本發(fā)明涉及光伏電站智能巡檢，具體而言，涉及一種基于人工智能的新能源光伏動(dòng)態(tài)巡檢方法和系統(tǒng)。

背景技術(shù)：

1、隨著光伏發(fā)電行業(yè)的迅速發(fā)展，光伏電站的規(guī)模與數(shù)量不斷增加，對(duì)高效、精準(zhǔn)巡檢技術(shù)的需求日益迫切。傳統(tǒng)的光伏電站巡檢方式主要包括人工巡檢、靜態(tài)監(jiān)控和無(wú)人機(jī)巡檢。傳統(tǒng)人工巡檢方式效率低下，單次100mw電站巡檢耗時(shí)≥5天，且漏檢率高達(dá)15%以上，同時(shí)存在高空作業(yè)風(fēng)險(xiǎn)。靜態(tài)監(jiān)控方式中，由于固定攝像頭或紅外熱像儀無(wú)法覆蓋復(fù)雜地形，且難以實(shí)時(shí)跟蹤組件狀態(tài)變化，同樣存在效率和準(zhǔn)確度的問(wèn)題。而且上述兩種方式中的故障識(shí)別往往依賴(lài)人工分析，響應(yīng)周期長(zhǎng)，平均需48小時(shí)以上。

2、在傳統(tǒng)無(wú)人機(jī)巡檢方式中，現(xiàn)有無(wú)人機(jī)巡檢任務(wù)的路徑規(guī)劃多基于預(yù)設(shè)的固定航線或簡(jiǎn)單的規(guī)則規(guī)劃，難以根據(jù)實(shí)時(shí)環(huán)境信息（如地形、氣象條件等）和光伏系統(tǒng)狀態(tài)進(jìn)行動(dòng)態(tài)調(diào)整與優(yōu)化，且在遇到障礙物時(shí)，避障算法的實(shí)時(shí)性和準(zhǔn)確性不足，無(wú)法快速、高效地避開(kāi)障礙物并重新規(guī)劃路徑?，F(xiàn)有的故障識(shí)別算法多基于傳統(tǒng)的圖像處理技術(shù)或簡(jiǎn)單的機(jī)器學(xué)習(xí)模型，未實(shí)現(xiàn)多模態(tài)數(shù)據(jù)實(shí)時(shí)融合，且對(duì)光伏組件復(fù)雜多樣的故障類(lèi)型（如裂紋、熱斑、封裝老化等）的識(shí)別精度有限，難以滿足高效、精準(zhǔn)巡檢的需求。同時(shí)，這些算法往往缺乏對(duì)故障等級(jí)的劃分能力，無(wú)法為運(yùn)維決策提供全面、準(zhǔn)確的依據(jù)。

3、綜上所述，現(xiàn)有光伏巡檢技術(shù)在多模態(tài)數(shù)據(jù)融合、動(dòng)態(tài)路徑規(guī)劃、故障識(shí)別精度等方面存在明顯不足，亟需一種更智能、高效的光伏動(dòng)態(tài)巡檢方法以克服上述缺陷，提升光伏系統(tǒng)的運(yùn)維效率與可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的上述技術(shù)問(wèn)題之一。

2、為此，本發(fā)明第一方面提供了一種基于人工智能的新能源光伏動(dòng)態(tài)巡檢方法。

3、本發(fā)明第二方面提供了一種基于人工智能的新能源光伏動(dòng)態(tài)巡檢系統(tǒng)。

4、本發(fā)明提供了一種基于人工智能的新能源光伏動(dòng)態(tài)巡檢方法，包括：

5、根據(jù)天氣預(yù)警、光伏系統(tǒng)性能告警或定時(shí)任務(wù)觸發(fā)對(duì)應(yīng)的巡檢任務(wù)；

6、根據(jù)地形數(shù)據(jù)、氣象數(shù)據(jù)和歷史飛行數(shù)據(jù)基于巡檢任務(wù)進(jìn)行初始路徑規(guī)劃，并通過(guò)動(dòng)態(tài)避障算法避開(kāi)路徑上的突現(xiàn)障礙，更新路徑；其中，進(jìn)行初始路徑規(guī)劃時(shí)，采用強(qiáng)化學(xué)習(xí)模型生成覆蓋所有關(guān)注點(diǎn)的飛行軌跡；所述動(dòng)態(tài)避障算法采用rrt*算法；

7、無(wú)人機(jī)按照規(guī)劃的路徑執(zhí)行巡檢任務(wù)；巡檢過(guò)程中采集光伏系統(tǒng)的多模態(tài)數(shù)據(jù)；所述多模態(tài)數(shù)據(jù)包括可見(jiàn)光圖像、紅外熱成像、el檢測(cè)數(shù)據(jù)和定位數(shù)據(jù)；

8、獲取光伏系統(tǒng)布置的地面?zhèn)鞲衅鞯牟杉瘮?shù)據(jù)，對(duì)地面?zhèn)鞲衅鞯牟杉瘮?shù)據(jù)和無(wú)人機(jī)采集的數(shù)據(jù)進(jìn)行特征整合，生成統(tǒng)一故障特征矩陣；

9、根據(jù)所述統(tǒng)一故障特征矩陣?yán)没谏疃壬窠?jīng)網(wǎng)絡(luò)的實(shí)時(shí)目標(biāo)檢測(cè)算法定位光伏系統(tǒng)的缺陷區(qū)域，利用深度卷積神經(jīng)網(wǎng)絡(luò)判斷所述缺陷區(qū)域的缺陷類(lèi)型，并對(duì)缺陷區(qū)域的故障等級(jí)進(jìn)行劃分；

10、根據(jù)各故障區(qū)域的故障等級(jí)對(duì)光伏系統(tǒng)的健康度進(jìn)行評(píng)分，利用健康度評(píng)分分析光伏系統(tǒng)的安全運(yùn)行趨勢(shì)。

11、根據(jù)本發(fā)明上述技術(shù)方案的基于人工智能的新能源光伏動(dòng)態(tài)巡檢方法，還可以具有以下附加技術(shù)特征：

12、在上述技術(shù)方案中，所述巡檢任務(wù)的類(lèi)型包括：

13、定時(shí)巡檢任務(wù)，按照設(shè)定時(shí)間自行啟動(dòng)的常規(guī)巡檢任務(wù)；

14、氣象預(yù)警任務(wù)，在監(jiān)測(cè)到特殊氣象來(lái)臨前或結(jié)束后觸發(fā)的臨時(shí)巡檢任務(wù)，所述特殊氣象包括沙塵暴和冰雹；

15、性能告警任務(wù)，當(dāng)檢測(cè)到光伏系統(tǒng)中部分區(qū)域發(fā)電量異?；蚪M件溫度異常時(shí)觸發(fā)的定向巡檢任務(wù)；

16、在每種巡檢任務(wù)中，獲取過(guò)往同類(lèi)型巡檢任務(wù)中發(fā)現(xiàn)的事故點(diǎn)，并將事故點(diǎn)標(biāo)記為高風(fēng)險(xiǎn)區(qū)域，本次巡檢任務(wù)的飛行軌跡需要覆蓋高風(fēng)險(xiǎn)區(qū)域。

17、在上述技術(shù)方案中，所述采用強(qiáng)化學(xué)習(xí)模型生成覆蓋所有關(guān)注點(diǎn)的飛行軌跡包括：

18、以光伏系統(tǒng)所在區(qū)域的地形數(shù)據(jù)作為空間基準(zhǔn)；并對(duì)巡檢區(qū)域的優(yōu)先級(jí)進(jìn)行劃分；

19、人工智能強(qiáng)化學(xué)習(xí)模型綜合風(fēng)險(xiǎn)權(quán)重與避障數(shù)據(jù)生成全局路徑；其中，在無(wú)人機(jī)巡檢飛行過(guò)程中，進(jìn)行飛行代價(jià)和價(jià)值估算，用于路線規(guī)劃的收益評(píng)估，引入飛行能耗估算，確保整體飛行路線符合范圍。

20、在上述技術(shù)方案中，所述人工智能強(qiáng)化學(xué)習(xí)模型中尋找最優(yōu)策略參數(shù)的方法為：

21、

22、其中，表示下一輪控制無(wú)人機(jī)動(dòng)作選擇的神經(jīng)網(wǎng)絡(luò)參數(shù)；表示尋找最優(yōu)策略參數(shù)函數(shù)；表示期望值；表示策略變化程度，即新舊策略在當(dāng)前狀態(tài)下選擇動(dòng)作的概率比，表示新動(dòng)作概率，表示舊動(dòng)作概率；表示優(yōu)勢(shì)函數(shù)，用于評(píng)估當(dāng)前動(dòng)作相對(duì)于平均水平的優(yōu)劣；表示范圍限制函數(shù)；表示策略更新幅度限制；t表示時(shí)間步；k表示更新輪數(shù)；

