CN114472424B - 一种光伏清扫机器人的智能调控方法及系统 - Google Patents
一种光伏清扫机器人的智能调控方法及系统 Download PDFInfo
- Publication number
- CN114472424B CN114472424B CN202111584619.8A CN202111584619A CN114472424B CN 114472424 B CN114472424 B CN 114472424B CN 202111584619 A CN202111584619 A CN 202111584619A CN 114472424 B CN114472424 B CN 114472424B
- Authority
- CN
- China
- Prior art keywords
- historical
- category
- data
- photovoltaic
- image data
- 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
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010408 sweeping Methods 0.000 claims abstract description 38
- 230000008901 benefit Effects 0.000 claims description 71
- 238000010248 power generation Methods 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 25
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B13/00—Accessories or details of general applicability for machines or apparatus for cleaning
-
- 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
-
- 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
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/10—Cleaning arrangements
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种光伏清扫机器人的智能调控方法及系统,将光伏阵列分成多个区域,并训练类别分析模型,包括:步骤A1,采集各区域的历史图像数据和历史收益数据;步骤A2,根据历史图像数据和历史收益数据处理得到收益增加比例类别并作为输出,将历史图像数据和历史收益数据作为输入,训练得到类别分析模型;则智能调控方法包括:步骤S1,获取各区域的实时图像数据和实时收益数据;步骤S2,将实时图像数据和实时收益数据输入类别分析模型中处理得到收益类别,根据收益类别得到清扫措施以控制光伏清扫机器人进行清扫。有益效果是通过采集历史图像数据和历史收益数据建立类别分析模型,对实时图像数据和实时收益数据分析得到清扫措施,增加利用率。
Description
技术领域
本发明涉及光伏清扫技术领域,尤其涉及一种光伏清扫机器人的智能调控方法及系统。
背景技术
光伏清扫机器人是光伏电站智能运维的主要工具之一,除了能够解决传统人工清扫光伏阵列存在的一系列问题,还能够协助提高光伏阵列的发电量和收益,具备良好的投资收益率,能有效提高电站运维的去人工化。
但是目前对于光伏清扫机器人的利用并不充分,只是由人工判断是否需要对光伏阵列进行清扫进而控制光伏清扫机器人进行清扫,或是长期使光伏清扫机器人保持在工作状态,这样不但降低了光伏清扫机器人的利用率,还造成了资源的浪费。
发明内容
针对现有技术中存在的问题,本发明提供一种光伏清扫机器人的智能调控方法,将一光伏阵列划分成多个区域,预先训练得到一类别分析模型,具体包括以下步骤:
步骤A1,采集各所述区域的一历史图像数据和一历史收益数据,所述历史图像数据包括多个历史数据采集时刻的所述区域的历史图像,所述历史收益数据包括各所述历史数据采集时刻的所述区域的一历史光伏清扫增加电量、一历史光伏发电电价和一历史平均收益值;
步骤A2,根据所述历史图像、所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史平均收益值处理得到一收益增加比例类别,将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型;
则所述智能调控方法具体包括以下步骤:
步骤S1,获取各所述区域的一实时图像数据和一实时收益数据;
步骤S2,将所述实时图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到一收益类别,并根据所述收益类别和一预先设置的清扫策略关系处理得到对应的清扫措施以控制光伏清扫机器人根据所述清扫措施对所述区域进行清扫。
优选的,执行所述步骤S2之前包括:
对所述实时图像数据进行预处理得到一有效图像数据;
则所述步骤S2中,将所述有效图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到所述收益类别。
优选的,所述步骤A1还包括:
采集各所述区域一预设时间内的一发电数据和所述光伏清扫机器人的一电量提升比例平均值,根据所述发电数据和所述电量提升比例平均值处理得到所述历史光伏清扫增加电量。
优选的,所述收益类别包括五个类别,每个类别分别对应一个清扫措施,则所述步骤S2中,将所述实时图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到五个所述类别中的其中一个类别作为所述收益类别。
优选的,所述步骤A2包括:
步骤A21,针对每个所述历史图像,根据所述历史图像处理得到一历史光伏污染面积,根据所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史光伏污染面积处理得到一光伏清扫受益值;
步骤A22,根据所述光伏清扫受益值和所述历史平均收益值处理得到所述历史图像对应的一历史收益增加比例,根据所述历史收益增加比例和一类别分组关系处理得到所述历史图像对应的所述收益增加比例类别;
步骤A23,将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型。
优选的,一种光伏清扫机器人的智能调控系统,应用于上述智能调控方法,包括:
一模型训练模块,所述模型训练模块包括:
一采集单元,用于采集各所述区域的一历史图像数据和一历史收益数据,所述历史图像数据包括多个历史数据采集时刻的所述区域的历史图像,所述历史收益数据包括各所述历史数据采集时刻的所述区域的一历史光伏清扫增加电量、一历史光伏发电电价和一历史平均收益值;
一训练单元,连接所述采集单元,用于根据所述历史图像、所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史平均收益值处理得到一收益增加比例类别,将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型;
一数据获取模块,用于获取各所处区域的一实时图像数据和一实时收益数据;
一数据分析模块,连接所述数据获取模块,用于将所述实时图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到一收益类别,并根据所述收益类别和一预先设置的清扫策略关系处理得到对应的清扫措施以控制光伏清扫机器人根据所述清扫措施对所述区域进行清扫。
优选的,还包括一预处理模块,分别连接所述数据获取模块和所述数据分析模块,用于对所述实时图像数据进行预处理得到一有效图像数据,并控制所述数据分析模块将所述有效图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到所述收益类别。
优选的,所述模型训练模块还包括一处理单元,用于采集各所述区域一预设时间内的一发电数据和所述光伏清扫机器人的一电量提升比例平均值,根据所述发电数据和所述电量提升比例平均值处理得到所述历史光伏清扫增加电量并输出至所述采集单元。
优选的,所述训练单元包括:
一第一处理子单元,用于针对每个所述历史图像,根据所述历史图像处理得到一历史光伏污染面积,根据所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史光伏污染面积处理得到一光伏清扫受益值;
一第二处理子单元,连接所述第一处理子单元,用于根据所述光伏清扫受益值和所述历史平均收益值处理得到所述历史图像对应的一历史收益增加比例,根据所述历史收益增加比例和一类别分组关系处理得到所述历史图像对应的所述收益增加比例类别;
一模型训练子单元,连接所述第二处理子单元,用于将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型。
所述收益类别包括五个类别,每个类别分别对应一个清扫措施,则所述数据分析模块包括:
一第一控制单元,用于在所述收益类别为第一类别时根据所述第一类别对应的所述清扫措施控制所述光伏清扫机器人每两周清扫一次所述区域;
一第二控制单元,用于在所述收益类别为第二类别时根据所述第二类别对应的所述清扫措施控制所述光伏清扫机器人每周清扫一次所述区域;
一第三控制单元,用于在所述收益类别为第三类别时根据所述第三类别对应的所述清扫措施控制所述光伏清扫机器人每三天清扫一次所述区域;
