一种基于无人机的光伏阵列的巡检方法与流程

本发明涉及到光伏阵列故障检测领域，尤其涉及一种基于无人机的光伏阵列巡检的方法。

背景技术：

我国太阳能资源非常丰富，开发利用的潜力非常广阔。今年来，我国对能源的需求量日益增加，环保压力增大，在国内太阳能光伏发电的问题得到了广泛的关注，同时也有越来越多的光伏电站建成并投入使用。光伏电站由于其发电特点，光伏板面积巨大，数量很多，目前的故障巡检方式主要采用人工巡检作业方式，劳动强度大且效率低。另外，当前许多光伏电站建设地点相对环境复杂，许多集中式发电站建立在废旧矿坑等位置，地理环境复杂，可能还会产生一定的危险性，而分布式发电站大多建立在个人居住楼房的楼顶，人工检测成本极大。

现有的光伏电站的光伏板阵列常见的故障类型主要有：光伏电池板的碎裂、光伏阵列组件老化损坏以及光伏阵列的热斑现象。目前主要的检测方式为电气测量方式或者更进一步的基于智能算法的故障诊断方式。但是光伏设备通常运行在无人看守的环境下，因此故障多样化，具有极大不确定性，许多情况下得到的诊断结果准确性并不高。

技术实现要素：

本发明的目的在于针对现有技术的不足，提供一种基于无人机的光伏阵列故障巡检的方法。

本发明的目的是通过以下技术方案实现的：一种基于无人机的光伏阵列的巡检方法，所述的无人机搭载有陀螺仪、加速度计、磁感计、gps测量模块、处理器、无线通信模块、可见光摄像头和红外摄像头；包括以下步骤：

(1)根据巡检任务需求，确认待巡检的目标地点，规划无人机的巡检路径。

(2)无人机在巡检过程中，实时获取当前无人机的角速度w，加速度a和地磁分量psi以及经纬度数据，并根据获取的数据，通过sins算法计算出无人机估计位置s1；通过对gps数据处理得到无人机的观测位置s2，最终将s1与s2的位置进行融合处理，计算出无人机的实际位置s，此位置用于对无人机飞行路径准确性的控制；

(3)当到达目标地点正上方时，通过红外摄像头获取光伏阵列的红外图像，处理器对红外图像中像素rgb数值进行分析比对，检测其图片是否有热斑现象；若出现热斑现象，执行步骤4；否则飞向下一个巡检区域；

(4)通过对图像中像素点的计数，对热斑的中心点位置进行标定；

(5)通过无人机飞行高度得到的比例尺，根据步骤2获得的实际位置s以及热斑的中心点位置，获得无人机相对于热斑中心点位置的偏移距离及方向；

(6)根据步骤5获得的偏移距离及方向，控制无人机飞行，使之位于热斑中心点位置中上方。

(7)重复步骤4-6对无人机位置进行再调整；

(8)无人机在调整后的位置下降至可见光摄像头的拍摄高度，在下降过程中，实时检测热图象中热斑的存在，若热斑消失，则上升0.5-1m后，再次执行步骤4-6对无人机位置进行修正，直至下降至降至可见光摄像头的拍摄高度；

(9)下降到拍摄高度后，按照步骤4-6使得无人机位于热斑中心点位置正上方，使用可见光摄像头对故障区域进行数据采集并存储。

(10)通过无线通信模块将拍摄到的图片回传至地面站；

(11)所述的无人机完成上述任务之后，先上升至巡检高度，并按照步骤2进行定位。处理器根据飞行器定位及巡检路径，规划回航路径，使得无人机返回巡检路径，并按照步骤2-10对下一目标地点进行监测。

进一步地，所述步骤2中的融合处理具体为：采用卡尔曼滤波的方式，对估计位置s1和观测位置s2进行融合处理，估计位置s1作为卡尔曼滤波的估计值，观测位置s2作为卡尔曼滤波的观测值，以此二者为核心建立卡尔曼滤波方程并计算出最为接近真实的位置s。

本发明的有益效果在于：在光伏阵列的故障巡检任务中，无人机由于在空中作业，可以无视地面环境带来的制约，同时无人机携带的测量拍摄设备可以通过无人机作为平台对地面上的光伏板拍摄出精确的图片，通过后续的图像处理可以有效的对故障进行识别诊断。因此无人机在光伏阵列巡检中的应用，可以大大降低成本同时规避了人工巡检面临的多种风险。

