CN110210060B - 太阳能光伏板表面积灰程度的预测方法 - Google Patents
太阳能光伏板表面积灰程度的预测方法 Download PDFInfo
- Publication number
- CN110210060B CN110210060B CN201910348956.3A CN201910348956A CN110210060B CN 110210060 B CN110210060 B CN 110210060B CN 201910348956 A CN201910348956 A CN 201910348956A CN 110210060 B CN110210060 B CN 110210060B
- Authority
- CN
- China
- Prior art keywords
- solar photovoltaic
- gray
- surface area
- photovoltaic panel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008021 deposition Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 239000000428 dust Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003331 infrared imaging Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004140 cleaning Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种太阳能光伏板表面积灰程度的预测方法,包括以下步骤:S1:随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象;S2:采集被测对象的表面积灰程度数据,形成太阳能光伏板表面积灰程度数据集;S3:利用采集的太阳能光伏板表面积灰程度数据集,建立太阳能光伏板表面积灰程度预测模型。本发明通过采集太阳能光伏发电站中太阳能光伏板的表面积灰程度随时间变化的数据,来进一步建立太阳能光伏板的表面积灰程度随时间变化的模型,实现太阳能光伏板表面的积灰程度预测,为及时对积灰进行清洁工作提供了数据支撑,有效保证太阳能光伏板的发电效益。
Description
技术领域
本发明涉及光伏发电技术领域,特别是涉及一种太阳能光伏板表面积灰程度的预测方法。
背景技术
太阳能是一种清洁的可再生能源。我国明确:到2020年,我国光伏发电装机达到1.05亿千瓦以上,大力推进分布式光伏发电。近年来,随着我国绿色建筑、低碳建筑、近零及零能耗建筑技术的不断发展和大力推广,作为建筑分布式能源系统和微能网的重要组成,建筑光伏发电系统被广泛应用。对于建筑光伏发电系统,城市环境中的灰尘是影响发电能力的重要因素。
太阳能光伏板表面积灰的形式受地理环境、气候环境等因素约束。在全球各地,太阳能表面积灰的物理、化学等特性多种多样;同时,太阳能光伏板有单晶硅、多晶硅、薄膜等多种类型,不同类型的太阳能光伏板表面积灰的机理也存在差异。因而,安装在不同地区、使用不同类型太阳能光伏板的太阳能光伏发电站的表面积灰程度随时间变化的模型均有自身的特征。
针对现有技术中存在不同地区不同类型的太阳能光伏板在工作过程中会出现积灰的现象,且积灰程度会影响太阳能光伏板发电效率的问题,如何准确掌握太阳能光伏板表面积灰程度成为亟需解决的问题。
发明内容
本发明所要解决的技术问题是提供一种太阳能光伏板表面积灰程度的预测方法,能够预测光伏板表面的积灰程度,保证太阳能光伏板的发电效益。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种太阳能光伏板表面积灰程度的预测方法,包括以下步骤:
S1:随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象;
S2:采集被测对象的表面积灰程度数据,形成太阳能光伏板表面积灰程度数据集;
S3:利用采集的太阳能光伏板表面积灰程度数据集,建立太阳能光伏板表面积灰程度预测模型。
在本发明一个较佳实施例中,步骤S2中,被测对象的表面积灰程度数据的采集方法包括以下步骤:
S201:通过红外成像模块获取太阳能光伏板表面的红外图像;
S202:将采集的红外图像转换成灰度图像,并对灰度图像进行预处理;
S203:采用OTSU算法对灰度图像中的积灰区域进行检测、识别;
S204:根据灰度图像中积灰区域的占比,计算太阳能光伏板表面的积灰程度。
进一步的,在步骤S202中,预处理的过程包括:
S202.1:通过中值滤波算法对灰度图像进行滤波;
S202.2:采用分段线性变换算法对步骤S202.1得到的灰度图像进行增强。
