CN113470016B - 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
CN113470016B
CN113470016B CN202111014483.7A CN202111014483A CN113470016B CN 113470016 B CN113470016 B CN 113470016B CN 202111014483 A CN202111014483 A CN 202111014483A CN 113470016 B CN113470016 B CN 113470016B
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.)
Active
Application number
CN202111014483.7A
Other languages
English (en)
Other versions
CN113470016A (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_6A
其中，
Figure 992529DEST_PATH_IMAGE004
为待计算光照指标区域的光照指标；
Figure 608318DEST_PATH_IMAGE006
为光照指标参数，
Figure 901896DEST_PATH_IMAGE008
；
Figure 21161DEST_PATH_IMAGE010
、
Figure 679676DEST_PATH_IMAGE012
、
Figure 454865DEST_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_6A
其中，
Figure 896342DEST_PATH_IMAGE018
为滑动窗口内的像素为遮荫区域的概率值；
Figure 729169DEST_PATH_IMAGE020
为滑动窗口内的光照指标；
Figure 558584DEST_PATH_IMAGE022
为非遮荫光照指标；
Figure 614878DEST_PATH_IMAGE024
为概率值参数，
Figure 922362DEST_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 219482DEST_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 219799DEST_PATH_IMAGE030
其中，
Figure 766318DEST_PATH_IMAGE032
为电池板异常判定指标值；
Figure 939811DEST_PATH_IMAGE006
为电池板异常判定调整参数，
Figure 888175DEST_PATH_IMAGE034
；
Figure 59394DEST_PATH_IMAGE036
为电池板的遮荫区域面积；
Figure 296471DEST_PATH_IMAGE038
为电池板的温度，
Figure 960407DEST_PATH_IMAGE040
为电池板的湿度，
Figure 28857DEST_PATH_IMAGE042
分别为
Figure 433293DEST_PATH_IMAGE036
、
Figure 219984DEST_PATH_IMAGE044
的影响因子，
Figure 876224DEST_PATH_IMAGE046
；
Figure 533601DEST_PATH_IMAGE024
为修正因子，
Figure 46622DEST_PATH_IMAGE024
≥1；
Figure 382926DEST_PATH_IMAGE048
为电池板标准输出功率；
Figure 639595DEST_PATH_IMAGE050
为经MPPT控制器调节之后的电池板输出功率；
Figure 417058DEST_PATH_IMAGE052
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 832471DEST_PATH_IMAGE054
是否位于设置的遮荫前后电池板功率变化范围
Figure 531437DEST_PATH_IMAGE056
内；
若差值
Figure 326218DEST_PATH_IMAGE054
不位于设置的遮荫前后电池板功率变化范围
Figure 286083DEST_PATH_IMAGE056
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 140907DEST_PATH_IMAGE054
是否位于设置的遮荫前后电池板功率变化范围
Figure 123906DEST_PATH_IMAGE056
内，若差值
Figure 456799DEST_PATH_IMAGE054
不位于设置的遮荫前后电池板功率变化范围
Figure 412116DEST_PATH_IMAGE056
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 437841DEST_PATH_IMAGE054
位于设置的遮荫前后电池板功率变化范围
Figure 970454DEST_PATH_IMAGE056
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 375546DEST_PATH_IMAGE054
小于
Figure 982108DEST_PATH_IMAGE058
，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE060AAA
若差值
Figure 257362DEST_PATH_IMAGE054
大于
Figure 277271DEST_PATH_IMAGE062
，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE064AAA
其中，
Figure 561753DEST_PATH_IMAGE066
为修正后的遮荫区域面积设定阈值；
Figure 19892DEST_PATH_IMAGE068
为修正前的遮荫区域面积设定阈值；
Figure 715315DEST_PATH_IMAGE070
为修正因子，
Figure 160203DEST_PATH_IMAGE072
；
Figure 576272DEST_PATH_IMAGE058
为功率差值最小设定值，
Figure 157426DEST_PATH_IMAGE062
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 430276DEST_PATH_IMAGE074
；
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 362459DEST_PATH_IMAGE076
；
根据每个灰度等级上的个数
Figure 706853DEST_PATH_IMAGE076
，选取灰度等级1-
Figure 142514DEST_PATH_IMAGE074
中的两个灰度等级作为遮荫像素簇的聚类中心
Figure 117423DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 731376DEST_PATH_IMAGE080
；
根据遮荫像素簇的聚类中心
Figure 223669DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 841732DEST_PATH_IMAGE080
，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 721963DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 363160DEST_PATH_IMAGE080
