CN111210095B - 发电量预测方法、装置、设备及计算机可读存储介质 - Google Patents

发电量预测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111210095B
CN111210095B CN202010174164.1A CN202010174164A CN111210095B CN 111210095 B CN111210095 B CN 111210095B CN 202010174164 A CN202010174164 A CN 202010174164A CN 111210095 B CN111210095 B CN 111210095B
Authority
CN
China
Prior art keywords
sub
power generation
power station
model
generation amount
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
Application number
CN202010174164.1A
Other languages
English (en)
Other versions
CN111210095A (zh
Inventor
汪飙
侯鑫
邹冲
朱超杰
吴海山
殷磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010174164.1A priority Critical patent/CN111210095B/zh
Publication of CN111210095A publication Critical patent/CN111210095A/zh
Priority to PCT/CN2020/134324 priority patent/WO2021179700A1/zh
Application granted granted Critical
Publication of CN111210095B publication Critical patent/CN111210095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种发电量预测方法，包括：获取待预测区域的卫星图像，并对卫星图像进行切分，以获得多个子卫星图像；确定各个子卫星图像所包括的光伏电站的预测面积，并获取各个子卫星图像所处区域的天气指数；基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得子发电量，并基于各个子发电量确定待预测区域对应的光伏电站的发电量。本发明还公开了一种发电量预测装置、设备及计算机可读存储介质。本发明实现通过对待预测区域内的光伏电站进行分块预测，提高光伏电站发电量预测的准确性以及精度。同时，通过图像进行光伏电站发电量的预测，提升了光伏电站发电量进行预测的便捷性。

Description

发电量预测方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及金融科技领域，尤其涉及一种发电量预测方法、装置、设备及计算机可读存储介质。
背景技术
目前光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。主要由太阳电池板(组件)、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳电池组件，再配合上功率控制器等部件就形成了光伏发电装置。光伏发电站以光伏发电系统为主，包含各类建(构)筑物及检修、维护、生活等辅助设施在内的发电站。
大规模光伏发电是一种利用太阳能的有效方式，但太阳辐射、大气温度和天气类型等因素容易对光伏发电产生影响，并且呈非线性。因此，光伏发电量的预测对合理安排电器使用时间和最大限度利用太阳能资源、减小用电成本有着重要的意义。
目前，光伏发电量预测往往对光伏电站进行整体预测，而光伏电站中的各个太阳电池板的发电量影响因素均不相同，导致发电量预测的准确性较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种发电量预测方法、装置、设备及计算机可读存储介质，旨在解决现有光伏电站的发电量预测准确性较低的技术问题。
为实现上述目的，本发明提供一种发电量预测方法，所述发电量预测方法包括以下步骤：
获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；
确定各个子卫星图像所包括的光伏电站的预测面积，并获取各个子卫星图像所处区域的天气指数；
基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量。
进一步地，所述确定各个子卫星图像所包括的光伏电站的面积的步骤包括：
通过光伏电站分割模型分别对各个子卫星图像进行模型训练，以获得各个子卫星图像对应的光伏电站的图像预测面积；
基于图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积。
进一步地，所述通过光伏电站分割模型分别对各个子卫星图像进行模型训练的步骤之前，还包括：
获取第一训练样本集，其中，所述第一训练样本集包括多个卫星图片，以及各个卫星图片中所包括的光伏电站的实际面积；
基于所述第一训练样本集，对待训练电站分割模型进行模型训练，以获得训练后的电站分割模型；
确定训练后的电站分割模型是否收敛；
若训练后的电站分割模型收敛，则将训练后的待训练电站分割模型作为所述光伏电站分割模型；
若训练后的电站分割模型未收敛，则将训练后的电站分割模型作为待训练电站分割模型，并返回执行基于所述第一训练样本集，对待训练电站分割模型进行模型训练的步骤。
进一步地，所述获取各个子卫星图像所处区域的天气指数的步骤包括：
获取各个子卫星图像所处区域对应的室外环境照片；
