★ 大唐向阳风电有限公司 刘超，高宝金，朱廷旺，谢志勇，薛莹

★ 国能众智（北京）科技有限公司  王嘉

关键词：新能源场站；智能巡检；全域感知；改进YOLOv8；空-地协同

新能源场站，如风电场、光伏电站普遍具有场站点多面广、地理分布分散、自然环境复杂恶劣等特点，传统人工巡检模式存在作业风险高、巡检效率低、数据采集不全面等突出问题[1]。风电机组塔筒高度普遍超过80m，叶片长度可达50m以上，人工登塔作业不仅劳动强度大，还易造成高空坠落、触电等安全事故；光伏电站占地面积广，组件数量庞大，人工巡检难以实现全覆盖、高频次的设备状态监测。此外，新能源场站通常位于偏远地区，网络通信条件有限，设备运行数据与安防信息难以实时汇聚与智能研判，导致故障响应滞后、决策成本居高不下，严重影响场站运维经济性与安全水平。上述问题已成为制约新能源行业高质量发展的共性技术瓶颈。

计算机视觉、边缘计算、多智能体协同等人工智能技术的发展，为新能源场站智能巡检提供了新的技术路径。但现有研究多聚焦于单一设备或特定场景，缺乏面向风电场、光伏电站全场景、全设备、全流程的智能安防与运维管控体系架构[2,3]。如何突破多源感知融合、空地一体化协同巡检、故障精准预警等关键技术，实现从被动抢修向主动预防、从人工巡检向智能管控的模式转变，成为该领域亟待解决的核心问题。基于此，本文开展了基于多设备协同的新能源场站智能巡检技术的研究。

1   基于多设备协同的新能源场站全域感知

为满足新能源场站智能巡检需求，本研究引进多设备协同技术，进行新能源场站的全域感知设计。

针对风电场与光伏电站设备分散、通信孤岛化的问题，本研究设计了由轨道机器人、巡检无人机及固定感知终端组成的异构协同感知框架。轨道机器人沿风机塔筒垂直导轨运行，搭载可见光相机、红外热像仪与超声波传感器，单台覆盖垂直高度0~90m范围；巡检无人机配置双光云台与激光雷达，单架次续航28min，覆盖半径3.5km；固定感知终端部署于箱变、逆变器及光伏阵列关键节点，每台终端集成温湿度传感器、振动传感器及4K网络摄像机。新能源场站多设备协同感知架构如图1所示。

图1 新能源场站多设备协同感知架构示意图

以固定感知终端为例， 其采样频率为温度每10s、 1次、振动每1s、2000次、图像每30s、1帧，数据经5G模块实时回传至边缘节点。采样现场如图2所示。

图2 采样现场

依托上述多设备协同感知架构，系统可输出图像、温度、振动、位置等多模态数据， 由此构建覆盖风机塔筒、叶片、箱变及光伏区的多设备协同感知与数据汇聚体系。

2   基于人工智能技术的缺陷实时识别与精准定位

基于上文采集的多模态数据，本研究采用改进YOLOv8检测模型与自适应图像增强算法构建缺陷识别模块。模型部署于边缘-云端两级架构，边缘侧运行轻量化版本完成实时预处理与初筛，云端大模型对可疑目标进行精准复核[4]。采用自适应图像增强算法，并对YOLOv8进行改进：在Backbone部分引入可变形卷积，以增强裂纹几何特征的提取能力；在Neck部分融合CBAM注意力机制，以强化通道响应。在缺陷识别过程中，需要量化预测框与真实标注框的重合程度，因此引进交并比指标IoU，如式（1）所示：

式中：A_pred为模型预测的缺陷边界框面积；  为人工标注的真实缺陷边界框面积。

模型训练时需要优化预测置信度与真实标签之间的差异，因此，构造置信度损失函数L_conf，如式（2）所示：

式中：N为单批次输入的锚框总数；yi第个锚框的真实标签；为第个锚框的预测置信度。

上述损失函数收敛后模型完成训练。在此基础上，为评估训练完成模型对缺陷位置的检测精度，引进平均定位误差APE，如式（3）所示：

式中：M为检测到的缺陷总数，单位为个；  xjp为第j个缺陷预测框中心点横坐标； yjp为第j个缺陷预测框中心点纵坐标； xjg为第j个缺陷真实框中心点横坐标；yj为第j个缺陷真实框中心点纵坐标。

3   空-地协同智能巡检技术

在实现多设备全域感知与缺陷实时识别的基础上，本研究进一步设计了轨道机器人+巡检无人机一体化协同模式，将前述设计内容集成为完整巡检方案。

在此过程中，巡检任务按优先级划分为日常巡检、专项巡检与应急巡检三级。日常巡检每8h触发1次，专项巡检按设备健康指数动态触发，应急巡检由固定感知终端阈值告警实时触发[5]。路径时空协同方面，轨道机器人沿导轨以0.3m/s速度运行，无人机飞行速度5m/s，两者在同一风机作业时保持垂直距离>15m以规避碰撞。异常目标复检中，当无人机发现可疑缺陷后悬停于目标上方15m处持续跟踪，同时调度轨道机器人前往同位置于距离0.5m处进行精细节距扫描，双源数据融合后上传云端智能研判。

为量化空地设备联合检测的综合覆盖效果，计算协同巡检覆盖率cttal，如式（4）所示：

式中：K为待巡检设备总数； S_u^k为无人机对第k个设备的有效检测面积；为轨道机器人对第k个设备的有效检测面积；为第k个设备的待检测总面积。

为保障空地设备协同作业时的安全避让，需要进行任务调度时间窗的约束。约束条件如式（5）所示：

式中：为无人机等待轨道机器人的最长等待时间；tgrri为轨道机器人到达目标位置的计划时间；  d_safe为空-地设备间的安全距离； 为轨道机器人沿导轨运行速度；tuarrive为无人机到达同目标位置的计划时间。

按照上述技术方案，轨道机器人与无人机分别承担了精细节距扫描与高空广域巡查任务。两者在时间维度上遵循任务调度时间窗约束，在空间维度上保持安全距离并实现异常目标复检协同。数据回传采用优先级队列策略保障了紧急信息的实时性，双源融合机制提升了可疑目标研判的可靠性。

4   实验与分析

4.1   实验准备

本研究以某百万千瓦级新能源综合基地为测试对象。该场站包含风电场与光伏电站两种发电类型，场区总面积约4200亩，年均上网电量约5.8亿kWh。对本次研究的新能源场站规格参数进行分析，如表1所示。

表1 新能源场站规格参数

根据本次实验需求，搭建如图3所示的测试现场。

图3 测试现场

采集场站连续30天的运行数据， 构建测试样本集，部分数据如表2所示。

表2 新能源场站设备运行数据样本

完成上述部署后，对测试环境进行整体调试，并引入文献 [1]、 [2] 中的方法作为对照，开展新能源场站智能巡检技术的应用效果测试。

4.2    新能源场站智能巡检中异常设备定位偏差检验

为验证本文方法对异常设备的定位精度，选取场站内10处预设故障点进行定位测试。分别采用文献 [1]方法、文献 [2]方法与本文方法对各故障点进行检测定位，记录每种方法输出的定位坐标与实际标定坐标之间的欧氏距离偏差。每种方法重复测试3次取平均值，测试结果如表3所示。

表3 不同方法异常设备定位偏差对比

由表3数据可知，文献 [1]方法对10处故障点的平均定位偏差为0.478m，文献 [2]方法平均定位偏差为0.393m，本文方法平均定位偏差为0.100m。本文方法定位精度较文献 [1]提升约79.1%， 较文献 [2]提升约74.6%。这是因为本文采用空-地协同复检机制，由无人机完成初检后调度轨道机器人开展近距离精扫，通过双源数据融合有效消除了单设备观测视角局限所带来的定位偏差。

5   结束语

本文针对新能源场站设备分散、巡检盲区多、人工登塔作业风险高等行业难题，提出了一种基于多设备协同的智能巡检技术，构建了由轨道机器人、巡检无人机及固定感知终端组成的全域感知架构，形成了覆盖风机塔筒、叶片、箱变及光伏区的自动化、全范围智能巡检体系。实验结果表明，本文方法在异常设备定位精度方面较对比方法提升约75%，验证了该技术的有效性与实用性，可为新能源场站智能化运维提供技术参考。

作者简介：

刘   超（1973-），男，吉林长春人，高级工程师，学士，现就职于大唐向阳风电有限公司，研究方向为电气工程与自动化。

高宝金（1988-），男，吉林长春人，高级工程师，学士，现就职于大唐向阳风电有限公司，研究方向为机械设计制造及其自动化。

朱廷旺（1971-） ，男，吉林长春人，高级工程师，学士，现就职于大唐向阳风电有限公司，研究方向为计算机软件。

谢志勇（1982-），男，吉林长春人，高级工程师，学士，现就职于大唐向阳风电有限公司，研究方向为测控技术与仪器。

薛   莹（1985-），女，吉林长春人，高级工程师，硕士，现就职于大唐向阳风电有限公司，研究方向为计算机科学与技术。

王   嘉（1984-），男，北京人，高级工程师（网络与信息安全），大学本科，现就职于国能众智（北京）科技有限公司，研究方向为电力信息系统、信息管理。

参考文献：

[1] 曹锦利. 基于多设备协同的变电站智能巡检技术[J].中国科技信息, 2025, (21) : 89 - 91.

[2] 樊玉平, 梁锦文, 赵海月, 等. 一种新能源场站智能巡检系统设计[J]. 科技创新与应用, 2025, 15 (12) : 107 - 110 + 114.

[3] 李阳, 丘建培, 宋坤. 基于音视频多模态数据感知的智能巡检系统设计与应用[J]. 现代信息科技, 2025, 9 (3) : 189 - 193.

[4] 朱锡姣. 基于图像识别技术的新能源场站巡检系统设计[J]. 电气技术与经济, 2024, (12) : 93 - 95.

[5] 刘如武, 曾志华, 曾水秀, 等. 三位一体的智慧巡检在光伏电站的研究与应用[J]. 江西电力, 2024, 48 (4) : 59 - 62.

摘自《自动化博览》2026年6月刊