进一步的,步骤S202的具体步骤包括:
S202.1:采用中值滤波算法对灰度图像Gm×n进行滤波,得到滤波后的灰度图像Hm×n;
h(x,y)=Med{g(x-k,y-l),(k,l∈w)} (3)
式(3)中,h(x,y)代表滤波后灰度图像Hm×n中的一个像素点;
S202.2:采用分段线性变换算法对滤波后的灰度图像Hm×n进行增强,得到最终的灰度图像Fm×n;
式(4)中,f(x,y)代表最终灰度图像(Fm×n)中的一个像素点,a和b分别为常数,a=30,b=180,L=256。
进一步的,步骤S204的具体步骤包括:
S204.1:计算灰度图像Fm×n中积灰区域的面积:
式(5)中,Sdust代表灰度图像Fm×n中积灰区域的面积值;
S204.2:计算灰度图像中积灰区域的占比,以占比值表示太阳能光伏板表面积灰的程度;
式(6)中,SPV代表灰度图像Fm×n中光伏板的总面积值,d代表灰度图像中积灰区域的占比,即太阳能光伏板表面积灰程度的数值。
在本发明一个较佳实施例中,步骤S2中,太阳能光伏板表面积灰程度数据集的形成方法具体步骤为:
假设随机选取的被测太阳能光伏板的数量为n;di表示第i个被测太阳能光伏板的表面积灰程度,0<i≤n;D表示随机选取的所有被测太阳能光伏板的表面积灰平均程度,即为所有被测太阳能光伏板的表面积灰程度的平均值,如式(7)所示。
每天采集被测太阳能光伏板的表面积灰程度数值,形成的太阳能光伏板表面积灰程度数据集为时序数列{D1,D2,...,Dt,...,Dm},1<t≤m,其中t表示天数,即Dt表示第t日的所有被测太阳能光伏板的表面积灰程度的平均值,m表示最大天数。
进一步的,步骤S3的具体步骤为:
基于采集获得的时序数列{D1,D2,...,Dt,...,Dm},利用最小二乘法拟合获得太阳能光伏板表面积灰程度随时间变化的模型。
本发明的有益效果是:
(1)本发明通过采集太阳能光伏发电站中太阳能光伏板的表面积灰程度随时间变化的数据,来进一步建立太阳能光伏板的表面积灰程度随时间变化的模型,实现太阳能光伏板表面的积灰程度预测,为及时对积灰进行清洁工作提供了数据支撑,有效保证太阳能光伏板的发电效益;
(2)本发明采用OTSU算法对光伏板的灰度图像中的积灰区域进行检测、识别,通过分析光伏板表面温度场分布特征,计算积灰程度;与传统检测方式相比,采用非接触式红外检测技术对光伏组件进行太阳能光伏板表面积灰程度的预测,更灵活实用;通过对积灰区域的自动准确识别和监测过程,提高光伏板表面积灰程度的识别效率,从而减少由于积灰对光伏组件造成的损坏;
(3)本发明针对安装在不同地区不同类型太阳能光伏板,采用非接触式的红外检测方式实现太阳能光伏板表面积灰程度的计算,进而获得太阳能光伏板表面积灰程度随时间变化的模型,为实现太阳能光伏板表面积灰预测提供了一种新的方法和途径。
附图说明
图1是本发明太阳能光伏板表面积灰程度的预测方法的流程图;
图2是所述太阳能光伏板表面积灰程度数据采集方法的流程图;
图3是所述太阳能光伏板表面积灰程度数据采集方法的具体步骤流程图;
图4是利用本发明对太阳能光伏板表面红外图像处理的图像示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种太阳能光伏板表面积灰程度的预测方法,包括以下步骤:
S1:随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象;
S2:采集被测对象的表面积灰程度数据,形成太阳能光伏板表面积灰程度数据集;具体步骤为:
假设随机选取的被测太阳能光伏板的数量为n;di表示第i个被测太阳能光伏板的表面积灰程度,0<i≤n;D表示随机选取的所有被测太阳能光伏板的表面积灰平均程度,即为所有被测太阳能光伏板的表面积灰程度的平均值,如式(7)所示。
每天(按日)采集被测太阳能光伏板的表面积灰程度数值,形成的太阳能光伏板表面积灰程度数据集为时序数列{D1,D2,...,Dt,...,Dm},1<t≤m,其中t表示天数,m的最大值一般取为60,即Dt表示第t日的所有被测太阳能光伏板的表面积灰程度的平均值。
其中,结合图2和图3,被测太阳能光伏板的表面积灰程度(di)的计算方法包括以下步骤:
S201:通过红外成像模块获取太阳能光伏板表面的红外图像(Im×n)。
式(1)中,c(x,y)表示红外图像(Im×n)中的一个像素点,c(x,y)包括红(R(x,y)),绿(G(x,y)),蓝(B(x,y))三个部分。
具体的,所述红外成像模块可采用MAG32型非制冷焦平面型红外成像模块。
S202:将采集的红外图像(Im×n)转换成灰度图像(Gm×n),如式(2),并对灰度图像进行预处理,具体包括以下步骤:
g(x,y)=0.2989×R(x,y)+0.5870×G(x,y)+0.1140×B(x,y) (2)
式(2)中,g(x,y)代表灰度图像中的一个像素点。
