基于光伏电站的AI 智能系统开发与应用

国家电投集团安徽电力有限公司 杨帆

在双碳背景下，绿色低碳发展已经成为未来新型发展方向，我国将大力构建以光伏、风力等清洁能源为主体的新型电力系统，提高光伏电站收益的重要性日益凸显[1]，分布式光伏电站的安全管控能力如何提升已迫在眉睫，探索人工智能技术在分布式光伏电站场景下的业务应用成效已然成为新的挑战。随着光伏发电在智能化管理方面的作用下，针对当前发展趋势，提出一种基于光伏电站的AI 智能系统研究与应用，在烟火、积灰算法模型和云端智能监测平台系统的共同作用下，实现全域火灾隐患和积灰缺陷监测，实现光伏电站收益的提升，降低区域电网的运行压力。

作为清洁能源的重要组成部分之一的太阳能,在我国的发展战略规划中占到极大比重，其中以光伏发电技术的研究和应用最为突出，获得了重大突破，国家愈来愈重视光伏电站项目的建设，随着光伏电站项目的实施，光伏电站面临如何科学运维的问题[2-4]。在通讯网络、信息开发等各种先进技术发展的背景下，本文提出一种基于光伏电站的AI 智能系统研究与应用，旨在促进光伏电站的生产管理效率，减少电站损耗，实现光伏发电站高效、安全、节能环保的发展目标。

1 光伏电站的智能化推进进程

1.1 计算机视觉技术现状

计算机视觉通过计算机模仿人类视觉系统，提升计算机对图像的分析和处理能力。该项技术在人工智能技术中脱颖而出，目前已经广泛应用到安防、自动驾驶、医疗、消费等行业领域，发展前景巨大。随着人工智能深度学习算法快速成熟，国内涌现出大批基于计算机视觉算法技术的人工智能企业。

1.2 光伏电站的智能化发展契机

光伏电站作为传统行业应对科技发展产生的新生代能源供电系统，意义非凡。为进一步推进光伏电站的智能化发展道路，本研究着眼于计算机视觉算法，实现对分布式光伏组件区域、逆变器区域、箱变和二次仓内火灾隐患的感知、识别和报警等功能。

2 基于光伏电站的AI 智能系统层次

本研究提出一种AI 智能系统，基于计算机视觉技术，针对光伏电站生产经营过程风险进行监控，研发一种监测火灾隐患及积灰缺陷的AI 算法。本研究针对光伏电站已建设部分视频监控设备规划部署，一方面基于利旧原则，采用已建设视频监控设备降低感知设备投入；另一方面，已建设视频监控设备具备成熟的站点监控系统，适于应用以感知系统为主的AI 智能系统的规划和部署，实现旧监测感知设备智能化能力。

本研究基于计算机视觉和类脑计算技术，结合分布式光伏火灾监测和光伏组件积灰缺陷典型应用场景，通过类脑智能技术研发烟火和积灰的AI 算法，构建行业标准模型；具体通过光伏电站发电量大数据对比分析计算模型、环境PM2.5 趋势预测大数据算法模型和类脑图像对比分析模型融合分析，进行光伏组件积灰程度预测和预警，从而有效对光伏电站站点的全域火灾隐患和积灰缺陷实时监测，实现先进人工智能技术应用与大数据应用。

2.1 光伏电站的火灾隐患监控

本研究的中心之一是对光伏电站的环境PM2.5 趋势预测，即通过实时检测和感应生产区的PM2.5 数值，当火灾发生时，由于燃烧特性，导致短时间区域内PM2.5数值异常，因而在进行光伏电站的智能化管理研究过程中，首当解决的是火灾隐患监控。

本文在研究PM2.5 趋势预测过程，选择Gauss 烟流模型作为本研究的重点。假定光伏电站的生产工作区域内的空气各组分扩散因子不变，通过构建ωx、ωy和ωz分别作为用于描述生产工作区域空间的x、y和z方向的扩散系数，采用微分化，进而可以得到烟雾扩散的简式如式（1）所示：

基于公式（1），从而进一步获取Gauss 烟流模型，如式（2）所示：

式（2）中，B(x，y，z)表示光伏电站的生产工作区域的颗粒浓度，ωx、ωy、ωz分别为工作区域空间的x、y和z方向的扩散系数，P为该区域内短时间的烟雾生成量

在实际计算过程中，采用ωx=ωy=κ1Lα1，ωz=κ2Lα2，选定5min 作为一个监测点，即通过5min 的生产工作区间内的横向竖向扩散系确定该系列参数的数值，即可确定P的数值。当P的数值达到阈值范围，即可判定该区域内有短时发生火灾的风险。

2.2 光伏电站的积灰状态监控

本研究提出一种积灰状态监测算法，其主要根据光伏电站历史发电量的数据作为正常参考数据，采用预估发电量作为指导当前发电站的应发电量数值，从而将实际发电量与应发电量数值校核，从而判断当前光伏电站设备是否出现异常[5]。

2.2.1 选取直接影响发电因子

根据光伏电站的发电原理，光伏板基于光生伏打效应，能够将直接照射的太阳能转化为利用率较高的电能。因而在进行积灰状态监测算法的建模过程中，需要将直接影响发电因子和非必要影响因子进行区分，减少本研究构建模型的复杂程度，同时能够提升本研究的精准程度。

