CN114782880A - 用于离网光伏发电***的监测*** - Google Patents
用于离网光伏发电***的监测*** Download PDFInfo
- Publication number
- CN114782880A CN114782880A CN202210708919.0A CN202210708919A CN114782880A CN 114782880 A CN114782880 A CN 114782880A CN 202210708919 A CN202210708919 A CN 202210708919A CN 114782880 A CN114782880 A CN 114782880A
- Authority
- CN
- China
- Prior art keywords
- gaussian distribution
- background
- suspected
- gaussian
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏发电技术领域,具体涉及一种用于离网光伏发电***的监测***。该***可用于太阳能产业,包括疑似背景高斯分布获取模块、类别识别模块、初始背景图像获取模块以及检测报警模块;疑似背景高斯分布获取模块用于获取光伏电池板的视频影像及其中每个像素点对应的疑似背景高斯分布;类别识别模块用于将所有的像素点进行分类得到多个类别,并识别出其中的光伏电池片类别和光栅类别;初始背景图像获取模块用于对每个像素点的像素值进行更新得到初始背景图像;检测报警模块用于对初始背景图像再次修正得到背景图像,根据背景图像得到遮荫区域进行报警处理;提高了对光伏***的监测及时性,并且对遮荫区域的检测更加准确。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种用于离网光伏发电***的监测***。
背景技术
离网光伏发电***指独立光伏发电***,通过吸收太阳光,将太阳辐射能通过光电效应或者光化学效应直接或间接转换成电能达到供电的目的;离网光伏发电***广泛应用于偏僻山区、无电区、海岛、通讯基站和路灯等场所。
离网光伏发电***在使用过程中,经常会受到环境的影响,从而形成遮荫例如树影、尘土、落叶等。当离网光伏发电***电池组件存在局部遮荫情况时,会引起部分电池发热,产生热斑现象。如果局部遮荫长期存在,热斑效应达到一定程度时,会导致组件上的焊点熔化并毁坏栅线,从而使得整个光伏电池组件报废。
目前对于离网光伏发电***电池组件局部遮荫情况往往通过人工巡检或通过图像识别的方法进行监控检测。但是利用人工巡检的人力成本高且效率较低,通过拍摄图像进行识别方法易受飞鸟、晃动的树枝树叶等运动物体的干扰,检测结果准确率低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于离网光伏发电***的监测***,该***包括以下模块:
疑似背景高斯分布获取模块,用于采集一段时间内光伏电池板的视频影像;构建所述视频影像中每个像素点的多个高斯模型,每个像素点对应的不同高斯模型加权求和得到对应的混合高斯背景建模,所述混合高斯背景建模大于背景模型阈值时,所述混合高斯背景建模对应的多个所述高斯模型为疑似背景高斯分布;
类别识别模块,用于获取每个所述像素点的权重最大的疑似背景高斯分布为最大特征高斯分布,计算任意两个像素点之间最大特征高斯分布的差异,基于所有像素点之间的差异将所有像素点划分为多个类别;识别所述类别中的光伏电池片类别以及格栅类别,获取所述光伏电池片类别的第一高斯分布与所述格栅类别的第二高斯分布;
初始背景图像获取模块,用于根据所述第一高斯分布与所述第二高斯分布获取每个所述疑似背景高斯分布为背景的概率,基于每个像素点对应的所有疑似背景高斯分布为背景的概率得到所述像素点的初始像素值,所有所述像素点的初始像素值构成初始背景图像;
检测报警模块,用于判断所述初始背景图像中每个像素点是否满足第一高斯分布或第二高斯分布,当不满足所述第一高斯分布以及第二高斯分布时,对所述背景模型阈值进行修正计算得到新的背景图像,所述背景图像中存在不满足所述第一高斯分布以及第二高斯分布的像素点时,所述像素点为遮荫区域的像素点,及时进行报警处理。
