CN113470016A - 一种基于人工智能的光伏电池板异常检测方法及装置 - Google Patents

一种基于人工智能的光伏电池板异常检测方法及装置 Download PDF

Info

Publication number
CN113470016A
CN113470016A CN202111014483.7A CN202111014483A CN113470016A CN 113470016 A CN113470016 A CN 113470016A CN 202111014483 A CN202111014483 A CN 202111014483A CN 113470016 A CN113470016 A CN 113470016A
Authority
CN
China
Prior art keywords
shading
area
panel
shading area
pixel
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.)
Granted
Application number
CN202111014483.7A
Other languages
English (en)
Other versions
CN113470016B (zh
Inventor
王丙涛
谢卫菊
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.)
Jiangsu Yurong Photoelectric Technology Co ltd
Original Assignee
Jiangsu Yurong Photoelectric Technology 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 Jiangsu Yurong Photoelectric Technology Co ltd filed Critical Jiangsu Yurong Photoelectric Technology Co ltd
Priority to CN202111014483.7A priority Critical patent/CN113470016B/zh
Publication of CN113470016A publication Critical patent/CN113470016A/zh
Application granted granted Critical
Publication of CN113470016B publication Critical patent/CN113470016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及人工智能和光伏发电技术领域，提供了一种基于人工智能的光伏电池板异常检测方法及装置，通过将待检测电池板的表面图像输入到训练好的遮荫语义感知网络中，得到待检测电池板的遮荫区域面积，进而根据该遮荫区域面积计算待检测电池板的电池板异常判定指标值；该遮荫语义感知网络的训练过程包括：对用于训练的电池板的表面图像进行聚类计算，得到初始电池板遮荫区域；然后对初始电池板遮荫区域的进行梯度计算，并根据梯度计算结果对初始电池板遮荫区域的边缘进行修正，从而得到遮荫标签，实现对遮荫语义感知网络的训练。本发明可以准确获知遮荫标签，避免了人工确定遮荫标签不准确的现象，提高了电池异常检测的准确性。

Description

一种基于人工智能的光伏电池板异常检测方法及装置
技术领域
本发明涉及人工智能和光伏发电技术领域，具体涉及一种基于人工智能的光伏电池板异常检测方法及装置。
背景技术
光伏电站是指利用太阳光能、采用特殊材料诸如晶硅板、逆变器等电子元件组成的发电体系，与电网相连并向电网输送电力的光伏发电系统。其中，光伏电站中的光伏组件通常建于室外，例如建于屋顶、地面之上，这就导致光伏电池板表面容易出现灰尘、鸟类的粪便、散落的鸟类羽毛等遮挡物。太阳能电池板表面出现遮荫后，将会形成热斑，导致其发电量极具下降，严重时可导致电池板异常而无法正常工作。因此，对电池板的遮荫情况进行实时准确的检测，对分析电池板异常情况以及掌握光伏电站的整体运行至关重要。
目前，对于电池板异常现象的分析主要基于人为检测以及各类传感器等硬件设备，检测效率较低，且检测结果不够准确，尤其是对存在遮挡的电池板，这对整个光伏电站的可靠运营十分不利。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的光伏电池板异常检测方法及装置，所采用的技术方案具体如下：
本发明提供了一种基于人工智能的光伏电池板异常检测方法，包括以下步骤：
获取待检测电池板的表面图像；
将获取的所述待检测电池板的表面图像输入到训练好的遮荫语义感知网络中，得到待检测电池板的遮荫区域面积；
根据所述待检测电池板的遮荫区域面积，计算待检测电池板的电池板异常判定指标值，所述电池板异常判定指标值越小，电池板的异常程度越高；
其中，所述训练好的遮荫语义感知网络的训练过程包括：
获取用于训练的电池板的表面图像；
对所述用于训练的电池板的表面图像进行聚类计算，得到初始电池板遮荫区域；
计算各个所述初始电池板遮荫区域的梯度，得到各个所述初始电池板遮荫区域的边缘像素梯度；
将各个所述初始电池板遮荫区域的边缘像素梯度分别与电池板遮荫区域的边缘像素梯度设定值进行比较，得到柔和边缘的初始电池板遮荫区域和非柔和边缘的初始电池板遮荫区域；
对各个柔和边缘的初始电池板遮荫区域的边缘进行修正，得到各个边缘修正后的柔和边缘的初始电池板遮荫区域；
将各个非柔和边缘的初始电池板遮荫区域内的像素点以及各个边缘修正后的柔和边缘的初始电池板遮荫区域内的像素点作为遮荫标签，并将用于训练的电池板的表面图像及其对应的遮荫标签输入到遮荫语义感知网络，对遮荫语义感知网络进行训练。
进一步的，所述对各个柔和边缘的初始电池板遮荫区域的边缘进行修正的过程包括：
计算非柔和边缘的初始电池板遮荫区域的邻域范围内的非遮荫区域的光照指标，并将其记作非遮荫光照指标；
采用滑动窗口，以柔和边缘的初始电池板遮荫区域的中心点为起始点向四周进行滑动，计算滑动窗口内的光照指标；
根据滑动窗口内的光照指标和非遮荫光照指标，计算滑动窗口内的像素为遮荫区域的概率值；
根据滑动窗口内的像素为遮荫区域的概率值大小，重新确定柔和边缘的初始电池板遮荫区域的边缘。
进一步的，所述光照指标的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为待计算光照指标区域的光照指标；
Figure DEST_PATH_IMAGE006
为光照指标参数，
Figure DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE014
为待计算光照指标区域的光学三原色。
进一步的，所述滑动窗口内的像素为遮荫区域的概率值的计算公式为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为滑动窗口内的像素为遮荫区域的概率值；
Figure DEST_PATH_IMAGE020
为滑动窗口内的光照指标；
Figure DEST_PATH_IMAGE022
为非遮荫光照指标；
Figure DEST_PATH_IMAGE024
为概率值参数，
Figure DEST_PATH_IMAGE026
。
进一步的，所述根据滑动窗口内的像素为遮荫区域的概率值大小，重新确定柔和边缘的初始电池板遮荫区域的边缘的过程包括：
将滑动窗口内的像素为遮荫区域的概率值与遮荫区域的概率值设定阈值进行比较；
当滑动窗口内的像素为遮荫区域的概率值不低于所述遮荫区域的概率值设定阈值时，滑动窗口继续滑动；当滑动窗口内的像素为遮荫区域的概率值低于所述遮荫区域的概率值设定阈值时，滑动窗口停止滑动，并根据滑动窗口的当前位置来确定柔和边缘的初始电池板遮荫区域在当前位置处的边缘。
进一步的，根据所述待检测电池板的遮荫区域面积，计算待检测电池板的电池板异常判定指标值的过程包括：
判断所述待检测电池板的遮荫区域面积是否大于遮荫区域面积设定阈值；
若所述待检测电池板的遮荫区域面积不大于遮荫区域面积设定阈值，则电池板异常判定指标值的计算公式为：
Figure DEST_PATH_IMAGE028
若所述待检测电池板的遮荫区域面积大于遮荫区域面积设定阈值，则根据遮荫区域面积设定阈值，采用光伏电池板MPPT控制器调节电池板输出功率，此时电池板异常判定指标值的计算公式为：
