CN116454882B - 一种基于机器视觉预测体的光伏发电预测方法 - Google Patents
一种基于机器视觉预测体的光伏发电预测方法 Download PDFInfo
- Publication number
- CN116454882B CN116454882B CN202310692314.1A CN202310692314A CN116454882B CN 116454882 B CN116454882 B CN 116454882B CN 202310692314 A CN202310692314 A CN 202310692314A CN 116454882 B CN116454882 B CN 116454882B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power generation
- predictor
- photovoltaic power
- machine vision
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract 4
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于机器视觉预测体的光伏发电预测方法，包括以下步骤：通过无人机机载三维激光扫描仪和高清摄像机采集光伏电站三维点云及高清图像数据；通过图像处理算法确定光伏阵列位置、朝向及角度；建立包括气象预测模型、光伏组件电气参数模型及光伏阵列几何参数模型的预测体；通过预测体预测光伏电站发电量；通过机器视觉算法对光伏组件进行实时校验调整以提高发电效率；对模型进行评估优化以达到满意度。相比于传统预测方法，机器视觉具有更高的准确性和实时性，更好地满足光伏发电需求。通过机器视觉技术对图像数据进行处理分析，对光伏组件进行合理调整，提高光伏发电预测的准确性和可靠性。
Description
技术领域
本发明涉及光伏发电领域，特别是一种基于机器视觉预测体的光伏发电预测方法。
背景技术
机器视觉技术近年在光伏发电领域得到广泛应用，由于光伏发电系统的复杂性和不确定性，预测和优化一直是难题。传统预测方法主要基于经验公式和统计分析，预测精度低且对新情况响应慢。机器视觉算法通过对图像数据进行处理分析，提取规律特征，对光伏板朝向、角度、排列方式进行识别分类并准确计算，实现对光伏发电系统的自动监测和预测。相比传统预测方法，机器视觉具有更高的准确性和实时性，更好地满足光伏发电需求。
发明内容
所要解决的技术问题：常用的光伏发电预测主要依靠气象预报、经验模型，精度不高。一种基于机器视觉预测体的光伏发电预测方法，解决传统预测方法存在的问题，提高预测精度和稳定性。
技术方案：本发明提供一种基于机器视觉预测体的光伏发电预测方法，包括以下步骤：
步骤一：通过无人机机载三维激光扫描仪和高清摄像机采集光伏电站三维点云及高清图像数据，数据自动上传到云端。
步骤二：通过图像处理算法进行分类识别及特征提取，并结合三维点云数据的几何模型确定光伏阵列的位置、朝向、排列方式、数量、角度。
步骤三：建立包括气象预测模型、光伏组件电气参数模型及光伏阵列几何参数模型的预测体，利用机器学习算法对实际数据进行训练。
步骤四：预测体提供小时级、日级、周级不同时间段发电预测，预测结果通过人机界面呈现，并提供数据可视化分析功能。
步骤五：通过机器视觉算法根据不同气象条件对光伏组件位置、光伏阵列方向和角度进行实时校验调整，通过云端监控管理，远程操作和数据分析，并实现自适应控制。
步骤六：调整模型参数或更换算法，评估优化包括准确性指标、敏感性指标、效率指标的预测模型，进一步提高预测体的预测性能和稳定性。
有益效果：通过机器视觉技术对图像数据处理分析，提高预测准确性，采用机器学习算法对图像数据分类识别，适应不同气象条件，具有较好的鲁棒性和适应性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做详细说明。
如图1所示，本发明提供了一种基于机器视觉预测体的光伏发电预测方法，包括以下步骤：
步骤一：通过无人机机载三维激光扫描仪和高清摄像机采集光伏电站三维点云及高清图像数据，数据自动上传到云端。使用三维重建算法将采集到的三维点云数据转换为几何模型。
步骤二： 对图像数据进行去噪、增强的预处理，通过图像分割将光伏阵列从背景中分离出来，使用小波变换技术提取图像中的高频分量，描述光伏阵列的位置、排列方式、数量。
通过特征提取算法从图像中提取光伏阵列朝向、角度特征，使用高斯滤波器对图像进行平滑处理，计算每个方向上像素点的灰度值分布，绘制直方图，描述光伏阵列方向分布情况。
通过Canny边缘检测算法检测图像边缘，通过角点检测算法在边缘处检测出四个角点，描述光伏阵列方向和角度。
通过图像处理算法支持向量机(SVM)对特征进行分类识别，对图像数据寻找最优的超平面，将不同类别样本分开，结合三维点云数据几何模型，特征提取算法、边缘检测算法确定光伏阵列位置、朝向、排列方式、数量、角度。
步骤三：通过气象预测模型、光伏组件电气参数模型及光伏阵列几何参数模型构建预测体，利用机器学习算法对实际数据进行训练，提高预测准确性和鲁棒性。
步骤四：预测体提供小时级、日级、周级不同时间段发电预测，预测结果通过人机界面呈现，并提供数据可视化分析功能。
预测体预测光伏发电量的公式：
Q = I × ε × cosθ × A × f × P，其中，Q 是预测的光伏发电量，单位：w;I是太阳辐射强度，单位：w/m²；ε 是大气校正系数，用于修正气象条件对光伏发电量的影响，单位：无量纲;θ 是太阳入射角度，单位：rad;A 是光伏阵列的面积，单位：m²;f 是光伏组件的辐照度响应因子；P 是当前的光伏组件开路电压，单位：V。
实际应用中还考虑阴影效应、温度变化因素，进一步提高预测精度。将训练好的模型应用于实际光伏系统，预测不同条件下性能表现。
步骤五：通过机器视觉算法根据不同气象条件对光伏组件位置、光伏阵列方向和角度进行实时校验调整，通过云端监控管理，远程操作和数据分析，达到最佳发电效果，并实现自适应控制。
考虑光照强度、光伏板电流电压的自适应控制算法公式，调整光伏阵列方向和角度：
θ1 = Kp × e(t-τ) + Ki × ∫e(t-τ')dW(t-τ')；θ2 = Kp × e(t-τ) + Ki × ∫e(t-τ')dW(t-τ')，其中，θ1 和 θ2 分别表示光伏阵列的方向和角度；Kp和 Ki 是比例和积分系数，分别表示控制器对误差的响应速度；e 为自然对数函数(以弧度为单位);τ 是上一次计算的时间戳；W 是高斯过程噪声，用于模拟系统噪声；dW(t-τ') 是时间导数，表示在时间间隔 (τ，τ')=(τ-Δt,τ') 内噪声的变化量。
光照强度较高，将Ki设为一个较大值；光照强度较低，将Ki设为较小值。
步骤六：调整模型参数或更换算法，评估优化进一步提高预测性能和稳定性。
评估优化包括：准确性指标：使用均方根误差(Root Mean Squared Error,RMSE)衡量预测模型的准确性；敏感性指标：调整决定系数(Adjusted Coefficient ofDetermination,R^2_adj) 衡量预测模型对输入变量变化的敏感程度；效率指标：平均绝对百分比误差(Mean Absolute Percentage Error,MAPE) 衡量预测模型的性能。
需要说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (6)
1.一种基于机器视觉预测体的光伏发电预测方法，其特征在于，包括以下步骤：步骤一：采集光伏电站三维点云及高清图像数据；步骤二：通过图像处理算法确定光伏阵列位置、朝向及角度；步骤三：建立包括气象预测模型、光伏组件电气参数模型及光伏阵列几何参数模型的预测体；步骤四：通过预测体预测光伏电站发电量；步骤五：通过机器视觉算法对光伏组件进行实时校验调整；步骤六：评估优化；
所述通过图像处理算法确定光伏阵列位置、朝向及角度，包括：
对图像数据进行去噪、增强的预处理，通过图像分割将光伏阵列从背景中分离出来，使用小波变换技术提取图像中的高频分量，描述光伏阵列的位置、排列方式、数量，具体地：
通过特征提取算法从图像中提取光伏阵列朝向、角度特征，使用高斯滤波器对图像进行平滑处理，计算每个方向上像素点的灰度值分布，绘制直方图，描述光伏阵列方向分布情况；
通过Canny边缘检测算法检测图像边缘，通过角点检测算法在边缘处检测出四个角点，描述光伏阵列方向和角度；
通过图像处理算法支持向量机对特征进行分类识别，对图像数据寻找最优的超平面，将不同类别样本分开，结合三维点云数据几何模型，特征提取算法、边缘检测算法确定光伏阵列位置、朝向、排列方式、数量、角度；
所述的预测体，预测光伏发电量公式：
Q = I × ε × cosθ × A × f × P，
其中，Q 是预测的光伏发电量，I 是太阳辐射强度，ε 是大气校正系数，θ 是太阳入射角度，A 是光伏阵列的面积，f 是光伏组件的辐照度响应因子，P 是当前的光伏组件开路电压；
考虑光照强度、光伏板电流电压的自适应控制算法公式，调整光伏阵列方向和角度：
θ1 = Kp × e(t-τ) + Ki × ∫e(t-τ')dW(t-τ')；
θ2 = Kp × e(t-τ) + Ki × ∫e(t-τ')dW(t-τ')，
其中，θ1 和 θ2 分别表示光伏阵列的方向和角度；Kp和 Ki 是比例和积分系数，分别表示控制器对误差的响应速度；e 为自然对数函数(以弧度为单位);τ 是上一次计算的时间戳；W 是高斯过程噪声，用于模拟系统噪声；dW(t-τ') 是时间导数，表示在时间间隔 (τ，τ')=(τ-Δt,τ') 内噪声的变化量；
所述的实时校验调整实现自适应控制，根据不同气象条件自动调整光伏阵列方向和角度。
2.根据权利要求1所述的基于机器视觉预测体的光伏发电预测方法，其特征在于，所述的气象预测模型是当前气象数据结合历史气象数据并采用机器学习算法建立。
3.根据权利要求1所述的基于机器视觉预测体的光伏发电预测方法，其特征在于，所述的预测体提供小时级、日级、周级不同时间段的发电预测。
4.根据权利要求1所述的基于机器视觉预测体的光伏发电预测方法，其特征在于，所述的实时校验调整通过云端监控管理，实现远程操作和数据分析。
5.根据权利要求1所述的基于机器视觉预测体的光伏发电预测方法，其特征在于，所述的预测，结果通过人机界面呈现并提供数据可视化分析功能。
6.根据权利要求1所述的基于机器视觉预测体的光伏发电预测方法，其特征在于，所述的评估优化包括准确性指标、敏感性指标、效率指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692314.1A CN116454882B (zh) | 2023-06-13 | 2023-06-13 | 一种基于机器视觉预测体的光伏发电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692314.1A CN116454882B (zh) | 2023-06-13 | 2023-06-13 | 一种基于机器视觉预测体的光伏发电预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116454882A CN116454882A (zh) | 2023-07-18 |
| CN116454882B true CN116454882B (zh) | 2023-08-25 |
Family
ID=87134057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310692314.1A Active CN116454882B (zh) | 2023-06-13 | 2023-06-13 | 一种基于机器视觉预测体的光伏发电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116454882B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742171A (zh) * | 2017-10-31 | 2018-02-27 | 浙江工业大学 | 基于移动阴影图像识别的光伏电站发电功率预测方法 |
| CN110110918A (zh) * | 2019-04-30 | 2019-08-09 | 旻投电力发展有限公司 | 一种基于机器学习的光伏年发电量计算方法 |
| CN112633088A (zh) * | 2020-12-10 | 2021-04-09 | 西安理工大学 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
| CN113885589A (zh) * | 2021-09-26 | 2022-01-04 | 西安理工大学 | 一种基于机器视觉的光伏支架组跟踪控制装置及控制方法 |
| CN215452584U (zh) * | 2021-07-03 | 2022-01-07 | 浙江贝盛光伏股份有限公司 | 一种分布式光伏电站图像采集系统 |
| CN114169644A (zh) * | 2021-12-31 | 2022-03-11 | 重庆跃达电力设备有限公司 | 基于大数据的光伏发电量预测方法、系统及存储介质 |
| CN115829145A (zh) * | 2022-12-16 | 2023-03-21 | 江苏慧智能源工程技术创新研究院有限公司 | 一种光伏发电量预测系统及方法 |
-
2023
- 2023-06-13 CN CN202310692314.1A patent/CN116454882B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742171A (zh) * | 2017-10-31 | 2018-02-27 | 浙江工业大学 | 基于移动阴影图像识别的光伏电站发电功率预测方法 |
| CN110110918A (zh) * | 2019-04-30 | 2019-08-09 | 旻投电力发展有限公司 | 一种基于机器学习的光伏年发电量计算方法 |
| CN112633088A (zh) * | 2020-12-10 | 2021-04-09 | 西安理工大学 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
