CN115797310A - 一种光伏电站组串倾角的确定方法及电子设备 - Google Patents
一种光伏电站组串倾角的确定方法及电子设备 Download PDFInfo
- Publication number
- CN115797310A CN115797310A CN202211601901.7A CN202211601901A CN115797310A CN 115797310 A CN115797310 A CN 115797310A CN 202211601901 A CN202211601901 A CN 202211601901A CN 115797310 A CN115797310 A CN 115797310A
- Authority
- CN
- China
- Prior art keywords
- group string
- target
- point cloud
- plane
- string
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010248 power generation Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明提供了一种光伏电站组串倾角的确定方法及电子设备,该方法包括:获取到光伏电站的正射图像以及点云模型;基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置;基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云;将每个组串的目标点云进行拟合得到每个组串的目标平面;基于所述每个组串的目标平面确定每个组串的倾角。解决了现有光伏组串测量效率低、准确性差、适应地形存在限制的技术问题。
Description
技术领域
本发明涉及光伏电站巡检领域,尤其是涉及一种光伏电站组串倾角的确定方法及电子设备。
背景技术
光伏发电作为近年来国内大力发展的一种重要可再生能源形式,其建设质量的好坏直接关系到其是否能长期、高效的产出绿色电力,而光伏组串安装倾角的合规性则是影响光伏电站建设质量的重要环节,光伏组串的安装倾角在一定程度上也影响了电站发电的效率。
需要说明的是,目前关于光伏组串倾角的测试主要通过以下两种方法进行,第一是通过人工手持倾角仪进行测试,但是在进行大规模的光伏场站巡检中,存在效率低、成本高、主观误判的问题,难以适应规模化电站的在线监测需求。第二是在待测区域布置参照物,然后利用确定的测绘图推导出光伏组件安装倾角,但是该方式对山地区域等地形复杂的电站适用性较差。因此亟需数字化、智能化手段对组串倾角缺陷进行快速在线识别。
有鉴于此,特提出本发明。
发明内容
本发明提供了一种光伏电站组串倾角的确定方法及电子设备,以解决现有光伏组串测量效率低、准确性差、适应地形存在限制的技术问题。
本发明提供了一种光伏电站组串倾角的确定方法,该方法包括:获取到光伏电站的正射图像以及点云模型;基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置;基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云;将每个组串的目标点云进行拟合得到每个组串的目标平面;基于所述每个组串的目标平面确定每个组串的倾角。
进一步地,基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置,包括:将所述正射图像裁剪成多个正射小图;从所述多个正射小图中筛选得到无效像素点数占比低于预设阈值的多个目标正射小图;将所述多个目标正射小图输入卷积神经模型,得到所述多个目标正射小图中所述每个组串的第一坐标;将所述每个组串的第一坐标还原至所述正射图像,得到在所述正射图像中每个组串的第二坐标;根据所述每个组串的第二坐标确定所述每个组串的位置。
进一步地,所述每个组串至少包括第一组串以及第二组串,其中,在所述第一组串的第二坐标同第二组串的第二坐标的重叠度大于预设重叠度的情况下,将所述第一组串与第二组串确定为同一组串,并且将所述第一组串的第二坐标以及第二组串的第二坐标进行融合,得到所述同一组串的位置。
进一步地,基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云,包括:基于所述每个组串的位置从所述点云模型中得到目标las文件;基于所述每个组串的位置从所述目标las文件中裁剪得到所述每个组串的点云集;将所述每个组串的点云集进行融合,得到所述每个组串的目标点云。