S202.1:采用中值滤波算法对灰度图像(Gm×n)进行滤波,得到滤波后的灰度图像(Hm×n);
h(x,y)=Med{g(x-k,y-l),(k,l∈w)} (3)
式(3)中,h(x,y)代表滤波后灰度图像(Hm×n)中的一个像素点。
S202.2:采用分段线性变换算法对滤波后灰度图像(Hm×n)进行增强,得到最终的灰度图像(Fm×n);
式(4)中,f(x,y)代表最终灰度图像(Fm×n)中的一个像素点,a和b分别为常数,a=30,b=180,L=256。
S203:采用OTSU算法对灰度图像中的积灰区域进行检测、识别,并对灰度图像(Fm×n)中检测出的积灰区域进行二值化,积灰区域标记为“1”,非积灰区域标记为“0”,二值化图像信息存入矩阵(Jm×n)中;
S204:根据灰度图像中积灰区域的占比,计算太阳能光伏板表面的积灰程度。具体步骤包括:
S204.1:计算灰度图像Fm×n中积灰区域的面积:
式(5)中,Sdust代表灰度图像Fm×n中积灰区域的面积值;
S204.2:计算灰度图像中积灰区域的占比,以占比值表示太阳能光伏板表面积灰的程度;
式(6)中,SPV代表灰度图像Fm×n中光伏板的总面积值,d代表灰度图像中积灰区域的占比,即太阳能光伏板表面积灰程度的数值。
S3:利用采集的太阳能光伏板表面积灰程度数据集,建立太阳能光伏板表面积灰程度预测模型。具体步骤为:
基于采集获得的时序数列{D1,D2,...,Dt,...,Dm},利用最小二乘法拟合获得太阳能光伏板表面积灰程度随时间变化的模型(即:D-t模型),该模型即为该地区该类型太阳能光伏板表面积灰程度的预测模型。
结合图4,利用本发明对太阳能光伏板表面积灰程度进行预测的图像包括:(a)为滤波后的灰度图像,(b)为增强后的灰度图像,(c)二值化后的图像,其中白色区域为积灰区域。该实施例中求得的太阳能光伏板表面积灰程度等于0.714。太阳能光伏板表面积灰程度的计算方法:采用OTSU算法对光伏板的灰度图像中的积灰区域进行检测、识别,通过分析光伏板表面温度场分布特征,计算其积灰程度。
本发明针对不同地区不同类型的太阳能光伏板,采用非接触式的红外检测方式实现太阳能光伏板表面积灰程度的计算,进而获得太阳能光伏板表面积灰程度随时间变化的模型,为实现太阳能光伏板表面积灰预测提供了一种新的方法和途径,实现了太阳能光伏板表面的积灰程度预测,为及时对积灰进行清洁工作提供了数据支撑,有效保证太阳能光伏板的发电效益。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种太阳能光伏板表面积灰程度的预测方法,包括以下步骤:
S1:随机选取太阳能光伏发电站中的若干太阳能光伏板作为被测对象;
S2:采集被测对象的表面积灰程度数据,形成太阳能光伏板表面积灰程度数据集;
太阳能光伏板表面积灰程度数据集的形成方法具体步骤为:
假设随机选取的被测太阳能光伏板的数量为n;di表示第i个被测太阳能光伏板的表面积灰程度,0<i≤n;D表示随机选取的所有被测太阳能光伏板的表面积灰平均程度,即为所有被测太阳能光伏板的表面积灰程度的平均值,如式(7)所示,
每天采集被测太阳能光伏板的表面积灰程度数值,形成的太阳能光伏板表面积灰程度数据集为时序数列{D1,D2,...,Dt,...,Dm},1<t≤m,其中t表示天数,即Dt表示第t日的所有被测太阳能光伏板的表面积灰程度的平均值,m表示最大天数;
S3:利用采集的太阳能光伏板表面积灰程度数据集,建立太阳能光伏板表面积灰程度预测模型,具体步骤为:
基于采集获得的时序数列{D1,D2,...,Dt,...,Dm},利用最小二乘法拟合获得太阳能光伏板表面积灰程度随时间变化的模型。
2.根据权利要求1所述的太阳能光伏板表面积灰程度的预测方法,其特征在于,步骤S2中,被测对象的表面积灰程度数据的采集方法包括以下步骤:
S201:通过红外成像模块获取太阳能光伏板表面的红外图像;
S202:将采集的红外图像转换成灰度图像,并对灰度图像进行预处理;
S203:采用OTSU算法对灰度图像中的积灰区域进行检测、识别;
S204:根据灰度图像中积灰区域的占比,计算太阳能光伏板表面的积灰程度。
3.根据权利要求2所述的太阳能光伏板表面积灰程度的预测方法,其特征在于,在步骤S202中,预处理的过程包括:
S202.1:通过中值滤波算法对灰度图像进行滤波;
S202.2:采用分段线性变换算法对步骤S202.1得到的灰度图像进行增强。
4.根据权利要求2所述的太阳能光伏板表面积灰程度的预测方法,其特征在于,步骤S202的具体步骤包括:
S202.1:采用中值滤波算法对灰度图像Gm×n进行滤波,得到滤波后的灰度图像Hm×n;
h(x,y)=Med{g(x-k,y-l),(k,l∈w)} (3)
式(3)中,h(x,y)代表滤波后灰度图像Hm×n中的一个像素点;
S202.2:采用分段线性变换算法对滤波后的灰度图像Hm×n进行增强,得到最终的灰度图像Fm×n;
式(4)中,f(x,y)代表最终灰度图像(Fm×n)中的一个像素点,a和b分别为常数,a=30,b=180,L=256。
5.根据权利要求2所述的太阳能光伏板表面积灰程度的预测方法,其特征在于,步骤S204的具体步骤包括:
S204.1:计算灰度图像Fm×n中积灰区域的面积:
式(5)中,Sdust代表灰度图像Fm×n中积灰区域的面积值;
S204.2:计算灰度图像中积灰区域的占比,以占比值表示太阳能光伏板表面积灰的程度;
式(6)中,SPV代表灰度图像Fm×n中光伏板的总面积值,d代表灰度图像中积灰区域的占比,即太阳能光伏板表面积灰程度的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910348956.3A CN110210060B (zh) | 2019-04-28 | 2019-04-28 | 太阳能光伏板表面积灰程度的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910348956.3A CN110210060B (zh) | 2019-04-28 | 2019-04-28 | 太阳能光伏板表面积灰程度的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210060A CN110210060A (zh) | 2019-09-06 |
CN110210060B true CN110210060B (zh) | 2023-10-31 |
Family
ID=67786578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910348956.3A Active CN110210060B (zh) | 2019-04-28 | 2019-04-28 | 太阳能光伏板表面积灰程度的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210060B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624207A (zh) * | 2020-05-26 | 2020-09-04 | 国网天津市电力公司电力科学研究院 | 利用双无人机测定光伏发电站光伏板覆灰程度的系统及方法 |
CN111798441A (zh) * | 2020-07-12 | 2020-10-20 | 国网山西省电力公司电力科学研究院 | 一种基于图像处理的光伏电站光伏板污染物检测方法 |
CN111985732B (zh) * | 2020-09-10 | 2023-08-29 | 浙江正泰新能源开发有限公司 | 一种光伏组件脏污程度预测方法及系统 |
CN116612094A (zh) * | 2023-05-25 | 2023-08-18 | 东北电力大学 | 一种光伏板表面积灰分布聚类识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733364A (zh) * | 2017-10-26 | 2018-02-23 | 成都亿伏科技有限公司 | 一种光伏组件积灰预测方法 |
CN108399493A (zh) * | 2018-02-02 | 2018-08-14 | 上海电气分布式能源科技有限公司 | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10150140B2 (en) * | 2016-02-09 | 2018-12-11 | King Fahd University Of Petroleum And Minerals | Superhydrophobic and self-cleaning substrate and a method of coating |
-
2019
- 2019-04-28 CN CN201910348956.3A patent/CN110210060B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733364A (zh) * | 2017-10-26 | 2018-02-23 | 成都亿伏科技有限公司 | 一种光伏组件积灰预测方法 |
CN108399493A (zh) * | 2018-02-02 | 2018-08-14 | 上海电气分布式能源科技有限公司 | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 |
Non-Patent Citations (5)
Title |
---|