| CN215452584U (zh) * | 2021-07-03 | 2022-01-07 | 浙江贝盛光伏股份有限公司 | 一种分布式光伏电站图像采集系统 |
| CN113885589A (zh) * | 2021-09-26 | 2022-01-04 | 西安理工大学 | 一种基于机器视觉的光伏支架组跟踪控制装置及控制方法 |
| CN114169644A (zh) * | 2021-12-31 | 2022-03-11 | 重庆跃达电力设备有限公司 | 基于大数据的光伏发电量预测方法、系统及存储介质 |
| CN115829145A (zh) * | 2022-12-16 | 2023-03-21 | 江苏慧智能源工程技术创新研究院有限公司 | 一种光伏发电量预测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于双层Elman神经网络的光伏发电功率预测;曹煜祺 等;供用电;第34卷(第10期);第8-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116454882A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN109416413B (zh) | 太阳能预报 | |
| CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN109615629B (zh) | 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 | |
| Liu et al. | High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines | |
| Chu et al. | Intra-hour irradiance forecasting techniques for solar power integration: A review | |
| CN116690613B (zh) | 一种光伏智能清扫机器人的控制方法及系统 | |
| CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
| CN114549914A (zh) | 一种飞机大面积结冰检测方法及检测系统 | |
| Prabhakaran et al. | Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. | |
| CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
| CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
| CN113516108A (zh) | 基于数据识别的工地抑尘数据匹配处理方法及系统 | |
| CN114782442A (zh) | 一种基于人工智能的光伏电池板智慧巡检方法及系统 | |
| CN116454882B (zh) | 一种基于机器视觉预测体的光伏发电预测方法 | |
| CN116191680B (zh) | 一种应用于光伏发电的监控管理系统 | |
| CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
| CN116091976A (zh) | 一种站房缺陷识别检测方法、系统、装置及存储介质 | |
| CN116046796A (zh) | 一种基于无人机的光伏组件热斑检测方法及系统 | |
| CN114782880A (zh) | 用于离网光伏发电系统的监测系统 | |
| CN113657621A (zh) | 一种隐患监测方法和系统 | |
| Hwang et al. | Soiling detection for photovoltaic modules based on an intelligent method with image processing | |
| Zhu et al. | Study on Image Recognition Algorithm for Residual Snow and Ice on Photovoltaic Modules. | |
| CN117437188B (zh) | 一种用于智慧电网的绝缘子缺陷检测系统 | |
| CN117351365B (zh) | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 |
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 |