Figure DEST_PATH_IMAGE030
其中，
Figure 893017DEST_PATH_IMAGE010
为电池板异常判定指标值；
Figure 652900DEST_PATH_IMAGE006
为电池板异常判定调整参数，
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE034
为电池板的遮荫区域面积；
Figure DEST_PATH_IMAGE036
为电池板的温度，
Figure DEST_PATH_IMAGE038
为电池板的湿度，
Figure DEST_PATH_IMAGE040
分别为
Figure 410466DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE042
的影响因子，
Figure DEST_PATH_IMAGE044
；
Figure 419659DEST_PATH_IMAGE024
为修正因子，
Figure 404670DEST_PATH_IMAGE024
≥1；
Figure DEST_PATH_IMAGE046
为电池板标准输出功率；
Figure DEST_PATH_IMAGE048
为经MPPT控制器调节之后的电池板输出功率；
Figure DEST_PATH_IMAGE050
为归一化函数。
进一步的，还包括对遮荫区域面积设定阈值的标定过程：
设置初始的遮荫区域面积设定阈值；
判断所述待检测电池板的遮荫区域面积是否大于初始的遮荫区域面积设定阈值；
若所述待检测电池板的遮荫区域面积大于初始的遮荫区域面积设定阈值，则根据初始的遮荫区域面积设定阈值，采用光伏电池板MPPT控制器调节电池板输出功率；
将经MPPT控制器调节之后的电池板输出功率与电池板标准输出功率进行比较，并判断二者的差值
Figure DEST_PATH_IMAGE052
是否位于设置的遮荫前后电池板功率变化范围
Figure DEST_PATH_IMAGE054
内；
若差值
Figure 267279DEST_PATH_IMAGE052
不位于设置的遮荫前后电池板功率变化范围
Figure 586176DEST_PATH_IMAGE054
内，则对当前初始的遮荫区域面积设定阈值进行修正；
根据修正后遮荫区域面积设定阈值，再次采用光伏电池板MPPT控制器调节电池板输出功率，并判断经MPPT控制器调节之后的电池板输出功率与电池板标准输出功率的差值
Figure 690136DEST_PATH_IMAGE052
是否位于设置的遮荫前后电池板功率变化范围
Figure 732917DEST_PATH_IMAGE054
内，若差值
Figure 586601DEST_PATH_IMAGE052
不位于设置的遮荫前后电池板功率变化范围
Figure 245991DEST_PATH_IMAGE054
内，则对当前的遮荫区域面积设定阈值再次进行修正，直至差值
Figure 888062DEST_PATH_IMAGE052
位于设置的遮荫前后电池板功率变化范围
Figure 56787DEST_PATH_IMAGE054
内，最终得到的遮荫区域面积设定阈值即为标定后的遮荫区域面积设定阈值。
进一步的，对遮荫区域面积设定阈值进行修正的步骤包括：
若差值
Figure 142424DEST_PATH_IMAGE052
小于
Figure DEST_PATH_IMAGE056
，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE058
若差值
Figure 545899DEST_PATH_IMAGE052
大于
Figure DEST_PATH_IMAGE060
，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE064
为修正后的遮荫区域面积设定阈值；
Figure DEST_PATH_IMAGE066
为修正前的遮荫区域面积设定阈值；
Figure DEST_PATH_IMAGE068
为修正因子，
Figure DEST_PATH_IMAGE070
；
Figure 624337DEST_PATH_IMAGE056
为功率差值最小设定值，
Figure 438447DEST_PATH_IMAGE060
为功率差值最大设定值。
进一步的，所述对所述用于训练的电池板的表面图像进行聚类计算，得到初始电池板遮荫区域的过程包括：
对用于训练的电池板的表面图像像素进行灰度归一化处理，归一化后的灰度等级为1-
Figure DEST_PATH_IMAGE072
；
确定用于训练的电池板的表面图像中的像素在每个灰度等级上的个数
Figure DEST_PATH_IMAGE074
；
根据每个灰度等级上的个数
Figure 347848DEST_PATH_IMAGE074
，选取灰度等级1-
Figure 716250DEST_PATH_IMAGE072
中的两个灰度等级作为遮荫像素簇的聚类中心
Figure DEST_PATH_IMAGE076
和非遮荫像素簇的聚类中心
Figure DEST_PATH_IMAGE078
；
根据遮荫像素簇的聚类中心
Figure 996663DEST_PATH_IMAGE076
和非遮荫像素簇的聚类中心
Figure 608822DEST_PATH_IMAGE078
，计算归一化后的每个像素分别属于遮荫像素簇和非遮荫像素簇的判定指标，构造判定指标矩阵；
判断构造的判定指标矩阵是否满足设定的条件，若不满足设定的条件，则对遮荫像素簇的聚类中心
Figure 19950DEST_PATH_IMAGE076
和非遮荫像素簇的聚类中心
Figure 360801DEST_PATH_IMAGE078
进行更新；
根据更新后的遮荫像素簇的聚类中心
Figure 611349DEST_PATH_IMAGE076
和非遮荫像素簇的聚类中心
Figure 134472DEST_PATH_IMAGE078
，重新计算归一化后的每个像素分别属于遮荫像素簇和非遮荫像素簇的判定指标，并构造判定指标矩阵，直至构造的判定指标矩阵满足设定的条件；
根据最终构造的判定指标矩阵，对用于训练的电池板的表面图像像素进行分类，得到遮荫像素簇和非遮荫像素簇，从而得到初始电池板遮荫区域。
本发明还提供了一种基于人工智能的光伏电池板异常检测装置，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述的基于人工智能的光伏电池板异常检测方法。
本发明具有如下有益效果：通过聚类方法初步获取电池板遮荫区域，然后对初步获取的电池板遮荫区域进行梯度计算，根据电池板遮荫区域的边缘梯度情况，来区分出柔和边缘的电池板遮荫区域，由于该柔和边缘的电池板遮荫区域划分不准确，因此通过对该柔和边缘的电池板遮荫区域进行修正，从而可以准确地获知电池板遮荫区域，将该准确的电池板遮荫区域作为遮荫标签，对遮荫语义感知网络进行训练。本发明通过准确地获知遮荫标签，避免了人工确定遮荫标签不准确的现象，可以更加准确地检测出电池板的遮荫区域面积，从而提高了电池异常检测的准确性。
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为本发明基于人工智能的光伏电池板异常检测方法的流程图。
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的光伏电池板异常检测方法及装置，其具体实施方式、结构、特征及其功效，详细说明如下。
方法实施例：
本实施例提供了一种基于人工智能的光伏电池板异常检测方法，该检测方法通过准确获取遮荫语义感知网络的遮荫标签数据，并以此遮荫标签数据来对遮荫语义感知网络进行训练，提高了光伏电池板遮荫区域面积检测的准确性，进而提高了电池板异常检测的准确性。
其中，如图1所示，该基于人工智能的光伏电池板异常检测方法主要包括两大部分：1、对遮荫语义感知网络进行训练的过程；2、基于训练好的遮荫语义感知网络，对光伏电池板异常情况进行检测的过程。下面将对这两大部分的内容进行详细介绍。
1、对遮荫语义感知网络进行训练的过程：
（1-1）获取用于训练的电池板的表面图像。
其中，在本实施例中，为了获取电池板的RGB表面图像，是通过在光伏电站部署轨道相机，并通过轨道相机采集电池板的表面图像来实现的。即在每行电池板的一侧布置轨道，在轨道上安装可在轨道中滑动的相机，相机可以一边滑动，一边对电池板表面进行拍照，从而可以得到每个单电池板的表面图像信息，从而可以获得大量的电池板的表面图像。
当然，作为其他的实施方式，为了获取电池板的表面图像，也可以采用低空飞行的无人机携带相机对电池板表面进行拍摄来实现。
（1-2）对用于训练的电池板的表面图像进行聚类计算，得到初始电池板遮荫区域，该聚类计算的具体过程如下：
（1-2-1）首先对电池板的表面图像中的每个像素进行灰度归一化，归一化后的图像像素灰度等级的变化范围为1-
Figure 637872DEST_PATH_IMAGE072
。即经过归一化处理后，电池板的表面图像中的每个像素均位于灰度等级1-
Figure 471879DEST_PATH_IMAGE072
中的其中一个灰度等级上。
（1-2-2）利用灰度直方图统计模型统计电池板的表面图像中的像素在每个灰度级上的个数
Figure DEST_PATH_IMAGE080
，然后确定聚类数目，当电池板出现遮荫现象时将会出现遮荫区域，因此本实施例设置聚类簇别为2，分别为遮荫像素簇和非遮阴像素簇，并根据灰度直方图统计模型统计的信息分别获取两个簇的初始化聚类中心点。考虑到当电池板出现遮荫时，遮荫区域由于光照影响会导致局部灰度降低，因此本实施例将
Figure DEST_PATH_IMAGE082
以及
Figure DEST_PATH_IMAGE084
所对应的灰度等级分别作为两个簇的初始聚类中心
Figure DEST_PATH_IMAGE086
，对应遮荫像素簇和非遮阴像素簇，非遮阴像素簇也可以称之为正常像素簇，两个簇类别分别记为
Figure DEST_PATH_IMAGE088
。
（1-2-3）设置像素分析模型，根据初始聚类中心
Figure 221658DEST_PATH_IMAGE086
，计算电池板的表面图像中的每个像素分别属于遮荫像素簇和非遮阴像素簇的判定指标，该像素分析模型为：
Figure DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE092
为归一化后的电池板的表面图像中的第
Figure DEST_PATH_IMAGE094
个像素
Figure DEST_PATH_IMAGE096
属于类别
Figure DEST_PATH_IMAGE098
的判定指标，类别
Figure 672057DEST_PATH_IMAGE098
取类别
Figure DEST_PATH_IMAGE100
、类别
Figure DEST_PATH_IMAGE102
。其中，判定指标越高，则认为该像素越可能属于该簇。
Figure DEST_PATH_IMAGE104
为分析模型参数，可以根据实际情况自行设定，本实施例设置
Figure DEST_PATH_IMAGE106
。
Figure DEST_PATH_IMAGE108
为归一化后的电池板的表面图像中的第
Figure 826919DEST_PATH_IMAGE094
个像素
Figure 657209DEST_PATH_IMAGE096
到初始聚类中心
Figure DEST_PATH_IMAGE110
的一维距离，
Figure 182650DEST_PATH_IMAGE110
取
Figure 883627DEST_PATH_IMAGE086
。
Figure DEST_PATH_IMAGE112
为归一化后的电池板的表面图像中的第
Figure 198938DEST_PATH_IMAGE094
个像素
Figure 516525DEST_PATH_IMAGE096
到第j个簇类别的初始聚类中的一维距离。
（1-2-4）根据计算出的判定指标，构造初始化的判定指标矩阵
Figure DEST_PATH_IMAGE114
，该判定指标矩阵为
Figure DEST_PATH_IMAGE116
，
Figure DEST_PATH_IMAGE118
：
Figure DEST_PATH_IMAGE120
Figure DEST_PATH_IMAGE122
为初始化的判定指标矩阵，用于体现归一化后的电池板的表面图像中的每一个像素属于类别
Figure 787932DEST_PATH_IMAGE100
、类别
Figure 631166DEST_PATH_IMAGE102
的判定值。
（1-2-5）根据构造的判定指标矩阵，对归一化后的电池板的表面图像像素进行聚类，即将归一化后的电池板的表面图像中的每个像素归类到其对应的判定指标较高的簇类别中，并在聚类之后对聚类中心进行更新：
Figure DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE126
表示第
Figure DEST_PATH_IMAGE128
次迭代后类别
Figure 458656DEST_PATH_IMAGE098
的聚类中心,类别
Figure 456349DEST_PATH_IMAGE098
取类别
Figure 68465DEST_PATH_IMAGE100
、类别
Figure 3754DEST_PATH_IMAGE102
，
Figure DEST_PATH_IMAGE130
为第
Figure 440027DEST_PATH_IMAGE128
次迭代前类别
Figure 410169DEST_PATH_IMAGE098
中的像素个数,
Figure DEST_PATH_IMAGE132
为第
Figure 324511DEST_PATH_IMAGE128
次迭代前属于类别
Figure 154056DEST_PATH_IMAGE098
中第
Figure DEST_PATH_IMAGE134
个像素，
Figure DEST_PATH_IMAGE136
为第
Figure 875412DEST_PATH_IMAGE128
次迭代前属于类别
Figure 795833DEST_PATH_IMAGE098
的第
Figure 55476DEST_PATH_IMAGE134
个像素的判定指标，
Figure DEST_PATH_IMAGE138
为聚类中心更新指数，可根据实际情况自行设定，本实施例设置
Figure DEST_PATH_IMAGE140
。
（1-2-6）更新聚类中心之后，根据步骤（1-2-3）中的像素分析模型，继续计算归一化后的电池板的表面图像每个像素归属于新的聚类中心类别的判定指标值，并构造判定指标矩阵进行聚类，进而再次更新聚类中心，以便根据更新后的聚类中心获取更加准确的判定指标矩阵。
（1-2-7）根据每次迭代后每个归一化后的电池板的表面图像像素和聚类中心之间的判定指标，构建迭代终止模型：
Figure DEST_PATH_IMAGE142
其中，
Figure 646251DEST_PATH_IMAGE004
为判定因子，可根据实际情况自行选取，本实施例设置
Figure DEST_PATH_IMAGE144
，
Figure DEST_PATH_IMAGE146
为第
Figure DEST_PATH_IMAGE148
次迭代后归一化后的电池板的表面图像中的第
Figure 815806DEST_PATH_IMAGE094
个像素
Figure 557278DEST_PATH_IMAGE096
属于类别
Figure 564155DEST_PATH_IMAGE098
的判定指标，
Figure DEST_PATH_IMAGE150
为第
Figure 968024DEST_PATH_IMAGE128
次迭代后归一化后的电池板的表面图像中的第
Figure 684045DEST_PATH_IMAGE094
个像素
Figure 647234DEST_PATH_IMAGE096
属于类别
Figure 83900DEST_PATH_IMAGE098
的判定指标。
（1-2-8）通过上述步骤（1-2-1）-（1-2-7），可得到最佳判定指标矩阵。然后根据最佳判定指标矩阵对归一化后的电池板的表面图像像素进行分类，将像素划分到判定指标较大的簇内。至此，即可相对准确地获取到电池板的表面图像的一个或者多个初始电池板遮荫区域，也即初始标签数据。该通过聚类算法来制作初始标签数据的过程可以有效防止人为主观因素的影响，提高了标签制作的准确性。
需要说明的是，上述的步骤（1-2）仅仅是给出了对电池板遮荫区域进行感知的一种具体的聚类算法，作为其他的实施方式，也可以采用现有技术中其他的聚类算法来对电池板的表面图像进行聚类计算，以得到初始电池板遮荫区域。
