搭载新型红外热像仪的无人机，可以实时检测光伏电站的热缺陷问题！

光伏电站的效率和盈利能力是由其运行和维护(O&M)程序高度控制的。今天，有效诊断任何可能的故障的光伏电站仍然是一个技术和经济的挑战，特别是在处理大规模的光伏电站。目前，PV电站监测是通过电性能测量或图像处理来进行的。第一种方法故障检测能力有限，成本高，耗时长，不能快速识别故障的物理位置。在第二种方法中，红外热像(IRT)成像已经用于表征PV模块的故障，但其设置和处理相当复杂，需要有经验的技术人员。使用无人机对光伏电站进行红外成像，对光伏组件进行健康状态监测，这是一种成本效益高的方法，检测时间比传统技术低10 -15倍。

相关论文以题为“Robust Detection, Classification and Localization of Defects in Large Photovoltaic Plants Based on Unmanned Aerial Vehicles and Infrared Thermography”发表在《Applied Sciences》上。

研究背景

光伏电站的效率和盈利能力是由其运行和维护(O&M)程序高度控制的。例如，一个可用性为99%的18MWp工厂(1%由失控故障引起)每年造成的经济损失高达15.6万欧元。PV系统的故障通常只有在观察到能源生产的显著减少时才能检测到，而确定损坏的时间可以持续一年。因此，光伏系统未检测到的故障可导致高达18.9%的年发电量下降，这将显著影响光伏安装的财务效率。光伏组件的能源生产因故障而降低，如热点、裂缝或污垢沉积等。此外，太阳能电池的潜在诱导降解也可能使其能源产量在运行数年后减少30%。总体而言，当电站发生故障时，光伏组件故障占比高达73.5%。因此，早期可靠的故障检测是光伏电站监测和有效运行的关键环节。

研究目的

如今，有效诊断任何可能的故障的光伏电站仍然是一个技术和经济的挑战，特别是在处理大规模的光伏电站。目前，PV电站的监测是使用下列方法之一进行的:(a)电性能测量和(b)图像处理技术。第一种方法是有限的故障检测能力，它既昂贵又费时。此外，它不能快速识别故障的物理位置。以同样的方式，红外热成像(IRT)成像已用于表征PV模块的故障。IRT成像提供了PV模块的实时二维图像，通过该图像可以评估模块表面的温度分布。因此，红外成像是一种有价值的无损检测技术，以识别，分类和定位光伏组件运行的缺陷。根据光伏组件表面出现的温度异常进行识别和分类。然而，设置和处理是相当复杂的手动IRT成像分析，需要一个经验丰富的操作员。

用于光伏电站IRT成像、光伏组件健康状态监测的无人机被认为是一种成本效益高的方法，比传统技术的检查时间低10- 15倍。然而，实施一种成本效益高的方法来扫描和检查巨大的光伏电站是主要的挑战，如检测的成本和时间的光伏组件缺陷的分类和精确定位在太阳能电站。此外，许多技术考虑应该考虑到一个适当的检查光伏电站。

图像不失真

透镜畸变会引起图像中不同的不规则图案和不需要的伪影，如曲线的线条。场景中的直线在投影图像中不保持直线，给图像处理和解释带来困难。因此，对于进一步的图像分析，图像不失真是一个推荐的预处理步骤。图像不失真是通过应用具有反向失真的图像插值来实现的。由于失真模型的非线性，这是一个不平凡的问题，没有解析解。一般使用迭代求解器。图像不失真需要精确的摄像机标定，以估计摄像机的内在参数。随后，可以通过应用反向畸变模型来消除透镜畸变，消除由于透镜畸变造成的图像伪影。图1显示了最常见的镜头畸变的效果。

图1.镜头畸变。(a)无畸变，(b)正径向畸变(筒体)。(c)负径向畸变(针垫)。(d)切向畸变。

图2显示了可视图像不失真的结果。从带有窗户的建筑立面获得了不同的图像。对于每一幅图像，一些窗口角落的自然地标都被标记。立面上窗户的位置是众所周知的。这样就可以建立图像与世界坐标的对应关系，这是相机标定所需要的信息。估计的相机参数可以用来消除图像失真，如图2c,d所示。所得到的图像没有呈现出由镜头畸变引起的不需要的伪影:场景中的直线在图像中仍然保持直线，如图所示。

图2.图像不失真的可见图像。(a)朝向1的自然地标，(b)朝向2的自然地标。(c)校正方位后图像无失真(d)校正方位后图像无失真

同样的方法也可用于红外图像。图3为红外光谱的等效图像。遵循同样的步骤:将图像中的角与场景中的位置相关联，并对摄像机进行校准。利用镜头畸变的估计，使图像不失真。在这种情况下，原始图像和未失真图像之间的差异不太明显，因为红外相机的镜头比可见光相机的镜头有较少的像差。

图3.红外图像不失真。(a)朝向1的自然地标，(b)朝向2的自然地标。(c)校正方位后图像无失真(d)校正方位后图像无失真

用于光电应用的航空红外热像仪

IRT可用于检测光伏电池、组件和串中的大量缺陷，因为大多数缺陷对其热行为有影响。这些热模式已经在以前的研究中被识别和分类，现在已经在国际标准IEC TS 62446-3 1.0版2017-06中被标准化。从这个意义上说，最常见的红外图像模式如图4所示。红外模式可分为两类。在第一组中(由图像上半部分表示)，缺陷对应的模块或一行(子串)都比其他的温暖。另一方面，第二组(图的下方所示)的细胞比其他的细胞更温暖。

图4.在室外测量中观察到的PV模块红外图像模式的总结。

数据库和采集程序

所有这些图片都是由一架在光伏电站上空的无人机自动收集的。在无人机上，使用了DJI Matrice 210 RTK V2，如图5a所示。

图5.利用DJI Matrice 210 RTK V2采集光伏电站的图像。(一)无人驾驶飞机。(b)相机。

可以看到，飞机上有两个摄像头。左边的相机是DJI Zenmuse Z30(未在采集过程中使用)。右边的相机是DJI Zenmuse XT2。这款相机集成了高分辨率FLIR热传感器和具有DJI稳定功能的4K可视相机，放大图7b。因此，XT2相机记录了热图像和视觉图像(rgb -红-绿-蓝)。在本出版物的范围内，仅使用热成像，因此，RGB图像不用于检测光伏板的缺陷。RGB图像仅用于可视化目的。XT2可以安装不同的镜头型号:9mm, 13mm, 19mm和25mm。在这种情况下，选择的镜头型号是提供25毫米。这些模型提供了一个25度×20度的视场角(FOV)， mrad为0.680。

与热敏相机相连的是一个未冷却的VOx微测辐射热计传感器，分辨率为640×512像素。该传感器还提供了17景深m像素的间距，光谱波段在7.5-13.5景深m的范围内。热感相机可配置在- 25°至135°C(高增益)或- 40°至550°C(低增益)范围内。在这种情况下，相机配置在第一个范围与高增益。

在图6中，显示了与获取过程相关的一些关键点。该光伏电站位于西班牙莱昂省，这个工厂占地1.56公顷。

图6.光伏电站上方图像的采集过程。

结论

为了识别和定位可能严重影响输出发电的过早故障，必须对光伏系统的运行状况进行监测。红外成像是识别、分类和定位缺陷或有缺陷的光伏组件的金标准。然而，由合格操作员进行的地面IRT成像分析是一个费时复杂的检查过程，增加了操作成本。此外，对于大型光伏发电系统的检测也是不现实的。

因此，采用基于无人机的方法是合理的。然而，实施一种成本效益高的方法来扫描和检查巨大的光伏电站是主要的挑战，如成本和时间检测光伏组件缺陷的分类和精确定位在太阳能电站。此外，在对光伏电站进行适当检查时，应考虑到许多技术方面的考虑。在这项工作中，研究人员采用了一种全自动的方法来检测、分类和定位光伏组件中的热缺陷。在这项工作中，研究人员提出了一个稳健和全面的程序，提供创新性的特点。该系统已在TSK公司拥有的一个大型光伏电站进行了测试，结果表明该系统可用于光伏电站的自动热检测。

论文链接：https://www.mdpi.com/2076-3417/10/17/5948/htm