CN103886616A - 一种基于全天空成像数据的光伏发电功率超短期预测方法 - Google Patents
一种基于全天空成像数据的光伏发电功率超短期预测方法 Download PDFInfo
- Publication number
- CN103886616A CN103886616A CN201410064847.6A CN201410064847A CN103886616A CN 103886616 A CN103886616 A CN 103886616A CN 201410064847 A CN201410064847 A CN 201410064847A CN 103886616 A CN103886616 A CN 103886616A
- Authority
- CN
- China
- Prior art keywords
- cloud
- cloud cluster
- imaging data
- generation power
- barycenter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全天空成像数据的光伏发电功率超短期预测方法,主要包括:基于预设的阈值,将全天空云图像数据进行二值化处理;基于二值化处理结果,云团检测和标注;基于检测和标注结果,提取云团质心;基于云团质心提取结果,通过相邻若干帧图像,计算云团运动速度和方向;基于云团运动速度和方向计算结果,分析电站被遮挡的时间,预测光伏功率变化情况。本发明所述基于全天空成像数据的光伏发电功率超短期预测方法,可以克服现有技术中稳定性差、能量转换效率低和环保性差等缺陷,以实现稳定性好、能量转换效率高和环保性好的优点。
Description
技术领域
本发明涉及针对光伏发电的云层运动特征分析领域,具体地,涉及一种基于全天空成像数据的光伏发电功率超短期预测方法。
背景技术
根据相关统计,国家发改委已在青海、甘肃等省份规划了十余个百万千瓦级光伏发电基地,目前,我国已进入光伏发电高速发展时期。2012年全年国家电网调度范围光伏发电量35.68亿千瓦时,同比增长466%。
以甘肃为例,截至2013年11月,甘肃并网光伏发电容量已超过200万千瓦,成为既风电之后的第二大新兴能源。众所周知,光伏发电是通过太阳能电池板将太阳辐射的能量转化为电能,因此,基于全天空成像仪的云层运动特征分析有助于对大型光伏发电基地所在区域进行辐射强度监测,从而促进规模化光伏发电的发展,加快新能源对传统能源的替代步伐,在保障国家能源安全,促进节能减排,保护生存环境等方面具有重要意义。
在实现本发明的过程中,发明人发现现有技术中至少存在稳定性差、能量转换效率低和环保性差等缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种基于全天空成像数据的光伏发电功率超短期预测方法,以实现稳定性好、能量转换效率高和环保性好的优点。
为实现上述目的,本发明采用的技术方案是:一种基于全天空成像数据的光伏发电功率超短期预测方法,主要包括:
a、基于预设的阈值,将全天空云图像数据进行二值化处理;
b、基于上述二值化处理结果,云团检测和标注;
c、基于上述检测和标注结果,提取云团质心;
d、基于上述云团质心提取结果,通过相邻若干帧图像,计算云团运动速度和方向;
e、基于上述云团运动速度和方向计算结果,分析电站被遮挡的时间,预测光伏功率变化情况。
进一步地,所述步骤a,具体包括:
根据预先设置的阈值,将全天空成像仪所拍摄的云图时间序列图像,通过数字图像处理技术进行二值化处理(设置给定阈值,大于的点为1,小于的点为0)。
进一步地,所述步骤b,具体包括:
对于处理后的二值图像,坐标点为(i,j)点的和周围像素的连接方式有两种,即4连接方式和8连接方式;
通过选择不同的连接方式得到的连接分离不同,利用回溯法对不同连接方式的连接分量进行检测。
进一步地,所述利用回溯法对不同连接方式的连接分量进行检测的操作,具体包括:
当一个连接分量检测完以后就要相应地作一标记,每个连接分量里的像素被分配给一个惟一的整数,该整数的范围是从1到连接分量的总数;即标记值为1的像素属于第一个连接分量;标记为2的像素属于第二个连接分量,以此类推。
进一步地,所述利用回溯法对不同连接方式的连接分量进行检测的操作,具体还包括:
根据连接分量的面积去掉面积较小的连接分量,在后续的分析中不予考虑;
连接分量的面积也即连接分量所含像素点的个数,连接分量的取舍阈值的确定应根据所要确定的个数,如果确定标记N个连接分量,那么面积阈值就确定为第N个连接分量的面积,小于此面积的连接分量不予标记也不参与后续的计算,参与后续计算的连接分量叫做代表云团,N为自然数。
进一步地,所述步骤c,具体包括:
代表云团检测和标记以后便能够求得云团的质心,求质心的目的在于用质心的移动去刻画云团的整体移动;具体求取质心的方法如下:
在以A1、An为顶点的矩形框各边界经过团块A的最上、最下、最左、最右像素点,若A1点坐标为(Ax1,Ay1),An点坐标为(Axn,Ayn),团块A的质心坐标为(Ax,Ay);则:
进一步地,所述步骤d,具体包括:
通过相邻若干帧图像,计算云团运动速度和方向;即,为了刻画云团的移动,建立恰当的坐标系,建立以球面图像中心为坐标原点的极坐标系;
在该坐标系中,中球面中心坐标为(xc,yc),像素点P的原始坐标为(x,y),其中x≠xc。
进一步地,所述步骤d,具体还包括:
考虑到图像坐标中,左上角像素点为坐标原点,则P点的极坐标表示为:
在以上建立的坐标系中,若点Pt(xt,yt)为t时刻一云团的团块质心,Pt+1(xt+1,yt+1)为t+1时刻该云团的团块质心;以第一帧图像云团的团块质心为坐标原点,通过分析第二帧图像确定该云图的运动方向。
进一步地,所述步骤d,具体还包括:
根据以上建立的极坐标系,云团移动速度的和方向计算如下:
鉴于云的生效运动的复杂性和随机性,大多情况下可以将云的对流运动视为线性运动。
进一步地,所述步骤e,具体包括:
