CN109102504A - 一种光伏电池组件表面污秽覆盖情况识别方法及系统 - Google Patents
一种光伏电池组件表面污秽覆盖情况识别方法及系统 Download PDFInfo
- Publication number
- CN109102504A CN109102504A CN201810933657.1A CN201810933657A CN109102504A CN 109102504 A CN109102504 A CN 109102504A CN 201810933657 A CN201810933657 A CN 201810933657A CN 109102504 A CN109102504 A CN 109102504A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic cell
- cell component
- gray
- photovoltaic
- level image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种光伏电池组件表面污秽覆盖情况识别方法及系统,包括:步骤(1):识别灰尘覆盖的光伏电池组件样本的图像灰度,建立光伏电池组件样本表面特征模型;步骤(2):利用建立的光伏点值组件样本表面特征模型,对待分析光伏电池板表面污秽覆盖情况进行识别。通过识别光伏电池组件表面污染物情况能够为光伏电站日常清洗安排提供重要的参考。该发明有助于识别光伏组件的清洁情况,提高地面光伏电站的运维效率,对提升光伏电站的运维水平具有重要的意义。
Description
技术领域
本发明涉及一种光伏电池组件表面污秽覆盖情况识别方法及系统。
背景技术
近年来,光伏发电在社会用能中占用比例越来越大。地面光伏电站主要位于不适应耕种的沙漠、荒漠及山岭等地区,也有小型光伏电站位于屋顶、厂房等位置。在日常运行过程中,地面光伏电站暴露于空气中,空气中的尘埃等物质容易在电池组件表面集聚。
光伏电池组件表面积聚污秽后不断影响发电效率,影响电池组件的正常运行,进而影响了光伏电站的发电量和经济效益。
发明内容
本发明涉及一种光伏电池组件表面污秽覆盖情况识别方法及系统,能够识别光伏电池组件表面污秽物覆盖厚度。通过识别光伏电池组件表面污染物情况能够为光伏电站日常清洗安排提供重要的参考。该发明有助于识别光伏组件的清洁情况,提高地面光伏电站的运维效率,对提升光伏电站的运维水平具有重要的意义。
作为本发明的第一方面,提供了一种光伏电池组件表面污秽覆盖情况识别方法;
一种光伏电池组件表面污秽覆盖情况识别方法,包括:
步骤(1):识别灰尘覆盖的光伏电池组件样本的图像灰度,建立光伏电池组件样本表面特征模型;
步骤(2):利用建立的光伏点值组件样本表面特征模型,对待分析光伏电池板表面污秽覆盖情况进行识别。
作为本发明的进一步改进,所述步骤(1)的步骤为:
步骤(101):对新光伏电池板进行拍照,获取第一RGB图像;
将所述新光伏电池板放置在设定光照和温度下,当光伏电池板的出力为额定值的设定百分比时,对其进行拍照,获取第二RGB图像;
步骤(102):将第一RGB图像进行灰度化处理,转换为第一灰度图像;
将第二RGB图像进行灰度化处理,转换为第二灰度图像;
步骤(103):由于第二灰度图像的每个像素点的灰度值减去第一灰度图像对应像素点的灰度值,就是灰尘覆盖所造成的第三灰度图像每个像素点的灰度值;计算第三灰度图像的所有像素点的灰度值总和;
步骤(104):建立光伏电池组件样本表面特征模型:
建立光伏电池组件样本出力额定值的百分比与第三灰度图像的所有像素点的灰度值总和之间的拟合关系;
作为本发明的进一步改进,所述步骤(103)的步骤为:
其中,
Wt表示第三灰度图像的所有像素点的灰度值总和;
Wi,2表示第二灰度图像的第i个像素点的灰度值;
Wi,1表示第一灰度图像的第i个像素点的灰度值;
n表示第一、第二或第三像素点的总个数。
作为本发明的进一步改进,拟合关系f(Wt)是指:
X%=f(Wt);
其中,X%表示光伏电池组件样本出力额定值的百分比。
函数f(Wt)为拟合函数,采用多项式拟合函数的形式:
式中:Wt n为变量Wt的n次方;an、an-1、a1和a0为多项式拟合函数的系数。
作为本发明的进一步改进,所述步骤(2)的步骤为:
步骤(201):对待分析光伏电池板进行拍照,获取待分析RGB图像;将待分析RGB图像进行灰度化处理,获取第四灰度图像;
步骤(202):由于第四灰度图像的每个像素点的灰度值减去第一灰度图像对应像素点的灰度值,就是灰尘覆盖所造成的第五灰度图像每个像素点的灰度值;计算第五灰度图像的所有像素点的灰度值总和;
步骤(203):将第五灰度图像的所有像素点的灰度值总和作为输入值,输入到光伏电池组件样本表面特征模型中,输出值就是待分析光伏电池组件的出力额定值的估算百分比;
步骤(204):根据待分析光伏电池组件的出力额定值的估算百分比,计算污秽覆盖度。
作为本发明的进一步改进,所述污秽覆盖度的计算公式为:
α表示污秽覆盖度,X表示待分析光伏电池组件的出力额定值的估算百分比。
其中,
作为本发明的第二方面,提供了一种光伏电池组件表面污秽覆盖情况识别系统;
一种光伏电池组件表面污秽覆盖情况识别系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行到的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
作为本发明的第三方面,提供了一种计算机可读存储介质;
一种计算机可读存储介质,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
与现有技术相比,本发明的有益效果是:
本发明能够识别光伏电池组件表面污秽物覆盖厚度。通过识别光伏电池组件表面污染物情况能够为光伏电站日常清洗安排提供重要的参考。该发明能够提高光伏电站的运行效率,提升光伏电站的发电量,进而增进光伏电站的经济效益。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的流程图;
图2(a)-图2(c)为不同表面污染物覆盖程度的样本光伏电池组件灰度图像。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
作为本发明的第一个实施例,提供了一种光伏电池组件表面污秽覆盖情况识别方法;
一种光伏电池组件表面污秽覆盖情况识别方法,包括:
步骤(1):识别灰尘覆盖的光伏电池组件样本的图像灰度,建立光伏电池组件样本表面特征模型;
作为本发明的进一步改进,所述步骤(1)的步骤为:
步骤(101):对新光伏电池板进行拍照,获取第一RGB图像;
将所述新光伏电池板放置在设定光照和温度下,当光伏电池板的出力为额定值的设定百分比时,对其进行拍照,获取第二RGB图像;
步骤(102):将第一RGB图像进行灰度化处理,转换为第一灰度图像;
将第二RGB图像进行灰度化处理,转换为第二灰度图像;
步骤(103):由于第二灰度图像的每个像素点的灰度值减去第一灰度图像对应像素点的灰度值,就是灰尘覆盖所造成的第三灰度图像每个像素点的灰度值;计算第三灰度图像的所有像素点的灰度值总和;
作为本发明的进一步改进,所述步骤(103)的步骤为:
其中,
Wt表示第三灰度图像的所有像素点的灰度值总和;
Wi,2表示第二灰度图像的第i个像素点的灰度值;
Wi,1表示第一灰度图像的第i个像素点的灰度值;
n表示第一、第二或第三像素点的总个数。
步骤(104):建立光伏电池组件样本表面特征模型:
建立光伏电池组件样本出力额定值的百分比与第三灰度图像的所有像素点的灰度值总和之间的拟合关系;
作为本发明的进一步改进,拟合关系f(Wt)是指:
X%=f(Wt);
其中,X%表示光伏电池组件样本出力额定值的百分比。
步骤(2):利用建立的光伏点值组件样本表面特征模型,对待分析光伏电池板表面污秽覆盖情况进行识别。
作为本发明的进一步改进,所述步骤(2)的步骤为:
步骤(201):对待分析光伏电池板进行拍照,获取待分析RGB图像;将待分析RGB图像进行灰度化处理,获取第四灰度图像;
步骤(202):由于第四灰度图像的每个像素点的灰度值减去第一灰度图像对应像素点的灰度值,就是灰尘覆盖所造成的第五灰度图像每个像素点的灰度值;计算第五灰度图像的所有像素点的灰度值总和;
步骤(203):将第五灰度图像的所有像素点的灰度值总和作为输入值,输入到光伏电池组件样本表面特征模型中,输出值就是待分析光伏电池组件的出力额定值的估算百分比;
步骤(204):根据待分析光伏电池组件的出力额定值的估算百分比,计算污秽覆盖度。
作为本发明的进一步改进,所述污秽覆盖度的计算公式为:
α表示污秽覆盖度,X表示待分析光伏电池组件的出力额定值的估算百分比。
其中,
作为本发明的第二个实施例,提供了一种光伏电池组件表面污秽覆盖情况识别系统;
一种光伏电池组件表面污秽覆盖情况识别系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行到的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
作为本发明的第三个实施例,提供了一种计算机可读存储介质;
一种计算机可读存储介质,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
本发明所涉及的识别算法具有两方面的功能:(1)通过识别不同灰尘覆盖度的光伏电池组件样本的图像灰度,建立光伏电池组件样本表面特征模型;(2)利用建立的光伏点值组件样本表面特征模型,对待分析光伏电池板表面污秽覆盖情况进行识别。该识别算法具体如下:
1.1光伏组件表面特征建模
受光伏电池板表面灰尘、附着物等的影响,光伏电池板表面图像具有一定的特征。为此,需要针对光伏电池板特征建立其灰度模型。针对待分析光伏电池板组件的彩色图像,建立其灰度图。方法如下:
(1)分别取新开封光伏电池板(无任何灰尘)、标准光照及温度条件下出力为额定值X%(X取值范围95-50,公差5)的光伏电池板进行彩色拍照,获取其RGB图像。将上述两类光伏电池板的RGB标准图像转化为灰度图像,方法如下:
W=(Ro+Go+Bo)/3 (1)
式中:Ro、Go、Bo为原始图像的各个像素点的R、G、B取值,W为处理后灰度图像的相应像素点的像素取值。
(2)设新开封光伏电池板(无任何灰尘)、标准光照及温度条件下出力为额定值X%的光伏电池板经过灰度值处理后的RGB值分别为W1、W2,则W2-W1为灰尘覆盖造成的灰度值图像。
(3)设新开封光伏电池板(无任何灰尘)、标准光照及温度条件下出力为额定值X%的光伏电池板像素数为n,则每幅灰度图像的总和灰度值可表示为Wt:
(4)建立样本光伏电池板出力额定值X%与总和灰度值Wt拟合关系:
X%=f(Wt) (3)
1.2光伏组件表面污秽物积累程度识别
