★ 大唐向陽風電有限公司 劉超，高寶金，朱廷旺，謝志勇，薛瑩

★ 國能眾智（北京）科技有限公司  王嘉

關鍵詞：新能源場站；智能巡檢；全域感知；改進YOLOv8；空-地協同

新能源場站，如風電場、光伏電站普遍具有場站點多面廣、地理分布分散、自然環境復雜惡劣等特點，傳統人工巡檢模式存在作業風險高、巡檢效率低、數據采集不全面等突出問題[1]。風電機組塔筒高度普遍超過80m，葉片長度可達50m以上，人工登塔作業不僅勞動強度大，還易造成高空墜落、觸電等安全事故；光伏電站占地面積廣，組件數量龐大，人工巡檢難以實現全覆蓋、高頻次的設備狀態監測。此外，新能源場站通常位于偏遠地區，網絡通信條件有限，設備運行數據與安防信息難以實時匯聚與智能研判，導致故障響應滯后、決策成本居高不下，嚴重影響場站運維經濟性與安全水平。上述問題已成為制約新能源行業高質量發展的共性技術瓶頸。

計算機視覺、邊緣計算、多智能體協同等人工智能技術的發展，為新能源場站智能巡檢提供了新的技術路徑。但現有研究多聚焦于單一設備或特定場景，缺乏面向風電場、光伏電站全場景、全設備、全流程的智能安防與運維管控體系架構[2,3]。如何突破多源感知融合、空地一體化協同巡檢、故障精準預警等關鍵技術，實現從被動搶修向主動預防、從人工巡檢向智能管控的模式轉變，成為該領域亟待解決的核心問題。基于此，本文開展了基于多設備協同的新能源場站智能巡檢技術的研究。

1   基于多設備協同的新能源場站全域感知

為滿足新能源場站智能巡檢需求，本研究引進多設備協同技術，進行新能源場站的全域感知設計。

針對風電場與光伏電站設備分散、通信孤島化的問題，本研究設計了由軌道機器人、巡檢無人機及固定感知終端組成的異構協同感知框架。軌道機器人沿風機塔筒垂直導軌運行，搭載可見光相機、紅外熱像儀與超聲波傳感器，單臺覆蓋垂直高度0~90m范圍；巡檢無人機配置雙光云臺與激光雷達，單架次續航28min，覆蓋半徑3.5km；固定感知終端部署于箱變、逆變器及光伏陣列關鍵節點，每臺終端集成溫濕度傳感器、振動傳感器及4K網絡攝像機。新能源場站多設備協同感知架構如圖1所示。

圖1 新能源場站多設備協同感知架構示意圖

以固定感知終端為例， 其采樣頻率為溫度每10s、 1次、振動每1s、2000次、圖像每30s、1幀，數據經5G模塊實時回傳至邊緣節點。采樣現場如圖2所示。

圖2 采樣現場

依托上述多設備協同感知架構，系統可輸出圖像、溫度、振動、位置等多模態數據， 由此構建覆蓋風機塔筒、葉片、箱變及光伏區的多設備協同感知與數據匯聚體系。

2   基于人工智能技術的缺陷實時識別與精準定位

基于上文采集的多模態數據，本研究采用改進YOLOv8檢測模型與自適應圖像增強算法構建缺陷識別模塊。模型部署于邊緣-云端兩級架構，邊緣側運行輕量化版本完成實時預處理與初篩，云端大模型對可疑目標進行精準復核[4]。采用自適應圖像增強算法，并對YOLOv8進行改進：在Backbone部分引入可變形卷積，以增強裂紋幾何特征的提取能力；在Neck部分融合CBAM注意力機制，以強化通道響應。在缺陷識別過程中，需要量化預測框與真實標注框的重合程度，因此引進交并比指標IoU，如式（1）所示：

式中：A_pred為模型預測的缺陷邊界框面積；  為人工標注的真實缺陷邊界框面積。

模型訓練時需要優化預測置信度與真實標簽之間的差異，因此，構造置信度損失函數L_conf，如式（2）所示：

式中：N為單批次輸入的錨框總數；yi第個錨框的真實標簽；為第個錨框的預測置信度。

上述損失函數收斂后模型完成訓練。在此基礎上，為評估訓練完成模型對缺陷位置的檢測精度，引進平均定位誤差APE，如式（3）所示：

式中：M為檢測到的缺陷總數，單位為個；  xjp為第j個缺陷預測框中心點橫坐標； yjp為第j個缺陷預測框中心點縱坐標； xjg為第j個缺陷真實框中心點橫坐標；yj為第j個缺陷真實框中心點縱坐標。

3   空-地協同智能巡檢技術

在實現多設備全域感知與缺陷實時識別的基礎上，本研究進一步設計了軌道機器人+巡檢無人機一體化協同模式，將前述設計內容集成為完整巡檢方案。

在此過程中，巡檢任務按優先級劃分為日常巡檢、專項巡檢與應急巡檢三級。日常巡檢每8h觸發1次，專項巡檢按設備健康指數動態觸發，應急巡檢由固定感知終端閾值告警實時觸發[5]。路徑時空協同方面，軌道機器人沿導軌以0.3m/s速度運行，無人機飛行速度5m/s，兩者在同一風機作業時保持垂直距離>15m以規避碰撞。異常目標復檢中，當無人機發現可疑缺陷后懸停于目標上方15m處持續跟蹤，同時調度軌道機器人前往同位置于距離0.5m處進行精細節距掃描，雙源數據融合后上傳云端智能研判。

為量化空地設備聯合檢測的綜合覆蓋效果，計算協同巡檢覆蓋率cttal，如式（4）所示：

式中：K為待巡檢設備總數； S_u^k為無人機對第k個設備的有效檢測面積；為軌道機器人對第k個設備的有效檢測面積；為第k個設備的待檢測總面積。

為保障空地設備協同作業時的安全避讓，需要進行任務調度時間窗的約束。約束條件如式（5）所示：

式中：為無人機等待軌道機器人的最長等待時間；tgrri為軌道機器人到達目標位置的計劃時間；  d_safe為空-地設備間的安全距離； 為軌道機器人沿導軌運行速度；tuarrive為無人機到達同目標位置的計劃時間。

按照上述技術方案，軌道機器人與無人機分別承擔了精細節距掃描與高空廣域巡查任務。兩者在時間維度上遵循任務調度時間窗約束，在空間維度上保持安全距離并實現異常目標復檢協同。數據回傳采用優先級隊列策略保障了緊急信息的實時性，雙源融合機制提升了可疑目標研判的可靠性。

4   實驗與分析

4.1   實驗準備

本研究以某百萬千瓦級新能源綜合基地為測試對象。該場站包含風電場與光伏電站兩種發電類型，場區總面積約4200畝，年均上網電量約5.8億kWh。對本次研究的新能源場站規格參數進行分析，如表1所示。

表1 新能源場站規格參數

根據本次實驗需求，搭建如圖3所示的測試現場。

圖3 測試現場

采集場站連續30天的運行數據， 構建測試樣本集，部分數據如表2所示。

表2 新能源場站設備運行數據樣本

完成上述部署后，對測試環境進行整體調試，并引入文獻 [1]、 [2] 中的方法作為對照，開展新能源場站智能巡檢技術的應用效果測試。

4.2    新能源場站智能巡檢中異常設備定位偏差檢驗

為驗證本文方法對異常設備的定位精度，選取場站內10處預設故障點進行定位測試。分別采用文獻 [1]方法、文獻 [2]方法與本文方法對各故障點進行檢測定位，記錄每種方法輸出的定位坐標與實際標定坐標之間的歐氏距離偏差。每種方法重復測試3次取平均值，測試結果如表3所示。

表3 不同方法異常設備定位偏差對比

由表3數據可知，文獻 [1]方法對10處故障點的平均定位偏差為0.478m，文獻 [2]方法平均定位偏差為0.393m，本文方法平均定位偏差為0.100m。本文方法定位精度較文獻 [1]提升約79.1%， 較文獻 [2]提升約74.6%。這是因為本文采用空-地協同復檢機制，由無人機完成初檢后調度軌道機器人開展近距離精掃，通過雙源數據融合有效消除了單設備觀測視角局限所帶來的定位偏差。

5   結束語

本文針對新能源場站設備分散、巡檢盲區多、人工登塔作業風險高等行業難題，提出了一種基于多設備協同的智能巡檢技術，構建了由軌道機器人、巡檢無人機及固定感知終端組成的全域感知架構，形成了覆蓋風機塔筒、葉片、箱變及光伏區的自動化、全范圍智能巡檢體系。實驗結果表明，本文方法在異常設備定位精度方面較對比方法提升約75%，驗證了該技術的有效性與實用性，可為新能源場站智能化運維提供技術參考。

作者簡介：

劉   超（1973-），男，吉林長春人，高級工程師，學士，現就職于大唐向陽風電有限公司，研究方向為電氣工程與自動化。

高寶金（1988-），男，吉林長春人，高級工程師，學士，現就職于大唐向陽風電有限公司，研究方向為機械設計制造及其自動化。

朱廷旺（1971-） ，男，吉林長春人，高級工程師，學士，現就職于大唐向陽風電有限公司，研究方向為計算機軟件。

謝志勇（1982-），男，吉林長春人，高級工程師，學士，現就職于大唐向陽風電有限公司，研究方向為測控技術與儀器。

薛   瑩（1985-），女，吉林長春人，高級工程師，碩士，現就職于大唐向陽風電有限公司，研究方向為計算機科學與技術。

王   嘉（1984-），男，北京人，高級工程師（網絡與信息安全），大學本科，現就職于國能眾智（北京）科技有限公司，研究方向為電力信息系統、信息管理。

參考文獻：

[1] 曹錦利. 基于多設備協同的變電站智能巡檢技術[J].中國科技信息, 2025, (21) : 89 - 91.

[2] 樊玉平, 梁錦文, 趙海月, 等. 一種新能源場站智能巡檢系統設計[J]. 科技創新與應用, 2025, 15 (12) : 107 - 110 + 114.

[3] 李陽, 丘建培, 宋坤. 基于音視頻多模態數據感知的智能巡檢系統設計與應用[J]. 現代信息科技, 2025, 9 (3) : 189 - 193.

[4] 朱錫姣. 基于圖像識別技術的新能源場站巡檢系統設計[J]. 電氣技術與經濟, 2024, (12) : 93 - 95.

[5] 劉如武, 曾志華, 曾水秀, 等. 三位一體的智慧巡檢在光伏電站的研究與應用[J]. 江西電力, 2024, 48 (4) : 59 - 62.

摘自《自動化博覽》2026年6月刊