CN112508245A - 基于人工智能光伏电池板玻璃破损发电量预测方法及系统 - Google Patents
基于人工智能光伏电池板玻璃破损发电量预测方法及系统 Download PDFInfo
- Publication number
- CN112508245A CN112508245A CN202011344538.6A CN202011344538A CN112508245A CN 112508245 A CN112508245 A CN 112508245A CN 202011344538 A CN202011344538 A CN 202011344538A CN 112508245 A CN112508245 A CN 112508245A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic cell
- cell panel
- glass
- damaged
- 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.)
- Withdrawn
Links
- 239000011521 glass Substances 0.000 title claims abstract description 105
- 238000010248 power generation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000002834 transmittance Methods 0.000 claims abstract description 48
- 230000005855 radiation Effects 0.000 claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000005286 illumination Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000012790 confirmation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种基于人工智能光伏电池板玻璃破损发电量预测方法及系统,涉及人工智能领域;该方法包括采集待测光伏电池板的初始图像进行预处理,获取正视的光伏电池板图像并输入目标检测网络,输出破损图像及其类型;采用迭代运算确认阈值对破损图像进行二值化分析,获取玻璃破损缺陷的数量及面积;根据光伏电池板图像、破损图像、破损类型获取待测玻璃的透光率,并结合破损缺陷的面积、数量获取待测光伏电池板的有效辐射量;根据环境气候数据以及有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。本发明能够去除背景噪声,很好的突出玻璃缺陷区域的边界,减小检测结果的误差,根据破损程度对光伏电池板发电量做出准确的预测和评估。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能光伏电池板玻璃破损发电量预测方法及系统。
背景技术
玻璃板是光伏电池板的组件之一,主要用来封装和保护电池硅片。在光伏电池板工作过程中,玻璃直接与外界环境接触,受生产质量以及外界环境变化的影响,会因为外力撞击、温度变化等因素产生不同程度的破损缺陷,如玻璃划痕,碎裂等。玻璃破损容易使光伏组件的透光率下降,致使光伏电池板发电量出现不同程度下降,降低光伏电池板的长期可靠性。
现有技术对玻璃的缺陷检测一般针对的是流水线上的检测,检测到破损等缺陷后,发出警报提示工作人员,不能根据破损程度对光伏电池板发电量的影响做出准确的预测和评估,进而了解光伏电池板的实际利用率。
发明内容
为了解决上述技术问题,本发明了提供一种基于人工智能光伏电池板玻璃破损发电量预测方法及系统,所采用的技术方案如下:
第一方面,本发明实施例提供了一种基于人工智能光伏电池板玻璃破损发电量预测方法,该方法包含以下步骤:
采集待测光伏电池板的初始图像;
对初始图像进行预处理,并获取正视的光伏电池板图像;
将光伏电池板图像输入目标检测网络,获取破损图像及其类型;
获取每个破损图像的灰度平均值作为阈值分割破损图像,再对分割后的每个区域的灰度平均值继续求平均值获取新的阈值,若新的阈值满足迭代条件,则根据新阈值求二值化图像并进行连通域分析,获取玻璃破损缺陷的数量及面积;否则用当前阈值再次分割破损图像并进行迭代运算求取下一个新的阈值;
根据光伏电池板图像、破损图像、破损类型以及完好玻璃的透光率获取待测玻璃的透光率,并结合破损缺陷的面积、数量以及由完好玻璃组成的光伏电池板的有效辐射量获取待测光伏电池板的有效辐射量;
根据以环境温度、光照强度以及待测光伏电池板的有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。
优选地,获取每个破损图像的灰度平均值是指破损图像中的最小和最大灰度值的平均值。
优选地,玻璃的透光率σ′为:
其中,γ为修正系数,∈i表示第i个破损类型的玻璃透光率的衰减系数,μi为第i个破损类型的破损图像的灰度平均值,μ为光伏电池板图像的灰度平均值,σ为完好玻璃的透光率,M表示破损类型的数量,αi为第i个破损类型对透光率衰减影响的权值。
优选地,破损类型的数量为2,破损类型分为划痕以及碎裂。
优选地,有效辐射量为:
ζ0为由完好玻璃组成的光伏电池板的有效辐射量,N表示光伏电池板图像的破损数量,Lu为第u个破损区域的像素个数。
第二方面,本发明实施例提供了一种基于人工智能光伏电池板玻璃破损发电量预测系统,包括:
图像获取单元,用于采集待测光伏电池板的初始图像;
发电量预测单元,包括图像预处理模块、破损检测模块、破损分析模块、有效辐射量获取模块、预测模型建立模块:
图像预处理模块,用于对初始图像进行预处理,并获取正视的光伏电池板图像;
破损检测模块,用于将光伏电池板图像输入目标检测网络,获取破损图像及其类型;
破损分析模块,用于获取每个破损图像的灰度平均值作为阈值分割破损图像,再对分割后的每个区域的灰度平均值继续求平均值获取新的阈值,若新的阈值满足迭代条件,则根据新阈值求二值化图像并进行连通域分析,获取玻璃破损缺陷的数量及面积;否则用当前阈值再次分割破损图像并进行迭代运算求取下一个新的阈值;
有效辐射量获取模块,用于根据光伏电池板图像、破损图像、破损类型以及完好玻璃的透光率获取待测玻璃的透光率,并结合破损缺陷的面积、数量以及由完好玻璃组成的光伏电池板的有效辐射量获取待测光伏电池板的有效辐射量;
预测模型建立模块,用于根据以环境温度、光照强度以及待测光伏电池板的有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。
进一步地,破损分析模块中,每个破损图像的灰度平均值是指破损图像中的最小和最大灰度值的平均值。
进一步地,有效辐射量获取模块中,玻璃的透光率σ′为:
其中,γ为修正系数,∈i表示第i个破损类型的玻璃透光率的衰减系数,μi为第i个破损类型的破损图像的灰度平均值,μ为光伏电池板图像的灰度平均值,σ为完好玻璃的透光率,M表示破损类型的数量,αi为第i个破损类型对透光率衰减影响的权值。
进一步地,破损类型的数量为2,破损类型分为划痕以及碎裂。
进一步地,有效辐射量获取模块中,有效辐射量为:
本发明实施例至少包含以下有益效果:
本发明实施例根据光伏电池板图像、破损图像、破损类型获取玻璃的透光率,并结合破损缺陷的面积、数量获取待测光伏电池板的有效辐射量,增加预测量的准确性,减小了结果的误差;
本发明实施例通过迭代运算确认阈值对破损图像进行二值化分析,去除背景噪声,很好的突出玻璃缺陷区域的边界。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能光伏电池板玻璃破损发电量预测方法的步骤流程图。
图2为本发明一个实施例提供的一种基于人工智能光伏电池板玻璃破损发电量预测方法的流程图。
图3为本发明一个实施例提供的一种基于人工智能光伏电池板玻璃破损发电量预测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能光伏电池板玻璃破损发电量预测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能光伏电池板玻璃破损发电量预测方法及系统具体方案。
请参阅图1和图2,图1示出了一种基于人工智能光伏电池板玻璃破损发电量预测方法的步骤流程图,图2示出了一种基于人工智能光伏电池板玻璃破损发电量预测方法的流程图,该检测方法包括以下步骤:
步骤S100:采集待测光伏电池板的初始图像。
本发明实施例中,针对玻璃破损的光伏电池板进行初始图像的采集。通过无人机搭载摄像装备,航拍光伏电池板获取初始图像,每张初始图像包含一个光伏电池板,并含有少部分背景。
步骤S200:对初始图像进行预处理,并获取正视的光伏电池板图像。
为了减少图像噪声对提取特征的影响,需要对采集的初始图像进行以下预处理:
利用颜色恒常性算法提取初始图像的光照无关图,以去除环境光变化及光照不均带来的影响;
将光照无关图由RGB色彩模式转换为单通道模式,获取其灰度图像;
采用均值滤波去除灰度图像中的噪声,得到样本图像;
为减小误差,对样本图像再一次变换求取光伏电池板的正视图:在图像坐标系中,利用关键点检测算法得到样本图像中光伏电池板的四个顶点坐标(xmin,ymin),(xmax,ymin),(xmin,ymax),(xmax,ymax)作为参考点,并确定正射视角下的光伏电池板的四个顶点坐标为(0,0),(x′max,0),(0,y′max),(x′max,y′max);其中x′max与y′max根据光伏电池板样本图像的分辨率确定;利用四对顶点坐标计算出校正样本图像的透视变换矩阵,利用透视变换矩阵得到正视的光伏电池板图像。
步骤S300:将光伏电池板图像输入目标检测网络,获取破损图像及其类型。
通过目标检测网络感知光伏电池板图像,获取玻璃产生破损的类型及其破损图像。
目标检测网络的训练过程如下:
对光伏电池板图像数据集中的目标区域中不同的玻璃破损类型进行标注,得到相应的标签。对光伏电池板图像进行旋转、部分遮挡等处理进行数据扩增,经过归一化处理后输入目标检测网络的编码器中,编码器通过卷积、池化以及非线性激活等操作提取光伏电池板图像的特征,获得特征图,并将得到的特征图输入目标检测网络的解码器中,解码器对特征图进行上采样,输出缺陷类型及其ROI区域。采用均方差损失函数和随机梯度下降法训练目标检测网络。
本发明实施例中使用的目标检测网络为DNN网络,ROI区域是包含破损区域的矩形包围框,即破损图像。
步骤S400:获取每个破损图像的灰度平均值作为阈值分割破损图像,再对分割后的每个区域的灰度平均值继续求平均值获取新的阈值,若新的阈值满足迭代条件,则根据新阈值求二值化图像并进行连通域分析,获取玻璃破损缺陷的数量及面积;否则用当前阈值再次分割破损图像并进行迭代运算求取下一个新的阈值。
具体的,对每个ROI区域内的破损缺陷进一步分析,求出每张破损图像中的最小灰度值Z1和最大灰度值Z2,并确定初始阈值:
根据阈值T0将破损图像分割成C1和C2两区域,其中C1区域包含灰度值小于等于T0的像素点,C2区域包含灰度值大于T0的像素点。计算出C1区域的平均灰度值Z′1,C2区域的平均灰度值Z′2,则:
求出新的阈值:
迭代次数k初值为0,如果Tk+1=Tk或达到最大迭代次数,则结束迭代计算;否则以Tk+1为新的阈值,对破损图像重新进行阈值分割,k值加1,继续进行迭代计算。最大迭代次数根据需要和经验设定。
对于满足迭代条件的新的阈值,根据所得阈值对破损图像进行修正,若f(i,j)<Tk+1,则该位置的值修正为0,若f(i,j)≥Tk+1,则该位置的值修正为255,修正后获得二值化图像。该方法能够去除背景噪声,很好的突出玻璃缺陷区域的边界。
对二值化图像进行形态学运算,该运算为开运算,需先对二值化图像进行腐蚀操作,然后再进行膨胀操作。形态学运算能够去除二值化图像时产生的白色孔洞噪声。
通过对二值图像进行连通域分析从而得到破损图像的连通域,每个连通域视为一处破损区域,,分析光伏电池板的所有破损区域,统计光伏电池板图像的破损数量,以及破损区域的像素个数,即破损缺陷所占面积。
步骤S500:根据光伏电池板图像、破损图像、破损类型以及完好玻璃的透光率获取待测玻璃的透光率,并结合破损缺陷的面积、数量以及由完好玻璃组成的光伏电池板的有效辐射量获取待测光伏电池板的有效辐射量。
由于玻璃出现破损后,会降低太阳光的透过率,且破损程度越高,太阳光的透过率越低。根据步骤S200所获得的光伏电池板图像、步骤S300所获得的破损图像及其类型、完好玻璃的透过率来计算待测玻璃的透光率σ′:
其中,γ为修正系数,∈i表示第i个破损类型的玻璃透光率的衰减系数,μi为第i个破损类型的破损图像的灰度平均值,μ为光伏电池板图像的灰度平均值,σ为完好玻璃的透光率,M表示破损类型的数量,αi为第i个破损类型对透光率衰减影响的权值。
具体到本发明实施例中,破损类型分为划痕以及碎裂,也即破损类型的数量M取值为2,此时,待测玻璃的透光率σ′为
其中,∈1表示玻璃划痕产生的衰减系数,∈2表示玻璃碎裂产生的衰减系数,μ1为划痕区域破损图像的灰度平均值,μ2为碎裂区域破损图像的灰度平均值,α1为玻璃划痕区域透光率衰减影响的权值,α2为玻璃碎裂区域对透光率衰减影响的权值,由于玻璃碎裂对透光率的影响大于玻璃划痕,则α1<α2且α1+α2=1,本发明实施例中,α1可以取0.3,α2可以取0.7。
步骤S600:根据以环境温度、光照强度以及待测光伏电池板的有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。
利用传感器获取环境气候数据,影响光伏电池板输出功率的环境因素包括温度及光照强度,将环境气候数据以及步骤S500所获得的待测光伏电池板的有效辐射量输入发电量预测模型中,判断玻璃破损对发电量的影响。
本发明实施例中获取了过去7天同一时间段t内的环境温度、光照强度以及玻璃破损的光伏电池板的有效辐射量构造天气时序数据然后将时序数据X输入发电量预测模型进行处理,利用发电量预测模型对t时间段内发电量进行预测。其中,T为该时间段内的平均温度,E为该时间段内的平均光照强度。
用于发电量预测模型的神经网络为Encoder-GRU结构的LSTM网络,该网络的训练过程为:
对时序数据X进行归一化后输入Encoder编码器,Encoder编码器利用一维卷积来提取特征。然后通过GRU网络对特征进行回归得到t时间段内的发电量。采用均方差损失函数对网络进行训练,使发电量预测模型更加准确。
本发明实施例中采集数据设置时间段t为1个小时,通过发电量预测模型能够得到玻璃破损的光伏电池板在1个小时内的发电量。
综上所述,本发明实施例提供了一种基于人工智能光伏电池板玻璃破损发电量预测方法,该方法包括采用迭代运算确认阈值对破损图像进行二值化分析,去除背景噪声,很好的突出玻璃缺陷区域的边界。根据光伏电池板图像、破损图像、破损类型获取玻璃的透光率,并结合破损缺陷的面积、数量获取待测光伏电池板的有效辐射量,增加预测量的准确性,根据环境气候数据以及有效辐射量建立发电量预测模型,输入过去7天同一时间段内采集的时序数据预测发电量,减小了结果的误差。
基于与上述方法实施例相同的发明构思,本发明另一个实施例提供了一种基于人工智能光伏电池板玻璃破损发电量预测系统。
请参阅图3,其示出了本发明另一个实施例所提供的一种基于人工智能光伏电池板玻璃破损发电量预测系统100的结构框图,该系统包括图像获取单元10和发电量预测单元20。
具体的,图像获取单元10,用于采集待测光伏电池板的初始图像;
发电量预测单元20,包括图像预处理模块21、破损检测模块22、破损分析模块23、有效辐射量获取模块24、预测模型建立模块25:
图像预处理模块21,用于对初始图像进行预处理,并获取正视的光伏电池板图像;
破损检测模块22,用于将光伏电池板图像输入目标检测网络,获取破损图像及其类型;
破损分析模块23,用于获取每个破损图像的灰度平均值作为阈值分割破损图像,再对分割后的每个区域的灰度平均值继续求平均值获取新的阈值,若新的阈值满足迭代条件,则根据新阈值求二值化图像并进行连通域分析,获取玻璃破损缺陷的数量及面积;否则用当前阈值再次分割破损图像并进行迭代运算求取下一个新的阈值;
有效辐射量获取模块24,用于根据光伏电池板图像、破损图像、破损类型以及完好玻璃的透光率获取待测玻璃的透光率,并结合破损缺陷的面积、数量以及由完好玻璃组成的光伏电池板的有效辐射量获取待测光伏电池板的有效辐射量;
预测模型建立模块25,用于根据以环境温度、光照强度以及待测光伏电池板的有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。
进一步地,破损分析模块23中,每个破损图像的灰度平均值是指破损图像中的最小和最大灰度值的平均值。
进一步地,有效辐射量获取模块24中,玻璃的透光率σ′为:
其中,γ为修正系数,∈i表示第i个破损类型的玻璃透光率的衰减系数,μi为第i个破损类型的破损图像的灰度平均值,μ为光伏电池板图像的灰度平均值,σ为完好玻璃的透光率,M表示破损类型的数量,αi为第i个破损类型对透光率衰减影响的权值。
进一步地,破损类型的数量为2,破损类型分为划痕以及碎裂。
进一步地,有效辐射量获取模块24中,有效辐射量为:
ζ0是由完好玻璃组成的光伏电池板的有效辐射量,N表示光伏电池板图像的破损数量,Lu为第u个破损区域的像素个数。
综上所述,本发明实施例提供了一种基于人工智能光伏电池板玻璃破损发电量预测系统,该系统包括采用破损分析模块,去除背景噪声,很好的突出玻璃缺陷区域的边界。根据有效辐射量获取模块计算透过率及有效辐射量,增加预测量的准确性,利用预测模型建立模块采集过去7天同一时间段内的时序数据,输入根据环境气候数据以及有效辐射量建立的发电量预测模型,预测发电量,减小预测结果的误差。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本发明的较佳实施例,并不用以限制本发明,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)
1.一种基于人工智能光伏电池板玻璃破损发电量预测方法,其特征在于,该方法包含以下步骤:
采集待测光伏电池板的初始图像;
对所述初始图像进行预处理,并获取正视的光伏电池板图像;
将所述光伏电池板图像输入目标检测网络,获取破损图像及其类型;
获取每个所述破损图像的灰度平均值作为阈值分割所述破损图像,再对分割后的每个区域的灰度平均值继续求平均值获取新的阈值,若新的阈值满足迭代条件,则根据所述新阈值求二值化图像并进行连通域分析,获取玻璃破损缺陷的数量及面积;否则用当前阈值再次分割所述破损图像并进行迭代运算求取下一个新的阈值;
根据所述光伏电池板图像、所述破损图像、破损类型以及完好玻璃的透光率获取待测玻璃的透光率,并结合破损缺陷的面积、数量以及由完好玻璃组成的光伏电池板的有效辐射量获取待测光伏电池板的有效辐射量;
根据以环境温度、光照强度以及所述待测光伏电池板的有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。
2.根据权利要求1所述的一种基于人工智能光伏电池板玻璃破损发电量预测方法,其特征在于,所述获取每个破损图像的灰度平均值是指所述破损图像中的最小和最大灰度值的平均值。
4.根据权利要求3所述的基于人工智能光伏电池板玻璃破损发电量预测方法,其特征在于,所述破损类型的数量为2,所述破损类型分为划痕以及碎裂。
6.一种基于人工智能光伏电池板玻璃破损发电量预测系统,其特征在于,包括:
图像获取单元,用于采集待测光伏电池板的初始图像;
发电量预测单元,包括图像预处理模块、破损检测模块、破损分析模块、有效辐射量获取模块、预测模型建立模块:
所述图像预处理模块,用于对所述初始图像进行预处理,并获取正视的光伏电池板图像;
所述破损检测模块,用于将所述光伏电池板图像输入目标检测网络,获取破损图像及其类型;
所述破损分析模块,用于获取每个所述破损图像的灰度平均值作为阈值分割所述破损图像,再对分割后的每个区域的灰度平均值继续求平均值获取新的阈值,若新的阈值满足迭代条件,则根据所述新阈值求二值化图像并进行连通域分析,获取玻璃破损缺陷的数量及面积;否则用当前阈值再次分割所述破损图像并进行迭代运算求取下一个新的阈值;
所述有效辐射量获取模块,用于根据所述光伏电池板图像、所述破损图像、破损类型以及完好玻璃的透光率获取待测玻璃的透光率,并结合破损缺陷的面积、数量以及由完好玻璃组成的光伏电池板的有效辐射量获取待测光伏电池板的有效辐射量;
所述预测模型建立模块,用于根据以环境温度、光照强度以及所述待测光伏电池板的有效辐射量所建立的发电量预测模型求取该光伏电池板的发电量。
7.根据权利要求6所述的基于人工智能光伏电池板玻璃破损发电量预测系统,其特征在于,所述破损分析模块中每个所述破损图像的灰度平均值是指所述破损图像中的最小和最大灰度值的平均值。
9.根据权利要求8所述的基于人工智能光伏电池板玻璃破损发电量预测系统,其特征在于,所述破损类型的数量为2,所述破损类型分为划痕以及碎裂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344538.6A CN112508245A (zh) | 2020-11-26 | 2020-11-26 | 基于人工智能光伏电池板玻璃破损发电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344538.6A CN112508245A (zh) | 2020-11-26 | 2020-11-26 | 基于人工智能光伏电池板玻璃破损发电量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508245A true CN112508245A (zh) | 2021-03-16 |
Family
ID=74967441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011344538.6A Withdrawn CN112508245A (zh) | 2020-11-26 | 2020-11-26 | 基于人工智能光伏电池板玻璃破损发电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508245A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536655A (zh) * | 2021-04-07 | 2021-10-22 | 北京聚树核科技有限公司 | 定日镜人工智能纠偏方法、装置、电子设备及存储介质 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113592869A (zh) * | 2021-09-29 | 2021-11-02 | 广东省有色工业建筑质量检测站有限公司 | 一种建筑幕墙玻璃破裂图像识别方法及报警系统 |
CN115062806A (zh) * | 2022-08-18 | 2022-09-16 | 山东龙普太阳能股份有限公司 | 一种太阳能数据监控管理系统及方法 |
CN116231644A (zh) * | 2023-03-22 | 2023-06-06 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
-
2020
- 2020-11-26 CN CN202011344538.6A patent/CN112508245A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536655A (zh) * | 2021-04-07 | 2021-10-22 | 北京聚树核科技有限公司 | 定日镜人工智能纠偏方法、装置、电子设备及存储介质 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113537582B (zh) * | 2021-07-02 | 2022-05-24 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113592869A (zh) * | 2021-09-29 | 2021-11-02 | 广东省有色工业建筑质量检测站有限公司 | 一种建筑幕墙玻璃破裂图像识别方法及报警系统 |
CN113592869B (zh) * | 2021-09-29 | 2021-11-26 | 广东省有色工业建筑质量检测站有限公司 | 一种建筑幕墙玻璃破裂图像识别方法及报警系统 |
CN115062806A (zh) * | 2022-08-18 | 2022-09-16 | 山东龙普太阳能股份有限公司 | 一种太阳能数据监控管理系统及方法 |
CN115062806B (zh) * | 2022-08-18 | 2022-11-18 | 山东龙普太阳能股份有限公司 | 一种太阳能数据监控管理系统及方法 |
CN116231644A (zh) * | 2023-03-22 | 2023-06-06 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
CN116231644B (zh) * | 2023-03-22 | 2023-11-03 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508245A (zh) | 基于人工智能光伏电池板玻璃破损发电量预测方法及系统 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN111652857A (zh) | 一种绝缘子缺陷红外检测方法 | |
CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
CN114049618B (zh) | 一种基于图-点-图变换的路面三维病害pci计算方法 | |
CN110689060B (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN114663389A (zh) | 光伏组件热斑检测方法、设备及存储介质 | |
CN116805302A (zh) | 一种缆索表面缺陷检测装置及方法 | |
Acharya et al. | Deep neural network based approach for detection of defective solar cell | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及系统 | |
CN117315670B (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN111091554B (zh) | 铁路货车摇枕断裂故障图像识别方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN116433591A (zh) | 一种光伏板热斑的检测与面积占比计算方法 | |
CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 | |
CN115100577A (zh) | 基于神经网络的能见度识别方法及系统、电子设备、存储介质 | |
CN116630814B (zh) | 一种基于机器学习的建筑灾害快速定位评估方法 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN117690008B (zh) | 一种水生生态悬浮物识别方法及系统 | |
CN116380811B (zh) | 一种基于氧气吸收带的云检测方法 | |
CN118333954A (zh) | 一种刹车片表面损伤检测方法和装置 | |
CN117132706A (zh) | 一种基于无人机的光伏区特征采集建模方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210316 |