CN116834003B - 光伏组件的智能安装方法及系统 - Google Patents
光伏组件的智能安装方法及系统 Download PDFInfo
- Publication number
- CN116834003B CN116834003B CN202310792805.3A CN202310792805A CN116834003B CN 116834003 B CN116834003 B CN 116834003B CN 202310792805 A CN202310792805 A CN 202310792805A CN 116834003 B CN116834003 B CN 116834003B
- Authority
- CN
- China
- Prior art keywords
- layout
- historical
- orientation
- optimal
- history
- 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
- 238000009434 installation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000010248 power generation Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 238000011900 installation process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了光伏组件的智能安装方法及系统，涉及数据处理技术领域，包括：通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，包括环境参数，获取环境参数在预设历史时间范围内的历史布局方案，包括历史位置和历史朝向，进行布局优化获取最优布局位置和最优布局朝向，作为组件布局方案，在目标光伏组件上安装定位传感器，根据组件布局方案，进行目标光伏组件的布局，布局到位后，采用机械臂进行目标光伏组件的安装。本发明解决了传统光伏组件安装中，缺乏精确的位置和姿态信息以及布局优化能力，并且安装过程人工干预过多，导致存在工作量大且容易出错，发电效率低下和工程成本增加的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及光伏组件的智能安装方法及系统。
背景技术
太阳能光伏系统由太阳能光伏组件、支架结构、电气设备和监控系统等组成，其中，光伏组件是核心部分，其内部半导体材料通过光电效应将太阳辐射转换为电能，良好的光伏组件布局安装可以最大化吸收太阳辐射，并在受阴影或污染影响时降低发电效率的损失，优化布局安装需要考虑组件间距、安装角度、阴影覆盖等多种因素。
而现今常用的光伏组件的安装方法还存在着一定的弊端，在传统光伏组件安装中，缺乏精确的位置和姿态信息以及布局优化能力，并且安装过程人工干预过多，导致存在工作量大且容易出错，发电效率低下和工程成本增加的技术问题。因此，对于光伏组件的安装还存在着一定的可提升空间。
发明内容
本申请通过提供了光伏组件的智能安装方法及系统，旨在解决传统光伏组件安装中，缺乏精确的位置和姿态信息以及布局优化能力，并且安装过程人工干预过多，导致存在工作量大且容易出错，发电效率低下和工程成本增加的技术问题。
鉴于上述问题，本申请提供了光伏组件的智能安装方法及系统。
本申请公开的第一个方面，提供了光伏组件的智能安装方法，所述方法包括：通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，其中，所述三维环境信息包括环境参数；获取所述环境参数在预设历史时间范围内的历史布局方案，其中，所述历史布局方案包括历史位置和历史朝向；对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，并将所述最优布局位置和最优布局朝向作为所述组件布局方案；在所述目标光伏组件上安装定位传感器，根据所述组件布局方案，进行所述目标光伏组件的布局；布局到位后，采用机械臂进行所述目标光伏组件的安装。
本申请公开的另一个方面，提供了光伏组件的智能安装系统，所述系统用于上述方法，所述系统包括：实时数据采集模块，实时数据采集模块用于通过图像采集装置对目标安装场地进行实时数据采集，所述获取三维环境信息，其中，所述三维环境信息包括环境参数；历史方案获取模块，所述历史方案获取模块用于获取所述环境参数在预设历史时间范围内的历史布局方案，其中，所述历史布局方案包括历史位置和历史朝向；布局优化模块，所述布局优化模块用于对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，并将所述最优布局位置和最优布局朝向作为所述组件布局方案；组件布局模块，所述组件布局模块用于在所述目标光伏组件上安装定位传感器，根据所述组件布局方案，进行所述目标光伏组件的布局；组件安装模块，所述组件安装模块用于布局到位后，采用机械臂进行所述目标光伏组件的安装。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，包括环境参数，获取环境参数在预设历史时间范围内的历史布局方案，包括历史位置和历史朝向，进行布局优化获取最优布局位置和最优布局朝向，作为组件布局方案，在目标光伏组件上安装定位传感器，根据组件布局方案，进行目标光伏组件的布局，布局到位后，采用机械臂进行目标光伏组件的安装。解决了传统光伏组件安装中，缺乏精确的位置和姿态信息以及布局优化能力，并且安装过程人工干预过多，导致存在工作量大且容易出错，发电效率低下和工程成本增加的技术问题，实现了准确获取光伏组件的位置、环境参数和历史布局方案，实现精确定位和布局优化，并通过引入机械臂技术进行安装，实现了自动化的光伏组件安装过程，达到精确、高效和优化光伏组件安装的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了光伏组件的智能安装方法流程示意图；
图2为本申请实施例提供了光伏组件的智能安装方法中获得目标安装场地的环境参数可能的流程示意图；
图3为本申请实施例提供了光伏组件的智能安装方法中获取最优布局位置和最优布局朝向可能的流程示意图；
图4为本申请实施例提供了光伏组件的智能安装系统可能的结构示意图。
附图标记说明：实时数据采集模块10，历史方案获取模块20，布局优化模块30，组件布局模块40，组件安装模块50。
具体实施方式
本申请实施例通过提供光伏组件的智能安装方法，解决了传统光伏组件安装中，缺乏精确的位置和姿态信息以及布局优化能力，并且安装过程人工干预过多，导致存在工作量大且容易出错，发电效率低下和工程成本增加的技术问题，实现了准确获取光伏组件的位置、环境参数和历史布局方案，实现精确定位和布局优化，并通过引入机械臂技术进行安装，实现了自动化的光伏组件安装过程，达到精确、高效和优化光伏组件安装的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了光伏组件的智能安装方法，所述方法包括：
步骤S100：通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，其中，所述三维环境信息包括环境参数；
进一步而言，如图2所示，本申请步骤S100包括：
步骤S110：通过图像采集装置对目标安装场地进行实时图像采集，获取图像采集结果；
步骤S120：对所述图像采集结果进行目标识别，获取目标识别结果；
步骤S130：基于所述图像采集结果和所述目标识别结果，计算获得所述目标安装场地的环境参数。
具体而言，使用图像采集装置，例如相机，对目标安装场地进行实时图像采集，图像采集装置通过光学传感器以及相关的电子设备，将目标安装场地的景象转化为数字图像，获取原始图像数据，包括场地的物体、结构、环境等信息，这些信息用于后续的目标识别和环境参数计算。
对所述图像采集结果进行预处理，以提取出目标物体并增强目标的视觉特征，包括图像去噪、调整亮度对比度、边缘检测等操作。采用计算机视觉技术来从图像中提取与目标物体相关的特征，示例性地，进行颜色特征提取、纹理特征提取、形状特征提取，这些特征可以通过局部或全局描述符来表示目标物体的视觉特性。利用机器学习算法，对提取的特征进行处理，该算法通过训练模型，使其能够从图像中自动识别出目标物体，以实现对目标物体的识别，将被成功识别出的目标物体的位置、类别或其他有关信息输出为目标识别结果。
基于上述输入数据，进行环境参数计算，环境参数包括光照强度、阴影情况等，示例性的，对于光照强度，利用图像中的颜色信息以及目标识别结果所在位置的亮度值来估计，通过分析图像中不同区域的亮度差异，可以获取到不同位置的光照强度信息；对于阴影情况，根据目标识别结果所在位置与其他场景要素，例如建筑物、树木，的相对位置关系来推测阴影覆盖情况。
综上所述，通过将图像采集结果与目标识别结果结合，计算获得目标安装场地的环境参数，这些环境参数将作为后续步骤中历史布局方案、布局优化和最优布局位置确定等过程的输入，以实现光伏组件智能安装方法的高效性和准确性。
步骤S200：获取所述环境参数在预设历史时间范围内的历史布局方案，其中，所述历史布局方案包括历史位置和历史朝向；
具体而言，获取提前设置的历史时间范围，例如过去一年，该历史时间范围根据实际情况确定，太长会使得数据过于老旧没有参考意义，太短会使得数据量过小。在历史时间范围内，调取系统内以往的安装记录，提取其中所述环境参数对应的方案，将其整理为历史位置和历史朝向，这些数据代表了在过去的时间内已经存在的有效光伏组件布局。
如果缺乏先前安装数据，则可以执行模拟或仿真实验，来生成历史布局方案，这些算法可以考虑光伏组件间距、阴影覆盖、发电量分布等因素，并通过反复迭代找到满足约束条件的历史位置和历史朝向。这些历史布局方案提供了一系列可行的安装选项，可以帮助进行最优布局位置和朝向的选择。
步骤S300：对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，并将所述最优布局位置和最优布局朝向作为所述组件布局方案；
进一步而言，如图3所示，本申请步骤S300包括：
步骤S310：根据所述历史位置和历史朝向，获取进行布局规划的位置规划范围和朝向规划范围；
具体而言，通过对历史位置数据进行分析和统计，确定可行的位置规划范围，例如，计算历史位置的平均值和标准差来确定一个允许范围，或者根据历史位置的分布情况找出其中的最小和最大值来限定位置规划范围；类似地，根据已有的历史朝向数据，确定可行的朝向规划范围，例如，计算历史朝向的平均值和标准差来确定一个允许范围，或者根据历史朝向的分布情况找出其中的最小和最大值来限定朝向规划范围。
考虑到实际需求和安装场地的限制，可以进一步调整位置规划范围和朝向规划范围以满足特定要求，例如，根据地形、遮挡物或其他约束条件，确定具体的位置范围和朝向范围。
步骤S320：根据所述位置规划范围和朝向规划范围内调整位置和朝向后的光伏系统发电量、阴影覆盖量、光伏组件间距，构建适应度函数；
进一步而言，本申请步骤S320中，所述适应度函数如下：
其中，σ表征光伏系统发电量、φ表征阴影覆盖量、ω表征光伏组件间距，xm表征第m个初始解，m表征所述历史位置和历史朝向的第m个调整方案，wσ、wφ、wω分别表征光伏系统发电量、阴影覆盖量、光伏组件间距的权重，wσ+wφ+wω＝1。
具体而言，对每个位置和朝向方案进行评估，计算其对光伏系统发电量、阴影覆盖量和光伏组件间距的影响，这可以通过光照模拟、阴影分析和光伏系统设计软件等工具来实现，示例性地，利用位置和朝向方案计算预测的光伏系统发电量，包括考虑位置和朝向对太阳辐射接收的影响、阴影覆盖引起的光伏组件损失等；利用位置和朝向方案计算阴影覆盖的程度，例如根据目标物体或场地其他要素的位置和高度，结合太阳轨迹模拟来估计阴影的覆盖范围；根据位置和朝向方案确定光伏组件之间的相对位置，通过计算各个组件之间的距离和布局紧密程度，获得光伏组件间距的值。将光伏系统发电量、阴影覆盖量和光伏组件间距等指标结合为适应度函数，该函数可以根据实际需求和权衡，为不同指标赋予相应的权重和优化目标。
步骤S330：根据所述适应度函数对所述历史位置和历史朝向进行评估，计算获得多个历史适应度值；
具体而言，根据适应度函数的定义，将历史位置和历史朝向作为输入，对于每一组历史位置和历史朝向，根据适应度函数进行计算，利用历史位置和历史朝向计算相关的光伏系统发电量、阴影覆盖量和光伏组件间距指标值，根据计算得到的光伏系统发电量、阴影覆盖量和光伏组件间距的指标值，代入适应度函数中，执行适应度函数的计算过程，得到每个历史位置和历史朝向的适应度值，这些适应度值反映了该历史布局方案的优劣程度。
步骤S340：根据多个历史适应度值进行寻优，获取最优历史位置和最优历史朝向；
进一步而言，本申请步骤S340包括：
步骤S341：随机选择一组历史位置和历史朝向，作为第一布局方案，并作为当前的最优布局方案；
步骤S342：获取所述第一布局方案的第一历史适应度值；
步骤S343：再次随机选择一组历史位置和历史朝向，作为第二布局方案，并获取所述第二布局方案的第二历史适应度值；
具体而言，从历史位置列表中随机选择一个位置，并从历史朝向列表中相应地选择一个朝向，将所选的位置和朝向作为第一布局方案，并将其标记为当前的最优布局方案，这组随机选择的历史位置和历史朝向将作为初始解，在后续的布局优化过程中进行寻优。
基于所选的位置和朝向，利用适应度函数对该布局方案进行评估。通过计算光伏系统发电量、阴影覆盖量、光伏组件间距等指标，并将其代入适应度函数中进行计算，得到第一布局方案的适应度值，所得到的适应度值即为第一布局方案的第一历史适应度值。
再次从历史位置列表中随机选择一个位置，并从历史朝向列表中相应地选择一个朝向，作为第二布局方案，基于第二布局方案的位置和朝向，利用适应度函数对该布局方案进行评估，计算其适应度值，所得到的适应度值即为第二布局方案的第二历史适应度值。
步骤S344：判断所述第一历史适应度值是否大于所述第二历史适应度值，若是，则将所述第一布局方案作为当前的最优布局方案，若否，则按照概率将所述第二布局方案作为当前的最优布局方案；
进一步而言，所述概率通过下式计算获得：
其中，P为概率，g1为第一历史适应度值，g2为第二历史适应度值，k为随着寻优迭代次数增加而减小的常数；
步骤S345：继续进行迭代寻优，直到达到预设迭代次数，将最终的最优布局方案输出，获取所述最优历史位置和最优历史朝向。
具体而言，比较第一历史适应度值和第二历史适应度值，若第一历史适应度值大于第二历史适应度值，则将第一布局方案作为当前的最优布局方案，并更新最优适应度值，若第一历史适应度值不大于第二历史适应度值，则通过上式计算概率，生成一个介于0到1之间的随机数R，如果R≤P，则将第二布局方案作为当前的最优布局方案，并更新最优适应度值；如果R＞P，则维持第一布局方案作为当前的最优布局方案。
通过以上步骤，可以根据比较和概率来选择当前的最优布局方案，这种方法在进行布局优化时，能够以更高概率采纳适应度较差的布局方案，有助于在搜索空间中避免局部最优解，增加全局搜索的可能性。
设定预设的迭代次数，确定需要进行的迭代轮数，例如500次，在每一轮迭代中，根据已有的最优布局方案(初始阶段为第一布局方案)，对历史位置和历史朝向进行调整和优化，重复以上步骤，直到完成指定的迭代次数，最终，输出所得到的最优布局方案作为结果，并获取相应的最优历史位置和最优历史朝向。
步骤S350：根据预设比例，在所述位置规划范围和朝向规划范围内，根据所述最优历史位置和最优历史朝向，对所述历史位置和历史朝向进行扩充，并将扩充结果与所述历史位置和历史朝向进行整合，获取扩充位置和扩充朝向；
步骤S360：根据所述适应度函数对扩充位置和扩充朝向进行评估，计算获得多个扩充适应度值，并对所述多个扩充适应度值进行最大值筛选，获取最优扩充位置和最优扩充朝向；
具体而言，获取提前设置的预设比例，这是相对于历史位置和历史朝向规划范围的比例，或者指定需要扩充的数量，基于最优历史位置和最优历史朝向，在位置规划范围和朝向规划范围内，在历史位置的基础上按照预设比例进行扩展，例如，如果某个历史位置的坐标为(x,y)，在水平和垂直方向上通过乘以扩充比例来获得新的位置坐标(x',y')；根据最优历史朝向，将历史朝向按照预设比例进行调整或复制，例如，如果某个历史朝向的角度为θ，通过乘以扩充比例来获取新的角度值θ'。
将扩充位置和扩充朝向的结果与历史位置和历史朝向进行整合，形成完整的位置列表和朝向列表，对所得到的扩充位置和扩充朝向进行进一步处理，并根据特定需求和限制条件进行筛选和优化，这样可以获得更多可行的位置和朝向选择，为后续的布局优化提供更丰富的选项。
根据已有的适应度函数，将扩充位置和扩充朝向作为输入，采用前述相同的方法，使用适应度函数，基于光伏系统发电量、阴影覆盖量、光伏组件间距等指标进行计算，获得多个扩充位置和扩充朝向对应的扩充适应度值。
对于这些扩充适应度值，选择拥有最大值的适应度值作为最优扩充适应度，基于最大扩充适应度值筛选，确定对应的最优扩充位置和最优扩充朝向，即找到使适应度函数达到最大值的扩充位置和扩充朝向组合，此即为最优扩充位置和最优扩充朝向。
步骤S370：进行重复迭代，直至达到预设迭代次数，获得预设次数个的最优扩充位置和最优扩充朝向，作为所述最优布局位置和最优布局朝向。
进一步而言，本申请步骤S370包括：
步骤S371：提取第k历史位置和第k历史朝向；
步骤S372：设定局部学习因子C1和全局学习因子C2，其中C1、C2∈[0,2]，且C1≤C2；
步骤S373：计算当前第k历史位置和最优历史位置的差值，作为第一位置偏差Dk1，计算当前第k历史朝向和最优历史朝向的差值，作为第一朝向偏差Bk1；
步骤S374：计算当前第k历史位置和最优扩充位置的差值，作为第二位置偏差Dk2，计算当前第k历史朝向和最优扩充朝向的差值，作为第二朝向偏差Bk2；
具体而言，从历史位置中提取第k历史位置，从历史朝向中提取第k历史朝向，其中，k为任意值，表示从历史位置、历史朝向中任意提取一组数据，以便进一步分析。
局部学习因子代表了每个个体在邻域内学习的程度，并对个体进行局部搜索，较大的局部学习因子使得个体更加关注于邻域内的局部优化，从而有可能跳出局部最优解；全局学习因子代表了个体之间全局信息共享的程度，用于引导全局搜索，较大的全局学习因子促使个体更加倾向于受到全局信息的影响，有助于全局搜索空间的广度探索。这两个学习因子在粒子群优化算法中起着重要作用，可以通过调整它们的大小来平衡局部搜索和全局搜索的权衡，通过适当调节局部学习因子和全局学习因子的值，可以在布局优化过程中平衡局部搜索和全局搜索的能力，从而找到更好的布局方案。
提取最优历史位置和最优历史朝向，假设最优历史位置为BestP，最优历史朝向为BestO，提取当前第k历史位置和第k历史朝向，假设当前第k历史位置为CurP，当前第k历史朝向为CurO。将当前第k历史位置与最优历史位置相减，得到第一位置偏差，即Dk1＝CurP-BestP；将当前第k历史朝向与最优历史朝向相减，得到第一朝向偏差，即Bk1＝CurO-BestO。这些偏差值可以用来衡量当前布局方案相对于最优布局方案的位置和朝向差异，帮助进行优化调整或评估布局方案质量。
提取最优扩充位置和最优扩充朝向，采用前述相同的方法，计算获得第二位置偏差Dk2、第二朝向偏差Bk2，这些偏差值可以用来衡量当前布局方案相对于最优扩充布局方案的位置和朝向差异，提供参考信息以便进行进一步的分析、调整或改进。
步骤S375：构建扩充步长更新函数：
dk1(f+1)＝dk1(f)+C1*Z1*Dk1+C2*Z2*Dk2，
dk2(f+1)＝dk2(f)+C1*Z1*Bk1+C2*Z2*Bk2，
其中，dk1(f+1)表征第f+1次第k历史位置的扩充步长，dk1(f)表征第f次第k历史位置的扩充步长，当f＝0时，dk1(f)为初始历史位置，即第k历史位置，C1、C2表征局部学习因子和全局学习因子，Z1和Z2表征0～1之间的随机数，Dk1表征第一位置偏差，Dk2表征第二位置偏差；dk2(f+1)表征第f+1次第k历史朝向的扩充步长，dk2(f)表征第f次第k历史朝向的扩充步长，当f＝0时，dk1(f)为初始历史朝向，即第k历史朝向，Bk1表征第一朝向偏差，Bk2表征第二朝向偏差；
步骤S376：根据所述扩充步长更新函数对扩充过程进行重复迭代，直至达到预设迭代次数。
具体而言，上述扩充步长更新函数可根据历史位置和朝向的差异以及学习因子的权衡，动态调整第k次历史位置和朝向的扩充步长。
设定预设迭代次数，确定需要进行的迭代轮数，例如500次，在每一轮迭代中，根据历史位置和朝向的信息，利用扩充步长更新函数计算出新的位置和朝向的扩充步长，根据扩充步长和当前位置、朝向可以确定新的扩充结果，根据得到的新的位置和朝向进行布局扩充，即按照当前位置和朝向，乘以对应的扩充步长来获得新的位置和朝向。基于新的位置和朝向，通过适应度函数评估布局扩充后的适应度值，更新最优适应度值和最优布局方案，如果当前适应度值优于最优适应度值，则将其作为新的最优适应度值，并更新最优布局方案。
重复上述步骤，进行预设迭代次数的迭代，最终达到预设迭代次数后，输出最优布局方案作为结果。通过上述步骤，根据扩充步长更新函数进行预设次数的重复迭代，可以逐渐改进布局方案并寻求更优的结果，随着迭代次数的增加，最终得到最优布局方案，该方案是在所设定条件下相对更优的解。
步骤S400：在所述目标光伏组件上安装定位传感器，根据所述组件布局方案，进行所述目标光伏组件的布局；
具体而言，根据所述最优布局位置和最优布局朝向，确定目标光伏组件的位置和朝向，在目标光伏组件上选择适当的位置，安装定位传感器，示例性的，使用全球定位系统(GPS)、惯性测量单元(IMU)或其他位置感知技术来获取组件的精确位置和姿态信息，确保定位传感器与目标光伏组件之间的连接可靠，并能够准确采集组件的状态，以此进行所述目标光伏组件的布局。
步骤S500：布局到位后，采用机械臂进行所述目标光伏组件的安装。
具体而言，在布局到位后，采用机械臂进行目标光伏组件的安装，确保机械臂处于适当的位置和姿态，以便能够达到目标光伏组件的安装位置，通过控制系统，使机械臂移动到目标光伏组件的位置上方，并调整姿态以对准安装位置，利用机械臂的夹爪或固定装置，将目标光伏组件从预先准备好的位置，例如存储区域，抓取或固定住，控制机械臂移动目标光伏组件到其预定的安装位置，并确保组件与所需接触面完全贴合，通过适当的操作固定装置，使目标光伏组件稳固地安装在相应位置，验证安装完成后的组件位置和姿态，并确保其符合预期的布局要求。
通过这些步骤，目标光伏组件可以通过机械臂进行精确而可靠的安装，使用机械臂能够提高安装效率和准确性，同时也降低了人工安装的风险和难度。
综上所述，本申请实施例所提供的光伏组件的智能安装方法及系统具有如下技术效果：
通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，包括环境参数，获取环境参数在预设历史时间范围内的历史布局方案，包括历史位置和历史朝向，进行布局优化获取最优布局位置和最优布局朝向，作为组件布局方案，在目标光伏组件上安装定位传感器，根据组件布局方案，进行目标光伏组件的布局，布局到位后，采用机械臂进行目标光伏组件的安装。
解决了传统光伏组件安装中，缺乏精确的位置和姿态信息以及布局优化能力，并且安装过程人工干预过多，导致存在工作量大且容易出错，发电效率低下和工程成本增加的技术问题，实现了准确获取光伏组件的位置、环境参数和历史布局方案，实现精确定位和布局优化，并通过引入机械臂技术进行安装，实现了自动化的光伏组件安装过程，达到精确、高效和优化光伏组件安装的技术效果。
实施例二
基于与前述实施例中光伏组件的智能安装方法相同的发明构思，如图4所示，本申请提供了光伏组件的智能安装系统，所述系统包括：
实时数据采集模块10，所述实时数据采集模块10用于通过图像采集装置对目标安装场地进行实时数据采集，所述获取三维环境信息，其中，所述三维环境信息包括环境参数；
历史方案获取模块20，所述历史方案获取模块20用于获取所述环境参数在预设历史时间范围内的历史布局方案，其中，所述历史布局方案包括历史位置和历史朝向；
布局优化模块30，所述布局优化模块30用于对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，并将所述最优布局位置和最优布局朝向作为所述组件布局方案；
组件布局模块40，所述组件布局模块40用于在所述目标光伏组件上安装定位传感器，根据所述组件布局方案，进行所述目标光伏组件的布局；
组件安装模块50，所述组件安装模块50用于布局到位后，采用机械臂进行所述目标光伏组件的安装。
进一步而言，所述系统还包括：
图像采集模块，用于通过图像采集装置对目标安装场地进行实时图像采集，获取图像采集结果；
目标识别模块，用于对所述图像采集结果进行目标识别，获取目标识别结果；
环境参数获取模块，用于基于所述图像采集结果和所述目标识别结果，计算获得所述目标安装场地的环境参数。
进一步而言，所述系统还包括：
规划范围获取模块，用于根据所述历史位置和历史朝向，获取进行布局规划的位置规划范围和朝向规划范围；
适应度函数构建模块，用于根据所述位置规划范围和朝向规划范围内调整位置和朝向后的光伏系统发电量、阴影覆盖量、光伏组件间距，构建适应度函数；
历史评估模块，用于根据所述适应度函数对所述历史位置和历史朝向进行评估，计算获得多个历史适应度值；
寻优模块，用于根据多个历史适应度值进行寻优，获取最优历史位置和最优历史朝向；
扩充模块，用于根据预设比例，在所述位置规划范围和朝向规划范围内，根据所述最优历史位置和最优历史朝向，对所述历史位置和历史朝向进行扩充，并将扩充结果与所述历史位置和历史朝向进行整合，获取扩充位置和扩充朝向；
扩充评估模块，用于根据所述适应度函数对扩充位置和扩充朝向进行评估，计算获得多个扩充适应度值，并对所述多个扩充适应度值进行最大值筛选，获取最优扩充位置和最优扩充朝向；
重复迭代模块，用于进行重复迭代，直至达到预设迭代次数，获得预设次数个的最优扩充位置和最优扩充朝向，作为所述最优布局位置和最优布局朝向。
进一步而言，所述适应度函数如下：
其中，σ表征光伏系统发电量、φ表征阴影覆盖量、ω表征光伏组件间距，xm表征第m个初始解，m表征所述历史位置和历史朝向的第m个调整方案，wσ、wφ、wω分别表征光伏系统发电量、阴影覆盖量、光伏组件间距的权重，wσ+wφ+wω＝1。
进一步而言，所述系统还包括：
第一布局方案获取模块，用于随机选择一组历史位置和历史朝向，作为第一布局方案，并作为当前的最优布局方案；
第一适应度获取模块，用于获取所述第一布局方案的第一历史适应度值；
第二布局方案获取模块，用于再次随机选择一组历史位置和历史朝向，作为第二布局方案，并获取所述第二布局方案的第二历史适应度值；
判断模块，用于判断所述第一历史适应度值是否大于所述第二历史适应度值，若是，则将所述第一布局方案作为当前的最优布局方案，若否，则按照概率将所述第二布局方案作为当前的最优布局方案，
迭代寻优模块，用于继续进行迭代寻优，直到达到预设迭代次数，将最终的最优布局方案输出，获取所述最优历史位置和最优历史朝向。
进一步而言，所述概率通过下式计算获得：
其中，P为概率，g1为第一历史适应度值，g2为第二历史适应度值，k为随着寻优迭代次数增加而减小的常数。
进一步而言，所述系统还包括：
历史位置提取模块，用于提取第k历史位置和第k历史朝向；
学习因子设定模块，用于设定局部学习因子C1和全局学习因子C2，其中C1、C2∈[0,2]，且C1≤C2；
第一差值计算模块，用于计算当前第k历史位置和最优历史位置的差值，作为第一位置偏差Dk1，计算当前第k历史朝向和最优历史朝向的差值，作为第一朝向偏差Bk1；
第二差值计算模块，用于计算当前第k历史位置和最优扩充位置的差值，作为第二位置偏差Dk2，计算当前第k历史朝向和最优扩充朝向的差值，作为第二朝向偏差Bk2；
更新函数构建模块，用于构建扩充步长更新函数：
dk1(f+1)＝dk1(f)+C1*Z1*Dk1+C2*Z2*Dk2，
dk2(f+1)＝dk2(f)+C1*Z1*Bk1+C2*Z2*Bk2，
其中，dk1(f+1)表征第f+1次第k历史位置的扩充步长，dk1(f)表征第f次第k历史位置的扩充步长，当f＝0时，dk1(f)为初始历史位置，即第k历史位置，C1、C2表征局部学习因子和全局学习因子，Z1和Z2表征0～1之间的随机数，Dk1表征第一位置偏差，Dk2表征第二位置偏差；dk2(f+1)表征第f+1次第k历史朝向的扩充步长，dk2(f)表征第f次第k历史朝向的扩充步长，当f＝0时，dk1(f)为初始历史朝向，即第k历史朝向，Bk1表征第一朝向偏差，Bk2表征第二朝向偏差；
迭代模块，用于根据所述扩充步长更新函数对扩充过程进行重复迭代，直至达到预设迭代次数。
本说明书通过前述对光伏组件的智能安装方法的详细描述，本领域技术人员可以清楚地知道本实施例中光伏组件的智能安装方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.光伏组件的智能安装方法，其特征在于，所述方法包括：
通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，其中，所述三维环境信息包括环境参数；
获取所述环境参数在预设历史时间范围内的历史布局方案，其中，所述历史布局方案包括历史位置和历史朝向；
对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，并将所述最优布局位置和最优布局朝向作为组件布局方案；
在目标光伏组件上安装定位传感器，根据所述组件布局方案，进行所述目标光伏组件的布局；
布局到位后，采用机械臂进行所述目标光伏组件的安装；
其中，对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，包括：
根据所述历史位置和历史朝向，获取进行布局规划的位置规划范围和朝向规划范围；
根据所述位置规划范围和朝向规划范围内调整位置和朝向后的光伏系统发电量、阴影覆盖量、光伏组件间距，构建适应度函数；
根据所述适应度函数对所述历史位置和历史朝向进行评估，计算获得多个历史适应度值；
根据多个历史适应度值进行寻优，获取最优历史位置和最优历史朝向；
根据预设比例，在所述位置规划范围和朝向规划范围内，根据所述最优历史位置和最优历史朝向，对所述历史位置和历史朝向进行扩充，并将扩充结果与所述历史位置和历史朝向进行整合，获取扩充位置和扩充朝向；
根据所述适应度函数对扩充位置和扩充朝向进行评估，计算获得多个扩充适应度值，并对所述多个扩充适应度值进行最大值筛选，获取最优扩充位置和最优扩充朝向；
进行重复迭代，直至达到预设迭代次数，获得预设次数个的最优扩充位置和最优扩充朝向，作为所述最优布局位置和最优布局朝向。
2.如权利要求1所述的方法，其特征在于，通过图像采集装置对目标安装场地进行实时数据采集，获取三维环境信息，其中，所述三维环境信息包括环境参数，包括：
通过图像采集装置对目标安装场地进行实时图像采集，获取图像采集结果；
对所述图像采集结果进行目标识别，获取目标识别结果；
基于所述图像采集结果和所述目标识别结果，计算获得所述目标安装场地的环境参数。
3.如权利要求1所述的方法，其特征在于，所述适应度函数如下：
其中，σ表征光伏系统发电量、φ表征阴影覆盖量、ω表征光伏组件间距，xm表征第m个初始解，m表征所述历史位置和历史朝向的第m个调整方案，wσ、wφ、wω分别表征光伏系统发电量、阴影覆盖量、光伏组件间距的权重，wσ+wφ+wω＝1。
4.如权利要求1所述的方法，其特征在于，根据多个历史适应度值进行寻优，获取最优历史位置和最优历史朝向，包括：
随机选择一组历史位置和历史朝向，作为第一布局方案，并作为当前的最优布局方案；
获取所述第一布局方案的第一历史适应度值；
再次随机选择一组历史位置和历史朝向，作为第二布局方案，并获取所述第二布局方案的第二历史适应度值；
判断所述第一历史适应度值是否大于所述第二历史适应度值，若是，则将所述第一布局方案作为当前的最优布局方案，若否，则按照概率将所述第二布局方案作为当前的最优布局方案；
继续进行迭代寻优，直到达到预设迭代次数，将最终的最优布局方案输出，获取所述最优历史位置和最优历史朝向。
5.如权利要求4所述的方法，其特征在于，所述概率通过下式计算获得：
其中，P为概率，g1为第一历史适应度值，g2为第二历史适应度值，k为随着寻优迭代次数增加而减小的常数。
6.如权利要求1所述的方法，其特征在于，进行重复迭代，直至达到预设迭代次数，包括：
提取第k历史位置和第k历史朝向；
设定局部学习因子C1和全局学习因子C2，其中C1、C2∈[0,2]，且C1≤C2；
计算当前第k历史位置和最优历史位置的差值，作为第一位置偏差Dk1，计算当前第k历史朝向和最优历史朝向的差值，作为第一朝向偏差Bk1；
计算当前第k历史位置和最优扩充位置的差值，作为第二位置偏差Dk2，计算当前第k历史朝向和最优扩充朝向的差值，作为第二朝向偏差Bk2；
构建扩充步长更新函数：
dk1(f+1)＝dk1(f)+C1*Z1*Dk1+C2*Z2*Dk2，
dk2(f+1)＝dk2(f)+C1*Z1*Bk1+C2*Z2*Bk2，
其中，dk1(f+1)表征第f+1次第k历史位置的扩充步长，dk1(f)表征第f次第k历史位置的扩充步长，当f＝0时，dk1(f)为初始历史位置，即第k历史位置，C1、C2表征局部学习因子和全局学习因子，Z1和Z2表征0～1之间的随机数，Dk1表征第一位置偏差，Dk2表征第二位置偏差；dk2(f+1)表征第f+1次第k历史朝向的扩充步长，dk2(f)表征第f次第k历史朝向的扩充步长，当f＝0时，dk1(f)为初始历史朝向，即第k历史朝向，Bk1表征第一朝向偏差，Bk2表征第二朝向偏差；
根据所述扩充步长更新函数对扩充过程进行重复迭代，直至达到预设迭代次数。
7.光伏组件的智能安装系统，其特征在于，用于实施权利要求1-6任一项所述的光伏组件的智能安装方法，包括：
实时数据采集模块，实时数据采集模块用于通过图像采集装置对目标安装场地进行实时数据采集，所述获取三维环境信息，其中，所述三维环境信息包括环境参数；
历史方案获取模块，所述历史方案获取模块用于获取所述环境参数在预设历史时间范围内的历史布局方案，其中，所述历史布局方案包括历史位置和历史朝向；
布局优化模块，所述布局优化模块用于对所述历史位置和历史朝向进行布局优化，获取最优布局位置和最优布局朝向，并将所述最优布局位置和最优布局朝向作为组件布局方案；
组件布局模块，所述组件布局模块用于在目标光伏组件上安装定位传感器，根据所述组件布局方案，进行所述目标光伏组件的布局；
组件安装模块，所述组件安装模块用于布局到位后，采用机械臂进行所述目标光伏组件的安装。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310792805.3A CN116834003B (zh) | 2023-06-29 | 2023-06-29 | 光伏组件的智能安装方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310792805.3A CN116834003B (zh) | 2023-06-29 | 2023-06-29 | 光伏组件的智能安装方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116834003A CN116834003A (zh) | 2023-10-03 |
| CN116834003B true CN116834003B (zh) | 2024-01-02 |
Family
ID=88170118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310792805.3A Active CN116834003B (zh) | 2023-06-29 | 2023-06-29 | 光伏组件的智能安装方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116834003B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104539221A (zh) * | 2015-01-19 | 2015-04-22 | 国网四川省电力公司经济技术研究院 | 光伏发电系统控制参数全局优化方法 |
| CN108510405A (zh) * | 2018-04-03 | 2018-09-07 | 中兴能源（天津）有限公司 | 一种分布式光伏电站一站式管理平台 |
| CN110487397A (zh) * | 2019-08-13 | 2019-11-22 | 浙江工业大学 | 一种光伏阵列辐照度传感器的布置方法 |
| CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
| CN114170507A (zh) * | 2021-12-01 | 2022-03-11 | 阳光新能源开发股份有限公司 | 光伏组件安装区域的确定方法、装置、设备及存储介质 |
| CN114298285A (zh) * | 2021-12-31 | 2022-04-08 | 重庆跃达电力设备有限公司 | 光伏安装方案生成系统、方法及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021252427A1 (en) * | 2020-06-08 | 2021-12-16 | Re2, Inc. | Robotic manipulation of pv modules |
| CN111982137B (zh) * | 2020-06-30 | 2022-08-12 | 阿波罗智能技术(北京)有限公司 | 生成路线规划模型的方法、装置、设备和存储介质 |
-
2023
- 2023-06-29 CN CN202310792805.3A patent/CN116834003B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104539221A (zh) * | 2015-01-19 | 2015-04-22 | 国网四川省电力公司经济技术研究院 | 光伏发电系统控制参数全局优化方法 |
| CN108510405A (zh) * | 2018-04-03 | 2018-09-07 | 中兴能源（天津）有限公司 | 一种分布式光伏电站一站式管理平台 |
| CN110487397A (zh) * | 2019-08-13 | 2019-11-22 | 浙江工业大学 | 一种光伏阵列辐照度传感器的布置方法 |
| CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
| CN114170507A (zh) * | 2021-12-01 | 2022-03-11 | 阳光新能源开发股份有限公司 | 光伏组件安装区域的确定方法、装置、设备及存储介质 |
| CN114298285A (zh) * | 2021-12-31 | 2022-04-08 | 重庆跃达电力设备有限公司 | 光伏安装方案生成系统、方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 复合控制算法在光伏MPPT中的应用;王胜辉;李宜伦;郑洪;高山;;哈尔滨理工大学学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116834003A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8755562B2 (en) | Estimation apparatus, control method thereof, and program | |
| CN114758252B (zh) | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 | |
| CN110223389B (zh) | 融合图像与激光数据的场景建模方法、系统、装置 | |
| CN112070831B (zh) | 一种基于多平面联合位姿估计的主动相机重定位方法 | |
| CN113159466B (zh) | 一种短时光伏发电功率预测系统及方法 | |
| CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
| CN117274499B (zh) | 一种基于无人机倾斜摄影的钢结构加工及安装方法 | |
| CN115272815A (zh) | 一种基于图像的电缆隧道环境异常识别方法 | |
| CN116834003B (zh) | 光伏组件的智能安装方法及系统 | |
| CN114329855B (zh) | 一种无线视觉传感网络的传感器布局优化与快速部署方法 | |
| CN116909208B (zh) | 基于人工智能的壳体加工路径优化方法及系统 | |
| CN117392237A (zh) | 一种鲁棒的激光雷达-相机自标定方法 | |
| CN111260735B (zh) | 一种单次拍摄的lidar与全景相机的外参数标定方法 | |
| CN112530010A (zh) | 数据获取方法和系统 | |
| CN112069445A (zh) | 一种2d slam算法评估及量化方法 | |
| CN115035051A (zh) | 光伏电站的组件分割方法、装置、电子设备及存储介质 | |
| FAN et al. | Intelligent antenna attitude parameters measurement based on deep learning ssd model | |
| CN118293885B (zh) | 一种无人机光伏电站地形三维测绘方法及控制系统 | |
| CN117953164B (zh) | 一种提高图纸测量质量的方法及系统 | |
| CN118508438B (zh) | 光伏组件功率损失预测方法、系统、设备及存储介质 | |
| CN118470331B (zh) | 基于自适应同心圆模型的地面点云分割方法及系统 | |
| CN117952322B (zh) | 一种基于bim技术的工程管理系统 | |
| EP4428833A1 (en) | Identifying usable roof areas from a point cloud | |
| Naval | Camera pose estimation by alignment from a single mountain image | |
| CN117495869A (zh) | 一种基于航拍图像的屋顶光伏选址方法、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |