一种光伏板健康状态智能监测分析系统及方法与流程

1.本发明涉及光伏板系统故障诊断领域，具体涉及一种光伏板健康状态智能检测分析系统及方法。


背景技术：

2.随着光伏产业的飞速发展，光伏电站的数量和规模不断壮大，定点监控与人工巡查结合的传统巡检方式已无法胜任大规模光伏电站巡检工作。由于监控相机存在监控死角且远处目标成像效果不佳，而人工巡查主观干扰大且易产生视觉疲劳，无法满足光伏电站精确性定位、实时传输，光伏板隐裂等内部结构损伤情况也无从知晓。无人机巡检作为一门安全、高效的巡检技术，近年来广泛应用于林火巡护、电力巡线、油田巡井、气象侦查等多个领域；超声波检测作为一种无损探查设备内外部缺陷的检测技术，被广泛运用冶金制造、加工化工、航空航天、铁路交通等众多领域。
3.现有的光伏产业所运用的巡检技术不够成熟，其使用设计时的考虑也不够周全，常常存在着光伏电站中巡检精度不足、实时性差、效率低下的问题，导致其使用起来较为繁琐和麻烦，而现有研究人员也未开发出较好的巡检技术，进而无法解决目前光伏电站中巡检精度不足、实时性差、效率低下等问题。


技术实现要素：

4.为了解决现有技术中所存在的光伏电站中巡检精度不足、实时性差、效率低下等问题，本发明提供一种光伏板健康状态智能检测分析系统及方法。
5.本发明提供的技术方案是：
6.一种光伏板健康状态智能检测分析系统，其特征在于，所述系统包括：
7.优选的，所述通讯连接的数据采集器和监控服务器；
8.所述数据采集器，用于获取光伏板阵列数据；
9.所述监控服务器，用于部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，并确定评估结果；
10.其中，所述数据采集器包括：设置于无人机上的高清红外/可见光相机，所述相机用于获取光伏板阵列的图像数据。
11.优选的，所述数据采集器还包括：
12.设置于光伏清扫机器人上的采集光伏板内部结构的超声波探头；用于采集光伏电站现场环境参数的气象环境监测仪；用于采集光伏阵列中运行参数、环境监测参数、超声波图像参数的数据采集卡；
13.所述超声波探头、气象环境监测仪和数据采集卡均分别与所述监控服务器通讯连接。
14.优选的，所述fast r-cnn算法包括：深层卷积网络单元、感兴趣区域池化单元、预选区域分类单元和标注框回归单元；
15.所述深层卷积网络单元，用于将所述光伏板阵列数据输入所述深层卷积网络单元，得到不同大小的特征图；
16.所述感兴趣区域池化单元，用于为特征图生成固定维度的特征表达；
17.所述预选区域分类单元，用于对图像特征表达进行分类，还用于识别光伏板异常状态；
18.所述标注框回归单元，用于在光伏板阵列数据中以标注框的形式定位光伏板位置；
19.其中，所述特征图用于刻画图像特征。
20.基于同一发明构思，本发明还提供一种基于如权利要求1-3所述的光伏板健康状态智能监测系统的分析方法，其特征在于，包括：
21.利用数据采集器获取光伏板阵列数据；
22.通过监控服务器部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，并获得评估结果；
23.其中，所述数据采集器包括：设置于无人机上的高清红外/可见光相机；
24.所述光伏板阵列数据包括：通过设置于无人机上的高清红外/可见光相机获取的图像数据。
25.优选的，所述利用数据采集器获取光伏板阵列数据，还包括：
26.利用设置于光伏清扫机器人上的超声波探头采集光伏板内部结构的超声波图像；
27.利用气象环境监测仪采集光伏电站现场环境参数；
28.以及利用数据采集卡采集光伏阵列中的运行参数、环境监测参数和超声波图像参数。
29.优选的，所述通过监控服务器部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，获得评估结果，包括：
30.将所述高清红外/可见光相机拍摄的光伏板阵列数据输入深层卷积网络，得到不同大小的预选框特征图；
31.为所述预选框特征图生成固定维度的图像特征表达；
32.对所述图像特征表达进行分类，还进行识别所述高清红外/可见光相机拍摄的光伏板异常状态；
33.对所述光伏板阵列数据以标注框的形式定位光伏板位置；
34.其中，所述预选框特征图包括多个预选框，用于刻画图像特征。
35.优选的，所述高清红外/可见光相机拍摄的光伏板阵列数据输入深层卷积网络，得到不同大小的预选框特征图，包括：
36.特征提取时，将所述高清红外/可见光相机拍摄的光伏板阵列数据输入深层卷积网络，通过网络中的卷积操作得到不同尺寸的特征图，刻画所有待检测目标的信息。
37.优选的，所述为预选框特征图生成固定维度的图像特征表达，包括：
38.所述无人机搭载的高清红外/可见光相机拍摄的异常状态区域根据每个预选框的大小在特征图上进行全局聚合运算，将二维的特征图数据转化成一维数据；
39.将所述一维数据与fast r-cnn算法中的全连接网络对接，从而实现对所述固定维度的图像特征表达与抽象描述。
40.优选的，所述对图像特征表达进行分类，包括：
41.使用svm分类器对接所述的全连接网络输出端，将归纳的图像特征表达汇总到对应的异常状态标签，从而实现图像分类；
42.其中，所述svm分类器基于异常状态类型预先建立。
43.优选的，所述光伏板阵列数据中以标注框的形式来定位光伏板位置，包括：
44.训练fast r-cnn算法识别所述预选框内的图像特征，采用所述图像特征根据所述预选框信息生成标注框；
45.其中，所述图像特征逼近异常状态的真实位置。
46.与现有技术相比，本发明的有益效果为：
47.1、本发明提供一种光伏板健康状态智能监测分析系统，所述系统包括：通讯连接的数据采集器和监控服务器；所述数据采集器，用于获取光伏板阵列数据；所述监控服务器，用于部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，并确定评估结果；其中，所述数据采集器包括：设置于无人机上的高清红外/可见光相机，所述相机用于获取光伏板阵列的图像数据，本发明提供一种光伏板健康状态智能监测分析系统，本系统结构构成简单，使用灵活方便，数据采集过程无需人工参与，在保证操作一致性的同时，大幅度提升巡检效率。
48.2、本发明提供一种光伏板健康状态智能监测分析方法，包括：利用数据采集器获取光伏板阵列数据；通过监控服务器部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，并获得评估结果；其中，所述数据采集器包括：设置于无人机上的高清红外/可见光相机；所述光伏板阵列数据包括：通过设置于无人机上的高清红外/可见光相机获取的图像数据，解决了目前光伏电站中巡检精度不足、实时性差、效率低下的技术问题。
49.3、本发明提供一种光伏板健康状态智能监测分析方法，较之常规人工巡检方式，无人机巡检为智能化操作，飞行速度灵活可调整，巡检效率提升明显。
50.4、本发明提供一种光伏板健康状态智能监测分析方法，提出以fast r-cnn算法智能分析光伏板健康状态，有效避免了传统人工巡检过程中的主观干扰。
附图说明
51.为了更清楚地说明本发明中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1为本发明的系统示意图；
53.图2为本发明的方法流程示意图；
54.其中：1-无人机充电站、2-气象环境监测仪、3-搭载高清相机的无人机、4-数据中心、5-监控服务器、6-光伏清扫机器人、7-超声波探头、8-光伏板、9-光伏阵列汇流箱、10-电网。
具体实施方式
55.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.请参阅图1，为本发明的系统示意图，本发明由无人机、无人机充电站、高清红外/可见光相机、光伏板、光伏清扫机器人、超声波探头、气象环境监测仪、光伏阵列汇流箱、数据中心、电网、监控服务器及相关深度学习算法模块组成。
57.实施例1
58.本发明提供一种光伏板健康状态智能监测分析系统，利用跨媒体综合分析方法采集光伏板外部的图像、内部的超声波数据；
59.并且记录光伏电站运行期间的工作参数、环境参数，识别脏污、破损、脱落及隐裂等异常状态；
60.综合工作参数、环境参数分析这些异常状态对光伏板健康状态的影响程度，辅助运维人员开展工作，其具体包括：
61.通讯连接的数据采集器和监控服务器；
