综述:基于无人机红外成像与先进图像分析技术的光伏电站运维综合评述

《Renewable Energy Focus》:Comprehensive overview of photovoltaic plants operations and maintenance using UAV-based IR imaging and advanced image analysis techniques

【字体: 大 中 小 】 时间:2026年02月11日 来源:Renewable Energy Focus 10.8

编辑推荐:

  随着光伏(PV)发电量的快速扩张以及大型地面电站的相应增长,传统的太阳能电站人工运维(O&M)实践将因其高昂的成本和复杂性而变得不切实际。这些电站的有效管理如今要求整合先进技术,以确保更高的效率、灵活性和安全性。本文综述了搭载热成像和红外(IR)摄像头的无人机

  
随着光伏(PV)发电量的快速扩张以及大型地面电站的相应增长,传统的太阳能电站人工运维(O&M)实践将因其高昂的成本和复杂性而变得不切实际。这些电站的有效管理如今要求整合先进技术,以确保更高的效率、灵活性和安全性。本文综述了搭载热成像和红外(IR)摄像头的无人机(UAV)与复杂数据分析算法的集成应用。单独来看,PV、UAV、机器学习和故障分析等领域均展现出显著的增长潜力。本研究探讨了它们的融合如何能够革新光伏行业的运维实践。通过利用搭载在UAV上的红外摄像头,遵循预设飞行路径,实现自动化图像识别和故障检测,可以大幅降低维护大型地面电站的复杂性和资源需求。我们的工作涵盖了这一跨学科领域的全面概述,特别关注UAV和红外硬件、先进算法以及常见缺陷的识别。此外,研究人员对现有文献进行了细致的分析,以阐明这一专业领域内尚未开发的潜力和协同效应。
**1. 引言**

为响应可再生能源的扩张,光伏(PV)安装量正呈指数级增长。虽然这些安装中有很大一部分在建筑物上进行,但另一部分相关数量的安装则是在大型光伏电站中进行的,其规模可达10兆瓦(MW)、100兆瓦甚至1000兆瓦。大型光伏电站与较小单元相比展现出更高的效率;然而,由于大型设施的检查可能具有挑战性,它们在运维(O&M)方面也带来了一些难题。此外,光伏电站的各个组件,例如太阳能模组及其他部件如接线盒、逆变器、线路等,可能会随时间推移出现缺陷,导致从性能下降(diminished performance)到安全危害(如火灾)等各种后果。这一事实要求安排定期的维护操作,以识别故障并实施维修和维护。对于最大规模的电站(兆瓦级),这些系统的运维行动在确保高效率和系统安全方面正面临越来越大的挑战。在大型光伏电站中手动并常规地执行这些任务变得不可行,因为这需要相当数量的人力、时间和资源。需要在密集监控、效率和成本之间取得复杂的平衡,这通常在项目发起方与运维团队之间的运维合同中会被深入讨论。在此背景下,先进技术,如热成像检查、远程监控系统和人工智能,对于管理和维护大型光伏电站至关重要。本文涉及通过使用无人机(UAV)获取红外(IR)图像来识别、定位和分类电站中缺陷模组的任务。模组中的缺陷在红外图像中会变得明显,因为这些缺陷导致更多能量耗散到周围环境并引起温度升高。事实上,正如Nguyen等人所述,UAV已经通过使用激光雷达(LIDAR)系统在光伏电站建设期间用于地形和地貌分析,这表明UAV的使用正在扩展到不同的用途。这些分析在规范性文件IEC TS 62446-3:2017中有详细规定,其中对检测到的故障进行了分类,并规定了进行光伏模组热成像检查必须满足的外部条件。

本文将这一全面的综述分为五个部分。首先,对文献调查进行概述,展示光伏电站热成像检查的多学科性和扩展性。下一节讨论了用于检查大型太阳能电站热缺陷的UAV和红外相机的硬件规格,以及自动化这些检查流程的必要性。随后,区分了算法使用的演变,然后讨论了热成像中发现的缺陷类型。在最后一节,提出了关于本综述工作的一些结论以及该主题的未来展望。

**2. 文献调查分析**

在2022年末至2023年初期间,研究团队在三个最常用的科学数据库(Web of Science、Scopus和Google Scholar)中进行了广泛的检索。虽然学术界认为这三个数据库在跨学科比较中同样可行,但正如Harzing和Alakangas所述,Web of Science和Scopus由于其数据库主要限于带有DOI的同行评审出版物,往往更受广大学者青睐。如表1所示,检索策略包括在这些平台上查找与综述主题相关的关键词研究。研究团队使用AND/OR运算符进行了布尔检索,不限出版年份。研究团队考虑了该特定领域产生的四个主要组别:A—光伏(Photovoltaic);B—无人机(UAV);C—机器学习(Machine learning);D—故障分析(Failure analysis)。在这些组别中,机器学习主题的出版物最多,所有数据库的发现数量远超其他术语。这一事实本身就是一个相关信息,因为这意味着就本研究而言,可能已经开发出优化的算法并用于其他领域,而没有必要完全为热成像分析用例开发算法。将所有发现组合起来,共得到与本研究主题相关的1023篇科学著作。请注意,由于Google Scholar的检索限制,该数据库中单个术语的结果仅指标题检索,除了最终组合#17,它基于文档内任意位置的检索。

图2展示了表1产生的两种不同数据处理场景。一方面,图2a)显示了Scopus检索的维恩图,表明虽然四个领域中的每一个都包含数十万篇出版物,但只有36篇文档在四个检索查询中每个至少出现一次。考虑可视化表示,四个领域中的每一个都代表了广泛的研究范围,再次表明机器学习主题是迄今为止最具代表性的。尽管如此,本文中这四个概念(即分析UAV拍摄的红外图像以改进光伏电站)的结合仍然相对狭窄。此外,将Google Scholar数据库的分析纳入以进一步理解,因为它检索了大量来源,图2b)显示了表1中所有数据库1023篇出版物的时间演变。很明显,虽然案例研究领域很小,但它正以扩展的速度增长,绝大多数文档是在过去4年内发表的。基于此文献调查分析,该领域似乎具有高度的多学科性,涵盖了四个主要主题,并且是一个快速扩展的领域。

使用表1中描述的数据库,所有1023个结果都被提取到Excel电子表格中。每篇文档的数据根据其标题、摘要、作者、出版日期、关键词、文档类型、科学期刊和参考文献进行组织。在识别出相关研究后,获取全文并应用资格标准。考虑了本文的主要主题,在阅读全文之前,制定了一些排除标准,排除了所有非原创文章。然后,使用软件过滤器自动移除重复文档,并检索了113篇全文以供进一步分析。在此步骤之后,应用了具有具体原因的另一个排除标准,最终共有30篇符合资格标准的文章被纳入综述。对这30篇文章的参考文献列表进行检查,又确定了6项额外研究,总计36项。基于全面阅读,识别出每篇文章的主要内容,并对全文进行评估,以供后续章节考虑。图3提供了本综述文章所采用方法的流程图。

**3. 光伏电站中的空中红外热成像**

光伏电站的热成像检查是确保电站效率和安全的基本方法。通过热成像分析进行电站监测,可以通过评估其热模式来实现光伏模组故障诊断。通常,健康模组的此类模式是均匀的,当检测到损失时,故障会明显影响该模式,因此可以在红外图像中表现为温度变化。此外,红外分析可以检测到尚未对模组电输出产生影响但短期内将导致严重故障或生产损失的情况。有缺陷的太阳能电池和组件在运行时表现出不同的红外辐射模式,从而能够利用红外成像对光伏故障模式进行彻底检查。可检测的故障类型有几种,包括裂纹、腐蚀、断串、遮挡、污垢和热点等,本文将在后面进一步讨论。虽然涉及熟练技术人员的手动红外分析在识别、定位和分类缺陷模组或故障方面可能非常有效,但这是一个非常耗时且昂贵的过程,尤其是在考虑大型光伏电站时。虽然可以使用固定摄像头,但为了更快、更准确地检查太阳能电站,配备热像仪的UAV已被用于检测光伏电站中的异常,主要识别可能表明电池和面板电气连接存在缺陷或故障的热问题。研究团队还应注意到,红外检查应始终与常规目视检查一起进行,因为两者的结合可以带来额外信息。例如,像鸟粪这样常见的问题可以通过目视检查轻松检测,而对于红外来说,它们可能看起来像其他类型的问题,正如Liao和Lu所述。要对光伏电站进行检查,需要一架同时配备热像仪和可见光相机的UAV。在接下来的段落中,将简要介绍UAV和热像仪需要具备的一些特性。

表2提供了不同研究之间的比较,突出了UAV的特性。展示了每项研究的主要技术规格,包括测试光伏电站的生产信息、所使用的UAV型号及相应的飞行续航时间、用于检查的热像仪以及这些相机能够采集的图像分辨率。目前市场上有多各种类型的UAV型号适用于光伏电站的空中检查,在表2列出的14项研究中,识别出超过12种不同的UAV平台和10种热像仪型号。在许多情况下,UAV可以根据待检查电站的规模(从千瓦到兆瓦)自动运行。安装在用于空中检查的无人机上的热像仪负责采集红外图像,因此它们必须具有通用的采集格式以包含相同的图像元数据。实际上,只有大约一半的研究确定了所用设备或与热成像检查相关的采集规格,并且所报告的UAV和相机型号之间存在相当大的差异。还值得注意的是,没有提供关于在此类检查期间使用相机自动操作无人机的信息。这可能是一个问题,因为使用不同类型的设备可能导致图像包含不同的元数据,尤其是在图像分辨率和GPS信息方面,这使得文献数据的解释和比较变得复杂。此外,研究团队根据对最终数据库中所有论文的分析注意到,不同的相机型号可能使用不同的调色板,从而为数据分析增加了额外的变量。这些发现已在其他研究领域由Alfredo Osornio-Rios等人观察到。根据表2,作者通常使用图像分辨率为640 x 512像素/英寸的相机。考虑到标准[4]特别推荐使用分辨率为320 x 240像素的红外相机,并配以单独的照相相机,文献中使用的红外相机已显示出完全适合光伏模组缺陷进一步分析的分辨率。尽管如此,由于使用不同的热像仪,一些研究仍然显示出不同的分辨率格式。使用不同工具进行标准化分析很困难,因为不同的设备需要不同的分析软件和不同的采集规格,因此,图像分析和结果可能因情况而异,使其难以比较。此外,如果没有关于通过红外成像无人机飞行自动执行监控任务的详细信息,则难以复制文献中报告的结果,这使得比较研究和适当分析数据变得困难。

多位作者报告了使用UAV和机器学习应用在光伏电站热成像检查中的好处,具体如下所述。Addabbo等人提到遥控飞机系统(RPAS)是解决光伏电站上精确面板定位和地理参考相关问题的一大进步。另一方面,Fernandéz等人的研究报告称,将UAV热检查与电气性能实时监控相结合,可能有助于识别故障并能够更快地采取纠正措施。在Niccolai等人的研究中,作者提出了一种基于传感器化UAV飞行的先进工具来执行光伏电站数字化,由两部分组成:数据库和用户交互工具。他们指出该系统是为运维和资产管理活动中的监控和控制行动而设计的。Liao K.等人使用无人机捕获热图像并检测光伏模组的不同类型故障,使用MATLAB?图像分析来评估光伏模组的健康状况。自动无人机飞行路径的使用也已成功用于检测和估计故障光伏模组的精确位置,如Henry C.等人的研究所报告。此外,UAV的使用作为结合人工智能过程的一部分至关重要,这允许系统进行实时诊断,能够预测故障并执行预防性和预测性维护。例如,Wang等人的研究描述了使用算法构建一个全自动在线监控框架,集成了图像处理和统计机器学习技术。然而,尽管使用UAV进行光伏电站检查具有所有这些优势,但在关键情况下,UAV技术的使用不能完全取代人工巡检。Zefri Y.等人强调,UAV进行的初步检测与之后可能在可疑模组附近进行更精确检查的人工干预之间需要互补性。Silvano Vergura等人提醒,无人机的使用受国际和国家法规的约束,因此,并不总是可能使用无人机,或者其使用基于地理区域和/或授权而受到限制。这不仅限于检查光伏电站,但可能影响任何类型的UAV活动。作者还指出,考虑到红外分析,当由UAV执行时,需要额外的要求,因为光伏模组和红外相机之间的相互位置关系。这影响了红外采集的有效性,这就是为什么该研究提出了一种系统化的合法有效的光伏电站红外检查程序,为UAV飞行参数提出了改进建议。虽然在本综述中,研究团队专注于除了使用UAV外还使用机器学习应用的论文,但文献中还有其他研究专注于UAV技术本身的发展,鼓励读者阅读Gallardo-Saavedra等人的广泛综述。总的来说,尽管UAV在快速广域覆盖方面具有明显优势,但其部署受到法规限制、电池续航限制以及由于非标准化相机输出导致的数据不一致性的阻碍。此外,大多数研究未能解决天气条件或角度变化如何影响红外图像质量的问题,这可能会损害缺陷检测的可靠性。

由于广泛使用UAV是降低大型太阳能电站运维成本、提高效率和安全性所必需的,因为它们消除了现场人工检查的需要,同时增加了能源生产,因此有必要审查所使用的几种UAV,并了解每种UAV的局限性和优势。选择最适合的UAV至关重要,其技术规格必须足以执行检查,这是衡量过程效率的关键因素。需要考虑的重要UAV参数包括:作用范围、最高高度水平、通信范围、有效载荷、是否具有预规划飞行路径的可能性、是否能够携带不同的热像仪、用户友好的控制软件和控制等。UAV操作员也必须经过适当培训,并遵守商业UAV操作既定标准。此外,关于UAV的使用还有一些挑战需要克服。其中包括在城市地区、公共区域或机场附近限制UAV飞行,因为存在通信干扰的风险,例如由于电缆造成的干扰。还需要制定具有足够续航能力的适当飞行计划,以覆盖整个光伏电站,并确保所获取数据的安全性和隐私性。理想情况下,UAV应具备一些边缘计算能力,正如其他领域正在研究的那样,例如Jeong等人的研究,以便能够评估采集的图像是否包含红外反射或其他需要轻微调整飞行的光学元件。这些边缘使能的UAV系统通常需要轻量级机载计算单元(例如NVIDIA Jetson或类似设备)、优化的深度学习模型以及能够进行实时处理的高效热成像流水线。此类系统的集成允许即时反馈,并可以减少飞行后数据分析的需要。关于硬件,UAV和红外相机的类型是一个至关重要的选择,其影响会严重影响所执行的分析。此外,UAV和相机技术都在快速发展,供应商经常推出新产品。

用于光伏电站检查的UAV受到国家和国际法规框架的约束,这会显著影响大规模或自主UAV需求的可行性、操作员许可和数据隐私法律。在欧盟,UAV受EASA(欧盟航空安全局)2019/947条例管辖,该条例统一了成员国的规则,但仍需对特定操作进行本地授权。在美国,联邦航空管理局(FAA)要求商业无人机操作员获得Part 107认证,并施加高度和空域限制。同时,在日本和澳大利亚等国家,UAV法规相对更灵活,但仍要求商业活动进行飞行计划注册和安全评估。这些法规差异不仅影响操作规划,也影响UAV检查在光伏电站维护中的可扩展性和经济可行性。

图4说明了热成像检查的一些基本特性。然而,使用带有固定红外相机的UAV并非没有问题:Vergura等人指出,UAV可能难以操作,每个特定地点都有其自己的法规,UAV操作员需要培训和专业知识,而且飞行获得的图像可能带有伪影,并可能与固定和/或手持拍摄的照片不同。此外,如果发生错误,UAV可能坠毁,对模组或其他财产造成损害,甚至与其他飞行器相撞,因此在黑客方面可能存在安全问题。总而言之,UAV和红外相机技术已达到商业使用具有竞争力的程度,然而,这两种工具都需要正确选择,尽管如此,仍有一些改进正在进行中,以及其他需要考虑的问题。

从经济角度看,基于UAV的热成像检查相比传统人工检查方法也可以提供明显的定性优势。虽然UAV硬件、热像仪和自动分析软件的初始投资可能相对较高,但由于检查时间缩短、人力减少和电站停机时间最小化,长期运营成本大幅降低。此外,UAV实现的早期故障检测可以防止性能损失和代价高昂的系统故障,从而通过延长设备寿命和更高的能源产量来提高整体投资回报。这些收益在识别细微缺陷方面尤其重要。随着UAV和图像处理技术的不断成熟,其经济可行性预计将进一步改善,使其从技术和财务角度来看都成为引人注目的替代方案。然而,文献中在很大程度上缺乏全面的定量成本效益分析。所报告的经济评估通常是针对特定地点的,由于工厂规模、地理位置、劳动力成本、监管限制和检查频率的差异,难以推广。此外,与UAV平台、红外传感器和数据处理基础设施相关的资本支出很少以标准化方式报告。因此,虽然UAV检查的经济潜力被广泛认可,但跨不同运营环境的投资回报率(ROI)客观基准测试目前有限。未来研究应侧重于开发标准化的经济评估框架,该框架考虑检查成本、避免的能源损失、缺陷严重性和长期资产退化。此类框架将使工厂运营商能够做出更明智的决策,并促进更广泛的工业采用。

**4. 计算方法**

改进热成像检查的需求导致了自动算法的探索,用于检测、定位和分类光伏模组中的缺陷。这些进展可以从简单的计算机视觉处理算法到更复杂的如大型深度学习神经网络。对文献的仔细检查在表4中提及,该表清楚地展示了所使用方法的多样性,以及可用于表征通过热分析检测光伏电站故障的计算模型的不同数据库、计算方法和指标评估。结果通常包括F1-score、IoU和准确率等指标,在受控数据集条件下报告的值超过90%的准确率,通常使用单个电站或采集活动内的图像级验证。

根据Rocha等人的研究,文献中已经提出了不同的方法,使用计算机视觉方法通过UAV的热成像检查来检测和分类光伏模组故障,主要是模组检测和热异常。在光伏模组检测方面,即识别图像中的模组,大多数研究人员依赖经典的计算机视觉算法,这些算法使用二进制阈值作为获得分割掩码的最常用方法。Vega Diaz等人还使用了一种替代方法,涉及轮廓提取,然后进行特征提取,再使用支持向量机进行分类。对于热异常,热点检测是引起最多科学兴趣的故障模式,因为它们代表了光伏电站中发现的最大个体故障。为了实现这一点,已经应用了基于阈值和掩码的分割技术,以及模板匹配和异常值识别,使用从每个模组提取的平均值和标准差等特征,并与相邻模组进行比较。在Fernández等人的研究中,首先使用自适应阈值技术获得二值图像。为了校正透视失真,使用轮廓来获得最佳变换矩阵。然后应用变换以获得面板的正交图像。然后通过正交化模组图像中的温度差异来检测缺陷。Carletti等人提出了一种基于模型的面板检测方法,利用光伏串的结构规律性和一种基于在光伏面板区域内快速有效查找局部最大值算法的新型局部热点检测技术。作者结合使用Canny、Hough变换和水填充算法,实现了0.74的召回率、0.80的精确率和0.77的F分数。Liao K.等人指出,3D图像识别技术可以增强热图像的清晰度,从而为维护人员提供更好的缺陷诊断能力。他们比较了均值、中值和盒式滤波技术之间的差异,并证明在辐照度为500 W/m2的情况下,通过盒式滤波改进的3D图像是检查太阳能模组健康状态的更方便、更准确的方法,优于均值和中间滤波方法。Addabbo等人使用模板匹配算法来检测面板范围和缺陷的存在。根据作者的说法,面板和缺陷检测的最佳结果出现在0.96和0.985的阈值处;高于这些值,F度量会降低。

机器学习算法也经常是一种选择,其中算法从一组数据示例中学习,然后能够在算法尚未见过的其他图像中输出有意义的结果。此类案例的一个例子是Kayci等人的研究,它集成了图像处理和统计机器学习技术,包括变换不变低秩纹理(TILT)方法和鲁棒主成分分析(RPCA)。虽然TILT技术用于正交化图像的透视,RPCA用于将稀疏损坏的异常分量与光伏图像中的低秩背景分离,以同时检测和隔离异常。在训练完成后进行的实验中,作者在电池故障检测和诊断方面达到了97%的准确率,模组故障检测和诊断达到95%的准确率,面板故障检测和诊断达到93%的准确率。然而,根据Zhang等人和Jeong等人的说法,抑制算法优化成本和新图像增加相关问题的需要,导致了深度学习技术的实施。因此,神经网络在计算机视觉任务中表现非常出色。这些算法的应用似乎非常有希望解决光伏电站航空红外图像中识别和分类缺陷模组的问题。此类算法可以分析的图像具有不同的亮度、不同的视角、阴影、对比度,模组具有不同的尺寸、略有不同的形状,甚至图像可能来自各种不同的相机。这个巨大的领域使得该问题成为深度学习神经网络算法,特别是CNN(卷积神经网络)的理想目标,因为这些网络利用学习的局部特征来获取图像中存在何种类型对象的信息。使用自定义CNN是很常见的,因为它们可以针对特定任务进行优化。Carletti等人提出了一种用于大型光伏电站缺陷智能检查的解决方案,涉及传统图像处理方法以消除噪声并裁剪图像,线段检测以提取模组,以及基于深度学习的CNN用于自动故障检测。在Nie等人的研究中,作者调查了数据增强技术对提高所提出的CNN对异常进行分类(最多十一个不同类别)性能的影响。此外,Herraiz等人合并了两个CNN来检测光伏面板中的故障。第一个网络用于识别面板,第二个网络用于检测缺陷并设置其位置。通过定义的数据库文献的发现还涉及一些应用最先进的深度学习神经网络并在其他数据集中已证明结果并已优化的论文,如Yolo、Faster RCNN、Mask R-CNN或U-Net。例如,Alves等人使用基于YOLOv3深度学习的卷积神经网络来检测光伏中的电池、模组和面板故障。Bommes小组提出了一种基于Mask R-CNN架构的系统,这是一种同时执行目标检测和实例分割的深度学习算法。该研究小组还比较了三种最先进的深度神经网络的性能,包括U-Net(一种专为精确图像分割而设计的卷积网络架构)、FPNet(特征金字塔网络)和LinkNet(一种针对实时语义分割优化的编码器-解码器网络)。

研究团队在本研究工作中意识到,可以找到相当多的研究只关注热点检测。虽然热点通常被认为是检查中存在的最常见的缺陷类型,但很难理解这是否是导致性能损失和安全问题的故障报告数量最多的缺陷。还存在一个事实,即热点可能是其他更关键问题的原因和/或后果。因此,即使大多数研究优化了其算法以进行热点检测,算法也应该能够解释大量缺陷,而不仅仅针对热点进行优化。Ramirez等人的研究以热点为主要目标,实现了两个人工神经网络的组合来检测光伏太阳能电池板中的故障区域。具体来说,该论文使用基于区域的卷积神经网络(R-CNN)算法,该算法由两个阶段组成:区域提议和分类。还使用了Faster R-CNN算法,该算法不应用选择性搜索,网络学习提议和预测区域。新区域在感兴趣区域(ROI)池化层中确定尺寸,获得分类器目标检测。因此,Faster R-CNN在更少的计算时间内显示出高精度,是适合具有大型数据集的在线处理的网络。另一个例子是Bommes等人的研究,他们提出了一种计算机视觉工具,用于检测、映射和分类航空红外视频中的光伏模组故障。他们训练了一个ResNet-50来分类十种常见的模组异常,测试准确率超过90%。在Jumaboev的研究中,作者使用不同的编码器架构实现了三种分割模型,DeepLabV3+、特征金字塔网络(FPN)和U-Net,用于检测大型太阳能电站的缺陷面板。模型表现出高效的性能,DeepLabV3+、FPN和U-Net的intersection over union(IoU)分别为79%、85%、86%,dice系数分别为87%、92%、94%。此外,Zhao等人的研究提出了一种用于光伏电站故障缺陷检测的尺度感知邻域相关特征网络(SNCF-Net)。该网络使用邻域相关特征模块(NCFM)来整合不同尺度的信息,并使用尺度感知注意力机制(SAM)来重新加权通道特征并调整不同尺度的监督信号。实验结果表明,SNCF-Net在光伏电站红外图像的热点缺陷分类和检测结果方面优于当前最先进的方法。

所有这些研究表明,人工智能技术在光伏资产故障检测背景下的应用已显示出非常广阔的前景,代表了该领域的重大进步,因为它允许开发与光伏模组和电池故障相关的识别和解决问题相关的广泛知识。它允许更准确和高效的诊断,促进有关必要运维行动的决策,从而有助于降低成本并增加光伏电站的使用寿命。然而,由于研究人员使用的不同方法和数据集,文献中应用了各种研究和技术,导致广泛的结果和指标,如表4所示。在每项研究中,缺陷检测算法根据不同的指标进行评估,这使得直接比较研究和推广结果变得困难。因此,该领域的未来研究必须建立标准化指标,以促进对获得的结果进行客观一致的比较,促进知识的进步以及开发使用人工智能检测光伏电站缺陷的更有效解决方案。此外,虽然传统的计算机视觉方法(例如阈值处理、模板匹配)由于其简单性和低计算成本而仍然流行,但它们在现实世界条件下经常难以应对图像变异性和复杂模式。诸如CNN之类的深度学习方法,虽然计算量更大,但往往优于经典方法,特别是在泛化到新数据集方面。然而,它们对大型标注数据集的依赖给广泛使用带来了障碍。

验证方法在评估应用于基于UAV的光伏电站红外检查的缺陷检测算法的可靠性和泛化能力方面也起着至关重要的作用。然而,文献揭示了验证策略的显著异质性,这使得研究之间的直接比较变得复杂。大多数工作依赖于图像级验证,其中模型在来自同一光伏电站或采集活动的随机分割数据集上进行训练和测试。虽然这种方法通常产生较高的报告性能指标,经常超过90%的准确率、F-1分数或IoU,但它不一定反映实际部署条件,在现实部署中,电站布局、相机硬件、环境条件和操作实践的变异性要高得多。模块级和电站级验证策略,虽然报告较少,但提供了更现实的性能评估。在这些方法中,整个模组、串甚至完整的电站被排除在训练集之外,并专门用于测试。采用此类协议的研究通常报告较低但更具代表性的性能指标,突出了避免数据泄漏和过度乐观估计的重要性。另一个关键限制在于普遍使用私有或专有数据集。虽然由于工业保密性可以理解,但这种做法限制了可重复性并阻止了独立基准测试。此外,用于训练、验证和测试的样本数量在研究之间差异很大,从几百到数万张图像不等,通常没有说明类别平衡或缺陷普遍性。因此,必须谨慎解读文献中报告的定量声明。高指标值通常是特定于数据集的,并在很大程度上取决于缺陷类型、类别不平衡和采集条件。特别是,热点检测往往比更细微或更不常见的缺陷(如微裂纹或早期退化)的分类获得更高的准确率。

研究团队还注意到,只有少数研究公开了所使用的数据集,而大多数使用不可访问的私有数据。这种使用限制与其他领域(如医学)形成鲜明对比,医学领域有更多用于算法比较的公共分类数据库。值得注意的是,虽然U-Net和Mask R-CNN等模型报告了强大的性能指标,但这些通常是在孤立或专有数据集上测试的,限制了可重复性和真实世界验证。跨公共数据集的比较基准测试仍然很少见。此外,用于训练、验证和测试所开发模型的图像数量及其分布存在显著差异。对于训练来说,多样化的图像集本身可能不是问题,但对于验证和测试来说,使用多样化的数据集则问题很大。虽然所使用的方法也不同,但最近有一些趋同于使用卷积神经网络作为获得更好结果的最有效方法。为了评估所开发的模型,使用了几个评估指标,这些指标根据所使用的计算方法和与文献中其他研究的比较而有所不同。

为了解决这些限制,未来的研究应采用标准化验证协议,包括跨电站评估、跨相机测试以及类别级性能指标的报告。应鼓励使用多个互补指标,如精确率、召回率、F1分数和IoU,而不是单一的分数报告。这些做法将显著提高报告结果的透明度、可比性和可信度。

**5. 故障类型与分类**

光伏缺陷是指光伏模组预期性能的任何偏差。热成像分析已成为检测和分析光伏模组故障的高效工具,正如Mellit等人和Pamungkas等人最近的研究所述。通过UAV进行的热成像检查可以通过检测面板特定组件和区域的红外发射,及早发现影响光伏电站性能和寿命的问题。通过热分析可以识别不同类型的缺陷,无论是在电池、模组、串甚至单个组件层面。图5展示了大型电站中最常见的缺陷,这些缺陷可能对电站产生不同的影响,既包括它们引起的功率损失,也包括更严重损坏的风险。Oliveira. A.等人对巴西四个不同公用事业规模的光伏电站进行了分析,并得出结论,在发生次数上,最常见的缺陷是断开的电池子串,其次是断开的串、热点缺陷和玻璃破碎的模组。然而,最长的停机时间是由断开的串引起的,导致最高的功率损失量。

事实上,有几项工作强调,尽管不同类型的缺陷可能对太阳能电站的性能产生重大影响,但热点一直是研究最广泛的故障模式。热点是温度升高的局部区域,通常是光伏系统故障的迹象。根据Akram等人的说法,根据光伏系统内热点的严重程度和分布,效率损失的程度和随后发电量的减少可能会有很大差异。文献中不同作者使用的多种热点检测技术已在上一节中讨论过。研究和技术的进步表明,使用热成像和智能算法进行早期热点检测的重要性日益增加,有助于提高光伏系统的整体性能和可靠性。尽管热点缺陷(图5a)在文献中最具代表性,但根据其热模式的形状和位置,可以识别其他缺陷,例如发热的模组接线盒(图5b)。接线盒负责将太阳能模组产生的电力连接到外部电路,通常位于模组背面、模组上方或下方,覆盖其表面积约1.5%。在正常运行期间,接线盒产生热能量,影响电池的表面温度。因此,接线盒区域的温度可能相对较高,在某些过热情况下可能导致损坏,并可能影响电站的性能(图5b)。Kirsten等人的研究表明,热点也可能导致其他缺陷的发生,例如开路子串(图5c和d)和开路模组(图5e)。此外,明显或部分比其他电池更热的单个电池可能指示遮蔽或污垢效应(图5f),以及裂纹或分层电池的存在(图5g)、短路子串(图5h)和短路模组(图5i)。后者通过可见的拼凑图案来识别,这通常表示串或模组已短路。

尽管越来越多地采用基于UAV的红外热成像进行光伏电站检查,但缺陷检测的可靠性受到文献中经常低估的几个混杂因素的强烈影响。这些因素如表5所示,会显著影响热特征,导致误报、漏报或缺陷严重性错误分类。

环境条件是变异的主要来源之一。太阳辐照度波动、风速和环境温度直接影响模组表面温度和散热机制。例如,高风条件可能人为降低热点的可见性,而瞬态云层覆盖可能诱导看似电气故障的非均匀热模式。观察几何形状是另一个关键因素。相机观察角度、高度和视野的变化会由于反射效应、发射率变化和透视失真而改变表观温度分布。这些影响在倾斜成像中尤为明显,并可能损害在近垂直观察几何形状上训练的传统基于阈值的方法和深度学习模型。污垢、部分遮蔽和生物污染(例如鸟粪)构成了额外的混杂因素。虽然在RGB图像中在视觉上可区分,但在仅分析红外时,这些效应可能产生类似于电气异常的热模式,这加强了多模式(IR+可见光)检查流程的必要性。传感器相关因素进一步增加了检测的不确定性。红外相机校准、辐射精度、调色板表示和元数据可用性的差异在数据集之间引入了不一致性。因此,在特定相机或调色板获取的数据上训练的模型,在应用于不同采集设置下获得的图像时,通常表现出降低的泛化能力。最后,诸如一天中的时间、季节效应和电站老化等时间因素会影响基线热行为。未明确考虑这些变化的算法可能会错误地将正常操作变化解释为缺陷。这些混杂因素强调了标准化采集协议、稳健的预处理流程以及在异构环境和操作条件下进行验证的重要性。

除了图5和表5中已经提到的缺陷外,文献中还有基于不同数据库的其他类别,例如Alves等人的研究。在不同背景下识别和分类缺陷的不同方式可能会妨碍行业内的有效沟通、分析和决策。因此,应建立用于分类光伏电站缺陷的标准化框架或一套标准。这将确保无论位置、技术或其他因素如何,缺陷都能被一致地分类。随着从各种光伏电站及其运行条件收集数据,可以更全面地理解缺陷范围及其特征。通过使用这个增加的数据集,将能够进行更稳健的分析,从而能够识别各种光伏电站之间的共性和趋势。通过这样做,可以改进维护策略,提高系统可靠性,并优化能源生产。基于此,Rocha等人最近开发了一种基于深度学习的方法,用于大型电站中光伏模组故障的分割和分类。作者比较了两种不同的网络在缺陷模组分割及其分类为五种故障类型方面的性能,并引入了一个异常类别。基于故障类型之间的温度差异,作者定义了不同的异常类别(CoA),这些类别在严重程度上有所不同,需要不同的后续行动:(i)CoA 1:未发现异常-无需采取行动;(ii)CoA 2:热异常-建议进行整改;和(iii)CoA 3:安全相关的热异常-需要中断运行。通过UAV热成像检查收集的数据也可以与更广泛的电站管理和智能电网系统集成,从而在全面的资产监控框架内实现预测性维护策略和自动故障响应。

**6. 结论与未来展望**

本综述综合了基于UAV的光伏电站热成像检查的最新进展,强调了UAV平台、红外成像和智能数据分析的融合发展如何重塑大型光伏电站的运维策略。尽管已经取得了显著的技术进步,但文献分析也揭示了一些结构性限制,这些限制阻碍了大规模部署、可重复性和客观基准测试。这些限制涵盖硬件异构性、非标准化的数据采集程序、不一致的验证方法和碎片化的评估指标。为了提供整合的概述,表6总结了本综述中确定的主要研究空白,并概述了相应的未来研究方向。解决这些空白对于实现从实验性和特定地点的演示向稳健、可扩展且工业就绪的基于UAV的检查解决方案过渡至关重要。

从硬件角度来看,文献表明检查可靠性不仅取决于单一的UAV或红外传感器,还取决于平台自主性、有效载荷能力、传感器分辨率和元数据一致性的连贯选择。虽然当前的UAV和红外相机技术已足够成熟,可以进行商业部署,但缺乏标准化的采集设置和图像格式仍然是可重复性和跨研究比较的主要障碍。关于计算方法,深度学习方法,特别是卷积神经网络,已成为热成像光伏检查中缺陷检测和分类的最有效工具。然而,它们的广泛采用受到两个基本限制的制约:公开可用的标注数据集的稀缺性以及缺乏标准化评估指标。如果不解决这些问题,所报告的高性能指标仍然难以在受控实验条件之外推广。尽管热点仍然是最常研究的缺陷类型,但所审查的文献强调了不同故障模式及其对系统性能和安全影响之间的强相互依赖性。这加强了需要统一的缺陷分类框架的必要性,该框架将热异常与严重性级别、操作风险和维护决策联系起来,而不是仅仅关注单个缺陷类别。

总的来说,本综述揭示了检查程序、硬件配置、数据集和评估方法的显著差异性。不到三分之一的审查研究报告了完整的采集和设备细节,严重限制了可重复性和基准测试。解决这些限制需要协调努力,朝着统一的数据采集协议、标准化评估标准和开放基准数据集的方向发展。基于已识别的空白和限制,表7总结了一套旨在改进基于UAV的热成像检查的设计、执行和验证的实用指南。更具体地说:

•短期:工作应优先创建在多样化环境和操作条件下获取的公开可用的标注红外数据集。与此同时,采用标准化的采集协议和评估指标,如精确率、召回率、F1分数和IoU,对于实现跨研究的可重复基准测试至关重要。

•中期:研究应侧重于提高模型稳健性和实际部署。这包括开发结合红外和可见光图像的多模式检查框架、适用于机载或边缘计算的轻量级深度学习模型,以及明确考虑跨电站、跨相机和季节性变化的验证策略。

•长期:将基于UAV的检查系统集成到更广泛的资产管理平台和智能电网基础设施中是一个关键目标。自主飞行规划、自适应检查策略和法规协调方面的进步将是实现大规模、完全自主UAV操作所必需的。最终,将缺陷检测输出与预测性维护模型和经济决策支持工具联系起来,将使光伏电站运营商能够根据技术严重性和财务影响来优化维护行动。

最终,基于UAV的热成像检查的有效性不仅取决于算法性能,还取决于硬件选择、采集协议、验证策略和决策支持框架的连贯集成,这些框架能够将检测到的异常转化为可操作的维护决策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号