CN115861855A - 一种光伏电站的运维监测方法及系统 - Google Patents
一种光伏电站的运维监测方法及系统 Download PDFInfo
- Publication number
- CN115861855A CN115861855A CN202211636977.3A CN202211636977A CN115861855A CN 115861855 A CN115861855 A CN 115861855A CN 202211636977 A CN202211636977 A CN 202211636977A CN 115861855 A CN115861855 A CN 115861855A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- photovoltaic
- inspection
- dust
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012423 maintenance Methods 0.000 title claims abstract description 60
- 239000000428 dust Substances 0.000 claims abstract description 96
- 238000007689 inspection Methods 0.000 claims abstract description 85
- 230000008021 deposition Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000004140 cleaning Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000003749 cleanliness Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 241000544061 Cuculus canorus Species 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 9
- 239000000306 component Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005684 electric field Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及光伏运维技术领域，解决了现有方法监测成本太高的技术问题，尤其涉及一种光伏电站的运维监测方法及系统，包括：响应于无人机巡检触发条件，获取所采集的光伏面板的若干个实时状态图像；对实时状态图像进行预处理，并将预处理后图像数据输入灰尘检测模型进行纹理特征检测和回归计算，得到光伏面板的灰尘沉积分值；将灰尘沉积分值与预设灰尘阈值进行比对，并计算灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值；判断比值是否小于预设清洗阈值。本发明能够根据气象信息和本次巡检结果自适应调整巡检周期，以便精准获取光伏面板清洗时间点，减少运算频率，大大降低了光伏面板运维监测成本。
Description
技术领域
本发明涉及光伏运维技术领域，尤其涉及一种光伏电站的运维监测方法及系统。
背景技术
光伏面板作为光伏电站的核心组成部分，在日常的运行中长期暴露在自然环境下，不可避免会沉积灰尘，而附着在光伏面板表面的灰尘会对光线产生遮挡、吸收以及漫反射作用，致使光伏面板发电电流将会减小，甚至会出现电流倒灌烧坏电池板组件的情况，因而在光伏电站的运维过程中需要监测光伏面板表面的清洁度。
目前，传统的光伏面板表面清洁度监测方法通常是采用摄像头按照预置的检测周期采集光伏面板图像，再通过对图像进行特征分析来判断光伏面板表面是否附着灰尘，但是，如果检测周期设置太短，会出现过于频繁的检测，并且光伏电站占地面积一般较大，从而导致监测成本太高，然而检测周期设置太长，又会致使无法及时对光伏面板表面灰尘进行清洗，导致光伏电站发电效率大大较低，从而提高了光伏电站的运维成本，且造成了具体的经济损失，进而无法满足现代化光伏发电企业的使用需求。
发明内容
针对现有技术的不足，本发明提供了一种光伏电站的运维监测方法及系统，通过根据气象信息和上一检测结果自适应调整检测周期以获得最优检测时间，以便第一时间确定光伏面板表面灰尘清洗时间点，达到了降低运维成本的目的，解决了现有方法监测成本太高的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：一种光伏电站的运维监测方法，包括以下步骤：
S11、响应于无人机巡检触发条件，获取搭载摄像设备的无人机所采集的光伏面板的若干个实时状态图像，其中，所述无人机巡检触发条件是指到达巡检时间点；
S12、对所述实时状态图像进行预处理，得到预处理后图像数据；
S13、将所述预处理后图像数据输入灰尘检测模型进行纹理特征检测和回归计算，得到光伏面板的灰尘沉积分值；
S14、将所述灰尘沉积分值与预设灰尘阈值进行比对，并计算所述灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值；
S15、判断所述比值是否小于预设清洗阈值，如果所述比值小于预设清洗阈值，则执行步骤S16，如果所述比值大于等于预设清洗阈值，则执行步骤S18；
S16、根据光伏电站所在区域的经纬度，获取下一个监测周期内光伏电站所在区域基于时间序列的气象信息；
S17、将所述气象信息和所述灰尘沉积分值输入预先训练好的预测模型，得到下一次巡检时间点，并返回步骤S11；
S18、发送预警信息以提醒运维人员对光伏面板进行清洗。
进一步地，在步骤S12中，所述对所述实时状态图像进行预处理的具体过程包括以下步骤：
S121、对具有不同权重的所述实时状态图像的R、G、B三个分量进行加权平均，并将各分量与其权值乘积的和作为图像的灰度值，得到灰度图像；
S122、根据所述灰度图像采用包含多个图像像素点的模板窗口中的中间灰度值替换模板窗口中心的灰度值，得到去除图像中像素值差异较大的孤立噪声点的去噪图像；
S123、根据光伏面板纹路的方向性特征采用区域分割法将所述去噪图像中不含光伏面板的区域剔除，得到预处理后图像数据。
进一步地，在步骤S13中，所述灰尘检测模型是以改进的卷积神经网络为基础，包括用于从输入的图像数据中提取浅层特征的主干网络，用于对主干网络提取到的浅层特征进行多尺度变化与融合的特征金字塔网络，以及用于对融合特征进行回归计算的回归网络。
进一步地，所述步骤S13具体包括以下步骤：
S131、将所述预处理后图像数据输入灰尘检测模型调用主干网络进行卷积操作得到特征图，并对所述特征图进行下采样处理，得到浅层特征向量；
S132、采用所述特征金字塔网络对所述特征图进行下采样处理，并提取第M轮下采样得到的深层特征向量；
S133、根据特征维度采用空间注意力机制对所述浅层特征向量和深层特征向量进行融合获得融合特征向量，并根据融合特征向量生成至少一个锚框；