进一步地,在将每个组串的目标点云进行拟合得到每个组串的目标平面之前,所述方法还包括:采用KD树算法去除所述目标点云中的离群点;基于VGD算法并且按照预设大小的体素块对去除离群点后的目标点云进行下采样。
进一步地,将每个组串的目标点云进行拟合得到每个组串的目标平面,包括:将每个组串的目标点云进行拟合,得到每个组串的多个候选平面;将所述多个候选平面中点数量最多的候选平面确定为目标平面。
进一步地,将每个组串的目标点云进行拟合,得到每个组串的多个候选平面,包括:从每个组串的目标点云中随机选取三个点,其中,所述三个点构成第一平面;步骤S61,计算目标点云中除三个点之外的所有候选点到所述第一平面的距离;步骤S62,将到所述第一平面的距离小于预设距离的候选点确定为所述第一平面上的点;步骤S63,统计所述第一平面上的点的数量,在数量超过预设数量的情况下,将所述第一平面确定为候选平面;步骤S64,重复执行所述步骤S61至步骤S63,得到多个候选平面。
进一步地,基于所述每个组串的目标平面确定每个组串的倾角,包括:通过每个组串的目标平面的平面方程获取到所述每个组串的目标平面的第一法向量;获取到预设的水平面的第二法向量;根据所述第一法向量以及所述第二法向量的夹角确定所述每个组串的倾角。
进一步地,在基于所述每个组串的目标平面确定每个组串的倾角之后,所述方法还包括:基于所述每个组串的倾角确定所述光伏电站的在预设时间段的理论发电量;从所述光伏电站的服务器中获取在所述预设时间段所述光伏电站的实际发电量;基于所述理论发电量与所述实际发电量的差别调整所述体素块大小和/或所述预设距离。
根据本发明的第三方面,提供了一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述任一所述的方法的步骤。
本发明提供了一种光伏电站组串倾角的确定方法及电子设备,该方法包括:获取到光伏电站的正射图像以及点云模型;基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置;基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云;将每个组串的目标点云进行拟合得到每个组串的目标平面;基于所述每个组串的目标平面确定每个组串的倾角。解决了现有光伏组串测量效率低、准确性差、适应地形存在限制的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下边将对具体实施方式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,下边描述中的附图是本发明的一些实施方式,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他的附图。
图1是本发明提供的光伏电站组串倾角的确定方法的流程图。
具体实施方式
为了使本发明的上述以及其他特征和优点更加清楚,下边结合附图进一步描述本发明。应当理解,本文给出的具体实施例是出于向本领域技术人员解释的目的,仅是示例性的,而非限制性的。
在以下描述中,阐述了许多具体细节以提供对本发明的透彻理解。然而,对于本领域普通技术人员来说,明显的是,不需要采用具体细节来实践本发明。在其他情况下,未详细描述众所周知的步骤或操作,以避免模糊本发明。
实施例一
本申请提供了一种光伏电站组串倾角的确定方法,如图1所示,包括:
步骤S11,获取到光伏电站的正射图像以及点云模型。
具体的,本方案可以由服务器或者带有数据处理的其它电子装置作为本方案的方法的执行主体,本方案首先获取到光伏电站整体的正射图像和点云模型,上述正射影像可以为无人机在光伏电站上方进行航拍得到,正射影像具有地形图的几何精度和影像特征,相较于传统的符号化地形图,有着信息丰富,精度高,空间分辨率高,图案特征真实直观,现实性强等优点。点云模型可以通过无人机的激光雷达获取得到。点云模型是将高精度的激光扫描仪器、GPS以及惯性导航系统(INS)这三者进行组合生成的精确的三维绘图。通过点云模型可以更加直接的测量三维现实世界,点云模型数据精度高,层次细节丰富。
步骤S13,基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置。
具体的,本方案可以将光伏电站的正射图像发送至卷积神经网络(CNN网络),从而进行正射影像中光伏组串的定位,需要说明的是,在正射影像中包括多个光伏组串。
步骤S15,基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云。
步骤S17,将每个组串的目标点云进行拟合得到每个组串的目标平面。
步骤S19,基于所述每个组串的目标平面确定每个组串的倾角。
具体的,在本方案中,并非仅仅通过可见光图像来识别得到组串的倾角,如果仅仅通过可见光图像的传统图像处理方式来进行识别的话,鲁棒性差,受噪声影响较大。本方案先通过正射图像得到光伏组串的位置,然后通过光伏组串的位置来得到每个组串的点云,最终通过每个组串的点云来得到每个组串的倾角,与仅仅通过可见光图像进行倾角识别相比,准确率大大提高。
综上,在本方案中,不同于现有技术中通过人工手动测量或者测绘图来测试光伏组串的倾角,也不同于现有技术中通过传统图像处理的方式,而是通过正射影像+点云模型+卷积神经网络相结合的方式最后精确得到每个光伏组串的倾角,一方面,本方案无需人工进行手动测量节省人力时间,第二方面,本方案无需在场站设置参照物,可以适应于各种复杂地形,第三方面,本方案不同于现有技术中仅仅通过可见光图像识别,而是采用正射影像+点云模型+卷积神经网络相结合的方式,受噪声影响较低、识别准确率高,因此本方案解决了现有光伏组串测量效率低、准确性差、适应地形存在限制的技术问题。
可选的,步骤S13基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置,包括:
步骤S131,将所述正射图像裁剪成多个正射小图。
具体的,在本方案中,原始的正射影像图像过大,对硬件资源要求过高,不便直接用于卷积神经网络(CNN网络)的训练和推理,为了更好的让卷积神经网络快速进行训练和推理,本方案则将正射影像进行预处理,本方案利用滑动窗口的方式对原始电站的正射影像进行重叠裁剪,从而裁减得到上述多个正射小图。在一种可选的实施例当中,滑动窗口的宽(W)高(H),步长(stride),重叠尺寸(overlap)应预先设定,在本文中W=1024;H=1024;overlap=200;stride=824。
步骤S132,从所述多个正射小图中筛选得到无效像素点数占比小于预设阈值的多个目标正射小图。
具体的,在正射影像中信息庞杂,且存在无效白色背景,为了避免过多的无效内容被输入值卷积神经网络,本方案则将多个正射小图继续进行处理,即对裁剪后的小图进行像素值统计分析,若小图中的无效像素点数占比大于98%(即上述预设阈值),则判定该小图为纯背景,否则为非纯背景,如果小于预设阈值,则说明该图为有效图片(即非纯背景小图),本方案则筛除纯背景小图,并且将非纯背景的小图确定为上述目标正射小图。
步骤S133,将所述多个目标正射小图输入卷积神经模型,得到所述多个目标正射小图中所述每个组串的第一坐标。
具体的,本方案可以利用事先训练好的yolov5组串检测模型来处理上述多个目标正射小图,从而得到多个目标正射小图中所述每个组串的第一坐标,上述上述每个组串的第一坐标为组串在目标正射小图坐标系下的坐标(x,y,w,h)。
步骤S134,将所述每个组串的第一坐标还原至所述正射图像,得到在所述正射图像中每个组串的第二坐标。
具体的,本方案可以根据目标正射小图在正射图像中的坐标将组串的第一坐标还原得到电站正射图像上组串的第二坐标(X,Y,W,H),计算公式如下公式所示,X=x+i,Y=y+j,W=w,H=h,式中i,j分别为得到的目标正射小图在电站正射图像中的位置坐标。
步骤S135,根据所述每个组串的第二坐标确定所述每个组串的位置。
可选的,上述每个组串的位置可以为通过转换得到的每个组串的实际地理位置。
可选的,所述每个组串至少包括第一组串以及第二组串,上述第一组串以及第二组串可以为在裁剪时多个正射影像小图中相邻的两个组串,其中,在所述第一组串的第二坐标同第二组串的第二坐标的重叠度大于预设重叠度的情况下,将所述第一组串与第二组串确定为同一组串,并且将所述第一组串的第二坐标以及第二组串的第二坐标进行融合,得到所述同一组串的位置,然后根据同一组串的位置得到实际的地理位置;如果第一组串的第二坐标同第二组串的第二坐标的重叠度不大于预设重叠度,本方案则判定相邻的第一组串以及第二组串并非同一组串,则直接根据第一组串以及第二组串的第二坐标来转换得到两个组串的实际地理位置。
这里需要说明的是,上述多个目标正射小图是将电站正射图像裁减分割得到,在实际情况下,可能存在一个完整的组串被切割成两个部分,也就是说,存在两个相邻的目标正射小图中各自包含同一组串的两部分,在此种情况下,识别得到的组串的坐标肯定是不准确的,因此本方案则通过还原后每个组串的第二坐标之间的重叠度来判断是否存在组串被裁减的情况,这里还需要说明的是,由于在对正射图像进行裁减时,每张图片之间的内容是存在预设重叠度的,比如overlap=200,那么在第一坐标被还原到正射影像之后,本方案即判断多个组串(比如上述第一组串以及第二组串)的第二坐标之间的重叠度是否大于上述预设重叠度,如果大于预设重叠度,则说明,第一组串和第二组串的所在的两个目标正射小图是同一个组串裁减得到,本方案则将将所述第一组串与第二组串确定为同一组串,并且将所述第一组串的第二坐标以及第二组串的第二坐标进行融合,得到所述同一组串的位置。
这里需要说明的是,本方案中所说的组串的坐标可以为一个坐标组,比如一个矩形组串的坐标为矩形的四个角点的坐标的组合。
可选的,步骤S15基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云,包括:
步骤S151,基于所述每个组串的位置从所述点云模型中得到目标las文件。
步骤S152,基于所述每个组串的位置从所述目标las文件中裁剪得到所述每个组串的点云集。
步骤S153,将所述每个组串的点云集进行融合,得到所述每个组串的目标点云。
具体的,整个电站的点云模型为多个las格式的文件,基于此,首先根据一个组串的地理坐标来筛选出该组串所在的las文件即上述目标las文件,然后遍历目标las文件中的每一个las文件,并且根据组串的位置来从每一个las文件中裁剪得到每个组串的点云集,然后将裁剪得到每个组串的点云集进行拼接从而得到每个组串的目标点云。所有组串均按照同样方式进行得到目标点云。通过此种方式,可以快速的提取到每个组串的目标点云。
可选的,步骤S17在将每个组串的目标点云进行拟合得到每个组串的目标平面之前,所述方法还包括:
步骤S161,采用KD树算法去除所述目标点云中的离群点。
步骤S162,基于VGD算法并且按照预设大小的体素块对去除离群点后的目标点云进行下采样。
具体的,本方案不同于现有技术中直接对点云进行拟合,而是为了减少噪声点对平面拟合的影响,本方案对点云数据进行预处理,预处理主要包括两个部分,第一是离群点去除,第二是对点云数据进行下采样。
可选的,步骤S17将每个组串的目标点云进行拟合得到每个组串的目标平面,包括:
步骤S171,将每个组串的目标点云进行拟合,得到每个组串的多个候选平面。
步骤S172,将所述多个候选平面中点数量最多的候选平面确定为目标平面。
具体的,本方案为提升平面拟合的精准性,先将目标点云中的所有的点云都进行拟合,得到多个候选平面,然后将多个候选平面中点数量最多的候选平面确定为目标平面。
可选的,步骤S171将每个组串的目标点云进行拟合,得到每个组串的多个候选平面,包括:
从每个组串的目标点云中随机选取三个点,其中,所述三个点构成第一平面。
步骤S61,计算目标点云中除三个点之外的所有候选点到所述第一平面的距离。
步骤S62,将到所述第一平面的距离小于预设距离的候选点确定为所述第一平面上的点。
步骤S63,统计所述第一平面上的点的数量,在数量超过预设数量的情况下,将所述第一平面确定为候选平面。
步骤S64,重复执行所述步骤S61至步骤S63,得到多个候选平面。
具体的,通过上述多个步骤,可以充分利用目标点云中的所有点,得到多个候选平面。
可选的,步骤S19基于所述每个组串的目标平面确定每个组串的倾角,包括:
步骤S191,通过每个组串的目标平面的平面方程获取到所述每个组串的目标平面的第一法向量。
步骤S192,获取到预设的水平面的第二法向量。
步骤S193,根据所述第一法向量以及所述第二法向量的夹角确定所述每个组串的倾角。
具体的,在本方案中,根据平面拟合得到的组串的平面方程ax+by+cz+d=0,可知组串平面的法向量即n1=(a,b,c),已知xoy平面(水平面)的法向量为n2=(0,0,1)。组串倾角即为组串平面与水平面之间的夹角∠β,∠β等价于两个法向量间的夹角,即
可选的,步骤S19在基于所述每个组串的目标平面确定每个组串的倾角之后,所述方法还包括:
步骤S21,基于所述每个组串的倾角确定所述光伏电站的在预设时间段的理论发电量。
步骤S23,从所述光伏电站的服务器中获取在所述预设时间段所述光伏电站的实际发电量。
步骤S25,基于所述理论发电量与所述实际发电量的差别调整所述体素块大小和/或所述预设距离。
这里需要说明的是,光伏组串的倾角影响着光伏电站的发电量,因此本方案可以根据通过确定的每个光伏组串的倾角来计算得到光伏电站在预设时间段内(比如一年内)的理论发电量,然后从光伏电站的服务器中获取光伏电站一年前所述光伏电站的实际发电量,然后比较理论发电量与实际发电量的差别,根据差别来对基于本方案得到的光伏组串倾角的正确性进行验证,此处需要说明的是,在此实施例中,光伏电站未经过人为的运维,即影响光伏电站发电量的所有客观因素都未发生任何变化,那么在此种情况下,如果理论发电量与实际发电量的差别较大,则说明本方案在计算光伏组串倾角的过程中所涉及的设定参数存在误差,因此,本方案则基于所述理论发电量与所述实际发电量的差别调整所述体素块大小和/或所述预设距离,然后重新迭代计算光伏组串倾角,以提高光伏倾角识别的正确率。
应理解,本文中前述关于本发明的方法所描述的具体特征、操作和细节也可类似地应用于本发明的装置和系统,或者,反之亦然。另外,上文描述的本发明的方法的每个步骤可由本发明的装置或系统的相应部件或单元执行。
应理解,本发明的装置的各个模块/单元可全部或部分地通过软件、硬件、固件或其组合来实现。所述各模块/单元各自可以硬件或固件形式内嵌于计算机设备的处理器中或独立于所述处理器,也可以软件形式存储于计算机设备的存储器中以供处理器调用来执行所述各模块/单元的操作。所述各模块/单元各自可以实现为独立的部件或模块,或者两个或更多个模块/单元可实现为单个部件或模块。
在一个实施例中,提供了一种计算机设备(电子设备),其包括存储器和处理器,所述存储器上存储有可由处理器执行的计算机指令,所述计算机指令在由所述处理器执行时指示所述处理器执行本发明的实施例的方法的各步骤。该计算机设备可以广义地为服务器、终端,或任何其他具有必要的计算和/或处理能力的电子设备。在一个实施例中,该计算机设备可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该计算机设备的处理器可用于提供必要的计算、处理和/或控制能力。该计算机设备的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质中或上可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本发明的方法的步骤。
本发明可以实现为一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在由处理器执行时导致本发明实施例的方法的步骤被执行。在一个实施例中,所述计算机程序被分布在网络耦合的多个计算机设备或处理器上,以使得所述计算机程序由一个或多个计算机设备或处理器以分布式方式存储、访问和执行。单个方法步骤/操作,或者两个或更多个方法步骤/操作,可以由单个计算机设备或处理器或由两个或更多个计算机设备或处理器执行。一个或多个方法步骤/操作可以由一个或多个计算机设备或处理器执行,并且一个或多个其他方法步骤/操作可以由一个或多个其他计算机设备或处理器执行。一个或多个计算机设备或处理器可以执行单个方法步骤/操作,或执行两个或更多个方法步骤/操作。
本领域普通技术人员可以理解,本发明的方法步骤可以通过计算机程序来指示相关的硬件如计算机设备或处理器完成,所述的计算机程序可存储于非暂时性计算机可读存储介质中,该计算机程序被执行时导致本发明的步骤被执行。根据情况,本文中对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器的示例包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(RAM)、外部高速缓冲存储器等。
以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述,但这些技术特征的任何组合都应当被认为由本说明书涵盖,只要这样的组合不存在矛盾。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种光伏电站组串倾角的确定方法,其特征在于,包括:
获取到光伏电站的正射图像以及点云模型;
基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置;
基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云;
将每个组串的目标点云进行拟合得到每个组串的目标平面;
基于所述每个组串的目标平面确定每个组串的倾角。
2.根据权利要求1所述的方法,其特征在于,基于卷积神经网络对所述正射图像进行处理,得到每个组串的位置,包括:
将所述正射图像裁剪成多个正射小图;
从所述多个正射小图中筛选得到无效像素点数占比小于预设阈值的多个目标正射小图;
将所述多个目标正射小图输入卷积神经模型,得到所述多个目标正射小图中所述每个组串的第一坐标;
将所述每个组串的第一坐标还原至所述正射图像,得到在所述正射图像中每个组串的第二坐标;
根据所述每个组串的第二坐标确定所述每个组串的位置。
3.根据权利要求2所述的方法,其特征在于,所述每个组串至少包括第一组串以及第二组串,其中,在所述第一组串的第二坐标同第二组串的第二坐标的重叠度大于预设重叠度的情况下,将所述第一组串与第二组串确定为同一组串,并且将所述第一组串的第二坐标以及第二组串的第二坐标进行融合,得到所述同一组串的位置。
4.根据权利要求1所述的方法,其特征在于,基于所述每个组串的位置从所述点云模型中得到每个组串的目标点云,包括:
基于所述每个组串的位置从所述点云模型中得到目标las文件;
基于所述每个组串的位置从所述目标las文件中裁剪得到所述每个组串的点云集;
将所述每个组串的点云集进行融合,得到所述每个组串的目标点云。
5.根据权利要求1所述的方法,其特征在于,在将每个组串的目标点云进行拟合得到每个组串的目标平面之前,所述方法还包括:
采用KD树算法去除所述目标点云中的离群点;
基于VGD算法并且按照预设大小的体素块对去除离群点后的目标点云进行下采样。
6.根据权利要求5所述的方法,其特征在于,将每个组串的目标点云进行拟合得到每个组串的目标平面,包括:
将每个组串的目标点云进行拟合,得到每个组串的多个候选平面;
将所述多个候选平面中点数量最多的候选平面确定为目标平面。
7.根据权利要求6所述的方法,其特征在于,将每个组串的目标点云进行拟合,得到每个组串的多个候选平面,包括:
从每个组串的目标点云中随机选取三个点,其中,所述三个点构成第一平面;
步骤S61,计算目标点云中除三个点之外的所有候选点到所述第一平面的距离;
步骤S62,将到所述第一平面的距离小于预设距离的候选点确定为所述第一平面上的点;
步骤S63,统计所述第一平面上的点的数量,在数量超过预设数量的情况下,将所述第一平面确定为候选平面;
步骤S64,重复执行所述步骤S61至步骤S63,得到多个候选平面。
8.根据权利要求7所述的方法,其特征在于,基于所述每个组串的目标平面确定每个组串的倾角,包括:
通过每个组串的目标平面的平面方程获取到所述每个组串的目标平面的第一法向量;
获取到预设的水平面的第二法向量;
根据所述第一法向量以及所述第二法向量的夹角确定所述每个组串的倾角。
9.根据权利要求8所述的方法,其特征在于,在基于所述每个组串的目标平面确定每个组串的倾角之后,所述方法还包括:
基于所述每个组串的倾角确定所述光伏电站的在预设时间段的理论发电量;
从所述光伏电站的服务器中获取在所述预设时间段所述光伏电站的实际发电量;
基于所述理论发电量与所述实际发电量的差别调整所述体素块大小和/或所述预设距离。
10.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601901.7A CN115797310A (zh) | 2022-12-13 | 2022-12-13 | 一种光伏电站组串倾角的确定方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601901.7A CN115797310A (zh) | 2022-12-13 | 2022-12-13 | 一种光伏电站组串倾角的确定方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797310A true CN115797310A (zh) | 2023-03-14 |
Family
ID=85419840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211601901.7A Pending CN115797310A (zh) | 2022-12-13 | 2022-12-13 | 一种光伏电站组串倾角的确定方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132419A (zh) * | 2023-10-26 | 2023-11-28 | 北京图知天下科技有限责任公司 | 一种光伏组件的编号方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506724A (zh) * | 2017-08-21 | 2017-12-22 | 中清能绿洲科技股份有限公司 | 倾角检测方法及检测终端 |
WO2020087909A1 (zh) * | 2018-10-31 | 2020-05-07 | 南京埃斯顿机器人工程有限公司 | 一种基于多相机的光伏电池串定位方法 |
CN111986214A (zh) * | 2020-08-26 | 2020-11-24 | 湖北亿咖通科技有限公司 | 一种地图中人行横道的构建方法和电子设备 |
KR20210066580A (ko) * | 2019-11-28 | 2021-06-07 | 조선대학교산학협력단 | 태양광 발전 시스템 |
CN113220019A (zh) * | 2021-04-26 | 2021-08-06 | 西安热工研究院有限公司 | 一种基于无人机的光伏组件倾角检测方法及系统 |
CN113343475A (zh) * | 2021-06-21 | 2021-09-03 | 阳光电源股份有限公司 | 光伏仿真参数的获取方法、装置及计算机存储介质 |
CN113505726A (zh) * | 2021-07-24 | 2021-10-15 | 北京思万智瞰科技有限公司 | 一种地图中的光伏组串识别与定位方法 |
CN114972539A (zh) * | 2022-06-01 | 2022-08-30 | 广州铁路职业技术学院(广州铁路机械学校) | 机房相机平面在线标定方法、系统、计算机设备和介质 |
CN115082385A (zh) * | 2022-06-06 | 2022-09-20 | 华能大理风力发电有限公司洱源分公司 | 基于光伏组件倾斜角的光伏电站缺陷预警方法及装置 |
CN115113206A (zh) * | 2022-06-23 | 2022-09-27 | 湘潭大学 | 井下有轨车辅助驾驶的行人与障碍物检测方法 |
CN115359021A (zh) * | 2022-08-29 | 2022-11-18 | 上海大学 | 一种基于激光雷达和相机信息融合的目标定位检测方法 |
-
2022
- 2022-12-13 CN CN202211601901.7A patent/CN115797310A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506724A (zh) * | 2017-08-21 | 2017-12-22 | 中清能绿洲科技股份有限公司 | 倾角检测方法及检测终端 |
WO2020087909A1 (zh) * | 2018-10-31 | 2020-05-07 | 南京埃斯顿机器人工程有限公司 | 一种基于多相机的光伏电池串定位方法 |
KR20210066580A (ko) * | 2019-11-28 | 2021-06-07 | 조선대학교산학협력단 | 태양광 발전 시스템 |
CN111986214A (zh) * | 2020-08-26 | 2020-11-24 | 湖北亿咖通科技有限公司 | 一种地图中人行横道的构建方法和电子设备 |
CN113220019A (zh) * | 2021-04-26 | 2021-08-06 | 西安热工研究院有限公司 | 一种基于无人机的光伏组件倾角检测方法及系统 |
CN113343475A (zh) * | 2021-06-21 | 2021-09-03 | 阳光电源股份有限公司 | 光伏仿真参数的获取方法、装置及计算机存储介质 |
CN113505726A (zh) * | 2021-07-24 | 2021-10-15 | 北京思万智瞰科技有限公司 | 一种地图中的光伏组串识别与定位方法 |
CN114972539A (zh) * | 2022-06-01 | 2022-08-30 | 广州铁路职业技术学院(广州铁路机械学校) | 机房相机平面在线标定方法、系统、计算机设备和介质 |
CN115082385A (zh) * | 2022-06-06 | 2022-09-20 | 华能大理风力发电有限公司洱源分公司 | 基于光伏组件倾斜角的光伏电站缺陷预警方法及装置 |
CN115113206A (zh) * | 2022-06-23 | 2022-09-27 | 湘潭大学 | 井下有轨车辅助驾驶的行人与障碍物检测方法 |
CN115359021A (zh) * | 2022-08-29 | 2022-11-18 | 上海大学 | 一种基于激光雷达和相机信息融合的目标定位检测方法 |
Non-Patent Citations (1)
Title |
---|
席志鹏;楼卓;李晓霞;孙艳;杨强;颜文俊;: "集中式光伏电站巡检无人机视觉定位与导航", 浙江大学学报(工学版), no. 05, 9 May 2019 (2019-05-09) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132419A (zh) * | 2023-10-26 | 2023-11-28 | 北京图知天下科技有限责任公司 | 一种光伏组件的编号方法 |
CN117132419B (zh) * | 2023-10-26 | 2024-01-23 | 北京图知天下科技有限责任公司 | 一种光伏组件的编号方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11209837B2 (en) | Method and device for generating a model of a to-be reconstructed area and an unmanned aerial vehicle flight trajectory | |
US10198632B2 (en) | Survey data processing device, survey data processing method, and survey data processing program | |
US20190378296A1 (en) | Method and device for positioning | |
WO2018061010A1 (en) | Point cloud transforming in large-scale urban modelling | |
US20230245389A1 (en) | Generating three-dimensional geo-registered maps from image data | |
EP3876189A1 (en) | Geographic object detection device, geographic object detection method, and geographic object detection program | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN112739983B (zh) | 校正点云数据的方法和相关装置 | |
CN114863380B (zh) | 车道线识别方法、装置及电子设备 | |
CN114972490B (zh) | 一种数据自动标注方法、装置、设备及存储介质 | |
CN113804100B (zh) | 确定目标对象的空间坐标的方法、装置、设备和存储介质 | |
CN114252884A (zh) | 路侧雷达定位监测方法、装置、计算机设备和存储介质 | |
CN114332233B (zh) | 一种激光slam回环检测方法和系统 | |
CN115797310A (zh) | 一种光伏电站组串倾角的确定方法及电子设备 | |
US11443131B2 (en) | Systems and methods for creating a parking map | |
CN110636248A (zh) | 目标跟踪方法与装置 | |
CN114252859A (zh) | 目标区域的确定方法、装置、计算机设备和存储介质 | |
CN114252883A (zh) | 目标检测方法、装置、计算机设备和介质 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
CN115731215A (zh) | 一种回环检测方法、装置、电子设备及存储介质 | |
WO2022021209A9 (zh) | 电子地图生成方法、装置、计算机设备和存储介质 | |
CN114140707A (zh) | 一种电网故障巡检方法 | |
CN114252868A (zh) | 激光雷达的标定方法、装置、计算机设备和存储介质 | |
CN112507977B (zh) | 一种车道线定位方法、装置及电子设备 | |
CN114255264B (zh) | 多基站配准方法、装置、计算机设备和存储介质 |
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 |