优选的,所述类别识别模块中所述计算任意两个像素点之间最大特征高斯分布的差异的方法,包括:
获取两个所述像素点对应的最大特征高斯分布的期望的差值以及覆盖区域的差值,基于期望的差值以及覆盖区域的差值得到两个所述像素点之间最大特征高斯分布的差异。
优选的,所述类别识别模块中识别所述类别中的光伏电池片类别以及格栅类别的方法,包括:
统计每个所述类别中像素点的数量,所述像素点的数量最多时对应的类别为光伏电池片类别;
获取除了所述光伏电池片类别之外的剩余类别,计算每个剩余类别中所有像素点之间距离的求和,求和结果为所述剩余类别的分散度,所有所述剩余类别中分散度最大的剩余类别为格栅类别。
优选的,所述类别识别模块中获取所述光伏电池片类别的第一高斯分布与所述格栅类别的第二高斯分布的方法,包括:
获取所述光伏电池片类别中每个像素点对应的最大特征高斯分布的期望与协方差矩阵,计算所述光伏电池片类别中所有像素点对应的期望的均值与协方差矩阵的均值,基于所述期望的均值与所述协方差矩阵的均值得到所述光伏电池片类别的第一高斯分布;
获取所述格栅类别中每个像素点对应的最大特征高斯分布的期望与协方差矩阵,计算所述格栅类别中所有像素点对应的期望的均值与协方差矩阵的均值,基于所述期望的均值与所述协方差矩阵的均值得到所述格栅类别的第二高斯分布。
优选的,所述初始背景图像获取模块中根据所述第一高斯分布与所述第二高斯分布获取每个所述疑似背景高斯分布为背景的概率的方法,包括:
获取任意像素点对应的每个所述疑似背景高斯分布的背景率,每个所述疑似背景高斯分布的背景率与所述像素点对应的所有所述疑似背景高斯分布的背景率之和的比值为所述疑似背景高斯分布为背景的概率;
每个所述疑似背景高斯分布的背景率的获取公式为:
其中,表示第个像素点的第个疑似背景高斯分布的背景率;表示第个像素点的第个疑似背景高斯分布与第一高斯分布之间的差异;表示第个像素点的第个疑似背景高斯分布与第二高斯分布之间的差异;表示第个像素点的第个疑似背景高斯分布与第个像素点的第个疑似背景高斯分布之间的差异;表示第个像素点的疑似背景高斯分布的数量;表示第个像素点的第个疑似背景高斯分布与第个像素点的其他疑似背景高斯分布的差异的均值;表示预设阈值;表示指数函数;表示最小值函数。
优选的,所述基于每个像素点对应的所有疑似背景高斯分布为背景的概率得到所述像素点的初始像素值的方法,包括:
获取每个像素点对应的所有疑似背景高斯分布为背景的概率中的最大值,所述最大值对应的所述疑似背景高斯分布的期望为所述像素点的初始像素值。
优选的,所述检测报警模块中判断所述初始背景图像中每个像素点是否满足第一高斯分布的方法,包括:
本发明具有如下有益效果:本发明提出一种用于离网光伏发电***的监测***,该***可用于太阳能产业,通过光伏电池板对应的视频影像中每个像素点的高斯分布进行遮荫部分的检测和分析,能够排除掉由于飞鸟以及晃动的树枝树叶等情况造成的遮荫干扰,使得对光伏***的监测更加及时,检测得到的遮荫区域更加准确,从而对工作人员进行报警提醒及时处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种用于离网光伏发电***的监测的***框图;
图2为本发明一个实施例所提供的一种高斯分布覆盖区域差异的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于离网光伏发电***的监测***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对离网光伏发电***中的光伏电池板表面是否存在遮荫区域进行分析,为了解决现有检测效率低的问题,本发明实施例中通过对光伏电池板在一段时间内的视频影像得到每个像素点对应的多个高斯模型,获取每个像素点对应的疑似背景高斯分布,通过每个像素点对应的所有疑似背景高斯分布属于背景的概率得到该像素点的初始像素值,从而构成初始背景图像,对初始背景图像中每个像素点进行分析修正得到最终的背景图像,基于最终的背景图像分析该光伏电池板上是否存在遮荫区域,当检测出遮荫区域时及时报警给工作人员处理,有效提高了分析的准确性以及检测的效率。
下面结合附图具体的说明本发明所提供的一种用于离网光伏发电***的监测***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于离网光伏发电***的监测的***框图,该***包括以下模块:
疑似背景高斯分布获取模块10,用于采集一段时间内光伏电池板的视频影像;构建视频影像中每个像素点的多个高斯模型,每个像素点对应的不同高斯模型加权求和得到对应的混合高斯背景建模,混合高斯背景建模大于背景模型阈值时,混合高斯背景建模对应的多个高斯模型为疑似背景高斯分布。
具体的,在无人机上搭载相机,将无人机停留在光伏电池板的前方拍摄该光伏电池板一段时间内的视频影像,视频拍摄区域只包含光伏电池板区域。为了对光伏电池板分析检测的准确性,本发明实施例设置视频影像的拍摄时长为1分钟,并且在一天内的上午、中午以及下午各进行一次视频影像采集。
对于光伏电池板而言,其表面的尘土、落叶以及投影于光伏电池板上的树影等都属于遮荫,而飞鸟造成的阴影、光伏电池板附近的树枝、树叶等晃动造成的阴影不属于遮荫;但相机拍摄得到的视频影像中可能存在飞鸟、树枝以及树叶等因素对光伏电池板的表面图像进行干扰,因此需要对拍摄的光伏电池板的视频影像进行分析识别,排除飞鸟、树枝以及树叶等因素的干扰。
由于视频影像实际是由多帧视频图像构成的,每帧视频图像中包含的光伏电池板的像素点均相同,但像素点的像素值可能会存在不同的变化;对于视频影像中的每一个像素点,其在该视频影像中的变化为随机的,因此可根据该像素点的像素值在整个视频影像中的变化构建对应的高斯模型,即根据连续的视频图像中同一像素点的像素值变化构建对应的高斯模型;为了增加数据的可靠性,本发明实施例中对每个位置像素点构建5个高斯模型,在其他实施例中实施者可根据情况自行设定。
进一步的,获取该视频影像中每个位置像素点的混合高斯背景建模,混合高斯背景建模是通过该视频影像中该位置像素点对应的高斯模型通过不同的权值进行叠加获得,即每个位置像素点的混合高斯背景建模由该位置像素点的5个高斯模型在不同权值下的叠加得到;每个高斯模型的权值在构建高斯模型时即对应得到;基于每个像素点对应的混合高斯背景建模初步对像素点的类别进行划分。
本发明实施例中将光伏电池板与遮荫部分记为背景,将非遮荫的干扰部分记为前景;当任意像素点的混合高斯背景建模大于背景模型阈值时,将该像素点的高斯分布标记为疑似背景高斯分布,获取疑似背景高斯分布的具体方法为:
本发明实施例中将背景模型阈值设置为0.6,计算每个像素点对应的5个高斯模型的叠加,不同数量高斯模型按照权重叠加得到的混合高斯背景建模结果不同,当这5个高斯模型中任意1个高斯模型的权值大于0.6时,则该像素点的这1个高斯模型为疑似背景高斯分布;当存在两个高斯模型对应的权值求和大于0.6时,则该像素点的这两个高斯模型为疑似背景高斯分布;即每个像素点对应的高斯模型中最少数量的高斯模型的权值叠加大于0.6时,这些高斯模型为该像素点对应的疑似背景高斯分布。
类别识别模块20,用于获取每个像素点的权重最大的疑似背景高斯分布为最大特征高斯分布,计算任意两个像素点之间最大特征高斯分布的差异,基于所有像素点之间的差异将所有像素点划分为多个类别;识别类别中的光伏电池片类别以及格栅类别,获取光伏电池片类别的第一高斯分布与格栅类别的第二高斯分布。
当同一位置像素点在视频影像中的颜色不变时,即光伏电池板无任何运动目标的干扰,该像素点应该对应唯一一个疑似背景高斯分布;当同一位置像素点在视频影像中颜色发生变化,如树枝树叶的晃动导致像素点在某些时刻呈现树枝的颜色、某些时刻呈现树叶的颜色以及某些时刻呈现光伏电池板的颜色,因此该像素点可能对应多个疑似背景高斯分布;因此需要从每个像素点对应得多个疑似背景高斯分布中找出准确的背景,在排除飞鸟、晃动的树枝树叶等非遮荫物体的干扰的同时,又保留尘土、树影、落叶等遮荫的特征。
首先,获取任意像素点对应的疑似背景高斯分布的数量记为,当时,表明第个像素点的疑似背景高斯分布为背景的概率为1;当,计算该像素点的每个疑似背景高斯分布为背景的概率;将第个像素点的第个疑似背景高斯分布记为:
需要说明的是,视频影像中每帧视频图像为RGB图像,每个疑似背景高斯分布都为三维高斯分布。
然后,获取每个像素点对应的所有疑似背景高斯分布中权值最大的疑似背景高斯分布,将其记为该像素点的最大特征高斯分布,计算每两个像素点之间最大特征高斯分布之间的差异,将该差异作为对应两个像素点之间的差异距离,基于每两个像素点之间的差异距离对所有的像素点进行谱聚类从而得到多个类别。
作为优选,本发明实施例中将所有的像素点划分为10个类别。
获取两个像素点对应的最大特征高斯分布的期望的差值以及覆盖区域的差值,基于期望的差值以及覆盖区域的差值得到两个像素点之间最大特征高斯分布的差异。计算每两个像素点之间最大特征高斯分布之间的差异为:
其中,表示第个像素点的最大特征高斯分布与第个像素点的最大特征高斯分布之间的差异;表示第个像素点的最大特征高斯分布的期望;表示第个像素点的最大特征高斯分布的期望;表示归一化系数;表示第个像素点的最大特征高斯分布;表示第个像素点的最大特征高斯分布;表示与覆盖区域的差异;表示两个最大特征高斯分布期望差值的L2范式;表示双曲正切函数,用于归一化。
进一步的,以一维高斯分布为例;请参阅图2,其示出一种高斯分布覆盖区域差异的示意图,其中黑色部分为两个高斯分布覆盖区域的差异,当覆盖区域的差异越大时,表明两个高斯分布的分布差异越大;当两个高斯分布距离越远时,归一化后的覆盖区域的差异越接近于1。但是只根据覆盖差异的距离衡量两个最大特征高斯分布之间的差异效果有限,因此结合两个最大特征高斯分布之间的期望差异,当期望差异越大时,表明该两个最大特征高斯分布之间的差异越大。
统计每个类别中像素点的数量,像素点的数量最多时对应的类别为光伏电池片类别;获取除了光伏电池片类别之外的剩余类别,计算每个剩余类别中所有像素点之间距离的求和,求和结果为剩余类别的分散度,所有剩余类别中分散度最大的剩余类别为格栅类别。获取光伏电池片类别中每个像素点对应的最大特征高斯分布的期望与协方差矩阵,计算光伏电池片类别中所有像素点对应的期望的均值与协方差矩阵的均值,基于期望的均值与协方差矩阵的均值得到光伏电池片类别的第一高斯分布;获取格栅类别中每个像素点对应的最大特征高斯分布的期望与协方差矩阵,计算格栅类别中所有像素点对应的期望的均值与协方差矩阵的均值,基于期望的均值与协方差矩阵的均值得到格栅类别的第二高斯分布。
具体的,由于光伏电池板上光伏电池片的面积较大,遮荫仅为该光伏电池板上的局部区域,因此将10个类别中像素点最多时对应的类别认定为光伏电池片类别,获取该光伏电池片类别中所有像素点对应的最大特征高斯分布的期望的均值以及协方差矩阵的均值,基于所有像素点期望的均值与协方差矩阵的均值得到光伏电池片类别的第一高斯分布为:
进一步的,对除了光伏电池片类别以外的剩余类别进行分析,计算每个剩余类别中每两个像素点之间的距离进行求和,得到的结果用于表示该剩余类别中所有像素点在视频图像中的分散度,距离之和越大,表明该剩余类别中像素点的分布越广;而光伏电池板的格栅遍布整个光伏电池板区域,分布范围很广;遮荫或者晃动的物体仅仅处于光伏电池板的局部区域,分布范围较小;因此除了光伏电池片类别以外的剩余类别中,分散度最大的剩余类别被认定为光伏电池板的格栅类别。相应的,获取该格栅类别中所有像素点对应的最大特征高斯分布的期望的均值以及协方差矩阵的均值,根据该格栅类别中所有像素点的期望的均值以及协方差的均值获取该光伏电池板的格栅类别的第二高斯分布为:
初始背景图像获取模块30,用于根据第一高斯分布与第二高斯分布获取每个疑似背景高斯分布为背景的概率,基于每个像素点对应的所有疑似背景高斯分布为背景的概率得到像素点的初始像素值,所有像素点的初始像素值构成初始背景图像。
由类别识别模块20获取到光伏电池片的第一高斯分布与格栅的第二高斯分布,基于光伏电池片的第一高斯分布以及格栅的第二高斯分布计算每个疑似背景高斯分布为背景的概率为:
具体疑似背景高斯分布的背景率的计算为:
其中,表示第个像素点的第个疑似背景高斯分布的背景率;表示第个像素点的第个疑似背景高斯分布与光伏电池片的第一高斯分布之间的差异;表示第个像素点的第个疑似背景高斯分布与格栅的第二高斯分布之间的差异;表示第个像素点的第个疑似背景高斯分布与第个像素点的第个疑似背景高斯分布之间的差异;表示第个像素点的疑似背景高斯分布的数量;表示第个像素点的第个疑似背景高斯分布与第个像素点的其他疑似背景高斯分布的差异的均值;表示预设阈值;表示指数函数;表示最小值函数。
当第个像素点的第个疑似背景高斯分布与第个像素点的其他疑似背景高斯分布的差异的均值大于预设阈值时,说明第个像素点的第个疑似背景高斯分布中可能包含了晃动的树叶、树枝以及光伏电池板的特征,即当的取值越小时,第个像素点的第个疑似背景高斯分布与光伏电池片的第一高斯分布之间的差异或者与格栅的第二高斯分布之间的差异较小,越大,相应的,第个像素点的第个疑似背景高斯分布的背景率越大,第个像素点的第个疑似背景高斯分布为背景的概率越大。
当第个像素点的第个疑似背景高斯分布与第个像素点的其他疑似背景高斯分布的差异的均值小于预设阈值时,说明第个像素点的第个疑似背景高斯分布中可能包含了晃动的树影、光伏电池板特征,而树影为叠加到光伏电池板上的阴影部分,相比于光伏电池板本身的颜色较暗,与光伏电池板的特征较为接近;当光伏电池板的表面存在树影时,树影区域属于背景,而树影覆盖的光伏电池板区域并不属于背景;因此在判断此时第个像素点的第个疑似背景高斯分布属于背景的概率时,实际是判断第个像素点的第个疑似背景高斯分布属于树影的概率;当第个像素点的第个疑似背景高斯分布属于树影时,其与光伏电池片的第一高斯分布的差异以及与格栅的第二高斯分布的差异均较大,此时的取值也较大,相应的,第个像素点的第个疑似背景高斯分布的背景率越大,第个像素点的第个疑似背景高斯分布为背景的概率越大。
进一步的,基于每个像素点对应的个疑似背景高斯分布属于背景的概率获取初始背景图像,选取每个像素点对应的个疑似背景高斯分布属于背景的概率的最大值,该最大值对应的疑似背景高斯分布的期望作为该像素点的初始像素值;同理获取所有像素点的初始像素值构成初始背景图像。
检测报警模块40,用于判断初始背景图像中每个像素点是否满足第一高斯分布或第二高斯分布,当不满足第一高斯分布以及第二高斯分布时,对背景模型阈值进行修正计算得到新的背景图像,背景图像中存在不满足第一高斯分布以及第二高斯分布的像素点时,像素点为遮荫区域的像素点,及时进行报警处理。
由于视频影像中存在树枝树叶晃动的情况,因此存在某些像素点可能在某些时刻呈现树枝的颜色、某些时刻呈现树叶的颜色、某些时刻呈现光伏电池板的颜色,当某个像素点呈现光伏电池板的颜色较少时,可能会导致该像素点在选择疑似背景高斯分布时存在未包含光伏电池板的情况;因此需要对每个像素点对应的疑似背景高斯分布进行修正。
具体的,判断初始背景图像中每个像素点的像素值是否满足光伏电池片的第一高斯分布或者格栅的第二高斯分布,即计算像素点的像素值与光伏电池片的第一高斯分布的期望之间的差异,当该差异不大于2.5时,则该像素点满足光伏电池片的第一高斯分布;反之,该像素点不符合光伏电池片的第一高斯分布;其中,表示光伏电池片的第一高斯分布的标准差,由该第一高斯分布的协方差矩阵对角线上元素的平方根获取。
同理,计算像素点的像素值与格栅的第二高斯分布的期望之间的差异,判断该像素点是否符合格栅的第二高斯分布。
当任意像素点不符合光伏电池片的第一高斯分布也不符合格栅的第二高斯分布时,将该像素点记为中心点判断其邻域像素点是否满足光伏电池片的第一高斯分布或者格栅的第二高斯分布;本发明实施例中任意像素点的邻域像素点包括25个像素点;当该像素点的25个邻域像素点中存在像素点符合光伏电池片的第一高斯分布或者格栅的第二高斯分布,该中心点为疑似背景像素点;
获取初始背景图像中所有疑似背景像素点,对所有疑似背景像素点的背景模型阈值进行修正,基于修正后的背景模型阈值得到每个疑似背景像素点对应的新的疑似背景高斯分布,进一步对所有疑似背景高斯分布计算属于背景的概率得到每个疑似背景像素点新的像素值,从而得到最终的背景图像。
作为优选,本发明实施例中将背景模型阈值修正为0.8。
进一步的,判断该背景图像中每个像素点是否属于光伏电池片的第一高斯分布或者格栅的第二高斯分布,当存在像素点不满足第一高斯分布且不满足第二高斯分布时,该像素点为遮荫区域的像素点,获取所有不满足第一高斯分布且不满足第二高斯分布的像素点得到最终的遮荫区域,对工作人员进行报警通知,让工作人员能够及时对遮荫进行处理。
综上所述,本发明实施例提出一种用于离网光伏发电***的监测***,该***包括:疑似背景高斯分布获取模块10、类别识别模块20、初始背景图像获取模块30以及检测报警模块40;通过对光伏电池板在一段时间内的视频影像进行分析,得到每个像素点对应的多个高斯模型,进一步获取每个像素点对应的多个高斯模型中的疑似背景高斯分布,计算每个疑似背景高斯分布属于背景的概率,通过每个像素点对应的所有疑似背景高斯分布属于背景的概率得到该像素点的初始像素值,所有像素点的初始像素值构成初始背景图像,对初始背景图像中每个像素点进行分析修正得到最终的背景图像,基于最终的背景图像分析该光伏电池板上是否存在遮荫区域,当检测出遮荫区域时及时报警给工作人员处理,有效提高了分析的准确性以及检测的效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (7)
1.一种用于离网光伏发电***的监测***,其特征在于,该***包括以下模块:
疑似背景高斯分布获取模块,用于采集一段时间内光伏电池板的视频影像;构建所述视频影像中每个像素点的多个高斯模型,每个像素点对应的不同高斯模型加权求和得到对应的混合高斯背景建模,所述混合高斯背景建模大于背景模型阈值时,所述混合高斯背景建模对应的多个所述高斯模型为疑似背景高斯分布;
类别识别模块,用于获取每个所述像素点的权重最大的疑似背景高斯分布为最大特征高斯分布,计算任意两个像素点之间最大特征高斯分布的差异,基于所有像素点之间的差异将所有像素点划分为多个类别;识别所述类别中的光伏电池片类别以及格栅类别,获取所述光伏电池片类别的第一高斯分布与所述格栅类别的第二高斯分布;
初始背景图像获取模块,用于根据所述第一高斯分布与所述第二高斯分布获取每个所述疑似背景高斯分布为背景的概率,基于每个像素点对应的所有疑似背景高斯分布为背景的概率得到所述像素点的初始像素值,所有所述像素点的初始像素值构成初始背景图像;
检测报警模块,用于判断所述初始背景图像中每个像素点是否满足第一高斯分布或第二高斯分布,当不满足所述第一高斯分布以及第二高斯分布时,对所述背景模型阈值进行修正计算得到新的背景图像,所述背景图像中存在不满足所述第一高斯分布以及第二高斯分布的像素点时,所述像素点为遮荫区域的像素点,及时进行报警处理。
2.根据权利要求1所述一种用于离网光伏发电***的监测***,其特征在于,所述类别识别模块中所述计算任意两个像素点之间最大特征高斯分布的差异的方法,包括:
获取两个所述像素点对应的最大特征高斯分布的期望的差值以及覆盖区域的差值,基于期望的差值以及覆盖区域的差值得到两个所述像素点之间最大特征高斯分布的差异。
3.根据权利要求1所述一种用于离网光伏发电***的监测***,其特征在于,所述类别识别模块中识别所述类别中的光伏电池片类别以及格栅类别的方法,包括:
统计每个所述类别中像素点的数量,所述像素点的数量最多时对应的类别为光伏电池片类别;
获取除了所述光伏电池片类别之外的剩余类别,计算每个剩余类别中所有像素点之间距离的求和,求和结果为所述剩余类别的分散度,所有所述剩余类别中分散度最大的剩余类别为格栅类别。
4.根据权利要求1所述一种用于离网光伏发电***的监测***,其特征在于,所述类别识别模块中获取所述光伏电池片类别的第一高斯分布与所述格栅类别的第二高斯分布的方法,包括:
获取所述光伏电池片类别中每个像素点对应的最大特征高斯分布的期望与协方差矩阵,计算所述光伏电池片类别中所有像素点对应的期望的均值与协方差矩阵的均值,基于所述期望的均值与所述协方差矩阵的均值得到所述光伏电池片类别的第一高斯分布;
获取所述格栅类别中每个像素点对应的最大特征高斯分布的期望与协方差矩阵,计算所述格栅类别中所有像素点对应的期望的均值与协方差矩阵的均值,基于所述期望的均值与所述协方差矩阵的均值得到所述格栅类别的第二高斯分布。
5.根据权利要求1所述一种用于离网光伏发电***的监测***,其特征在于,所述初始背景图像获取模块中根据所述第一高斯分布与所述第二高斯分布获取每个所述疑似背景高斯分布为背景的概率的方法,包括:
获取任意像素点对应的每个所述疑似背景高斯分布的背景率,每个所述疑似背景高斯分布的背景率与所述像素点对应的所有所述疑似背景高斯分布的背景率之和的比值为所述疑似背景高斯分布为背景的概率;
每个所述疑似背景高斯分布的背景率的获取公式为:
6.根据权利要求1所述一种用于离网光伏发电***的监测***,其特征在于,所述基于每个像素点对应的所有疑似背景高斯分布为背景的概率得到所述像素点的初始像素值的方法,包括:
获取每个像素点对应的所有疑似背景高斯分布为背景的概率中的最大值,所述最大值对应的所述疑似背景高斯分布的期望为所述像素点的初始像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708919.0A CN114782880B (zh) | 2022-06-22 | 2022-06-22 | 用于离网光伏发电***的监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708919.0A CN114782880B (zh) | 2022-06-22 | 2022-06-22 | 用于离网光伏发电***的监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782880A true CN114782880A (zh) | 2022-07-22 |
CN114782880B CN114782880B (zh) | 2022-11-01 |
Family
ID=82422364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708919.0A Active CN114782880B (zh) | 2022-06-22 | 2022-06-22 | 用于离网光伏发电***的监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782880B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797603A (zh) * | 2023-08-25 | 2023-09-22 | 江苏惠汕新能源集团有限公司 | 一种光伏阵列故障诊断及定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
CN112257557A (zh) * | 2020-10-20 | 2021-01-22 | 中国电子科技集团公司第五十八研究所 | 一种基于机器视觉的高空抛物检测识别方法及*** |
CN112802054A (zh) * | 2021-02-04 | 2021-05-14 | 重庆大学 | 一种融合图像分割的混合高斯模型前景检测方法 |
CN113506230A (zh) * | 2021-09-10 | 2021-10-15 | 南通欧泰机电工具有限公司 | 一种基于机器视觉的光伏电站航拍影像匀光处理方法 |
-
2022
- 2022-06-22 CN CN202210708919.0A patent/CN114782880B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
CN112257557A (zh) * | 2020-10-20 | 2021-01-22 | 中国电子科技集团公司第五十八研究所 | 一种基于机器视觉的高空抛物检测识别方法及*** |
CN112802054A (zh) * | 2021-02-04 | 2021-05-14 | 重庆大学 | 一种融合图像分割的混合高斯模型前景检测方法 |
CN113506230A (zh) * | 2021-09-10 | 2021-10-15 | 南通欧泰机电工具有限公司 | 一种基于机器视觉的光伏电站航拍影像匀光处理方法 |
Non-Patent Citations (1)
Title |
---|
刘璐等: "一种基于高斯混合模型的分块背景更新算法研究", 《工业控制计算机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797603A (zh) * | 2023-08-25 | 2023-09-22 | 江苏惠汕新能源集团有限公司 | 一种光伏阵列故障诊断及定位方法 |
CN116797603B (zh) * | 2023-08-25 | 2023-10-24 | 江苏惠汕新能源集团有限公司 | 一种光伏阵列故障诊断及定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114782880B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416413B (zh) | 太阳能预报 | |
Caldas et al. | Very short-term solar irradiance forecast using all-sky imaging and real-time irradiance measurements | |
Kamadinata et al. | Sky image-based solar irradiance prediction methodologies using artificial neural networks | |
CN110514298B (zh) | 一种基于地基云图的太阳辐照强度计算方法 | |
Chu et al. | Short-term probabilistic forecasts for direct normal irradiance | |
Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
Di Tommaso et al. | A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle | |
CN106779130B (zh) | 一种基于全天空云图的光伏电站辐射预测方法 | |
CN107133685B (zh) | 光伏发电***发电量的预测方法及预测*** | |
Alonso-Montesinos et al. | The use of a sky camera for solar radiation estimation based on digital image processing | |
WO2017193172A1 (en) | "solar power forecasting" | |
CN114782880B (zh) | 用于离网光伏发电***的监测*** | |
Dissawa et al. | Sky Image‐Based Localized, Short‐Term Solar Irradiance Forecasting for Multiple PV Sites via Cloud Motion Tracking | |
CN110633862A (zh) | 一种基于卫星云图的光功率预测算法 | |
CN114743115A (zh) | 一种光伏电子设备的遮挡物识别方法及故障预警*** | |
CN116191680B (zh) | 一种应用于光伏发电的监控管理*** | |
CN108830311A (zh) | 一种基于Adaboost的红外图像光伏阵列识别方法 | |
CN106780540B (zh) | 面向光伏发电的地基云图云层跟踪及预警方法 | |
Aakroum et al. | Deep learning for inferring the surface solar irradiance from sky imagery | |
CN116307220A (zh) | 一种屋顶光伏功率的预测方法、装置及电子设备 | |
CN116046796A (zh) | 一种基于无人机的光伏组件热斑检测方法及*** | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN113033326B (zh) | 一种光伏电站施工踩踏组件监测方法 | |
CN113657621A (zh) | 一种隐患监测方法和*** | |
CN109860742B (zh) | 变电站通信电源蓄电池电解液泄漏识别方法 |
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 |