CN117115586B - 一种光伏组件巡检决策方法、装置、介质及巡检飞行器 - Google Patents

一种光伏组件巡检决策方法、装置、介质及巡检飞行器 Download PDF

Info

Publication number
CN117115586B
CN117115586B CN202311072299.7A CN202311072299A CN117115586B CN 117115586 B CN117115586 B CN 117115586B CN 202311072299 A CN202311072299 A CN 202311072299A CN 117115586 B CN117115586 B CN 117115586B
Authority
CN
China
Prior art keywords
inspection
data set
photovoltaic module
characteristic data
state
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
Application number
CN202311072299.7A
Other languages
English (en)
Other versions
CN117115586A (zh
Inventor
郭永奇
何振锋
常勇
王武斌
杨静
贡永帅
周桐
樊帆
张玉丽
吴红蕊
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.)
Beijing Gezhouba Electric Power Rest House
China Three Gorges Corp
Original Assignee
Beijing Gezhouba Electric Power Rest House
China Three Gorges Corp
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 Beijing Gezhouba Electric Power Rest House, China Three Gorges Corp filed Critical Beijing Gezhouba Electric Power Rest House
Priority to CN202311072299.7A priority Critical patent/CN117115586B/zh
Publication of CN117115586A publication Critical patent/CN117115586A/zh
Application granted granted Critical
Publication of CN117115586B publication Critical patent/CN117115586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U20/00—Constructional aspects of UAVs
    • B64U20/80—Arrangement of on-board electronics, e.g. avionics systems or wiring
    • B64U20/87—Mounting of imaging devices, e.g. mounting of gimbals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Photovoltaic Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明涉及光伏组件巡检技术领域，公开了一种光伏组件巡检决策方法、装置、介质及巡检飞行器，该方法包括：获取光伏组件的历史巡检特征数据集，经过预设隶属度函数处理，得到状态变量隶属度数据集，并输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型；获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集，经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。本发明通过将巡检特征数据集转换为状态变量隶属度数据集，并利用模糊变结构动态贝叶斯网络训练得到目标光伏组件巡检决策模型，可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。

Description

一种光伏组件巡检决策方法、装置、介质及巡检飞行器
技术领域
本发明涉及光伏组件巡检技术领域，具体涉及一种光伏组件巡检决策方法、装置、介质及巡检飞行器。
背景技术
光伏面板分布很广，又长期处于露天之下运行，常会受到环境、鸟类粪便、树叶、自身损坏等影响，出现热斑故障，是光伏电站常见的故障之一。热斑故障不仅会引起光伏组件表面的温度变化，破坏太阳能电池片，还会影响光伏组件的发电性能。因此往往需要对光伏组件进行巡检，及时处理，提高发电能力。
现在常常采用无人机进行巡检结合实时视觉影像，利用预先设定的路径在光伏区自动巡检，通过视觉影像进行人为判定或结合图像识别方法进行热斑判定，实现巡检。
但是，现有技术对光伏组件巡检过程中，逐面板进行图像采集、图像处理和判定，缺乏自主决策巡检精细程度的能力，容易出现漏检或误报。
发明内容
有鉴于此，本发明提供了一种光伏组件巡检决策方法、装置、介质及巡检飞行器，以解决现有技术对光伏组件巡检过程中，逐面板进行图像采集、图像处理和判定，缺乏自主决策巡检精细程度的能力，容易出现漏检或误报的问题。
第一方面，本发明提供了一种光伏组件巡检决策方法，该光伏组件巡检决策方法包括：
获取光伏组件的历史巡检特征数据集；将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集；将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型；获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集；将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。
本发明提供的光伏组件巡检决策方法，通过将巡检特征数据集转换为状态变量隶属度数据集，并利用模糊变结构动态贝叶斯网络训练得到目标光伏组件巡检决策模型，可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。
在一种可选的实施方式中，获取光伏组件的历史巡检特征数据集，包括：
获取光伏组件的历史巡检图像数据集；对历史巡检图像数据集进行特征处理，得到历史巡检特征数据集。
本发明通过对巡检图像数据集进行特征处理，可以得到巡检目标的状态特征，进一步，为后续提高光伏组件的巡检质量和效率提供了数据支持。
在一种可选的实施方式中，方法还包括：
获取第一常量数据集；基于历史巡检特征数据集和第一常量数据集，构建预设隶属度函数。
本发明通过构建预设隶属度函数为历史巡检特征数据集的转换提供了依据。
在一种可选的实施方式中，将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集，包括：
基于历史巡检特征数据集，确定第一常量数据集中每个第一常量的数值，得到第二常量数据集；将历史巡检特征数据集和第二常量数据集输入预设隶属度函数，得到状态变量隶属度数据集。
本发明通过构建的预设隶属度函数可以将巡检特征转换为状态变量隶属度，进一步提高了光伏组件的巡检质量和效率。
在一种可选的实施方式中，将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型，包括：
获取巡检状态数据集，巡检状态数据集中每个巡检状态数据反映当前巡检状态相比于正常巡检状态的精细程度；以状态变量隶属度数据集为观测变量，以巡检状态数据集为隐藏变量，对模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
本发明利用模糊变结构动态贝叶斯网络进行训练，使得得到的目标光伏组件巡检决策模型可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。
在一种可选的实施方式中，将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果，包括：
将第一巡检特征数据集经过异常检测方法处理，得到第三巡检特征数据集；将第二巡检特征数据集和第三巡检特征数据集经过预设隶属度函数处理，得到目标状态变量隶属度数据集；将目标状态变量隶属度数据集输入目标光伏组件巡检决策模型，得到待巡检光伏组件的概率值集，概率值集中每个概率值反映待巡检光伏组件的当前巡检状态的精细程度相比于正常巡检状态的精细程度的概率；基于概率值集确定待巡检光伏组件的巡检决策结果。
本发明通过异常检测方法可以提高第一巡检特征数据集的质量，同时，不会影响目标光伏组件巡检决策模型的决策，进一步，提高了光伏组件的巡检质量和效率。
在一种可选的实施方式中，基于概率值集确定待巡检光伏组件的巡检决策结果，包括：
基于预设标度法确定概率值集每个概率值的权重值；基于概率值集和每个权重值，确定待巡检光伏组件的巡检决策结果。
本发明通过预设标度法可以量化每个概率值的权重值，进一步，根据概率值和对应的权重可以确定待巡检光伏组件的巡检决策结果，提高了光伏组件的巡检质量和效率。
在一种可选的实施方式中，方法还包括：
基于巡检决策结果确定待巡检光伏组件的巡检时间。
本发明通过巡检决策结果可以确定待巡检光伏组件的巡检时间，实现了巡检时间的精准决策。
第二方面，本发明提供了一种巡检飞行器，该巡检飞行器包括：图像采集系统、图像处理系统和智能决策系统；
图像采集系统，用于获取巡检图像数据集，并将巡检图像数据集发送至图像处理系统；图像处理系统，用于对巡检图像数据集进行特征处理，得到巡检特征数据集，并将巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集，以及将状态变量隶属度数据集发送至智能决策系统；智能决策系统，用于将巡检特征数据集经过上述第一方面或其对应的任一实施方式的光伏组件巡检决策方法处理，得到巡检决策结果。
本发明提供的巡检飞行器，在智能决策系统中利用上述第一方面或其对应的任一实施方式的光伏组件巡检决策方法处理，实现了巡检飞行器的巡检精细程度的自主决策，提高了巡检质量和效率。
在一种可选的实施方式中，该巡检飞行器还包括：
控制系统，用于接收图像处理系统发送的巡检特征数据集，并对巡检特征数据集进行异常检测。
本发明利用控制系统对巡检特征数据集进行异常检测，提高了巡检特征数据集的质量，同时，不会影响巡检智能决策系统的决策，提高了巡检质量和效率。
在一种可选的实施方式中，智能决策系统，还用于将巡检决策结果发送至控制系统；控制系统，还用于基于巡检决策结果确定巡检时间。
本发明在控制系统中还可以根据智能决策系统的巡检决策结果确定巡检时间，实现了巡检时间的精准决策。
第三方面，本发明提供了一种光伏组件巡检决策装置，该光伏组件巡检决策装置包括：
第一获取模块，用于获取光伏组件的历史巡检特征数据集；第一处理模块，用于将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集；训练模块，用于将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型；第二获取模块，用于获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集；第二处理模块，用于将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。
在一种可选的实施方式中，第一获取模块，包括：
第一获取单元，用于获取光伏组件的历史巡检图像数据集；特征处理单元，用于对历史巡检图像数据集进行特征处理，得到历史巡检特征数据集。
第四方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的光伏组件巡检决策方法。
第五方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏组件巡检决策方法。
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，下面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，下面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是根据本发明实施例的光伏组件巡检决策方法的流程示意图；
图2是根据本发明实施例的另一光伏组件巡检决策方法的流程示意图；
图3是根据本发明实施例的又一光伏组件巡检决策方法的流程示意图；
图4是根据本发明实施例的再一光伏组件巡检决策方法的流程示意图；
图5是根据本发明实施例的巡检飞行器的结构框图；
图6是根据本发明实施例的光伏组件巡检决策装置的结构框图；
图7是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明实施例提供了一种光伏组件巡检决策方法，通过将巡检特征数据集转换为状态变量隶属度数据集，并利用模糊变结构动态贝叶斯网络训练目标光伏组件巡检决策模型以达到动态决策巡检的精细程度、提高光伏组件的巡检质量和效率的效果。
根据本发明实施例，提供了一种光伏组件巡检决策方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种光伏组件巡检决策方法，图1是根据本发明实施例的光伏组件巡检决策方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取光伏组件的历史巡检特征数据集。
具体地，历史巡检特征数据集用于反映光伏组件在历史不同巡检状态下的图像特征。
步骤S102，将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集。
具体地，通过预设隶属度函数可以将历史巡检特征数据集中的连续型变量转化为状态变量隶属度，并形成状态变量隶属度数据集。
步骤S103，将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
其中，动态贝叶斯网络(Dynamic Bayesian Network，DBN)是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络。
进一步，模糊变结构动态贝叶斯网络表示将不同变量结构进行模糊处理后的动态贝叶斯网络。
具体地，本实施例中利用模糊变结构动态贝叶斯网络进行模型训练，使得得到的目标光伏组件巡检决策模型可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。
步骤S104，获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集。
其中，第一巡检特征数据集反映待巡检光伏组件的当前巡检状态下的特征数据集；第二巡检特征数据集反映待巡检光伏组件在正常巡检状态下的特征数据集。
步骤S105，将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。
具体地，将第一巡检特征数据集和第二巡检特征数据集输入目标光伏组件巡检决策模型，并利用预设处理方法对目标光伏组件巡检决策模型的输出结果进行处理，可以得到待巡检光伏组件的巡检决策结果。
本实施例提供的光伏组件巡检决策方法，通过将巡检特征数据集转换为状态变量隶属度数据集，并利用模糊变结构动态贝叶斯网络训练得到目标光伏组件巡检决策模型，可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。
在本实施例中提供了一种光伏组件巡检决策方法，图2是根据本发明实施例的光伏组件巡检决策方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取光伏组件的历史巡检特征数据集。
具体地，上述步骤S201包括：
步骤S2011，获取光伏组件的历史巡检图像数据集。
其中，历史巡检图像数据集表示光伏组件在历史不同巡检状态下的巡检图像。
步骤S2012，对历史巡检图像数据集进行特征处理，得到历史巡检特征数据集。
首先，确定影响光伏组件的巡检精细程度的因素，包括颜色、亮度和面积。
然后，对获取到的历史巡检图像数据集进行特征处理，可以得到历史巡检特征数据集，包括在YCrCb空间的Cr通道均值得到的颜色特征，在Lab颜色空间内的L通道均值得到的亮度特征，智能识别的热斑在图像中的像素面积。
步骤S202，获取第一常量数据集。
具体地，第一常量数据集为预设设置的常量，包括：a1、a2和a3。
步骤S203，基于历史巡检特征数据集和第一常量数据集，构建预设隶属度函数。
具体地，预设隶属度函数如下关系式(1)至(3)所示：
式中：μ1(x)、μ2(x)、μ3(x)表示历史巡检特征数据集中每个特征的不同状态量的隶属度；x表示历史巡检特征数据集中每个特征的数据值。
步骤S204，将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集。
具体地，上述步骤S204包括：
步骤S2041，基于历史巡检特征数据集，确定第一常量数据集中每个第一常量的数值，得到第二常量数据集。
具体地，历史巡检特征数据集中每个特征对应的预设隶属度函数中第一常量数据集a1、a2和a3的值不同：
(1)颜色特征对应的预设隶属度函数中a1＝30，a2＝90，a3＝220。
(2)亮度特征对应的预设隶属度函数中a1＝15，a2＝80，a3＝220。
(3)面积特征对应的预设隶属度函数中a1＝20，a2＝125，a3＝200。
步骤S2042，将历史巡检特征数据集和第二常量数据集输入预设隶属度函数，得到状态变量隶属度数据集。
具体地，颜色特征对应的状态量包括{黄，中，红)＝{F，M，N)，则将颜色特征的数据值和第二常量数据集(a1＝30，a2＝90，a3＝220)代入上述关系式(1)至(3)所示的预设隶属度函数，可以计算得到颜色黄的隶属度μ1(x)，颜色中的隶属度μ2(x)和颜色红的隶属度μ3(x)。
亮度特征对应的状态量包括{低，中，高)＝{L，M，H)，则将亮度特征的数据值和第二常量数据集(a1＝15，a2＝80，a3＝220)代入上述关系式(1)至(3)所示的预设隶属度函数，可以计算得到亮度低的隶属度μ1(x)，亮度中的隶属度μ2(x)和亮度高的隶属度μ3(x)。
面积特征对应的状态量包括{小，中，大)＝{S，M，L)，则将面积特征的数据值和第二常量数据集(a1＝20，a2＝125，a3＝200)代入上述关系式(1)至(3)所示的预设隶属度函数，可以计算得到面积小的隶属度μ1(x)，面积中的隶属度μ2(x)和面积大的隶属度μ3(x)。
步骤S205，将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S206，获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S207，将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。详细请参见图1所示实施例的步骤S105，在此不再赘述。
本实施例提供的光伏组件巡检决策方法，通过对巡检图像数据集进行特征处理，可以得到巡检目标的状态特征，为后续提高光伏组件的巡检质量和效率提供了数据支持。同时，通过构建预设隶属度函数为历史巡检特征数据集的转换提供了依据。进一步，本实施例通过将巡检特征数据集转换为状态变量隶属度数据集，并利用模糊变结构动态贝叶斯网络训练得到目标光伏组件巡检决策模型，可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。
在本实施例中提供了一种光伏组件巡检决策方法，图3是根据本发明实施例的光伏组件巡检决策方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取光伏组件的历史巡检特征数据集。详细请参见图2所示实施例的步骤S201，在此不再赘述。
步骤S302，将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集。详细请参见图2所示实施例的步骤S204，在此不再赘述。
步骤S303，将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
具体地，上述步骤S303包括：
步骤S3031，获取巡检状态数据集。
其中，巡检状态数据集中每个巡检状态数据反映当前巡检状态相比于正常巡检状态的精细程度，可以包括：比正常巡检粗糙、与正常巡检等同、比正常巡检精细。进一步，颜色越红，巡检越精细，颜色越黄，巡检越粗糙；亮度越高，巡检越精细，亮度越低，巡检越粗糙；热斑面积越大，巡检越精细，热斑面积越小，巡检越粗糙。
具体地，可以根据经验确定100种不同状态相比于正常巡检的巡检精细程度的概率，即巡检状态数据集。
步骤S3032，以状态变量隶属度数据集为观测变量，以巡检状态数据集为隐藏变量，对模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
具体地，构建训练数据集，数据集包括100组样本，每个样本包含3个特征，每个特征包含3个状态量的隶属度，每个样本对应3个精细程度的概率。随机选定100种不同状态的特征变化情况(包括颜色、亮度和面积特征状态量对应的隶属度)，即状态变量隶属度数据集。
然后，训练模糊变结构动态贝叶斯网络。
其中，观测变量为颜色特征、亮度特征和面积特征对应的状态量隶属度，即状态变量隶属度数据集；
隐藏变量为相比于正常巡检的巡检精细程度，包括比正常巡检粗糙、与正常巡检等同、比正常巡检精细，即巡检状态数据集。
具体地，假设模型共有T个时间片，每个时间片下的隐藏变量数为nk，观测变量为mi，分别记为：Xk,l(k＝1,…,T；l＝1,…,nk)，Yi,j(i＝1,…,T；j＝1,…,mi)。
进一步，隐藏变量和观测变量的联合概率分布表示为如下关系式(4)：
式中：X11,X12,…,X1n1,XT1,XT2,…,表示隐藏变量的组合状态；Y11,Y12,…,Y1m1,YT1,YT2,…,表示观测变量的组合状态。
进一步，训练包括结构学习和参数学习，特征变量之间的依赖关系可通过专家经验得到，无需进行结构学习，而对于特征变量间的条件概率来说，当某节点有父节点时，先验条件概率是比较容易确定的，当某节点无父节点时，通过期望最大化更新初始条件概率和状态转移概率，主要有两个步骤，分别是E步和M步：
(1)E步是在获取已有X并给定一个后，求得似然函数的期望如下关系式(5)所示：
Q(θ；X,θi)＝E(L(θ；X,Z)) (5)
式中：L(θ；X,Z)表示样本的似然函数；Q(θ；X,θi)表示似然函数的期望；
(2)M步是将θ代入上述关系式(5)得到Q(θ；X,θi)的值，再将结果进行迭代，直至Q(θ；X,θi)收敛于一个常数，目的是求Q(θ；X,θi)的极大值。进一步，当Q(θ；X,θi)取得极大值时，对应的θ即为θ的估计值。
最后，通过上述训练过程可以得到训练好的目标光伏组件巡检决策模型。
步骤S304，获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S305，将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。详细请参见图1所示实施例的步骤S105，在此不再赘述。
本实施例提供的光伏组件巡检决策方法，利用模糊变结构动态贝叶斯网络进行训练，使得得到的目标光伏组件巡检决策模型可以动态决策巡检的精细程度，提高了光伏组件的巡检质量和效率。
在本实施例中提供了一种光伏组件巡检决策方法，图4是根据本发明实施例的光伏组件巡检决策方法的流程图，如图4所示，该流程包括如下步骤：
步骤S401，获取光伏组件的历史巡检特征数据集。详细请参见图2所示实施例的步骤S201，在此不再赘述。
步骤S402，将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集。详细请参见图2所示实施例的步骤S204，在此不再赘述。
步骤S403，将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。详细请参见图3所示实施例的步骤S303，在此不再赘述。
步骤S404，获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S405，将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。
具体地，上述步骤S405包括：
步骤S4051，将第一巡检特征数据集经过异常检测方法处理，得到第三巡检特征数据集。
具体地，对第一巡检特征数据集进行异常检测，计算新数据和旧数据间的欧式距离，按照升序排列，计算新数据点的局部离群因子，若大于设定的阈值，比如10，则为异常数据，并剔除异常特征数据，得到最终的第三巡检特征数据集。
步骤S4052，将第二巡检特征数据集和第三巡检特征数据集经过预设隶属度函数处理，得到目标状态变量隶属度数据集。
具体的处理过程参考上述步骤S204的具体实施过程，此处不再赘述。
步骤S4053，将目标状态变量隶属度数据集输入目标光伏组件巡检决策模型，得到待巡检光伏组件的概率值集。
其中，概率值集中每个概率值反映待巡检光伏组件的当前巡检状态的精细程度相比于正常巡检状态的精细程度的概率。
具体地，将目标状态变量隶属度数据集输入目标光伏组件巡检决策模型后，可以输出当前巡检比正常巡检粗糙、与正常巡检等同、比正常巡检精细分别对应的概率值，即概率值集。
步骤S4054，基于概率值集确定待巡检光伏组件的巡检决策结果。
具体地，根据当前巡检比正常巡检粗糙、与正常巡检等同、比正常巡检精细分别对应的概率值可以确定待巡检光伏组件的巡检决策结果。
在一些可选的实施方式中，上述步骤S4053包括：
步骤a1，基于预设标度法确定概率值集每个概率值的权重值。
步骤a2，基于概率值集和每个权重值，确定待巡检光伏组件的巡检决策结果。
其中，预设标度法为1-5标度法。
具体地，根据1-5标度法可以得到每个概率值的权重值，如下表1所示：
表1
指标 更精细 等同 等同 得分 权重
更精细 1 3 5 9 0.61
等同 1/3 1 3 13/3 0.29
等同 1/5 1/3 1 23/15 0.1
进一步，将每个概率值和对应的权重值乘积求和，获得最终的决策值，即巡检决策结果。
步骤S406，基于巡检决策结果确定待巡检光伏组件的巡检时间。
其中，巡检决策结果可以反映待巡检光伏组件的巡检精细程度。
具体地，当待巡检光伏组件的巡检精细程度小于正常巡检的精细程度，则缩短巡检时间；当待巡检光伏组件的巡检精细程度与正常巡检的精细程度等同，则按照正常巡检时间进行；当待巡检光伏组件的巡检精细程度大于正常巡检的精细程度，则提高巡检时间。
本实施例提供的光伏组件巡检决策方法，通过异常检测方法可以提高第一巡检特征数据集的质量，同时，不会影响目标光伏组件巡检决策模型的决策。进一步，通过预设标度法可以量化每个概率值的权重值，并根据概率值和对应的权重可以确定待巡检光伏组件的巡检决策结果，提高了光伏组件的巡检质量和效率。进一步，通过巡检决策结果可以确定待巡检光伏组件的巡检时间，实现了巡检时间的精准决策。
优选地，在本实施例中提供了一种巡检飞行器，图5是根据本发明实施例的巡检飞行器1的结构框图，如图5所示，该巡检飞行器1包括：图像采集系统11、图像处理系统12、智能决策系统13、和控制系统14。
其中，图像处理系统12的一端与图像采集系统11连接，另一端分别与智能决策系统13和控制系统14连接；智能决策系统13的另一端与控制系统14连接。
进一步，对上述巡检飞行器中各个系统的功能进行描述。
具体地，图像采集系统11，用于获取巡检图像数据集，并将巡检图像数据集发送至图像处理系统12。
图像处理系统12，用于对巡检图像数据集进行特征处理，得到巡检特征数据集，并将巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集，以及将状态变量隶属度数据集发送至智能决策系统13。
具体地，对巡检图像数据集进行特征处理，得到巡检特征数据集的过程参考上述步骤S2011至步骤S2012的过程，此处不再赘述。
将巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集的过程参考上述步骤S202至步骤S204，以及步骤S204中步骤S2041至步骤S2042的过程，此处不再赘述。
智能决策系统13，用于将巡检特征数据集经过上述实施例提供的光伏组件巡检决策方法处理，得到巡检决策结果。
具体的处理过程参考上述实施例提供的光伏组件巡检决策方法的过程，此处不再赘述。
控制系统14，用于接收图像处理系统发送的巡检特征数据集，并对巡检特征数据集进行异常检测。
具体的异常检测过程参考上述步骤S4051的过程，此处不再赘述。
进一步，智能决策系统13，还用于将巡检决策结果发送至控制系统14；
进一步，控制系统14接收到巡检决策结果后，可以根据该巡检决策结果确定巡检时间。
具体的确定过程参考上述S406的过程，此处不再赘述。
在本实施例中还提供了一种光伏组件巡检决策装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种光伏组件巡检决策装置，如图6所示，包括：
第一获取模块601，用于获取光伏组件的历史巡检特征数据集。
第一处理模块602，用于将历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集。
训练模块603，用于将状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
第二获取模块604，用于获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集。
第二处理模块605，用于将第一巡检特征数据集和第二巡检特征数据集经过目标光伏组件巡检决策模型和预设处理方法处理，得到待巡检光伏组件的巡检决策结果。
在一些可选的实施方式中，第一获取模块601包括：
第一获取单元，用于获取光伏组件的历史巡检图像数据集。
特征处理单元，用于对历史巡检图像数据集进行特征处理，得到历史巡检特征数据集。
在一些可选的实施方式中，光伏组件巡检决策装置还包括：
第三获取模块，用于获取第一常量数据集。
构建模块，用于基于历史巡检特征数据集和第一常量数据集，构建预设隶属度函数。
在一些可选的实施方式中，第一处理模块602包括：
第一确定单元，用于基于历史巡检特征数据集，确定第一常量数据集中每个第一常量的数值，得到第二常量数据集。
第一输入单元，用于将历史巡检特征数据集和第二常量数据集输入预设隶属度函数，得到状态变量隶属度数据集。
在一些可选的实施方式中，训练模块603包括：
第二获取单元，用于获取巡检状态数据集，巡检状态数据集中每个巡检状态数据反映当前巡检状态相比于正常巡检状态的精细程度。
训练单元，用于以状态变量隶属度数据集为观测变量，以巡检状态数据集为隐藏变量，对模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
在一些可选的实施方式中，第二处理模块605包括：
第一数据处理单元，用于将第一巡检特征数据集经过异常检测方法处理，得到第三巡检特征数据集。
第二数据处理单元，用于将第二巡检特征数据集和第三巡检特征数据集经过预设隶属度函数处理，得到目标状态变量隶属度数据集。
第二输入单元，用于将目标状态变量隶属度数据集输入目标光伏组件巡检决策模型，得到待巡检光伏组件的概率值集，概率值集中每个概率值反映待巡检光伏组件的当前巡检状态的精细程度相比于正常巡检状态的精细程度的概率。
第二确定单元，用于基于概率值集确定待巡检光伏组件的巡检决策结果。
在一些可选的实施方式中，第二确定单元包括：
第一确定子单元，用于基于预设标度法确定概率值集每个概率值的权重值。
第二确定子单元，用于基于概率值集和每个权重值，确定待巡检光伏组件的巡检决策结果。
在一些可选的实施方式中，光伏组件巡检决策装置还包括：
确定模块，用于基于巡检决策结果确定待巡检光伏组件的巡检时间。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的光伏组件巡检决策装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图6所示的光伏组件巡检决策装置。
请参阅图7，图7是本发明可选实施例提供的一种计算机设备的结构示意图，如图7所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (12)

1.一种光伏组件巡检决策方法，其特征在于，所述方法包括：
获取光伏组件的历史巡检特征数据集；
将所述历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集；
将所述状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型；
获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集，所述第一巡检特征数据集反映待巡检光伏组件的当前巡检状态下的特征数据集；所述第二巡检特征数据集反映待巡检光伏组件在正常巡检状态下的特征数据集；
将所述第一巡检特征数据集和第二巡检特征数据集经过所述目标光伏组件巡检决策模型和预设处理方法处理，得到所述待巡检光伏组件的巡检决策结果；
所述方法还包括：
获取第一常量数据集；
基于所述历史巡检特征数据集和所述第一常量数据集，构建所述预设隶属度函数，表示为下述的关系式：
式中：、、表示历史巡检特征数据集中每个特征的不同状态量的隶属度；表示历史巡检特征数据集中每个特征的数据值；、和表示第一常量数据集中的常量；
将所述历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集，包括：
基于所述历史巡检特征数据集，确定所述第一常量数据集中每个第一常量的数值，得到第二常量数据集；
将所述历史巡检特征数据集和第二常量数据集输入所述预设隶属度函数，得到所述状态变量隶属度数据集；
将所述状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型，包括：
获取巡检状态数据集，所述巡检状态数据集中每个巡检状态数据反映当前巡检状态相比于正常巡检状态的精细程度；
以所述状态变量隶属度数据集为观测变量，以所述巡检状态数据集为隐藏变量，对所述模糊变结构动态贝叶斯网络进行训练，得到所述目标光伏组件巡检决策模型。
2.根据权利要求1所述的方法，其特征在于，获取光伏组件的历史巡检特征数据集，包括：
获取光伏组件的历史巡检图像数据集；
对所述历史巡检图像数据集进行特征处理，得到所述历史巡检特征数据集。
3.根据权利要求1所述的方法，其特征在于，将所述第一巡检特征数据集和第二巡检特征数据集经过所述目标光伏组件巡检决策模型和预设处理方法处理，得到所述待巡检光伏组件的巡检决策结果，包括：
将所述第一巡检特征数据集经过异常检测方法处理，得到第三巡检特征数据集；
将所述第二巡检特征数据集和所述第三巡检特征数据集经过所述预设隶属度函数处理，得到目标状态变量隶属度数据集；
将所述目标状态变量隶属度数据集输入所述目标光伏组件巡检决策模型，得到所述待巡检光伏组件的概率值集，所述概率值集中每个概率值反映所述待巡检光伏组件的当前巡检状态的精细程度相比于正常巡检状态的精细程度的概率；
基于所述概率值集确定所述待巡检光伏组件的所述巡检决策结果。
4.根据权利要求3所述的方法，其特征在于，基于所述概率值集确定所述待巡检光伏组件的所述巡检决策结果，包括：
基于预设标度法确定所述概率值集每个概率值的权重值；
基于所述概率值集和每个所述权重值，确定所述待巡检光伏组件的所述巡检决策结果。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述巡检决策结果确定所述待巡检光伏组件的巡检时间。
6.一种巡检飞行器，其特征在于，所述巡检飞行器包括：图像采集系统、图像处理系统和智能决策系统；
所述图像采集系统，用于获取巡检图像数据集，并将所述巡检图像数据集发送至所述图像处理系统；
所述图像处理系统，用于对所述巡检图像数据集进行特征处理，得到巡检特征数据集，并将所述巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集，以及将所述状态变量隶属度数据集发送至所述智能决策系统；
所述智能决策系统，用于将所述巡检特征数据集经过如权利要求1至5任一项所述的光伏组件巡检决策方法处理，得到巡检决策结果。
7.根据权利要求6所述的巡检飞行器，其特征在于，所述巡检飞行器还包括：
控制系统，用于接收所述图像处理系统发送的所述巡检特征数据集，并对所述巡检特征数据集进行异常检测。
8.根据权利要求7所述的巡检飞行器，其特征在于，
所述智能决策系统，还用于将所述巡检决策结果发送至所述控制系统；
所述控制系统，还用于基于所述巡检决策结果确定巡检时间。
9.一种光伏组件巡检决策装置，其特征在于，所述装置包括：
第一获取模块，用于获取光伏组件的历史巡检特征数据集；
第一处理模块，用于将所述历史巡检特征数据集经过预设隶属度函数处理，得到状态变量隶属度数据集；
训练模块，用于将所述状态变量隶属度数据集输入模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型；
第二获取模块，用于获取待巡检光伏组件的第一巡检特征数据集和第二巡检特征数据集，所述第一巡检特征数据集反映待巡检光伏组件的当前巡检状态下的特征数据集；所述第二巡检特征数据集反映待巡检光伏组件在正常巡检状态下的特征数据集；
第二处理模块，用于将所述第一巡检特征数据集和第二巡检特征数据集经过所述目标光伏组件巡检决策模型和预设处理方法处理，得到所述待巡检光伏组件的巡检决策结果；
所述装置还包括：
第三获取模块，用于获取第一常量数据集；
构建模块，用于基于历史巡检特征数据集和第一常量数据集，构建预设隶属度函数，表示为下述的关系式：
式中：、、表示历史巡检特征数据集中每个特征的不同状态量的隶属度；表示历史巡检特征数据集中每个特征的数据值；、和表示第一常量数据集中的常量；
所述第一处理模块，包括：
第一确定单元，用于基于历史巡检特征数据集，确定第一常量数据集中每个第一常量的数值，得到第二常量数据集；
第一输入单元，用于将历史巡检特征数据集和第二常量数据集输入预设隶属度函数，得到状态变量隶属度数据集；
所述训练模块，包括：
第二获取单元，用于获取巡检状态数据集，巡检状态数据集中每个巡检状态数据反映当前巡检状态相比于正常巡检状态的精细程度；
训练单元，用于以状态变量隶属度数据集为观测变量，以巡检状态数据集为隐藏变量，对模糊变结构动态贝叶斯网络进行训练，得到目标光伏组件巡检决策模型。
10.根据权利要求9所述的装置，其特征在于，所述第一获取模块，包括：
第一获取单元，用于获取光伏组件的历史巡检图像数据集；
特征处理单元，用于对所述历史巡检图像数据集进行特征处理，得到所述历史巡检特征数据集。
11.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至5中任一项所述的光伏组件巡检决策方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至5中任一项所述的光伏组件巡检决策方法。
CN202311072299.7A 2023-08-24 2023-08-24 一种光伏组件巡检决策方法、装置、介质及巡检飞行器 Active CN117115586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311072299.7A CN117115586B (zh) 2023-08-24 2023-08-24 一种光伏组件巡检决策方法、装置、介质及巡检飞行器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311072299.7A CN117115586B (zh) 2023-08-24 2023-08-24 一种光伏组件巡检决策方法、装置、介质及巡检飞行器

Publications (2)

Publication Number Publication Date
CN117115586A CN117115586A (zh) 2023-11-24
CN117115586B true CN117115586B (zh) 2024-08-06

Family

ID=88805077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311072299.7A Active CN117115586B (zh) 2023-08-24 2023-08-24 一种光伏组件巡检决策方法、装置、介质及巡检飞行器

Country Status (1)

Country Link
CN (1) CN117115586B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105546361A (zh) * 2016-03-08 2016-05-04 钱昊铖 基于ann的音波法输气管道泄漏监测方法
CN112367497A (zh) * 2020-09-09 2021-02-12 北京潞电电气设备有限公司 智能配电巡视机器人及智能配电系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189456A1 (zh) * 2020-03-27 2021-09-30 深圳市大疆创新科技有限公司 无人机巡检方法、装置及无人机
CN113920449A (zh) * 2021-08-26 2022-01-11 中国电建集团江西省电力建设有限公司 光伏电站巡检方法、系统、计算机设备及存储介质
CN113537415A (zh) * 2021-09-17 2021-10-22 中国南方电网有限责任公司超高压输电公司广州局 基于多信息融合的换流站巡检方法、装置和计算机设备
CN113791741B (zh) * 2021-11-17 2022-02-22 苏州浪潮智能科技有限公司 固态硬盘的数据巡检方法、装置、计算机设备及存储介质
CN114140420A (zh) * 2021-11-26 2022-03-04 合肥阳光智维科技有限公司 光伏组串的巡检方法、飞行设备、巡检装置及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105546361A (zh) * 2016-03-08 2016-05-04 钱昊铖 基于ann的音波法输气管道泄漏监测方法
CN112367497A (zh) * 2020-09-09 2021-02-12 北京潞电电气设备有限公司 智能配电巡视机器人及智能配电系统

Also Published As

Publication number Publication date
CN117115586A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN110827251B (zh) 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN110335270B (zh) 基于层级区域特征融合学习的输电线路缺陷检测方法
WO2020103677A1 (zh) 数值天气预报的气象要素数据处理方法及装置
CN111650453B (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN112232476A (zh) 更新测试样本集的方法及装置
CN109615627B (zh) 一种输变电巡检图像质量评价方法及系统
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
Mohammed Abdelkader et al. A self-adaptive exhaustive search optimization-based method for restoration of bridge defects images
CN110334775B (zh) 一种基于宽度学习的无人机线路故障识别方法和装置
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
CN117115586B (zh) 一种光伏组件巡检决策方法、装置、介质及巡检飞行器
CN112613227B (zh) 基于混合机器学习的航空发动机剩余使用寿命预测模型
CN113012107B (zh) 电网缺陷检测方法及系统
US20230267364A1 (en) Processing images of wind farms and plant farms captured by a drone
CN116415714A (zh) 风电功率预测方法、装置、电子设备及可读存储介质
CN115631184A (zh) 基于决策树的输电线路故障分析方法、装置、设备及存储介质
CN113033489B (zh) 基于轻量级深度学习算法的输电线路绝缘子识别定位方法
CN113269678A (zh) 接触网输电线路的故障点定位方法
CN116188998B (zh) 输电架空线路缺陷识别方法、装置、设备和存储介质
CN111079750A (zh) 一种基于局部区域聚类的电力设备故障区域提取方法
CN117541832B (zh) 异常检测方法、系统、电子设备及存储介质
CN117874905B (zh) 飞机风挡的损伤预测方法、系统、设备及存储介质
CN116008756B (zh) 电容式电压互感器绝缘故障诊断方法、系统、设备和介质
CN118607717A (zh) 一种海上风电功率预测方法及装置
CN116027801A (zh) 一种输电线路智能巡检方法、装置及设备

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