空气中的灰尘通过静电吸附作用在光伏组件表面积聚。灰尘的厚度特征往往可以通过对光伏组件表面颜色进行识别得到。本算法基于图像的灰色度分析结合标准样本的灰度值图像进行对照,得到样品光伏电池组件的污秽覆盖度。具体步骤如下所示:
(1)待分析光伏电池板Si进行彩色拍照,获取其RGB图像。将上述图像的RGB标准图像转化为灰度图像,如公式(1)所示。
(2)利用公式(2)得到待分析光伏电池组件的总和灰度值Wi。
(3)由公式(3)得到待分析光伏电池组件的出力估算值Xi。出力估算值Xi即反映了待分析光伏电池组件的表面污秽物覆盖情况。待分析光伏电池组件表面污染物覆盖度α计算方法如下:
光伏电池组件表面污染物覆盖度α表征了光伏电池板表面污染物覆盖对光伏电池组件发电量的影响程度。基于该指标,结合光伏电站的清洁运维成本可得到光伏电站光伏电池组件的最优清洗方案,从而提高光伏电站的经济效益。
该光伏电池组件表面污秽覆盖情况识别算法流程图如图1所示。
为分析本发明提出的光伏电池组件表面污秽覆盖情况识别算法效用,选取了某地一个实际运行的光伏电站的光伏电池组件数据和图像。图2(a)-图2(c)给出了待分析光伏电池组件的照片和灰度图像。
本发明涉及一种光伏电池组件表面污秽覆盖情况识别算法。该算法能够识别光伏电池组件表面污秽物覆盖厚度。通过识别光伏电池组件表面污染物情况能够为光伏电站日常清洗安排提供重要的参考。该专利不但适用于光伏组件表面污染物的识别,通过对识别算法相关参数进行改变也可以适用于多种类型光伏组件表面污秽积累情况的判断与识别。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种光伏电池组件表面污秽覆盖情况识别方法,其特征是,包括:
步骤(1):识别灰尘覆盖的光伏电池组件样本的图像灰度,建立光伏电池组件样本表面特征模型;
步骤(2):利用建立的光伏点值组件样本表面特征模型,对待分析光伏电池板表面污秽覆盖情况进行识别。
2.如权利要求1所述的一种光伏电池组件表面污秽覆盖情况识别方法,其特征是,
所述步骤(1)的步骤为:
步骤(101):对新光伏电池板进行拍照,获取第一RGB图像;
将所述新光伏电池板放置在设定光照和温度下,当光伏电池板的出力为额定值的设定百分比时,对其进行拍照,获取第二RGB图像;
步骤(102):将第一RGB图像进行灰度化处理,转换为第一灰度图像;
将第二RGB图像进行灰度化处理,转换为第二灰度图像;
步骤(103):由于第二灰度图像的每个像素点的灰度值减去第一灰度图像对应像素点的灰度值,就是灰尘覆盖所造成的第三灰度图像每个像素点的灰度值;计算第三灰度图像的所有像素点的灰度值总和;
步骤(104):建立光伏电池组件样本表面特征模型:
建立光伏电池组件样本出力额定值的百分比与第三灰度图像的所有像素点的灰度值总和之间的拟合关系。
3.如权利要求2所述的一种光伏电池组件表面污秽覆盖情况识别方法,其特征是,
所述步骤(103)的步骤为:
其中,
Wt表示第三灰度图像的所有像素点的灰度值总和;
Wi,2表示第二灰度图像的第i个像素点的灰度值;
Wi,1表示第一灰度图像的第i个像素点的灰度值;
n表示第一、第二或第三像素点的总个数。
4.如权利要求2所述的一种光伏电池组件表面污秽覆盖情况识别方法,其特征是,
拟合关系f(Wt)是指:
X%=f(Wt);
其中,X%表示光伏电池组件样本出力额定值的百分比。
5.如权利要求1所述的一种光伏电池组件表面污秽覆盖情况识别方法,其特征是,
所述步骤(2)的步骤为:
步骤(201):对待分析光伏电池板进行拍照,获取待分析RGB图像;将待分析RGB图像进行灰度化处理,获取第四灰度图像;
步骤(202):由于第四灰度图像的每个像素点的灰度值减去第一灰度图像对应像素点的灰度值,就是灰尘覆盖所造成的第五灰度图像每个像素点的灰度值;计算第五灰度图像的所有像素点的灰度值总和;
步骤(203):将第五灰度图像的所有像素点的灰度值总和作为输入值,输入到光伏电池组件样本表面特征模型中,输出值就是待分析光伏电池组件的出力额定值的估算百分比;
步骤(204):根据待分析光伏电池组件的出力额定值的估算百分比,计算污秽覆盖度。
6.如权利要求5所述的一种光伏电池组件表面污秽覆盖情况识别方法,其特征是,
所述污秽覆盖度的计算公式为:
α表示污秽覆盖度,X表示待分析光伏电池组件的出力额定值的估算百分比。
其中,
7.一种光伏电池组件表面污秽覆盖情况识别系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行到的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-6任一方法所述的步骤。
8.一种计算机可读存储介质,其特征是,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-6任一方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810933657.1A CN109102504A (zh) | 2018-08-16 | 2018-08-16 | 一种光伏电池组件表面污秽覆盖情况识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810933657.1A CN109102504A (zh) | 2018-08-16 | 2018-08-16 | 一种光伏电池组件表面污秽覆盖情况识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102504A true CN109102504A (zh) | 2018-12-28 |
Family
ID=64849774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810933657.1A Pending CN109102504A (zh) | 2018-08-16 | 2018-08-16 | 一种光伏电池组件表面污秽覆盖情况识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102504A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539355A (zh) * | 2020-04-27 | 2020-08-14 | 东北电力大学 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
CN113920700A (zh) * | 2021-09-23 | 2022-01-11 | 国网山西省电力公司晋中供电公司 | 基于颜色识别的灰尘沉积度检测系统 |
CN114226323A (zh) * | 2021-11-24 | 2022-03-25 | 中国电建集团华东勘测设计研究院有限公司 | 一种适用于光伏电站运维清灰的智能机器人及控制方法 |
CN117829818A (zh) * | 2024-02-26 | 2024-04-05 | 西安咸林能源科技有限公司 | 一种电厂智能巡检方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008426A1 (en) * | 2008-07-08 | 2010-01-14 | Madden Thomas E | Method, apparatus and system for converging images encoded using different standards |
CN106408605A (zh) * | 2016-08-30 | 2017-02-15 | 浙江克里蒂弗机器人科技有限公司 | 一种基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法 |
CN106483143A (zh) * | 2016-12-16 | 2017-03-08 | 吉林电力股份有限公司科技开发分公司 | 一种太阳能光伏板积灰在线监测装置及其检测方法 |
CN106647345A (zh) * | 2016-08-30 | 2017-05-10 | 浙江克里蒂弗机器人科技有限公司 | 一种基于像素分析统计学技术来判断光伏电池板是否需要清洗的方法 |
CN106846161A (zh) * | 2015-12-03 | 2017-06-13 | 甘肃省电力公司风电技术中心 | 一种大型光伏电站的电压电能情况预估方法 |
CN107276079A (zh) * | 2017-06-28 | 2017-10-20 | 北京奥新源科技股份有限公司 | 一种智能清洁评估系统 |
CN107507163A (zh) * | 2017-07-04 | 2017-12-22 | 国网山东省电力公司菏泽供电公司 | 一种识别光伏太阳能板表面污垢程度的方法及系统 |
-
2018
- 2018-08-16 CN CN201810933657.1A patent/CN109102504A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008426A1 (en) * | 2008-07-08 | 2010-01-14 | Madden Thomas E | Method, apparatus and system for converging images encoded using different standards |
CN106846161A (zh) * | 2015-12-03 | 2017-06-13 | 甘肃省电力公司风电技术中心 | 一种大型光伏电站的电压电能情况预估方法 |
CN106408605A (zh) * | 2016-08-30 | 2017-02-15 | 浙江克里蒂弗机器人科技有限公司 | 一种基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法 |
CN106647345A (zh) * | 2016-08-30 | 2017-05-10 | 浙江克里蒂弗机器人科技有限公司 | 一种基于像素分析统计学技术来判断光伏电池板是否需要清洗的方法 |
CN106483143A (zh) * | 2016-12-16 | 2017-03-08 | 吉林电力股份有限公司科技开发分公司 | 一种太阳能光伏板积灰在线监测装置及其检测方法 |
CN107276079A (zh) * | 2017-06-28 | 2017-10-20 | 北京奥新源科技股份有限公司 | 一种智能清洁评估系统 |
CN107507163A (zh) * | 2017-07-04 | 2017-12-22 | 国网山东省电力公司菏泽供电公司 | 一种识别光伏太阳能板表面污垢程度的方法及系统 |
