西北某地一个20MW的地面光伏电站，占地上千亩，6万多块光伏组件铺了十几个方阵。电站投运4年后，运维团队发现一个问题越来越突出：组件衰减速度比设计预期快了不少，逆变器故障率在上升，而人工巡检根本跑不过来。

5个运维人员，要把所有组件巡检一遍，徒步加开车需要将近一周。等到发现问题的时候，已经错过了很多及时干预的窗口。去年有一次，一个组串的热斑持续了将近两个月才被发现，整块组件已经烧毁报废，还连带影响了同一组串的其他组件。

这篇文章记录我们是怎么给这个光伏电站做边缘AI智能运维改造的。包括方案是怎么定的、传感器怎么布的、遇到过哪些坑、实际效果怎么样。

一、现场情况摸底

第一次去电站的时候，几个信息让我印象深刻：

我之前做过几个工厂项目，但光伏电站的挑战跟工厂完全不同——露天环境、设备分散、面积大、通信距离远、还有防雷和防水要求。

二、方案设计

最终定的方案是三层架构，但和工厂项目有些区别：

感知层：热成像+电流-电压（IV）曲线监测

光伏电站的两大类故障，需要不同的监测方法：

初期只部署了4个方阵（约1.6万块组件），做POC验证。

边缘层：现场部署边缘AI网关

在电站的升压站机房里放了一台边缘AI网关。选型时有几个特殊要求：

选了支持4G LTE和6 TOPS NPU的标准型网关（S200），做了以下配置：

云端层：看板+告警+巡检工单

一个轻量级的运维管理平台，功能包括：

告警通过企业微信推送到运维主管手机。有意思的是，刚开始运维主管嫌告警太多，后来他主动要求把告警阈值调低——因为系统连续提前预警成功了几次，他信任了。

三、实施过程

第一周：硬件安装和通信调试

红外热成像云台相机的安装比想象中麻烦。每个方阵较优的观测点在中央或者对角位置，但那些位置没有供电和网络。解决方案是每台相机配一个太阳能供电系统（200W光伏板+12V蓄电池），通过4G DTU回传数据到边缘网关。

调试时遇到一个意想不到的问题：热成像相机的分辨率对检测距离很敏感。我们最初选了一款384×288分辨率的热成像模组，安装在方阵边缘的灯杆上，发现距离超过50米后组件上的热斑特征已经模糊到看不清了。后来换成了640×512分辨率的模组，有效检测距离提高到约80米。

IV曲线采集器安装相对简单，串联在组串直流线上就行。但要注意的是，采集器本身有约1W的功耗，虽然不大，但在几十个组串上都装的话，累计损耗也不小。最后只在每个方阵选了10%的关键组串安装（靠近边缘的、前期已经出现衰减的、以及参考组串）。

前两周：模型调试和误报消除

热斑检测模型上线第一天，告警数量直接让运维主管崩溃——一天200多条告警。但排查下来，绝大部分是天气原因造成的误报：

经过两周的调整和重新训练，误报率从第一天的200+条降到了每天3-5条，运维主管表示"可以接受"。

经验：光伏电站的AI视觉方案和工厂内的完全不同。工厂的环境是可控的（固定的灯光、固定的角度、稳定的背景），但户外电站的天气、光照、阴影都在变。模型泛化能力远比精度重要。

第一个月：发现第一批真实问题

系统正式运行一个月后，热斑检测模型发现了11个真实热斑。其中：

运维人员根据AI下发的工单去现场复查确认后，利用一个晴天窗口集中更换了有问题的组件。

同一时期，IV曲线监测也发现了一个隐蔽问题：2号方阵有3个组串的IV曲线出现明显的阶梯状变形，这是PID效应的典型表现。PID（电位诱导衰减）是光伏组件的慢性病，早期没有温度特征，只有IV曲线能发现。如果不处理，这3个组串在未来几个月内发电效率会逐步下降约20%-30%。

解决方案是在逆变器侧加装PID修复模块（在夜间给组件施加反向偏压），两周后IV曲线恢复了正常。

第二个月：一个意外收获——逆变器预警

系统上线后的第二个月，发生了一件意料之外的事。边缘AI网关在监测组串电流数据时，发现3号方阵的输出电流在一个月内持续下降了约7%，而该方阵的辐照度数据没有明显变化。

起初我们以为是组件脏了需要清洗。但IV曲线数据显示组串的串联电阻明显增大，这是逆变器内部IGBT模块老化的典型特征，而不是组件问题。

打开了逆变器的机箱检查，果然发现散热风扇已经卡死了一半——天气热加上散热不良，IGBT长期在高温下运行，效率已经开始衰减。更换风扇后，该方阵的输出功率在两天内恢复到了正常水平。

逆变器提前预警的一个关键点
这件事让我意识到：组串级别的电流+电压数据，配合IV曲线变化趋势，不仅可以诊断组件本身的健康状态，还能反向推断逆变器的问题。组串数据是逆变器健康的一个\"传感器\"。这次更换风扇时，风扇已经运行了4年多接近失效，如果没有及时发现，再过一个夏天IGBT可能就烧毁了。

四、实际效果

系统上线3个多月后，我们复盘了几个关键数据：

发现的热斑异常：47次
其中21次经现场确认需要处理（更换组件或修复），26次为暂时不影响发电的轻微热斑，列入观察清单。
逆变器效率退化预警：3台
1台风扇损坏（已修复），2台因电容老化导致MPPT跟踪精度下降（安排了下一次检修计划）。
组串隐患检出：2处
一处PID效应（已修复），一处组串短路——原因是MC4接头进水腐蚀导致的短路，安装了防水接头后解决。
巡检效率提升
覆盖1.6万块组件的4个方阵，AI热成像巡航一次约2小时，同等面积人工巡检需要5天以上。

当然也有做得不够好的地方。

最大的问题：4G网络的不稳定性对系统影响很大。有几个阴雨天，4G基站信号极差，导致边缘网关的数据无法上传到云端，看板上的数据断了半天。虽然边缘网关本地缓存了数据，断网期间也正常在跑AI推理和告警，但运维人员看不到实时数据心里没底。一个更稳妥的做法是再备一条通信链路（比如卫星IoT模组或者自建LoRa中继），但这会增加成本。

第二个问题：太阳供电系统的稳定性比预期差。有几台热成像相机因为连续阴雨天供电不足，导致巡航出现缺口。后来把太阳能板的倾角调大了10度，蓄电池容量也扩容了50%，问题基本解决。

第三个问题：运维人员不太习惯看IV曲线——他们更信任"眼睛看到的东西"（热成像图片）。IV曲线的解读对非专业人员门槛有点高。后来我们做了个简化版的健康评分（0-100分），低于60分就告警，不再要求他们看懂IV曲线。

五、我的思考

做完这个光伏项目，有几个体会：

光伏电站的"数据断层"比想象中严重。绝大多数电站的监控只到逆变器级别（汇流箱/箱变），组件级别的数据是真空地带。而大部分的发电损失恰恰来自组件级别的故障——热斑、PID、隐裂。把感知粒度从"逆变器级"降到"组件级"或者至少"组串级"，是智能化改造的核心价值。

热成像+IV曲线是互补的，不是替代的。热斑是靠温度看的，PID是靠电流看的。只做一样都会漏掉一些故障。缺一不可。但双管齐下也有代价——成本翻倍、数据量翻倍、调试工作量也翻倍。对于预算有限的电站，可以先做热成像（覆盖率高、发现问题直接），有条件的再加IV曲线。

户外AI应用的难点不在模型，在工程。热斑检测模型本身已经比较成熟（很多开源方案都能跑），但怎么解决云影误报、鸟粪干扰、供电不稳定、通信不可靠——这些工程问题占了项目80%的时间。这个比例和做工厂项目差不多。

电站运维团队对AI工具的接受度比工厂高。工厂里老师傅经常说"我干了一辈子不需要机器告诉我"，但电站的运维人员普遍年轻一些，对手机上的告警和看板接受度很好。运维主管很快就开始主动调参数了。

数据积累的价值正在显现。3个多月的数据已经能看出来季节性规律——哪个月份热斑高发（夏秋过渡）、哪个方阵的组件衰减最快、哪种天气下告警最多。这些规律对制定运维计划（清洗周期、检修排班、备件库存）很有帮助。如果再积累一年数据，甚至可以给每个组件做"健康档案"——从出厂到报废的完整生命周期记录。

六、给你的建议

如果你也在考虑给光伏电站做智能化改造，几点经验供参考：

  1. 先做POC再铺开——挑一个方阵（3000-5000块组件）先跑2个月，验证方案在实际环境下的效果和误报率。调整好了再一次性铺开
  2. 通信链路要冗余——光伏电站位置偏远，单一4G通信风险很高。至少在边缘网关上预留一个备用通信方式（卫星IoT模组或LoRa中继）
  3. 热成像分辨率不能太低——384×288在50米以上距离基本不够用。条件允许上640×512甚至更高。不然AI模型再强，输入图像质量不行也是白搭
  4. 不要忽视供电系统——户外设备（热成像相机、采集器）的供电稳定性直接影响系统可用率。太阳能板倾角要根据当地纬度调整，蓄电池容量要按当地最长连续阴雨天数计算
  5. 给运维人员留适应期——新系统上线第一个月误报会多一些，别着急调太严。让运维人员先建立起对系统的信任，再逐步提高告警灵敏度

光伏电站的运维智能化是个大趋势。组件价格一直在降，但度电成本的竞争中，运维效率是拉开差距的关键因素之一。越早开始积累数据，越早能从被动维修转向主动维护。