一第四控制单元,用于在所述收益类别为第四类别时根据所述第四类别对应的所述清扫措施控制所述光伏清扫机器人每两天清扫一次所述区域;
一第五控制单元,用于在所述收益类别为第五类别时根据所述第五类别对应的所述清扫措施控制所述光伏清扫机器人每天清扫一次所述区域。
上述技术方案具有如下优点或有益效果:本方法及系统通过采集历史图像数据和历史收益数据建立类别分析模型,利用类别分析模型对实时图像数据和实时收益数据进行分析得到收益类别,根据收益类别处理得到对应的清扫措施以控制光伏清扫机器人对光伏阵列进行清扫,能够有效增加利用率,且清扫周期更为合理。
附图说明
图1为本发明的较佳的实施例中,模型训练过程的步骤流程图;
图2为本发明的较佳的实施例中,本方法的步骤流程图;
图3为本发明的较佳的实施例中,步骤A2的具体流程图;
图4为本发明的较佳的实施例中,本系统的结构原理图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种光伏清扫机器人的智能调控方法,将一光伏阵列划分成多个区域,预先训练得到一类别分析模型,如图1所示,具体包括以下步骤:
步骤A1,采集各区域的一历史图像数据和一历史收益数据,历史图像数据包括多个历史数据采集时刻的区域的历史图像,历史收益数据包括各历史数据采集时刻的区域的一历史光伏清扫增加电量、一历史光伏发电电价和一历史平均收益值;
步骤A2,根据历史图像、历史光伏清扫增加电量、历史光伏发电电价和历史平均收益值处理得到一收益增加比例类别,将历史图像数据和历史收益数据作为输入,将收益增加比例类别作为输出,训练得到类别分析模型;
则智能调控方法如图2所示,具体包括以下步骤:
步骤S1,获取各区域的一实时图像数据和一实时收益数据;
步骤S2,将实时图像数据和实时收益数据输入预先训练得到的类别分析模型中处理得到一收益类别,并根据收益类别和一预先设置的清扫策略关系处理得到对应的清扫措施以控制光伏清扫机器人根据清扫措施对区域进行清扫。
具体地,本实施例中,于每个区域中设置一摄像装置,将各摄像装置与一云平台建立通信连接,实现在云平台即可实时看到光伏阵列各区域的现场图像,各摄像装置每天定时截取一张所在区域的图像并传回到云平台进行存储。
优选的,还可设置一环境测量仪,通过环境测量仪采集光伏阵列现场的天气数据并传输至云平台进行后续分析。
优选的,可将采集得到的光伏阵列各区域的发电数据传输至云平台进行后续分析。
本发明的较佳的实施例中,执行步骤S2之前包括:
对实时图像数据进行预处理得到一有效图像数据;
则步骤S2中,将有效图像数据和实时收益数据输入预先训练得到的类别分析模型中处理得到收益类别。
具体地,本实施例中,针对实时图像数据,取实时图像数据中的第一集点和第二集点,若第一集点和第二集点的比值大于5,则对第一集点进行更新。
优选的,对第一集点进行更新的表达式如下所示:
其中,
Xi表示第一集点,且Xi∈{X1、X2…XN};
N表示一预设参数;
Xj表示第二集点,且Xj∈{X1、X2…XN}。
具体地,本实施例中,可以通过计算清扫后的光伏阵列的发电实际收益来修正类别分析模型。
本发明的较佳的实施例中,步骤A1还包括:
采集各区域一预设时间内的一发电数据和光伏清扫机器人的一电量提升比例平均值,根据发电数据和电量提升比例平均值处理得到历史光伏清扫增加电量。
具体地,本实施例中,根据天气、季节,预设时间选为6个月,在数据库中选择最近6个月的光伏发电量数据及天气数据,采用时间序列模型预测单位面积光伏阵列未来一个月的发电数据,以及光伏清扫机器人每次清扫的电量提升比例取电量提升比例平均值,计算未来一个月单位面积光伏阵列的历史光伏清扫增加电量。
优选的,通过以下计算公式计算得到历史光伏清扫增加电量:
Q=W*q
其中,
Q表示历史光伏清扫增加电量;
W表示发电数据;
q表示电量提升比例平均值。
本发明的较佳的实施例中,收益类别包括五个类别,每个类别分别对应一个清扫措施,则步骤S2中,将实时图像数据和实时收益数据输入预先训练得到的类别分析模型中处理得到五个类别中的其中一个类别作为收益类别。
本发明的较佳的实施例中,如图3所示,步骤A2包括:
步骤A21,针对每个历史图像,根据历史图像处理得到一历史光伏污染面积,根据历史光伏清扫增加电量、历史光伏发电电价和历史光伏污染面积处理得到一光伏清扫受益值;
步骤A22,根据光伏清扫受益值和历史平均收益值处理得到历史图像对应的一历史收益增加比例,根据历史收益增加比例和一类别分组关系处理得到历史图像对应的收益增加比例类别;
步骤A23,将历史图像数据和历史收益数据作为输入,将收益增加比例类别作为输出,训练得到类别分析模型。
具体地,本实施例中,通过以下计算公式计算得到光伏清扫受益值:
Y=S*Q*p
其中,
Y表示光伏清扫受益值;
S表示历史光伏污染面积;
Q表示历史光伏清扫增加电量;
p表示历史光伏发电电价。
具体地,本实施例中,通过以下计算公式计算得到历史收益增加比例:
其中,
y表示历史收益增加比例;
Y表示表示光伏清扫受益值;
N表示历史平均收益值。
具体地,本实施例中,在模型训练的实际过程中,针对数据量过少的情况,采取样本全采样的方式进行模型训练及参数调整,并在实时运行中随着样本数量的增加迭代参数及模型。
优选的,针对数据量过多的情况,可以采取采样部分数据的方法,用部分样本代替全样本,确保采样率符合大数定律即可保证模型的有效性。
具体地,本实施例中,收益分析模型可以参考稠密连接网络模型的结构进行建立,稠密连接网络模型的主要构建模块是稠密块和过渡层,前者定义了输入与输出是如何连接的,后者用来控制通道数,使之不过大,稠密连接网络模型首先使用单卷积层和最大池化层并通过单卷积层对图像进行卷积计算提取图像特征,接下来使用稠密块,稠密连接网络模型使用了批量归一化、激活和卷积结构,稠密块由多个函数结构组成,每块使用相同的输出通道数,但在前向计算时,将每块的输入和输出在通道维上连结,那么第L层有L个输出,这些输出是该层之前所有的卷积块的特征图,而它自己的特征图则传递给之后的所有层,也就是它自己的特征图则传递给之后的所有L-1层,所以一个L层的网络就有L(L+1)/2个连接。
优选的,使用过渡层后每个稠密块都会带来通道数的增加,使用过多则会带来过于复杂的模型,通过过渡层来控制模型复杂度,它通过1x1规格的卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,从而进一步降低模型复杂度,最后接上全局池化层和全连接层。
优选的,本方法建立的类别分析模型可以使用4个稠密块,设置每个稠密块需要使用4个卷积层,稠密块里的卷积层通道数设为32,所以每个稠密块将增加128通道。
本发明的较佳的实施例中,一种光伏清扫机器人的智能调控系统,应用于上述智能调控方法,如图4所示,包括:
一模型训练模块1,模型训练模块1包括:
一采集单元11,用于采集各区域的一历史图像数据和一历史收益数据,历史图像数据包括多个历史数据采集时刻的区域的历史图像,历史收益数据包括各历史数据采集时刻的区域的一历史光伏清扫增加电量、一历史光伏发电电价和一历史平均收益值;
一训练单元12,连接采集单元11,用于根据历史图像、历史光伏清扫增加电量、历史光伏发电电价和历史平均收益值处理得到一收益增加比例类别,将历史图像数据和历史收益数据作为输入,将收益增加比例类别作为输出,训练得到类别分析模型;
一数据获取模块2,用于获取各所处区域的一实时图像数据和一实时收益数据;
一数据分析模块3,连接数据获取模块2,用于将实时图像数据和实时收益数据输入预先训练得到的类别分析模型中处理得到一收益类别,并根据收益类别和一预先设置的清扫策略关系处理得到对应的清扫措施以控制光伏清扫机器人根据清扫措施对区域进行清扫。
本发明的较佳的实施例中,还包括一预处理模块4,分别连接数据获取模块2和数据分析模块3,用于对实时图像数据进行预处理得到一有效图像数据,并控制数据分析模块将有效图像数据和实时收益数据输入预先训练得到的类别分析模型中处理得到收益类别。
本发明的较佳的实施例中,模型训练模块1还包括一处理单元13,连接采集单元11,用于采集各区域一预设时间内的一发电数据和光伏清扫机器人的一电量提升比例平均值,根据发电数据和电量提升比例平均值处理得到历史光伏清扫增加电量并输出至采集单元11。
本发明的较佳的实施例中,训练单元12包括:
一第一处理子单元121,用于针对每个历史图像,根据历史图像处理得到一历史光伏污染面积,根据历史光伏清扫增加电量、历史光伏发电电价和历史光伏污染面积处理得到一光伏清扫受益值;
一第二处理子单元122,连接第一处理子单元121,用于根据光伏清扫受益值和历史平均收益值处理得到历史图像对应的一历史收益增加比例,根据历史收益增加比例和一类别分组关系处理得到历史图像对应的收益增加比例类别;
一模型训练子单元123,连接第二处理子单元122,用于将历史图像数据和历史收益数据作为输入,将收益增加比例类别作为输出,训练得到类别分析模型。
本发明的较佳的实施例中,收益类别包括五个类别,每个类别分别对应一个清扫措施,则数据分析模块3包括:
一第一控制单元31,用于在收益类别为第一类别时根据第一类别对应的清扫措施控制光伏清扫机器人每两周清扫一次区域;
一第二控制单元32,用于在收益类别为第二类别时根据第二类别对应的清扫措施控制光伏清扫机器人每周清扫一次区域;
一第三控制单元33,用于在收益类别为第三类别时根据第三类别对应的清扫措施控制光伏清扫机器人每三天清扫一次区域;
一第四控制单元34,用于在收益类别为第四类别时根据第四类别对应的清扫措施控制光伏清扫机器人每两天清扫一次区域;
一第五控制单元35,用于在收益类别为第五类别时根据第五类别对应的清扫措施控制光伏清扫机器人每天清扫一次区域。
具体地,本实施例中,第一类别对应的收益增加比例为2%以下,第二类别对应的收益增加比例为2%-5%,第三类别对应的收益增加比例为5%-10%,第四类别对应的收益增加比例为10%-15%,第五类别对应的收益增加比例为15%以上。
优选的,各个类别与清扫措施的对应关系如下:
第一类别对应的清扫措施为每两周清扫一次;
第二类别对应的清扫措施为每周清扫一次;
第三类别对应的清扫措施为每三天清扫一次;
第四类别对应的清扫措施为每两天清扫一次;
第五类别对应的清扫措施为每天清扫一次。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种光伏清扫机器人的智能调控方法,其特征在于,将一光伏阵列划分成多个区域,预先训练得到一类别分析模型,具体包括以下步骤:
步骤A1,采集各所述区域的一历史图像数据和一历史收益数据,所述历史图像数据包括多个历史数据采集时刻的所述区域的历史图像,所述历史收益数据包括各所述历史数据采集时刻的所述区域的一历史光伏清扫增加电量、一历史光伏发电电价和一历史平均收益值;
所述步骤A1还包括:
采集各所述区域一预设时间内的一发电数据和所述光伏清扫机器人的一电量提升比例平均值,根据所述发电数据和所述电量提升比例平均值处理得到所述历史光伏清扫增加电量;
步骤A2,根据所述历史图像、所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史平均收益值处理得到一收益增加比例类别,将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型;
所述类别分析模型采用稠密连接网络模型的结构构建,所述类别分析模型使用4个稠密块,设置每个所述稠密块使用4个卷积层,所述稠密块里的卷积层的通道数设为32;
则所述智能调控方法具体包括以下步骤:
步骤S1,获取各所述区域的一实时图像数据和一实时收益数据;
步骤S2,将所述实时图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到一收益类别,并根据所述收益类别和一预先设置的清扫策略关系处理得到对应的清扫措施以控制光伏清扫机器人根据所述清扫措施对所述区域进行清扫。
2.根据权利要求1所述的智能调控方法,其特征在于,执行所述步骤S2之前包括:
对所述实时图像数据进行预处理得到一有效图像数据;
则所述步骤S2中,将所述有效图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到所述收益类别。
3.根据权利要求1所述的智能调控方法,其特征在于,所述收益类别包括五个类别,每个类别分别对应一个清扫措施,则所述步骤S2中,将所述实时图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到五个所述类别中的其中一个类别作为所述收益类别。
4.根据权利要求1所述的智能调控方法,其特征在于,所述步骤A2包括:
步骤A21,针对每个所述历史图像,根据所述历史图像处理得到一历史光伏污染面积,根据所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史光伏污染面积处理得到一光伏清扫受益值;
步骤A22,根据所述光伏清扫受益值和所述历史平均收益值处理得到所述历史图像对应的一历史收益增加比例,根据所述历史收益增加比例和一类别分组关系处理得到所述历史图像对应的所述收益增加比例类别;
步骤A23,将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型。
5.一种光伏清扫机器人的智能调控系统,其特征在于,应用于如权利要求1-4中任意一项所述的智能调控方法,包括:
一模型训练模块,所述模型训练模块包括:
一采集单元,用于采集各所述区域的一历史图像数据和一历史收益数据,所述历史图像数据包括多个历史数据采集时刻的所述区域的历史图像,所述历史收益数据包括各所述历史数据采集时刻的所述区域的一历史光伏清扫增加电量、一历史光伏发电电价和一历史平均收益值;
一处理单元,用于采集各所述区域一预设时间内的一发电数据和所述光伏清扫机器人的一电量提升比例平均值,根据所述发电数据和所述电量提升比例平均值处理得到所述历史光伏清扫增加电量并输出至所述采集单元;
一训练单元,连接所述采集单元,用于根据所述历史图像、所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史平均收益值处理得到一收益增加比例类别,将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型;一数据获取模块,用于获取各所处区域的一实时图像数据和一实时收益数据;
一数据分析模块,连接所述数据获取模块,用于将所述实时图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到一收益类别,并根据所述收益类别和一预先设置的清扫策略关系处理得到对应的清扫措施以控制光伏清扫机器人根据所述清扫措施对所述区域进行清扫。
6.根据权利要求5所述的智能调控系统,其特征在于,还包括一预处理模块,分别连接所述数据获取模块和所述数据分析模块,用于对所述实时图像数据进行预处理得到一有效图像数据,并控制所述数据分析模块将所述有效图像数据和所述实时收益数据输入预先训练得到的所述类别分析模型中处理得到所述收益类别。
7.根据权利要求5所述的智能调控系统,其特征在于,所述训练单元包括:
一第一处理子单元,用于针对每个所述历史图像,根据所述历史图像处理得到一历史光伏污染面积,根据所述历史光伏清扫增加电量、所述历史光伏发电电价和所述历史光伏污染面积处理得到一光伏清扫受益值;
一第二处理子单元,连接所述第一处理子单元,用于根据所述光伏清扫受益值和所述历史平均收益值处理得到所述历史图像对应的一历史收益增加比例,根据所述历史收益增加比例和一类别分组关系处理得到所述历史图像对应的所述收益增加比例类别;
一模型训练子单元,连接所述第二处理子单元,用于将所述历史图像数据和所述历史收益数据作为输入,将所述收益增加比例类别作为输出,训练得到所述类别分析模型。
8.根据权利要求5所述的智能调控系统,其特征在于,所述收益类别包括五个类别,每个类别分别对应一个清扫措施,则所述数据分析模块包括:
一第一控制单元,用于在所述收益类别为第一类别时根据所述第一类别对应的所述清扫措施控制所述光伏清扫机器人每两周清扫一次所述区域;
一第二控制单元,用于在所述收益类别为第二类别时根据所述第二类别对应的所述清扫措施控制所述光伏清扫机器人每周清扫一次所述区域;
一第三控制单元,用于在所述收益类别为第三类别时根据所述第三类别对应的所述清扫措施控制所述光伏清扫机器人每三天清扫一次所述区域;
一第四控制单元,用于在所述收益类别为第四类别时根据所述第四类别对应的所述清扫措施控制所述光伏清扫机器人每两天清扫一次所述区域;
一第五控制单元,用于在所述收益类别为第五类别时根据所述第五类别对应的所述清扫措施控制所述光伏清扫机器人每天清扫一次所述区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584619.8A CN114472424B (zh) | 2021-12-22 | 2021-12-22 | 一种光伏清扫机器人的智能调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584619.8A CN114472424B (zh) | 2021-12-22 | 2021-12-22 | 一种光伏清扫机器人的智能调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114472424A CN114472424A (zh) | 2022-05-13 |
CN114472424B true CN114472424B (zh) | 2024-04-05 |
Family
ID=81493160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111584619.8A Active CN114472424B (zh) | 2021-12-22 | 2021-12-22 | 一种光伏清扫机器人的智能调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114472424B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115347859B (zh) * | 2022-10-18 | 2023-03-10 | 江苏舒扬智能装备有限公司 | 一种太阳能板控制方法 |
CN117021105B (zh) * | 2023-08-30 | 2024-10-22 | 北京瑞科同创科技股份有限公司 | 光伏清洗机器人的控制方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104399682A (zh) * | 2014-11-28 | 2015-03-11 | 许继集团有限公司 | 一种光伏电站组件清扫智能决策预警系统 |
CN107679672A (zh) * | 2017-10-20 | 2018-02-09 | 中冶华天南京电气工程技术有限公司 | 一种基于积尘发电损失预测的光伏电站清洗时机辅助决策方法 |
CN111121956A (zh) * | 2019-12-02 | 2020-05-08 | 中国科学技术大学先进技术研究院 | 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 |
CN112871938A (zh) * | 2020-12-21 | 2021-06-01 | 国家能源集团新能源技术研究院有限公司 | 一种光伏电站清扫监控一体化管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682585B1 (en) * | 2011-07-25 | 2014-03-25 | Clean Power Research, L.L.C. | Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system |
-
2021
- 2021-12-22 CN CN202111584619.8A patent/CN114472424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104399682A (zh) * | 2014-11-28 | 2015-03-11 | 许继集团有限公司 | 一种光伏电站组件清扫智能决策预警系统 |
CN107679672A (zh) * | 2017-10-20 | 2018-02-09 | 中冶华天南京电气工程技术有限公司 | 一种基于积尘发电损失预测的光伏电站清洗时机辅助决策方法 |
CN111121956A (zh) * | 2019-12-02 | 2020-05-08 | 中国科学技术大学先进技术研究院 | 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 |
CN112871938A (zh) * | 2020-12-21 | 2021-06-01 | 国家能源集团新能源技术研究院有限公司 | 一种光伏电站清扫监控一体化管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114472424A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114472424B (zh) | 一种光伏清扫机器人的智能调控方法及系统 | |
JP6968378B2 (ja) | 系統連系インバータの稼働データに基づく太陽光発電所の電力予測方法及びシステム | |
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN106548258B (zh) | 一种基于气象条件的交通空气污染物浓度预测方法与系统 | |
CN108227759B (zh) | 一种基于神经网络预测技术的太阳能跟踪控制系统 | |
CN113890027B (zh) | 基于设备运行状态和气象参数的发电功率预测系统及方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN117273422A (zh) | 用于数字化生产的供应链协同管控方法及系统 | |
CN110738367A (zh) | 一种基于深度残差网络的交通尾气排放量预测方法 | |
CN114492941A (zh) | 一种基于集群划分和数据增强的整县光伏预测方法 | |
CN117491585A (zh) | 基于时序网络的水生态污染监测方法及装置、系统 | |
CN112101626A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
CN116108638A (zh) | 一种基于时段划分的光伏发电消纳预测方法及系统 | |
CN116797944A (zh) | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 | |
CN109840311B (zh) | 基于最优观测时间窗口的耦合数据同化与参数优化方法 | |
CN109460526A (zh) | 基于Copula函数和信息熵理论相结合的综合式水文站网评估模型 | |
CN116502050B (zh) | 全球通量站点蒸散发观测缺失的动态插补方法与系统 | |
CN116385124B (zh) | 一种基于大数据分析可追溯的农业社会化综合服务云平台 | |
CN104156776B (zh) | 一种太阳能资源评估方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN103065049A (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN115034139A (zh) | 基于神经网络的风电场出力场景在线匹配方法 |
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 |