S134、采用回归网络对所述锚框进行回归计算，得到用于衡量光伏面板表面灰尘沉积度的灰尘沉积分值。
进一步地，所述气象信息包括风速、风向、太阳总辐射、降雨量和环境温湿度。
进一步地，在步骤S17中，所述预测模型的具体训练过程包括：
构建以常规的卷积神经网络为基础结构的深度学习网络；
获取历史气象信息和对应的带有历史灰尘沉积分值的预处理后图像数据作为训练数据集；
根据所述训练数据集调用交叉熵损失函数进行训练并直至收敛，得到用于预测下一次巡检时间点的预测模型。
进一步地，在所述步骤S11之前还包括：
S10、根据预先规划的最优巡检路径建立无人机巡检模型，并确定巡检周期初始值。
进一步地，在步骤S10中，所述最优巡检路径的具体规划过程包括以下步骤：
根据光伏电站的布局及其周边的空间环境，确定无人机的起飞点、回落点以及巡检点的数量；
根据所述无人机的起飞点、回落点以及巡检点的数量，得到无人机巡检路径规划模型；
以能耗最低且所采集图像的质量最高为目标调用布谷鸟搜索求无人机巡检路径规划模型的最优解，得到最优巡检路径。
进一步地，所述无人机巡检模型指的是搭载摄像设备的无人机沿最优巡检路径进行一次试教飞行即可完成最优巡检路径的自动飞行建模。
本发明还提供了一种技术方案：一种用于实现上述光伏电站的运维监测方法的系统，包括：无人机、服务器和监测终端；
所述无人机上固定安装有摄像设备，用于搭载摄像设备至巡检点进行拍摄光伏面板的实时状态图像，所述摄像设备通过无线通信网络将采集的实时状态图像传输至服务器，所述无人机上还安装有定位装置和模型定制模块，用于记录无人机沿最优巡检路径进行试教飞行轨迹以构建无人机巡检模型；
所述服务器与监测终端建立数据通信连接，且服务器用于对接收到的实时状态图像进行检测及回归计算，根据灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值判断是否需要对光伏面板进行清洗，如果沉积灰尘没有达到清洗程度，则通过根据光伏电站所在区域的气象信息和本次巡检结果自适应调整巡检周期以获得下一次最优巡检时间点，以便精准获取光伏面板清洗时间点；
所述监测终端用于接收服务器发送的光伏面板表面清洁度监测过程中的可读信息，可读信息为文字、语音、视频、或文字与语音相结合可读消息。
借由上述技术方案，本发明提供了一种光伏电站的运维监测方法及系统，至少具备以下有益效果：
1、本发明通过在无人机上安装定位装置和模型定制模块，在进行实地巡检时仅需操纵无人机沿预先规划的最优巡检路径进行一次试教飞行，即可构建具有自动沿最优巡检路径飞行、自动悬停和自动拍照等功能的无人机巡检模型，实现了自动化巡检，降低了运维人员劳动强度，从而降低了光伏电站运维监测成本。
2、本发明通过基于改进的卷积神经网络构建的灰尘检测模型对采集的光伏面板的实时状态图像进行纹理特征检测及回归计算，能够对光伏面板表面沉降的灰尘度进行精准检测，并采用有序回归器将灰尘度数值化，同时根据清洗阈值能够准确判断是否需要对光伏面板进行清洗，提高了光伏电站运维监测的精准性，还能确保光伏面板的发电效率，从而增强了光伏电站发电的稳定性。
3、本发明通过根据光伏电站所在区域的气象信息和上一次巡检结果可自适应调整巡检周期以获得下一次最优巡检时间点，以便精准获取光伏面板清洗时间点，减少光伏电站运维监测系统运算频率，从而大大降低了光伏面板运维监测成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例一中运维监测方法的流程图；
图2为本发明实施例一中灰尘对光线遮挡的示意图；
图3为本发明实施例一中光伏面板实时状态示意图；
图4为本发明实施例一中灰尘检测模型的架构示意图；
图5为本发明实施例一中构建灰尘检测模型的流程图；
图6为本发明实施例一中构建预测模型的流程图；
图7为本发明光伏电站的运维监测系统的框图；
图8为本发明实施例二中运维监测方法的流程图。
图中：100、无人机；200、服务器；300、监测终端；400、摄像设备。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现下述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
申请概述
如上所述，附着在光伏面板表面的灰尘会对光线产生遮挡、吸收以及漫反射作用(如图2所示)，致使光伏面板发电电流将会减小，甚至会出现电流倒灌烧坏电池板组件的情况，因而光伏电站运行过程中，需要采用搭载摄像设备的无人机对光伏面板表面清洁度进行监测，其基本思想是按照预置的检测周期通过操控搭载摄像设备的无人机沿提前规划好的路线采集光伏面板的实时状态图像，再采用深度学习网络对光伏面板的实时状态图像进行分析处理，确定是否需要进行清洁。
虽然，上述方法在光伏电站运维监测过程中取得了一定成就，但是，如果检测周期设置太短，会出现检测过于频繁，并且光伏电站占地面积一般较大，采集的图像较多，使得图像处理量非常大，从而导致监测成本太高，如果检测周期设置太长，将会无法及时对光伏面板表面灰尘进行清洗，导致光伏电站发电效率大大降低，造成经济损失。基于此，本申请根据风沙与气候及光伏电站周边环境的关系，提出根据气象信息和上一检测时间点的监测结果预测下一检测时间点，实现自适应调整检测周期，并将采集的光伏面板的实时状态图像输入改进的卷积神经网络进行特征学习，精准确定光伏面板清洗时间点，达到了降低运维成本的目的。
实施例一
请参照图1-图6，示出了本实施例的一种具体实施方式，本实施例通过采用基于改进的卷积神经网络构建的灰尘检测模型对采集的实时状态图像进行检测，精准计算光伏面板表面灰尘沉积度的分值，并结合光伏电站所在区域的气象信息自适应调整巡检周期，便于精准获取光伏面板清洗时间点，大大降低了光伏电站运维监测成本，增强了实用性。
如图1所示，一种光伏电站的运维监测方法，包括以下步骤：
S11、响应于无人机巡检触发条件，获取搭载摄像设备的无人机所采集的光伏面板的若干个实时状态图像，其中，无人机巡检触发条件是指到达巡检时间点。
具体的，以光伏面板清洁时间点为起点进行计时，当到达巡检周期初始值T时，服务器发送巡检请求指令，搭载摄像设备的无人机自动起飞开始巡检，在每个巡检点采集光伏面板的实时状态图像(如图3所示)，并将采集的图像通过5G无线网络传输至服务器。
S12、对实时状态图像进行预处理，得到预处理后图像数据；具体过程包括以下步骤：
S121、对具有不同权重的实时状态图像的R、G、B三个分量进行加权平均，并将各分量与其权值乘积的和作为图像的灰度值，具体计算公式如下：
上式中，w1,w2,w3分别是图像中R、G、B三个分量的权重，X(i,j)表示灰度处理后的图像像素值。本实施例中，w1,w2,w3分别取值为0.298、0.589、0.115时，灰度化效果更好，能够得到信息保留更完整的灰度图像。
S122、根据灰度图像采用包含多个图像像素点的模板窗口中的中间灰度值替换模板窗口中心的灰度值，得到去除图像中像素值差异较大的孤立噪声点的去噪图像，具体表达式如下：
上式中，f(x,y)是模板窗口R的像素值集合，g(x,y)是滤波后的图像像素值。本实施例中，采用的模板窗口为5×5，对差异较大的孤立噪声点具有很好的抑制效果。
S123、根据光伏面板纹路的方向性特征采用区域分割法将去噪图像中不含光伏面板的区域剔除，得到预处理后图像数据。
含有光伏面板的区域中直线较多且方向固定，而不含光伏面板的区域直线较少且方向不固定，因而本实施例根据光伏面板纹路的方向性特征设定生长准则，并选取初始“种子点”像素作为区域生长的起始点，以生长点位中心判断其6邻域内的像素点是否满足生长准则，如果满足则将其添加到该生长点所在区域，并将新添加的像素点作为新区域的新的生长点继续判断其6邻域内像素点是否满足生长准则，直至不满足生长准则时，区域生长结束，图像分割完成，即可得到预处理后图像数据。
S13、将预处理后图像数据输入灰尘检测模型进行纹理特征检测和回归计算，得到光伏面板的灰尘沉积分值。
灰尘检测模型是基于改进的卷积神经网络构建，包括用于从输入的图像数据中提取浅层特征的主干网络，用于对主干网络提取到的浅层特征进行多尺度变化与融合的特征金字塔网络，以及用于对融合特征进行回归计算的回归网络；如图4所示，本实施例的灰尘检测模型的主干网络是卷积核为3x3且步距为2的初始卷积层；特征金字塔网络由MBConv模块、空间注意力网络SAM以及融合在MBConv模块末端的特征融合模块Concat组成，其中，MBConv模块包括七个串行连接的卷积层Conv和激活函数RelU；回归网络由一个全连接层Fcl和一个回归层Fgl组成；
如图5所示，通过灰尘检测模型计算光伏面板的灰尘沉积分值的具体过程包括以下步骤：
S131、将预处理后图像数据输入灰尘检测模型调用主干网络进行卷积操作得到特征图Fa，并对特征图Fa进行下采样处理，得到大小为Na×4的浅层特征向量Va；
S132、采用特征金字塔网络对特征图Fa进行下采样处理，并提取第两轮下采样得到大小为Nc×2的深层特征向量Vc；
S133、根据特征维度Y采用空间注意力模块对浅层特征向量Va和深层特征向量Vc维度池化成一维特征后进行加权融合获得融合特征向量Vn，并根据融合特征向量Vn生成至少一个锚框，其中，特征融合的表达式如下：
Vn＝Concat(Va，Vc)
上式中，Vn表示融合特征向量，Concat表示特征融合函数。
S134、采用回归网络对锚框进行回归计算，得到用于衡量光伏面板表面灰尘沉积度的灰尘沉积分值。
通过全连接层和回归器计算锚框面积占对应的含光伏面板的图像面积的百分比得到灰尘沉积分值f，用于衡量光伏面板表面灰尘沉积度，值得注意的是，灰尘沉积分值f越大，表明光伏面板表面被灰尘覆盖的面积越大且沉积的灰尘越厚，可分为轻度、中度和重度三个等级。
S14、将灰尘沉积分值与预设灰尘阈值进行比对，并计算灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值。
所采集的含有光伏面板的预处理图像数据的总量为m，且其灰尘沉积分值依次分别为f1，f2，…，fm，其中，灰尘沉积分值大于预设灰尘阈值的图像数量为k，则灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值
本实施例中，预设灰尘阈值设为0.85，也可根据实际情况进行调整。
S15、判断比值是否小于预设清洗阈值，如果比值小于预设清洗阈值，则执行步骤S16，如果比值大于等于预设清洗阈值，则执行步骤S18。本实施例中，预设清洗阈值设为0.75，运维监测人员也可根据实际情况进行调整。
S16、根据光伏电站所在区域的经纬度，获取下一个监测周期内光伏电站所在区域基于时间序列的气象信息；其中，气象信息包括风速、风向、太阳总辐射、降雨量和环境温湿度。
S17、将气象信息和灰尘沉积分值输入预先训练好的预测模型，得到下一次巡检时间点，并返回步骤S11。
本实施例中，如图6所示，预测模型的具体训练过程如下：
S171、构建以常规的卷积神经网络为基础结构的深度学习网络；
S172、获取的历史气象信息和对应的带有历史灰尘沉积分值的预处理后图像数据作为训练数据集。
本实施例中，从运维监测系统中调用200个历史气象信息和对应的带有历史灰尘沉积分值的预处理后图像数据作为训练数据集进行训练；
S173、根据200个训练数据集调用交叉熵损失函数进行对步骤S171中构建的深度学习网络进行训练直至满足收敛条件为止，得到用于预测下一次巡检时间点的预测模型。
在预测过程中所使用的预测函数为Sigmoid函数，表达式如下所示：
上式中，ωl表示第l个融合特征的权重，xl表示第l个融合特征的取值，b表示气象信息。
S18、发送预警信息以提醒运维人员对光伏面板进行清洗，确保光伏电场发电效率的稳定性。
通过本实施例，通过运维人员操作搭载摄像设备的无人机按巡检路径在各个巡检点拍摄光伏面板实时状态图像并传输至服务器，服务器通过采用基于改进的卷积神经网络构建的灰尘检测模型对采集的光伏面板的实时状态图像进行纹理特征检测及回归计算，能够对光伏面板表面沉降的灰尘度进行精准检测，并采用有序回归器将灰尘沉积度数值化，根据清洗阈值能够准确判断是否需要对光伏面板进行清洗，如果沉积灰尘没有达到清洗程度，则通过根据光伏电站所在区域的气象信息和本次巡检结果自适应调整巡检周期以获得下一次最优巡检时间点，以便精准获取光伏面板清洗时间点，减少光伏电站运维监测系统运算频率，提高了光伏电站运维监测的精准性，从而大大降低了光伏面板运维监测成本，增强了光伏电站发电的稳定性。
请参照图7，本实施例还提供一种用于实现上述光伏电站的运维监测方法的系统，包括：无人机100、服务器200和监测终端300；
无人机100上固定安装有摄像设备400，用于搭载摄像设备400至各个巡检点进行拍摄光伏面板的实时状态图像，摄像设备400通过5G无线通信网络将采集的实时状态图像传输至服务器200，无人机100上还安装有定位装置和模型定制模块，用于记录运维人员操作无人机100沿最优巡检路径进行试教飞行的轨迹以构建无人机巡检模型，实现无人机自动化巡检；
服务器200与监测终端300建立数据通信连接，且服务器200用于对接收到的实时状态图像进行检测及回归计算，根据灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值判断是否需要对光伏面板进行清洗，如果沉积灰尘没有达到清洗程度，则通过根据光伏电站所在区域的气象信息和本次巡检结果自适应调整巡检周期以获得下一次最优巡检时间点，以便精准获取光伏面板清洗时间点，大大降低光伏电站运维监测成本；
监测终端300用于接收服务器200发送的光伏面板表面清洁度监测过程中的可读信息，可读信息为文字、语音、视频、或文字与语音相结合可读消息，以便第一时间发现故障，及时对光伏电场进行维护，确保光伏电场发电的稳定性。
本光伏电站的运维监测系统具有较高的配置、运算速度快以及自动化强等优点，降低了运维人员的劳动强度，增强了实用性，具有较高的社会价值和应用前景。
实施例二
本实施例所提供的实施方式是在实施例一的基础上做出的，相同部分能够解决相同的技术问题，并且具有相同的有益效果，相互参见即可，在本实施例中将不再展开详细赘述。
请参照图8，示出了根据本发明实施例二的一种具体实施方式，本实施例通过调用布谷鸟搜索求无人机巡检路径规划模型的最优解，得到最优巡检路径，并在无人机上安装定位装置和模型定制模块，使得无人机经过试教飞行后可自动沿最优巡检路径进行巡检，降低了运维人员劳动强度，从而减小了光伏电站运维监测成本。
一种光伏电站的运维监测方法，包括以下步骤：
S10、根据预先规划的最优巡检路径建立无人机巡检模型，并确定巡检周期初始值。
本实施例中，通过在无人机的机身上安装摄像设备、定位装置和模型定制模块，当运维人员根据预先规划的最优巡检路径操作无人机进行试教飞行时，定位装置会记录飞行路径以及巡检点并发送至模型定制模块，仅需试飞一次便可完成最优巡检路径无人机巡检模型的构建，在后续实地巡检过程中，无人机会自动沿最优巡检路径飞行、自动悬停和自动拍照等动作，实现了无人机自动化巡检，降低了运维人员劳动强度，从而降低了光伏电站运维监测成本。其中，最优巡检路径的规划过程如下所述：
首先，根据光伏电站的布局及其周边的空间环境搭建无人机巡检路径规划的三维仿真环境，该三维仿真环境包括无人机调度中心和光伏面板不同的巡检点，同时确定无人机的起飞点、回落点以及巡检点的数量；其中，起飞点和回落点可以是相同位置，也可以是不同位置，在此不作具体限定；
然后，根据无人机的起飞点、回落点以及巡检点的数量，可建立包含若干条巡检路径的无人机巡检路径规划模型；
最后，以无人机巡检能耗最低且所采集图像的质量最高为目标调用布谷鸟搜索求无人机巡检路径规划模型的最优解，得到最优巡检路径，具有搜索精度高、跟踪速度快且结果更加准确等优点，有效提高了光伏电站运维监测效率；其中，无人机巡检能耗包括无人机悬停过程消耗的能耗和无人机移动过程消耗的能耗。需要说明的是，此处涉及的布谷鸟搜索算法为本领域公知常识，在此不再展开详细描述。
S11、响应于无人机巡检触发条件，获取搭载摄像设备的无人机所采集的光伏面板的若干个实时状态图像，其中，所述无人机巡检触发条件是指到达巡检时间点；
S12、对所述实时状态图像进行预处理，得到预处理后图像数据；
S13、将所述预处理后图像数据输入灰尘检测模型进行纹理特征检测和回归计算，得到光伏面板的灰尘沉积分值；
S14、将所述灰尘沉积分值与预设灰尘阈值进行比对，并计算所述灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值；
S15、判断所述比值是否小于预设清洗阈值，如果所述比值小于预设清洗阈值，则执行步骤S16，如果所述比值大于等于预设清洗阈值，则执行步骤S18；
S16、根据光伏电站所在区域的经纬度，获取下一个监测周期内光伏电站所在区域基于时间序列的气象信息；
S17、将所述气象信息和所述灰尘沉积分值输入预先训练好的预测模型，得到下一次巡检时间点，并返回步骤S11；
S18、发送预警信息以提醒运维人员对光伏面板进行清洗。
通过本实施例，通过在无人机上安装定位装置、模型定制模块和摄像设备，在进行实地巡检时仅需操纵无人机沿预先规划的最优巡检路径进行一次试教飞行，即可构建具有自动沿最优巡检路径飞行、自动悬停和自动拍照等功能的无人机巡检模型，增强了自动化，实现了无人机智能巡检，降低了运维人员劳动强度，从而减小了光伏电站运维监测成本。
本发明通过在达到预置监测时间点时触发搭载摄像设备的无人机自动智能巡检采集光伏面板表面的实时状态数据，并调用基于改进的卷积神经网络构建的灰尘检测模型进行检测，提高了检测精度，便于精准判断是否需要进行清洗，如果沉积灰尘未达到清洗程度，则根据光伏电场所在区域的气象信息和本次巡检结果自适应调整监测周期，便于精准获取光伏面板清洗时间点，可有效避免因监测周期设置不恰当而发生运维监测系统运算频繁或降低了发电效率等情况，从而大大降低了光伏电场运维监测成本，解决了现有方法监测成本太高的技术问题。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同或相似的部分互相参见即可。对于以上各实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种光伏电站的运维监测方法，其特征在于，包括以下步骤：
S11、响应于无人机巡检触发条件，获取搭载摄像设备的无人机所采集的光伏面板的若干个实时状态图像，其中，所述无人机巡检触发条件是指到达巡检时间点；
S12、对所述实时状态图像进行预处理，得到预处理后图像数据；
S13、将所述预处理后图像数据输入灰尘检测模型进行纹理特征检测和回归计算，得到光伏面板的灰尘沉积分值；
S14、将所述灰尘沉积分值与预设灰尘阈值进行比对，并计算所述灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值；
S15、判断所述比值是否小于预设清洗阈值，如果所述比值小于预设清洗阈值，则执行步骤S16，如果所述比值大于等于预设清洗阈值，则执行步骤S18；
S16、根据光伏电站所在区域的经纬度，获取下一个监测周期内光伏电站所在区域基于时间序列的气象信息；
S17、将所述气象信息和所述灰尘沉积分值输入预先训练好的预测模型，得到下一次巡检时间点，并返回步骤S11；
S18、发送预警信息以提醒运维人员对光伏面板进行清洗。
2.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在步骤S12中，所述对所述实时状态图像进行预处理的具体过程包括以下步骤：
S121、对具有不同权重的所述实时状态图像的R、G、B三个分量进行加权平均，并将各分量与其权值乘积的和作为图像的灰度值，得到灰度图像；
S122、根据所述灰度图像采用包含多个图像像素点的模板窗口中的中间灰度值替换模板窗口中心的灰度值，得到去除图像中像素值差异较大的孤立噪声点的去噪图像；
S123、根据光伏面板纹路的方向性特征采用区域分割法将所述去噪图像中不含光伏面板的区域剔除，得到预处理后图像数据。
3.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在步骤S13中，所述灰尘检测模型是以改进的卷积神经网络为基础，包括用于从输入的图像数据中提取浅层特征的主干网络，用于对主干网络提取到的浅层特征进行多尺度变化与融合的特征金字塔网络，以及用于对融合特征进行回归计算的回归网络。
4.根据权利要求3所述的光伏电站的运维监测方法，其特征在于，所述步骤S13具体包括以下步骤：
S131、将所述预处理后图像数据输入灰尘检测模型调用主干网络进行卷积操作得到特征图，并对所述特征图进行下采样处理，得到浅层特征向量；
S132、采用所述特征金字塔网络对所述特征图进行下采样处理，并提取第M轮下采样得到的深层特征向量；
S133、根据特征维度采用空间注意力机制对所述浅层特征向量和深层特征向量进行融合获得融合特征向量，并根据融合特征向量生成至少一个锚框；
S134、采用回归网络对所述锚框进行回归计算，得到用于衡量光伏面板表面灰尘沉积度的灰尘沉积分值。
5.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，所述气象信息包括风速、风向、太阳总辐射、降雨量和环境温湿度。
6.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在步骤S17中，所述预测模型的具体训练过程包括：
构建以常规的卷积神经网络为基础结构的深度学习网络；
获取历史气象信息和对应的带有历史灰尘沉积分值的预处理后图像数据作为训练数据集；
根据所述训练数据集调用交叉熵损失函数进行训练并直至收敛，得到用于预测下一次巡检时间点的预测模型。
7.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在所述步骤S11之前还包括：
S10、根据预先规划的最优巡检路径建立无人机巡检模型，并确定巡检周期初始值。
8.根据权利要求7所述的光伏电站的运维监测方法，其特征在于，在步骤S10中，所述最优巡检路径的具体规划过程包括以下步骤：
根据光伏电站的布局及其周边的空间环境，确定无人机的起飞点、回落点以及巡检点的数量；
根据所述无人机的起飞点、回落点以及巡检点的数量，得到无人机巡检路径规划模型；
以能耗最低且所采集图像的质量最高为目标调用布谷鸟搜索求无人机巡检路径规划模型的最优解，得到最优巡检路径。
9.根据权利要求7所述的光伏电站的运维监测方法，其特征在于，所述无人机巡检模型指的是搭载摄像设备的无人机沿最优巡检路径进行一次试教飞行即可完成最优巡检路径的自动飞行建模。
10.一种用于实现上述权利要求1-9任一项所述的光伏电站的运维监测方法的系统，其特征在于，包括：无人机(100)、服务器(200)和监测终端(300)；
所述无人机(100)上固定安装有摄像设备(400)，用于搭载摄像设备(400)至巡检点进行拍摄光伏面板的实时状态图像，所述摄像设备(400)通过无线通信网络将采集的实时状态图像传输至服务器(200)，所述无人机(100)上还安装有定位装置和模型定制模块，用于记录无人机(100)沿最优巡检路径进行试教飞行轨迹以构建无人机巡检模型；
所述服务器(200)与监测终端(300)建立数据通信连接，且服务器(200)用于对接收到的实时状态图像进行检测及回归计算，根据灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值判断是否需要对光伏面板进行清洗，如果沉积灰尘没有达到清洗程度，则通过根据光伏电站所在区域的气象信息和本次巡检结果自适应调整巡检周期以获得下一次最优巡检时间点，以便精准获取光伏面板清洗时间点；
所述监测终端(300)用于接收服务器(200)发送的光伏面板表面清洁度监测过程中的可读信息，可读信息为文字、语音、视频、或文字与语音相结合可读消息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211636977.3A CN115861855B (zh) | 2022-12-15 | 2022-12-15 | 一种光伏电站的运维监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211636977.3A CN115861855B (zh) | 2022-12-15 | 2022-12-15 | 一种光伏电站的运维监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861855A true CN115861855A (zh) | 2023-03-28 |
| CN115861855B CN115861855B (zh) | 2023-10-24 |
Family
ID=85674252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211636977.3A Active CN115861855B (zh) | 2022-12-15 | 2022-12-15 | 一种光伏电站的运维监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861855B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116465804A (zh) * | 2023-05-26 | 2023-07-21 | 东北电力大学 | 一种基于图像法检测光伏板积灰浓度的系统及其应用 |
| CN116488573A (zh) * | 2023-04-24 | 2023-07-25 | 湖北国网华中科技开发有限责任公司 | 用于光伏站的智能运维方法及装置 |
| CN116667775A (zh) * | 2023-07-14 | 2023-08-29 | 北京国领智能科技有限公司 | 一种基于无人机的光伏电场自动清洁方法及系统 |
| CN116690613A (zh) * | 2023-08-07 | 2023-09-05 | 福建富兴工业彩弹枪有限公司 | 一种光伏智能清扫机器人的控制方法及系统 |
| CN116862482A (zh) * | 2023-09-04 | 2023-10-10 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检系统和方法 |
| CN116996008A (zh) * | 2023-08-10 | 2023-11-03 | 杭州市能源集团工程科技有限公司 | 光伏发电系统的安装方法及其系统 |
| CN117237392A (zh) * | 2023-09-27 | 2023-12-15 | 青岛金账本信息技术有限公司 | 基于物联网技术的智慧金融报警管理主机系统及方法 |
| CN117634771A (zh) * | 2023-10-30 | 2024-03-01 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种基于灰尘监测和气象预测的光伏清洗决策方法 |
| CN117670313A (zh) * | 2024-02-01 | 2024-03-08 | 西安咸林能源科技有限公司 | 一种电厂巡检方法、电厂巡检系统及可存储介质 |
| CN117762161A (zh) * | 2024-02-22 | 2024-03-26 | 内蒙古工业大学 | 一种适用于超大规模光伏电站的清洗系统及方法 |
| CN117762161B (zh) * | 2024-02-22 | 2024-06-04 | 内蒙古工业大学 | 一种适用于超大规模光伏电站的清洗系统及方法 |
Citations (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101041523B1 (ko) * | 2010-12-30 | 2011-06-16 | 에스엠소프트웨어 (주) | 태양광 발전기의 세척 시스템 |
| CN107133713A (zh) * | 2017-03-13 | 2017-09-05 | 华电电力科学研究院 | 一种光伏电站智能清洗决策系统的建立方法 |
| CN107589735A (zh) * | 2017-08-31 | 2018-01-16 | 远景能源（江苏）有限公司 | 光伏运维机器人系统 |
| CN107818410A (zh) * | 2017-10-23 | 2018-03-20 | 长沙理工大学 | 一种光伏组件积灰程度远程智能诊断方法 |
| CN108322187A (zh) * | 2018-02-11 | 2018-07-24 | 同济大学 | 光伏电站监测与运维一体化系统 |
| CN110245655A (zh) * | 2019-05-10 | 2019-09-17 | 天津大学 | 一种基于轻量级图像金字塔网络的单阶段物体检测方法 |
| CN111539355A (zh) * | 2020-04-27 | 2020-08-14 | 东北电力大学 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
| CN111723829A (zh) * | 2019-03-18 | 2020-09-29 | 四川大学 | 一种基于注意力掩模融合的全卷积目标检测方法 |
| CN112070077A (zh) * | 2020-11-16 | 2020-12-11 | 北京健康有益科技有限公司 | 一种基于深度学习的食物识别方法和装置 |
| CN112581450A (zh) * | 2020-12-21 | 2021-03-30 | 北京工业大学 | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 |
| CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
| CN113064937A (zh) * | 2021-03-31 | 2021-07-02 | 安徽天能清洁能源科技有限公司 | 一种光伏电站的灰尘清洗预警方法及系统 |
| CN113284124A (zh) * | 2021-06-07 | 2021-08-20 | 南京航空航天大学 | 一种基于无人机视觉的光伏面板缺陷检测方法 |
| CN113392960A (zh) * | 2021-06-10 | 2021-09-14 | 电子科技大学 | 一种基于混合空洞卷积金字塔的目标检测网络及方法 |
| CN113393459A (zh) * | 2021-08-09 | 2021-09-14 | 旻投电力发展有限公司 | 基于实例分割的红外图像光伏组件视觉识别方法 |
| CN113567984A (zh) * | 2021-07-30 | 2021-10-29 | 长沙理工大学 | 一种sar图像中人造小目标的检测方法及系统 |
| CN113706482A (zh) * | 2021-08-16 | 2021-11-26 | 武汉大学 | 一种高分辨率遥感影像变化检测方法 |
| WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
| CN114329983A (zh) * | 2021-12-30 | 2022-04-12 | 东北电力大学 | 一种基于离散元素法的光伏板积灰清洁装置与方法 |
| CN216397202U (zh) * | 2021-12-22 | 2022-04-29 | 福建亿山能源管理有限公司 | 一种具有多重清洁功能的光伏电站清洁机器人 |
| CN216420338U (zh) * | 2021-12-22 | 2022-05-03 | 福建亿山能源管理有限公司 | 一种分布式光伏电站清洗机器人 |
| US20220166217A1 (en) * | 2019-04-11 | 2022-05-26 | Total Renewables | Method for evaluating photovoltaic energy production and evaluation and management unit implementing the method |
| CN114596267A (zh) * | 2022-02-28 | 2022-06-07 | 几何智慧城市科技(广州)有限公司 | 一种光伏电站的监测运维方法、系统、设备、及存储介质 |
| CN114663346A (zh) * | 2022-01-30 | 2022-06-24 | 河北工业大学 | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 |
| CN216837010U (zh) * | 2022-03-28 | 2022-06-28 | 福建亿山能源管理有限公司 | 一种风力发电机检修用助爬装置 |
| US20220245928A1 (en) * | 2021-02-04 | 2022-08-04 | Google Llc | Systems and methods for progressive learning for machine-learned models to optimize training speed |
| CN115202404A (zh) * | 2022-09-15 | 2022-10-18 | 广东容祺智能科技有限公司 | 基于无人机的光伏发电组维护巡检方法 |
| CN115268513A (zh) * | 2022-07-29 | 2022-11-01 | 湖北星光福能源科技有限公司 | 光伏跟踪支架的控制方法、装置、电子设备及存储介质 |
| CN115446841A (zh) * | 2022-10-26 | 2022-12-09 | 西安万飞控制科技有限公司 | 一种清洗光伏面板的机器人控制方法、系统、终端及介质 |
| CN115759471A (zh) * | 2022-12-06 | 2023-03-07 | 优得新能源科技（宁波）有限公司 | 基于多模态融合的ai光伏清洗预测系统 |
| CN115765608A (zh) * | 2022-11-01 | 2023-03-07 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种光伏板智能清洗系统及方法 |
| CN116258980A (zh) * | 2022-12-31 | 2023-06-13 | 华能东莞燃机热电有限责任公司 | 一种基于视觉的无人机分布式光伏电站巡检方法 |
-
2022
- 2022-12-15 CN CN202211636977.3A patent/CN115861855B/zh active Active
Patent Citations (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101041523B1 (ko) * | 2010-12-30 | 2011-06-16 | 에스엠소프트웨어 (주) | 태양광 발전기의 세척 시스템 |
| CN107133713A (zh) * | 2017-03-13 | 2017-09-05 | 华电电力科学研究院 | 一种光伏电站智能清洗决策系统的建立方法 |
| CN107589735A (zh) * | 2017-08-31 | 2018-01-16 | 远景能源（江苏）有限公司 | 光伏运维机器人系统 |
| CN107818410A (zh) * | 2017-10-23 | 2018-03-20 | 长沙理工大学 | 一种光伏组件积灰程度远程智能诊断方法 |
| CN108322187A (zh) * | 2018-02-11 | 2018-07-24 | 同济大学 | 光伏电站监测与运维一体化系统 |
| CN111723829A (zh) * | 2019-03-18 | 2020-09-29 | 四川大学 | 一种基于注意力掩模融合的全卷积目标检测方法 |
| US20220166217A1 (en) * | 2019-04-11 | 2022-05-26 | Total Renewables | Method for evaluating photovoltaic energy production and evaluation and management unit implementing the method |
| CN110245655A (zh) * | 2019-05-10 | 2019-09-17 | 天津大学 | 一种基于轻量级图像金字塔网络的单阶段物体检测方法 |
| CN111539355A (zh) * | 2020-04-27 | 2020-08-14 | 东北电力大学 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
| WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
| CN112070077A (zh) * | 2020-11-16 | 2020-12-11 | 北京健康有益科技有限公司 | 一种基于深度学习的食物识别方法和装置 |
| CN112581450A (zh) * | 2020-12-21 | 2021-03-30 | 北京工业大学 | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 |
| CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
| US20220245928A1 (en) * | 2021-02-04 | 2022-08-04 | Google Llc | Systems and methods for progressive learning for machine-learned models to optimize training speed |
| CN113064937A (zh) * | 2021-03-31 | 2021-07-02 | 安徽天能清洁能源科技有限公司 | 一种光伏电站的灰尘清洗预警方法及系统 |
| CN113284124A (zh) * | 2021-06-07 | 2021-08-20 | 南京航空航天大学 | 一种基于无人机视觉的光伏面板缺陷检测方法 |
| CN113392960A (zh) * | 2021-06-10 | 2021-09-14 | 电子科技大学 | 一种基于混合空洞卷积金字塔的目标检测网络及方法 |
| CN113567984A (zh) * | 2021-07-30 | 2021-10-29 | 长沙理工大学 | 一种sar图像中人造小目标的检测方法及系统 |
| CN113393459A (zh) * | 2021-08-09 | 2021-09-14 | 旻投电力发展有限公司 | 基于实例分割的红外图像光伏组件视觉识别方法 |
| CN113706482A (zh) * | 2021-08-16 | 2021-11-26 | 武汉大学 | 一种高分辨率遥感影像变化检测方法 |
| CN216420338U (zh) * | 2021-12-22 | 2022-05-03 | 福建亿山能源管理有限公司 | 一种分布式光伏电站清洗机器人 |
| CN216397202U (zh) * | 2021-12-22 | 2022-04-29 | 福建亿山能源管理有限公司 | 一种具有多重清洁功能的光伏电站清洁机器人 |
| CN114329983A (zh) * | 2021-12-30 | 2022-04-12 | 东北电力大学 | 一种基于离散元素法的光伏板积灰清洁装置与方法 |
| CN114663346A (zh) * | 2022-01-30 | 2022-06-24 | 河北工业大学 | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 |
| CN114596267A (zh) * | 2022-02-28 | 2022-06-07 | 几何智慧城市科技(广州)有限公司 | 一种光伏电站的监测运维方法、系统、设备、及存储介质 |
| CN216837010U (zh) * | 2022-03-28 | 2022-06-28 | 福建亿山能源管理有限公司 | 一种风力发电机检修用助爬装置 |
| CN115268513A (zh) * | 2022-07-29 | 2022-11-01 | 湖北星光福能源科技有限公司 | 光伏跟踪支架的控制方法、装置、电子设备及存储介质 |
| CN115202404A (zh) * | 2022-09-15 | 2022-10-18 | 广东容祺智能科技有限公司 | 基于无人机的光伏发电组维护巡检方法 |
| CN115446841A (zh) * | 2022-10-26 | 2022-12-09 | 西安万飞控制科技有限公司 | 一种清洗光伏面板的机器人控制方法、系统、终端及介质 |
| CN115765608A (zh) * | 2022-11-01 | 2023-03-07 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种光伏板智能清洗系统及方法 |
| CN115759471A (zh) * | 2022-12-06 | 2023-03-07 | 优得新能源科技（宁波）有限公司 | 基于多模态融合的ai光伏清洗预测系统 |
| CN116258980A (zh) * | 2022-12-31 | 2023-06-13 | 华能东莞燃机热电有限责任公司 | 一种基于视觉的无人机分布式光伏电站巡检方法 |
Non-Patent Citations (3)
| Title |
|---|
| BIN YAN等: "LightTrack: Finding Lightweight Neural Networks for Object Tracking via One-Shot Architecture Search", 《ARXIV:2104.14545V1 [CS.CV] 29 APR 2021》, pages 1 - 10 * |
| TAEHOON KIM等: "FrostNet: Towards Quantization-Aware Network Architecture Search", 《ARXIV:2006.09679V4 [CS.LG] 30 NOV 2020》, pages 1 - 18 * |
| 周世芬: "光伏面板红外图像有效区域分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, pages 135 - 75 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116488573A (zh) * | 2023-04-24 | 2023-07-25 | 湖北国网华中科技开发有限责任公司 | 用于光伏站的智能运维方法及装置 |
| CN116488573B (zh) * | 2023-04-24 | 2023-11-03 | 湖北国网华中科技开发有限责任公司 | 用于光伏站的智能运维方法及装置 |
| CN116465804A (zh) * | 2023-05-26 | 2023-07-21 | 东北电力大学 | 一种基于图像法检测光伏板积灰浓度的系统及其应用 |
| CN116465804B (zh) * | 2023-05-26 | 2023-10-20 | 东北电力大学 | 一种基于图像法检测光伏板积灰浓度的系统及其应用 |
| CN116667775A (zh) * | 2023-07-14 | 2023-08-29 | 北京国领智能科技有限公司 | 一种基于无人机的光伏电场自动清洁方法及系统 |
| CN116690613A (zh) * | 2023-08-07 | 2023-09-05 | 福建富兴工业彩弹枪有限公司 | 一种光伏智能清扫机器人的控制方法及系统 |
| CN116690613B (zh) * | 2023-08-07 | 2023-10-24 | 福建富兴工业彩弹枪有限公司 | 一种光伏智能清扫机器人的控制方法及系统 |
| CN116996008B (zh) * | 2023-08-10 | 2024-02-09 | 杭州市能源集团工程科技有限公司 | 光伏发电系统的安装方法及其系统 |
| CN116996008A (zh) * | 2023-08-10 | 2023-11-03 | 杭州市能源集团工程科技有限公司 | 光伏发电系统的安装方法及其系统 |
| CN116862482A (zh) * | 2023-09-04 | 2023-10-10 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检系统和方法 |
| CN116862482B (zh) * | 2023-09-04 | 2023-11-07 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检系统和方法 |
| CN117237392A (zh) * | 2023-09-27 | 2023-12-15 | 青岛金账本信息技术有限公司 | 基于物联网技术的智慧金融报警管理主机系统及方法 |
| CN117634771A (zh) * | 2023-10-30 | 2024-03-01 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种基于灰尘监测和气象预测的光伏清洗决策方法 |
| CN117670313A (zh) * | 2024-02-01 | 2024-03-08 | 西安咸林能源科技有限公司 | 一种电厂巡检方法、电厂巡检系统及可存储介质 |
| CN117670313B (zh) * | 2024-02-01 | 2024-04-30 | 西安咸林能源科技有限公司 | 一种电厂巡检方法、电厂巡检系统及可存储介质 |
| CN117762161A (zh) * | 2024-02-22 | 2024-03-26 | 内蒙古工业大学 | 一种适用于超大规模光伏电站的清洗系统及方法 |
| CN117762161B (zh) * | 2024-02-22 | 2024-06-04 | 内蒙古工业大学 | 一种适用于超大规模光伏电站的清洗系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115861855B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115861855B (zh) | 一种光伏电站的运维监测方法及系统 | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN112465738B (zh) | 基于红外与可见光图像的光伏电站在线运维方法及系统 | |
| CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
| CN114281093B (zh) | 一种基于无人机电力巡检的缺陷检测系统及方法 | |
| CN107992067A (zh) | 基于集成吊舱和ai技术的无人机巡检故障诊断系统 | |
| CN112632311B (zh) | 一种基于深度学习的云层变化趋势预测方法 | |
| CN112950634B (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
| CN108229587A (zh) | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN113436217A (zh) | 基于深度学习的无人车环境检测方法 | |
| CN114240868A (zh) | 一种基于无人机的巡检分析系统及方法 | |
| CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
| CN116719339A (zh) | 一种基于无人机的电力线路巡检控制方法及系统 | |
| CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
| CN114677339A (zh) | 一种引入注意力机制的输电线路螺栓脱销缺陷检测方法 | |
| CN115995058A (zh) | 基于人工智能的输电通道安全在线监测方法 | |
| CN109684914A (zh) | 基于无人机影像智能识别方法 | |
| CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
| CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检系统及方法 | |
| CN111354028B (zh) | 基于双目视觉的输电通道隐患物识别追踪方法 | |
| CN115979250A (zh) | 基于uwb模块、语义地图与视觉信息的定位方法 | |
| CN116909320B (zh) | 一种基于蚁群算法的电力协同巡检策略分析方法 | |
| CN116774208A (zh) | 一种多源异构数据融合的无人机侦测预警方法 | |
| Zhou et al. | Research on Key Technologies of Tunnel Robot Based on Cloud Edge Collaboration |
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 |