进行更新；
根据更新后的遮荫像素簇的聚类中心
Figure 924722DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 600554DEST_PATH_IMAGE080
，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 979583DEST_PATH_IMAGE074
。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 108076DEST_PATH_IMAGE074
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 470400DEST_PATH_IMAGE082
，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 735159DEST_PATH_IMAGE084
以及
Figure 285089DEST_PATH_IMAGE086
所对应的灰度等级分别作为两个簇的初始聚类中心
Figure 900878DEST_PATH_IMAGE088
，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 866560DEST_PATH_IMAGE090
。
（1-2-3）设置像素分析模型，根据初始聚类中心
Figure 985826DEST_PATH_IMAGE088
，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_IMAGE092AAA
其中，
Figure 191810DEST_PATH_IMAGE094
为归一化后的电池板的表面图像中的第
Figure 297825DEST_PATH_IMAGE096
个像素
Figure 129515DEST_PATH_IMAGE098
属于类别
Figure 634446DEST_PATH_IMAGE100
的判定指标，类别
Figure 135965DEST_PATH_IMAGE100
取类别
Figure 460768DEST_PATH_IMAGE102
、类别
Figure 768252DEST_PATH_IMAGE104
。其中，判定指标越高，则认为该像素越可能属于该簇。
Figure 862110DEST_PATH_IMAGE106
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 924744DEST_PATH_IMAGE108
。
Figure 736842DEST_PATH_IMAGE110
为归一化后的电池板的表面图像中的第
Figure 51280DEST_PATH_IMAGE096
个像素
Figure 996715DEST_PATH_IMAGE098
到初始聚类中心
Figure 495829DEST_PATH_IMAGE112
的一维距离，
Figure 795224DEST_PATH_IMAGE112
取
Figure 647773DEST_PATH_IMAGE088
。
Figure 450644DEST_PATH_IMAGE114
为归一化后的电池板的表面图像中的第
Figure 120660DEST_PATH_IMAGE096
个像素
Figure 641771DEST_PATH_IMAGE098
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 94749DEST_PATH_IMAGE116
，该判定指标矩阵为
Figure 220968DEST_PATH_IMAGE118
，
Figure 733989DEST_PATH_IMAGE120
：
Figure DEST_PATH_IMAGE122AAA
Figure 225886DEST_PATH_IMAGE124
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 420238DEST_PATH_IMAGE102
、类别
Figure 197701DEST_PATH_IMAGE104
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_IMAGE126AAA
Figure 350465DEST_PATH_IMAGE128
表示第
Figure 580589DEST_PATH_IMAGE130
次迭代后类别
Figure 375370DEST_PATH_IMAGE100
的聚类中心,类别
Figure 207672DEST_PATH_IMAGE100
取类别
Figure 62496DEST_PATH_IMAGE102
、类别
Figure 373391DEST_PATH_IMAGE104
，
Figure 971863DEST_PATH_IMAGE132
为第
Figure 661601DEST_PATH_IMAGE130
次迭代前类别
Figure 687326DEST_PATH_IMAGE100
中的像素个数,
Figure 688780DEST_PATH_IMAGE134
为第
Figure 28626DEST_PATH_IMAGE130
次迭代前属于类别
Figure 635188DEST_PATH_IMAGE100
中第
Figure 159710DEST_PATH_IMAGE136
个像素，
Figure 854652DEST_PATH_IMAGE138
为第
Figure 794926DEST_PATH_IMAGE130
次迭代前属于类别
Figure 459257DEST_PATH_IMAGE100
的第
Figure 92364DEST_PATH_IMAGE136
个像素的判定指标，
Figure 333989DEST_PATH_IMAGE140
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 77954DEST_PATH_IMAGE142
。
（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_IMAGE144AAA
其中，
Figure 331212DEST_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 869641DEST_PATH_IMAGE146
，
Figure 736578DEST_PATH_IMAGE148
为第
Figure 18655DEST_PATH_IMAGE150
次迭代后归一化后的电池板的表面图像中的第
Figure 782212DEST_PATH_IMAGE096
个像素
Figure 491542DEST_PATH_IMAGE098
属于类别
Figure 848705DEST_PATH_IMAGE100
的判定指标，
Figure 934473DEST_PATH_IMAGE152
为第
Figure 552536DEST_PATH_IMAGE130
次迭代后归一化后的电池板的表面图像中的第
Figure 432767DEST_PATH_IMAGE096
个像素
Figure 73964DEST_PATH_IMAGE098
属于类别
Figure 635526DEST_PATH_IMAGE100
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 833728DEST_PATH_IMAGE154
，将各个初始电池板遮荫区域的边缘像素梯度
Figure 619281DEST_PATH_IMAGE156
分别与边缘像素梯度设定值
Figure 482195DEST_PATH_IMAGE154
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 847448DEST_PATH_IMAGE156
大于边缘像素梯度设定值
Figure 377787DEST_PATH_IMAGE154
，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 599821DEST_PATH_IMAGE156
不大于边缘像素梯度设定值
Figure 277927DEST_PATH_IMAGE154
，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_IMAGE002_7A
其中，
Figure 319308DEST_PATH_IMAGE004
为待计算光照指标区域的光照指标；
Figure 704153DEST_PATH_IMAGE006
为光照指标参数，
Figure 424984DEST_PATH_IMAGE008
；
Figure 262490DEST_PATH_IMAGE010
、
Figure 31863DEST_PATH_IMAGE012
、
Figure 5635DEST_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 772734DEST_PATH_IMAGE158
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 97536DEST_PATH_IMAGE022
。
（1-5-2）采用
Figure 732917DEST_PATH_IMAGE158
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 92354DEST_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_IMAGE016_7A
其中，
Figure 767704DEST_PATH_IMAGE018
为滑动窗口内的像素为遮荫区域的概率值；
Figure 517486DEST_PATH_IMAGE160
为S型函数；
Figure 894240DEST_PATH_IMAGE020
为滑动窗口内的光照指标；
Figure 170501DEST_PATH_IMAGE024
为概率值参数，
Figure 341719DEST_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 578797DEST_PATH_IMAGE036
。
（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 228084DEST_PATH_IMAGE068
，当遮荫区域面积超过阈值
Figure 890009DEST_PATH_IMAGE068
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 169812DEST_PATH_IMAGE068
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 687994DEST_PATH_IMAGE068
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 140972DEST_PATH_IMAGE068
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 391824DEST_PATH_IMAGE068
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 904845DEST_PATH_IMAGE068
，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 116515DEST_PATH_IMAGE068
进行标定，并根据标定后的遮荫区域面积设定阈值
Figure 373184DEST_PATH_IMAGE068
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 478543DEST_PATH_IMAGE068
即可，无需再重新标定。
其中，对遮荫区域面积设定阈值
Figure 162465DEST_PATH_IMAGE068
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 392590DEST_PATH_IMAGE068
，可以记为
Figure 187370DEST_PATH_IMAGE162
，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 37251DEST_PATH_IMAGE056
，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 892074DEST_PATH_IMAGE164
，并设置
Figure 202970DEST_PATH_IMAGE166
，此时遮荫前后电池板功率变化范围
Figure 801441DEST_PATH_IMAGE168
。
（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 287918DEST_PATH_IMAGE036
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 516905DEST_PATH_IMAGE036
大于初始的遮荫区域面积设定阈值
Figure 987200DEST_PATH_IMAGE162
，根据初始的遮荫区域面积设定阈值
Figure 186100DEST_PATH_IMAGE162
，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 58242DEST_PATH_IMAGE054
是否位于设置的遮荫前后电池板功率变化范围
Figure 458130DEST_PATH_IMAGE056
内，其中
Figure 147213DEST_PATH_IMAGE058
为功率差值最小设定值，
Figure 415383DEST_PATH_IMAGE062
为功率差值最大设定值，则此时有：
若差值
Figure 142031DEST_PATH_IMAGE054
位于设置的遮荫前后电池板功率变化范围
Figure 447241DEST_PATH_IMAGE056
内，则认为人为所设置的遮荫区域面积设定阈值
Figure 892129DEST_PATH_IMAGE162
较为准确，直接将该
Figure 698411DEST_PATH_IMAGE162
作为修正后的遮荫区域面积设定阈值
Figure 279565DEST_PATH_IMAGE068
。
若差值
Figure 817994DEST_PATH_IMAGE054
不位于设置的遮荫前后电池板功率变化范围
Figure 422282DEST_PATH_IMAGE056
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 969938DEST_PATH_IMAGE162
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 733494DEST_PATH_IMAGE162
进行修正的过程如下：
当差值
Figure 445754DEST_PATH_IMAGE054
小于
Figure 802917DEST_PATH_IMAGE058
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 888685DEST_PATH_IMAGE170
（1）
当差值
Figure 506748DEST_PATH_IMAGE054
大于
Figure 386979DEST_PATH_IMAGE062
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 965859DEST_PATH_IMAGE172
（2）
其中，
Figure 855318DEST_PATH_IMAGE066
为修正后的遮荫区域面积设定阈值；
Figure 327887DEST_PATH_IMAGE068
为修正前的遮荫区域面积设定阈值；
Figure 644599DEST_PATH_IMAGE070
为修正因子，
Figure 710775DEST_PATH_IMAGE072
。
根据修正后的遮荫区域面积设定阈值
Figure 466242DEST_PATH_IMAGE066
，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 728071DEST_PATH_IMAGE054
是否位于设置的遮荫前后电池板功率变化范围
Figure 215685DEST_PATH_IMAGE056
内，若差值
Figure 503578DEST_PATH_IMAGE054
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 734839DEST_PATH_IMAGE054
位于设置的遮荫前后电池板功率变化范围
Figure 182001DEST_PATH_IMAGE056
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 840515DEST_PATH_IMAGE036
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 881283DEST_PATH_IMAGE028
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 978552DEST_PATH_IMAGE173
（3）
其中，
Figure 217904DEST_PATH_IMAGE032
为电池板异常判定指标值；
Figure 54842DEST_PATH_IMAGE006
为电池板异常判定调整参数，
Figure 114065DEST_PATH_IMAGE034
；
Figure 421550DEST_PATH_IMAGE036
为电池板的遮荫区域面积；
Figure 515408DEST_PATH_IMAGE038
为电池板的温度，
Figure 250145DEST_PATH_IMAGE040
为电池板的湿度，
Figure 124560DEST_PATH_IMAGE042
分别为
Figure 970157DEST_PATH_IMAGE036
、
Figure 915591DEST_PATH_IMAGE044
的影响因子，
Figure 86810DEST_PATH_IMAGE046
；
Figure 323887DEST_PATH_IMAGE024
为修正因子，
Figure 973174DEST_PATH_IMAGE024
≥1；
Figure 41624DEST_PATH_IMAGE048
为电池板标准输出功率；
Figure 914903DEST_PATH_IMAGE050
为经MPPT控制器调节之后的电池板输出功率；
Figure 170435DEST_PATH_IMAGE052
为归一化函数，用于将
Figure 826675DEST_PATH_IMAGE175
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 752561DEST_PATH_IMAGE032
，
Figure 3DEST_PATH_IMAGE032
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 8410DEST_PATH_IMAGE032
，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 327396DEST_PATH_IMAGE032
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 370439DEST_PATH_IMAGE032
。
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 693841DEST_PATH_IMAGE177
，并将该程度阈值
Figure 189545DEST_PATH_IMAGE178
设置为0.8，当检测到电池板的异常判定指标值
Figure 46642DEST_PATH_IMAGE032
低于程度阈值
Figure 944191DEST_PATH_IMAGE177
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 548084DEST_PATH_IMAGE068
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_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。
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 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
。
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 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 DEST_PATH_IMAGE032
为电池板异常判定指标值；
Figure 152416DEST_PATH_IMAGE006
为电池板异常判定调整参数，
Figure DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE036
为电池板的遮荫区域面积；
Figure DEST_PATH_IMAGE038
为电池板的温度，
Figure DEST_PATH_IMAGE040
为电池板的湿度，
Figure DEST_PATH_IMAGE042
分别为
Figure 808174DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE044
的影响因子，
Figure DEST_PATH_IMAGE046
；
Figure 463277DEST_PATH_IMAGE024
为修正因子，
Figure 592907DEST_PATH_IMAGE024
≥1；
Figure DEST_PATH_IMAGE048
为电池板标准输出功率；
Figure DEST_PATH_IMAGE050
为经MPPT控制器调节之后的电池板输出功率；
Figure DEST_PATH_IMAGE052
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 DEST_PATH_IMAGE054
是否位于设置的遮荫前后电池板功率变化范围
Figure DEST_PATH_IMAGE056
内；
若差值
Figure 830116DEST_PATH_IMAGE054
不位于设置的遮荫前后电池板功率变化范围
Figure 590261DEST_PATH_IMAGE056
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 591715DEST_PATH_IMAGE054
是否位于设置的遮荫前后电池板功率变化范围
Figure 462719DEST_PATH_IMAGE056
内，若差值
Figure 866019DEST_PATH_IMAGE054
不位于设置的遮荫前后电池板功率变化范围
Figure 30022DEST_PATH_IMAGE056
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 518772DEST_PATH_IMAGE054
位于设置的遮荫前后电池板功率变化范围
Figure 927888DEST_PATH_IMAGE056
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 185694DEST_PATH_IMAGE054
小于
Figure DEST_PATH_IMAGE058
，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE060
若差值
Figure 127455DEST_PATH_IMAGE054
大于
Figure DEST_PATH_IMAGE062
，则遮荫区域面积设定阈值对应的修正公式为：
Figure DEST_PATH_IMAGE064
其中，
Figure DEST_PATH_IMAGE066
为修正后的遮荫区域面积设定阈值；
Figure DEST_PATH_IMAGE068
为修正前的遮荫区域面积设定阈值；
Figure DEST_PATH_IMAGE070
为修正因子，
Figure DEST_PATH_IMAGE072
；
Figure 759294DEST_PATH_IMAGE058
为功率差值最小设定值，
Figure 207986DEST_PATH_IMAGE062
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 DEST_PATH_IMAGE074
；
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_IMAGE076
；
根据每个灰度等级上的个数
Figure 726823DEST_PATH_IMAGE076
，选取灰度等级1-
Figure 796410DEST_PATH_IMAGE074
中的两个灰度等级作为遮荫像素簇的聚类中心
Figure DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure DEST_PATH_IMAGE080
；
根据遮荫像素簇的聚类中心
Figure 368075DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 915731DEST_PATH_IMAGE080
，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 351391DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 290748DEST_PATH_IMAGE080
进行更新；
根据更新后的遮荫像素簇的聚类中心
Figure 975807DEST_PATH_IMAGE078
和非遮荫像素簇的聚类中心
Figure 530416DEST_PATH_IMAGE080
，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 CN113470016A (zh) 2021-10-01
CN113470016B true 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)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326915B (zh) * 2021-11-03 2023-04-21 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
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
CN114994102B (zh) * 2022-08-04 2022-10-25 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
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609951B (zh) * 2012-03-29 2014-08-06 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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Also Published As

Publication number Publication date
CN113470016A (zh) 2021-10-01

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
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
US11328506B2 (en) Crop identification method and computing device
CN115409833A (zh) 基于反锐化掩模算法的光伏板的热斑缺陷检测方法
CN116309575B (zh) 基于图像处理的电插头生产质量检测方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN115292334A (zh) 基于视觉智能种植方法、系统、电子设备及存储介质
CN112446863A (zh) 基于图像处理的光伏阵列热斑检测方法和检测系统
CN112461845A (zh) 一种基于双光一体的太阳能电池板彩虹纹检测方法
Hao et al. Detection of bird nests on power line patrol using single shot detector
CN116612098A (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN114187464A (zh) 复杂环境下激光雷达与视觉融合的多周期目标识别方法
CN103226698B (zh) 一种人脸检测方法
CN111274986B (zh) 一种基于图像分析的菜品识别分类方法
CN111914933A (zh) 降雪检测方法、装置、计算机设备和可读存储介质
US10891845B2 (en) Mouth and nose occluded detecting method and system thereof
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
WO2019223763A1 (zh) 图像检测方法、装置、设备及介质，图案化控制系统及方法
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
CN114782880A (zh) 用于离网光伏发电系统的监测系统
CN115661117A (zh) 一种接触网绝缘子可见光图像检测方法
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
CN113160236A (zh) 一种光伏电池阴影遮挡的图像识别方法
CN109726641A (zh) 一种基于训练样本自动优化的遥感影像循环分类方法

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