附图说明

图1为基于无人机的光伏阵列巡检系统结构图；

图2为基于无人机的光伏阵列巡检的任务示意图；

图3为基于无人机的光伏阵列巡检的任务路径规划效果图；

图4为互补滤波算法流程图；

图5为基于gps/sins的无人机定位算法的流程图；

图6为红外图像热斑中心定位示意图；

图7为热斑中心相对无人机位置的比例尺求取示意图；

图8为红色热斑示意图。

具体实施方式：

光伏板在通常情况下，产生的故障都会对其本身的发电产生影响，会导致光伏板某些区域产生短路，电流值增大。过大的电流会产生更高的热量，从而在板面温度上有所体现，通过红外摄像头拍摄的热图象进行分析，即可以得到故障发生的具体位置，控制无人机飞行至故障发生位置上方进行可见光图像的拍摄，即可以有效识别出故障类型。

下面结合附图对本发明做进一步的详述：

如图1所示，本发明基于无人机的光伏阵列巡检方法，其中包括无人机与地面控制站两个部分，无人机上搭载有云台以控制摄像头拍摄，飞控系统负责无人机空中姿态的保持，处理器负责路径规划及控制，同时也负责无人机与地面站之间的通讯。该方法的实现步骤如下：

步骤(1)，由于光伏电站通常情况下建立在地形环境较差的区域，因此光伏板的分部并非完全的集中而是在以几个分散的区域以较小的规模分部；甚至于，在分布式光伏发电如城市屋顶等，其分布更加分散。因此，基于这个特点，光伏阵列巡检的任务存在多个待巡检区域，无人机需要飞行至每一块区域并对故障进行确认。

本实施方案中，我们设定一个巡检目标区域数量为4的一个光伏阵列巡检任务，如图2所示，无人机从起点起飞，经过1、2、3、4四个待巡检区域并飞行至终点降落以完成巡检任务。在此例中，按照现有技术，建立以东方向为x轴方向，北方向为y方向，天空方向为z轴方向的导航坐标系，并以飞机的起飞点作为坐标系原点。本例中，为了计算方便，使用飞行路程作为无人机的飞行代价，路程越大代价越高，其代价函数为其中(x0,y0,z0)为起点坐标。路径规划中，采用a*算法与蚁群算法融合得到最终路径。从图2中，可以看出经过四个巡检区域，无人机可以有多种飞行方式，同时，每两点间的路径在有地形环境的约束下，其路径也有多种方式。在本例中，对于两点间的路径规划，我们采用a*算法求出基于当前代价的最优解，在此基础之上，得到全局每两点之间的路径代价，并以此带入蚁群算法，找到最优巡检顺序。图3是使用matlab对此算法进行的仿真结果。图中位置1为起点，位置6为重点，其路径从起点1，依次经过顺序134256到达终点，并且有效的规避了地形带来的环境威胁，并且路径最优(最短)。

步骤(2)，为了即时获得无人机当前在导航坐标系中的准确位置，无人机采用sins算法(捷联惯性导航算法)计算无人机当前位置，并融合gps数据进行精度修正以期达到最优精度。其中，sins算法一般使用无人机当前的加速度、角速度与地磁量三个变量结合无人机初始状态，以积分的手段进行位置求解，其主要分为两个阶段：第一阶段是无人机的初始状态确定，第二阶段为位置的实时计算。初始对准阶段，需要在无人机启动之后根据确定常值参数，此例中，gps给出的位置数据为(113.9579,22.5432)，后通过公式g＝9.78049×(1+0.0052884×(sinl)²-0.0000059×(sin2l)²)-0.00000286h计算出当前位置的重力加速度，其中l为纬度数据；同时，地球的自转角速度取常值：ωie＝0.00007292115147，子午圈半径取常值：re＝6378245；

后采用解析法对无人机的初始姿态进行初对准，初始状态下，飞行器通常处于静止状态，因此重力加速度在导航坐标系中的投影为：gn＝[00-g]^t，加速度计测量值则为重力加速度在载体坐标系下的投影gb，根据其中vn＝gn,vb＝gb可以计算出初始姿态矩阵。但是单一的使用重力加速度作为姿态矩阵的校准，引入参数较少，无法计算出中全部的参数，因此再次引入地球的自转角速度在导航坐标系下的投影：同时将重力加速度与地球自转角速度做叉乘处理得到g×ωie，以及(g×ωie)×g来构建方程，并使用下列公式完成初姿态矩阵的粗对准：

式中，gn，为重力加速度以及地球自转角速度在导航坐标系下的理论值，为重力加速度与地球自转角速度在载体坐标系下投影的测量值，即惯性感测器的输出值；

飞行器在完成粗对准之后，可以采用卡尔曼滤波技术，对得到的姿态矩阵进行再次的精确对准，在经过短时间的迭代即可得到最接近真实值的姿态矩阵；

无人机起飞之后，按照50hz的频率获取加速度计、陀螺仪以及磁感计获测量的加速度a，角速度w和地磁量ψ。根据加速度以及地磁量的低频特性优良，角速度高频特性优良的特性，分别建立低通以及高通滤波器，此例中采用的滤波器模型如下：无人机飞行时，采用互补滤波的方式对处理过的加速度和地磁量对角速度进行误差修正，其处理过程如图4所示；得到修正后的角速度之后，采用一阶龙格库塔法对当前时刻无人机的姿态四元数进行求取以获得当前无人机的准确姿态。之后，对无人机测量的加速度由机体坐标系转化至导航坐标系并进行积分，求出当前无人机的速度以及位移。至此通过sins算法完成了无人机的位置估计计算，记作估计位置s1；

无人机以同样50hz的频率测量出gps的数据，转化至导航坐标系下的位置为s2，无人机采用卡尔曼滤波的方式，对上文得到的位置数据进行融合处理，s1作为卡尔曼滤波的估计值，s2作为卡尔曼滤波的观测值，以此二者为核心建立卡尔曼滤波方程并计算出最为接近真实的位置s；图5给出了整体算法的流程图。

步骤(3)，无人机到达目标地点上方时，开启红外摄像头对下方区域拍摄并获取红外图像。处理器对此红外图像中像素的rgb数值进行分析，检测图片中热斑的存在；如果检测存在，则执行步骤(4)；否则飞向下一个巡检区域；对于像素颜色的判定条件，本例中通过将像素转换至hsv空间进行颜色判定。

步骤(4)通过对图像中像素点的计数，对热斑的中心点位置进行标定；此例中，我们以拍摄得到的红外图像建立坐标系，以图像的左下角作为坐标原点，x轴正方向为图像右侧，y轴正方向为图像上侧，此外，y轴方向与无人机正方向一致。对于目标区域中心点的选取，本例中对符合的像素坐标的最大值和最小值求取平均值计算得到，其示意图如图6所示。

步骤(5)，令步骤(4)中得到的热斑中心点坐标为(xd,yd),整个图像的中心坐标为(xm,ym),将目标点的坐标与图像中心的坐标求差，得到x＝(xd-xm),y＝(yd-ym)，对xy值的正负进行判定，可得到热斑中心相对于无人机的方向。同时，根据无人机的飞行高度计算比例尺，并求出目标区域的相对距离，其示意图如图7所示。

步骤(6)，根据步骤5获得的偏移距离及方向，控制无人机飞行，使之位于热斑中心点位置中上方。

步骤(7)，重复步骤4-6对无人机位置进行再调整；

步骤(8)无人机在调整后的位置开始下降，在下降过程中，实时检测热图象中热斑的存在，若热斑消失，则上升0.5-1m后，再次执行步骤4-6对无人机位置进行修正，直至下降至降至可见光摄像头的拍摄高度，本例中，为保证图像的精度，拍摄高度为3m，也即无人机下降至3m时即停止下降；

(9)下降到拍摄高度后，按照步骤4-6使得无人机位于热斑中心点位置中上方，如图8所示，可以明显看出图中下方方框区域的红色热斑现象。后使用可见光摄像头对故障区域进行数据采集并存储。

(10)通过无线通信模块将拍摄到的图片回传至地面站；无线通信模块功能有二：其一是将无人机的状态参数等数据回传至地面站；其二是回传拍摄得到的可见光图像。本例中采用4g协议对数据进行传输处理。

(11)所述的无人机完成上述任务之后，先上升至巡检高度，并按照步骤2进行定位。处理器根据飞行器定位及步骤(1)规划的巡检路径，规划回航路径，控制无人机飞回至当前当前目标区域的航迹控制点，使得无人机返回巡检路径，并按照步骤2-10对下一目标地点进行监测。