无人机搭配红外热成像技术/EL（电致发光）技术光伏电站检测的应用

经过四十六年的改革开放，我国在经济和社会发展方面取得了世界瞩目的历史性成就。其中，国家碳中和、碳达标的目标逐渐实现，能源需求，尤其是新能源的需求日益增长。然而，传统发电方式带来了诸多能源和环境问题，因此，清洁能源的开发与利用越来越受到广泛关注。光伏电站作为最重要的清洁能源应用形式，已在全球范围内受到广泛关注。

在光伏电站的巡检运维过程中，由于技术手段的不足，光伏组件的热斑检测一直依赖巡检人员手持红外热成像仪进行抽查。根据电站的装机规模，抽查比例不超过 1% ，如果要实现 100% 的检测，效率之低以及工作强度之大可见一斑。手持红外热像仪在操作过程中，由于人工难以稳定控制红外热像仪与组件的距离，导致红外图片的色差不一致，从而产生了较多的漏检和误检。检测手段的不足以及抽查比例的低下，使得红外巡检长期流于形式，行业内对红外热斑检测的重视程度不够，对热斑所带来的影响和危害也缺乏足够的认知。

无人机的崛起及其迅猛发展，为解决光伏电站运维及检测难题提供了有力支持。智能无人机凭借高度的机动性，无地域限制的自由移动特性，以及多样化的任务承载能力，已在电力系统巡检领域展现出巨大潜力。通过实时反馈，自动识别缺陷，以及对电站故障现象的有效预判，智能无人机无疑能大幅提升巡检频率、效率及结果精确性，实现了电站 100% 的热斑检测及EL 检测。

一、检测与巡检效率提升

以 100 兆瓦集中式光伏电站为例，若采用人工手持红外热像仪进行每日检测，需 2 人耗时 167 天方可完成全部检测内容。然而，采用无人机进行检测，仅需2 人操作，每日可覆盖约25 兆瓦，因此全部检测完毕仅需约4 天。综上所述，全站检测仅需约4 天即可完成，无人机检测的效率约为人工检测的42 倍。

另一方面，若采用单电源手持式相机拍摄，以 580 兆瓦组件为例，100 兆瓦项目共计约172414 块组件，二人完成检测任务预计需863 天。而采用无人机一晚可覆盖约 1000 块组件，完成检测预计仅需 173 天。因此，无人机检测的效率相较人工检测提高了约5 倍。

二、检测应用模式

运用无人机配备的高清快速相机进行航测，全面捕捉光伏电站影像，进而整合获取的可见光高清图片，生成电站全局电子地图。在全局电子地图上，对光伏板进行精确标定，使各个单元的光伏板系统编号与其地图上的位置逐一对应，一目了然。

检测过程中，运用无人机配备的热成像相机和 EL 相机，通过地面站进行区域航线规划飞行，拍摄红外照片和EL 照片。

后续，对检测的红外照片、EL 照片进行处理，利用智能识别软件分析红外照片中的热斑等故障点、EL 照片分析组件隐裂点。一旦发现热斑、隐裂，将同时输出对应的可见光照片以及热斑照片、EL 照片的 GPS 坐标信息。接着，在电子地图中检索出识别出的热斑等故障点、EL 照片对应的可见光照片所对应的位置，进而调取电子地图中相应位置的局部信息。

三、设备选型

无人机需要具备双光云台搭载能力，实现可见光与红外拍照、EL 拍照、录像功能，同步记录照片中的位置、姿态信息。

无人机应配备并开通 RTK 定位功能，确保其在垂直和水平方向的悬停精度分别达到 ±0.1 米。

无人机具备自主飞行能力，可按照预设的航线进行导航，并根据设定的拍照间隔实施自动拍摄。

四、双光巡检数据采集要求

太阳辐照强度：不低于 400W/m2 ，最佳选择 ⩾700W/m2 ；

备注：晴朗天气正午辐照强度约： 1000W/m2 ，多云天气约 400W/m2 ，阴天约 200-300W/m2。

建议飞行时间：在辐照度 400W/m2 照射不低于 0.5 小时后进行，避免在正午太阳直射时飞行，产生反射（拍摄照片时避免太阳直射或通过被反射物进入镜头），EL 拍摄建议晚间进行。

摄像头角度相对正对光伏面板偏转 Θ^⋅<45^∘ ；

作业时风速 <5m/s ；

环境湿度

最佳选择环境温度 >5% ；

图像面积重叠率≥ 60% ，最佳保证 70%-75% ；（关系到拼图效果）

航向重叠率 ⩾75% ；

旁向重叠率 ⩾60% ；

双光相机飞行高度： 40m-50m ；

双光相机飞行速度： 5m/s ；

可见光飞行高度： 85m ；可见光相机飞行速度： 6m/s

五、图像像素级故障目标定位技术

图像定位技术指标：

（一）故障点逻辑位置定位（XX 子阵、XX 行、XX 列）：基于图像或视频识别的故障点，在电子地图上呈现，输出报告应准确反映故障点所处组件编号（XX 子阵、XX 行、XX 列）；

（二）故障GPS 位置定位精度：1m ；

（三）图像定位技术路径：

首先，通过 SFM 方法对附有 GPS 坐标的图像序列进行三维数字化，快速获取3D 稀疏点云，并建立起二维特征点与3D 点云之间的对应关系；

实施步骤如下：

步骤一：

在进行图像序列的三维数字化之前，首先需对图像进行预处理，将其缩小至较低分辨率。SFM（Structure From Motion）技术通过图像序列生成三维点云和相机姿态。算法实现过程主要包括以下六个步骤：

利用输入图像内部编码信息，获取相机焦距并计算内参矩阵；对相邻图像进行两两特征点匹配，可采用稳定性较高的SIFT 特征；

根据匹配点对，计算相邻图像间的本征矩阵E ；

利用本征矩阵E 求解相邻图像间的相机外参R 和T ；

采用全局 BA（Bundle Adjustment）优化 3D 点云和相机内外参，以获得精确的 3D 数据。BA 平差计算使重建点云具有较高精度，具备二维图像定位无法比拟的优势；

重建的3D 点云如图所示。

在基于 SFM 方法生成点云的过程中，同时可以确定每个 3D 点的地理坐标以及相应像素坐标。

步骤二：

在巡检类项目中，从图像像素坐标计算相应地理坐标是一项关键任务。目标检测与识别在原始图像上进行，一旦锁定目标像素坐标，就需要计算其地理坐标。由于地形的高低起伏，图像像素坐标与 UTM 地理坐标之间的转换为非线性，仅利用图像中所有特征点估算目标地理坐标是不精确的。实际操作中，我们选取目标点附近特征点集作为参考，确定参考点集后，根据参考点地理坐标与图像坐标之间的对应关系，可以建立两个区域面片之间的一一对应关系，

单应变换是将一个射影平面上的点映射到另一个射影平面上的线性变换，最后，将目标点的像素坐标带入等式左侧，即可获得较高精度的地理坐标。另外，由于在 SFM 过程中使用的是低分辨率图像，计算前需对目标点的像素坐标进行尺度变化。