组合GA 与K-means 的光伏电站巡检策略研究

引言

我国西部地区存在较强的太阳辐射强度、且辐射时长密集，具有极其丰富的太阳能资源，建设有很多大型并网光伏电站。由于环境因素影响，常态化工作条件下，光伏组件极易受空气灰尘粘附，增大了光伏组件的衰减速率，严重影响光伏电站的使用寿命 ^[1][2] 同时，严重时甚至会对光伏组件造成热斑等致命问题 [4]。光伏电站的维护包含状态监测 [5]、异常检测，以及清洁等内容。光伏电站大面积光伏板维护属于常态化工作，确定对象状态与空间位置等信息是实现实现清洁作业顺序和执行作业工作的前提。本文基于当前监测方法的研究进展，采用四旋翼机器人，提出了一种组合 GA 与 K-means 的多机协同光伏电站巡检策略。

1 光伏电站巡检问题建模及分析

1.1 问题描述与建模

我国西部某地区光伏电站存在面积大、地形复杂、维护困难等问题，提出一种聚类优化、多机器人协同的光伏组件巡检策略，对积灰导致发电效果差的光伏组件进行实时、连续检测。针对所需清理的光伏组件区域进行顺序巡检，则可将光伏电站所配置的光伏组件的积灰状态上传至远程监控平台，便于各光伏组件的后续清理维护工作。

2 组合 GA 与 K-means 的多机协同策略

2.1 多机协同策略方案

光伏电站所配置的光伏组件的巡检面积可达 7700m2 ，包含 97 个检测点。考虑巡检任务的复杂性，以及检测点分布的随机性，单台无人机无法满足区域 ① 光伏电站组件的巡检工作强度。本文提出一种组合 GA 与 K-means 的多无人机协同巡检策略，组合 GA 与 K-means 的多机协同策略步骤如下：

步骤一，采用 GA 算法完成区域 ① 光伏电站组件的全局巡检路径优化；

步骤二，根据最短路径的行程、无人机性能参数计算无人机数量k，采用 K-means 聚类 k 个类簇矩阵；

步骤三，根据 k 个类簇矩阵的检测点坐标再次进行每台无人机的路径优化，并完成策略结果输出。

2.2 遗传算法过程

遗传算法（GA）是一种模拟生物遗传和进化过程的智能优化搜索算法，根本法则为“物竞天择，适者生存”，具有扩展性、并行性、鲁棒性好以及简单通用等特征。目前，基于改进遗传算法对 TSP 问题进行求解，能够得到质量更高的全局最优解。

遗传算法主要由编码、适应度函数、遗传操作（选择、交叉、变异）算子、运行参数组成。如图 5 所示，为光伏组件检测点编码示意图。

图 5. 光伏组件检测点编码示意图

选择合理的适应度函数，对优化目标个体差异的凸显具有一定优势，避免早熟收敛的问题。而巡检路径优化目标函数为路径值最短，因此直接应用巡检路径距离作为适应度函数值，计算公式简单、快速。得到适应度函数为：

遗传算子的选择交叉和和变异操作都直接影响遗传算法的效率和收敛速度，文中采用轮盘赌选择法实现，适应度大的染色体被选中的可能性也大，每个染色体的适应度除以适应度的总和，以此作为每个染色体的选择概率；交叉操作决定遗传算法的全局搜索能力，按照某种方式对两个相互配对的染色体相互交换其部分基因，从而形成两个新个体。

3 结语

本文针对光伏组件清洗维护过程中存在光伏板关键信息缺失的问题进行了实验和分析，提出了一种组合 GA 算法与 K-means 的多机协同光伏电站巡检策略。由于光伏电站建设过程中需要因地制宜，导致光伏组件空间分布具有随机特点，因此大面积光伏电站的常态化巡检工作需要进行合理规划。而不同检测设备的应用也是影响巡检工作效率的关键，本文构建了无人机能耗模型，基于全局巡检路径的优化结果完成区域分割。

参考文献

[1] 尤鸿芃 ， 汪婷婷 ， 何银涛 . 积灰对多硅晶光伏电站效率影响的实验研究 [J]. 太阳能 ，2013（23）：39-41.

YOU Hongpeng， WANG Tingting， HE Yintao. Experimental study on the effect of ash accumulation on the efficiency of polycrystalline silicon photovoltaic modules[J]. Solar Energy， 2013（23）：39-41.

[2] 王平 ， 杜炜 ， 张海宁 ， 等 . 表面积灰影响光伏组件泄漏电流与衰减寿命的研究 [J]. 太阳能学报 ，2019，40（1）：119-12

WANG Ping， DU Wei， ZHANG Haining， et al. Pollution impact on the leakage current and power degradation of photovoltaic modules[J]. Acta Energiae Solaris Sinica， 2019，40（1）：119-125