分析电站被遮挡的时间,预测光伏功率变化情况;即,通过相邻两帧图像拍摄的时间间隔及云运动速度的分析结果,计算未来预设预测时长内云对太阳的遮挡情况,从而预测未来一段时间内光伏功率的变化情况。
本发明各实施例的基于全天空成像数据的光伏发电功率超短期预测方法,由于主要包括:基于预设的阈值,将全天空云图像数据进行二值化处理;基于二值化处理结果,云团检测和标注;基于检测和标注结果,提取云团质心;基于云团质心提取结果,通过相邻若干帧图像,计算云团运动速度和方向;基于云团运动速度和方向计算结果,分析电站被遮挡的时间,预测光伏功率变化情况;可以基于全天空成像仪的云层运动特征分析有助于对大型光伏发电基地所在区域进行辐射强度监测,促进规模化光伏发电的发展,加快新能源对传统能源的替代步伐,在保障国家能源安全,促进节能减排;从而可以克服现有技术中稳定性差、能量转换效率低和环保性差的缺陷,以实现稳定性好、能量转换效率高和环保性好的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明基于全天空成像数据的光伏发电功率超短期预测方法中团块质心提取过程示意图;
图2为本发明基于全天空成像数据的光伏发电功率超短期预测方法中关于云团移动的极坐标系图;
图3为本发明基于全天空成像数据的光伏发电功率超短期预测方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
根据本发明实施例,如图1、图2和图3所示,提供了一种基于全天空成像数据的光伏发电功率超短期预测方法。
本实施例的基于全天空成像数据的光伏发电功率超短期预测方法,主要包括以下步骤:
步骤1:云图像数据二值化。
根据预先设置的阈值,将全天空成像仪所拍摄的云图时间序列图像通过数字图像处理技术进行二值化处理。
步骤2:云团检测和标注。
对于处理后的二值图像,坐标点为(i,j)点的和周围像素的连接方式有两种,4连接和8连接,通过选择不同的连接方式得到的连接分离是不一样的,连接分量的检测利用回溯法的思想。当一个连接分量检测完以后就要相应地作一标记,每个连接分量里的像素被分配给一个惟一的整数,该整数的范围是从1到连接分量的总数。即标记值为1的像素属于第一个连接分量;标记为2的像素属于第二个连接分量,以此类推。
从本申请技术方案的实验看来,一般云图的连接分量均大于10个,而相对较大团块一般小于5个,检测出太多的分量不仅会给计算带来复杂,而且跟踪较小的团块并不能真实反映云团的移动。所以至此还要根据连接分量的面积去掉面积较小的连接分量,在后续的分析中不予考虑。连接分量的面积也即连接分量所含像素点的个数,连接分量的取舍阈值的确定应根据所要确定的个数,如果确定标记N个连接分量,那么面积阈值就确定为第N个连接分量的面积,小于此面积的连接分量不予标记也不参与后续的计算,参与后续计算的连接分量叫做代表云团。
步骤3:提取云团质心。
代表云团检测和标记以后便可以求得云团的质心,求质心的目的在于用质心的移动去刻画云团的整体移动。具体求取质心的方法如下:
在图1中A1、An为顶点的矩形框各边界经过团块A的最上,最下,最左,最右像素点,若A1点坐标为(Ax1,Ay1),An点坐标为(Axn,Ayn),团块A的质心坐标为(Ax,Ay)。则:
步骤4:通过相邻若干帧图像,计算云团运动速度和方向。
为了刻画云团的移动,需建立恰当的坐标系,建立以球面图像中心为坐标原点的极坐标系(如图2)。
在图2中球面中心坐标为(xc,yc),像素点P的原始坐标为(x,y),其中x≠xc。考虑到图像坐标中,左上角像素点为坐标原点,则P点的极坐标表示为:
在图2中若点Pt(xt,yt)为t时刻一云团的团块质心,Pt+1(xt+1,yt+1)为t+1时刻该云团的团块质心。以第一帧图像云团的团块质心为坐标原点,通过分析第二帧图像确定该云图的运动方向。
根据以上建立的极坐标系,云团移动速度的和方向计算如下:
鉴于云的生效运动的复杂性和随机性,大多情况下可以将云的对流运动视为线性运动。
步骤5:分析电站被遮挡的时间,预测光伏功率变化。
通过相邻两帧图像拍摄的时间间隔及云运动速度的分析结果,计算未来30分钟-2小时(根据预测时长不同)之内云对太阳的遮挡情况,从而预测未来一段时间内光伏功率的变化。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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。
Claims (10)
1.一种基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,主要包括:
a、基于预设的阈值,将全天空云图像数据进行二值化处理;
b、基于上述二值化处理结果,云团检测和标注;
c、基于上述检测和标注结果,提取云团质心;
d、基于上述云团质心提取结果,通过相邻若干帧图像,计算云团运动速度和方向;
e、基于上述云团运动速度和方向计算结果,分析电站被遮挡的时间,预测光伏功率变化情况。
2.根据权利要求1所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤a,具体包括:
根据预先设置的阈值,将全天空成像仪所拍摄的云图时间序列图像,通过数字图像处理技术进行二值化处理。
3.根据权利要求1或2所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤b,具体包括:
对于处理后的二值图像,坐标点为(i,j)点的和周围像素的连接方式有两种,即4连接方式和8连接方式;
通过选择不同的连接方式得到的连接分离不同,利用回溯法对不同连接方式的连接分量进行检测。
4.根据权利要求3所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述利用回溯法对不同连接方式的连接分量进行检测的操作,具体包括:
当一个连接分量检测完以后就要相应地作一标记,每个连接分量里的像素被分配给一个惟一的整数,该整数的范围是从1到连接分量的总数;即标记值为1的像素属于第一个连接分量;标记为2的像素属于第二个连接分量,以此类推。
5.根据权利要求4所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述利用回溯法对不同连接方式的连接分量进行检测的操作,具体还包括:
根据连接分量的面积去掉面积较小的连接分量,在后续的分析中不予考虑;
连接分量的面积也即连接分量所含像素点的个数,连接分量的取舍阈值的确定应根据所要确定的个数,如果确定标记N个连接分量,那么面积阈值就确定为第N个连接分量的面积,小于此面积的连接分量不予标记也不参与后续的计算,参与后续计算的连接分量叫做代表云团,N为自然数。
6.根据权利要求5所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤c,具体包括:
代表云团检测和标记以后便能够求得云团的质心,求质心的目的在于用质心的移动去刻画云团的整体移动;具体求取质心的方法如下:
在以A1、An为顶点的矩形框各边界经过团块A的最上、最下、最左、最右像素点,若A1点坐标为(Ax1,Ay1),An点坐标为(Axn,Ayn),团块A的质心坐标为(Ax,Ay);则:
7.根据权利要求6所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤d,具体包括:
通过相邻若干帧图像,计算云团运动速度和方向;即,为了刻画云团的移动,建立恰当的坐标系,建立以球面图像中心为坐标原点的极坐标系;
在该坐标系中,中球面中心坐标为(xc,yc),像素点P的原始坐标为(x,y),其中x≠xc。
8.根据权利要求7所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤d,具体还包括:
考虑到图像坐标中,左上角像素点为坐标原点,则P点的极坐标表示为:
在以上建立的坐标系中,若点Pt(xt,yt)为t时刻一云团的团块质心,Pt+1(xt+1,yt+1)为t+1时刻该云团的团块质心;以第一帧图像云团的团块质心为坐标原点,通过分析第二帧图像确定该云图的运动方向。
9.根据权利要求8所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤d,具体还包括:
根据以上建立的极坐标系,云团移动速度的和方向计算如下:
鉴于云的生效运动的复杂性和随机性,大多情况下可以将云的对流运动视为线性运动。
10.根据权利要求9所述的基于全天空成像数据的光伏发电功率超短期预测方法,其特征在于,所述步骤e,具体包括:
分析电站被遮挡的时间,预测光伏功率变化情况;即,通过相邻两帧图像拍摄的时间间隔及云运动速度的分析结果,计算未来预设预测时长内云对太阳的遮挡情况,从而预测未来一段时间内光伏功率的变化情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410064847.6A CN103886616A (zh) | 2014-02-25 | 2014-02-25 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410064847.6A CN103886616A (zh) | 2014-02-25 | 2014-02-25 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103886616A true CN103886616A (zh) | 2014-06-25 |
Family
ID=50955489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410064847.6A Pending CN103886616A (zh) | 2014-02-25 | 2014-02-25 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886616A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225252A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力大学(保定) | 云团运动预测方法 |
CN106651997A (zh) * | 2016-12-30 | 2017-05-10 | 温州波普科技有限公司 | 图片处理方法及系统 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN107133685A (zh) * | 2016-02-26 | 2017-09-05 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN108288104A (zh) * | 2017-01-10 | 2018-07-17 | 中国电力科学研究院 | 一种解决全天空云图生消变化的相似云团的判定方法 |
CN110806582A (zh) * | 2019-11-06 | 2020-02-18 | 上海眼控科技股份有限公司 | 云图图像预测准确性的评估方法、装置、设备及存储介质 |
CN111292229A (zh) * | 2020-01-16 | 2020-06-16 | 华北电力大学 | 通过天空图像-辐照度模型预测地表辐照度的方法及系统 |
CN111489028A (zh) * | 2020-04-09 | 2020-08-04 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN112132364A (zh) * | 2020-11-02 | 2020-12-25 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN112653393A (zh) * | 2020-12-09 | 2021-04-13 | 阳光电源股份有限公司 | 一种光伏系统iv诊断的控制方法及装置 |
CN114296050A (zh) * | 2022-03-07 | 2022-04-08 | 南京鼐云信息技术有限责任公司 | 基于激光雷达云图探测的光伏电站短期发电功率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915470A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种面向光伏功率预测的云团运动预估方法 |
CN103353952A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种基于地基云图的光伏功率预测方法 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
-
2014
- 2014-02-25 CN CN201410064847.6A patent/CN103886616A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915470A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种面向光伏功率预测的云团运动预估方法 |
CN103353952A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种基于地基云图的光伏功率预测方法 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
Non-Patent Citations (2)
Title |
---|
TAKESHI HASHIMOTO ET AL.: "Prediction of Output Power Variation of Solar Power Plant by Image Measurement of Cloud Movement", 《JOURNAL OF ADVANCED RESEARCH IN PHYSICS》 * |
陈志宝 等: "基于地基云图的光伏功率超短期预测模型", 《电力系统自动化》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225252B (zh) * | 2015-09-21 | 2018-03-30 | 华北电力大学(保定) | 云团运动预测方法 |
CN105225252A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力大学(保定) | 云团运动预测方法 |
CN107133685B (zh) * | 2016-02-26 | 2020-07-28 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN107133685A (zh) * | 2016-02-26 | 2017-09-05 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN106780540B (zh) * | 2016-12-08 | 2019-12-10 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN106651997A (zh) * | 2016-12-30 | 2017-05-10 | 温州波普科技有限公司 | 图片处理方法及系统 |
CN108288104A (zh) * | 2017-01-10 | 2018-07-17 | 中国电力科学研究院 | 一种解决全天空云图生消变化的相似云团的判定方法 |
CN110806582A (zh) * | 2019-11-06 | 2020-02-18 | 上海眼控科技股份有限公司 | 云图图像预测准确性的评估方法、装置、设备及存储介质 |
CN111292229A (zh) * | 2020-01-16 | 2020-06-16 | 华北电力大学 | 通过天空图像-辐照度模型预测地表辐照度的方法及系统 |
CN111292229B (zh) * | 2020-01-16 | 2022-03-15 | 华北电力大学 | 通过天空图像-辐照度模型预测地表辐照度的方法及系统 |
CN111489028A (zh) * | 2020-04-09 | 2020-08-04 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN111489028B (zh) * | 2020-04-09 | 2021-06-08 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN112132364A (zh) * | 2020-11-02 | 2020-12-25 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN112132364B (zh) * | 2020-11-02 | 2023-02-21 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN112653393A (zh) * | 2020-12-09 | 2021-04-13 | 阳光电源股份有限公司 | 一种光伏系统iv诊断的控制方法及装置 |
CN112653393B (zh) * | 2020-12-09 | 2022-07-12 | 阳光电源股份有限公司 | 一种光伏系统iv诊断的控制方法及装置 |
CN114296050A (zh) * | 2022-03-07 | 2022-04-08 | 南京鼐云信息技术有限责任公司 | 基于激光雷达云图探测的光伏电站短期发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886616A (zh) | 一种基于全天空成像数据的光伏发电功率超短期预测方法 | |
Li et al. | An unmanned inspection system for multiple defects detection in photovoltaic plants | |
Zhang et al. | InsuDet: A fault detection method for insulators of overhead transmission lines using convolutional neural networks | |
Karimi et al. | Generalized and mechanistic PV module performance prediction from computer vision and machine learning on electroluminescence images | |
CN109741320A (zh) | 一种基于航拍图像的风电叶片故障检测方法 | |
CN103412296B (zh) | 无序激光点云数据中自动提取电力塔方法 | |
Hou et al. | Image anomaly detection for IoT equipment based on deep learning | |
CN113837991A (zh) | 图像处理方法、装置、设备及存储介质 | |
Ren et al. | Design of photovoltaic hot spot detection system based on deep learning | |
Korovin et al. | Anomaly detection in electroluminescence images of heterojunction solar cells | |
Li et al. | Dam surface crack detection based on deep learning | |
Patel et al. | Defect detection in PV arrays using image processing | |
Tang et al. | Edge intelligence for smart EL images defects detection of PV plants in the IoT-based inspection system | |
Jianxun et al. | PVNet: A novel semantic segmentation model for extracting high-quality photovoltaic panels in large-scale systems from high-resolution remote sensing imagery | |
Montoya et al. | Remote condition monitoring for photovoltaic systems | |
Masita et al. | 75mw ac pv module field anomaly detection using drone-based ir orthogonal images with res-cnn3 detector | |
Chu et al. | Fine‐grained crack segmentation for high‐resolution images via a multiscale cascaded network | |
CN113837994A (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
Cao et al. | Improved YOLOv8-GD deep learning model for defect detection in electroluminescence images of solar photovoltaic modules | |
Liu et al. | A wind turbine damage detection algorithm designed based on YOLOv8 | |
Otamendi et al. | A scalable framework for annotating photovoltaic cell defects in electroluminescence images | |
Huang et al. | Fault diagnosis for solar panels using convolutional neural network | |
Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model | |
Verma et al. | A machine learning-based image classification of silicon solar cells | |
Verma et al. | Automatic Defect Classification of Electro-Luminescence Images of Photovoltaic Modules Based on Deep Learning CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140625 |
|
RJ01 | Rejection of invention patent application after publication |