CN113076855A - 一种分布式光伏资源整合方法、系统、装置及存储介质 - Google Patents
一种分布式光伏资源整合方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113076855A CN113076855A CN202110341101.5A CN202110341101A CN113076855A CN 113076855 A CN113076855 A CN 113076855A CN 202110341101 A CN202110341101 A CN 202110341101A CN 113076855 A CN113076855 A CN 113076855A
- Authority
- CN
- China
- Prior art keywords
- picture
- data
- photovoltaic
- roof
- pictures
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000010354 integration Effects 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 239000006185 dispersion Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种分布式光伏资源整合方法、系统、装置及存储介质,该方法包括:通过卫星获取具有屋顶信息的原始图片;将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;根据获取的所述潜力数据对光伏资源进行整合;本发明通过大数据深度挖掘屋顶潜力,深度挖掘每一个屋顶资源的光伏开发潜力,解决了分布式光伏资源分散、难以整合的问题。
Description
技术领域
本发明涉及光伏整合技术领域,具体涉及一种分布式光伏资源整合方法、系统、装置及存储介质。
背景技术
随着全球能源需求的日益增长,光伏发电因其清洁、便利、安全、适合分布式组网等优势,受到了越来越广泛的关注,并已成为最有前途的可再生能源发电方式之一。
光伏发电系统对外部环境变化和组件的一致性较为敏感,当遭遇局部阴影遮挡或光伏组件个体差异形成的失配问题时,系统的输出功率将显著下降。这一问题已经成为制约光伏发电进一步推广应用的重要因素之一。
目前光伏资源较为分散,如何解决分布式光伏资源分散、难以整合的行业痛点,是我们需要考虑的问题。
发明内容
本发明的目的在于提供一种分布式光伏资源整合方法、系统、装置及存储介质,以解决现有技术中导致的分布式光伏资源分散、难以整合的问题。
为达到上述目的,本发明是采用下述技术方案实现的:
一种分布式光伏资源整合方法,包括:
通过卫星获取具有屋顶信息的原始图片;
将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;
识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;
将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;
根据获取的所述潜力数据对光伏资源进行整合。
进一步地,所述人工智能模型是通过如下方法训练的:
在待训练的图片标注上能够安装光伏的标签和不能安装光伏的标签;
将待训练的图片通过卷积神经网络算法进行训练,获取人工智能模型。
进一步地,所述卷积神经网络算法为Faster-RCNN算法。
进一步地,结合气象数据和行业数据分析所述第二图片的潜力数据包括如下步骤:
通过全国气象站点多年的辐照信息,依据经纬度和海拔评估第二图片全生命周期可用资源;
根据目前的工程技术参数,分析客户的造价成本,其中目前的工程技术参数为分析日至分析日前1-2年的工程技术参数;
根据所述造价成本和所述全生命周期可用资源获取第二图片的潜力数据。
本发明还提供了一种分布式光伏资源整合系统,包括:
图片获取模块:通过卫星获取具有屋顶信息的原始图片;
智能筛选模块:将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;
位置匹配模块:识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;
潜力分析模块:将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;
整合模块:用于根据获取的所述潜力数据对光伏资源进行整合。
进一步地,还包括模型训练模块,所述模型训练模块用于在待训练的图片标注上具有屋顶的标签和不具有屋顶的标签;将待训练的图片通过卷积神经网络算法进行训练,获取人工智能模型。
本发明还提供了一种分布式光伏资源整合装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤。
本发明还提供了计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
根据上述技术方案,本发明的实施例至少具有以下效果:
本发明通过大数据深度挖掘屋顶潜力。通过专业的大数据分析模型,将智能识别的屋顶信息、高分辨率卫星图片以及业主工商信息等海量数据进行交叉处理,深度挖掘每一个屋顶资源的光伏开发潜力,解决了分布式光伏资源分散、难以整合的问题。
本发明将深度学习框架与图像识别技术相结合,突破性的解决了分布式光伏资源分散、难以整合的行业痛点。运用Faster-RCNN算法,它是RCNN系列算法的第三次改进版本,通过预训练好的图片识别卷积神经网络,可以迅速识别图片中具有相同特征的目标并标注出来,可以用于解决复杂的计算机视觉问题,并取得很好的效果。
本发明以卷积神经网络图像识别算法为基础,引入fasterR-CNN深度学习模型,通过不断的迭代学习,训练出高效精准的人工智能识别系统,可以从卫星图片数据中准确识别屋顶信息。
附图说明
图1为本发明具体实施方式的整体流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本方法将深度学习框架与图像识别技术相结合,突破性的解决了分布式光伏资源分散、难以整合的行业痛点。运用Faster-RCNN算法,它是RCNN系列算法的第三次改进版本,通过预训练好的图片识别卷积神经网络,可以迅速识别图片中具有相同特征的目标并标注出来,可以用于解决复杂的计算机视觉问题,并取得很好的效果。
本方法以卷积神经网络图像识别算法为基础,引入fasterR-CNN深度学习模型,通过不断的迭代学习,训练出高效精准的人工智能识别系统,可以从卫星图片数据中准确识别屋顶信息。
本方法可进行全国覆盖搭建数据平台。从宏观上涵盖了每个地区的主要用能主体,已初步完成智慧能源体系的宏观数据库搭建。可实现不同维度的光伏资源数据索引。
本方法可进行专业数据预测发电能力。针对每一个屋顶的不同特点及光照情况差异,将专业数据与8760模型相结合,通过精细算法预测项目发电能力。
本方法可进行建模精算评估项目收益。基于为式创新团队对底层能源资产的深度了解,鹰眼系统充分考虑项目全周期内税收、补贴、贷款、账期以及运维等多维度影响,测算项目运营期内现金流及损益情况,评估项目财务表现。
本方法通过大数据深度挖掘屋顶潜力。通过专业的大数据分析模型,将智能识别的屋顶信息、高分辨率卫星图片以及业主工商信息等海量数据进行交叉处理,深度挖掘每一个屋顶资源的光伏开发潜力。
下面结合具体的应用实例,对本方法进行说明。
步骤1、获取大量的具有屋顶的照片(可通过无人机拍照获取、人工拍照等方式获取,也可通过其它方式获取),在待训练的图片标注上能够安装光伏的标签和不能安装光伏的标签;能够安装光伏的标签是根据屋顶的类型、屋顶的面积及是否已经安装光伏进行综合考量的。例如,屋顶是斜顶,则此屋顶的标签是不能安装光伏的标签,如屋顶上已经安装了光伏,此屋顶的标签是不能安装光伏的标签,若屋顶是平顶,但屋顶的面积小于一定的面积数(可取30平方米),此屋顶为不能安装光伏的标签,能够安装光伏的标签需要同时满足,屋顶为平顶,屋顶的面积比较大,是和安装光伏和屋顶上目前没有安装光伏。
将待训练的图片通过Faster-RCNN算法进行训练,获取人工智能模型。Faster-RCNN算法是RCNN系列算法的第三次改进版本,通过预训练好的图片识别卷积神经网络,可以迅速识别图片中具有相同特征的目标并标注出来,可以用于解决复杂的计算机视觉问题,并取得很好的效果。
步骤2、通过卫星获取具有屋顶信息的原始图片,此过程可直接调用卫星数据,通过卫星数据获取全国范围各省市县的具有屋顶信息的原始图片。例如原始图片包括A图片、B图片、C图片……。
步骤3、将获取的原始图片输入至预训练好的人工智能模型中,从原始图片中筛选出能够安装光伏的第一图片。
具体为,将A图片、B图片、C图片……等输入至人工智能模型中,人工智能模型从中筛选出能够安装光伏的第一图片A1、A2、A3、A4、……。
步骤4、识别第一图片的坐标信息,通过大数据算法将坐标信息与不同的客户进行位置匹配,获取与客户相关联的第二图片。
对获取的第一图片A1、A2、A3、A4、……等进行分析,获取第一图片的坐标信息,通过大数据算法将坐标信息与不同的客户进行位置匹配,获取与客户相关联的第二图片A11、A12、A13、A14……。根据坐标信息对不同的客户进行位置匹配,具体为通过分析各省市县的客户的位置坐标,根据客户甲的位置坐标关联与其30-100KM距离范围内的第二图片A11、A12、A13、A14……,根据客户乙的位置坐标关联与其30-100KM距离范围内的第二图片B11、B12、B13、B14……,根据客户丙的位置坐标关联与其30-100KM距离范围内的第二图片C11、C12、C13、C14……等。
步骤5、将第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析第二图片的潜力数据。
此步骤中还可结合企业数据进行分析,气象数据:全国98个气象站点30年的GHI辐照信息,依据经纬度和海拔准确评估其全生命周期可用资源。(2)行业数据:结合近2年的工程技术参数快速分析造价成本,判断项目的投资回报。(3)企业数据:综合工商信息大数据对企业进行精准风险分层。可以在几秒钟之内快速多维度评估项目经济性/可投资性。
例如,分别对与客户甲相关联的第二图片A11、A12、A13、A14……进行全周期的可用资源评估,根据客户甲的经纬度坐标、屋顶的面积信息、光照条件等评估周期的可用资源系数,按照0.1、0.2、0.3、……1分进行标记,其中1表示可用资源系数最高,0.1表示可用资源系数最低。结合工程技术参数,分别对该屋顶建造光伏设备的造价成本进行判断,造价成本按照1-0.1进行标记。其中1表示造价成本最低,0.1表示造假成本最高。最后将可用资源系数和造价成本相乘获取第二图片A11、A12、A13、A14……的潜力数据,该潜力数据取值范围在0.01至1之间,0.01表示潜力最低,1表示潜力数据最高。
本申请可根据客户获取的与其关联的第二图片的潜力数据进行光伏资源整合。具体可体现在如下方面:
帮助政府、规划机构等进进行用户侧能源规划。
政府在制定分布式能源政策时缺少底层数据,如某个省份是否要发展分布式能源,发展分布式能源能为该地区提供多少能源,需要多少的外送电力作为支撑,这些数据目前只能凭经验进行估算。有了鹰眼智能系统后,政府和规划部门可以直观的看到每个省、市、县的分布式光伏装机容量数据,便于其进行能源政策的制定。
本方法已为国家发改委能源研究所“长三角分布式能源潜力与政策研究”提供技术支撑。
帮助企业优化资源配置,提升业务效率。
企业在开展分布式能源业务时,如何投入、按什么方式投入资源是每一个企业面临的问题,以前通常也是经验导向或者关系导向。有了鹰眼智能系统后,哪个地区有最多的资源,哪个地区的资源最集中、最优质一目了然,便于企业高效调配企业资源。
目前通过本方法已为多家分布式能源企业提供数据服务。
为电力需求响应和售电的负荷集成商提供区域内可集成的负荷信息。
售电和电力负荷响应均为面向电网的业务,由于能源传输的物理特性,只有相近的负荷才方便进行集成,如何高效的实现负荷集成是每个售电企业和电力需求响应企业都需要面临的问题。鹰眼智能系统已将主要用能企业及其位置信息标记入库,非常方便企业在一个城市或一个区域内集成负荷。
基于上述方法,本发明还提供了一分布式光伏资源整合系统,该系统被称为鹰眼系统,该系统包括如下模块:
图片获取模块:通过卫星获取具有屋顶信息的原始图片;
智能筛选模块:将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;
位置匹配模块:识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;
潜力分析模块:将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;
整合模块:用于根据获取的所述潜力数据对光伏资源进行整合。
鹰眼提供了所有能源客户数据和能源潜力数据,可以帮助政府、规划机构等进行用户侧能源规划。
鹰眼为分布式能源的开发和投资企业提供了客户信息资源信息数据,从全局的角度帮助企业优化资源配置,提升业务效率。
鹰眼为电力需求响应的负荷集成商提供区域内可集成的负荷信息,提升负荷集成商的集成能力。
本发明的实施例还提供了一种分布式光伏资源整合装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (8)
1.一种分布式光伏资源整合方法,其特征在于,包括:
通过卫星获取具有屋顶信息的原始图片;
将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;
识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;
将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;
根据获取的所述潜力数据对光伏资源进行整合。
2.根据权利要求1所述的分布式光伏资源整合方法,其特征在于,所述人工智能模型是通过如下方法训练的:
在待训练的图片标注上能够安装光伏的标签和不能安装光伏的标签;
将待训练的图片通过卷积神经网络算法进行训练,获取人工智能模型。
3.根据权利要求2所述的分布式光伏资源整合方法,其特征在于,所述卷积神经网络算法为Faster-RCNN算法。
4.根据权利要求1所述的分布式光伏资源整合方法,其特征在于,结合气象数据和行业数据分析所述第二图片的潜力数据包括如下步骤:
通过全国气象站点多年的辐照信息,依据经纬度和海拔评估第二图片全生命周期可用资源;
根据目前的工程技术参数,分析客户的造价成本,其中目前的工程技术参数为分析日至分析日前1-2年的工程技术参数;
根据所述造价成本和所述全生命周期可用资源获取第二图片的潜力数据。
5.一种分布式光伏资源整合系统,其特征在于,包括:
图片获取模块:通过卫星获取具有屋顶信息的原始图片;
智能筛选模块:将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;
位置匹配模块:识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;
潜力分析模块:将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;
整合模块:用于根据获取的所述潜力数据对光伏资源进行整合。
6.根据权利要求5所述的分布式光伏资源整合系统,其特征在于,还包括模型训练模块,所述模型训练模块用于在待训练的图片标注上具有屋顶的标签和不具有屋顶的标签;将待训练的图片通过卷积神经网络算法进行训练,获取人工智能模型。
7.一种分布式光伏资源整合装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~4任一项所述方法的步骤。
8.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341101.5A CN113076855A (zh) | 2021-03-30 | 2021-03-30 | 一种分布式光伏资源整合方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341101.5A CN113076855A (zh) | 2021-03-30 | 2021-03-30 | 一种分布式光伏资源整合方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113076855A true CN113076855A (zh) | 2021-07-06 |
Family
ID=76611676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110341101.5A Pending CN113076855A (zh) | 2021-03-30 | 2021-03-30 | 一种分布式光伏资源整合方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657789A (zh) * | 2021-08-24 | 2021-11-16 | 国网(天津)综合能源服务有限公司 | 一种分布式光伏屋顶资源多维评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956719A (zh) * | 2016-06-01 | 2016-09-21 | 北京驭能者能源科技有限公司 | 基于历史气象数据的光伏资源评估优化方法及系统 |
CN107180311A (zh) * | 2017-06-02 | 2017-09-19 | 张飞飞 | 基于SaaS的分布式光伏资源集成及共享系统 |
CN108470223A (zh) * | 2018-03-15 | 2018-08-31 | 南京智格电力科技有限公司 | 一种分布式家庭光伏能效管理系统及管理方法 |
CN108510405A (zh) * | 2018-04-03 | 2018-09-07 | 中兴能源(天津)有限公司 | 一种分布式光伏电站一站式管理平台 |
CN109165769A (zh) * | 2018-07-03 | 2019-01-08 | 国网电子商务有限公司 | 光伏电站选址方法、装置、设备及计算机可读存储介质 |
CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
CN111652975A (zh) * | 2020-06-03 | 2020-09-11 | 江苏城乡建设职业学院 | 城市建筑群可利用太阳能资源评估方法及系统 |
CN111985455A (zh) * | 2020-09-08 | 2020-11-24 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件可见光故障模型的训练和识别方法及装置 |
-
2021
- 2021-03-30 CN CN202110341101.5A patent/CN113076855A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956719A (zh) * | 2016-06-01 | 2016-09-21 | 北京驭能者能源科技有限公司 | 基于历史气象数据的光伏资源评估优化方法及系统 |
CN107180311A (zh) * | 2017-06-02 | 2017-09-19 | 张飞飞 | 基于SaaS的分布式光伏资源集成及共享系统 |
CN108470223A (zh) * | 2018-03-15 | 2018-08-31 | 南京智格电力科技有限公司 | 一种分布式家庭光伏能效管理系统及管理方法 |
CN108510405A (zh) * | 2018-04-03 | 2018-09-07 | 中兴能源(天津)有限公司 | 一种分布式光伏电站一站式管理平台 |
CN109165769A (zh) * | 2018-07-03 | 2019-01-08 | 国网电子商务有限公司 | 光伏电站选址方法、装置、设备及计算机可读存储介质 |
CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
CN111652975A (zh) * | 2020-06-03 | 2020-09-11 | 江苏城乡建设职业学院 | 城市建筑群可利用太阳能资源评估方法及系统 |
CN111985455A (zh) * | 2020-09-08 | 2020-11-24 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件可见光故障模型的训练和识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
张强 等: "基于深度神经网络技术的高分遥感图像处理及应用", 31 August 2020, 中国宇航出版社, pages: 54 - 55 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657789A (zh) * | 2021-08-24 | 2021-11-16 | 国网(天津)综合能源服务有限公司 | 一种分布式光伏屋顶资源多维评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11398000B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
Mansouri Kouhestani et al. | Evaluating solar energy technical and economic potential on rooftops in an urban setting: the city of Lethbridge, Canada | |
Ahmad et al. | Quantum GIS based descriptive and predictive data analysis for effective planning of waste management | |
Hyandye et al. | A Markovian and cellular automata land-use change predictive model of the Usangu Catchment | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
US10509868B2 (en) | Operating a solar power generating system | |
Woodruff et al. | Constructing probabilistic scenarios for wide-area solar power generation | |
Haupt et al. | The SunCast solar-power forecasting system: the results of the public-private-academic partnership to advance solar power forecasting | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN109739943A (zh) | 面向自然资源矢量地表覆盖变化统计处理方法 | |
Straka et al. | Analysis of energy consumption at slow charging infrastructure for electric vehicles | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
US20240111917A1 (en) | Methods for designing, manufacturing, installing, and/or maintenance of roofing accessories and systems of use thereof | |
Trigo-Gonzalez et al. | Development and comparison of PV production estimation models for mc-Si technologies in Chile and Spain | |
CN113076855A (zh) | 一种分布式光伏资源整合方法、系统、装置及存储介质 | |
Gueguen et al. | Mapping human settlements and population at country scale from VHR images | |
Statsenko et al. | Developing software and hardware for automation of ground urban transport traffic management | |
Um | Evaluating patent tendency for UAV related to spatial information in South Korea | |
CN116739208A (zh) | 一种供电服务业务统一管理系统 | |
Mohammadi et al. | A comprehensive review of existing urban energy models in the built environment | |
Gorricha et al. | A framework for exploratory analysis of extreme weather events using geostatistical procedures and 3D self-organizing maps | |
Hengki et al. | The Digital Platform Promotion Strategy To Support UMKM In Bangka Belitung Province | |
CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
CN117151496B (zh) | 一种企业架构对齐方法、装置、设备及存储介质 | |
CN113935549B (zh) | 一种综合智慧能源优化调度系统 |
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 |