CN115424141A - 一种光伏装机容量计算方法、装置、电子设备和介质 - Google Patents
一种光伏装机容量计算方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115424141A CN115424141A CN202211007645.9A CN202211007645A CN115424141A CN 115424141 A CN115424141 A CN 115424141A CN 202211007645 A CN202211007645 A CN 202211007645A CN 115424141 A CN115424141 A CN 115424141A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- area
- roof
- installed capacity
- region
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000000463 material Substances 0.000 claims description 72
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Water Supply & Treatment (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明实施例提供了一种光伏装机容量计算方法、装置、电子设备和介质,所述方法包括:接收卫星地图数据;采用预设的识别模型识别所述卫星地图数据中的屋顶区域;提取所述屋顶区域中的可安装光伏区域;按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。本发明实施例可以实现在无需人工介入的情况下,确定屋顶区域中的可安装光伏区域,并确定该可安装光伏区域对应的光伏装机容量,提高对光伏装机容量计算的效率。
Description
技术领域
本发明涉及光伏发电技术领域,特别是涉及一种光伏装机容量计算方法、一种光伏装机容量计算装置、电子设备和介质。
背景技术
当前在分布式光伏建设前,业务员需要知道对应屋顶是否可以安装光伏,并且针对屋顶进行光伏可建设容量测算。当前主流容量测算方案为以下几种方式:1、业务员到屋顶现场勘查,看屋顶材质和布局,确定是否可以安装光伏。2、获取光伏屋顶图纸,通过图纸来测算光伏可建容量。3、使用无人机对屋顶进行现场推扫,形成三维模型,在此基础上测算光伏装机容量。
上述的第1、3种方式均需要业务员到现场对屋顶逐个勘查,费时费力,当需要大规模进行分布式光伏建设时,有着严重的人力瓶颈;第2种方式依赖于客户配合度,一般较难拿到屋顶图纸。
当前对光伏可建设容量测算方式均需要人工介入完成,效率都比较低。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种光伏装机容量计算方法和相应的一种光伏装机容量计算装置、电子设备和介质。
为了解决上述问题,本发明实施例公开了一种光伏装机容量计算方法,包括:
接收卫星地图数据;
采用预设的识别模型识别所述卫星地图数据中的屋顶区域;
提取所述屋顶区域中的可安装光伏区域;
按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。
可选地,所述识别所述卫星地图数据中的屋顶区域的步骤,包括:
采用预设的识别模型识别所述卫星地图数据中包含的建筑物的位置信息和轮廓信息;
依据所述位置信息和所述轮廓信息,确定建筑物的屋顶区域。
可选地,所述方法还包括:
识别所述屋顶区域对应的屋顶材质;
判断所述屋顶材质是否包含预设的可建光伏材质;
若判断所述屋顶区域对应的屋顶材质不包含预设的可建光伏材质,则确定所述屋顶区域为不可安装光伏区域;
若判断所述屋顶区域对应的屋顶材质包含预设的可建光伏材质,则针对所述屋顶区域中所述屋顶材质为可建光伏材质的区域,执行所述提取所述屋顶区域中的可安装光伏区域
可选地,所述提取所述屋顶区域中的可安装光伏区域的步骤,包括:
提取所述屋顶区域中的平整区域;
提取所述屋顶区域中的阴影区域;
将所述平整区域去除所述阴影区域之后的区域判断为可安装光伏区域。
可选地,所述按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量的步骤包括:
计算所述可安装光伏区域的面积信息;
基于预设规则以及所述面积信息,确定可安装的光伏装机容量。
可选地,所述基于预设规则以及所述面积信息,确定可安装的光伏装机容量的步骤包括:
依据所述面积信息、所述屋顶区域对应的屋顶材质以及与所述屋顶材质对应的权重系数,确定可安装的光伏装机容量。
可选地,所述基于预设规则以及所述面积信息,确定可安装的光伏装机容量的步骤包括:
按照所述面积信息对所述可安装区域进行模拟光伏铺设,得到模拟结果;
依据所述模拟结果,确定可安装的光伏装机容量。
本发明实施例公开了一种光伏装机容量计算装置,包括:
地图数据获取模块,用于接收卫星地图数据;
屋顶定位模块,用于采用预设识别模型识别所述卫星地图数据中的屋顶区域;
可安装光伏区域提取模块,用于提取所述屋顶区域中的可安装光伏区域;
光伏装机容量测算模块,用于按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。
本发明实施例公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的一种光伏装机容量计算方法的步骤。
本发明实施例公开了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计算机程序,所述计算机程序被处理器执行时实现如上所述的一种光伏装机容量计算方法的步骤。
本发明实施例包括以下优点:
在获取到卫星地图数据后,通过采用预设的识别模型识别出卫星地图数据中的屋顶区域,并提取出屋顶区域中的可安装光伏区域,以判断出屋顶区域能够安装光伏发电***的区域,进而按照预设规则确定在该可安装区域安装光伏发电***时,该光伏发电***的光伏装机容量,从而实现在获取卫星地图数据后,自动地预测出卫星地图数据中能够安装光伏发电***的屋顶区域,以及在该屋顶区域安装光伏发电***时,该光伏发电***所能达到的光伏装机容量,无需人工介入,提高对光伏装机容量预测的效率。
附图说明
图1是本发明的一种光伏装机容量计算方法实施例的步骤流程图;
图2是本发明的另一种光伏装机容量计算方法实施例的步骤流程图;
图3是本发明的一种光伏装机容量计算方法示例流程图;
图4是本发明的一种光伏装机容量计算装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的核心构思之一在于,在获取到卫星地图数据后,依据卫星地图数据判断出能够安装光伏发电***的可安装光伏区域,并预测该可安装光伏区域能够承载的光伏装机容量,无需人工介入,提高对指定区域的光伏装机容量的预测。
参照图1,示出了本发明的一种光伏装机容量计算方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,接收卫星地图数据;
本发明实施例可以应用于本地服务器中,本地服务器可以通过卫星或者第三方服务器获取卫星地图数据。
在一示例中,本地服务器可以与卫星连接。本地服务器可以接收该卫星采集并发送的卫星地图数据。
在另一示例中,本地服务器与第三服务器连接。本地服务器向第三方服务器发送地图获取请求,第三方服务器向本地服务器反馈该地图获取请求对应的卫星地图数据。
具体的,本地服务器可以从卫星或者第三方服务器获取指定区域的卫星地图数据,例如:从第三方服务器中获取以北纬24度02分33秒、东经112度13分52秒为中心,面积为300平方米的卫星地图数据。
在部分场景中,预先确定需安装光伏发电***的建筑物坐标,进而根据该坐标获取包含建筑物屋顶的卫星地图数据。例如:可以向第三方服务器输入上述的建筑物坐标,第三方服务器反馈以该建筑物坐标为中心的卫星地图数据。
在部分场景中,可以获取预先确定的经纬度范围对应的卫星地图数据。
为了提高后续对卫星地图的识别和处理,本发明实施例获取的卫星地图数据为高清地图数据,其分辨率的范围为0.5~5米。
卫星地图数据可以是实时数据,也可以是历史数据,本发明对此不作限定。
步骤102,采用预设的识别模型识别所述卫星地图数据中的屋顶区域;
可以基于机器学习和/或深度学习算法构建识别模型,采用识别模型识别定位出卫星地图数据中的屋顶区域,屋顶区域为卫星地图数据中记录的建筑物的顶部的图像所在区域。
例如:可以预先构建并训练得到第一模型,第一模型可以接收卫星地图数据,并输出该卫星地图数据中屋顶区域,譬如:第一模型能够在卫星地图数据中标记出的屋顶区域。
本发明实施例对具体的机器学习算法、深度学习算法不做作限定,仅需要识别模型能够识别出卫星地图数据中的屋顶区域即可。
步骤103,提取所述屋顶区域中的可安装光伏区域;
由于不同的建筑物屋顶不一定相同,则需要在提取到屋顶区域后对屋顶区域进一步处理,提取出屋顶区域中的可安装光伏区域。上述处理可以基于机器学习和/或深度学习算法构建出用于提取可安装光伏区域的模型,并采用该模型提取出屋顶区域中的可安装光伏区域,可安装光伏区域为屋顶区域中满足预设条件的能够搭建光伏发电***的区域。
在建筑物屋顶安装光伏发电***需要满足一定的预设条件,例如:平整、达到一定面积、没有被障碍物遮挡。由于光伏发电***包含多个器件,例如:太阳能组件、逆变器、太阳能组件支架、蓄电池等,故预设条件还包括能够承载一定重量。
步骤104,按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。
不同的可安装光伏区域所需的光伏装机容量不相同,以面积为例:在采用相同类型的太阳能电池的情况下,不同的光伏区域能够安装的太阳能电池数量不一定相同,而太阳能电池数量直接影响到光伏装机容量大小。在其他环境因素相同情况下,可安装光伏区域越大、光伏装机容量越大。所以可以在确定出屋顶区域中的可安装光伏区域后,按照预设规则确定在该可安装光伏区域安装光伏发电***时所能达到的光伏装机容量。
在本发明实施例中,在获取到卫星地图数据后,基于机器学习和/或深度学习构建的识别模型识别出卫星地图数据中的屋顶区域,并提取出屋顶区域中的可安装光伏区域,以判断出屋顶区域能够安装光伏发电***的区域,进而按照预设规则确定在该可安装区域安装光伏发电***时,该光伏发电***的光伏装机容量,从而实现在获取卫星地图数据后,自动地预测出卫星地图数据中能够安装光伏发电***的屋顶区域,以及在该屋顶区域安装光伏发电***时,该光伏发电***所能达到的光伏装机容量,无需人工介入,提高对光伏装机容量预测的效率。
参照图2,示出了本发明的另一种光伏装机容量计算方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201,接收卫星地图数据;
步骤202,采用预设的识别模型识别所述卫星地图数据中的屋顶区域;
在本发明的一种可选实施例中,所述步骤202包括:采用预设的识别模型识别所述卫星地图数据中包含的建筑物的位置信息和轮廓信息;依据所述位置信息和所述轮廓信息,确定建筑物的屋顶区域。
在一种示例中,识别模型基于传统机器学习的定位算法识别得到卫星地图数据中的各个建筑物,进而确定每个建筑物的所在位置信息和屋顶的轮廓信息。
在另外一种示例中,识别模型基于深度学习的目标检测算法(Faster RCNN等)、目标分割算法(如Unet等)得到每个建筑物的位置信息和屋顶的轮廓信息。依据每个建筑物的屋顶所在位置及其轮廓围蔽的区域,得到各个建筑物的屋顶区域。
在一种示例中,识别模型可以通过如下方法训练得到:获取初始图像集;初始图像集中包含有多个不同的卫星地图数据。针对一部分的初始图像集进行标注得到训练集;针对另一部分的初始图像输出相应的位置信息和轮廓信息得到测试集。具体标注类型包括:屋顶位置标注、屋顶边缘标注中的至少一种。构建初始模型(可以基于包括但不限于上述的定位算法、目标检测算法、Unet算法构建得到)以及构建与初始模型对应的损失函数。采用训练集训练初始模型并采用测试集确定当前的损失函数,当损失函数达到目标阈值时,停止训练初始模型,并将当前已训练的初始模型作为识别模型,从而使得将卫星地图数据输入至识别模型后,识别模型能够输出屋顶区域的定位信息和轮廓信息。在一示例中,可以将卫星地图数据输入至识别模型,识别模型能够识别出各个与屋顶位置标注匹配的目标像素点,即位置信息。通过对目标像素点所处的位置进行边缘检测,可以得到围蔽目标像素点的所处区域的边缘集合,进而从边缘集合中识别出与屋顶边缘标注匹配的边缘为屋顶区域的轮廓,即轮廓信息。
在另一示例中,识别模型可以对卫星地图数据进行若干次下采样,得到与建筑物对应的特征数据,然后对特征数据进行若干次上采样,从而融合相似特征数据得到特征融合图像,特征融合图像中将建筑物所处区域分割成不同特征数据匹配的区域,对特征融合图像进行卷积,从而对各个分割的区域进行分类,并确定出与屋顶位置标注、屋顶边缘标注中的至少一种为目标区域,通过确定各个目标区域位于卫星地图数据中的位置得到位置信息,将各个目标区域的边缘作为轮廓信息。
步骤203,识别所述屋顶区域对应的屋顶材质;
针对每一个建筑物,可以整体地进行主要材质的判别,也可以将屋顶区域划分为多个子区域,并对每个子区域进行材质识别。材质识别可以使用基于机器学习的分类算法对屋顶全局或不同区域图片进行分类,可使用基于深度学习的分类算法对屋顶全局或不同区域图片进行分类,也可以是两种方法的混合,本发明实施例对此不做限定。
屋顶材质可以分为若干类,例如分为如下四种:混凝土结构、非锈蚀钢结构、锈蚀钢结构、瓦结构,进一步将混凝土结构、非锈蚀钢结构划分为可建光伏材质,将锈蚀钢结构、瓦结构划分为不可建光伏材质。
在具体实现中,可以将屋顶材质划分为多个分类,而不局限于上述四种。
针对每个屋顶区域或者针对每个由屋顶区域划分的子区域的屋顶材质进行判定,判定其属于可建光伏材质还是不可建光伏材质。
步骤204,若判断所述屋顶区域对应的屋顶材质不包含预设的可建光伏材质,则确定所述屋顶区域为不可安装光伏区域;
如果一个屋顶区域的屋顶材质不包含可建光伏材质,即整个屋顶区域对应的屋顶材质均为不可建光伏材质,则确定该屋顶区域为不可安装光伏区域。
步骤205,若判断所述屋顶区域对应的屋顶材质包含预设的可建光伏材质,则针对所述屋顶区域中所述屋顶材质为可建光伏材质的区域,提取所述屋顶区域中的可安装光伏区域;
如果屋顶区域的材质包含可建光伏材质,则针对屋顶区域中材质为可建光伏材质的区域提取可安装光伏区域。例如:屋顶区域A整个区域的屋顶材质为混凝土结构,则针对屋顶区域A整个区域进一步提取可安装光伏区域。又例如:屋顶区域B划分为子区域B1和子区域B2,子区域B1的屋顶材质为瓦结构、子区域B2的屋顶材质为非锈蚀钢结构,则将子区域B1确定为不可安装光伏区域无法在子区域B1中提取可安装光伏区域,以及针对子区域B2进一步提取可安装光伏区域。
如果在安装光伏发电***的区域存在阴影,可能会造成太阳能电池局部发热,并影响整个***的发电效率,故需要对屋顶区域的阴影区域进行优化处理。
在本发明的一种可选实施例中,所述提取所述屋顶区域中的可安装光伏区域的步骤,包括:提取所述屋顶区域中的平整区域;提取所述平整区域中的阴影区域;将所述平整区域去除所述阴影区域之后的区域判断为可安装光伏区域。
在一种示例中,用于提取可安装光伏区域的模型可以通过如下方法训练得到:获取初始图像集;初始图像集中包含有多个不同的卫星地图数据。针对一部分的初始图像集进行标注得到训练集;针对另一部分的初始图像输出相应的平整区域和阴影区域得到测试集。具体标注类型包括:屋顶平整区域标注、屋顶阴影区域标注。构建初始模型(可以基于包括但不限于上述的提取算法、目标检测算法、Unet算法构建得到)以及构建与初始模型对应的损失函数。采用训练集训练初始模型并采用测试集确定当前的损失函数,当损失函数达到目标阈值时,停止训练初始模型,并将当前已训练的初始模型作为用于提取可安装光伏区域的模型。
用于提取可安装光伏区域的模型中,提取平整区域的算法可以是基于机器学***整区域。例如:用于提取可安装光伏区域的模型可以对卫星地图数据中的屋顶区域提取为多个候选区域,计算不同候选区域之间的相似度(例如:纹理、颜色、大小、形状等),并按照预设相似度合并候选区域。提取与屋顶平整区域标注对应的合并后的候选区域为平整区域。
用于提取可安装光伏区域的模型也可使用基于目标分割算法(如Unet等)得到每个建筑物的屋顶区域中的平整区域,由步骤205可知,平整区域的屋顶材质也为可建光伏材质。例如:用于提取可安装光伏区域的模型可以对卫星地图数据进行若干次下采样,得到与屋顶区域对应的特征数据,然后对特征数据进行若干次上采样,从而融合相似特征数据得到特征融合图像,特征融合图像中将屋顶区域分割成不同特征数据匹配的区域,对特征融合图像进行卷积,从而对各个分割的区域进行分类,并确定出于屋顶平整区域标注对应的区域为平整区域。
用于提取可安装光伏区域的模型可以基于机器学习对屋顶区域中的阴影区域进行分割,也可以基于深度学习(如Unet等)对阴影区域进行分割,也可以使用机器学习结合深度学习进行阴影区域的分割。在具体实现中,阴影区域可以为在指定时间段(例如:8:00~16:00)为阴影的区域。
阴影区域的提取过程与平整区域的提取过程相类似,具体不再限定。
本发明实施例对提取平整区域和阴影区域的具体机器学习算法和/或深度学习算法不做限定。
针对每个屋顶区域在平整区域中剔除阴影区域,得到可安装光伏区域。
步骤206,计算所述可安装光伏区域的面积信息;
按照卫星地图数据的比例,以及可安装光伏区域在卫星地图数据中的大小,计算得到可安装光伏区域的面积信息。该面积信息为可安装光伏区域的实际面积大小。
步骤207,基于预设规则以及所述面积信息,确定可安装的光伏装机容量。
由于光伏装机容量与可安装光伏区域面积大小具有较大关联关系,可以在得到可安装光伏区域的面积大小后,按照预设规则并结合面积信息计算当在可安装光伏区域安装光伏发电***时,光伏发电***所能达到的装机容量,即光伏装机容量。
在本发明的另一种可选实施例中,所述基于预设规则以及所述面积信息,确定可安装的光伏装机容量的步骤包括:
依据所述面积信息、所述屋顶区域对应的屋顶材质以及与所述屋顶材质对应的权重系数,确定可安装的光伏装机容量。
例如:混凝土结构的权重系数为1,即每1万平方米的光伏装机容量为1兆峰值发电功率;非锈钢结构结构的为5:6,即每1万平方米的光伏装机容量为1.2兆峰值发电功率。
依据可安装光伏区域的面积信息、屋顶材质及其对应的权重系数,可以预测该可安装光伏区域的光伏装机容量。
在本发明的一种可选实施例中,所述基于预设规则以及所述面积信息,确定可安装的光伏装机容量的步骤包括:按照所述面积信息对所述可安装区域进行模拟光伏铺设,得到模拟结果;依据所述模拟结果,确定可安装的光伏装机容量。
在另一种实现中,也可以采用模拟安装光伏发电***的方式,预测假设在可安装光伏区域安装光伏发电***时,该光伏发电***所能达到的光伏装机容量。例如:由步骤207计算得到的可安装光伏区域的面积信息为S1,可以预先设置模拟安装的太阳能电池板的占地面积为S2=a*b。依据可安装光伏区域的面积信息S1和太阳能电池板的占地面积S2按照预设铺设规则(例如:阵列式铺设)进行模拟铺设,得到模拟结果为可安装光伏区域所能容纳的太阳能电池板最大个数n,进而由预先设置的单个太阳能电池板的峰值发电功率为Wp,得到该可安装光伏区域的光伏装机容量W=n*Wp。
在具体实现中,一般为了提高年平均光伏发电功率,需要针对太阳能电池板所处的纬度调整其与地平面夹角,故在进行光伏铺设时,可以根据电池板的尺寸以及可安装光伏区域的纬度计算上述占地面积S2,例如:S2=S3*c,其中,S3为太阳能电池板面积,c为与纬度相关常数。
需要说明的是,可以对步骤208得到的光伏装机容量进行后处理,以提高其准确性,例如:基于采用的太阳能电池效率、屋顶区域所在海拔、屋顶区域所在经纬度,对光伏装机容量进行后处理,提高其准确性。
参照图3,示出了本发明的一种光伏装机容量计算方法示例流程图,具体流程如下:
步骤301,接收高清卫星图片,可以针对指定经纬度坐标或者经纬度范围从卫星或者第三方服务器获取得到。
步骤302,识别屋顶区域,调用屋顶定位模块对高清卫星图片进行处理(采用识别模型对高清卫星地图进行识别),得到屋顶卫星图片,屋顶卫星图片包含高清卫星图片中所有的屋顶区域。
步骤303,识别屋顶材质。针对屋顶卫星图片进行屋顶材质识别,识别出各个屋顶区域的屋顶材质。
步骤304,判断屋顶材质是否符合预设要求,针对屋顶材质不符合预设要求的屋顶区域执行步骤305,针对屋顶材质符合预设要求的屋顶区域执行步骤306-步骤309。
步骤305,输出提示信息,以提示该屋顶区域较难安装光伏发电***。
步骤306,提取阴影区域,得到该屋顶区域的阴影区域。
步骤307,提取平整区域,得到该屋顶区域的平整区域。
步骤308,计算可建光伏区域面积,在平整区域中剔除阴影区域得到可建光伏区域(可安装光伏区域),并进行可建光伏区域面积测算,得到可建光伏区域的面积信息。
步骤309,计算可建光伏容量,基于该面积大小按照预设规则确定与该可建光伏区域对应的可建光伏容量测算,得到可建光伏区域的光伏装机容量即可建光伏容量。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图4,示出了本发明的一种光伏装机容量计算装置实施例的结构框图,具体可以包括如下模块:
地图数据获取模块401,用于接收卫星地图数据;
屋顶定位模块402,用于采用预设的识别模型识别所述卫星地图数据中的屋顶区域;
可安装光伏区域提取模块403,用于提取所述屋顶区域中的可安装光伏区域;
光伏装机容量测算模块404,用于按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。
在本发明的一种可选实施例中,所述屋顶定位模块402包括:
建筑物识别子模块,用于采用预设的识别模型识别所述卫星地图数据中包含的建筑物的位置信息和轮廓信息;
屋顶区域确定子模块,用于依据所述位置信息和所述轮廓信息,确定建筑物的屋顶区域。
在本发明的一种可选实施例中,所述装置还包括:
材质识别模块,用于识别所述屋顶区域对应的屋顶材质;
屋顶材质判别模块,用于若判断所述屋顶区域对应的屋顶材质不包含预设的可建光伏材质,则确定所述屋顶区域为不可安装光伏区域;若判断所述屋顶区域对应的屋顶材质包含预设的可建光伏材质,则针对所述屋顶区域中所述屋顶材质为可建光伏材质的区域,调用所述可安装光伏区域提取模块403。
在本发明的一种可选实施例中,所述可安装光伏区域提取模块403包括:
平整区域提取子模块,用于提取所述屋顶区域中的平整区域;
阴影区域识别子模块,用于提取所述平整区域中的阴影区域;
可安装光伏区域确定子模块,用于将所述平整区域去除所述阴影区域之后的区域判断为可安装光伏区域。
在本发明的一种可选实施例中,所述光伏装机容量测算模块404包括:
面积计算子模块,用于计算所述可安装光伏区域的面积信息;
光伏装机容量预测子模块,用于基于预设规则以及所述面积信息,确定可安装的光伏装机容量。
在本发明的一种可选实施例中,所述光伏装机容量预测子模块,用于依据所述面积信息、所述屋顶区域对应的屋顶材质以及与所述屋顶材质对应的权重系数,确定可安装的光伏装机容量。
在本发明的一种可选实施例中,所述光伏装机容量预测子模块,用于按照所述面积信息对所述可安装区域进行模拟光伏铺设,得到模拟结果;依据所述模拟结果,确定可安装的光伏装机容量。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,包括:包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述光伏装机容量计算方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述光伏装机容量计算方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种光伏装机容量计算方法、一种光伏装机容量计算装置、电子设备和介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种光伏装机容量计算方法,其特征在于,包括:
接收卫星地图数据;
采用预设的识别模型识别所述卫星地图数据中的屋顶区域;
提取所述屋顶区域中的可安装光伏区域;
按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。
2.根据权利要求1所述的方法,其特征在于,所述识别所述卫星地图数据中的屋顶区域的步骤,包括:
采用预设的识别模型识别所述卫星地图数据中包含的建筑物的位置信息和轮廓信息;
依据所述位置信息和所述轮廓信息,确定建筑物的屋顶区域。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
识别所述屋顶区域对应的屋顶材质;
若判断所述屋顶区域对应的屋顶材质不包含预设的可建光伏材质,则确定所述屋顶区域为不可安装光伏区域;
若判断所述屋顶区域对应的屋顶材质包含预设的可建光伏材质,则针对所述屋顶区域中所述屋顶材质为可建光伏材质的区域,执行提取所述屋顶区域中的可安装光伏区域。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述提取所述屋顶区域中的可安装光伏区域的步骤,包括:
提取所述屋顶区域中的平整区域;
提取所述屋顶区域中的阴影区域;
将所述平整区域去除所述阴影区域之后的区域判断为可安装光伏区域。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量的步骤包括:
计算所述可安装光伏区域的面积信息;
基于预设规则以及所述面积信息,确定可安装的光伏装机容量。
6.根据权利要求5所述的方法,其特征在于,所述基于预设规则以及所述面积信息,确定可安装的光伏装机容量的步骤包括:
依据所述面积信息、所述屋顶区域对应的屋顶材质以及与所述屋顶材质对应的权重系数,确定可安装的光伏装机容量。
7.根据权利要求5所述的方法,其特征在于,所述基于预设规则以及所述面积信息,确定可安装的光伏装机容量的步骤包括:
按照所述面积信息对所述可安装区域进行模拟光伏铺设,得到模拟结果;
依据所述模拟结果,确定可安装的光伏装机容量。
8.一种光伏装机容量计算装置,其特征在于,包括:
地图数据获取模块,用于接收卫星地图数据;
屋顶定位模块,用于采用预设的识别模型识别所述卫星地图数据中的屋顶区域;
