集中式光伏电站光伏发电单元火警智能监控系统的制作方法

1.本发明涉及光伏电站安全检测技术领域，具体而言，涉及集中式光伏电站光伏发电单元火警智能监控系统。


背景技术：

2.集中式光伏电站主要利用光伏发电单元、荒漠、戈壁、草原等地区，构建大型光伏电站，以接入高压输电系统供给远距离负荷。由于集中式光伏电站的地理位置特殊，占地面积大，周边环境风险隐患多，当气候异常时，容易引发山火，因此，我们需要设计集中式光伏电站火警智能监控系统，用以对光伏发电单元火警隐患的预测、定位以及预警，以保证电站的值守人员能够第一时间发现火灾隐患，在火灾事故发生前遏制事故的发生，避免火警对电站以及人员的安全造成危害。


技术实现要素：

3.本发明的目的在于提供集中式光伏电站光伏发电单元火警智能监控系统，其用于解决上述技术问题。
4.本发明的实施例通过以下技术方案实现：
5.集中式光伏电站光伏发电单元火警智能监控系统，包括集中式光伏电站，所述集中式光伏电站设置有：
6.预测模块，获取光伏发电单元及气候数据，根据预设的探测模块采集光伏发电单元的多个隐患数据，计算获取光伏发电单元的隐患指数，基于光伏发电单元的隐患指数构建火警预测模型，完成对光伏发电单元火警隐患的预测；
7.定位模块，布设多个基站及监控云台至光伏发电单元的各个区域，以获取各个基站的经纬度信息与监控云台的水平俯仰角信息，结合预设的光伏发电单元三维模型构建dem观测模型，完成对光伏发电单元火警隐患的定位；
8.预警模块，基于多个基站的有线通信传输，以完成对光伏发电单元火警隐患的预警。
9.可选的，所述光伏发电单元的多个隐患数据包括：温度隐患数据、湿度隐患数据、雨量隐患数据、风力隐患数据。
10.可选的，所述光伏发电单元的隐患指数的计算公式如下：
11.r
col
＝(w+x+y+z)-v
12.其中，r
col
为光伏发电单元的隐患指数，w为温度隐患数据，x为湿度隐患数据，y为雨量隐患数据，z为风力隐患数据，v为干扰因素，干扰因素由光伏发电单元及气候数据所获取，包括光伏发电单元的植被覆盖数据、季节数据以及雪量覆盖数据。
13.可选的，所述监控云台包括：多个视觉传感器、交换机、客户端、管理平台、nvr、gis显示设备；多个所述视觉传感器分别通过网线与所述交换机连接，所述交换机分别通过网线与所述客户端、管理平台、nvr连接，所述nvr通过vga线与所述gis显示设备连接；
14.其中，多个所述视觉传感器的监测数据通过zigbee有线通信传输至预设的中心节点处，中心节点通过zigbee有线通信上传至视觉网络内，所述视觉网络内预设有识别模块，以表征光伏发电单元原始图像与火警图像的相似值，完成对火警图像的识别。
15.可选的，所述识别模块内设置有火警图像识别模型，其构建过程如下：
16.以各个监控云台作为边缘节点，布设至光伏发电单元的各个区域，获取不同区域的光伏发电单元图像，经预处理后，进入下一步骤；
17.对不同区域的光伏发电单元图像进行特征提取，以作为训练集样本，获取历史火警图像，同样依次经过预处理、特征提取，得到火警图像特征，以作为测试集样本，分别输入至经dropout算法优化后的火警图像识别模型中进行训练，得到完成训练的火警图像识别模型；
18.将完成训练的火警图像识别模型布设至各个边缘节点内，判断不同区域的光伏发电单元图像与火警图像的相似值是否达到阈值，若否，则重新采集不同区域的光伏发电单元图像；若是，则判定发生火警，完成对火警图像的识别。
19.可选的，所述dropout算法的计算公式为：
20.r＝h
·
f(ωx+b)
21.hj～bernouli(p)
22.其中，x为输入，f为激活函数，h为二值掩膜矩阵，h中的元素hj以伯努利概率p随机取值0或1，ω为神经元的权值。
23.可选的，所述dem观测模型内还设置有异常数据判定算法，其计算公式如下：
[0024][0025]
其中，m为观测结果数据集，为观测结果数据的平均值，为观测结果数据的标准差，k为系数。
[0026]
可选的，多个所述基站划分为：主控基站、设定个数的中转基站以及中转基站对应的多个警报基站；所述主控基站通过第一设定频段信号与设定个数的所述中转基站有线通信连接，所述中转基站通过第二设定频段信号与其对应的多个所述警报基站有线通信连接；其中，所述中转基站与所述警报基站内均设置有号角扬声器、声光报警器以及音量控制器，以完成对光伏发电单元火警隐患的预警。
[0027]
本发明实施例的技术方案至少具有如下优点和有益效果：
[0028]
本实施例利用物联网技术，集视频监控技术、网络传输技术、图像智能识别技术于一体的综合系统，当设备温度发生异常后主控值班人员可及时接到报警信息，在事故发生前遏制事故的发生，进而保护了光伏发电系统的安全可靠运行，为人身和设备安全提供了保证，提高了光伏发电的可利用率，实现了提质增效的目的；
[0029]
本实施例在光伏场站上做了样机试验，通过现场人为制造高温点测试，这套装置及系统能及时发出报警，且未发生与当前系统程序相关的任何故障，未发生与本实施例相关故障，场站运行状况较好；
[0030]
本实施例可靠易行，意义重大，适用于所有集中式光伏发电场站。尤其运行时间较长的且地处牧区等火灾隐患较大的地区，各场站虽然定期对设备进行红外测温工作，但当火灾隐患发生时且未真正发生火灾时，后台检测并不能提前发现隐患，只有当设备因火灾事故导致不能运行时才能够发现，此时火灾事故可能已经不容易被控制。本实施例删繁就简，以另一种思路用最简便的方法解决了此类问题，如推广，不仅经济效益会大幅度提升，而且意义重大。
附图说明
[0031]
图1为本发明提供的集中式光伏电站光伏发电单元火警智能监控系统的构造示意图；
[0032]
图2为本发明提供的监控云台的连接示意图；
[0033]
图3为本发明提供的火警图像识别模型的构建流程示意图；
[0034]
图4为本发明提供的火点检测算法的流程示意图。
具体实施方式
[0035]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0036]
如图1所示，本发明提供了其中一种实施例：集中式光伏电站光伏发电单元火警智能监控系统，包括集中式光伏电站，所述集中式光伏电站设置有：
[0037]
预测模块，获取光伏发电单元及气候数据，根据预设的探测模块采集光伏发电单元的多个隐患数据，计算获取光伏发电单元的隐患指数，基于光伏发电单元的隐患指数构建火警预测模型，完成对光伏发电单元火警隐患的预测；
[0038]
定位模块，布设多个基站及监控云台至光伏发电单元的各个区域，以获取各个基站的经纬度信息与监控云台的水平俯仰角信息，结合预设的光伏发电单元三维模型构建dem观测模型，完成对光伏发电单元火警隐患的定位；
[0039]
所述光伏发电单元三维模型的构建过程：
[0040]
通过多个基站及监控云台布设在光伏发电单元的各个区域，以获取光伏发电单元的各个区域图像；
[0041]
对采集的光伏发电单元的各个区域图像进行处理，并结合多个基站及监控云台的布设位置，生成光伏发电单元的三维点云数据；
[0042]
对光伏发电单元的三维点云数据进行优化处理，得到光伏发电单元三维模型，并将光伏发电单元三维模型导入至gis内。
[0043]
在接收到预测模块上报的光伏发电单元火警隐患的预测后，可根据设备所在区域的基站经纬度位置，监控云台的水平俯仰角信息，定位出光伏发电单元火警隐患位置，并在
gis上显示。当火警周围有多个基站时，可通过交叉定位，提高光伏发电单元火警隐患位置的定位精度。
[0044]
预警模块，基于多个基站的有线通信传输，以完成对光伏发电单元火警隐患的预警。
[0045]
在本实施例中，能够实现对全地形火警的全天候监测及实时预警，并支持火警处置、救援力量调度、预案管理等功能，尽早发现火警火险，尽可能低降低火灾对电站安全的影响。
[0046]
在本实施例中，所述光伏发电单元的多个隐患数据包括：温度隐患数据、湿度隐患数据、雨量隐患数据、风力隐患数据。
[0047]
在本实施例中，所述光伏发电单元的隐患指数的计算公式如下：
[0048]rcol
＝(w+x+y+z)-v
[0049]
其中，r
col
为光伏发电单元的隐患指数，w为温度隐患数据，x为湿度隐患数据，y为雨量隐患数据，z为风力隐患数据，v为干扰因素，干扰因素由光伏发电单元及气候数据所获取，包括光伏发电单元的植被覆盖数据、季节数据以及雪量覆盖数据。
[0050]
如图2所示，在本实施例中，所述监控云台包括：多个视觉传感器、交换机、客户端、管理平台、nvr、gis显示设备；多个所述视觉传感器分别通过网线与所述交换机连接，所述交换机分别通过网线与所述客户端、管理平台、nvr连接，所述nvr通过vga线与所述gis显示设备连接；
[0051]
其中，多个所述视觉传感器的监测数据通过zigbee有线通信传输至预设的中心节点处，中心节点通过zigbee有线通信上传至视觉网络内，所述视觉网络内预设有识别模块，以表征光伏发电单元原始图像与火警图像的相似值，完成对火警图像的识别。
[0052]
如图3所示，在本实施例中，所述识别模块内设置有火警图像识别模型，其构建过程如下：
[0053]
以各个监控云台作为边缘节点，布设至光伏发电单元的各个区域，获取不同区域的光伏发电单元图像，经预处理后，进入下一步骤；
[0054]
对不同区域的光伏发电单元图像进行特征提取，以作为训练集样本，获取历史火警图像，同样依次经过预处理、特征提取，得到火警图像特征，以作为测试集样本，分别输入至经dropout算法优化后的火警图像识别模型中进行训练，得到完成训练的火警图像识别模型；
[0055]
将完成训练的火警图像识别模型布设至各个边缘节点内，判断不同区域的光伏发电单元图像与火警图像的相似值是否达到阈值，若否，则重新采集不同区域的光伏发电单元图像；若是，则判定发生火警，完成对火警图像的识别。
[0056]
在本实施例中，上述所述的预处理具体为平均值计算、二值化处理、去噪。
[0057]
其中，平均值计算公式为：
[0058][0059]
其中，xx，j(k)为第k帧的火警图像，bi，j为经过平均值计算后的原始光伏发电单元图像。
[0060]
二值化处理的计算公式为：
[0061][0062]
其中，(x，y)为像素，f(x，y)为像素的原属性，g(x，y)为像素变化后的属性，σ为阈值点，g0与g1分别为光伏发电单元图像完成二值化后的颜色。
[0063]
去噪算法的计算公式为：
[0064][0065]
其中，为完成去噪的光伏发电单元图像及历史火警图像，p(x，y)为受到噪声污染的光伏发电单元图像及历史火警图像，(x，y)为完成去噪的光伏发电单元图像及历史火警图像某一像素点，(x，y)为受到噪声污染的光伏发电单元图像及历史火警图像的某一像素点，a
×
b为4邻域或8邻域形式的模板，q为模板的区域。
[0066]
在本实施例中，所述dropout算法的计算公式为：
[0067]
r＝h
·
f(ωx+b)
[0068]hj
～bernouli(p)
[0069]
其中，x为输入，f为激活函数，h为二值掩膜矩阵，h中的元素hj以伯努利概率p随机取值0或1，ω为神经元的权值。
[0070]
在本实施例中，所述dem观测模型内还设置有异常数据判定算法，其计算公式如下：
[0071][0072]
其中，m为观测结果数据集，为观测结果数据的平均值，为观测结果数据的标准差，k为系数。
[0073]
如图4所示，在本实施例中，监控云台处上述方法外，还可采用基于热成像原始数据的火点检测算法，算法采用动态搜索和静态二次确认的模式，动态搜索模式是指在云台巡航过程中，通过检测每帧图像的背景灰度值，得出可疑火源阈值，根据计算占空比、中心点位置、图像质量、尺寸大小等目标特征做目标跟踪，提升火点检测的及时性，保证能在第一时间发现火点。静态二次确认模式是指云台停止转动，让可疑火源在画面中居中，进行再次多帧识别检测，从图像形状变化、温度分布、运动趋势等进行综合分析，同时结合占空比过滤模块、特征过滤模块等算法模块减少误报。
[0074]
在本实施例中，多个所述基站划分为：主控基站、设定个数的中转基站以及中转基站对应的多个警报基站；所述主控基站通过第一设定频段信号与设定个数的所述中转基站有线通信连接，所述中转基站通过第二设定频段信号与其对应的多个所述警报基站有线通
信连接；其中，所述中转基站与所述警报基站内均设置有号角扬声器、声光报警器以及音量控制器，以完成对光伏发电单元火警隐患的预警。
[0075]
在具体应用中，本实施例不仅可以用于光伏发电单元的环境中，并且可以应用于山地、草原等多种复杂环境中，以保证集中式光伏电站工作环境的安全性。
[0076]
结合上述，本实施例利用物联网技术，集视频监控技术、网络传输技术、图像智能识别技术于一体的综合系统，当设备温度发生异常后主控值班人员可及时接到报警信息，在事故发生前遏制事故的发生，进而保护了光伏发电系统的安全可靠运行，为人身和设备安全提供了保证，提高了光伏发电的可利用率，实现了提质增效的目的。
[0077]
本实施例在光伏场站上做了样机试验，通过现场人为制造高温点测试，这套装置及系统能及时发出报警，且未发生与当前系统程序相关的任何故障，未发生与本实施例相关故障，场站运行状况较好。
[0078]
本实施例可靠易行，意义重大，适用于所有集中式光伏发电场站。尤其运行时间较长的且地处牧区等火灾隐患较大的地区，各场站虽然定期对设备进行红外测温工作，但当火灾隐患发生时且未真正发生火灾时，后台检测并不能提前发现隐患，只有当设备因火灾事故导致不能运行时才能够发现，此时火灾事故可能已经不容易被控制。本实施例删繁就简，以另一种思路用最简便的方法解决了此类问题，如推广，不仅经济效益会大幅度提升，而且意义重大。
[0079]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。