23、所述優(yōu)勢(shì)函數(shù)的計(jì)算方法為：

24、

25、其中，表示動(dòng)作價(jià)值函數(shù)，用于評(píng)估在狀態(tài)下執(zhí)行動(dòng)作的長(zhǎng)期收益；表示狀態(tài)價(jià)值函數(shù)，用于評(píng)估狀態(tài)的平均收益；表示電量消耗權(quán)重。

26、在上述技術(shù)方案中，所述通過(guò)動(dòng)態(tài)避障算法避開(kāi)路徑上的突現(xiàn)障礙，包括：

27、計(jì)算從起點(diǎn)到新節(jié)點(diǎn)的總路徑成本，選擇總成本最小的路徑，在避障和路徑長(zhǎng)度之間動(dòng)態(tài)權(quán)衡，所述總路徑成本的計(jì)算方法包括：

28、

29、其中，表示從起點(diǎn)到新節(jié)點(diǎn)的總路徑成本；表示從起點(diǎn)到最近已探索節(jié)點(diǎn)的累積成本；表示從最近已探索節(jié)點(diǎn)到新節(jié)點(diǎn)的歐式距離；表示風(fēng)險(xiǎn)權(quán)重系數(shù)，用于調(diào)整路徑對(duì)風(fēng)險(xiǎn)區(qū)域的敏感度；表示新節(jié)點(diǎn)所在位置的風(fēng)險(xiǎn)值；

30、所述新節(jié)點(diǎn)所在位置的風(fēng)險(xiǎn)值根據(jù)歷史故障數(shù)據(jù)和實(shí)時(shí)氣象動(dòng)態(tài)進(jìn)行計(jì)算，計(jì)算方法包括：

31、

32、其中，表示新節(jié)點(diǎn)所在位置的歷史故障密度；表示實(shí)時(shí)風(fēng)速影響系數(shù)。

33、在上述技術(shù)方案中，所述對(duì)地面?zhèn)鞲衅鞯牟杉瘮?shù)據(jù)和無(wú)人機(jī)采集的數(shù)據(jù)進(jìn)行特征整合，生成統(tǒng)一故障特征矩陣，包括：

34、以無(wú)人機(jī)gps時(shí)間戳為基準(zhǔn)，插值對(duì)齊地面?zhèn)鞲衅鲾?shù)據(jù)；

35、利用transformer模型對(duì)地面?zhèn)鞲衅鞯牟杉瘮?shù)據(jù)和無(wú)人機(jī)采集的數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊，將圖像數(shù)據(jù)和傳感器數(shù)據(jù)映射到統(tǒng)一坐標(biāo)系，生成統(tǒng)一故障特征矩陣；

36、其中，利用transformer模型對(duì)采集數(shù)據(jù)進(jìn)行縮放點(diǎn)積注意力分析；縮放點(diǎn)積注意力的表達(dá)式為：

37、

38、其中，表示縮放點(diǎn)積注意力輸出結(jié)果；表示查詢矩陣，表示鍵矩陣，表示值矩陣，利用、、分別代表光伏系統(tǒng)不同模態(tài)的特征；表示歸一化函數(shù)；表示轉(zhuǎn)置矩陣；表示鍵向量維度；

39、并通過(guò)多頭注意力機(jī)制，將不同維度的特征進(jìn)行拼接和整合，獲取統(tǒng)一故障特征矩陣；所述多頭注意力機(jī)制的表達(dá)式為：

40、

41、其中，表示多頭注意力機(jī)制輸出結(jié)果；表示拼接函數(shù)；表示第i個(gè)注意力頭的輸出，；表示輸出線性變換矩陣；在每個(gè)注意力頭中通過(guò)不同的線性變換矩陣從輸入數(shù)據(jù)中提取不同的特征。

42、在上述技術(shù)方案中，所述基于深度神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)目標(biāo)檢測(cè)算法采用yolov10算法；

43、在所述yolov10算法中，通過(guò)分類(lèi)損失、回歸損失和分布聚焦損失的三階段協(xié)同優(yōu)化構(gòu)建yolov10算法的損失函數(shù)；所述yolov10算法的損失函數(shù)表示為：

44、

45、其中，表示目標(biāo)檢測(cè)總損失；表示分類(lèi)損失權(quán)重；表示分類(lèi)損失誤差；表示回歸損失權(quán)重；表示回歸損失誤差；表示分布聚焦損失權(quán)重；表示分布聚焦損失誤差。

46、在上述技術(shù)方案中，所述分類(lèi)損失誤差的計(jì)算方法包括：

47、

48、其中，表示真實(shí)類(lèi)別分布，用于標(biāo)記光伏板缺陷類(lèi)型；表示預(yù)測(cè)類(lèi)別概率分布，即模型輸出的故障類(lèi)型置信度；

49、所述回歸損失誤差的計(jì)算方法包括：

50、

51、其中，表示交并比，即預(yù)測(cè)框和真實(shí)框的重疊程度；表示預(yù)測(cè)框與真實(shí)框中心點(diǎn)歐氏距離；表示預(yù)測(cè)框中心點(diǎn)位置；表示真實(shí)框中心點(diǎn)位置；表示包含預(yù)測(cè)框和真實(shí)框的最小矩形的對(duì)角線長(zhǎng)度；表示長(zhǎng)寬比差異系數(shù)，用于衡量預(yù)測(cè)框和真實(shí)框的寬高比例差異；表示長(zhǎng)寬比差異權(quán)重；

52、所述分布聚焦損失誤差的計(jì)算方法包括：

53、

54、其中，表示邊界框坐標(biāo)的概率分布，用于預(yù)測(cè)光伏板隱裂長(zhǎng)度；表示真實(shí)分布值，即真實(shí)坐標(biāo)的離散化分布，用于標(biāo)注數(shù)據(jù)經(jīng)高斯平滑處理。

55、在上述技術(shù)方案中，所述深度卷積神經(jīng)網(wǎng)絡(luò)采用resnet-50網(wǎng)絡(luò)，所述resnet-50網(wǎng)絡(luò)包括四組殘差塊；

56、其中，第一組殘差塊用于提取光伏板基礎(chǔ)特征，所述光伏板基礎(chǔ)特征包括光伏板邊緣紋理；

57、第二組殘差塊用于識(shí)別光伏板中等尺度缺陷，所述中等尺度缺陷包括隱裂、污漬；

58、第三組殘差塊用于檢測(cè)微小目標(biāo)缺陷，所述微小目標(biāo)缺陷包括焊點(diǎn)脫落和裂紋；

59、第四組殘差塊用于全局特征融合與分類(lèi)決策。

60、本發(fā)明還提供了一種基于人工智能的新能源光伏動(dòng)態(tài)巡檢系統(tǒng)，應(yīng)用于如上述技術(shù)方案中任一項(xiàng)所述的基于人工智能的新能源光伏動(dòng)態(tài)巡檢方法，包括：

61、巡檢任務(wù)觸發(fā)模塊，根據(jù)天氣預(yù)警、光伏系統(tǒng)性能告警或定時(shí)任務(wù)觸發(fā)對(duì)應(yīng)的巡檢任務(wù)；

62、動(dòng)態(tài)路徑規(guī)劃模塊，根據(jù)地形數(shù)據(jù)、氣象數(shù)據(jù)和歷史飛行數(shù)據(jù)基于巡檢任務(wù)進(jìn)行初始路徑規(guī)劃，并通過(guò)動(dòng)態(tài)避障算法避開(kāi)路徑上的突現(xiàn)障礙，更新路徑；其中，進(jìn)行初始路徑規(guī)劃時(shí)，采用強(qiáng)化學(xué)習(xí)模型生成覆蓋所有關(guān)注點(diǎn)的飛行軌跡；所述動(dòng)態(tài)避障算法采用rrt*算法；使無(wú)人機(jī)按照規(guī)劃的路徑執(zhí)行巡檢任務(wù)；

63、數(shù)據(jù)采集模塊，巡檢過(guò)程中采集光伏系統(tǒng)的多模態(tài)數(shù)據(jù)；所述多模態(tài)數(shù)據(jù)包括可見(jiàn)光圖像、紅外熱成像、el檢測(cè)數(shù)據(jù)和定位數(shù)據(jù)；并獲取光伏系統(tǒng)布置的地面?zhèn)鞲衅鞯牟杉瘮?shù)據(jù)；