另外，通过聚类算法对电池板遮荫区域进行感知之后，考虑到电池板遮荫特性的不同，会存在遮荫区域边界柔和现象，很可能会导致上述聚类出现较大误差。因此，本实施例将对聚类分析后的电池板遮荫区域做进一步的分析，以更准确识别电池板的遮荫区域，提高系统精度，具体过程参见下面的步骤（1-3）-（1-5）。
（1-3）计算各个初始电池板遮荫区域的梯度，得到各个初始电池板遮荫区域的边缘像素梯度。
其中，计算电池板的表面图像的梯度分布，获取对应的梯度分布映射图，基于梯度分布映射图，根据梯度变化可获取各边缘区域，进而得到各个初始电池板遮荫区域的边缘像素梯度。由于该图像梯度计算属于现有技术，此处不再赘述。
（1-4）设置电池板遮荫区域的边缘像素梯度设定值
Figure DEST_PATH_IMAGE152
，将各个初始电池板遮荫区域的边缘像素梯度
Figure DEST_PATH_IMAGE154
分别与边缘像素梯度设定值
Figure 427480DEST_PATH_IMAGE152
进行比较，得到柔和边缘的初始电池板遮荫区域和非柔和边缘的初始电池板遮荫区域。
其中，若边缘像素梯度
Figure 642299DEST_PATH_IMAGE154
大于边缘像素梯度设定值
Figure 30467DEST_PATH_IMAGE152
，则认为该遮荫区域的边缘为非柔和边缘，则上述对应的聚类结果较为准确，获取的遮荫区域准确度高。若边缘像素梯度
Figure 644726DEST_PATH_IMAGE154
不大于边缘像素梯度设定值
Figure 118127DEST_PATH_IMAGE152
，则认为该遮荫区域的边缘为柔和边缘，边缘处的像素梯度较小，像素值变化小，上述聚类过程中将会出现分类误差，而对于处于柔和边缘处的像素点的分类不准确，将会影响后续遮荫区域面积的计算，从而导致整个系统精度降低。
（1-5）对各个柔和边缘的初始电池板遮荫区域的边缘进行修正，得到各个边缘修正后的柔和边缘的初始电池板遮荫区域，具体过程包括：
（1-5-1）计算非柔和边缘的初始电池板遮荫区域的邻域范围内的非遮荫区域的光照指标，并将其记作非遮荫光照指标，该光照指标的计算公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 284273DEST_PATH_IMAGE004
为待计算光照指标区域的光照指标；
Figure 222054DEST_PATH_IMAGE006
为光照指标参数，
Figure 984211DEST_PATH_IMAGE008
；
Figure 52399DEST_PATH_IMAGE010
、
Figure 174068DEST_PATH_IMAGE012
、
Figure 124444DEST_PATH_IMAGE014
为待计算光照指标区域的光学三原色。
对于非柔和边缘的初始电池板遮荫区域，可以认为其边缘处的像素点分类较为准确，因此为了获取非遮荫光照指标，可以选取该非柔和边缘邻域范围内
Figure DEST_PATH_IMAGE156
的非遮荫区域，计算其对应的光照指标，该光照指标可以作为非遮荫光照指标，即为记为
Figure 804474DEST_PATH_IMAGE022
。
（1-5-2）采用
Figure 196010DEST_PATH_IMAGE156
滑动窗口，以聚类后的柔和边缘的初始电池板遮荫区域的中心点为起始点向四周进行滑动，滑动步长为2，计算滑动窗口内的光照指标。
（1-5-3）根据滑动窗口内的光照指标和非遮荫光照指标，计算滑动窗口内的像素为遮荫区域的概率值。即将滑动窗口内的光照指标与非遮荫光照指标
Figure 652094DEST_PATH_IMAGE022
进行对比分析，并基于此构建遮荫区域概率指标模型，用于获取滑动窗口内像素为遮荫区域的概率分布图，该遮荫区域概率指标模型对应的计算公式为：
Figure DEST_PATH_IMAGE016A
其中，
Figure 135771DEST_PATH_IMAGE018
为滑动窗口内的像素为遮荫区域的概率值；
Figure DEST_PATH_IMAGE158
为S型函数；
Figure 698121DEST_PATH_IMAGE020
为滑动窗口内的光照指标；
Figure 803218DEST_PATH_IMAGE024
为概率值参数，
Figure 453640DEST_PATH_IMAGE026
。
需要说明的是，该遮荫区域概率指标模型的目的是更加准确地确定滑动窗口内的像素是否为遮荫区域，以便后续更加准确地确定柔和边缘的初始电池板遮荫区域的边缘。作为其他的实施方式，也可以采用现有技术中的其他遮荫区域概率指标模型。
（1-5-4）根据滑动窗口内的像素为遮荫区域的概率值大小，重新确定柔和边缘的初始电池板遮荫区域的边缘。即以遮荫区域的概率值来对窗口滑动过程进行约束，当滑动窗口内的像素为遮荫区域的概率值不低于遮荫区域的概率值设定阈值0.3时，滑动窗口继续滑动；当滑动窗口内的遮荫区域的概率值低于遮荫区域的概率值设定阈值0.3时，则认为该窗口为遮荫区域的可能性较低，窗口将停止滑动，不再向外扩展，此时可以根据滑动窗口的当前位置来确定柔和边缘的初始电池板遮荫区域在当前位置处的边缘。通过窗口滑动，可以准确确定柔和边缘的初始电池板遮荫区域的在不同位置处的边缘位置，得到更加准确的边缘，实现了对柔和边缘的初始电池板遮荫区域的边缘修正过程。另外，窗口滑动具体过程为本领域的公知常识，此处不再做相关阐述。
通过上述步骤（1-3）-（1-5），实现了对柔和边缘的初始电池板遮荫区域的边缘修正，从而可以获得更加准确的电池板遮荫区域，以便于后续更好的训练遮荫语义感知网络，进而提高待检测电池板的遮荫区域面积的识别精度以及电池板异常的检测精度。
需要说明的是，上述步骤（1-5）仅是给出了对各个柔和边缘的初始电池板遮荫区域的边缘进行修正的一个具体实施方式，作为其他的实施方式，也可以采用现有技术中的其他方式来对柔和边缘的初始电池板遮荫区域的边缘进行修正，以更加准确地获取所有的电池板遮荫区域。例如，在获取非遮荫光照指标后，以柔和边缘的初始电池板遮荫区域的当前边缘为起始点，采用滑动窗口向远离或者靠近初始电池板遮荫区域中心点的方向移动，然后根据滑动窗口内的光照指标和非遮荫光照指标，计算滑动窗口内的像素为遮荫区域的概率值，进而更精确地确定柔和边缘的初始电池板遮荫区域的边缘。
（1-6）将各个非柔和边缘的初始电池板遮荫区域内的像素点以及各个边缘修正后的柔和边缘的初始电池板遮荫区域内的像素点作为遮荫标签，并将用于训练的电池板的表面图像及其对应的遮荫标签输入到遮荫语义感知网络，并采用交叉熵损失函数对遮荫语义感知网络进行迭代训练。
上述步骤（1-1）-（1-6）首先采用聚类方法得到初始电池板遮荫区域，然后考虑到初始电池板遮荫区域由于会存在边缘柔和的现象，再结合初始电池板遮荫区域的边缘像素梯度情况对柔和边缘的始电池板遮荫区域进行修正，以得到准确的电池板遮荫区域，并将其作为遮荫语义感知网络的标签数据，有效防止人为制作标签的主观性引起的误差，提高了电池板遮荫区域面积检测的准确性，进而提高了电池板异常情况的检测精度。
2、基于训练好的遮荫语义感知网络，对光伏电池板异常情况进行检测的过程：
（2-1）获取待检测电池板的表面图像。
其中，该获取待检测电池板的RGB表面图像的方式可以参见上文中的步骤（1-1），此处不再赘述。
（2-2）将获取的待检测电池板的表面图像输入到训练好的遮荫语义感知网络中，得到待检测电池板的遮荫区域面积，记为
Figure 129341DEST_PATH_IMAGE034
。
（2-3）根据遮荫语义感知网络输出的检测电池板的遮荫区域面积，计算电池板异常判定指标值，电池板异常判定指标值越小，电池板的异常程度越高。
其中，考虑到当电池板表面出现大面积遮荫时，电池板将会产生热斑效应，热斑区域将作为电池板负载，降低电池板的发电功率。通常需要人为设置遮荫区域面积设定阈值
Figure 771413DEST_PATH_IMAGE066
，当遮荫区域面积超过阈值
Figure 205717DEST_PATH_IMAGE066
时，认为遮荫区域会导致电池板的输出功率降低，此时采用光伏电池板MPPT控制器调节电池板输出功率，保证电池板输出最大功率。但是，人为设置遮荫区域面积设定阈值
Figure 9463DEST_PATH_IMAGE066
是根据个人经验来确定的，可靠性较低，且遮荫区域对不同电池板的影响有很大差异，人为设置的遮荫区域面积设定阈值
Figure 359410DEST_PATH_IMAGE066
会导致整体系统效率低下，进而影响到电池板异常检测的准确性。
因此，为了降低人为设置遮荫阈值的误差及主观性，在计算电池板异常判定指标值之前，需要对人为设置的遮荫区域面积设定阈值
Figure 64893DEST_PATH_IMAGE066
进行标定。即在首次对某块电池板的判定指标值进行计算前，要对遮荫区域面积设定阈值
Figure 629735DEST_PATH_IMAGE066
进行标定，在标定之后再对该块电池板的判定指标值进行计算时，直接使用标定后的遮荫区域面积设定阈值
Figure 869961DEST_PATH_IMAGE066
，无需再重新标定。当然，在忽略遮荫区域对不同电池板的影响差异的情况下，即认为遮荫区域对某一区域内所有电池板的影响相同，则此时只需要在对该区域内第一块电池板的判定指标值进行计算前，对人为设置的遮荫区域面积设定阈值
Figure 244223DEST_PATH_IMAGE066
进行标定，并根据标定后的遮荫区域面积设定阈值
Figure 431360DEST_PATH_IMAGE066
对该第一块电池板的判定指标值进行计算。当对该区域内的其他电池板的判定指标值进行计算时，直接使用标定后的遮荫区域面积设定阈值
Figure 55237DEST_PATH_IMAGE066
即可，无需再重新标定。
其中，对遮荫区域面积设定阈值
Figure 466365DEST_PATH_IMAGE066
进行标定的具体步骤如下：
（2-3-1）人为设置遮荫区域面积设定阈值
Figure 525325DEST_PATH_IMAGE066
，可以记为
Figure DEST_PATH_IMAGE160
，将其作为初始的遮荫区域面积设定阈值。设置遮荫前后电池板功率变化范围
Figure 895914DEST_PATH_IMAGE054
，该功率变化范围的大小可以根据实际情况进行设置。在本实施例中，设置
Figure DEST_PATH_IMAGE162
，并设置
Figure DEST_PATH_IMAGE164
，此时遮荫前后电池板功率变化范围
Figure DEST_PATH_IMAGE166
。
（2-3-2）判断经步骤（2-2）获得的待检测电池板的遮荫区域面积
Figure 806320DEST_PATH_IMAGE034
是否大于初始的遮荫区域面积设定阈值，此时分为两种情况：
情况1：待检测电池板的遮荫区域面积
Figure 670240DEST_PATH_IMAGE034
大于初始的遮荫区域面积设定阈值
Figure 13234DEST_PATH_IMAGE160
，根据初始的遮荫区域面积设定阈值
Figure 825330DEST_PATH_IMAGE160
，采用光伏电池板MPPT控制器调节电池板输出功率。
将经MPPT控制器调节之后的电池板输出功率与电池板标准输出功率进行比较，并判断二者的差值
Figure 937381DEST_PATH_IMAGE052
是否位于设置的遮荫前后电池板功率变化范围
Figure 424732DEST_PATH_IMAGE054
内，其中
Figure 995302DEST_PATH_IMAGE056
为功率差值最小设定值，
Figure 593512DEST_PATH_IMAGE060
为功率差值最大设定值，则此时有：
若差值
Figure 28910DEST_PATH_IMAGE052
位于设置的遮荫前后电池板功率变化范围
Figure 228773DEST_PATH_IMAGE054
内，则认为人为所设置的遮荫区域面积设定阈值
Figure 608676DEST_PATH_IMAGE160
较为准确，直接将该
Figure 292467DEST_PATH_IMAGE160
作为修正后的遮荫区域面积设定阈值
Figure 119390DEST_PATH_IMAGE066
。
若差值
Figure 214123DEST_PATH_IMAGE052
不位于设置的遮荫前后电池板功率变化范围
Figure 753426DEST_PATH_IMAGE054
内，也即经MPPT控制器调节后的电池板输出功率与调节前输出功率相差不大或者相差较大，则认为人为设置的遮荫面积阈值对电池板功率影响过小或者过大。因此，为避免功率调控硬件系统的无效启动，对当前初始的遮荫区域面积设定阈值
Figure 711016DEST_PATH_IMAGE160
进行动态调整修正，以便准确获取影响电池板输出功率的遮荫区域面积设定阈值（最小遮荫面积），对当前初始的遮荫区域面积设定阈值
Figure 199635DEST_PATH_IMAGE160
进行修正的过程如下：
当差值
Figure 730848DEST_PATH_IMAGE052
小于
Figure 497728DEST_PATH_IMAGE056
时，说明此时的遮荫面积不足以对电池板输出功率造成影响，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE168
（1）
当差值
Figure 202948DEST_PATH_IMAGE052
大于
Figure 733025DEST_PATH_IMAGE060
时，说明遮荫前后的电池板输出功率相差较大，也即该遮荫面积对电池板的输出功率影响过于严重，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE170
（2）
其中，
Figure 470692DEST_PATH_IMAGE064
为修正后的遮荫区域面积设定阈值；
Figure 187850DEST_PATH_IMAGE066
为修正前的遮荫区域面积设定阈值；
Figure 221663DEST_PATH_IMAGE068
为修正因子，
Figure 137405DEST_PATH_IMAGE070
。
根据修正后的遮荫区域面积设定阈值
Figure 151366DEST_PATH_IMAGE064
，再次采用光伏电池板MPPT控制器调节电池板输出功率，并将经MPPT控制器调节之后的电池板输出功率与电池板标准输出功率进行比较，判断二者的差值
Figure 548630DEST_PATH_IMAGE052
是否位于设置的遮荫前后电池板功率变化范围
Figure 837398DEST_PATH_IMAGE054
内，若差值
Figure 523158DEST_PATH_IMAGE052
不位于该变化范围内，则继续采样上述的公式（1）或者公式（2）对当前的遮荫区域面积设定阈值进行修正，直至差值
Figure 583386DEST_PATH_IMAGE052
位于设置的遮荫前后电池板功率变化范围
Figure 999105DEST_PATH_IMAGE054
内，最终得到的遮荫区域面积设定阈值即为标定后的遮荫区域面积设定阈值。
上述步骤（2-3-1）-（2-3-2）可以完成对遮荫区域面积设定阈值的标定过程，该标定过程能够针对不同的电池板动态调整遮荫区域面积设定阈值，可根据电池板自身功率变化情况针对性的获取对应的遮荫区域面积设定阈值，目的是针对不同的电池板准确得到影响其发电功率的遮荫面积，更具有针对性，提高了后续电池板异常检测的准确度。对不足以影响电池板功率的遮荫面积不需要启动电池板功率调节系统即光伏电池板MPPT控制器，避免硬件调节系统的无效启动，提高整体效率，同时防止人为设置遮荫面积阈值过大的情况，导致对低于人为设置的遮荫面积且对电池板功率造成影响的现象出现漏检。
基于标定后的遮荫区域面积设定阈值，并结合电池板的遮荫区域面积、电池板温湿度，分析判定电池板异常现象，实时对电池板情况进行分析，便于工作人员及时了解电站发电情况，并及时采取相应措施，降低系统成本，提高电站工作效率，具体过程如下：
（2-3-3）判断经步骤（2-2）获得的待检测电池板的遮荫区域面积
Figure 825984DEST_PATH_IMAGE034
是否大于标定后的遮荫区域面积设定阈值，此时有：
若待检测电池板的遮荫区域面积不大于标定后的遮荫区域面积设定阈值，则不启动光伏电池板MPPT控制器进行电池板输出功率调节，此时电池板异常判定指标值的计算公式为：
Figure DEST_PATH_IMAGE028A
若待检测电池板的遮荫区域面积大于标定后的遮荫区域面积设定阈值，则根据遮荫区域面积设定阈值，采用光伏电池板MPPT控制器调节电池板输出功率，此时电池板异常判定指标值的计算公式为：
Figure DEST_PATH_IMAGE172
（3）
其中，
Figure 121179DEST_PATH_IMAGE010
为电池板异常判定指标值；
Figure 545119DEST_PATH_IMAGE006
为电池板异常判定调整参数，
Figure 458587DEST_PATH_IMAGE032
；
Figure 348877DEST_PATH_IMAGE034
为电池板的遮荫区域面积；
Figure 15088DEST_PATH_IMAGE036
为电池板的温度，
Figure 604070DEST_PATH_IMAGE038
为电池板的湿度，
Figure 541851DEST_PATH_IMAGE040
分别为
Figure 507271DEST_PATH_IMAGE034
、
Figure 139958DEST_PATH_IMAGE042
的影响因子，
Figure 962158DEST_PATH_IMAGE044
；
Figure 646955DEST_PATH_IMAGE024
为修正因子，
Figure 703816DEST_PATH_IMAGE024
≥1；
Figure 626510DEST_PATH_IMAGE046
为电池板标准输出功率；
Figure 540983DEST_PATH_IMAGE048
为经MPPT控制器调节之后的电池板输出功率；
Figure 848162DEST_PATH_IMAGE050
为归一化函数，用于将
Figure DEST_PATH_IMAGE174
归一化到0-1的范围。
对于上述的电池板异常判定指标值
Figure 253254DEST_PATH_IMAGE010
，
Figure 296035DEST_PATH_IMAGE010
越大，表明电池板的异常程度越高。光伏电站工作人员能够直接获取每个电池板的异常判定指标值
Figure 69824DEST_PATH_IMAGE010
，直观分析电池板的异常程度，降低光伏电站整体成本，以便工作人员及时采取应对措施。
需要说明的是，上述步骤仅是给出了计算电池板异常判定指标值的一个具体实施例。作为其他的实施方式，在保证电池板异常判定指标值
Figure 402584DEST_PATH_IMAGE010
的大小能够表征电池板的异常程度不同的基础上，也可以采用现有技术中的其他方式来根据电池板遮阴区域面积，进行确定电池板异常判定指标值
Figure 247918DEST_PATH_IMAGE010
。
另外，为了便于工作人员能够了解电池板的异常情况，对电池板异常判定指标值设置程度阈值
Figure DEST_PATH_IMAGE176
，并将该程度阈值
Figure 524965DEST_PATH_IMAGE176
设置为0.8，当检测到电池板的异常判定指标值
Figure 978644DEST_PATH_IMAGE010
低于程度阈值
Figure 63012DEST_PATH_IMAGE176
时，则进行声光报警，以提示工作人员尽快对相应的电池板进行检测维修，进一步提高光伏电站发电效率。
再次需要强调的是，在上述的步骤（2-3）中，对遮荫区域面积设定阈值
Figure 712037DEST_PATH_IMAGE066
的标定过程只需在首次对某块电池板的判定指标值进行计算之前进行，或者是在忽略遮荫区域对同一区域内的不同电池板的影响差异的情况下，只需要在对第一块电池板的判定指标值进行计算之前进行，而当第二次对某块电池板的判定指标值进行计算时，或者是对第二块电池板的判定指标值进行计算时，则直接进入到步骤（2-3-3）。
装置实施例：
本实施例提供了一种基于人工智能的光伏电池板异常检测装置，该装置包括处理器和存储器，该处理器用于处理存储在存储器中的指令，以实现上述方法实施例中的基于人工智能的光伏电池板异常检测方法。由于该基于人工智能的光伏电池板异常检测方法已经在上述的方法实施例中进行了详细介绍，此处不再赘述。
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。
以上所述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的光伏电池板异常检测方法，其特征在于，包括以下步骤：
获取待检测电池板的表面图像；
将获取的所述待检测电池板的表面图像输入到训练好的遮荫语义感知网络中，得到待检测电池板的遮荫区域面积；
根据所述待检测电池板的遮荫区域面积，计算待检测电池板的电池板异常判定指标值，所述电池板异常判定指标值越小，电池板的异常程度越高；
其中，所述训练好的遮荫语义感知网络的训练过程包括：
获取用于训练的电池板的表面图像；
对所述用于训练的电池板的表面图像进行聚类计算，得到初始电池板遮荫区域；
计算各个所述初始电池板遮荫区域的梯度，得到各个所述初始电池板遮荫区域的边缘像素梯度；
将各个所述初始电池板遮荫区域的边缘像素梯度分别与电池板遮荫区域的边缘像素梯度设定值进行比较，得到柔和边缘的初始电池板遮荫区域和非柔和边缘的初始电池板遮荫区域；
对各个柔和边缘的初始电池板遮荫区域的边缘进行修正，得到各个边缘修正后的柔和边缘的初始电池板遮荫区域；
将各个非柔和边缘的初始电池板遮荫区域内的像素点以及各个边缘修正后的柔和边缘的初始电池板遮荫区域内的像素点作为遮荫标签，并将用于训练的电池板的表面图像及其对应的遮荫标签输入到遮荫语义感知网络，对遮荫语义感知网络进行训练。
2.根据权利要求1所述的基于人工智能的光伏电池板异常检测方法，其特征在于，所述对各个柔和边缘的初始电池板遮荫区域的边缘进行修正的过程包括：
计算非柔和边缘的初始电池板遮荫区域的邻域范围内的非遮荫区域的光照指标，并将其记作非遮荫光照指标；；
采用滑动窗口，以柔和边缘的初始电池板遮荫区域的中心点为起始点向四周进行滑动，计算滑动窗口内的光照指标；
根据滑动窗口内的光照指标和非遮荫光照指标，计算滑动窗口内的像素为遮荫区域的概率值；
根据滑动窗口内的像素为遮荫区域的概率值大小，重新确定柔和边缘的初始电池板遮荫区域的边缘。
3.根据权利要求2所述的基于人工智能的光伏电池板异常检测方法，其特征在于，所述光照指标的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 123525DEST_PATH_IMAGE002
为待计算光照指标区域的光照指标；
Figure DEST_PATH_IMAGE003
为光照指标参数，
Figure 135038DEST_PATH_IMAGE004
；
Figure DEST_PATH_IMAGE005
、
Figure 608220DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
为待计算光照指标区域的光学三原色。
4.根据权利要求2或3所述的基于人工智能的光伏电池板异常检测方法，其特征在于，所述滑动窗口内的像素为遮荫区域的概率值的计算公式为：
Figure 451323DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为滑动窗口内的像素为遮荫区域的概率值；
Figure 295518DEST_PATH_IMAGE010
为滑动窗口内的光照指标；
Figure DEST_PATH_IMAGE011
为非遮荫光照指标；
Figure 462670DEST_PATH_IMAGE012
为概率值参数，
Figure DEST_PATH_IMAGE013
。
5.根据权利要求2或3所述的基于人工智能的光伏电池板异常检测方法，其特征在于，所述根据滑动窗口内的像素为遮荫区域的概率值大小，重新确定柔和边缘的初始电池板遮荫区域的边缘的过程包括：
将滑动窗口内的像素为遮荫区域的概率值与遮荫区域的概率值设定阈值进行比较；
当滑动窗口内的像素为遮荫区域的概率值不低于所述遮荫区域的概率值设定阈值时，滑动窗口继续滑动；当滑动窗口内的像素为遮荫区域的概率值低于所述遮荫区域的概率值设定阈值时，滑动窗口停止滑动，并根据滑动窗口的当前位置来确定柔和边缘的初始电池板遮荫区域在当前位置处的边缘。
6.根据权利要求1-3中任一项所述的基于人工智能的光伏电池板异常检测方法，其特征在于，根据所述待检测电池板的遮荫区域面积，计算待检测电池板的电池板异常判定指标值的过程包括：
判断所述待检测电池板的遮荫区域面积是否大于遮荫区域面积设定阈值；
若所述待检测电池板的遮荫区域面积不大于遮荫区域面积设定阈值，则电池板异常判定指标值的计算公式为：
Figure 614077DEST_PATH_IMAGE014
若所述待检测电池板的遮荫区域面积大于遮荫区域面积设定阈值，则根据遮荫区域面积设定阈值，采用光伏电池板MPPT控制器调节电池板输出功率，此时电池板异常判定指标值的计算公式为：
Figure DEST_PATH_IMAGE015
其中，
Figure 634555DEST_PATH_IMAGE005
为电池板异常判定指标值；
Figure 438432DEST_PATH_IMAGE003
为电池板异常判定调整参数，
Figure 86189DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
为电池板的遮荫区域面积；
Figure 736394DEST_PATH_IMAGE018
为电池板的温度，
Figure DEST_PATH_IMAGE019
为电池板的湿度，
Figure 798764DEST_PATH_IMAGE020
分别为
Figure 609594DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE021
的影响因子，
Figure 976771DEST_PATH_IMAGE022
；
Figure 119914DEST_PATH_IMAGE012
为修正因子，
Figure 825571DEST_PATH_IMAGE012
≥1；
Figure DEST_PATH_IMAGE023
为电池板标准输出功率；
Figure 729506DEST_PATH_IMAGE024
为经MPPT控制器调节之后的电池板输出功率；
Figure DEST_PATH_IMAGE025
为归一化函数。
7.根据权利要求6所述的基于人工智能的光伏电池板异常检测方法，其特征在于，还包括对遮荫区域面积设定阈值的标定过程：
设置初始的遮荫区域面积设定阈值；
判断所述待检测电池板的遮荫区域面积是否大于初始的遮荫区域面积设定阈值；
若所述待检测电池板的遮荫区域面积大于初始的遮荫区域面积设定阈值，则根据初始的遮荫区域面积设定阈值，采用光伏电池板MPPT控制器调节电池板输出功率；
将经MPPT控制器调节之后的电池板输出功率与电池板标准输出功率进行比较，并判断二者的差值
Figure 810244DEST_PATH_IMAGE026
是否位于设置的遮荫前后电池板功率变化范围
Figure DEST_PATH_IMAGE027
内；
若差值
Figure 859975DEST_PATH_IMAGE026
不位于设置的遮荫前后电池板功率变化范围
Figure 318507DEST_PATH_IMAGE027
内，则对当前初始的遮荫区域面积设定阈值进行修正；
根据修正后遮荫区域面积设定阈值，再次采用光伏电池板MPPT控制器调节电池板输出功率，并判断经MPPT控制器调节之后的电池板输出功率与电池板标准输出功率的差值
Figure 235255DEST_PATH_IMAGE026
是否位于设置的遮荫前后电池板功率变化范围
Figure 78489DEST_PATH_IMAGE027
内，若差值
Figure 156910DEST_PATH_IMAGE026
不位于设置的遮荫前后电池板功率变化范围
Figure 915787DEST_PATH_IMAGE027
内，则对当前的遮荫区域面积设定阈值再次进行修正，直至差值
Figure 240153DEST_PATH_IMAGE026
位于设置的遮荫前后电池板功率变化范围
Figure 118985DEST_PATH_IMAGE027
内，最终得到的遮荫区域面积设定阈值即为标定后的遮荫区域面积设定阈值。
8.根据权利要求7所述的基于人工智能的光伏电池板异常检测方法，其特征在于，对遮荫区域面积设定阈值进行修正的步骤包括：
若差值
Figure 135351DEST_PATH_IMAGE026
小于
Figure 558023DEST_PATH_IMAGE028
，则遮荫区域面积设定阈值对应的修正公式为：
Figure 583617DEST_PATH_IMAGE029
若差值
Figure 520218DEST_PATH_IMAGE026
大于
Figure 958020DEST_PATH_IMAGE030
，则遮荫区域面积设定阈值对应的修正公式为：
Figure 691489DEST_PATH_IMAGE031
其中，
Figure 494010DEST_PATH_IMAGE032
为修正后的遮荫区域面积设定阈值；
Figure 832587DEST_PATH_IMAGE033
为修正前的遮荫区域面积设定阈值；
Figure 112128DEST_PATH_IMAGE034
为修正因子，
Figure 232094DEST_PATH_IMAGE035
；
Figure 255283DEST_PATH_IMAGE028
为功率差值最小设定值，
Figure 448367DEST_PATH_IMAGE030
为功率差值最大设定值。
9.根据权利要求1-3中任一项所述的基于人工智能的光伏电池板异常检测方法，其特征在于，所述对所述用于训练的电池板的表面图像进行聚类计算，得到初始电池板遮荫区域的过程包括：
对用于训练的电池板的表面图像像素进行灰度归一化处理，归一化后的灰度等级为1-
Figure 367650DEST_PATH_IMAGE036
；
确定用于训练的电池板的表面图像中的像素在每个灰度等级上的个数
Figure 517789DEST_PATH_IMAGE037
；
根据每个灰度等级上的个数
Figure 344669DEST_PATH_IMAGE038
，选取灰度等级1-
Figure 126680DEST_PATH_IMAGE036
中的两个灰度等级作为遮荫像素簇的聚类中心
Figure 686423DEST_PATH_IMAGE039
和非遮荫像素簇的聚类中心
Figure 803153DEST_PATH_IMAGE040
；
根据遮荫像素簇的聚类中心
Figure 653297DEST_PATH_IMAGE039
和非遮荫像素簇的聚类中心
Figure 122106DEST_PATH_IMAGE040
，计算归一化后的每个像素分别属于遮荫像素簇和非遮荫像素簇的判定指标，构造判定指标矩阵；
判断构造的判定指标矩阵是否满足设定的条件，若不满足设定的条件，则对遮荫像素簇的聚类中心
Figure 179929DEST_PATH_IMAGE039
和非遮荫像素簇的聚类中心
Figure 800266DEST_PATH_IMAGE040
进行更新；
根据更新后的遮荫像素簇的聚类中心
Figure 431931DEST_PATH_IMAGE039
和非遮荫像素簇的聚类中心
Figure 14965DEST_PATH_IMAGE040
，重新计算归一化后的每个像素分别属于遮荫像素簇和非遮荫像素簇的判定指标，并构造判定指标矩阵，直至构造的判定指标矩阵满足设定的条件；
根据最终构造的判定指标矩阵，对用于训练的电池板的表面图像像素进行分类，得到遮荫像素簇和非遮荫像素簇，从而得到初始电池板遮荫区域。
10.一种基于人工智能的光伏电池板异常检测装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-9中任一项所述的基于人工智能的光伏电池板异常检测方法。
CN202111014483.7A 2021-08-31 2021-08-31 一种基于人工智能的光伏电池板异常检测方法及装置 Active CN113470016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111014483.7A CN113470016B (zh) 2021-08-31 2021-08-31 一种基于人工智能的光伏电池板异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111014483.7A CN113470016B (zh) 2021-08-31 2021-08-31 一种基于人工智能的光伏电池板异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN113470016A true CN113470016A (zh) 2021-10-01
CN113470016B CN113470016B (zh) 2021-11-30

Family

ID=77866973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111014483.7A Active CN113470016B (zh) 2021-08-31 2021-08-31 一种基于人工智能的光伏电池板异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN113470016B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793337A (zh) * 2021-11-18 2021-12-14 汶上海纬机车配件有限公司 基于人工智能的机车配件表面异常程度评估方法
CN114994102A (zh) * 2022-08-04 2022-09-02 武汉钰品研生物科技有限公司 基于x光的食品异物无痕快速检测方法
WO2023077825A1 (zh) * 2021-11-03 2023-05-11 中国华能集团清洁能源技术研究院有限公司 最大功率点追踪mppt控制器的安装方法和光伏系统
CN116152195A (zh) * 2023-02-20 2023-05-23 北京御航智能科技有限公司 光伏电池板的热斑检测方法、装置及电子设备
CN116896116A (zh) * 2023-09-11 2023-10-17 广州德姆达光电科技有限公司 基于人工智能的太阳能并网调控方法及系统
CN118096738A (zh) * 2024-04-23 2024-05-28 易事特智能化系统集成有限公司 一种新能源光伏组件故障检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609951A (zh) * 2012-03-29 2012-07-25 重庆大学 光伏电池板遮荫部分的检测方法
CN108510487A (zh) * 2018-03-30 2018-09-07 深圳市创艺工业技术有限公司 一种光伏组件远程监测装置
CN112132823A (zh) * 2020-09-30 2020-12-25 徐彩营 一种基于人工智能的光伏电池图像局部光照不均处理方法
CN112163626A (zh) * 2020-09-30 2021-01-01 河南颂达信息技术有限公司 基于多维度感知的光伏电池遮荫区域成因分类方法及系统
CN112215821A (zh) * 2020-10-13 2021-01-12 郭燕 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609951A (zh) * 2012-03-29 2012-07-25 重庆大学 光伏电池板遮荫部分的检测方法
CN108510487A (zh) * 2018-03-30 2018-09-07 深圳市创艺工业技术有限公司 一种光伏组件远程监测装置
CN112132823A (zh) * 2020-09-30 2020-12-25 徐彩营 一种基于人工智能的光伏电池图像局部光照不均处理方法
CN112163626A (zh) * 2020-09-30 2021-01-01 河南颂达信息技术有限公司 基于多维度感知的光伏电池遮荫区域成因分类方法及系统
CN112215821A (zh) * 2020-10-13 2021-01-12 郭燕 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AKASH等: ""Efficient Thermal Image Segmentation for Heat Visualization in Solar Panels and Batteries using Watershed Transform"", 《GRAPHICS AND SIGNAL PROCESSING》 *
陈文勤: ""一种基于红外图像识别的光伏组件热斑检测系统的研究与实现"", 《中国优秀硕士学位论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023077825A1 (zh) * 2021-11-03 2023-05-11 中国华能集团清洁能源技术研究院有限公司 最大功率点追踪mppt控制器的安装方法和光伏系统
CN113793337A (zh) * 2021-11-18 2021-12-14 汶上海纬机车配件有限公司 基于人工智能的机车配件表面异常程度评估方法
CN113793337B (zh) * 2021-11-18 2022-02-08 汶上海纬机车配件有限公司 基于人工智能的机车配件表面异常程度评估方法
CN114994102A (zh) * 2022-08-04 2022-09-02 武汉钰品研生物科技有限公司 基于x光的食品异物无痕快速检测方法
CN116152195A (zh) * 2023-02-20 2023-05-23 北京御航智能科技有限公司 光伏电池板的热斑检测方法、装置及电子设备
CN116896116A (zh) * 2023-09-11 2023-10-17 广州德姆达光电科技有限公司 基于人工智能的太阳能并网调控方法及系统
CN116896116B (zh) * 2023-09-11 2023-11-28 广州德姆达光电科技有限公司 基于人工智能的太阳能并网调控方法及系统
CN118096738A (zh) * 2024-04-23 2024-05-28 易事特智能化系统集成有限公司 一种新能源光伏组件故障检测方法及系统
CN118096738B (zh) * 2024-04-23 2024-06-25 易事特智能化系统集成有限公司 一种新能源光伏组件故障检测方法及系统

Also Published As

Publication number Publication date
CN113470016B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113470016B (zh) 一种基于人工智能的光伏电池板异常检测方法及装置
US11328506B2 (en) Crop identification method and computing device
CN111289854B (zh) 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法
CN104330164B (zh) 红外焦平面阵列的盲元检测方法与装置
CN111739076A (zh) 面向多种ct肺部纹理识别的非监督保内容域适应方法
CN110514298A (zh) 一种基于地基云图的太阳辐照强度计算方法
CN116340801B (zh) 一种畜牧养殖环境数据异常智能监控方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
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
CN112446863A (zh) 基于图像处理的光伏阵列热斑检测方法和检测系统
CN117349596B (zh) 基于多传感器的电池异常状态监测预警系统
CN114612406A (zh) 一种基于可见光和红外视觉的光伏板缺陷检测方法
CN115292334A (zh) 基于视觉智能种植方法、系统、电子设备及存储介质
CN112461845A (zh) 一种基于双光一体的太阳能电池板彩虹纹检测方法
CN116386120A (zh) 一种无感监控管理系统
CN111860488A (zh) 一种杆塔鸟巢检测与识别方法、装置、设备及其介质
CN110136097A (zh) 一种基于特征金字塔的绝缘子故障识别方法与装置
CN113989260A (zh) 一种基于无人机红外图像的光伏板边缘分割方法
CN111274986B (zh) 一种基于图像分析的菜品识别分类方法
CN103226698B (zh) 一种人脸检测方法
CN111914933A (zh) 降雪检测方法、装置、计算机设备和可读存储介质
CN114782561B (zh) 基于大数据的智慧农业云平台监控系统
CN116094159A (zh) 一种基于云计算和大数据分析的智慧电网安全运维系统
CN112434606A (zh) 基于双光一体的太阳能电池板rgb图像识别方法和装置
CN113269678A (zh) 接触网输电线路的故障点定位方法

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
GR01 Patent grant
GR01 Patent grant