告中显示,2021年度统计的13类风电机组故障,叶片故障14例,故障频次排名第6,故障占比1.38%,由此引起的电量损失排名第2,故障电量损失占比21.34%。

虽然风机叶片发生故障的概率不高,但是一旦发生故障,小缺陷处理需要约一周时间,大缺陷处理要将叶片返厂维修,时间更长,直接影响场站经济运行。采用图像识别技术,利用计算机对图像进行处理、分析和理解,通过比对图像中的不同特征,寻找差异点,并对差异特征进行识别,对数据库存在的损伤点匹配,进而识别各种不同模式的故障目标和标定故障点。识别过程主要包括图像预处理、图像分割、特征提取和判断匹配。风机叶片故障的发生是损耗累积的结果,为更好的判别叶片故障发生,识别判断采用故障量化算法,主要包括叶面覆冰损耗量化和叶片蒙皮裂纹损伤量化。

2.2.1 叶面覆冰损耗量化

2.2.1.1 风机可靠度及失效率

式中:T为风机正常运行时间。

风机发电量在风机正常运行时,与运行时间成正比。若风机叶片覆冰,则可用度降低约6.3%,发电时间少6.3%。

假设风机额定运行时间为2 400 h,正常机组可用度为91.8%,则正常发电时间为2 203.2 h。若风机叶片覆冰,可用度降为85.6%,则覆冰发电时间2 054.4 h。那么,正常与覆冰情况下发电时间相差148.8 h,发电量相差372 M W。

2.2.2 叶片蒙皮裂纹损伤量化分析

风机叶片是风电机组关键大部件之一,在全寿命周期中随时受到空气中不同介质的侵蚀,雷电、冰雹、雨雪、沙尘、撞击等会引发叶片产生裂纹、胶衣开裂、孔洞、划痕、腐蚀等缺陷。风机叶片缺陷初期虽不至于直接影响设备运行,但发展严重时可能导致叶片直接报废,届时将给发电企业带来较大经济损失。

目前,基于振动、声发射、超声波、红外热成像、X射线等多种技术的风机叶片健康检测方法很多,振动检测技术应用最广泛、最成熟。

将因故障变化了的应变能曲线与健康状态下的导纳曲线比较,判定结构是否损伤。为了准确分析,引入阻抗均方值(RMSD)作为损伤结构的健康指数

式中:Y1i和Y0i分别为叶片发生损伤前后的应变能;N为受损单元。

假设裂纹宽为2 mm(点b至点a),设点b坐标为(b,0),那么裂纹宽度Lba=b+2 mm。叶片裂纹损伤区域,见图4。

图4 叶片裂纹损伤区域

假设裂纹损伤深度为h,把[b,a]划分为无限多个小区间,则所有矩形面积之和的极限就是裂纹损伤的面积,即

2.3 基于Web GIS平台的发电设备及故障可视化技术

Web GIS以B/S架构的形式向用户展现传统GIS平台所特有的功能,这种架构具有灵活轻便以及免安装的特点。目前,Web GIS本身已经有比较成熟的解决方案,比如以Leaflet和Open-Layers为代表的开源程序库,但是要获取Web-GIS所需要的地理数据仍然是一个亟需解决的问题。对于新能源场站来说,获取每台发电设备的位置、尺寸等信息是该Web GIS可视化能否成功的关键。由于光伏板和风机数量庞大,无法直接进行手工重建,因此需要发展自动重建方法。本系统根据不同数据的特点,提出了光伏板与风机提取算法流程,见图5。

图5 光伏板风机提取算法流程

对于高清的无人机可见光照片,采用基于颜色空间转换和基于SV M的分类算法,其特点是能够得到准确的光伏板和风机信息,但是无人机往往只能覆盖较小面积;对于分辨率相对较粗的卫星影像,采用基于深度学习的光伏板、风机识别技术,充分利用其固定形状的性质特征,从遥感影像中提取大范围的光伏板和风机信息,为场站的可视化建模提供充足的数据源[7]。

3 结论

基于图像识别技术的新能源场站巡检系统以无人机为载体,搭载不同功能的数据采集设备,获取相应数据;采用有针对性的新能源发电组件图像识别诊断检测技术进行数据处理,实现集成无人机技术、实景地理信息技术及人工智能巡检系统的大数据一体化智能巡检系统,替代传统人工巡检作业模式。该系统充分发挥智能巡检的优势,满足新能源场站发电设备精细化、高效率检测及故障数据量化管理需要,切实保证发电设备长期经济安全运行,可以作为新能源场站日常技术监督的一种重要手段。