Non-Patent Citations (1)
Title |
---|
皇甫亚波等: "太阳能电池板表面积灰模型仿真研究", 《电网与清洁能源》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539355A (zh) * | 2020-04-27 | 2020-08-14 | 东北电力大学 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
CN113920700A (zh) * | 2021-09-23 | 2022-01-11 | 国网山西省电力公司晋中供电公司 | 基于颜色识别的灰尘沉积度检测系统 |
CN114226323A (zh) * | 2021-11-24 | 2022-03-25 | 中国电建集团华东勘测设计研究院有限公司 | 一种适用于光伏电站运维清灰的智能机器人及控制方法 |
CN117829818A (zh) * | 2024-02-26 | 2024-04-05 | 西安咸林能源科技有限公司 | 一种电厂智能巡检方法及系统 |
CN117829818B (zh) * | 2024-02-26 | 2024-06-14 | 西安咸林能源科技有限公司 | 一种电厂智能巡检方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102504A (zh) | 一种光伏电池组件表面污秽覆盖情况识别方法及系统 | |
Wang et al. | Regional prediction of ground-level ozone using a hybrid sequence-to-sequence deep learning approach | |
Mehmood et al. | A review of the applications of artificial intelligence and big data to buildings for energy-efficiency and a comfortable indoor living environment | |
Pratt et al. | Defect detection and quantification in electroluminescence images of solar PV modules using U-net semantic segmentation | |
CN104217404A (zh) | 雾霾天视频图像清晰化处理方法及其装置 | |
CN109559310A (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
CN104504658A (zh) | 基于bp神经网络的单一图像去雾方法及装置 | |
CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN110210060B (zh) | 太阳能光伏板表面积灰程度的预测方法 | |
CN112871938A (zh) | 一种光伏电站清扫监控一体化管理系统 | |
CN115147439B (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
CN102842131B (zh) | 一种监测目标物体缺陷的方法及设备 | |
KR20220054548A (ko) | 분산된 태양광 발전 장치용 전력 거래 시장 입찰 시스템 및 이를 이용한 전력 거래 시장 입찰 방법 | |
Sikora et al. | Energy audit of the residential building | |
CN111383219B (zh) | 一种智能检测高空作业平台设备清洁度的方法及系统 | |
Wang et al. | Structure-priority image restoration through genetic algorithm optimization | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN117392054A (zh) | 一种光伏组件积灰检测方法及系统 | |
CN112258402A (zh) | 一种快速去雨的密集残差生成对抗网络 | |
CN114419558B (zh) | 火灾视频图像识别方法、系统、计算机设备及存储介质 | |
Cheng et al. | Automated real-time pavement distress analysis | |
CN104182938B (zh) | 一种全天空云图的太阳光斑修复方法 | |
Lee et al. | Performance Comparison of Bridge CoatingDefect Recognition Methods, January 2005 | |
CN115457001A (zh) | 基于vgg网络的光伏板异物检测方法、系统、装置及介质 | |
KR102211492B1 (ko) | 건물의 태양광 발전 적합도를 평가하는 방법, 이를 이용하는 서버 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |