基于光伏電站的AI 智能系統開發與應用

國家電投集團安徽電力有限公司 楊帆

在雙碳背景下，綠色低碳發展已經成為未來新型發展方向，我國將大力構建以光伏、風力等清潔能源為主體的新型電力系統，提高光伏電站收益的重要性日益凸顯[1]，分布式光伏電站的安全管控能力如何提升已迫在眉睫，探索人工智能技術在分布式光伏電站場景下的業務應用成效已然成為新的挑戰。隨著光伏發電在智能化管理方面的作用下，針對當前發展趨勢，提出一種基于光伏電站的AI 智能系統研究與應用，在煙火、積灰算法模型和云端智能監測平臺系統的共同作用下，實現全域火災隱患和積灰缺陷監測，實現光伏電站收益的提升，降低區域電網的運行壓力。

作為清潔能源的重要組成部分之一的太陽能,在我國的發展戰略規劃中占到極大比重，其中以光伏發電技術的研究和應用最為突出，獲得了重大突破，國家愈來愈重視光伏電站項目的建設，隨著光伏電站項目的實施，光伏電站面臨如何科學運維的問題[2-4]。在通訊網絡、信息開發等各種先進技術發展的背景下，本文提出一種基于光伏電站的AI 智能系統研究與應用，旨在促進光伏電站的生產管理效率，減少電站損耗，實現光伏發電站高效、安全、節能環保的發展目標。

1 光伏電站的智能化推進進程

1.1 計算機視覺技術現狀

計算機視覺通過計算機模仿人類視覺系統，提升計算機對圖像的分析和處理能力。該項技術在人工智能技術中脫穎而出，目前已經廣泛應用到安防、自動駕駛、醫療、消費等行業領域，發展前景巨大。隨著人工智能深度學習算法快速成熟，國內涌現出大批基于計算機視覺算法技術的人工智能企業。

1.2 光伏電站的智能化發展契機

光伏電站作為傳統行業應對科技發展產生的新生代能源供電系統，意義非凡。為進一步推進光伏電站的智能化發展道路，本研究著眼于計算機視覺算法，實現對分布式光伏組件區域、逆變器區域、箱變和二次倉內火災隱患的感知、識別和報警等功能。

2 基于光伏電站的AI 智能系統層次

本研究提出一種AI 智能系統，基于計算機視覺技術，針對光伏電站生產經營過程風險進行監控，研發一種監測火災隱患及積灰缺陷的AI 算法。本研究針對光伏電站已建設部分視頻監控設備規劃部署，一方面基于利舊原則，采用已建設視頻監控設備降低感知設備投入；另一方面，已建設視頻監控設備具備成熟的站點監控系統，適于應用以感知系統為主的AI 智能系統的規劃和部署，實現舊監測感知設備智能化能力。

本研究基于計算機視覺和類腦計算技術，結合分布式光伏火災監測和光伏組件積灰缺陷典型應用場景，通過類腦智能技術研發煙火和積灰的AI 算法，構建行業標準模型；具體通過光伏電站發電量大數據對比分析計算模型、環境PM2.5 趨勢預測大數據算法模型和類腦圖像對比分析模型融合分析，進行光伏組件積灰程度預測和預警，從而有效對光伏電站站點的全域火災隱患和積灰缺陷實時監測，實現先進人工智能技術應用與大數據應用。

2.1 光伏電站的火災隱患監控

本研究的中心之一是對光伏電站的環境PM2.5 趨勢預測，即通過實時檢測和感應生產區的PM2.5 數值，當火災發生時，由于燃燒特性，導致短時間區域內PM2.5數值異常，因而在進行光伏電站的智能化管理研究過程中，首當解決的是火災隱患監控。

本文在研究PM2.5 趨勢預測過程，選擇Gauss 煙流模型作為本研究的重點。假定光伏電站的生產工作區域內的空氣各組分擴散因子不變，通過構建ωx、ωy和ωz分別作為用于描述生產工作區域空間的x、y和z方向的擴散系數，采用微分化，進而可以得到煙霧擴散的簡式如式（1）所示：

基于公式（1），從而進一步獲取Gauss 煙流模型，如式（2）所示：

式（2）中，B(x，y，z)表示光伏電站的生產工作區域的顆粒濃度，ωx、ωy、ωz分別為工作區域空間的x、y和z方向的擴散系數，P為該區域內短時間的煙霧生成量

在實際計算過程中，采用ωx=ωy=κ1Lα1，ωz=κ2Lα2，選定5min 作為一個監測點，即通過5min 的生產工作區間內的橫向豎向擴散系確定該系列參數的數值，即可確定P的數值。當P的數值達到閾值范圍，即可判定該區域內有短時發生火災的風險。

2.2 光伏電站的積灰狀態監控

本研究提出一種積灰狀態監測算法，其主要根據光伏電站歷史發電量的數據作為正常參考數據，采用預估發電量作為指導當前發電站的應發電量數值，從而將實際發電量與應發電量數值校核，從而判斷當前光伏電站設備是否出現異常[5]。

2.2.1 選取直接影響發電因子

根據光伏電站的發電原理，光伏板基于光生伏打效應，能夠將直接照射的太陽能轉化為利用率較高的電能。因而在進行積灰狀態監測算法的建模過程中，需要將直接影響發電因子和非必要影響因子進行區分，減少本研究構建模型的復雜程度，同時能夠提升本研究的精準程度。

2.2.2 積灰狀態監測算法模型建模

在確定影響因子后，開始本研究的重點之一-積灰狀態監測算法建模。本文提出的積灰狀態監測模型，通過引入時間相關性構建目標矩陣。為提升模型的精準度，本研究采用小時為單位，記錄一天的不同時刻，針對小時單位建立子矩陣，因而目標矩陣是由多個子矩陣融合的矩陣集。

2.2.3 矩陣模型改進

為避免建模在進行歸一化處理過程中出現較大的誤差，本研究創造性提出Normalized Euclidean Distance 作為相似性算子，向量M=[m1,m2…，mi]和向量N=[N1,N2…，Ni]的歐氏距離如式（3）所示：

本研究采用Normalized Euclidean Distance 作為相似性算子，避免出現權重精準度不高導致預估的結果不準確的問題。

2.2.4 積灰狀態監測算法流程

（1）以小時為單位，由時間相關性構建目標矩陣E；

（2）在積灰狀態監測過程中，當子矩陣在實際運行中，獲取某一時刻的運行數據，作為輸入數據m輸入；

（3）獲取m輸入，比較目標矩陣Ε與子矩陣E'的相似性，得到相似型向量η；

（4）結合目標矩陣Ε和權重向量η進行預估判斷，得到預估輸出值m輸出；

（5）根據某一時刻的輸入數據m輸入與預估輸出值m輸出，判斷出相對誤差Δm，作為用于描述積灰程度，如式（4）所示：

（6）當積灰程度Δm≥0 時，得到某一時刻下積灰程度的實際數值，達到實時監測光伏電站的光伏板積灰的效果。

2.3 利舊原則和邊緣計算

本研究基于信息的控制出發，通過在邊緣計算單元處理數據，加快站點采集數據的處理效率，提高數據安全性，實現舊有監測感知設備智能化能力。根據當前光伏電站的站點設備智能化要求，構建在邊緣計算單元完成感知設備的邊緣計算模型。

邊緣計算是就近提供最近端服務，邊緣計算單元對云平臺發起請求，得到響應后，客戶端將有光伏電站的電網數據反饋至邊緣節，通過運算檢測出光伏電站中的設備故障，以便精準、快速地進行光伏電站的風險預警維護[6]。流程示意圖如圖1 所示。

圖1 邊緣計算流程示意圖Fig.1 Schematic diagram of edge computing flow

3 基于光伏電站的AI 智能系統構架

基于光伏電站的AI 智能系統實際包括四個作用單元，分別為設備單元、邊緣計算單元、網絡單元和云平臺，通過四個單元配合運轉，實現對光伏電站的智能化升級，完成對電站風險監控的管理需求。

3.1 設備單元

設備單元指的是全域部署覆蓋的感知設備，主要設備包含：圖像感知設備、環境感知設備等，主要涉及監測區域包含：分布式光伏組件、逆變器、箱變和二次倉區域。在設備單元層級，基于光伏電站的AI 智能系統采集光伏電站的各個流程的運行數據，如逆變器的運行數據包括輸入電壓、輸入電流、頻率、功率、發電能量、逆變器溫度等；環境感知設備的運行數據包括環境溫度、風速、風向等；箱變的運行數據包括總有功發電能量、總無功發電能量、線電壓、相電壓、電流、功率因數等。

3.2 邊緣計算單元

邊緣計算單元賦予光伏電站邊緣計算能力，為新增設備單元感知設備和利舊感知設備提供計算服務。

3.3 網絡單元

采用有限局域網數據傳輸，部署安全防護措施和加密處理，與省級云端采用互聯網傳輸，同時對數據進行加密和解密處理。網絡單元支持接入光伏電站的設備總線接口，實現對設備單元的全域對接采集。

3.4 云平臺

開發省級定制化的遠程可視化智能監測云平臺，同時配備移動終端訪問App，實現省級的集中化光伏電站安全管控和數據分析平臺，實時監測光伏電站的運行情況。本研究的云平臺保障AI 智能系統的統計分析數據的可讀性，易于運維人員的數據反饋和數據展示工作[5]。

（1）基于獲取的光伏電站運行參數，構建站點健康度、火災隱患及積灰缺陷預估等要素的數學統計模型圖，如采用折線圖、柱狀圖、餅圖等形式描述站點的運行狀態。

（2）云平臺基于AI 智能系統采集的運行參數，進行整合分析，對原始數據展開技術挖掘，以實現進一步的系統可視化展示。如圖2 所示。

圖2 基于光伏電站的AI 智能系統網絡拓撲圖Fig.2 Network topology of AI intelligent system based on photovoltaic power station

4 結論

本研究通過AI 智能技術和大數據分析技術，展開對光伏電站的發電效率影響因子的監測和分析，有效提升站點的運行維護效率。同時，AI 智能技術的充分應用，使云平臺的規劃部署實現了對站點的全局檢測，也實現了站點的運行智能化監控目標，降低了運維人員的工作量。

引用

[1] 李豐收.分布式光伏電站施工管理探討與分析[J].居舍,2020(22):139-140.

[2] 王文靜,王斯成.我國分布式光伏發電的現狀與展望[J].中國科學院院刊,2016,31(2):165-172.

[3] 張姝偉.基于視覺的光伏板積灰狀態監測與性能評估[D].吉林:東北電力大學,2019.

[4] 史莉.淺談如何基于項目管理優化提高光伏發電工程整體效益[J].機電信息,2017(21):160-161.

[5] 趙波,張姝偉,曹生現,等.基于狀態監測的電池板積灰清洗周期確定與費用評估[J].中國電機工程學報,2019,39(14):4205-4213.

[6] 陳向東.光伏發電工程全過程項目管理應用研究[J].工程建設與設計,2019(21):283-285.