62.所述数据采集器，用于获取光伏板阵列数据；
63.所述监控服务器，用于部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，并确定评估结果；
64.所述数据采集器和监控服务器之间还包括数据中心，所述数据中心用于汇总采集的图像数据、环境参数数据和运行参数数据；
65.具体的，针对当前光伏电站巡检精度不足的问题：
66.本发明设置无人机于光伏板阵列上空巡航，挂载高清红外/可见光相机抵近拍摄光伏板图像；以光伏清扫机器人搭载超声波探头扫描光伏板内部结构；辅以气象环境监测仪采集光伏电站现场太阳辐射量、温度、湿度、风速、风向等环境参数；以带采集功能汇流箱提取光伏板阵列工作过程中的电流、电压、功率等运行参数。各模块以无线传输方式建立小型物联网；物联网通过5g网络建立；将采集的图像、环境参数、运行参数等数据由此物联网实时传回数据中心；数据中心按时序、类型匹配汇总，之后传送至监控服务器分析；并且本发明提出：以高清、高精设备采集光伏板内、外部图像及其它参数，确保数据采集精度；
67.针对当前光伏电站巡检实时性不足的问题：
68.本发明所涉及的无人机在无人机充电站充电/待命；光伏清扫机器人配置太阳能充电设备部署于光伏板阵列；气象环境监测仪、带采集功能汇流箱以固定频率采集目标参数，提取的图像参数；采用无线传输方式实时传回数据中心汇总整合；无人机、清扫机器人与气象环境监测仪、带采集功能汇流箱配合，实时响应命令，巡检特定光伏板阵列或全面巡检；
69.针对当前光伏电站巡检效率低下的问题：
70.本发明配置的无人机具备自主导航功能；无人机操作员控制拍摄光伏电站全景图像后，无人机系统可自动建立光伏电站模型；并且自主规划巡航线路、飞行速度、飞行高度、图像采集频率；自主监测电量使用情况，确定返航充电时机；无人机充电站为无人机提供充电/待命地点，充电站配置光伏板为自身供电；自动监测无人机电量使用情况；较之常规人工巡检方式，无人机巡检为智能化操作，飞行速度灵活可调整，巡检效率提升明显；
71.针对当前以电致发光检测光伏板隐裂操作复杂的问题：
72.本发明将超声波探头布置于光伏清扫机器人上；执行清扫任务的同时即可检测光伏板内部结构；并生成超声波图像，供fast r-cnn算法训练。本发明结构构成简单，使用灵活方便，数据采集过程无需人工参与，在保证操作一致性的同时，大幅度提升巡检效率。
73.本实施例中，fast r-cnn算法用于识别光伏板脏污、破损、脱落及隐裂异常状态；对采集的可见光图像、红外图像、超声波图像进行预处理；
74.标注图像中光伏板脏污、破损、脱落、隐裂等异常状态区域，以标注的图像制备数据集；
75.训练fast r-cnn算法识别光伏板异常状态的图像特征，并以标注框的形式在图像中显示。
76.所述算法包括深层卷积网络单元、感兴趣区域池化单元、预选区域分类单元和标注框回归单元；
77.所述深层卷积网络单元，用于将所述光伏板阵列数据输入所述深层卷积网络单元，得到不同大小的特征图；
78.所述感兴趣区域池化单元，用于为特征图生成固定维度的特征表达；
79.所述预选区域分类单元，用于对图像特征表达进行分类，还用于识别光伏板异常状态；
80.所述标注框回归单元，用于在光伏板阵列数据中以标注框的形式定位光伏板位置；
81.其中，所述特征图用于刻画图像特征。
82.实施例2
83.本发明还提供一种光伏板健康状态智能监测系统的分析方法，该方法流程如图2所示。
84.步骤1：利用数据采集器获取光伏板阵列数据；
85.步骤2：通过监控服务器部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，并获得评估结果；
86.其中，所述数据采集器包括：设置于无人机上的高清红外/可见光相机，以及设置于光伏清扫机器人上的采集光伏板内部结构的超声波探头；用于采集光伏电站现场环境参数的气象环境监测仪；用于采集光伏阵列中运行参数、环境监测参数、超声波图像参数的数据采集卡；
87.所述超声波探头、气象环境监测仪和数据采集卡均分别与所述监控服务器通讯连接；
88.所述光伏板阵列数据包括：通过设置于无人机上的高清红外/可见光相机获取的图像数据。
89.其中，通过监控服务器部署fast r-cnn算法分析所述光伏板阵列数据，评估光伏板健康状态，获得评估结果，包括：
90.将所述高清红外/可见光相机拍摄的光伏板阵列数据输入深层卷积网络，得到不同大小的预选框特征图；
91.为所述预选框特征图生成固定维度的图像特征表达；
92.对所述图像特征表达进行分类，还进行识别所述高清红外/可见光相机拍摄的光
伏板异常状态；
93.对所述光伏板阵列数据以标注框的形式定位光伏板位置；
94.所述预选框特征图包括多个预选框，用于刻画图像特征；
95.fast r-cnn算法包括深层卷积网络单元、感兴趣区域池化单元、预选区域分类单元和标注框回归单元；
96.所述深层卷积网络单元，用于将所述光伏板阵列数据输入所述深层卷积网络单元，得到不同大小的特征图；
97.所述感兴趣区域池化单元，用于为特征图生成固定维度的特征表达；
98.所述预选区域分类单元，用于对图像特征表达进行分类，还用于识别光伏板异常状态；
99.所述标注框回归单元，用于在光伏板阵列数据中以标注框的形式定位光伏板位置；
100.其中，训练期间模型根据损失函数的反馈情况自动调整，从而具备识别图像特征的能力，图像分类任务选择l
cls
损失函数表达如下：
101.l
cls
(p,u)＝-log p
u
ꢀꢀꢀ
(1)
102.p代表模型预测的标注框种类标签(本发明涉及标注框种类为“隐裂”、“脱落”、“脏污”、“破损”等异常状况)；u代表标注框的种类标签；p
u
代表网络对应种类u在深层卷积网络中的输出；
103.特征提取时，将所述高清红外/可见光相机拍摄的光伏板阵列数据输入深层卷积网络，通过网络中的卷积操作得到不同尺寸的特征图，刻画所有待检测目标的信息；
104.为预选框特征图生成固定维度的图像特征表达，包括：所述无人机搭载的高清红外/可见光相机拍摄的异常状态区域根据每个预选框的大小在特征图上进行全局聚合运算，将二维的特征图数据转化成一维数据；
105.将所述一维数据与fast r-cnn算法中的全连接网络对接，从而实现对所述固定维度的图像特征表达与抽象描述；
106.对图像特征表达进行分类，包括：使用svm分类器对接所述的全连接网络输出端，将归纳的图像特征表达汇总到对应的异常状态标签，从而实现图像分类；
107.其中，所述svm分类器基于异常状态类型预先建立；
108.最后，进行标注框回归，包括：训练fast r-cnn算法识别所述预选框内的图像特征，采用所述图像特征根据所述预选框信息生成标注框；
109.所谓“回归”，就是缩小预测边界框与真实边界框的差异，使算法预测的边界框无限接近真实边界，使其具备检出目标的位置信息的能力；
110.训练以l
loc
损失函数为评价指标，位置分析任务选择的损失函数表达如下：
[0111][0112]
v代表种类u对应的预选框；v＝(v
x
,v
y
,v
w
,v
h
)，分别表示预选框的中心点坐标和预选框的宽高尺寸，其表达如下：
[0113][0114]
这里(p
x
,p
y
,p
w
,p
h
)和(g
x
,g
y
,g
w
,g
h
)分别代表预测框真实边界框的中心点坐标和预选框的宽高尺寸；t代表预测的回归目标，t
u
是目标实际位置v与预测位置的一种折算关系，smooth为激活函数，用于引入非线性特征，使算法更容易拟合复杂过程。
[0115][0116]
本发明提供的方案，能够有效改善目前光伏电站中巡检精度不足、实时性差、效率低下等现实问题。
[0117]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0118]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0119]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0120]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0121]
最后应当说明的是，以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。