基于电池级表面污染分布制图的层级双目标无人机屋顶光伏清洁路径优化

《Energy Conversion and Management-X》：Cell-Level surface contamination mapping guided hierarchical Bi-objective route optimization for UAV-based rooftop photovoltaic cleaning

　　

摘要专业翻译 有效的光伏（PV）维护需要协调性能、可靠性与运行成本相关的决策。表面污染降低光利用率，其累积与影响取决于灰尘特性和环境条件。清洁决策已超越固定维护间隔，但现有方法主要关注何时清洁以及如何组织清洁，而本研究聚焦于根据空间变化的污染严重程度确定各组件目标的访问顺序。 本研究提出一种两阶段无人机访问路径规划方法。在第一阶段，采用YOLOv8n组件检测与ConvNeXt-V2电池分类，为多层级可视化与自下而上的权重聚合提供输入。在第二阶段，联合最小化总飞行距离与加权延迟距离（WLD），其中WLD定义为组件权重与其累积到达距离乘积之和。所提出的H-NSGA2-S算法通过固定出入口拼接与2-opt细化协调阵列排序与阵列内组件路径。 本研究贡献包括两方面：其一，将电池-组件-阵列权重聚合与距离-WLD清洁调度相集成，电池级污染严重程度贡献在组件目标筛选与访问顺序优化中得到保留；其二，在H-NSGA2-S中开发了权重引导的固定出入口拼接策略，通过词法顺序选择下一入口权重、当前出口权重与过渡距离来选取邻近阵列间连接。 研究在江苏省苏州市相城区平谦工业园分布式屋顶光伏电站进行验证，主实验区包含56个物理分离的光伏阵列、2240个组件和147840个电池。结果表明，与对比方法相比，飞行距离降低9.21%，加权延迟距离降低47.48%。该方法将电池级污染严重程度聚合与访问顺序优化及阵列间固定出入口协调相集成，为大规模屋顶光伏无人机清洁路径规划提供了有效方案。

论文解读文章

一、研究背景与问题提出

光伏组件表面污染是影响发电效率的重要因素。灰尘等污染物在组件表面的累积会降低光利用率，其影响程度取决于灰尘特性与周围环境条件。随着光伏装机规模的不断扩大，如何科学制定清洁维护策略成为光伏电站运营管理中的关键问题。传统的固定间隔清洁方式已难以满足精细化运维需求，研究者开始探索基于污染监测的按需清洁策略。

在清洁决策优化方面，已有研究将灰尘累积阈值与分时电价相结合优化清洁时间表，或将场地特异性污染损失、清洁成本与发电容量纳入分布式光伏清洁频率优化。然而，现有方法主要回答“何时清洁”和“如何组织清洁”的问题，对于“按照何种顺序访问各组件目标”这一空间路径规划问题尚未充分解决。

在污染信息获取方面，基于无人机可见光影像的污染评估技术已取得进展，可实现组件级甚至电池级的污染程度估计。实验证据表明，空间非均匀污染可导致超出均匀透射率假设所推断的电损失，这支持了保留空间污染信息的必要性。然而，如何将电池级污染严重程度信息有效转化为清洁路径规划的调度权重，仍是尚未充分解决的问题。

在路径优化方面，已有研究将污染定位与旅行商问题近似相结合以连接污染目标，或利用图像提取污染区域实现选择性清洁。但现有方法主要利用污染位置信息，未充分考虑污染严重程度对访问优先级的差异化影响。此外，大规模光伏电站的路径规划面临计算复杂性挑战，需要有效的分解策略。

基于上述研究缺口，本研究提出一种两阶段无人机访问路径规划方法，将电池级污染严重程度聚合与距离-加权延迟距离双目标优化相结合，并通过层级分解策略解决大规模优化问题。

二、研究内容与总体结论

研究人员开发了一套完整的无人机光伏清洁路径规划系统。该系统以无人机正射影像为唯一原始输入，通过组件检测、电池级污染分类、多层级热力图生成与自下而上权重聚合，将电池级污染信息转化为组件级和阵列级调度权重；随后通过层级双目标路径优化，在总飞行距离与加权延迟距离之间取得平衡，生成组件访问序列。

研究在江苏省苏州市相城区平谦工业园分布式屋顶光伏电站进行验证。主实验区包含56个物理分离的光伏阵列、2240个组件和147840个电池。结果表明，与对比方法相比，所提方法使飞行距离降低9.21%，加权延迟距离降低47.48%，验证了该方法在大规模屋顶光伏清洁路径规划中的有效性。

三、关键技术方法概述

研究人员采用了以下主要技术方法。其一，采用YOLOv8n作为组件检测器，在正射影像上实现光伏组件定位；其二，采用ConvNeXt-V2-Tiny作为电池级污染分类器，对每个组件的6×11电池拓扑进行污染严重程度分类；其三，构建了电池-组件-阵列三层级权重聚合机制，将电池级污染标签通过指数映射转换为清洁权重；其四，提出H-NSGA2-S层级多目标优化算法，将路径规划分解为阵列级排序与阵列内组件路径两个子问题，并通过固定出入口拼接与2-opt局部细化协调两个层级。

四、研究结果

4.1 组件检测与电池分类性能

在组件检测方面，研究人员对比了YOLOv8n、YOLOv10n、YOLOv12n和YOLOv26n四种检测器，在相同训练协议下评估其精度与推理速度。YOLOv8n在检测精度与计算效率之间取得较优平衡，被选为最终检测模型。在电池级污染分类方面，ConvNeXt-V2-Tiny模型在四分类任务上取得了较高准确率。数据集构建过程中，两名标注者的初始精确一致率为92.06%，二次加权Cohen's κ系数为0.9586，表明标注具有较高的一致性。

4.2 多层级污染表征与权重聚合

研究人员将电池级污染标签映射为固定颜色（清洁-绿色、轻度-黄色、中度-橙色、重度-红色），生成电池级热力图；通过多数投票聚合生成组件级和阵列级热力图，用于可视化解释。同时，电池级标签通过指数映射转换为清洁权重，自下而上聚合为组件级和阵列级权重矩阵，用于路径优化调度。这种设计确保了即使组件具有相同主导视觉等级，局部重污染贡献仍能在数值权重中得到保留。

4.3 层级双目标路径优化

研究人员将路径规划建模为开放路径双目标优化问题，同时最小化总飞行距离与加权延迟距离。H-NSGA2-S算法将问题分解为阵列级排序和阵列内组件路径优化两个子问题。阵列间连接通过权重引导的固定出入口拼接策略确定，按下一入口权重、当前出口权重和过渡距离的词法顺序选择。阵列内路径通过2-opt局部细化优化几何结构。实验结果表明，该方法在飞行距离和加权延迟距离两个目标上均优于对比方法。

五、讨论与结论

研究人员指出，本研究的主要创新在于将电池级污染严重程度聚合与距离-加权延迟距离优化及阵列间固定出入口协调相集成。与仅利用污染位置的现有方法相比，该方法通过显式构建调度权重，使污染更严重的组件获得更高的访问优先级。与仅考虑组件主导污染等级的聚合方式相比，自下而上的权重聚合保留了局部重污染贡献，即使组件具有相同的视觉主导等级。

研究结论表明，所提出的两阶段无人机访问路径规划方法能够有效利用电池级污染信息指导清洁路径优化，在大规模屋顶光伏场景中同时降低飞行距离和加权延迟距离，为光伏电站精细化清洁运维提供了可行的技术方案。