CN115035104A - 基于多维度感知的光伏板形变智能预测方法及系统 - Google Patents

基于多维度感知的光伏板形变智能预测方法及系统 Download PDF

Info

Publication number
CN115035104A
CN115035104A CN202210947806.6A CN202210947806A CN115035104A CN 115035104 A CN115035104 A CN 115035104A CN 202210947806 A CN202210947806 A CN 202210947806A CN 115035104 A CN115035104 A CN 115035104A
Authority
CN
China
Prior art keywords
photovoltaic panel
distortion
deformation
edge line
acquiring
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
CN202210947806.6A
Other languages
English (en)
Other versions
CN115035104B (zh
Inventor
李欢
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.)
Changxia Digital Energy Technology Hubei Co ltd
Three Gorges Power Co ltd
Original Assignee
QIDONG LUOYUAN PV EQUIPMENT 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 QIDONG LUOYUAN PV EQUIPMENT CO Ltd filed Critical QIDONG LUOYUAN PV EQUIPMENT CO Ltd
Priority to CN202210947806.6A priority Critical patent/CN115035104B/zh
Publication of CN115035104A publication Critical patent/CN115035104A/zh
Application granted granted Critical
Publication of CN115035104B publication Critical patent/CN115035104B/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
    • G06T5/80—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多维度感知的光伏板形变智能预测方法及系统，涉及人工智能技术领域。该方法包括：使用图像采集单元获取光伏板区域图像；根据区域图像获取光伏板的边缘特征图；选取目标边缘线，并获取目标边缘线对应的直线作为基准线；根据目标边缘线各像素点到基准线的距离，获取光伏板的总形变量；通过图像采集单元的畸变参数，获取光伏板的畸变量；根据总形变量和畸变量，获取光伏板的形变量；对光伏板的形变进行预测；本发明通过对光伏板的形变等级进行预测，解决了相关技术中由于光伏板在风力等外力作用引起的形变较小，仅靠人工无法判断光伏板是否发生形变，以及无法确定光伏板形变程度的技术问题。

Description

基于多维度感知的光伏板形变智能预测方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于多维度感知的光伏板形变智能预测方法及系统。
背景技术
随着社会经济的发展，人类对能源的需求持续增加，如今能源短缺己成为人类社会发展面临的重大危机。传统能源如石油、天然气和煤炭的采储量逐渐减小，并且传统能源在发电和发热过程中，会产生大量对人体和环境有害的含硫气体，严重危及人类生存发展。
近年来，世界各国都大力开发和使用新型可再生能源，以日趋严峻的能源危机。太阳能是一种应用最广泛的新型可再生能源，太阳能发电也越来越受到各国政府和学者的关注，主要原因是：太阳能是太阳的热辐射能，太阳每秒钟照射到地球上的能量相当于燃烧500万吨煤，这些能量可利用光热转换和光电转换技术变为可供应用的电能；光伏电站建设周期短、运维成本低、光伏电池使用年限长；光伏电池具有结构简单、不易损坏、生产成本低等优点；设备后期维护简单，不会受到技术限制，还可以同其他资源配合开发使用。因此太阳能可以说是一种“取之不尽用之不竭”的可再生清洁、环保能源。
光伏板发电作为一种重要的太阳能发电方式，具有无枯竭危险、清洁、安全和无噪声等特点；光伏板应用范围广泛，不受资源分布地域的限制，在使用过程中还具有易安装、建设周期短，以及供电系统工作可靠等优点，光伏板发电系统的广泛使用在缓解能源危机、保护环境，以及促进地区经济发展等方面都具有重大意义。
然而，光伏板在使用过程中会由于风力等外力作用，导致光伏板组件出现形变等问题，从而影响光伏板的发电效率和使用寿命；而且对于光伏板在风力等外力作用引起的形变较小，仅靠人工无法判断光伏板是否发生形变，以及无法确定光伏板形变程度。
发明内容
本发明的主要目的是提供一种基于多维度感知的光伏板形变智能预测方法及系统，以实现对光伏板形变量的检测和光伏板形变等级的预测，从而解决了相关技术中由于光伏板在风力等外力作用引起的形变较小，仅靠人工无法判断光伏板是否发生形变，以及无法确定光伏板形变程度的技术问题。有鉴于此，本发明通过以下方案予以实现：
本发明的第一个方案是提供一种基于多维度感知的光伏板形变智能预测方法，所述方法包括：
获取用于采集光伏板图像的图像采集单元在对图像采集时的畸变参数，及使用该图像采集单元采集光伏板的光伏板区域图像；
对进行灰度化后的光伏板区域图像进行边缘检测，得到边缘特征图；
利用边缘特征图中提取的任意一条边缘线作为目标边缘线；对该目标边缘线进行直线检测，获得目标边缘线的基准线；
根据目标边缘线上各像素点到基准线的垂直距离，得到所述光伏板的总形变量；
利用图像采集单元的畸变参数，获取光伏板区域图像中的畸变像素点；根据所述畸变像素点到所述基准线的距离，获取所述光伏板的畸变量；
利用获取的光伏板的总形变量和畸变量，得到所述光伏板的形变量；
利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测。
优选地，所述光伏板的总形变量为所述目标边缘线上各像素点到所述基准线的垂直距离之和。
更优选地，所述畸变量为每个所述畸变像素点到所述基准线的垂直距离之和。
更优选地，所述光伏板形变量为所述光伏板的总形变量与所述畸变量的差值。
更优选地，在获取所述畸变参数的过程中还包括对所述畸变参数进行修正。
更优选地，通过以下步骤对所述畸变参数进行修正：
通过所述图像采集单元获取多张同一矩形图像，选取每张所述矩形图像的一条边缘线作为畸变边缘线；获取每条所述畸变边缘线对应的直线；
根据每条畸变边缘线像素点到所述畸变边缘线对应直线的距离，确定所述畸变边缘线各像素点的畸变量；
建立畸变模型，并构建目标函数，通过所述畸变模型和所述目标函数，获取每张所述矩形图像的畸变参数；每张所述矩形图像的畸变参数为一组畸变参数，每组所述畸变参数包含一种或多种畸变参数；
获取每种畸变参数的平均值，根据所述平均值获取每张所述矩形图像畸变参数的欧式距离；
将全部所述欧式距离进行聚类，对所述欧式距离小的畸变参数进行保留；对保留的每种畸变参数求取平均值，得到一组修正后的畸变参数，即得到修正后的畸变参数。
更优选地，所述矩形图像畸变参数的欧式距离通过下式获取：
Figure 771025DEST_PATH_IMAGE001
式中，J i 为第i张矩形图像畸变参数的欧式距离；k 11 ，k 12 ，p 11 ，p 12 为第一张矩形图像的畸变参数；k 21 ，k 22 ，p 21 ，p 22 为第二张矩形图像的畸变参数；k i1 ，k i2 ，p i1 ，p i2 为第i张矩形图像的畸变参数；k N1 ，k N2 ，p N1 ，p N2 为第N张矩形图像的畸变参数；N为矩形图像的总数。
优选地，所述目标边缘线为所述边缘特征图中形变量大的边缘线。
优选地，通过时域卷积网络对所述光伏板的形变进行预测。
更优选地，所述时域卷积网络的损失函数为均方差损失函数。
本发明的第二个方案是提供一种基于多维度感知的光伏板形变智能预测系统，所述系统包括：
图像获取模块，获取用于采集光伏板图像的图像采集单元在对图像采集时的畸变参数，及使用该图像采集单元采集光伏板的光伏板区域图像；对进行灰度化后的光伏板区域图像进行边缘检测，得到边缘特征图；
总形变量模块，用于利用边缘特征图中提取的任意一条边缘线作为目标边缘线；对该目标边缘线进行直线检测，获得目标边缘线的基准线；根据目标边缘线上各像素点到基准线的垂直距离，得到所述光伏板的总形变量；
畸变量模块，用于利用图像采集单元的畸变参数，获取光伏板区域图像中的畸变像素点；根据所述畸变像素点到所述基准线的距离，获取所述光伏板的畸变量；
真实形变模块，用于利用获取的光伏板的总形变量和畸变量，得到所述光伏板的形变量；以及形变预测模块，利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测。
与现有技术相比，本发明的有益效果是：
本发明提供了的一种基于多维度感知的光伏板形变智能预测方法及系统，所述预测方法通过获取光伏板的边缘特征图，并利用边缘特征图边缘线像素点到基准线的距离，获得了光伏板的总形变量；进一步地，本发明引入了图像采集单元修正后的畸变参数，通过图像采集单元修正后的畸变参数得到了边缘特征图中的畸变像素点，并根据畸变像素点到基准线的距离，获得了光伏板的畸变量；然后通过光伏板的总形变量和畸变量，得到了光伏板的真实形变量，从而实现了对光伏板的形变量的精确检测。
本发明在获得了光伏板的真实形变量后，还包括通过时域卷积网络，对光伏板的形变量进行训练，获得光伏板的形变等级；解决了相关技术中由于光伏板在风力等外力作用引起的形变较小，仅靠人工无法判断光伏板是否发生形变，以及无法确定光伏板形变程度的技术问题。
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，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地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中光伏板形变智能预测方法的流程示意；
图2为本发明实施例2中光伏板形变智能预测方法的流程示意；
图3为本发明实施例2中光伏板形变智能预测系统的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例提供了一种基于多维度感知的光伏板形变智能预测方法，如图1所示，所述方法包括：
S101，获取用于采集光伏板图像的图像采集单元在对图像采集时的畸变参数，及使用该图像采集单元采集光伏板的光伏板区域图像；对进行灰度化后的光伏板区域图像进行边缘检测，得到边缘特征图；利用边缘特征图中提取的任意一条边缘线作为目标边缘线；对该目标边缘线进行直线检测，获得目标边缘线的基准线；
S102，根据目标边缘线上各像素点到基准线的垂直距离，得到所述光伏板的总形变量，所述光伏板的总形变量为所述目标边缘线上各像素点到所述基准线的垂直距离之和；利用图像采集单元的畸变参数，获取光伏板区域图像中的畸变像素点；根据所述畸变像素点到所述基准线的距离，获取所述光伏板的畸变量，所述畸变量为每个所述畸变像素点到所述基准线的垂直距离之和。
S103，根据所述光伏板的总形变量和所述畸变量，获取所述光伏板的形变量；所述光伏板形变量为所述光伏板的总形变量与所述畸变量的差值；
S104，利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测。
实施例2
本实施例的一个方案是提供一种基于多维度感知的光伏板形变智能预测方法，如图2所示，所述方法包括：
S201，选取图像采集单元，对所述图像采集单元的畸变参数进行修正，获得所述图像采集单元修正后的畸变参数；本实施例选取的图像采集单元为相机，所述相机修正后的畸变参数是按以下步骤获取：
通过所述相机获取多张同一矩形图像；对每张所述矩形图像进行灰度处理和边缘检测，得到每张所述矩形图像的边缘图像；
选取每张所述边缘图像的一条边缘线作为畸变边缘线；获取每条所述畸变边缘线对应的直线；根据每条所述畸变边缘线和所述畸变边缘线对应的直线，获取每条所述畸变边缘线各像素点的畸变量；所述畸变边缘线各像素点的畸变量为所述畸变边缘线单个像素点到所述畸变边缘线对应直线的距离；
建立相机畸变模型，并构建目标函数；所述相机畸变模型通过下式表示：
Figure 625718DEST_PATH_IMAGE002
Figure 920695DEST_PATH_IMAGE003
式中，
Figure 835430DEST_PATH_IMAGE004
为畸变边缘线像素点的横坐标值；
Figure 793022DEST_PATH_IMAGE005
为畸变边缘线像素点的纵坐标值；
Figure 684361DEST_PATH_IMAGE006
为畸变边缘线像素点在直线上投影的横坐标值；
Figure 145430DEST_PATH_IMAGE007
为畸变边缘线像素点在直线上投影的纵坐标值；
Figure 965487DEST_PATH_IMAGE008
为畸变边缘线像素点到边缘图像中心像素点的距离；
Figure 895528DEST_PATH_IMAGE009
均为相机的畸变参数；
由于上述相机畸变模型取得的畸变参数为畸变边缘线所有像素点的畸变参数，因此需要构建目标函数求取每条所述畸变边缘线的畸变参数，所述每条所述畸变边缘线的畸变参数即为每张所述矩形图像的畸变参数；所述目标函数为：
Figure 577176DEST_PATH_IMAGE010
式中，
Figure 673177DEST_PATH_IMAGE011
为畸变边缘线第i个像素点在直线上投影的横坐标值；
Figure 891232DEST_PATH_IMAGE012
为畸变边缘线第i个像素点在直线上投影的纵坐标值；
Figure 823416DEST_PATH_IMAGE013
为畸变边缘线第i+1个像素点在直线上投影的横坐标值；
Figure 292444DEST_PATH_IMAGE014
为畸变边缘线第i+1个像素点在直线上投影的纵坐标值；
Figure 993683DEST_PATH_IMAGE015
为畸变边缘线第i个像素点的横坐标值；
Figure 391429DEST_PATH_IMAGE016
为畸变边缘线第i个像素点的纵坐标值；
Figure 794597DEST_PATH_IMAGE017
为畸变边缘线第i+1个像素点的横坐标值；
Figure 880365DEST_PATH_IMAGE018
为畸变边缘线第i+1个像素点的纵坐标值；
Figure 387176DEST_PATH_IMAGE019
为畸变边缘线上第i个像素点的畸变量；
Figure 985517DEST_PATH_IMAGE020
为畸变边缘线对应的直线与图像横坐标轴的夹角；
对上述目标函数
Figure 564397DEST_PATH_IMAGE021
取最小值，并通过梯度下降法求解得到该目标函数得到最优解，进而得到每张矩形图像对应的一组畸变参数
Figure 142271DEST_PATH_IMAGE009
；
每张所述矩形图像的畸变参数为一组畸变参数，每组所述畸变参数包含一种或多种畸变参数；获取每种畸变参数的平均值，根据所述平均值获取每张所述矩形图像畸变参数的欧式距离；所述矩形图像畸变参数的欧式距离通过下式获取：
Figure 67370DEST_PATH_IMAGE001
式中，J i 为第i张矩形图像畸变参数的欧式距离；k 11 ，k 12 ，p 11 ，p 12 为第一张矩形图像的畸变参数；k 21 ，k 22 ，p 21 ，p 22 为第二张矩形图像的畸变参数；k i1 ，k i2 ，p i1 ，p i2 为第i张矩形图像的畸变参数；k N1 ，k N2 ，p N1 ，p N2 为第N张矩形图像的畸变参数；N为矩形图像的总数；
所述欧氏距离值越大，则所述矩形图像的畸变参数偏离真实值越大，因而需要对所有所述欧氏距离值进行筛选；
本实施例使用k-means聚类算法对所述欧氏距离值进行筛选，具体地，设定欧氏距离的阈值为
Figure 852924DEST_PATH_IMAGE022
，使用k-means聚类算法对全部所述欧氏距离值进行聚类，保留当所述欧氏距离值小于或等于阈值
Figure 672762DEST_PATH_IMAGE022
时矩形图像的畸变参数，然后对聚类完成后的每种所述畸变参数分别求平均值，得到一组修正后的畸变参数，即得到所述相机修正后的畸变参数；
需要说明的是，所述欧式距离的阈值
Figure 834753DEST_PATH_IMAGE022
可根据具体的实施情况进行设定，本实施例设定所述欧式距离的阈值
Figure 614359DEST_PATH_IMAGE022
为5；
S202，通过步骤S201得到了所述相机修正后的畸变参数；使用所述相机获取光伏板区域图像；对所述光伏板区域图像进行灰度处理和边缘检测，获取所述光伏板的边缘特征图；所述光伏板的边缘特征图通过canny边缘检测算法获得；
选取所述边缘特征图中形变量大的一条边缘线作为目标边缘线；对所述目标边缘线通过霍夫变换，得到所述目标边缘线对应的直线；将所述直线作为所述目标边缘线的基准线；
S203，根据所述目标边缘线和所述基准线，获取所述光伏板的总形变量；所述光伏板的总形变量为所述目标边缘线各像素点到所述基准线的距离之和；通过所述相机修正后的畸变参数，获取所述光伏板的畸变像素点；所述光伏板的畸变像素点通过相机畸变模型获得；所述相机畸变模型通过下式表示：
Figure 790388DEST_PATH_IMAGE023
Figure 609439DEST_PATH_IMAGE024
式中，
Figure 824389DEST_PATH_IMAGE004
为光伏板畸变像素点的横坐标值；
Figure 943654DEST_PATH_IMAGE005
为光伏板畸变像素点的纵坐标值；
Figure 84392DEST_PATH_IMAGE006
为光伏板畸变像素点在基准线上投影的横坐标值；
Figure 374428DEST_PATH_IMAGE007
为光伏板畸变像素点在基准线上投影的纵坐标值；
Figure 143801DEST_PATH_IMAGE008
为光伏板畸变像素点到边缘特征图中心像素点的距离；
Figure 868306DEST_PATH_IMAGE009
均为相机修正后的畸变参数；
通过本步骤可得到所述光伏板畸变像素点的坐标点A（X i ，Y i ）；所述畸变量为每个所述畸变像素点到所述基准线的距离之和；
S204，根据所述总形变量和所述畸变量，获取所述光伏板的形变量；所述光伏板形变量为所述光伏板的总形变量与所述畸变量的差值；
S205，利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测；本实施例通过时域卷积网络，对所述光伏板的形变量进行训练，获得采集的光伏板形变等级，由此完成对光伏板形变的预测；
所述时域卷积网络的损失函数为均方差损失函数；所述时域卷积网络的输入为传感器获取的多个时刻的时序数据，输出为各时刻对应的光伏板形变等级；所述时序数据包含所述光伏板形变量，以及光伏板现场风速和风向数据；
通过本实施例可以得到所述光伏板形变等级，实施者可根据所述光伏板形变等级，及时对所述光伏板进行维护和修理。
本实施例的另一个方案是提供一种基于多维度感知的光伏板形变智能预测系统，如图3所示，所述系统包括：
图像获取模块，获取用于采集光伏板图像的图像采集单元在对图像采集时的畸变参数，及使用该图像采集单元采集光伏板的光伏板区域图像；对进行灰度化后的光伏板区域图像进行边缘检测，得到边缘特征图；
总形变量模块，用于利用边缘特征图中提取的任意一条边缘线作为目标边缘线；对该目标边缘线进行直线检测，获得目标边缘线的基准线；根据目标边缘线上各像素点到基准线的垂直距离，得到所述光伏板的总形变量；
畸变量模块，用于利用图像采集单元的畸变参数，获取光伏板区域图像中的畸变像素点；根据所述畸变像素点到所述基准线的距离，获取所述光伏板的畸变量；
真实形变模块，用于利用获取的光伏板的总形变量和畸变量，得到所述光伏板的形变量；以及形变预测模块，利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测；
所述图像获取模块包括畸变参数修正单元，所述畸变参数修正单元用于所述图像采集单元的畸变参数进行修正；所述畸变参数修正单元对所述畸变参数进行修正过程如下：
通过所述图像采集单元获取多张同一矩形图像，选取每张所述矩形图像的一条边缘线作为畸变边缘线；获取每条所述畸变边缘线对应的直线；
根据每条畸变边缘线像素点到所述畸变边缘线对应直线的距离，确定所述畸变边缘线各像素点的畸变量；
建立畸变模型，并构建目标函数，通过所述畸变模型和所述目标函数，获取每张所述矩形图像的畸变参数；每张所述矩形图像的畸变参数为一组畸变参数，每组所述畸变参数包含一种或多种畸变参数；
获取每种畸变参数的平均值，根据所述平均值获取每张所述矩形图像畸变参数的欧式距离；
将全部所述欧式距离进行聚类，对所述欧式距离小的畸变参数进行保留；对保留的每种畸变参数求取平均值，得到一组修正后的畸变参数，即得到修正后的畸变参数。
通过本实施例的技术方案，获得了光伏板的形变量，并通过时域卷积网络，对光伏板的形变量进行训练，获得了光伏板的形变等级，解决了相关技术中由于光伏板在风力等外力作用引起的形变较小，仅靠人工无法判断光伏板是否发生形变，以及无法确定光伏板形变程度的技术问题。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多维度感知的光伏板形变智能预测方法，其特征在于，包括以下步骤：
获取用于采集光伏板图像的图像采集单元在对图像采集时的畸变参数，及使用该图像采集单元采集光伏板的光伏板区域图像；
对进行灰度化后的光伏板区域图像进行边缘检测，得到边缘特征图；
利用边缘特征图中提取的任意一条边缘线作为目标边缘线；对该目标边缘线进行直线检测，获得目标边缘线的基准线；
根据目标边缘线上各像素点到基准线的垂直距离，得到所述光伏板的总形变量；
利用图像采集单元的畸变参数，获取光伏板区域图像中的畸变像素点；根据所述畸变像素点到所述基准线的距离，获取所述光伏板的畸变量；
利用获取的光伏板的总形变量和畸变量，得到所述光伏板的形变量；
利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测。
2.根据权利要求1所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，所述光伏板的总形变量为所述目标边缘线上各像素点到所述基准线的垂直距离之和。
3.根据权利要求2所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，所述畸变量为每个所述畸变像素点到所述基准线的垂直距离之和。
4.根据权利要求3所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，所述光伏板形变量为所述光伏板的总形变量与所述畸变量的差值。
5.根据权利要求1所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，在获取所述畸变参数的过程中还包括对所述畸变参数进行修正。
6.根据权利要求5所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，通过以下步骤对所述畸变参数进行修正：
通过所述图像采集单元获取多张同一矩形图像，选取每张所述矩形图像的一条边缘线作为畸变边缘线；获取每条所述畸变边缘线对应的直线；
根据每条畸变边缘线像素点到所述畸变边缘线对应直线的距离，确定所述畸变边缘线各像素点的畸变量；
建立畸变模型，并构建目标函数，通过所述畸变模型和所述目标函数，获取每张所述矩形图像的畸变参数；每张所述矩形图像的畸变参数为一组畸变参数，每组所述畸变参数包含一种或多种畸变参数；
获取每种畸变参数的平均值，根据所述平均值获取每张所述矩形图像畸变参数的欧式距离；
将全部所述欧式距离进行聚类，对所述欧式距离小的畸变参数进行保留；对保留的每种畸变参数求取平均值，得到一组修正后的畸变参数，即得到修正后的畸变参数。
7.根据权利要求1所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，所述目标边缘线为所述边缘特征图中形变量大的边缘线。
8.根据权利要求1所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，通过时域卷积网络对所述光伏板的形变进行预测。
9.根据权利要求8所述的基于多维度感知的光伏板形变智能预测方法，其特征在于，所述时域卷积网络的损失函数为均方差损失函数。
10.一种基于多维度感知的光伏板形变智能预测系统，其特征在于，包括：
图像获取模块，获取用于采集光伏板图像的图像采集单元在对图像采集时的畸变参数，及使用该图像采集单元采集光伏板的光伏板区域图像；对进行灰度化后的光伏板区域图像进行边缘检测，得到边缘特征图；
总形变量模块，用于利用边缘特征图中提取的任意一条边缘线作为目标边缘线；对该目标边缘线进行直线检测，获得目标边缘线的基准线；根据目标边缘线上各像素点到基准线的垂直距离，得到所述光伏板的总形变量；
畸变量模块，用于利用图像采集单元的畸变参数，获取光伏板区域图像中的畸变像素点；根据所述畸变像素点到所述基准线的距离，获取所述光伏板的畸变量；
真实形变模块，用于利用获取的光伏板的总形变量和畸变量，得到所述光伏板的形变量；以及形变预测模块，利用得到的光伏板的形变量对图像采集单元所采集的光伏板的形变进行预测。
CN202210947806.6A 2022-08-09 2022-08-09 基于多维度感知的光伏板形变智能预测方法及系统 Active CN115035104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210947806.6A CN115035104B (zh) 2022-08-09 2022-08-09 基于多维度感知的光伏板形变智能预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210947806.6A CN115035104B (zh) 2022-08-09 2022-08-09 基于多维度感知的光伏板形变智能预测方法及系统

Publications (2)

Publication Number Publication Date
CN115035104A true CN115035104A (zh) 2022-09-09
CN115035104B CN115035104B (zh) 2023-09-08

Family

ID=83130953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210947806.6A Active CN115035104B (zh) 2022-08-09 2022-08-09 基于多维度感知的光伏板形变智能预测方法及系统

Country Status (1)

Country Link
CN (1) CN115035104B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377449A (zh) * 2018-08-01 2019-02-22 安徽森力汽车电子有限公司 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法
CN110057308A (zh) * 2019-04-30 2019-07-26 北京理工大学 一种形变监测方法及系统
CN111932537A (zh) * 2020-10-09 2020-11-13 腾讯科技（深圳）有限公司 对象形变检测方法、装置、计算机设备和存储介质
CN112163551A (zh) * 2020-10-14 2021-01-01 黄振海 基于图像处理和多维度感知的光伏电池板形变预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377449A (zh) * 2018-08-01 2019-02-22 安徽森力汽车电子有限公司 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法
CN110057308A (zh) * 2019-04-30 2019-07-26 北京理工大学 一种形变监测方法及系统
CN111932537A (zh) * 2020-10-09 2020-11-13 腾讯科技（深圳）有限公司 对象形变检测方法、装置、计算机设备和存储介质
CN112163551A (zh) * 2020-10-14 2021-01-01 黄振海 基于图像处理和多维度感知的光伏电池板形变预测方法

Also Published As

Publication number Publication date
CN115035104B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Chen et al. The potential of photovoltaics to power the belt and road initiative
CN103227508B (zh) 风光储综合控制系统和方法
CN112871938B (zh) 一种光伏电站清扫监控一体化管理系统
CN110210060A (zh) 太阳能光伏板表面积灰程度的预测方法
WO2023201552A1 (en) County-wide photovoltaic prediction method based on cluster division and data enhancement
CN106846436B (zh) 一种串联光伏组件多峰p-u曲线划分区间方法
Muhammed et al. Building rooftops extraction for solar PV potential estimation using gis-based methods
CN108008633A (zh) 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法
CN116800172B (zh) 一种光电转换方法及储能系统
Ahshan et al. Distributed wind systems for moderate wind speed sites
CN115035104B (zh) 基于多维度感知的光伏板形变智能预测方法及系统
CN107832489A (zh) 一种光伏面板最佳数目及月倾角的计算方法
CN114281846B (zh) 一种基于机器学习的新能源发电预测方法
CN113178896B (zh) 一种固定出力光储联合电站装机容量配置方法及系统
CN105184465B (zh) 一种基于净空模型的光伏电站出力分解方法
CN109636041B (zh) 一种适于大规模复杂电网的机组检修模拟方法及系统
Zhou et al. Cloud Displacement Vector Calculation in Satellite Images Based on Cloud Pixel Spatial Aggregation and Edge Matching for PV Power Forecasting
CN107506867B (zh) 一种基于动态建模的光伏出力预测方法
CN115276105B (zh) 一种光伏准入容量规划与多能互补的分布式能源管理方法
Lai et al. Data analytics for solar energy in promoting smart cities
CN110490403A (zh) 一种基于改进神经网络构建光伏电站的光资源评估方法
CN203243117U (zh) 风光储综合控制系统
Dai et al. The Regional Rooftop Photovoltaic Potential User Mining and Power Generation Capacity Evaluation based on the Remote Sensing Image Recognition
CN113496319B (zh) 一种可再生能源发电系统脆弱性的评估方法
KR102645221B1 (ko) 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템

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
TA01 Transfer of patent application right

Effective date of registration: 20230804

Address after: Room 1-8, 27th Floor, CFD Times Wealth Center, No. 468 Xinhua Road, Jianghan District, Wuhan City, Hubei Province, 430015

Applicant after: Changxia Digital Energy Technology (Hubei) Co.,Ltd.

Address before: 226200 Hui Feng Zhen He Qun Cun, Qidong City, Nantong City, Jiangsu Province

Applicant before: QIDONG LUOYUAN PV EQUIPMENT Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231019

Address after: 27th Floor, Times Wealth Center, No. 468 Xinhua Road, Jianghan District, Wuhan City, Hubei Province, 430000

Patentee after: Three Gorges Power Co.,Ltd.

Patentee after: Changxia Digital Energy Technology (Hubei) Co.,Ltd.

Address before: Room 1-8, 27th Floor, CFD Times Wealth Center, No. 468 Xinhua Road, Jianghan District, Wuhan City, Hubei Province, 430015

Patentee before: Changxia Digital Energy Technology (Hubei) Co.,Ltd.

TR01 Transfer of patent right