A novel model to estimate the cleaning frequency for dirty solar photovoltaic (PV) modules in desert environment;Yu Jiang等;Solar Energy;第140卷;全文 * |
Evaluation and Prediction of Soiling Loss on PV modules with Artificially Deposited Dust;Jim J. Jolm等;2015 IEEE 42nd Photovoltaic Specialist Conference (PVSC);全文 * |
从光杰.建筑光伏组件的积灰检测与输出功率预测模型研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2019,(第01期),第C042-1529页. * |
潘亚娣等.基于小波分析的电站锅炉受热面灰污增长预测模型的研究.锅炉技术.2010,第41卷(第3期),第16-19页. * |
郭枭等.考虑光伏组件发电性能的自动除尘系统运行时间优化.农业工程学报.2015,(21),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110210060A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210060B (zh) | 太阳能光伏板表面积灰程度的预测方法 | |
CN112871938B (zh) | 一种光伏电站清扫监控一体化管理系统 | |
Di Tommaso et al. | A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle | |
CN107314819B (zh) | 一种基于红外图像的光伏电站热斑检测与定位方法 | |
CN107742171B (zh) | 基于移动阴影图像识别的光伏电站发电功率预测方法 | |
CN107481237B (zh) | 一种基于多帧温度特性的红外阵列图像热斑检测方法 | |
CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN114782442B (zh) | 一种基于人工智能的光伏电池板智慧巡检方法及系统 | |
CN114743115A (zh) | 一种光伏电子设备的遮挡物识别方法及故障预警系统 | |
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
Niazi et al. | Binary classification of defective solar PV modules using thermography | |
CN108320050B (zh) | 一种基于风速预报提高光伏短期功率预测精度的方法 | |
CN114299033A (zh) | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 | |
Sampath et al. | Estimation of rooftop solar energy generation using Satellite Image Segmentation | |
CN115082744A (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN115115643A (zh) | 一种光伏电池板生产缺陷检测方法 | |
CN115392494A (zh) | 一种智能化光伏清灰方法及系统 | |
CN116993745B (zh) | 基于图像处理给水管表面漏损检测方法 | |
CN114049320A (zh) | 一种基于图片相似度的器件缺失ai质检方法与装置 | |
CN117392054A (zh) | 一种光伏组件积灰检测方法及系统 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
Joshi et al. | Rooftop detection for planning of solar PV deployment: a case study in Abu Dhabi | |
CN114021442B (zh) | 一种用于塔式光热电站的dni预测方法 | |
Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
Cao et al. | IDS-Net: Integrated Network for Identifying Dust State of Photovoltaic Panels |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |