《Journal of Sensor and Actuator Networks》：An Integrated Framework for Anomaly Detection in Photovoltaic Systems Using UAV Multi-Sensor Data and SCADA Telemetry
编辑推荐：
本研究提出了一种结合无人机（UAV）辐射热成像与红绿蓝（RGB）影像、监控与数据采集（SCADA）遥测、气象测量、太阳阴影建模、自动化缺陷检测及地面验证的光伏（PV）异常诊断集成框架。该方法在一座由81个组件组成、容量为26.73 kWp的屋顶光伏装置上进行了
本研究提出了一种结合无人机（UAV）辐射热成像与红绿蓝（RGB）影像、监控与数据采集（SCADA）遥测、气象测量、太阳阴影建模、自动化缺陷检测及地面验证的光伏（PV）异常诊断集成框架。该方法在一座由81个组件组成、容量为26.73 kWp的屋顶光伏装置上进行了评估，使用了77个发电日和3543个有效的30分钟观测数据。无人机热成像识别出一条开路组串和由阴影引起的热点，其中热点峰值温度达到109.9 °C，与周围组件表面的温差超过60 °C。辐射分析显示，开路组串的温度均匀升高达5.3 K。为将维护效果与气象变异性分离，研究人员根据辐照度、环境温度、相对湿度和风速匹配了376个干预前后的时间区间。分析结果显示平均功率增加了0.518 kW（95%置信区间：0.321–0.714 kW），相对于匹配后的干预前平均值增加了28.3%。在所考虑的四种异常类别中，有两种出现在该装置上（一条开路组串和14个阴影诱导的热点区域）。在此单一装置案例研究的范围内，该框架实现了热异常检测、根本原因判别以及光伏性能变化的定量评估，为状态维修和运行决策提供了支持。
基于无人机多源数据与SCADA遥测的光伏系统异常检测集成框架——论文解读
一、研究背景与问题
太阳能光伏（PV）技术已成为全球增长最快的发电技术之一，截至2024年全球装机容量已超过2.2 TWp。随着光伏电站规模扩大和运行年限延长（通常超过25年），如何确保其长期运行可靠性成为重要技术经济目标。研究表明，光伏组件中位退化率约为每年0.94%，典型退化机制包括分层、腐蚀、焊点疲劳、微裂纹、热点形成以及电势诱导衰减（PID），这些会导致功率损失、加速老化甚至安全隐患。
然而，传统的地面巡检方式劳动密集、成本高昂，难以应对包含数十万组件的大型电站。逆变器和监控测量虽可指示系统性能下降，却无法精确定位故障的物理位置和根源。红外热成像技术虽然被广泛用于光伏组件检测，但大多数基于无人机（UAV）的研究仍主要集中于自动检测、分类和定位热异常，很少将这些观测结果直接与电站电气行为相关联，也缺乏对永久性退化与暂时性环境影响的区分能力。因此，亟需一种能够整合航空热成像、SCADA运行数据、气象观测和电气验证的综合诊断框架，以实现从异常检测到根本原因确认再到电性能量化的完整诊断链条。
二、研究内容与主要结论
针对上述问题，研究人员提出了一种集成框架，将无人机辐射热成像与RGB影像、SCADA遥测、现场气象观测、基于数字表面模型（DSM）的太阳阴影建模、自动化缺陷检测以及地面电气验证相结合。该框架在罗马尼亚布加勒斯特理工大学（UNSTPB）主校区的一座26.73 kWp屋顶光伏装置上进行了案例评估，涵盖77个发电日和3543个有效观测数据。
研究得出以下关键结论：无人机热成像成功识别出一条开路组串和14个由植被阴影引起的热点区域，其中热点峰值温度高达109.9 °C，与周围组件表面温差超过60 °C；辐射分析显示开路组串温度均匀升高达5.3 K。通过天气匹配的配对分析（匹配辐照度、环境温度、相对湿度和风速），研究发现维护后平均功率增加0.518 kW（95%置信区间：0.321–0.714 kW），相当于干预前均值的28.3%。该框架的重要意义在于实现了从航空异常检测到经确认的根本原因和实测电性能后果的完整诊断流程，为状态维修和运行决策提供了客观证据。
三、关键技术方法概述
研究人员采用了以下几项关键技术方法：（1）基于DJI Mavic 3T无人机的辐射热红外成像与高分辨率RGB影像同步采集，飞行高度22.7米，热像地面采样距离3.0 cm/像素；（2）利用开源软件OpenDroneMap进行摄影测量处理，生成正射影像镶嵌图和密集点云，进而导出数字表面模型（DSM）；（3）基于GRASS GIS中的r.sun太阳辐射模型进行阴影模拟，在每个热像获取时刻计算直接辐射为零的阴影掩膜；（4）采用YOLO架构的深度学习检测器作为筛查阶段，并结合逐组件辐射中值比较（独立于检测器）进行候选异常筛选；（5）基于SCADA系统的连续电参数监测，包括交流功率输出、电压、电流和能量产量数据；（6）天气匹配的配对分析方法，在标准化空间中匹配干预前后各30分钟时段，以量化维护效果。
四、研究结果详解
4.1 监测期与天气特征
PV 1阵列分为两个独立计量区域：MAC03（18个组件，5.94 kWp）和MAC04（63个组件，20.79 kWp）。联合电气-气象数据集覆盖2026年3月29日至6月18日（82个日历日），其中77个为发电日。经过合理性筛选后保留了3543个有效30分钟时段（占名义时段的90.0%）。气象条件表现为典型的南罗马尼亚晚春过渡期特征，日均水平总日射量范围为0.68至7.25 kWh/m2，环境温度介于2.4 °C至33.2 °C之间。基于晴空指数将发电日分为四类：晴朗日40天（54.1%）、多变日24天（32.4%）、阴天4天（5.4%）和雨天6天（8.1%）。
4.2 无人机调查产品与热异常检测
自动化缺陷检测管线输出的热正射影像镶嵌图叠加了检测注释：绿色框标注开路组串，红色框标注热点区域。模块级分割和辐射验证阶段显示，开路组串的所有组件中值温度均匀升高至约52–54 °C，相对于帧中值（49.0 °C）的正偏差达+5.3 K，这是开路缺陷的特征性辐射信号。热点检测阶段采用YOLO风格的单阶段目标检测模型，成功定位了沿阵列边缘植被阴影区域的电池级热异常，检测置信度在94%至98%之间。在该装置上，自动化管线识别出的开路组串和14个热点区域均与人工航拍和地面调查结果一致，未发现漏检情况。
4.3 干预措施
2026年4月29日进行了纠正性维护干预，包括清除阵列周边植被以及尝试恢复开路组串的电连续性。然而，开路缺陷未能在此次干预中解决，因为在重新连接时母线电源插头的保护装置跳闸，中断了电路。这表明故障可能不仅仅是松动或退化连接所致，而是源于潜在的电气异常，如绝缘故障、组串内短路或保护元件缺陷，需要进一步诊断。
4.4 根本原因归因
4.4.1 开路故障
诊断调查遵循渐进式故障定位方法。首先通过航空热像检测到受影响组串呈现温度均匀升高的特征信号，随后进行地面目视检查未发现机械损伤或连接器退化。在汇流箱处进行的组串级电气测量显示，可疑组串的开路电压正常但负载下无电流，证实了模块下游存在断点。最终通过手持红外热像仪沿直流（DC）路径进行检测，发现一个断路器在母线连接处处于断开状态，被确定为开路缺陷的起源。采用国家可再生能源实验室（NREL）开发的PVWatts计算器进行的性能模拟表明，受影响的16个组件组成的开路组串每年损失的能量产量约为6088 kWh。
4.4.2 阴影诱导热点
所有14个检测到的热点区域均被归因于植被阴影，而非固有组件缺陷。这一判断基于r.sun阴影模拟与RGB影像的一致性验证：阴影模拟显示在这些模块的获取时刻存在铸影，共配准的RGB图像也显示了相应的阴影。地面热成像确认了这些热点的存在，从而确定植被清理而非组件更换是适当的纠正措施。
4.4.3 SCADA数据的天气匹配配对分析
为量化干预效果，研究人员在标准化空间中对干预前后各30分钟时段进行匹配，匹配变量包括辐照度、环境温度、相对湿度和风速。共获得376个匹配对，治疗区域（MAC03）的平均功率增加为0.518 kW（95%置信区间：0.321–0.714 kW），相当于干预前均值的28.3%。相比之下，对照区域（MAC04）未表现出可比增益，证实了功率提升源于针对MAC03区域的维护行动。
4.4.4 其他异常类别筛查
在所考虑的四类异常（热点、旁路子串、PID和开路故障）中，只有热点和开路故障出现在该装置上。旁路子串和PID未被观察到。
五、讨论与结论
讨论部分要点
研究人员指出该框架存在若干局限性：（1）这是一项单装置案例研究，结果的泛化性有待验证；（2）检测精度、召回率等统计指标无法从单个81组件装置中可靠估计；（3）气象站采用光电二极管传感器而非标准日射强度计，辐照度测量精度有限；（4）深度学习检测器的训练数据来自不同装置，可能存在领域迁移问题；（5）阴影建模依赖于DSM精度，复杂遮挡场景下可能不准确；（6）SCADA分析依赖于区域级计量，无法分辨同一区域内多个缺陷的个体贡献。
研究结论
本研究提出并验证了一个将无人机辐射热成像与RGB影像、SCADA遥测、气象测量、阴影建模、自动化缺陷检测和地面电气验证相结合的集成光伏异常诊断框架。在26.73 kWp屋顶装置的案例研究中，该框架成功检测并定位了一条开路组串和14个阴影诱导热点，通过辐射分析、阴影模拟和地面测量确定了根本原因，并通过天气匹配的配对分析量化了维护效果（平均功率增加0.518 kW，28.3%）。该框架实现了从航空异常检测到经确认的根本原因和实测电性能后果的完整诊断链条，支持状态维修和运行决策。未来工作方向包括在多装置上进行验证、集成更精确的气象仪器、改进深度学习模型的跨站点泛化能力，以及开发自动化程度更高的端到端诊断流程。