64、邊緣端數(shù)據(jù)處理模塊，對(duì)地面?zhèn)鞲衅鞯牟杉瘮?shù)據(jù)和無(wú)人機(jī)采集的數(shù)據(jù)進(jìn)行特征整合，生成統(tǒng)一故障特征矩陣；

65、ai故障檢測(cè)與分類(lèi)模塊，根據(jù)所述統(tǒng)一故障特征矩陣?yán)没谏疃壬窠?jīng)網(wǎng)絡(luò)的實(shí)時(shí)目標(biāo)檢測(cè)算法定位光伏系統(tǒng)的缺陷區(qū)域，利用深度卷積神經(jīng)網(wǎng)絡(luò)判斷所述缺陷區(qū)域的缺陷類(lèi)型，并對(duì)缺陷區(qū)域的故障等級(jí)進(jìn)行劃分；

66、故障處置模塊，根據(jù)各故障區(qū)域的故障等級(jí)對(duì)光伏系統(tǒng)的健康度進(jìn)行評(píng)分，利用健康度評(píng)分分析光伏系統(tǒng)的安全運(yùn)行趨勢(shì)，并制定故障處理策略。

67、綜上所述，由于采用了上述技術(shù)特征，本發(fā)明的有益效果是：

68、本發(fā)明基于強(qiáng)化學(xué)習(xí)算法實(shí)時(shí)優(yōu)化飛行路線，結(jié)合氣象數(shù)據(jù)與組件風(fēng)險(xiǎn)等級(jí)劃分，減少無(wú)效巡檢路徑，效率較固定航線提升20%；通過(guò)多模態(tài)數(shù)據(jù)融合方式，本發(fā)明結(jié)合可見(jiàn)光、紅外熱成像、電致發(fā)光（el）及電性能參數(shù)進(jìn)行故障檢測(cè)，故障檢測(cè)準(zhǔn)確率超過(guò)98%（如熱斑檢測(cè)96.5%、隱裂檢測(cè)98.2%）。采用yolov10等模型，結(jié)合知識(shí)蒸餾與輕量化設(shè)計(jì)，實(shí)現(xiàn)邊緣端實(shí)時(shí)推理（延遲≤200ms），同時(shí)保持高精度。

69、具體地，本發(fā)明通過(guò)多模態(tài)感知、動(dòng)態(tài)路徑規(guī)劃與邊緣云協(xié)同計(jì)算實(shí)現(xiàn)光伏電站智能化運(yùn)維。在多模態(tài)時(shí)空對(duì)齊機(jī)制中，采用transformer多頭注意力模型融合可見(jiàn)光、紅外熱成像與電流傳感器數(shù)據(jù)，生成128×128×4維故障特征矩陣，解決跨模態(tài)數(shù)據(jù)異構(gòu)性問(wèn)題；在強(qiáng)化學(xué)習(xí)-隨機(jī)采樣聯(lián)合路徑規(guī)劃中，基于ppo算法（強(qiáng)化學(xué)習(xí)模型）生成高風(fēng)險(xiǎn)區(qū)域覆蓋路徑，結(jié)合rrt*動(dòng)態(tài)避障算法（基于隨機(jī)采樣的路徑規(guī)劃算法）實(shí)現(xiàn)巡檢完成率＞98%。構(gòu)建了輕量化聯(lián)邦學(xué)習(xí)架構(gòu)，通過(guò)知識(shí)蒸餾將yolov10定位缺陷區(qū)域模型（置信度閾值＞0.9）和resnet-50分類(lèi)模型壓縮至300mb（延遲≤200ms），支持50mw電站單次巡檢≤4小時(shí)，較人工效率提升9倍；最終故障檢測(cè)結(jié)果中，隱裂檢測(cè)準(zhǔn)確率達(dá)95.6%，漏檢率＜2%。本發(fā)明攻克了復(fù)雜環(huán)境下光伏缺陷檢測(cè)精度低、響應(yīng)慢的技術(shù)瓶頸，具備全自動(dòng)、高魯棒、可進(jìn)化特性，已成功應(yīng)用于山地/沙漠等差異場(chǎng)景，

70、本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述部分中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。