基于各个所述室外环境照片确定各个所述天气指数。
进一步地，所述基于各个所述室外环境照片确定各个所述天气指数的步骤包括：
通过太阳辐射强度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度，并通过大气温度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的大气温度；
或者，
通过联合回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度以及大气温度。
进一步地，所述通过联合回归模型对各个室外环境照片进行模型训练的步骤之前还包括：
获取第二训练样本集，其中，所述第二训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数；
基于所述第二训练样本集，对待训练联合回归模型进行模型训练，以获得第一回归模型；
若第一回归模型收敛，则将第一回归模型作为所述联合回归模型。
进一步地，所述基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练的步骤之前，还包括：
获取第三训练样本集，其中，所述第三训练样本集包括预设光伏电站的多个不同时刻的实际发电量，以及各个实际发电量对应的实际天气指数以及预设光伏电站的实际面积；
基于所述第三训练样本集，对待训练发电量回归模型进行模型训练，以获得第二回归模型；
若第二回归模型收敛，则将第二回归模型作为所述发电量回归模型。
进一步地，所述对所述卫星图像进行切分，以获得多个子卫星图像的步骤包括：
基于预设步长对所述卫星图像进行切分，以获得多个大小相同的子卫星图像。
此外，为实现上述目的，本发明还提供一种发电量预测装置，所述发电量预测装置包括：
获取模块，用于获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；
确定模块，用于确定各个子卫星图像所包括的光伏电站的面积，并获取各个子卫星图像所处区域的天气指数；
预测模块，用于基于发电量回归模型，分别对各个子卫星图像对应的面积以及天气指数进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量。
此外，为实现上述目的，本发明还提供一种发电量预测设备，所述发电量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电量预测程序，所述发电量预测程序被所述处理器执行时实现前述的发电量预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有发电量预测程序，所述发电量预测程序被处理器执行时实现前述的发电量预测方法的步骤。
本发明通过获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；接着确定各个子卫星图像所包括的光伏电站的面积，并获取各个子卫星图像所处区域的天气指数；而后基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量，通过对卫星图像进行切分，实现通过对待预测区域内的光伏电站进行分块预测，降低各个区块的影响因素不同而对发电量预测的影响，提高光伏电站发电量预测的准确性以及精度。同时，通过图像进行光伏电站发电量的预测，能够实现仅采用图像数据就能监测光伏电站的发电量，大大降低了发电量影响因素检测的传感器硬件成本与发电量预测模型的计算成本，提升了光伏电站发电量进行预测的便捷性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中发电量预测设备的结构示意图；
图2为本发明发电量预测方法第一实施例的流程示意图；
图3为本发明发电量预测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中发电量预测设备的结构示意图。
本发明实施例发电量预测设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该发电量预测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，发电量预测设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。当然，发电量预测设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的发电量预测设备结构并不构成对发电量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及发电量预测程序。
在图1所示的发电量预测设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的发电量预测程序。
在本实施例中，发电量预测设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的发电量预测程序，其中，处理器1001调用存储器1005中存储的发电量预测程序时，并执行以下各个实施例中发电量预测方法的步骤。
本发明还提供一种发电量预测方法，参照图2，图2为本发明发电量预测方法第一实施例的流程示意图。
本实施例中，该发电量预测方法包括：
步骤S100，获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；
在本实施例中，通过卫星获取光伏电站对应区域(待预测区域)的卫星图像，而后对卫星图像进行切分，得到多个子卫星图像。可以理解的是，各个子卫星图像的大小(面积)可以相同或不同，优选地，为便于预测，各个子卫星图像的大小相同，即面积相同且规格一致。其中，可同时获取该卫星图像的像素-比例尺参数(地面分辨率或空间分辨率)，以便于后续的面积预测。
具体的，该步骤S100包括：
