CN117784864A - 自适应状态控制的光伏板清洗机器人环境调节方法及系统 - Google Patents

Abstract

本发明属于机器人控制技术领域，本发明公开了自适应状态控制的光伏板清洗机器人环境调节方法及系统；采集影响数据，影响数据包括即时环境数据和长期环境数据；根据长期环境数据，计算对应的污垢堆积程度；将光伏板划分为m个区域；采集m个区域的污垢图像并分别进行分析，获取对应的污垢种类和污垢面积；根据污垢堆积程度和污垢面积，计算m个区域对应的污垢系数；根据即时环境数据、污垢种类和污垢系数，获取m个区域对应的清洗参数；本发明能够实现清洗机器人工作状态与外界环境和光伏板表面污垢状况的高效匹配，从而在保证清洗效果的同时提高清洗效率与资源利用率。

Description

自适应状态控制的光伏板清洗机器人环境调节方法及系统

技术领域

本发明涉及机器人控制技术领域，更具体地说，本发明涉及自适应状态控制的光伏板清洗机器人环境调节方法及系统。

背景技术

在光伏发电领域，光伏板是将太阳能转化为电能的重要设备；然而，长期使用后，光伏板表面会积累灰尘、污垢和其他污染物，导致光伏板效率降低；因此，定期清洁光伏板表面对于维持其高效发电至关重要；传统的光伏板清洗机器人，往往只考虑了清洗角度的自适应调整，而忽略了室外环境的多样性和复杂性，从而导致清洗效率低下、资源浪费以及光伏板具有潜在的损坏风险，例如授权公告号为CN115617048B的中国专利公开的一种光伏电站无人清洁方法及系统；

当然也存在根据环境进行自适应智能调节的光伏板清洗机器人，例如公开号为CN116880482A的专利公开了在光伏面板上控制机器人的方法；包括：获取所述机器人的工作情况，所述工作情况包括确认机器人在所述光伏面板上的未清洁区域；接收环境信息，包括降雨信息和光伏面板表面湿度信息；确定湿式清洁环境因子类型并生成可执行处理信息；根据可执行处理信息更新清洁决策；接收更新清洁决策后开始执行更新的清洁决策；包括在所述未清洁区域中停止所述机器人的所述湿式清洁组件的启动和光伏面板的方向调整到水平位置；此发明为当前光伏面板自动清洁机器人技术的雨中工作技术问题提供了独特的技术解决方案；

但上述技术仅考虑到降雨信息和光伏面板表面湿度信息，仅能应用于雨中工作时的清洁机器人，应用场景限制性较大；而其余的环境因素（例如风速、温度、湿度等）在上述技术中的作用仅为预测降雨水平，在无降雨的情况下，其余的环境因素对于清洗机器人清洗光伏板时的清洗参数也会造成影响；

鉴于此，本发明提出自适应状态控制的光伏板清洗机器人环境调节方法及系统以解决上述问题。

发明内容

为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：自适应状态控制的光伏板清洗机器人环境调节方法，包括：

采集影响数据，影响数据包括即时环境数据和长期环境数据；

根据长期环境数据，计算对应的污垢堆积程度；

将光伏板沿着清洗机器人的清洗方向划分为m个区域；

采集m个区域的污垢图像；

对m个区域的污垢图像分别进行分析，获取m个区域对应的污垢种类和污垢面积；

根据污垢堆积程度和m个区域对应的污垢面积，计算m个区域对应的污垢系数；

根据即时环境数据、m个区域对应的污垢种类和污垢系数，获取m个区域对应的清洗参数；清洗机器人根据获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗。

进一步地，影响数据为光伏板周围空间的环境数据，即时环境数据为清洗机器人清洗一次光伏板时实时采集的数据，长期环境数据为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的数据，长期环境数据根据预设的采集间隔t进行采集，采集次数n的计算方法为，其中/>为清洗机器人清洗光伏板的清洗频率；清洗机器人为光伏板清洗机器人。

进一步地，即时环境数据包括温度值、湿度值、风速值、风向、气压值、降雨量以及光照强度；

长期环境数据包括温度值集合、湿度值集合、降雨量集合以及空气质量集合；温度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的温度值；湿度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的湿度值；降雨量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的降雨量；

空气质量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的空气质量，空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取，PM2.5数量和PM10数量的采集方法均与长期环境数据的采集方法一致，空气质量的计算方法为：，其中/>为空气质量，/>为第i次采集的PM2.5数量，/>为第i次采集的PM10数量，/>、/>为预设权重系数且/>、/>均大于0，/>。

进一步地，污垢堆积程度的计算方法包括：

；

式中，为污垢堆积程度，/>为温度值集合中第i次采集的温度值，/>为湿度值集合中第i次采集的湿度值，/>为降雨量集合中第i次采集的降雨量，/>、/>、/>、/>为预设比例系数且/>、/>、/>、/>均大于0。

进一步地，获取m个区域对应污垢种类的方法包括：

将m个区域的污垢图像分别输入训练好的污垢分析模型，以判断每张污垢图像中的污垢种类；

污垢分析模型的训练过程包括：

预先收集多张污垢图像，将每张污垢图像标记为训练图像，对每张训练图像中的污垢种类进行标注；将不同的污垢种类分别转换为数字标注；将标注后的训练图像分为训练集和测试集；使用训练集对污垢分析模型进行训练，使用测试集对污垢分析模型进行测试；预设误差阈值，当测试集中所有训练图像的预测误差的均值小于误差阈值时，输出污垢分析模型；所述污垢分析模型为卷积神经网络模型。

进一步地，获取m个区域对应污垢面积的方法包括：

将每张污垢图像进行灰度化处理，分别收集Y个像素点的灰度值，Y为一张污垢图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为污垢点，灰度值小于灰度值阈值的像素点则不进行标记；

依次统计每张污垢图像中的污垢点个数，计算m个区域对应的污垢面积；

m个区域对应的污垢面积计算如下：

；

式中，为第j个区域的污垢面积，/>为第j个区域的污垢点个数，/>为一个污垢点的面积，/>为比例系数，/>；

一个污垢点的面积由污垢图像的分辨率获取，污垢图像的分辨率由污垢图像的属性获取。

进一步地，m个区域对应污垢系数的计算方法包括：

；

式中，为第j个区域的污垢系数。

进一步地，获取m个区域对应清洗参数的方法包括：

将即时环境数据、一个区域对应的污垢种类和污垢系数作为一组分析数据，一组分析数据对应一个区域；清洗机器人在分析数据的条件下，获取对应的清洗参数，清洗参数与分析数据一一对应；清洗参数包括用水量、水压、清洗角度、清洗时间以及清洗剂种类；

将分析数据输入训练好的第一参数获取模型，预测出对应的用水量；将分析数据输入训练好的第二参数获取模型，预测出对应的水压；将分析数据输入训练好的第三参数获取模型，预测出对应的清洗角度；将分析数据输入训练好的第四参数获取模型，预测出对应的清洗时间；将分析数据输入训练好的第五参数获取模型，预测出对应的清洗剂种类；

第一参数获取模型的训练过程包括：

预先收集多组分析数据对应的用水量，将分析数据与对应的用水量转换为对应的一组特征向量；

将每组特征向量作为第一参数获取模型的输入，所述第一参数获取模型以每组分析数据对应的一组预测用水量作为输出，以每组分析数据对应的实际用水量作为预测目标，实际用水量即为上述预先收集的与分析数据对应的用水量；以最小化所有分析数据的预测误差之和作为训练目标；对第一参数获取模型进行训练，直至预测误差之和达到收敛时停止训练；所述第一参数获取模型为深度神经网络模型；

第二参数获取模型、第三参数获取模型、第四参数获取模型以及第五参数获取模型均为深度神经网络模型，且第二参数获取模型、第三参数获取模型以及第四参数获取模型的具体训练过程均与第一参数获取模型一致；而第五参数获取模型的训练过程与第一参数获取模型的不同之处在于，需要先将清洗剂种类转换为数字标注，再将分析数据与对应清洗剂种类对应的数字标注转换为一组特征向量，其中清洗剂种类对应的数字标注与污垢图像对应的数字标注不一致。

进一步地，对m个区域对应的清洗参数进行分析，获取m个区域对应的能源数据，能源数据为清洗机器人根据清洗参数对光伏板的一个区域进行清洗时消耗的电量；

对m个区域对应的清洗参数进行分析的方法包括：

将m个区域对应的清洗参数依次输入训练好的电量分析模型，预测出m个区域对应的能源数据；

电量分析模型的训练过程包括：

预先收集多组清洗参数对应的能源数据，将清洗参数与对应的能源数据转换为对应的一组特征向量；

将每组特征向量作为电量分析模型的输入，所述电量分析模型以每组清洗参数对应的一组预测能源数据作为输出，以每组清洗参数对应的实际能源数据作为预测目标，实际能源数据即为上述预先收集的与清洗参数对应的能源数据；以最小化所有清洗参数的预测误差之和作为训练目标；对电量分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述电量分析模型为深度神经网络模型；

将m个区域的能源数据依次相加，获取总能源数据，总能源数据为本次清洗机器人清洗整个光伏板时所消耗的总电量；

采集电量数据，电量数据为清洗机器人剩余的电量；电量数据由采集到的最大电量数据和SOC数据相乘获取，最大电量数据为清洗机器人所能储备的最大电量，SOC数据为清洗机器人剩余电量占其最大电量的比例；

将电量数据与总能源数据进行对比，若电量数据大于或等于总能源数据，则不生成调配指令；若电量数据小于总能源数据，则生成调配指令。

进一步地，若生成调配指令，则根据m个区域污垢种类和污垢系数计算对应的清洗系数；

m个区域的清洗系数的计算方法包括：

；

式中，为第j个区域的清洗系数，/>为第j个区域的污垢种类数值，/>、为预设比例系数且/>、/>均大于0；

预设第一系数阈值和第二系数阈值/>，其中/>，将m个区域的清洗系数分别与第一系数阈值/>和第二系数阈值/>进行对比，若/>，则标记为清洗区域；若/>，则标记为调节区域；若/>，则标记为暂停区域；

将多个清洗区域对应的能源数据相加获取清洗区域能源数据，将多个调节区域对应的能源数据相加获取调节区域能源数据，将清洗区域能源数据和调节区域能源数据相加获取多区域能源数据；将清洗区域能源数据和多区域能源数据分别与电量数据进行对比，若清洗区域能源数据大于或等于电量数据，则生成第一调节指令；若清洗区域能源数据小于电量数据且多区域能源数据大于电量数据，则生成第二调节指令；若多区域能源数据小于或等于电量数据，则生成第三调节指令；

若生成第一调节指令，将电量数据除以清洗区域能源数据，获取清洗区域电量占比；将每个清洗区域对应清洗参数中的用水量、水压以及清洗时间分别乘以清洗区域电量占比，获取每个清洗区域的实际用水量、实际水压以及实际清洗时间，将每个清洗区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个清洗区域新的清洗参数，清洗机器人根据每个清洗区域新的清洗参数对清洗区域进行清洗，对调节区域和暂停区域不进行清洗；

若生成第二调节指令，则将电量数据减去清洗区域能源数据，获取剩余能源数据；将剩余能源数据除以调节区域能源数据，获取调节区域电量占比，将每个调节区域对应清洗参数中的用水量、水压以及清洗时间分别乘以调节区域电量占比，获取每个调节区域的实际用水量、实际水压以及实际清洗时间，将每个调节区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个调节区域新的清洗参数；清洗机器人根据每个清洗区域的清洗参数对清洗区域进行清洗，根据每个调节区域新的清洗参数对调节区域进行清洗，对暂停区域不进行清洗；

若生成第三调节指令，则清洗机器人直接根据每个清洗区域对应的清洗参数对清洗区域进行清洗，根据每个调节区域对应的清洗参数对调节区域进行清洗，对暂停区域不进行清洗。

自适应状态控制的光伏板清洗机器人环境调节系统，实施所述的自适应状态控制的光伏板清洗机器人环境调节方法，包括：

影响数据采集模块，采集影响数据，影响数据包括即时环境数据和长期环境数据；

第一数据分析模块，根据长期环境数据，计算对应的污垢堆积程度；

区域划分模块，将光伏板沿着清洗机器人的清洗方向划分为m个区域；

污垢图像采集模块，采集m个区域的污垢图像；

污垢图像分析模块，对m个区域的污垢图像分别进行分析，获取m个区域对应的污垢种类和污垢面积；

第二数据分析模块，根据污垢堆积程度和m个区域对应的污垢面积，计算m个区域对应的污垢系数；

清洗参数调节模块，根据即时环境数据、m个区域对应的污垢种类和污垢系数，获取m个区域对应的清洗参数；清洗机器人根据获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗。

一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的自适应状态控制的光伏板清洗机器人环境调节方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现所述的自适应状态控制的光伏板清洗机器人环境调节方法。

本发明自适应状态控制的光伏板清洗机器人环境调节方法及系统的技术效果和优点：

1.通过建立完整的影响数据采集与分析体系，对影响数据进行全面采集，对长期环境数据进行分析，计算出光伏板对应的污垢堆积程度；同时采用区域划分和图像分析技术实现区域级污垢系数的获取；进而获取区域级清洗参数；这使得系统能够深入了解影响光伏板清洗的各项影响数据，并基于大量样本训练得到的模型预测出每个区域的最优清洗参数组合方案；能够实现清洗机器人工作状态与外界环境和光伏板表面污垢状况的高效匹配，从而在保证清洗效果的同时最大限度提高清洗过程的效率与资源利用率；可以很好地解决传统光伏板清洗机器人设定固定参数导致的清洗不足问题，对于提高光伏发电效率和延长光伏板寿命具有重要意义。

2.通过电量分析模型和清洗参数的综合分析，实现了对光伏板清洗过程的智能调配；通过综合考虑清洗难度、剩余电量以及不同区域的清洗需求，生成智能调配指令，实现了清洗机器人工作状态与电量条件的高效匹配，能够灵活调整清洗参数，既保证了光伏板清洗质量，也最大限度节约了清洗能源。

附图说明

图1为本发明实施例1的自适应状态控制的光伏板清洗机器人环境调节系统示意图；

图2为本发明实施例1的区域划分示意图；

图3为本发明实施例2的自适应状态控制的光伏板清洗机器人环境调节系统示意图；

图4为本发明实施例3的自适应状态控制的光伏板清洗机器人环境调节方法流程图；

图5为本发明实施例4的电子设备示意图；

图6为本发明实施例5的存储介质示意图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通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。

实施例1：

请参阅图1所示，本实施例所述自适应状态控制的光伏板清洗机器人环境调节系统，包括影响数据采集模块、第一数据分析模块、区域划分模块、污垢图像采集模块、污垢图像分析模块、第二数据分析模块以及清洗参数调节模块；各个模块通过有线和/或无线的方式进行连接，实现模块间的数据传输；

影响数据采集模块，用于采集影响数据，影响数据为光伏板周围空间的环境数据，影响数据包括即时环境数据和长期环境数据；即时环境数据为清洗机器人清洗一次光伏板时实时采集的数据，长期环境数据为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的数据，长期环境数据根据预设的采集间隔t进行采集，采集次数n的计算方法为，其中/>为清洗机器人清洗光伏板的清洗频率；清洗机器人为光伏板清洗机器人；采集间隔t由本领域技术人员根据经验进行预先设置，清洗机器人的清洗频率/>由本领域技术人员在历史光伏板清洗过程中，收集长期环境数据和下述污垢种类以及污垢系数，根据长期环境数据、污垢种类和污垢系数对清洗频率/>进行设置；

即时环境数据包括温度值、湿度值、风速值、风向、气压值、降雨量以及光照强度；

温度值和湿度值均由安装在光伏板附近的温湿度传感器获取；温度值和湿度值会影响清洗机器人清洗光伏板时的清洗参数；在高温环境下，污垢更容易附着在光伏板表面，因此需要采用更加彻底的清洗方式，例如更高的水压、更频繁的喷水以及较温和的清洗剂；来确保光伏板表面的清洁度，同时高温还会影响清洗机器人的工作效率和性能；在高湿度环境下，清洗完成后更容易在光伏板表面残留水分，需要选用吸水性较好的清洗剂，避免残留水痕；并且需要使用较低的水压，以避免过多的水残留在光伏板表面；但污垢也更容易附着在光伏板表面，需要增大水压以确保能清除污垢，因此水压的选择需要适当，不宜过大或过小；

风速值和风向由安装在清洗机器人上的风速风向传感器获取；风速值和风向会影响清洗机器人清洗光伏板时的清洗参数；在强风环境下，需要根据风向调整清洗方向和清洗角度，以确保水流朝着光伏板方向施加；同时，若清洗方向与风向相反，则需要增大水压，以增加水流推力，使得水流具有更大的力量对抗风力，从而确保清洗效果；

气压值由安装在清洗机器人上的气压传感器获取；气压值会影响清洗机器人清洗光伏板时的清洗参数，气压值越低，对应的水压则需要越大，清洗时间也越长，以确保清洗质量，反之则相反；

降雨量由安装在光伏板附近的雨量传感器获取；降雨量在一定程度上有助于清洗光伏板，降雨量越大，需要的水压越小，以免造成光伏板受力过大；用水量和清洗时间也越少，同时选择吸湿力强的清洗剂，避免清洗剂随雨水冲走；反之，降雨量越小，则需要的水压越大，用水量和清洗时间越多；

光照强度由安装在清洗机器人上的光照传感器获取；光照强度会影响清洗机器人清洗光伏板时的清洗参数，光照强度越大，需要的水压则越大，以弥补清洗剂快速干涸带来的清洁能力减弱，同时增加用水量，以保证清洁度，反之则相反；

长期环境数据包括温度值集合、湿度值集合、降雨量集合以及空气质量集合；

温度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的温度值，在持续高温环境下，污垢堆积程度越高；

湿度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的湿度值，在持续高湿度环境下，污垢堆积程度越高；

降雨量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的降雨量，在持续降雨的环境下，污垢的堆积程度越低；

空气质量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的空气质量，空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取，PM2.5数量和PM10数量的采集方法均与长期环境数据的采集方法一致，空气质量的计算方法为：，其中/>为空气质量，/>为第i次采集的PM2.5数量，/>为第i次采集的PM10数量，/>、/>为预设权重系数且/>、/>均大于0，；式中权重系数的具体数值可以根据实际情况进行设置，权重系数反映了PM2.5数量和PM10数量的重要性，本领域技术人员可以根据PM2.5数量和PM10数量的重要性预设对应的权重系数，以便准确评估空气质量情况；PM2.5数量和PM10数量分别由安装在光伏板附近的PM2.5传感器和PM10传感器获取，在持续空气质量较差的环境下，污垢堆积程度越高；

需要说明的是，PM2.5数量和PM10数量为决定空气质量的相关参数，PM2.5数量和PM10数量越多，说明光伏板所处空间的空气中悬浮粒子状物质越多，而这些悬浮粒子状物质越多，则表明空气污染越严重，空气质量也越差，反之则相反；

第一数据分析模块，用于根据长期环境数据，计算对应的污垢堆积程度；

污垢堆积程度的计算方法包括：

；

式中，为污垢堆积程度，/>为温度值集合中第i次采集的温度值，/>为湿度值集合中第i次采集的湿度值，/>为降雨量集合中第i次采集的降雨量，/>、/>、/>、/>为预设比例系数且/>、/>、/>、/>均大于0；

式中比例系数的具体数值可以根据实际情况进行设置，比例系数反映了每种长期环境数据的重要性，本领域技术人员可以根据每种长期环境数据的重要性预设对应的比例系数，以便准确评估污垢堆积程度；

区域划分模块，请参阅图2所示，用于将光伏板沿着清洗机器人的清洗方向划分为m个区域，其中实线表示光伏板的外形轮廓，虚线表示每个区域的分界线；

污垢图像采集模块，用于采集m个区域的污垢图像；

m个区域的污垢图像由安装在清洗机器人上的个图像传感器获取，清洗机器人两侧各安装m个图像传感器，一个区域对应两个图像传感器，每一个图像传感器仅采集一个区域的污垢图像，具体请参阅图2所示；

需要说明的是，在当清洗机器人沿着一个方向对光伏板进行清洗后，光伏板上可能还存有污垢，此时需要清洗机器人反方向进行清洗，即清洗机器人需要进行往复清洗；清洗机器人两侧各安装m个图像传感器的目的在于，便于清洗机器人进行往复清洗时，均能获取m个区域的污垢图像；

污垢图像分析模块，用于对m个区域的污垢图像分别进行分析，获取m个区域对应的污垢种类和污垢面积；

获取m个区域对应污垢种类的方法包括：

将m个区域的污垢图像分别输入训练好的污垢分析模型，以判断每张污垢图像中的污垢种类；

污垢分析模型的具体训练过程包括：

预先收集多张污垢图像，将每张污垢图像标记为训练图像，对每张训练图像中的污垢种类进行标注，污垢种类例如粉尘污垢（泥土、沙尘等）、油性污垢（机油、润滑油等）、矿物质污垢（氯化钙、硝酸钾等）等；将不同的污垢种类分别转换为数字标注，示例性的，将粉尘污垢转换为1，将油性污垢转换为2，将矿物质污垢转换为3；将标注后的训练图像分为训练集和测试集，将70%的训练图像作为训练集，将30%的训练图像作为测试集；使用训练集对污垢分析模型进行训练，使用测试集对污垢分析模型进行测试；预设误差阈值，当测试集中所有训练图像的预测误差的均值小于误差阈值时，输出污垢分析模型；其中，预测误差均值的计算公式为，其中/>为预测误差，/>为训练图像的编号，/>为第/>组训练图像对应的预测标注，/>为第/>组训练图像对应的实际标注，U为测试集中训练图像的数量；所述误差阈值根据污垢分析模型所需要的精度进行预先设置；

上述污垢分析模型具体为卷积神经网络模型；

获取m个区域对应污垢面积的方法包括：

将每张污垢图像进行灰度化处理，分别收集Y个像素点的灰度值，Y为一张污垢图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为污垢点，灰度值小于灰度值阈值的像素点则不进行标记；

需要说明的是，灰度值阈值由本领域技术人员在历史光伏板清洗过程中，采集多张污垢图像并进行灰度化处理，将每张污垢图像中对应像素点的灰度值作为一个分析集合，将多个分析集合中最低灰度值的均值作为灰度值阈值；

依次统计每张污垢图像中的污垢点个数，计算m个区域对应的污垢面积；

m个区域对应的污垢面积计算如下：

；

式中，为第j个区域的污垢面积，/>为第j个区域的污垢点个数，/>为一个污垢点的面积，/>为比例系数，/>；

一个污垢点的面积由污垢图像的分辨率获取，污垢图像的分辨率由污垢图像的属性获取；比例系数由本领域技术人员在历史光伏板清洗过程中确定灰度值阈值时，对多张污垢图像中的污垢面积和污垢实际面积进行测量，将污垢实际面积除以污垢图像中的污垢面积获取商值，将多个商值对应的均值作为比例系数；

需要说明的是，污垢种类和污垢面积会影响清洗机器人清洗光伏板时的清洗参数；不同的污垢种类需要不同的清洗参数进行清洗，例如对于粉尘污垢，需要增加用水量，以提升冲刷能力；对于油性污垢，需要增加清洗时间，以充分渗透和分散污垢；对于矿物质污垢，则需要提高水压，以破坏吸附结合；污垢面积越大，需要提升对应的水压、清洗时间、用水量等清洗参数，以确保将污垢彻底清除，从而确保清洗效果，反之则相反；

第二数据分析模块，用于根据污垢堆积程度和m个区域对应的污垢面积，计算m个区域对应的污垢系数；

m个区域对应污垢系数的计算方法包括：

；

式中，为第j个区域的污垢系数；

需要说明的是，污垢系数为判断一个区域污垢总量的综合评价值，污垢面积和污垢堆积程度为决定污垢系数的相关参数；污垢面积越大，说明光伏板被污染的整体面积范围越大，污垢总量越多，即污垢系数越大，反之则相反；污垢堆积程度越大，说明光伏板内污垢总量越多，即污垢系数越大，反之则相反；

清洗参数调节模块，用于根据即时环境数据、m个区域对应的污垢种类和污垢系数，获取m个区域对应的清洗参数；

获取m个区域对应清洗参数的方法包括：

将即时环境数据、一个区域对应的污垢种类和污垢系数作为一组分析数据，一组分析数据对应一个区域；清洗机器人在分析数据的条件下，获取对应的清洗参数，清洗参数与分析数据一一对应；清洗参数包括用水量、水压、清洗角度、清洗时间以及清洗剂种类；用水量为清洗机器人清洗光伏板时清洗剂的用量，水压为清洗机器人清洗光伏板时喷洒清洗剂的压力，清洗角度为清洗机器人清洗光伏板时的喷洒清洗剂的角度，清洗时间为清洗机器人清洗光伏板的时长，清洗剂种类为清洗机器人清洗光伏板时选用的清洗剂种类，清洁剂种类例如生物降解清洗剂、酸性清洗剂、碱性清洗剂、中性清洗剂等；

将分析数据输入训练好的第一参数获取模型，预测出对应的用水量；将分析数据输入训练好的第二参数获取模型，预测出对应的水压；将分析数据输入训练好的第三参数获取模型，预测出对应的清洗角度；将分析数据输入训练好的第四参数获取模型，预测出对应的清洗时间；将分析数据输入训练好的第五参数获取模型，预测出对应的清洗剂种类；

第一参数获取模型的具体训练过程包括：

预先收集多组分析数据对应的用水量，将分析数据与对应的用水量转换为对应的一组特征向量；

将每组特征向量作为第一参数获取模型的输入，所述第一参数获取模型以每组分析数据对应的一组预测用水量作为输出，以每组分析数据对应的实际用水量作为预测目标，实际用水量即为上述预先收集的与分析数据对应的用水量；以最小化所有分析数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中/>为预测误差，/>为分析数据对应特征向量的组号，/>为第/>组分析数据对应的预测用水量，为第/>组分析数据对应的实际用水量；对第一参数获取模型进行训练，直至预测误差之和达到收敛时停止训练；

上述第一参数获取模型具体为深度神经网络模型；

第二参数获取模型、第三参数获取模型、第四参数获取模型以及第五参数获取模型均为深度神经网络模型，且第二参数获取模型、第三参数获取模型以及第四参数获取模型的具体训练过程均与第一参数获取模型一致；而第五参数获取模型的具体训练过程与第一参数获取模型的不同之处在于，需要先将清洗剂种类转换为数字标注，再将分析数据与对应清洗剂种类对应的数字标注转换为一组特征向量，其中清洗剂种类对应的数字标注与污垢图像对应的数字标注不一致；示例性的，将生物降解清洗剂转换为0.1、将酸性清洗剂转换为0.2、将碱性清洗剂转换为0.3、将中性清洗剂转换为0.4；

需要说明的是，分析数据对应的清洗参数由本领域技术人员在历史光伏板清洗过程中，在多组不同分析数据的条件下，对每一组分析数据依次设置多组不同的清洗参数；将一组分析数据设置的多组清洗参数中，清洗效果最好对应的一组清洗参数作为该组分析数据对应的清洗参数；以此类推获取多组分析数据对应的清洗参数；

清洗机器人根据获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗；

本实施例通过建立完整的影响数据采集与分析体系，对影响数据进行全面采集，对长期环境数据进行分析，计算出光伏板对应的污垢堆积程度；同时采用区域划分和图像分析技术实现区域级污垢系数的获取；进而获取区域级清洗参数；这使得系统能够深入了解影响光伏板清洗的各项影响数据，并基于大量样本训练得到的模型预测出每个区域的最优清洗参数组合方案；能够实现清洗机器人工作状态与外界环境和光伏板表面污垢状况的高效匹配，从而在保证清洗效果的同时最大限度提高清洗过程的效率与资源利用率；可以很好地解决传统光伏板清洗机器人设定固定参数导致的清洗不足问题，对于提高光伏发电效率和延长光伏板寿命具有重要意义。

实施例2：

请参阅图3所示，本实施例在实施例1的基础上进一步改进设计，由于清洗机器人的电量是有限的，若清洗机器人始终根据实施例1中获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗，会出现未能对光伏板进行完全清洗就电量耗尽的情况；因此本实施例提供了自适应状态控制的光伏板清洗机器人环境调节系统，还包括能源调配模块，根据清洁机器人的电量数据，对m个区域对应的清洗参数进行调节，以合理调配能源，使得在清洁机器人的电量耗尽前，对整个光伏板进行清洗；

能源调配模块，对m个区域对应的清洗参数进行分析，获取m个区域对应的能源数据，能源数据为清洗机器人根据清洗参数对光伏板的一个区域进行清洗时消耗的电量；

对m个区域对应的清洗参数进行分析的方法包括：

将m个区域对应的清洗参数依次输入训练好的电量分析模型，预测出m个区域对应的能源数据；

电量分析模型的具体训练过程包括：

预先收集多组清洗参数对应的能源数据，将清洗参数与对应的能源数据转换为对应的一组特征向量；

将每组特征向量作为电量分析模型的输入，所述电量分析模型以每组清洗参数对应的一组预测能源数据作为输出，以每组清洗参数对应的实际能源数据作为预测目标，实际能源数据即为上述预先收集的与清洗参数对应的能源数据；以最小化所有清洗参数的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中/>为预测误差，/>为清洗参数对应特征向量的组号，/>为第/>组清洗参数对应的预测能源数据，为第/>组清洗参数对应的实际能源数据；对电量分析模型进行训练，直至预测误差之和达到收敛时停止训练；

上述电量分析模型具体为深度神经网络模型；

需要说明的是，清洗参数对应的能源数据由本领域技术人员在历史光伏板清洗过程中，在多组不同清洗参数的条件下，依次收集每组清洗参数条件下消耗的能源数据，其中在每组清洗参数下均收集多个能源数据，将多个能源数据对应的均值作为每组清洗参数对应的能源数据；

将m个区域的能源数据依次相加，获取总能源数据，总能源数据为本次清洗机器人清洗整个光伏板时所消耗的总电量；

采集电量数据，电量数据为清洗机器人剩余的电量；电量数据由采集到的最大电量数据和SOC数据相乘获取，最大电量数据为清洗机器人所能储备的最大电量，最大电量数据由清洗机器人的产品技术规格获取；SOC数据为清洗机器人剩余电量占其最大电量的比例，SOC数据由清洗机器人内部的BMS功能芯片获取，在清洗机器人的控制板上集成BMS功能芯片，通过IIC/SPI接口读取SOC数据；

将电量数据与总能源数据进行对比，若电量数据大于或等于总能源数据，则不生成调配指令，说明此时清洗机器人剩余的电量足够对整个光伏板进行清洗；若电量数据小于总能源数据，则生成调配指令，说明此时清洗机器人剩余的电量不足以对整个光伏板进行清洗，需要对清洗参数进行调节，以确保剩余电量能够清洗整个光伏板；

若生成调配指令，则根据m个区域污垢种类和污垢系数计算对应的清洗系数；

m个区域的清洗系数的计算方法包括：

；

式中，为第j个区域的清洗系数，/>为第j个区域的污垢种类数值，/>、为预设比例系数且/>、/>均大于0；

式中比例系数的具体数值可以根据实际情况进行设置，比例系数反映了污垢种类和污垢系数的重要性，本领域技术人员可以根据污垢种类和污垢系数的重要性预设对应的比例系数；

需要说明的是，污垢种类数值为本领域技术人员预先根据不同污垢种类的清洗难易程度，对不同污垢种类预设数值，对较难清洗的污垢种类预设较高的数值，对较容易清洗的污垢种类预设较低的数值；示例性的，矿物质污垢、油性污垢和粉尘污垢中，矿物质污垢最难清洗，粉尘污垢最容易清洗，因此将矿物质污垢预设为10，将油性污垢预设为5，将粉尘污垢预设为1；

应当了解的是，清洗系数为判断一个区域清洗难易程度的综合评价值，污垢种类数值和污垢系数为决定污垢系数的相关参数；污垢种类数值越大，说明该区域内的污垢越难清洗，即清洗系数越大，反之则相反；污垢系数越大，说明该区域内的污垢总量越多，该区域越难清洗，即清洗系数越大，反之则相反；

预设第一系数阈值和第二系数阈值/>，其中/>，将m个区域的清洗系数分别与第一系数阈值/>和第二系数阈值/>进行对比，若/>，则标记为清洗区域，清洗区域对应的清洗系数较大，说明清洗难度越大，对光伏板发电效率的影响越大，因此需要及时清洗；若/>，则标记为调节区域，调节区域的清洗系数处于中等水平，相比于清洗区域，调节区域对光伏板发电效率的影响较小，但仍需对调节区域进行清洗，为了确保清洗机器人剩余电量能够清洗整个光伏板，需要对调节区域进行清洗参数调节；若/>，则标记为暂停区域，暂停区域的清洗系数较低，说明清洗难度较小，对光伏板发电效率的影响较小，在清洗机器人剩余电量不足以清洗整个光伏板的情况下，暂停区域可以先不进行清洗；

需要说明的是，第一系数阈值和第二系数阈值/>由本领域技术人员在历史光伏板清洗过程中，计算m个区域对应的清洗系数，本领域技术人员根据实际经验对m个区域进行清洗难易程度划分，分成高难度、中难度和低难度三个清洗难度，将高难度和中难度中每个区域的清洗系数进行排序，分别收集两个清洗难度中最小的清洗系数，以此类推获取多个高难度中最小的清洗系数和中难度中最小的清洗系数，将多个高难度中最小的清洗系数对应的均值作为第二系数阈值，将多个中难度中最小的清洗系数对应的均值作为第一系数阈值；

将多个清洗区域对应的能源数据相加获取清洗区域能源数据，将多个调节区域对应的能源数据相加获取调节区域能源数据，将清洗区域能源数据和调节区域能源数据相加获取多区域能源数据；将清洗区域能源数据和多区域能源数据分别与电量数据进行对比，若清洗区域能源数据大于或等于电量数据，则生成第一调节指令，说明清洗机器人剩余电量仅供对清洗区域进行清洗；若清洗区域能源数据小于电量数据且多区域能源数据大于电量数据，则生成第二调节指令，说明清洗机器人剩余电量在对所有清洗区域进行清洗之余，还能对部分调节区域进行清洗；若多区域能源数据小于或等于电量数据，则生成第三调节指令，说明机器人剩余电量能对所有清洗区域和调节区域进行清洗；

若生成第一调节指令，将电量数据除以清洗区域能源数据，获取清洗区域电量占比；将每个清洗区域对应清洗参数中的用水量、水压以及清洗时间分别乘以清洗区域电量占比，获取每个清洗区域的实际用水量、实际水压以及实际清洗时间，将每个清洗区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个清洗区域新的清洗参数，清洗机器人根据每个清洗区域新的清洗参数对清洗区域进行清洗，对调节区域和暂停区域不进行清洗；

若生成第二调节指令，则将电量数据减去清洗区域能源数据，获取剩余能源数据；将剩余能源数据除以调节区域能源数据，获取调节区域电量占比，将每个调节区域对应清洗参数中的用水量、水压以及清洗时间分别乘以调节区域电量占比，获取每个调节区域的实际用水量、实际水压以及实际清洗时间，将每个调节区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个调节区域新的清洗参数；清洗机器人根据每个清洗区域的清洗参数对清洗区域进行清洗，根据每个调节区域新的清洗参数对调节区域进行清洗，对暂停区域不进行清洗；

若生成第三调节指令，则清洗机器人直接根据每个清洗区域对应的清洗参数对清洗区域进行清洗，根据每个调节区域对应的清洗参数对调节区域进行清洗，对暂停区域不进行清洗；

本实施例通过电量分析模型和清洗参数的综合分析，实现了对光伏板清洗过程的智能调配；通过综合考虑清洗难度、剩余电量以及不同区域的清洗需求，生成智能调配指令，实现了清洗机器人工作状态与电量条件的高效匹配，能够灵活调整清洗参数，既保证了光伏板清洗质量，也最大限度节约了清洗能源。

实施例3：

请参阅图4所示，本实施例未详细叙述部分见实施例1和实施例2描述内容，提供自适应状态控制的光伏板清洗机器人环境调节方法，方法包括：

采集影响数据，影响数据包括即时环境数据和长期环境数据；

根据长期环境数据，计算对应的污垢堆积程度；

将光伏板沿着清洗机器人的清洗方向划分为m个区域；

采集m个区域的污垢图像；

对m个区域的污垢图像分别进行分析，获取m个区域对应的污垢种类和污垢面积；

根据污垢堆积程度和m个区域对应的污垢面积，计算m个区域对应的污垢系数；

根据即时环境数据、m个区域对应的污垢种类和污垢系数，获取m个区域对应的清洗参数；清洗机器人根据获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗。

进一步地，影响数据为光伏板周围空间的环境数据，即时环境数据为清洗机器人清洗一次光伏板时实时采集的数据，长期环境数据为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的数据，长期环境数据根据预设的采集间隔t进行采集，采集次数n的计算方法为，其中/>为清洗机器人清洗光伏板的清洗频率；清洗机器人为光伏板清洗机器人。

进一步地，即时环境数据包括温度值、湿度值、风速值、风向、气压值、降雨量以及光照强度；

长期环境数据包括温度值集合、湿度值集合、降雨量集合以及空气质量集合；温度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的温度值；湿度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的湿度值；降雨量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的降雨量；

空气质量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的空气质量，空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取，PM2.5数量和PM10数量的采集方法均与长期环境数据的采集方法一致，空气质量的计算方法为：，其中/>为空气质量，/>为第i次采集的PM2.5数量，/>为第i次采集的PM10数量，/>、/>为预设权重系数且/>、/>均大于0，。

进一步地，污垢堆积程度的计算方法包括：

；

式中，为污垢堆积程度，/>为温度值集合中第i次采集的温度值，/>为湿度值集合中第i次采集的湿度值，/>为降雨量集合中第i次采集的降雨量，/>、/>、/>、/>为预设比例系数且/>、/>、/>、/>均大于0。

进一步地，获取m个区域对应污垢种类的方法包括：

将m个区域的污垢图像分别输入训练好的污垢分析模型，以判断每张污垢图像中的污垢种类；

污垢分析模型的训练过程包括：

预先收集多张污垢图像，将每张污垢图像标记为训练图像，对每张训练图像中的污垢种类进行标注；将不同的污垢种类分别转换为数字标注；将标注后的训练图像分为训练集和测试集；使用训练集对污垢分析模型进行训练，使用测试集对污垢分析模型进行测试；预设误差阈值，当测试集中所有训练图像的预测误差的均值小于误差阈值时，输出污垢分析模型；所述污垢分析模型为卷积神经网络模型。

进一步地，获取m个区域对应污垢面积的方法包括：

将每张污垢图像进行灰度化处理，分别收集Y个像素点的灰度值，Y为一张污垢图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为污垢点，灰度值小于灰度值阈值的像素点则不进行标记；

依次统计每张污垢图像中的污垢点个数，计算m个区域对应的污垢面积；

m个区域对应的污垢面积计算如下：

；

式中，为第j个区域的污垢面积，/>为第j个区域的污垢点个数，/>为一个污垢点的面积，/>为比例系数，/>；

一个污垢点的面积由污垢图像的分辨率获取，污垢图像的分辨率由污垢图像的属性获取。

进一步地，m个区域对应污垢系数的计算方法包括：

；

式中，为第j个区域的污垢系数。

进一步地，获取m个区域对应清洗参数的方法包括：

将即时环境数据、一个区域对应的污垢种类和污垢系数作为一组分析数据，一组分析数据对应一个区域；清洗机器人在分析数据的条件下，获取对应的清洗参数，清洗参数与分析数据一一对应；清洗参数包括用水量、水压、清洗角度、清洗时间以及清洗剂种类；

将分析数据输入训练好的第一参数获取模型，预测出对应的用水量；将分析数据输入训练好的第二参数获取模型，预测出对应的水压；将分析数据输入训练好的第三参数获取模型，预测出对应的清洗角度；将分析数据输入训练好的第四参数获取模型，预测出对应的清洗时间；将分析数据输入训练好的第五参数获取模型，预测出对应的清洗剂种类；

第一参数获取模型的训练过程包括：

预先收集多组分析数据对应的用水量，将分析数据与对应的用水量转换为对应的一组特征向量；

将每组特征向量作为第一参数获取模型的输入，所述第一参数获取模型以每组分析数据对应的一组预测用水量作为输出，以每组分析数据对应的实际用水量作为预测目标，实际用水量即为上述预先收集的与分析数据对应的用水量；以最小化所有分析数据的预测误差之和作为训练目标；对第一参数获取模型进行训练，直至预测误差之和达到收敛时停止训练；所述第一参数获取模型为深度神经网络模型；

第二参数获取模型、第三参数获取模型、第四参数获取模型以及第五参数获取模型均为深度神经网络模型，且第二参数获取模型、第三参数获取模型以及第四参数获取模型的具体训练过程均与第一参数获取模型一致；而第五参数获取模型的训练过程与第一参数获取模型的不同之处在于，需要先将清洗剂种类转换为数字标注，再将分析数据与对应清洗剂种类对应的数字标注转换为一组特征向量，其中清洗剂种类对应的数字标注与污垢图像对应的数字标注不一致。

进一步地，对m个区域对应的清洗参数进行分析，获取m个区域对应的能源数据，能源数据为清洗机器人根据清洗参数对光伏板的一个区域进行清洗时消耗的电量；

对m个区域对应的清洗参数进行分析的方法包括：

将m个区域对应的清洗参数依次输入训练好的电量分析模型，预测出m个区域对应的能源数据；

电量分析模型的训练过程包括：

预先收集多组清洗参数对应的能源数据，将清洗参数与对应的能源数据转换为对应的一组特征向量；

将每组特征向量作为电量分析模型的输入，所述电量分析模型以每组清洗参数对应的一组预测能源数据作为输出，以每组清洗参数对应的实际能源数据作为预测目标，实际能源数据即为上述预先收集的与清洗参数对应的能源数据；以最小化所有清洗参数的预测误差之和作为训练目标；对电量分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述电量分析模型为深度神经网络模型；

将m个区域的能源数据依次相加，获取总能源数据，总能源数据为本次清洗机器人清洗整个光伏板时所消耗的总电量；

采集电量数据，电量数据为清洗机器人剩余的电量；电量数据由采集到的最大电量数据和SOC数据相乘获取，最大电量数据为清洗机器人所能储备的最大电量，SOC数据为清洗机器人剩余电量占其最大电量的比例；

将电量数据与总能源数据进行对比，若电量数据大于或等于总能源数据，则不生成调配指令；若电量数据小于总能源数据，则生成调配指令。

进一步地，若生成调配指令，则根据m个区域污垢种类和污垢系数计算对应的清洗系数；

m个区域的清洗系数的计算方法包括：

；

式中，为第j个区域的清洗系数，/>为第j个区域的污垢种类数值，/>、为预设比例系数且/>、/>均大于0；

预设第一系数阈值和第二系数阈值/>，其中/>，将m个区域的清洗系数分别与第一系数阈值/>和第二系数阈值/>进行对比，若/>，则标记为清洗区域；若/>，则标记为调节区域；若/>，则标记为暂停区域；

将多个清洗区域对应的能源数据相加获取清洗区域能源数据，将多个调节区域对应的能源数据相加获取调节区域能源数据，将清洗区域能源数据和调节区域能源数据相加获取多区域能源数据；将清洗区域能源数据和多区域能源数据分别与电量数据进行对比，若清洗区域能源数据大于或等于电量数据，则生成第一调节指令；若清洗区域能源数据小于电量数据且多区域能源数据大于电量数据，则生成第二调节指令；若多区域能源数据小于或等于电量数据，则生成第三调节指令；

若生成第一调节指令，将电量数据除以清洗区域能源数据，获取清洗区域电量占比；将每个清洗区域对应清洗参数中的用水量、水压以及清洗时间分别乘以清洗区域电量占比，获取每个清洗区域的实际用水量、实际水压以及实际清洗时间，将每个清洗区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个清洗区域新的清洗参数，清洗机器人根据每个清洗区域新的清洗参数对清洗区域进行清洗，对调节区域和暂停区域不进行清洗；

若生成第二调节指令，则将电量数据减去清洗区域能源数据，获取剩余能源数据；将剩余能源数据除以调节区域能源数据，获取调节区域电量占比，将每个调节区域对应清洗参数中的用水量、水压以及清洗时间分别乘以调节区域电量占比，获取每个调节区域的实际用水量、实际水压以及实际清洗时间，将每个调节区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个调节区域新的清洗参数；清洗机器人根据每个清洗区域的清洗参数对清洗区域进行清洗，根据每个调节区域新的清洗参数对调节区域进行清洗，对暂停区域不进行清洗；

若生成第三调节指令，则清洗机器人直接根据每个清洗区域对应的清洗参数对清洗区域进行清洗，根据每个调节区域对应的清洗参数对调节区域进行清洗，对暂停区域不进行清洗。

实施例4：

请参阅图5所示，根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的自适应状态控制的光伏板清洗机器人环境调节方法。

根据本申请实施方式的方法或系统也可以借助于图5所示的电子设备的架构来实现。如图5所示，电子设备500可包括总线501、一个或多个CPU502、ROM503、RAM504、连接到网络的通信端口505、输入/输出506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的自适应状态控制的光伏板清洗机器人环境调节方法。进一步地，电子设备500还可包括用户界面508。当然，图5所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图5示出的电子设备中的一个或多个组件。

实施例5：

请参阅图6所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的自适应状态控制的光伏板清洗机器人环境调节方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。

另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：自适应状态控制的光伏板清洗机器人环境调节方法。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，包括：

采集影响数据，影响数据包括即时环境数据和长期环境数据；

根据长期环境数据，计算对应的污垢堆积程度；

将光伏板沿着清洗机器人的清洗方向划分为m个区域；

采集m个区域的污垢图像；

对m个区域的污垢图像分别进行分析，获取m个区域对应的污垢种类和污垢面积；

根据污垢堆积程度和m个区域对应的污垢面积，计算m个区域对应的污垢系数；

根据即时环境数据、m个区域对应的污垢种类和污垢系数，获取m个区域对应的清洗参数；清洗机器人根据获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗。

2.根据权利要求1所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，所述影响数据为光伏板周围空间的环境数据，所述即时环境数据为清洗机器人清洗一次光伏板时实时采集的数据，所述长期环境数据为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的数据，所述长期环境数据根据预设的采集间隔t进行采集，采集次数n的计算方法为，其中/>为清洗机器人清洗光伏板的清洗频率；清洗机器人为光伏板清洗机器人。

3.根据权利要求2所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，所述即时环境数据包括温度值、湿度值、风速值、风向、气压值、降雨量以及光照强度；

所述长期环境数据包括温度值集合、湿度值集合、降雨量集合以及空气质量集合；所述温度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的温度值；所述湿度值集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的湿度值；所述降雨量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的降雨量；

所述空气质量集合为光伏板前一次完成清洗后，至下一次开始清洗前持续采集的空气质量，空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取，PM2.5数量和PM10数量的采集方法均与长期环境数据的采集方法一致，空气质量的计算方法为：，其中/>为空气质量，/>为第i次采集的PM2.5数量，/>为第i次采集的PM10数量，/>、/>为预设权重系数且/>、/>均大于0，/>。

4.根据权利要求3所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，污垢堆积程度的计算方法包括：

；

式中，为污垢堆积程度，/>为温度值集合中第i次采集的温度值，/>为湿度值集合中第i次采集的湿度值，/>为降雨量集合中第i次采集的降雨量，/>、/>、/>、/>为预设比例系数且/>、/>、/>、/>均大于0。

5.根据权利要求4所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，获取m个区域对应污垢种类的方法包括：

将m个区域的污垢图像分别输入训练好的污垢分析模型，以判断每张污垢图像中的污垢种类；

污垢分析模型的训练过程包括：

预先收集多张污垢图像，将每张污垢图像标记为训练图像，对每张训练图像中的污垢种类进行标注；将不同的污垢种类分别转换为数字标注；将标注后的训练图像分为训练集和测试集；使用训练集对污垢分析模型进行训练，使用测试集对污垢分析模型进行测试；预设误差阈值，当测试集中所有训练图像的预测误差的均值小于误差阈值时，输出污垢分析模型；所述污垢分析模型为卷积神经网络模型。

6.根据权利要求5所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，获取m个区域对应污垢面积的方法包括：

将每张污垢图像进行灰度化处理，分别收集Y个像素点的灰度值，Y为一张污垢图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为污垢点，灰度值小于灰度值阈值的像素点则不进行标记；

依次统计每张污垢图像中的污垢点个数，计算m个区域对应的污垢面积；

m个区域对应的污垢面积计算如下：

；

式中，为第j个区域的污垢面积，/>为第j个区域的污垢点个数，/>为一个污垢点的面积，/>为比例系数，/>；

一个污垢点的面积由污垢图像的分辨率获取，污垢图像的分辨率由污垢图像的属性获取。

7.根据权利要求6所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，m个区域对应污垢系数的计算方法包括：

；

式中，为第j个区域的污垢系数。

8.根据权利要求7所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，获取m个区域对应清洗参数的方法包括：

将即时环境数据、一个区域对应的污垢种类和污垢系数作为一组分析数据，一组分析数据对应一个区域；清洗机器人在分析数据的条件下，获取对应的清洗参数，清洗参数与分析数据一一对应；清洗参数包括用水量、水压、清洗角度、清洗时间以及清洗剂种类；

将分析数据输入训练好的第一参数获取模型，预测出对应的用水量；将分析数据输入训练好的第二参数获取模型，预测出对应的水压；将分析数据输入训练好的第三参数获取模型，预测出对应的清洗角度；将分析数据输入训练好的第四参数获取模型，预测出对应的清洗时间；将分析数据输入训练好的第五参数获取模型，预测出对应的清洗剂种类；

第一参数获取模型的训练过程包括：

预先收集多组分析数据对应的用水量，将分析数据与对应的用水量转换为对应的一组特征向量；

将每组特征向量作为第一参数获取模型的输入，所述第一参数获取模型以每组分析数据对应的一组预测用水量作为输出，以每组分析数据对应的实际用水量作为预测目标，实际用水量即为所述预先收集的与分析数据对应的用水量；以最小化所有分析数据的预测误差之和作为训练目标；对第一参数获取模型进行训练，直至预测误差之和达到收敛时停止训练；所述第一参数获取模型为深度神经网络模型；

第二参数获取模型、第三参数获取模型、第四参数获取模型以及第五参数获取模型均为深度神经网络模型，且第二参数获取模型、第三参数获取模型以及第四参数获取模型的具体训练过程均与第一参数获取模型一致；而第五参数获取模型的训练过程与第一参数获取模型的不同之处在于，需要先将清洗剂种类转换为数字标注，再将分析数据与对应清洗剂种类对应的数字标注转换为一组特征向量，其中清洗剂种类对应的数字标注与污垢图像对应的数字标注不一致。

9.根据权利要求8所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，对m个区域对应的清洗参数进行分析，获取m个区域对应的能源数据，能源数据为清洗机器人根据清洗参数对光伏板的一个区域进行清洗时消耗的电量；

对m个区域对应的清洗参数进行分析的方法包括：

将m个区域对应的清洗参数依次输入训练好的电量分析模型，预测出m个区域对应的能源数据；

电量分析模型的训练过程包括：

预先收集多组清洗参数对应的能源数据，将清洗参数与对应的能源数据转换为对应的一组特征向量；

将每组特征向量作为电量分析模型的输入，所述电量分析模型以每组清洗参数对应的一组预测能源数据作为输出，以每组清洗参数对应的实际能源数据作为预测目标，实际能源数据即为所述预先收集的与清洗参数对应的能源数据；以最小化所有清洗参数的预测误差之和作为训练目标；对电量分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述电量分析模型为深度神经网络模型；

将m个区域的能源数据依次相加，获取总能源数据，总能源数据为本次清洗机器人清洗整个光伏板时所消耗的总电量；

采集电量数据，电量数据为清洗机器人剩余的电量；电量数据由采集到的最大电量数据和SOC数据相乘获取，最大电量数据为清洗机器人所能储备的最大电量，SOC数据为清洗机器人剩余电量占其最大电量的比例；

将电量数据与总能源数据进行对比，若电量数据大于或等于总能源数据，则不生成调配指令；若电量数据小于总能源数据，则生成调配指令。

10.根据权利要求9所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，若生成调配指令，则根据m个区域污垢种类和污垢系数计算对应的清洗系数；

m个区域的清洗系数的计算方法包括：

；

式中，为第j个区域的清洗系数，/>为第j个区域的污垢种类数值，/>、/>为预设比例系数且/>、/>均大于0；

预设第一系数阈值和第二系数阈值/>，其中/>，将m个区域的清洗系数分别与第一系数阈值/>和第二系数阈值/>进行对比，若/>，则标记为清洗区域；若/>，则标记为调节区域；若/>，则标记为暂停区域；

将多个清洗区域对应的能源数据相加获取清洗区域能源数据，将多个调节区域对应的能源数据相加获取调节区域能源数据，将清洗区域能源数据和调节区域能源数据相加获取多区域能源数据；将清洗区域能源数据和多区域能源数据分别与电量数据进行对比，若清洗区域能源数据大于或等于电量数据，则生成第一调节指令；若清洗区域能源数据小于电量数据且多区域能源数据大于电量数据，则生成第二调节指令；若多区域能源数据小于或等于电量数据，则生成第三调节指令；

若生成第一调节指令，将电量数据除以清洗区域能源数据，获取清洗区域电量占比；将每个清洗区域对应清洗参数中的用水量、水压以及清洗时间分别乘以清洗区域电量占比，获取每个清洗区域的实际用水量、实际水压以及实际清洗时间，将每个清洗区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个清洗区域新的清洗参数，清洗机器人根据每个清洗区域新的清洗参数对清洗区域进行清洗，对调节区域和暂停区域不进行清洗；

若生成第二调节指令，则将电量数据减去清洗区域能源数据，获取剩余能源数据；将剩余能源数据除以调节区域能源数据，获取调节区域电量占比，将每个调节区域对应清洗参数中的用水量、水压以及清洗时间分别乘以调节区域电量占比，获取每个调节区域的实际用水量、实际水压以及实际清洗时间，将每个调节区域的实际用水量、实际水压、实际清洗时间、清洗角度以及清洗剂种类作为每个调节区域新的清洗参数；清洗机器人根据每个清洗区域的清洗参数对清洗区域进行清洗，根据每个调节区域新的清洗参数对调节区域进行清洗，对暂停区域不进行清洗；

若生成第三调节指令，则清洗机器人直接根据每个清洗区域对应的清洗参数对清洗区域进行清洗，根据每个调节区域对应的清洗参数对调节区域进行清洗，对暂停区域不进行清洗。

11.自适应状态控制的光伏板清洗机器人环境调节系统，实施权利要求1-10任一项所述的自适应状态控制的光伏板清洗机器人环境调节方法，其特征在于，包括：

影响数据采集模块，采集影响数据，影响数据包括即时环境数据和长期环境数据；

第一数据分析模块，根据长期环境数据，计算对应的污垢堆积程度；

区域划分模块，将光伏板沿着清洗机器人的清洗方向划分为m个区域；

污垢图像采集模块，采集m个区域的污垢图像；

污垢图像分析模块，对m个区域的污垢图像分别进行分析，获取m个区域对应的污垢种类和污垢面积；

第二数据分析模块，根据污垢堆积程度和m个区域对应的污垢面积，计算m个区域对应的污垢系数；

清洗参数调节模块，根据即时环境数据、m个区域对应的污垢种类和污垢系数，获取m个区域对应的清洗参数；清洗机器人根据获取的m个区域对应的清洗参数，对光伏板的m个区域进行清洗。

12.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-10任一项所述自适应状态控制的光伏板清洗机器人环境调节方法。

13.一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程序，所述计算机程序被执行时实现权利要求1-10任一项所述自适应状态控制的光伏板清洗机器人环境调节方法。