解决方案 | 人工智能在光伏安全检测中的应用研究

随着全球对可再生能源的重视，光伏产业近年来快速发展。因清洁、可再生、环保特性，其成为能源行业关注的焦点。各国政府和企业纷纷投资光伏发电项目，旨在减少对传统能源的依赖，降低温室气体排放，实现可持续发展目标。

光伏产业的快速发展也面临着安全挑战。电站设备可能遭受自然灾害和恶劣气候的损害，影响能源供应。偏远地区的电站还面临盗窃和破坏的风险，可能对环境和设备造成损失。此外，运行和维护过程中的人为失误和设备故障也可能引发安全事故。

为了确保光伏产业的可持续发展，必须加强安全管理。这包括从技术、政策和管理等多个层面建立安全标准和规范，提升设备的抗灾能力，加强监控和防护，培训专业人才，强化法规和政策的制定与执行，形成全社会共同参与的安全体系。通过解决安全问题，光伏产业将为全球能源转型和可持续发展做出积极贡献。 

随着光伏发电规模的扩大，安全问题日益凸显，对传统的安全检测方法提出了挑战。本研究旨在探讨人工智能在光伏安全检测领域的应用及其优势，为光伏系统的安全性提升和智能化发展提供有效方案，具体包括： 

（1）基于图像识别技术的光伏组件缺陷检测，通过深度学习算法实现快速准确的缺陷检测； 

（2）基于数据挖掘的故障预测，通过分析历史和实时数据，建立模型以提前发现潜在故障； 

（3）基于智能监控的安全评估，利用传感器和监控系统实时监测和评估光伏系统，及时发现安全隐患。

通过深入了解人工智能在光伏安全检测中的应用和优势，本研究将为光伏安全检测领域的研究和应用提供有价值的参考，为光伏系统的安全性提升和智能化发展奠定基础。 

光伏发电的快速发展对电站的安全检测提出了很高要求。有效的安全检测能够保障系统正常运行，及时发现潜在故障，防范系统损坏。但目前巡检的开展不太理想，大唐集团的周亚男从全国16个地区选取了46个光伏电站作为研究对象，针对这些电站在2021年的技术监督过程中在光伏电站技术管理、节能与光伏发电单元等几个方面出现的重点问题进行了详细统计分析，其中未定期开展电站巡检的比例占32.61%，客观反映了光伏电站的运维现状[1]。因此众多学者对相关技术创新展开了研究，从传统的人工检查到先进的人工智能技术的不断升级，为电站的运行提供了更可靠的安全保障。

在光伏电站智能巡检中，数据采集与预处理扮演着至关重要的角色。传感器用于收集电站设备的关键数据，如温度、湿度、电压和电流等，这些数据反映了设备的运行状态和性能，并实时传输至云端服务器。然而，传感器采集的数据往往受到噪声和无关信息的干扰，因此需要经过预处理和清洗，以确保后续算法的准确性和效率。文献[2]针对数据预处理提出了有效的方案，从数据清洗、数据归一化、特征提取和数据存储等方面进行了详细的阐述，共同构成了智能巡检系统的数据处理基础，对于提高光伏电站运维效率和安全性具有重要意义。考虑到光伏电站的网络与电网调度网络联通，高志强和向东等学者创新设计了一套符合电力监控安全要求的数据采集系统。该系统包括一台内网Linux服务器、内网数据采集软件、一台单比特数据正向隔离装置、一台外网服务器和外网数据采集器。通过网络架构的创新设计，在无需重新搭建网络或改变现场通信网络架构的情况下，数据采集软件能够直接从光伏子站服务器的备用端口采集全站信息，并使用电力通信标准104规约，通过UDP包传输方式，经过单比特正向隔离装置传输至子站服务器。此系统实现了在各个光伏电站子站使用不同厂家设备、通信协议不统一、采集数据量不统一等情况下的安全数据采集和传输，同时减少了大量网络通信设备的投入，降低了现场数据采集的施工难度[3]。

徐超和刘勇等学者介绍了一套智能化的光伏巡检系统，旨在通过引入先进的图像识别、深度学习、传感器数据分析等技术，实现对光伏电站设备的自动巡检和故障诊断。该系统能够实时监控设备运行状态，及时发现潜在故障，提高运维效率和质量，确保电站安全稳定运行并取得了良好的效果[4]。张永伟和李贵等提出了一种基于双PV-FRC（Polarity and Vector Field Random Convolution）网络的高精度故障识别技术，该技术通过两个独立的PV-FRC网络分别执行故障定位和识别任务。与传统方法相比，该方案无需人工干预提取故障特征，自动化程度高。此外，他们还采用了具有深层网络结构的卷积神经网络（CNN），对采集到的图像中的故障特征进行高级抽象化处理。通过结合光伏板特有的故障模式，如蜗牛纹和热斑，以及故障的纵横比特征，并对区域建议网络（Region Proposal Network,RPN）的生成策略进行了优化，有效滤除了杆塔、房屋等巡检图像中的背景噪声，从而显著提升了故障识别的精度[5]。

光伏安全检测面临诸多问题，要解决巡检和检测及时性的问题，也要解决问题或故障识别准确性的问题，现有方法存在一定的局限性。而新兴的人工智能技术展现出巨大潜力，要克服当前挑战，需要更多研究和技术创新，进一步完善方法和技术，确保光伏系统安全可靠运行。

人工智能（AI）是一门研究如何使计算机模拟和执行人类智能任务的学科，涵盖感知、理解、学习、推理、决策和交互等能力。AI的起源可追溯到20世纪50年代，早期研究集中在基于规则的推理和专家系统开发。随着计算机技术和算法的进步，尤其是机器学习和深度学习的兴起，AI开始快速发展，并应用于自然语言处理、计算机视觉、语音识别等领域。现代AI强调计算机系统模仿人类智能的各个方面，旨在使计算机具备自主解决复杂问题的能力，并实现与人类的自然智能交互。

AI的核心技术包括数据获取与处理、机器学习、自然语言处理、推理与决策等。数据获取与处理涉及传感器数据、数据库数据、互联网数据等多种来源，需要经过预处理、清洗和整理。机器学习通过构建数学模型和算法，使计算机从数据中学习并自动改进性能，包括监督学习、无监督学习、强化学习和深度学习。自然语言处理使计算机能够理解、处理和生成人类语言，实现语音识别、文本分析等功能。推理与决策能力使AI系统能够根据输入数据、经验和规则进行推理和判断，生成相应决策结果。

计算机视觉是使计算机能够理解和解释视觉信息的研究领域。计算机视觉技术已经能够在图像识别、目标检测、人脸识别等方面达到较高的准确率，为自动驾驶、机器人导航等领域提供了重要的支持。

在计算机视觉技术应用时，第一步就是图像的采集，第二步是对已经采集的图像进行预测分析处理，如果采用宏观检测技术则对图像整体进行分析；如果采用局部微观检测则是将图像进行切割，然后对切割后各图像内容中出现的运动物体影像进行分析。在图像数据处理中常用的技术有背景差分法、视频帧间差分法等。

卷积神经网络是使用一种局部连接和权值共享的模式，有效控制待学习的参数数量的同时逐层提取图像的高层特征信息，使得我们可以快速高效的识别。如图1所示，在卷积层，每一层卷积网络采用多个卷积核对图像数据进行卷积操作。在这里卷积核是一个3*3的矩阵，通过卷积核窗口的不断滑动计算，会提取出一张特征图。同一层的神经元可以共享卷积核，并且使用卷积核后图片的尺寸变小，也不影响原图的特征，方便后续计算。池化层则是在局部计算每个窗口的最大值或者平均值。通过这种操作，可以减少参数，只保留有用的特征，提高运算效率。最后面的全连接层则可以将学到的“分布式特征表示”映射到样本标记空间，来起到分类器的作用。通过多层卷积层和池化层的叠加，可以很好地识别出图像的特征信息，保证识别的精度和速度。

图1 卷积神经网络示例图

利用视觉AI技术可以有效提升工业安全生产现场管理的效率并降低成本。基于人工智能的视觉系统由感知设备和深度学习算法两个集成组件组成：感知设备类似于“眼睛”，而深度学习算法则类似于“大脑”。强大的计算能力能够快速解析可用数据，对照片和视频中的物体进行分类，并执行复杂的视觉感知任务：搜索图像和字幕，检测物体，识别和分类。在不更改企业原有视频监控系统网络的情况下，可以直接接入视频流进行智慧的分析，实现对厂区作业人员、作业设备、安全行为和安防等不合规现象和安全隐患的检测和发现，为传统的监控系统赋予新的能力。

安全预警平台解决了传统的视频监控模式下，海量视频录像堆积在中心，需要大量人力投入进行人工查证的问题，同时推动了监控业务模式从事后查证向主动视频防控的质的转变！基于人工智能、深度学习、GPU、大数据等最新技术以及工业场景分析预警模型，为客户构建一个实时的视频分析安全态势预警平台，能够避免重大安全事故，预防患于未然，并为客户的安全生产提供保障。通过视觉AI安全生产预警平台的建设，可以大幅减少不必要的人力和物力投入，实时高度监控可视区域，了解现场人员的实际运作情况，并对发生的一切事务进行实时快速的反应，便于及时应对处理突发变故事件，以实现安全防范和安全管理的宏观动态监控和微观取证的目标。

平台总体采用云架构，如图2所示，总体分为物、端/边缘、云三大部分。

图2 平台功能总体架构图

物：主要指作业场所的摄像机设备；

端/边缘设备：主要用于接入边缘，接入摄像机视频流数据，经过智能识别后将检测结果传递到云端，以减少链路带宽占用；

云端：是系统应用的核心，总体采用IAAS、PAAS、SAAS三层架构。IAAS层通过虚拟化技术，使得整个物理计算资源可动态调配。PAAS层采用容器和调度技术，使得应用发布轻松便捷，同时可监控和动态分配应用占用资源。SAAS层则主要面向用户提供各种业务应用功能。

整个系统核心分为上下两个层次，如图3所示，底部三层为视频数据接入层，主要为现场监控画面与异常检测数据接入、人脸识别数据接入；上层为用户应用系统层，主要为最终用户提供系统功能，主要为智能综合展示、告警事件管理、事件处置管理、配置管理、系统管理、移动APP应用等功能。

图3 系统功能架构图

图4 平台部署架构

整体网络部署结构较为简洁，如图4所示，平台整体部署在用户内部视频监控网络内，不影响生产运行网络，拓扑接入结构，以现场已有的网络结构为主，通过视频交换机并行接入视频监控网络。

4.2.1　预警模型

本文采用的AI巡检算法LeNet-5主要是基于深度学习和模式识别的原理。

首先，需要构建一个适用于光伏电站设备巡检的深度学习模型。该模型通常采用卷积神经网络（CNN）结构，通过大量的标注数据进行训练，学习设备的正常状态和故障状态的特征表示。在训练过程中，通过反向传播算法调整模型的参数，使得模型能够准确地对输入图像进行分类和识别。

LeNet-5算法结构如图5所示。

图5 LeNet-5算法结构图

LeNet-5共包含8层：

C1层是一个卷积层，由6个特征图Feature Map构成。特征图中每个神经元与输入为5×5的邻域相连。特征图的大小为28×28，这样能防止输入的连接掉到边界之外（32-5+1=28）。C1有156个可训练参数（每个滤波器5×5=25个unit参数和一个bias参数，一共6个滤波器，共(5×5+1)×6=156个参数），共156×(28×28)=122,304个连接。

S2层是一个下采样层，有6个14×14的特征图。特征图中的每个单元与C1中相对应特征图的2×2邻域相连接。S2层每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置。每个单元的2×2感受野并不重叠，因此S2中每个特征图的大小是C1中特征图大小的1/4（行和列各1/2）。S2层有12（6×（1+1）=12）个可训练参数和5880（14×14（2×2+1）×6=5880）个连接。

 C3层也是一个卷积层，它同样通过5×5的卷积核去卷积层S2，然后得到的特征map就只有10×10个神经元，但是它有16种不同的卷积核，所以就存在16个特征map了。C3中每个特征图由S2中所有6个或者几个特征map组合而成。为什么不把S2中的每个特征图连接到每个C3的特征图呢？原因有两点：第一，不完全的连接机制将连接的数量保持在合理的范围内；第二，也是最重要的，其破坏了网络的对称性。由于不同的特征图有不同的输入，所以迫使他们抽取不同的特征（希望是互补的）。 

S4层是一个下采样层，包含16个5×5的特征图。每个单元与C3层相应特征图的2×2邻域相连，S4层有32个可训练参数，2000个连接。 

C5层是一个卷积层，包含120个特征图。每个单元与S4层的全部16个单元的5×5邻域相连，C5特征图大小为11，构成S4和C5之间的全连接。C5层有48120个可训练连接。

F6层有84个单元，与C5层全相连，有10164个可训练参数。F6层计算输入向量和权重向量之间的点积，加上偏置后传递给sigmoid函数产生单元状态。

输出层由欧式径向基函数单元组成，每类一个单元，每个单元有84个输入。

为了提高巡检算法的准确性和鲁棒性，可以引入迁移学习技术。利用在其他相关领域或任务上训练好的模型参数，可以加速模型在光伏电站设备巡检任务上的收敛速度，并提升性能。

利用上述算法模型，结合现场需求和数据，本文实现的主要预警应用包括： 

（1）安全帽检测：对光伏视频监控画面中人员头部未正确佩戴标准安全帽的行为进行检测，若未佩戴则告警，包括：穿工服未戴安全帽和未穿工服未戴安全帽的人。其中，安全帽的颜色包括：白色、红色、黄色、蓝色。

（2）工作服检测：对进入生产现场人员进行分析，检测画面中出现的人员及肩部特征，根据穿戴合规准则获得人体局部目标区域位置，并对穿着长袖情况进行判别。若画面中的人员出现穿着长袖露出上胳膊的情况，则标记违规人员并上报违规事件，并通过告警等方式通知管理员。 

（3）烟火检测：对热成像监控摄像头获取到的实时视频流进行分析，若检测出监控画面中出现烟火，须上报着火异常事件，并通过告警等方式通知管理员；若有火情，监控画面中一般会出现肉眼可见的烟雾，若检测出监控画面中出现可见光烟，须上报冒烟异常事件，并通过告警等方式通知管理员；一旦发现火光、烟雾告警，则自动识别为严重告警，系统后台弹图显示告警信息。

（4）异常检测：对监控摄像头获取的实时视频流进行分析，对画面中异常高温进行监测。若获取到异常高温信息，须立即发出预警，并上报异常事件。 

（5）操作检测：在电气倒闸、GIS等区域须对监控摄像头获取到的实时视频流进行分析，自动识别监控范围内是否出现单人作业行为，若发现单人操作，立即告警同时上报违规事件。 

（6）入侵检测：在光伏场区对监控摄像头获取到的实时视频流进行分析，自动识别监控范围内是否出现人员进入光伏区域，若发现人员入侵，立即告警同时上报违规事件。

4.2.2　技术实现

本文的智能化光伏巡检系统，在延庆某光伏场站进行了实施验证。其实际系统结构如图6所示。

图6 智能化光伏巡检系统结构图

该系统核心功能包括： 

（1）自动巡检：系统通过无人机、机器人或固定摄像头自动采集图像和传感器数据，实现全面细致的巡检。 

（2）图像识别与故障诊断：深度学习模型对采集图像进行特征提取和识别，结合预设规则准确判断设备状态。

（3）实时监控与预警：系统实时监控设备状态和关键指标，发现异常立即触发预警，通知运维人员处理。 

（4）数据分析与报告：系统统计分析巡检数据，生成详细报告和优化建议，支持运维决策。 

（5）系统集成与扩展：系统与现有光伏电站管理系统无缝对接，支持定制化开发，满足特定需求。

实施光伏巡检系统后，取得了显著效果：

（1）提高了巡检效率：系统大幅减少了人力投入，降低了运维成本。 

（2）提升了巡检准确性：深度学习和图像识别技术降低了漏检和误检率。 

（3）实现了实时监控与预警：系统可以及时发现潜在故障，防止了故障扩大。 

（4）优化了运维决策：数据分析结果和报告支持运维决策，提高了发电效率和运行稳定性。 

光伏巡检系统有效提升了运维效率和质量，达到了预期效果，为电站安全稳定运行提供了保障。随着技术进步和应用拓展，系统将在未来发挥更大作用。

光伏安全检测对确保系统稳定运行和性能发挥着至关重要的作用。AI技术在此领域的应用既带来优势也存在局限，以下分别进行分析。

（1）提升了检测效率与准确性

AI技术能高效处理大量数据，它通过机器学习算法分析光伏系统运行数据，提高了检测效率并准确识别了潜在问题。例如，深度学习算法可快速准确识别光伏板表面缺陷，减少漏检和误检。

（2）实现远程监控与管理智能化

AI技术使得通过传感器和摄像头采集的数据能够实现光伏系统的实时监测和智能分析，从而提升了系统的响应速度和管理效率，能够快速发现并解决问题，减少了停机时间。 

（3）降低人工成本与风险

AI技术通过自动化检测和预警减少了对人工巡检和维护的依赖，从而降低了人力资源成本并减少了人为因素风险，提升了工作安全性。

（1）对数据质量与数量的高要求

 AI技术依赖高质量的数据。数据采集的不完整或不准确会降低算法的准确性和可靠性。因此，确保数据的质量和充足数量是关键，这可能增加建设和运维成本。 

（2）技术成熟度与人才需求限制

AI技术的应用需专业团队开发和维护算法模型，对技术人才有较高需求，对小规模或资源有限企业构成挑战。

（3）法律法规挑战

AI技术的引入带来数据安全和隐私保护的新挑战。因此，需加强数据安全保护，防止数据滥用，并遵守隐私法规。

AI技术在光伏安全检测中提升了效率、准确性和安全性，但也面临数据质量、技术人才和法规遵循等方面的挑战。为实现AI技术的高效、安全应用，需不断创新技术和完善管理措施。 

随着科技的不断发展，光伏安全检测领域正经历着一场深刻的变革。各种新技术的融合与应用，使得光伏安全检测更加智能化、高效化、精准化。未来，光伏安全检测将继续朝着智能化、高效化、精准化的方向发展，为全球可持续发展提供强有力的支持。 

首先，技术融合将是光伏安全检测的重要发展趋势。物联网、大数据、云计算等技术的不断成熟，将为光伏安全检测带来新的机遇。通过物联网，可以实现对光伏设备的实时监控，可以及时发现潜在的安全隐患；通过大数据分析，可以对光伏设备的安全状况进行智能评估，为运维人员提供了决策依据；通过云计算，可以实现光伏安全检测数据的远程存储和分析，提高了检测效率。

其次，应用拓展将为光伏安全检测带来更多的商业机会。随着光伏产业的快速发展，光伏安全检测的需求也在不断增加。未来，光伏安全检测将从单一的设备检测，向系统级检测拓展，将涵盖光伏电站的设计、建设、运营等各个环节。此外，光伏安全检测还将从地面光伏向分布式光伏、漂浮式光伏等新型光伏形式拓展，以满足不同应用场景的需求。

在未来的光伏安全检测领域，以下几个方面的技术发展值得关注：

 （1）无人机巡检技术：无人机巡检技术可以大大提高光伏安全检测的效率和准确性，降低了人工巡检的成本和风险。通过搭载高清摄像头和红外热像仪等设备，无人机可以实现对光伏设备的全方位实时监测，可以快速发现安全隐患。

（2）智能传感器技术：智能传感器可以实现对光伏设备的关键参数的实时监测，为光伏安全检测提供精确的数据支持。此外，智能传感器还可以实现故障预警功能，可以提前发现潜在的安全隐患，降低事故发生的风险。

 （3）虚拟现实与增强现实技术：虚拟现实与增强现实技术可以为光伏安全检测提供直观、便捷的操作界面，帮助运维人员更好地理解设备结构和运行状态。通过虚拟现实与增强现实技术，运维人员可以在虚拟环境中进行设备巡检和维护，提高了工作安全性和效率。 

（4）人工智能技术：人工智能技术可以实现对光伏安全检测数据的智能分析和处理，为运维人员提供更加精准的检测结果和建议。通过深度学习等技术，人工智能可以对光伏设备的安全状况进行预测和评估，为运维决策提供有力支持。 

在工业领域，视觉AI安全技术已成为提升生产安全管理效率的关键工具。它集成了感知设备和深度学习算法，充当着“眼睛”和“大脑”的角色，能够利用强大的计算能力快速准确地解析、分类和分析图像和视频，能够提供传统监控系统不具备的新功能和能力。

安全预警平台是视觉AI技术的应用实例，它解决了传统视频监控模式下人力消耗的问题，并从事后查证转变为主动视频防控，实现了质的飞跃。该平台结合了人工智能、深度学习、GPU和大数据等最新技术，并针对工业场景开发的预警模型，构建了实时视频分析安全态势预警平台，不仅能避免重大安全事故，还能提前发现潜在隐患，为安全生产提供了保障。

视觉AI安全生产预警平台的建设显著减少了人力和物力的投入，实现了对可视区域的高度实时监控，可以监测和控制现场人员的实际操作情况。通过实时快速的反应能力，及时应对突发事件，实现了安全防范和管理的目标。这种技术的应用提高了工业企业安全生产管理的效率，同时降低了成本。

尽管视觉AI安全技术在工业安全管理方面具有巨大潜力，但其应用也面临挑战，如隐私保护、算法准确性、系统稳定性等，需要持续的技术创新和改进。同时，还需关注技术的伦理道德和法律法规问题，确保其应用符合道德和法律规范。

总体来讲，视觉AI安全技术在工业生产管理中的应用带来了显著的变革，提高了管理效率，降低了成本，为工业安全提供了全面高效的解决方案。然而，我们仍需关注和解决该技术可能面临的挑战，以确保其合理、安全、可持续地应用于工业生产管理中。

参考文献略。

 end 

如需合作或咨询，请联系工业安全产业联盟小秘书微信号：ICSISIA20140417

往期荐读