基于预设步长对所述卫星图像进行切分，以获得多个大小相同的子卫星图像。
本实施例中，根据预设步长对卫星图像进行切分，获得多个大小相同的子卫星图像，例如各个子卫星图像均为正方形图像，各个子卫星图像的长度以及宽度均相同均为该预设步长。
步骤S200，确定各个子卫星图像所包括的光伏电站的面积，并获取各个子卫星图像所处区域的天气指数；
本实施例中，在得到多个子卫星图像时，确定各个子卫星图像所包括的光伏电站的面积，也就是各个子卫星图像中所包括的太阳能电池板的面积，具体的，可通过光伏电站分割模型分别对各个子卫星图像进行模型训练，根据各个子卫星图像的训练结果确定其所包括的太阳能电池板的面积。
而后获取各个子卫星图像所处区域的天气指数，其中，天气指数包括太阳辐射强度以及大气温度等。
步骤S300，基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量。
需要说明的是，在进行发电量预测之前，需要提前训练好发电量回归模型。
在本实施例中，在获取到各个子卫星图像对应的面积以及天气指数之后，基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，具体的，将各个子卫星图像对应的预测面积以及天气指数，分别输入发电量回归模型，得到各个子卫星图像对应的子发电量，而后，基于各个所述子发电量确定待预测区域对应的光伏电站的发电量，即将各个子发电量相加得到待预测区域对应的光伏电站的发电量。
由于卫星图像中的各个光伏电站的天气指数存在差别，卫星图像中的各个光伏电站的面积也不相同，通过对卫星图像进行切分，根据子卫星图像对应的预测面积以及天气指数，预测子卫星图像对应的子发电量，而后，将所有预测的结果(子发电量)按照卫星图像的切分操作(子卫星图像)进行反向拼接求和，得到待预测区域对应的光伏电站的发电量，即该卫星图像对应的光伏电站的发电量，与采用卫星图像的总预测面积以及卫星图像所对应的天气指数预测待预测区域对应的光伏电站的发电量，能够降低预测面积以及天气指数对应待预测区域对应的光伏电站的发电量的影响，进而，降低各个区块的影响因素不同而对发电量预测的影响，提升发电量预测的准确性。
本实施例中，各个区块的发电量影响因素不同，例如各个区块内的太阳能电池板数量不同、同一时刻各个区块的太阳辐射强度和/或大气温度不同使得各个区块的发电量均不同，通过对待预测区域内的光伏电站进行分块预测，降低各个区块的影响因素不同而对发电量预测的影响，提高发电量预测的准确性以及精度。并且，只依靠图像以及照片就能对某一片区域的光伏电站发电量进行准确预测，而图像以及照片便于获取，因此，提升了光伏电站发电量进行预测的便捷性。
本实施例提出的发电量预测方法，通过获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；接着确定各个子卫星图像所包括的光伏电站的面积，并获取各个子卫星图像所处区域的天气指数；而后基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量，通过对卫星图像进行切分，实现通过对待预测区域内的光伏电站进行分块预测，降低各个区块的影响因素不同而对发电量预测的影响，提高光伏电站发电量预测的准确性以及精度。同时，通过图像进行光伏电站发电量的预测，能够实现仅采用图像数据就能监测光伏电站的发电量，大大降低了发电量影响因素检测的传感器硬件成本与发电量预测模型的计算成本，提升了光伏电站发电量进行预测的便捷性。
基于第一实施例，提出本发明发电量预测方法的第二实施例，在本实施例中，步骤S200包括：
步骤S210，通过光伏电站分割模型分别对各个子卫星图像进行模型训练，以获得各个子卫星图像对应的光伏电站的图像预测面积；
步骤S220，基于图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积。
在本实施例中，在获取到各个子卫星图像时，通过光伏电站分割模型分别对各个子卫星图像进行模型训练，即分别将各个子卫星图像输入光伏电站分割模型进行模型训练，得到各个子卫星图像对应的光伏电站的图像预测面积。
而后，根据各个图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积，具体的，获取该卫星图像的像素-比例尺参数(地面分辨率或空间分辨率)，根据各个图像预测面积以及像素-比例尺参数计算光伏电站的预测面积，例如，该子卫星图像所包括的光伏电站的预测面积＝该子卫星图像对应的图像预测面积*像素-比例尺参数。
需要说明的是，在进行图像预测面积的预测之前，需要训练光伏电站分割模型。
具体的，在一实施例中，步骤S210之前，还包括：
步骤a，获取第一训练样本集，其中，所述第一训练样本集包括多个卫星图片，以及各个卫星图片中所包括的光伏电站的实际面积；
步骤b，基于所述第一训练样本集，对待训练电站分割模型进行模型训练，以获得训练后的电站分割模型；
步骤c，确定训练后的电站分割模型是否收敛；
步骤d，若训练后的电站分割模型收敛，则将训练后的待训练电站分割模型作为所述光伏电站分割模型。
本实施例中，第一训练样本集中所包括的多个卫星图片，可以通过卫星以相同的像素-比例尺参数拍摄对地图片得到；各个卫星图片中所包括的光伏电站的实际面积，可根据每个卫星图片中实际包括的光伏电站以及历史测量数据进行统计得到。优选地，该像素-比例尺参数与待预测区域的卫星图像的像素-比例尺参数相同。
而后，基于所述第一训练样本集，对待训练电站分割模型进行模型训练，即将第一训练样本集输入待训练电站分割模型进行模型训练，以获得训练后的电站分割模型，并确定训练后的电站分割模型是否收敛；若训练后的电站分割模型收敛，则确定待训练电站分割模型已训练完成，并将训练后的待训练电站分割模型作为所述光伏电站分割模型。
进一步地，在一实施例中，步骤c包括：
获取训练后的电站分割模型对应的损失函数值；
确定所述损失函数值是否小于预设阈值，其中，若所述损失函数值小于预设阈值，则确定训练后的电站分割模型收敛。
本实施例中，在基于所述第一训练样本集，对待训练电站分割模型进行模型训练后，获取训练后的电站分割模型对应的损失函数值，该损失函数值为交叉熵损失函数值，具体通过第一训练样本集中所包括的各个卫星图片的预测面积与实际面积得到，而后确定所述损失函数值是否小于预设阈值，其中，若所述损失函数值小于预设阈值，则确定训练后的电站分割模型收敛，若所述损失函数值大于或等于预设阈值，则确定训练后的电站分割模型未收敛，其中，该预设阈值可以为10-5e。
进一步地，再一实施例中，步骤c之后，还包括：
若训练后的电站分割模型未收敛，则将训练后的电站分割模型作为待训练电站分割模型，并返回执行基于所述第一训练样本集，对待训练电站分割模型进行模型训练的步骤。
本实施例中，若训练后的电站分割模型未收敛，则将训练后的电站分割模型作为待训练电站分割模型，并返回执行基于所述第一训练样本集，对待训练电站分割模型进行模型训练的步骤，以通过修正后的待训练电站分割模型继续对第一训练样本集进行训练，直至训练后的电站分割模未收敛。
需要说明的是，训练后的电站分割模型收敛时，还需要通过第一测试样本集对训练后的电站分割模型进行再次验证，即基于所述第一测试样本集，对训练后的电站分割模型进行测试验证，即：将当前分割模型对于第一测试集样本的预测值，和第一测试集样本的真实标签进行交叉熵损失计算，若该当前损失值小于预设阈值，则证明模型已实际收敛，并将训练后的待训练电站分割模型作为所述光伏电站分割模型。
其中，先获面积取训练样本集，该练样本集包括多个卫星图片，以及各个卫星图片中所包括的光伏电站的实际面积，并将该面积训练样本集按一定比例进行拆分得到第一训练样本集以及第一测试样本集，例如该比例可以为9:1。
本实施例提出的发电量预测方法，通过光伏电站分割模型分别对各个子卫星图像进行模型训练，以获得各个子卫星图像对应的光伏电站的图像预测面积；基于图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积，进而能够准确得到子卫星图像所包括的光伏电站的预测面积，提升各个子卫星图像对应的预测面积的准确性，进而提升子发电量预测的准确性，进一步，提高光伏电站发电量预测的准确性以及精度。
基于第一实施例，提出本发明发电量预测方法的第三实施例，在本实施例中，步骤S200包括：
步骤S230，获取各个子卫星图像所处区域对应的室外环境照片；
步骤S240，基于各个所述室外环境照片确定各个所述天气指数。
本实施例中，可通过移动终端拍摄各个子卫星图像所处区域对应的室外环境照片，或者，通过待预测区域设置的摄像头拍摄各个子卫星图像所处区域对应的室外环境照片。其中，室外环境照片的拍摄时刻与待预测区域的卫星图像的获取时刻相同，或者拍摄时刻与获取时刻之间的时间间隔小于预设时长，该预设时长可以为1分钟等。
而后，基于各个所述室外环境照片确定各个所述天气指数，具体的，该步骤S240包括：
步骤e，通过太阳辐射强度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度，并通过大气温度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的大气温度；
或者，
步骤f，通过联合回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度以及大气温度。
本实施例中，可通过多模型单任务模式或者单模型多任务模式进行模型训练得到天气指数，其中天气指数包括太阳辐射强度以及大气温度。
通过太阳辐射强度回归模型对各个室外环境照片进行模型训练，即将各个室外环境照片输入太阳辐射强度回归模型进行模型训练，得到各个天气指数中的太阳辐射强度；通过大气温度回归模型对各个室外环境照片进行模型训练，即将各个室外环境照片输入大气温度回归模型进行模型训练，得到各个天气指数中的大气温度。进而分别获得每一张室外环境照片所对应的太阳辐射强度以及大气温度。
或者，通过联合回归模型对各个室外环境照片进行模型训练，将各个室外环境照片输入联合回归模型进行模型训练，得到各个天气指数中的太阳辐射强度以及大气温度，即每一张室外环境照片所对应的太阳辐射强度以及大气温度。
进一步地，在一实施例中，步骤f之前，还包括：
步骤f1，获取第二训练样本集，其中，所述第二训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数；
步骤f2，基于所述第二训练样本集，对待训练联合回归模型进行模型训练，以获得第一回归模型；
步骤f3，若第一回归模型收敛，则将第一回归模型作为所述联合回归模型。
第二训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数，该实际天气指数包括实际太阳辐射强度以及实际大气温度；具体的，可通过移动终端在不同时刻对该预设地面进行拍摄，并同时记录拍摄时刻对应的实际天气指数。
而后，基于所述第二训练样本集，对待训练联合回归模型进行模型训练，即将第二训练样本集输入待训练联合回归模型进行模型训练，得到训练后的待训练联合回归模型即第一回归模型；确定该第一回归模型是否收敛，若第一回归模型收敛，则将第一回归模型作为所述联合回归模型。
需要说明的是，进行模型训练后，获取训练后的待训练联合回归模型对应的第一回归损失函数值，即训练后的待训练联合回归模型的回归损失函数值，确定第一回归损失函数值是否小于第一预设值，其中，若第一回归损失函数值小于第一预设值，则确定第一回归模型收敛，否则确定第一回归模型未收敛，其中，该第一预设值可以为10-5e。
其中，若第一回归模型未收敛，则将第一回归模型作为待训练联合回归模型，并返回执行基于所述第二训练样本集，对待训练联合回归模型行模型训练的步骤。
需要说明的是，第一回归模型收敛时，还需要对第一回归模型进行测试验证，即：将当前第一回归模型对于第二测试集样本的预测值，和第二测试集样本的真实标签通过L1损失函数或L2损失函数进行L1或L2损失计算，若该当前损失值小于预设阈值，则证明模型已实际收敛，并将第一回归模型作为所述联合回归模型。
进一步地，在一实施例中，步骤e之前，还包括：
步骤e1，获取第一子训练样本集以及第二子训练样本集，其中，第一子训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数中的太阳辐射强度，；所述第二子训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数中的大气温度；
步骤e2，基于所述第一子训练样本集，对待训练太阳辐射强度回归模型进行模型训练，以获得第一子回归模型，若第一子回归模型收敛，则将第一子回归模型作为所述太阳辐射强度回归模型。
步骤e3，基于所述第二子训练样本集，对待训练大气温度回归模型进行模型训练，以获得第二子回归模型，若第二子回归模型收敛，则将第二子回归模型作为所述大气温度回归模型。
需要说明的是，进行模型训练后，获取第一子回归模型对应的第一子回归损失函数值，确定第一子回归损失函数值是否小于第一预设值，其中，若第一子回归损失函数值小于第一预设值，则确定第一子回归模型收敛，否则确定第一子回归模型未收敛。同时，获取第二子回归模型对应的第二子回归损失函数值，确定第二子回归损失函数值是否小于第一预设值，其中，若第二子回归损失函数值小于第一预设值，则确定第二子回归模型收敛，否则确定第二子回归模型未收敛。
其中，若第一子回归模型未收敛，则将第一子回归模型作为待训练太阳辐射强度回归模型，并返回执行基于所述第一子训练样本集，对待训练太阳辐射强度回归模型进行模型训练的步骤，直至第一子回归模型收敛。若第二子回归模型未收敛，则将第二子回归模型作为待训练大气温度回归模型，并返回执行基于所述第二子训练样本集，对待训练大气温度回归模型进行模型训练的步骤，直至第二子回归模型收敛
需要说明的是，第一子回归模型收敛时，还可以通过第一子测试样本集对第一子回归模型进行再次验证，即基于所述第一子测试样本集，对第一子回归模型进行模型训练，并获取此时训练的当前子回归损失函数值，若该当前子回归损失函数值小于第一预设值，则将第一子回归模型作为太阳辐射强度回归模型。同时，第二子回归模型收敛时，还可以通过第二子测试样本集对第二子回归模型进行再次验证，即基于所述第二子测试样本集，对第二子回归模型进行模型训练，并获取此时训练的当前子回归损失函数值，若该当前子回归损失函数值小于第一预设值，则将第二子回归模型作为大气温度回归模型
本实施例提出的发电量预测方法，通过获取各个子卫星图像所处区域对应的室外环境照片；基于各个所述室外环境照片确定各个所述天气指数，能够通过室外环境照片得到天气指数，进而准确得到各个子卫星图像对应的天气指数，进而提升子发电量预测的准确性，进一步，提高光伏电站发电量预测的准确性以及精度。
基于第一实施例，提出本发明发电量预测方法的第四实施例，在本实施例中，步骤S300之前，还包括：
步骤S310，获取第三训练样本集，其中，所述第二训练样本集包括预设光伏电站的多个不同时刻的实际发电量，以及各个实际发电量对应的实际天气指数以及预设光伏电站的实际面积；
步骤S320，基于所述第三训练样本集，对待训练发电量回归模型进行模型训练，以获得第二回归模型；
步骤S330，若第二回归模型收敛，则将第二回归模型作为所述发电量回归模型。
本实施例中，在获取到第三训练样本集时，将第三训练样本集输入待训练发电量回归模型进行模型训练，得到第二回归模型即训练后的待训练发电量回归模型，并确定第二回归模型是否收敛，若第二回归模型收敛，则将第二回归模型作为所述发电量回归模型。
若第二回归模型未收敛，则将第二回归模型作为待训练发电量回归模型，并返回执行基于所述第三训练样本集，对待训练发电量回归模型进行模型训练的步骤，直至第二回归模型收敛。
其中，在得到第二回归模型时，获取第二回归模型对应的第二回归损失函数值，确定第二回归损失函数值是否小于第二预设值，其中，若第二回归损失函数值小于第二预设值，则确定第二回归模型收敛，否则确定第二回归未收敛，其中，该第二预设值可以为10-5e。
需要说明的是，第二回归模型收敛时，还需要对第二回归模型进行测试验证，即：将当前第二回归模型对于第三测试集样本的预测值，和第三测试集样本的真实标签通过L1损失函数或L2损失函数进行L1或L2损失计算，若该当前损失值小于预设阈值，则证明第二归回模型已实际收敛。
其中，第一训练样本集与第一测试样本集的样本数量比例可以为9:1。预设光伏电站可以为一个或多个光伏电站。
本实施例提出的发电量预测方法，通过获取第三训练样本集，其中，所述第二训练样本集包括预设光伏电站的多个不同时刻的实际发电量，以及各个实际发电量对应的实际天气指数以及预设光伏电站的实际面积；基于所述第三训练样本集，对待训练发电量回归模型进行模型训练，以获得第二回归模型；若第二回归模型收敛，则将第二回归模型作为所述发电量回归模型，通过根据第三训练样本集进行模型训练以使发电量回归模型收敛，进而提高子发电量预测的准确性，进一步提升光伏电站发电量预测的准确性以及精度。
本发明实施例还提供一种发电量预测装置，参照图3，所述发电量预测装置包括：
获取模块100，用于获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；
确定模块200，用于确定各个子卫星图像所包括的光伏电站的面积，并获取各个子卫星图像所处区域的天气指数；
预测模块300，用于基于发电量回归模型，分别对各个子卫星图像对应的面积以及天气指数进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量。
优选地，确定模块200还用于：
通过光伏电站分割模型分别对各个子卫星图像进行模型训练，以获得各个子卫星图像对应的光伏电站的图像预测面积；
基于图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积。
优选地，确定模块200还用于：
获取第一训练样本集，其中，所述第一训练样本集包括多个卫星图片，以及各个卫星图片中所包括的光伏电站的实际面积；
基于所述第一训练样本集，对待训练电站分割模型进行模型训练，以获得训练后的电站分割模型；
确定训练后的电站分割模型是否收敛；
若训练后的电站分割模型收敛，则将训练后的待训练电站分割模型作为所述光伏电站分割模型。
优选地，确定模块200还用于：
获取训练后的电站分割模型对应的损失函数值；
确定所述损失函数值是否小于预设阈值，其中，若所述损失函数值小于预设阈值，则确定训练后的电站分割模型收敛。
优选地，确定模块200还用于：
若训练后的电站分割模型未收敛，则将训练后的电站分割模型作为待训练电站分割模型，并返回执行基于所述第一训练样本集，对待训练电站分割模型进行模型训练的步骤。
优选地，确定模块200还用于：
获取各个子卫星图像所处区域对应的室外环境照片；
基于各个所述室外环境照片确定各个所述天气指数。
优选地，确定模块200还用于：
通过太阳辐射强度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度，并通过大气温度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的大气温度；
或者，
通过联合回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度以及大气温度。
优选地，确定模块200还用于：
获取第二训练样本集，其中，所述第二训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数；
基于所述第二训练样本集，对待训练联合回归模型进行模型训练，以获得第一回归模型；
若第一回归模型收敛，则将第一回归模型作为所述联合回归模型。
优选地，预测模块300还用于：
获取第三训练样本集，其中，所述第三训练样本集包括预设光伏电站的多个不同时刻的实际发电量，以及各个实际发电量对应的实际天气指数以及预设光伏电站的实际面积；
基于所述第三训练样本集，对待训练发电量回归模型进行模型训练，以获得第二回归模型；
若第二回归模型收敛，则将第二回归模型作为所述发电量回归模型。
优选地，获取模块100还用于：
基于预设步长对所述卫星图像进行切分，以获得多个大小相同的子卫星图像。
上述各程序模块所执行的方法可参照本发明发电量预测方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有发电量预测程序，所述发电量预测程序被处理器执行时实现如上所述的发电量预测方法的步骤。
其中，在所述处理器上运行的发电量预测程序被执行时所实现的方法可参照本发明发电量预测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，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 (10)

1.一种发电量预测方法，其特征在于，所述发电量预测方法包括以下步骤：
获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；
确定各个子卫星图像所包括的光伏电站的预测面积，并获取各个子卫星图像所处区域的天气指数；
基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量；
其中，所述确定各个子卫星图像所包括的光伏电站的面积的步骤包括：
通过光伏电站分割模型分别对各个子卫星图像进行模型训练，以获得各个子卫星图像对应的光伏电站的图像预测面积；
基于图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积。
2.如权利要求1所述的发电量预测方法，其特征在于，所述通过光伏电站分割模型分别对各个子卫星图像进行模型训练的步骤之前，还包括：
获取第一训练样本集，其中，所述第一训练样本集包括多个卫星图片，以及各个卫星图片中所包括的光伏电站的实际面积；
基于所述第一训练样本集，对待训练电站分割模型进行模型训练，以获得训练后的电站分割模型；
确定训练后的电站分割模型是否收敛；
若训练后的电站分割模型收敛，则将训练后的待训练电站分割模型作为所述光伏电站分割模型；
若训练后的电站分割模型未收敛，则将训练后的电站分割模型作为待训练电站分割模型，并返回执行基于所述第一训练样本集，对待训练电站分割模型进行模型训练的步骤。
3.如权利要求1所述的发电量预测方法，其特征在于，所述获取各个子卫星图像所处区域的天气指数的步骤包括：
获取各个子卫星图像所处区域对应的室外环境照片；
基于各个所述室外环境照片确定各个所述天气指数。
4.如权利要求3所述的发电量预测方法，其特征在于，所述基于各个所述室外环境照片确定各个所述天气指数的步骤包括：
通过太阳辐射强度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度，并通过大气温度回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的大气温度；
或者，
通过联合回归模型对各个室外环境照片进行模型训练，以获得各个天气指数中的太阳辐射强度以及大气温度。
5.如权利要求4所述的发电量预测方法，其特征在于，所述通过联合回归模型对各个室外环境照片进行模型训练的步骤之前,还包括：
获取第二训练样本集，其中，所述第二训练样本集包括预设地点的多个室外环境测试照片，以及各个室外环境测试照片对应的实际天气指数；
基于所述第二训练样本集，对待训练联合回归模型进行模型训练，以获得第一回归模型；
若第一回归模型收敛，则将第一回归模型作为所述联合回归模型。
6.如权利要求1所述的发电量预测方法，其特征在于，所述基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练的步骤之前，还包括：
获取第三训练样本集，其中，所述第三训练样本集包括预设光伏电站的多个不同时刻的实际发电量，以及各个实际发电量对应的实际天气指数以及预设光伏电站的实际面积；
基于所述第三训练样本集，对待训练发电量回归模型进行模型训练，以获得第二回归模型；
若第二回归模型收敛，则将第二回归模型作为所述发电量回归模型。
7.如权利要求1至6任一项中所述的发电量预测方法，其特征在于，所述对所述卫星图像进行切分，以获得多个子卫星图像的步骤包括：
基于预设步长对所述卫星图像进行切分，以获得多个大小相同的子卫星图像。
8.一种发电量预测装置，其特征在于，所述发电量预测装置包括：
获取模块，用于获取待预测区域的卫星图像，并对所述卫星图像进行切分，以获得多个子卫星图像；
确定模块，用于确定各个子卫星图像所包括的光伏电站的面积，并获取各个子卫星图像所处区域的天气指数；
预测模块，用于基于各个子卫星图像对应的预测面积以及天气指数，通过发电量回归模型进行模型训练，以获得各个子卫星图像所包括的光伏电站的子发电量，并基于各个所述子发电量确定待预测区域对应的光伏电站的发电量；
其中，所述确定模块还用于：
通过光伏电站分割模型分别对各个子卫星图像进行模型训练，以获得各个子卫星图像对应的光伏电站的图像预测面积；
基于图像预测面积，确定各个子卫星图像所包括的光伏电站的预测面积。
9.一种发电量预测设备，其特征在于，所述发电量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电量预测程序，所述发电量预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的发电量预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有发电量预测程序，所述发电量预测程序被处理器执行时实现如权利要求1至7中任一项所述的发电量预测方法的步骤。
CN202010174164.1A 2020-03-12 2020-03-12 发电量预测方法、装置、设备及计算机可读存储介质 Active CN111210095B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010174164.1A CN111210095B (zh) 2020-03-12 2020-03-12 发电量预测方法、装置、设备及计算机可读存储介质
PCT/CN2020/134324 WO2021179700A1 (zh) 2020-03-12 2020-12-07 发电量预测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010174164.1A CN111210095B (zh) 2020-03-12 2020-03-12 发电量预测方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111210095A CN111210095A (zh) 2020-05-29
CN111210095B true CN111210095B (zh) 2022-02-18

Family

ID=70789824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010174164.1A Active CN111210095B (zh) 2020-03-12 2020-03-12 发电量预测方法、装置、设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111210095B (zh)
WO (1) WO2021179700A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210095B (zh) * 2020-03-12 2022-02-18 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质
CN111695736B (zh) * 2020-06-15 2023-04-21 河北锐景能源科技有限公司 一种基于多模型融合的光伏发电短期功率预测方法
CN112200377A (zh) * 2020-10-16 2021-01-08 国能日新科技股份有限公司 基于sarimax模型的光伏中长期发电量预报方法及装置
CN114036820B (zh) * 2021-10-18 2024-07-12 中国华能集团清洁能源技术研究院有限公司 一种设备异常组串损失电量计算方法、系统及计算机设备
CN114037901B (zh) * 2021-10-25 2023-06-20 河海大学 光伏发电预测导向的实时卫星近红外图像推算方法
CN114091316B (zh) * 2021-11-16 2024-04-05 国网甘肃省电力公司电力科学研究院 一种区域光伏发电量计算方法
CN114281846B (zh) * 2021-11-25 2024-04-09 国网浙江省电力有限公司杭州供电公司 一种基于机器学习的新能源发电预测方法
CN114781179B (zh) * 2022-05-12 2023-03-28 广东华矩检测技术有限公司 基于光纤通信信息采集光伏电站发电量损失核定方法
CN116722545B (zh) * 2023-08-07 2024-01-16 深圳航天科创泛在电气有限公司 基于多源数据的光伏发电预测方法和相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779154A (zh) * 2016-11-22 2017-05-31 浙江工业大学 基于卫星云图的区域分布式光伏出力预测方法
CN108898603A (zh) * 2018-05-29 2018-11-27 北京佳格天地科技有限公司 卫星影像上的地块分割系统及方法
CN109784228A (zh) * 2018-12-28 2019-05-21 苏州易助能源管理有限公司 一种基于图像识别技术的光伏电站识别系统及方法
CN110781458A (zh) * 2019-10-30 2020-02-11 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353952B (zh) * 2013-05-31 2016-08-10 国家电网公司 一种基于地基云图的光伏功率预测方法
US9806528B2 (en) * 2014-01-22 2017-10-31 The Boeing Company Systems and methods for estimating net solar energy production for airborne photovoltaic systems
CN105787594B (zh) * 2016-02-29 2019-11-12 南京航空航天大学 基于多元时间序列及回归分析的辐照预测方法
CN111210095B (zh) * 2020-03-12 2022-02-18 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779154A (zh) * 2016-11-22 2017-05-31 浙江工业大学 基于卫星云图的区域分布式光伏出力预测方法
CN108898603A (zh) * 2018-05-29 2018-11-27 北京佳格天地科技有限公司 卫星影像上的地块分割系统及方法
CN109784228A (zh) * 2018-12-28 2019-05-21 苏州易助能源管理有限公司 一种基于图像识别技术的光伏电站识别系统及方法
CN110781458A (zh) * 2019-10-30 2020-02-11 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法

Also Published As

Publication number Publication date
CN111210095A (zh) 2020-05-29
WO2021179700A1 (zh) 2021-09-16

Similar Documents

Publication Publication Date Title
CN111210095B (zh) 发电量预测方法、装置、设备及计算机可读存储介质
CN111311022B (zh) 发电量预测方法、装置、设备及计算机可读存储介质
CN107274451A (zh) 基于共享卷积神经网络的绝缘子检测方法及装置
US20190362490A1 (en) Method and apparatus for inspecting corrosion defect of ladle
CN112381299A (zh) 一种确定空气质量的方法及装置
CN114998838B (zh) 一种危化品智能存储柜实时监测方法与装置
CN112906654A (zh) 基于深度学习算法的防震锤检测方法
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN115424141A (zh) 一种光伏装机容量计算方法、装置、电子设备和介质
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN113359829B (zh) 一种基于大数据的无人机电厂智能巡检方法
Zhang et al. Extremely efficient PM2. 5 estimator based on analysis of saliency and statistics
CN115759820B (zh) 一种光伏电站定损计算方法、系统及存储介质
CN115146209B (zh) 水土保持状况的监测方法、系统、存储介质和电子设备
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
US10977341B2 (en) Insolation probability distribution analysis method, insolation probability distribution analysis system, insolation probability distribution analysis program product, insolation normalization statistical analysis method, insolation normalization statistical analysis system, and insolation normalization statistical analysis program product
JP6552077B1 (ja) 日射量正規化統計解析システム、日射量正規化統計解析法および日射量正規化統計解析プログラム
CN112810489A (zh) 一种新能源汽车用安全充电管理系统
Xudong et al. Research of YOLOv5s Model Acceleration Strategy in AI Chip
CN112686860A (zh) 一种基于红外热成像的叶片检测方法和装置以及设备
CN118608489A (zh) 光伏板灰尘检测方法、装置、设备及存储介质
CN116248959B (zh) 网络播放器故障检测方法、装置、设备及存储介质
CN117748482B (zh) 发电功率预测方法、装置、电子设备及存储介质
CN113706503B (zh) 整车点云图像分析方法、装置、设备及存储介质
CN116452880A (zh) 光伏组件故障检测方法、装置、设备及介质

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