2.2.2 积灰状态监测算法模型建模

在确定影响因子后，开始本研究的重点之一-积灰状态监测算法建模。本文提出的积灰状态监测模型，通过引入时间相关性构建目标矩阵。为提升模型的精准度，本研究采用小时为单位，记录一天的不同时刻，针对小时单位建立子矩阵，因而目标矩阵是由多个子矩阵融合的矩阵集。

2.2.3 矩阵模型改进

为避免建模在进行归一化处理过程中出现较大的误差，本研究创造性提出Normalized Euclidean Distance 作为相似性算子，向量M=[m1,m2…，mi]和向量N=[N1,N2…，Ni]的欧氏距离如式（3）所示：

本研究采用Normalized Euclidean Distance 作为相似性算子，避免出现权重精准度不高导致预估的结果不准确的问题。

2.2.4 积灰状态监测算法流程

（1）以小时为单位，由时间相关性构建目标矩阵E；

（2）在积灰状态监测过程中，当子矩阵在实际运行中，获取某一时刻的运行数据，作为输入数据m输入；

（3）获取m输入，比较目标矩阵Ε与子矩阵E'的相似性，得到相似型向量η；

（4）结合目标矩阵Ε和权重向量η进行预估判断，得到预估输出值m输出；

（5）根据某一时刻的输入数据m输入与预估输出值m输出，判断出相对误差Δm，作为用于描述积灰程度，如式（4）所示：

（6）当积灰程度Δm≥0 时，得到某一时刻下积灰程度的实际数值，达到实时监测光伏电站的光伏板积灰的效果。

2.3 利旧原则和边缘计算

本研究基于信息的控制出发，通过在边缘计算单元处理数据，加快站点采集数据的处理效率，提高数据安全性，实现旧有监测感知设备智能化能力。根据当前光伏电站的站点设备智能化要求，构建在边缘计算单元完成感知设备的边缘计算模型。

边缘计算是就近提供最近端服务，边缘计算单元对云平台发起请求，得到响应后，客户端将有光伏电站的电网数据反馈至边缘节，通过运算检测出光伏电站中的设备故障，以便精准、快速地进行光伏电站的风险预警维护[6]。流程示意图如图1 所示。

图1 边缘计算流程示意图Fig.1 Schematic diagram of edge computing flow

3 基于光伏电站的AI 智能系统构架

基于光伏电站的AI 智能系统实际包括四个作用单元，分别为设备单元、边缘计算单元、网络单元和云平台，通过四个单元配合运转，实现对光伏电站的智能化升级，完成对电站风险监控的管理需求。

3.1 设备单元

设备单元指的是全域部署覆盖的感知设备，主要设备包含：图像感知设备、环境感知设备等，主要涉及监测区域包含：分布式光伏组件、逆变器、箱变和二次仓区域。在设备单元层级，基于光伏电站的AI 智能系统采集光伏电站的各个流程的运行数据，如逆变器的运行数据包括输入电压、输入电流、频率、功率、发电能量、逆变器温度等；环境感知设备的运行数据包括环境温度、风速、风向等；箱变的运行数据包括总有功发电能量、总无功发电能量、线电压、相电压、电流、功率因数等。

3.2 边缘计算单元

边缘计算单元赋予光伏电站边缘计算能力，为新增设备单元感知设备和利旧感知设备提供计算服务。

3.3 网络单元

采用有限局域网数据传输，部署安全防护措施和加密处理，与省级云端采用互联网传输，同时对数据进行加密和解密处理。网络单元支持接入光伏电站的设备总线接口，实现对设备单元的全域对接采集。

3.4 云平台

开发省级定制化的远程可视化智能监测云平台，同时配备移动终端访问App，实现省级的集中化光伏电站安全管控和数据分析平台，实时监测光伏电站的运行情况。本研究的云平台保障AI 智能系统的统计分析数据的可读性，易于运维人员的数据反馈和数据展示工作[5]。

（1）基于获取的光伏电站运行参数，构建站点健康度、火灾隐患及积灰缺陷预估等要素的数学统计模型图，如采用折线图、柱状图、饼图等形式描述站点的运行状态。

（2）云平台基于AI 智能系统采集的运行参数，进行整合分析，对原始数据展开技术挖掘，以实现进一步的系统可视化展示。如图2 所示。

图2 基于光伏电站的AI 智能系统网络拓扑图Fig.2 Network topology of AI intelligent system based on photovoltaic power station

4 结论

本研究通过AI 智能技术和大数据分析技术，展开对光伏电站的发电效率影响因子的监测和分析，有效提升站点的运行维护效率。同时，AI 智能技术的充分应用，使云平台的规划部署实现了对站点的全局检测，也实现了站点的运行智能化监控目标，降低了运维人员的工作量。

引用

[1] 李丰收.分布式光伏电站施工管理探讨与分析[J].居舍,2020(22):139-140.

[2] 王文静,王斯成.我国分布式光伏发电的现状与展望[J].中国科学院院刊,2016,31(2):165-172.

[3] 张姝伟.基于视觉的光伏板积灰状态监测与性能评估[D].吉林:东北电力大学,2019.

[4] 史莉.浅谈如何基于项目管理优化提高光伏发电工程整体效益[J].机电信息,2017(21):160-161.

[5] 赵波,张姝伟,曹生现,等.基于状态监测的电池板积灰清洗周期确定与费用评估[J].中国电机工程学报,2019,39(14):4205-4213.

[6] 陈向东.光伏发电工程全过程项目管理应用研究[J].工程建设与设计,2019(21):283-285.