山东广域科技有限责任公司 戴吉勇
原有的光伏电站运维模式并不能满足政策带来的光伏电站大规模增加,所以需构建新的区域光伏电站群一体化智能运维模式来提升其管理水平。建设新的光伏发电智能运维系统不但能实现设备的集中管理和有效部署,还能提升光伏电站运维的可靠性与灵活性。以某公司为例,其现存的光伏电站运维模式存在着非法入侵、防火压力大、人工巡视劳动强度大、耗费时间长、时效性差等问题,所以为提高其资产价值和经济效益,开展区域光伏电站群一体化智能运维关键技术研究与应用是很有必要的。
该公司与研究成果深度结合,数据交互,实现资源的合理配置及对生产运行管理效率及水平进行提高。其成果主要体现为建立并研发一套区域光伏电站群一体化智能运维体系和管控平台、建立基于多尺度预测深度神经网络的光伏组件缺陷识别模型、缺陷识别算法的低精度CBR推理模型、基于深度神经网络的设备状态运维模型和基于多种算法融合的边缘计算模型。这些成果的主要意义在于实现管理数字化、提升运维水平;使故障预警、故障诊断数据;精简人员、降低人工成本,进一步提升公司智能化水平,取得更好的经济效益并提高创新能力。
虽然智能运维技术得到飞速发展,但其大多集中在智能变电站中,目前在光伏电站中应用智能运维技术的研究在国内还属于空白状态。国外发达国家的光伏电站运维技术的研究与应用起步明显早于国内。由于成本、体制等因素,我国仍采用人工运维的方式,不过随着技术的成熟,部分地区已开始采用信息化较高的方式。如北塔BTIM的1T运行管理方案和IMS的系统都是监控客户系统的中间件、服务器、数据库以及应用系统等核心信息进行监控,功能性较为全面,但仍存在着局限之处。
1998年国际能源署率先制定了评价光伏系统性能的指标,如性能指数、系统理论发电时长和全年效率等。美国电力科学研究院已开始研究光伏监控系统技术,通过人工方式采集光伏发电系统的数据,研究电站的运行情况。国外有不少公司通过调研与分析不同地区的光伏电站情况,致力于实现面向全球的光伏运维系统的设计、并在该领域取得了一定的技术积累德国的Meteo Control公司开展运维业务较早,拥有40多年的光伏电站运维经验。
虽然我国的光伏发电技术较欧美国家而言起步较晚,但在我国“壮大清洁能源产业”的战略部署下,2019年我国光伏发电装机容量居世界首位,国内很多专家和学者已开始研究国产化的光伏发电运维系统,光伏产业出现后来者居上的趋势。随着大数据与人工智能的发展,光伏电站运维系统逐步走向智能化。智能化的发展呈现要素多、范围广和质量高的趋势[1]。
光伏电站一体化智能运维是将现代化信息技术作为核心,把有关光伏电站设备的监测资源整合起来,达到全面掌控光伏电站运行情况的状态。这样可使得光伏电站巡检工作可达成智能感知、智能操作、智能告警、设备状态可视化和智能分析决策等高级应用。当光伏电站处于无人值守的状态时,其可将内部运行和外观状态以视频图片或者传感器检测等方式进行展示。不仅如此,光伏电站还可跟踪显示设备状态,以便工作人员能够对设备的相关参数进行实时掌握。此外,光伏电站一体化智能运维还可根据自身的工作状态去报告故障,为工作人员提供有效的帮助。光伏电站一体化智能运维技术的研究还有助于实现标准化和智能化的发展,并提高了巡检质量与效率。
本项目以创新智能运维管理体系标准作为核心,凭借着智能操作、智能感知、智能作业安全管控技术等来实现光伏电站智能化管理。该模式与当前国内光伏电站现状相契合,符合电力发展的需求,具有巨大的潜力。
现状。通过对国内外智能运维体系的调查得知,目前实现对智能运维电站的管理主要用于电力系统变电环节,其主要具有以下两种管理模式:"集中监控中心+运维操作队"模式。该模式主要是通过设置集中监控管理中心及成立专门的操作队伍来对变电站大型且复杂的操作进行管理。该模式还需少量的工作人员进行值守,但不是站内监盘;集中监控模式。该模式通过只设置集中监控中心来对智能运维变电站的运行进行检测与遥控操作。同样需留守少量的工作人员来巡视与操作一些监控中心无法完成的操作。智能运维光伏电站与有人值守光伏电站的运营管理在模式上有着巨大的差距。有人值守光伏电站是以光伏电站为实际的管理对象来进行人员管理与分配。然而在智能运维的光伏电站管理中只以监控中心与运行操作站为管理对象,且需同时管理多个光伏电站。这种模式大大地降低了管理人员的投入。
光伏电站智能运维管理体系建立原则。本项目构建的区域光伏电站群一体化智能运维模式主要采用集中监控与区域运行这两种模式,其在设计管理模式中主要遵循以下原则。集中监控管理模式建立原则:以现代化的管理理念对监控中心进行管理;依据光伏发电行业特征;满足高灵活性和可扩展性,减少管理成本;由宏观到微观,易于实施,分轻重缓急;充分考虑整个光伏电站管理的重要性;区域运行管理模式建立原则:安全管理原则、标准化原则、技术性原则、岗位制度明确原则。
光伏电站智能运维管理体系实施原则。为保证管理方案能正常实施并确保整个光伏电站能够平稳运行,本项目为保证设计的管理体系能稳定执行制定了智能运维光伏电站管理体系的实施原则:经济性与安全性相结合原则、系统性与科学性相结合原则、标准化与适用性相结合原则、大体规划与分步实施原则、放眼全局,注重整体。
该部分的主要内容是来实现光伏电站在智能方面的感知、操作与作业安全管控。本课题针对研究的是光伏电站光伏区与升压站的设备感知能力,目的是为了确保整体的光伏电站能够可靠运行,同时还可为检修作业与智能决策提供完整、准时、可靠的数据信息来提升整体光伏电站的智智能水平。
2.2.1 智能感知
综合实时可视化:该监控功能是将平台中收集到的各种数据汇总并展示,其主要数据有各种监测、巡视、实时告警、缺陷隐患、故障处理与站场作业等信息。通过对这些数据的汇总与显示并由不同的视角或视图切换可达到全面掌握光伏电站实时运行与检修状态的目的;智能巡视管理:该部分执行的功能是对巡视任务生命周期进行管理。其主要展示的内容是光伏电站近期的运维任务、运维任务的编制执行,包括执行后的结果管理与异常运维管理等情况的数据汇总。
巡检告警管理:该部分执行的功能是汇总并展示在运维任务执行过程中收到的告警信息,并可根据所收到的信息分级并分类以便于直观的展示,为工作人员的管理来提供可靠的数据;系统运维管理:该部分执行的功能是对系统所需的基础数据进行维护管理;隐患缺陷闭环管理:该部分用于日常运维任务时发现的隐患缺陷闭环业务管理,通过将隐患缺陷收集入库,指派与检修来实现隐患缺陷的闭环管理;智能设备联动应用:通过提取后台重点数据与现场的数据来做分析处理,并将其与现场设备相关联;移动运检应用:该部分是通过智能设备进行运检APP安装,来达到实时数据感知的目的。
2.2.2 智能操作及智能作业安全管控
智能一键顺控可实现光伏电站的一般操作并能根据一定的逻辑在光伏电站的后台一建执行,由此可实现由“人工逐项操作”到“计算机远程自动工作”的转变,当其在无人干预的情况下可完成繁冗复杂的操作;作业安全管控是对光伏电站工作人员的违规操作进行管理监控,其主要包括安全措施辨认、人票合一、身份识别和非法入侵识别等。
技术现状与创新目标。就当前国内的情况来说,对光伏板的故障检测与分类主要依靠摄像头,采取无人机的方法目前还不盛行。目前关于光伏电站的缺陷检测已有了一些比较不错的成果,而本项目采用的基于多尺度预测深度神经网络(MS-DNN)对光伏组件进行缺陷识别的方法不同于传统的处理方法,其网络模型采取的是从端到端的设计方式,省掉了原有的部分复杂过程。其模型采取了多目标检测方法,提升了准确率。
创新技术研究。对光伏电站的发电设备缺陷图像数据集的偏差分析、缺陷图像的筛选、去噪、分类方法以及发电设备缺陷的标注方式进行研究;对光伏板缺陷识别神经网络的搭建、输入图像、缺陷的损失函数、激励函数的设计以及超参数的计算进行研究;对光伏板缺陷识别神经网络的训练方法、超参数的调优方式进行研究与应用。
技术现状和创新目标。深度学习模型往往由于服务器计算能力的限制问题而不能很好的部署在移动端或没有能力去计算成本。在智能识别系统中常常是多个模型并行,所以会采取一些加速方法来达到降低推算的计算能力要求问题。目前来说在模型推理阶段进行网络计算的主流模型推理框架是Pytorh、TensorFlow、Caffe等。但在现场部署阶段时这些推理框架所具有的优势并不明显,因此采取了一种新的推理框架TensorRT。其可优化并重构由不同深度学习框架训练的深度学习模型,并能在部署阶段时正向传播的计算网络模型,同时在计算过程当中可自动分析神经网络层各个层之间的关系,这样大大的提高了计算速度。
创新技术研究。在保证对光伏板部件及缺陷检测准确率符合标准的情况下对降低模型精度方法进行研究,其包括但不限于二值化网络的训练和神经网络隐含层的融合计算等;对神经网络模型在服务器和边缘设备的推理计算方式、服务器的多路并行推理以及神经网络参数在CPU中的并行计算方式进行研究;对根据神经网络检测结果自动控制无人机对光伏发电设备重点部件的识别定位,以及变焦拍摄并进行多种类别的缺陷识别技术进行研。
技术现状与创新目标。随着时代的发展信息化已越来越成熟,电力仪表作为电力系统的建设终端单元,已广泛应用在变电站、新能源发电站等领域。但当没有数据传接口时,实现仪表的数据采集是很难的。这个问题随着深度学习和计算机视觉等技术的突破已被解决,其可利用图像识别技术来达到自动识别仪表技术的目的。目前关于数字仪表识别的一些成熟产品大多采取传统的方法,但这些方法在特殊环境下所受干扰较多,并不能达到理想的状态。所以本项目致力于研究一种多尺度预测神经网络模型来对仪表进行检测。经过该技术的创新,可应用在多种场景当中并降低外界干扰,同时还可提升模型的识别准确率。
创新技术研究。研究与应用电力设备图像的收集与整理,电力设备仪表的读取方式,以及因光照强度、拍摄角度等外界因素对设备图像产生影响后的处理方式;研究与应用基于深度神经网络的文字及数字识别算法;研究与应用基于深度神经网络的电力设备状态运维的部署推理和应用。
2.6.1 技术现状与创新目标
边缘计算是一种分布式开放平台,其是在靠近物或数据源头的网络边缘测,进行融合网络、计算、存储和应用核心能力。其采取的是就近方式提供智能服务,能够满足行业数字化在实施业务、数据优化、敏捷连接、应用智能以及安全隐私保护等方面的关键需求。边缘计算具有出色的分布性、邻近性、低延时、大带宽等特性,因此已得到了广泛的应用。本项目中的光伏电站运维场景运用了大量的现场视频进行分析,采取边缘计算设备可帮助后台服务器分担压力,同时还可提高响应速率和减小通信压力。
当前市场主流的边缘计算在同时分析多种功能时视频的检测帧率会产生较大的跌降,并在二次开发时需第三方计算平台的帮助、难于部署。本项目研究了一款边缘计算设备,其可支撑当前的一些主流框架,如Caffe、Tensorflow、Pytorch、TensorRT等。为使多种算法能与边缘计算终端相融合,根据边缘计算设备的计算能力与处理模式,有目的性的研究设计了图像分析的相关算法。经过网络结构的修改、模型参数的降低、推理方式等方法的改善,提高了识别效率与故障检测的速度。
2.6.2 创新技术研究
硬件架构技术研究。基于嵌入式高性能的工业级ARM架构芯片,设计一款AI边缘计算终端,采用开放式标准和模块化设计,由核心计算处理模块和通信接口模块构成。AI边缘计算终端硬件架构按功能进行研究,主要包含电源模块、实时时钟模块、主系统模块(核心板)、以太网通信接口模块、无线网卡通信接口模块、USB接口模块、I2C通信接口模块、I2S通信接口模块、SPI通信接口模块、双路MIPICSI-2DPHY接口模块、M.2接口模块、HDMI输出模块、DisplayPort输出模块等。
软件架构技术研究。边缘计算终端作为智能枢纽的新定位不仅体现在其具备高性能模块化的硬件,更体现在其拥有可支撑未来业务场景发展需求的软件架构上:首先,边缘计算终端的引导程序对硬件进行自检及初始化,并加载系统引导;然后运行嵌入式操作系统,操作系统对内存和文件进行管理、读取和写入,并进行进程调度与进程间通信;最后加载应用程序层,加载边缘计算终端的软件容器引擎技术,实现容器隔离与软硬件解耦,构建通用软件架构与接口。
多种算法融合边缘计算技术研究。为使算法与边缘计算设备有效融合,根据边缘计算设备的计算能力和处理模式,有针对性的设计图像分析的相关算法,主要研究如下:使用了更少参数的神经网络;使用了更低精度的模型参数。
本项目本项目通过对区域光伏电站群一体化智能运维关键技术研究与应用实现了管理数字化;集群智能运维统一调度,调整运维架构,明确职责,提升运维水平,实现运维提效、精简人员、降低人工成本;使故障预警、故障诊断数据形成专家经验和技术资产,进一步提升了公司的标准化和智能化水平,提高了创新能力和对外展示宣传力度,增强核心竞争力。
区域光伏电站群一体化智能运维的应用可逐步将当前分散的运维管理模式转变为区域化、集约化的精益运维管理模式,提高运维管理水平,实现减员增效,取到良好的经济效益;同时促进公司科技研发能力,创新水平更上一个台阶。