可安装光伏区域提取模块,用于提取所述屋顶区域中的可安装光伏区域;
光伏装机容量测算模块,用于按照预设规则确定与所述可安装光伏区域匹配的光伏装机容量。
9.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的一种光伏装机容量计算方法的步骤。
10.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种光伏装机容量计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007645.9A CN115424141A (zh) | 2022-08-22 | 2022-08-22 | 一种光伏装机容量计算方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007645.9A CN115424141A (zh) | 2022-08-22 | 2022-08-22 | 一种光伏装机容量计算方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115424141A true CN115424141A (zh) | 2022-12-02 |
Family
ID=84198941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211007645.9A Pending CN115424141A (zh) | 2022-08-22 | 2022-08-22 | 一种光伏装机容量计算方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424141A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952982A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司滨州市滨城区供电公司 | 一种光伏组件数量及容量检测方法、***、终端及介质 |
WO2024139413A1 (zh) * | 2022-12-27 | 2024-07-04 | 浙江大学德请先进技术与产业研究院 | 多规则智能分布式屋顶光伏资源分类方法 |
-
2022
- 2022-08-22 CN CN202211007645.9A patent/CN115424141A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024139413A1 (zh) * | 2022-12-27 | 2024-07-04 | 浙江大学德请先进技术与产业研究院 | 多规则智能分布式屋顶光伏资源分类方法 |
CN117952982A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司滨州市滨城区供电公司 | 一种光伏组件数量及容量检测方法、***、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108318043B (zh) | 用于更新电子地图的方法、装置和计算机可读存储介质 | |
US11347976B2 (en) | Platform, systems, and methods for identifying characteristics and conditions of property features through imagery analysis | |
US10032267B2 (en) | Automating the assessment of damage to infrastructure assets | |
US10529029B2 (en) | Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis | |
Lingfors et al. | Comparing the capability of low-and high-resolution LiDAR data with application to solar resource assessment, roof type classification and shading analysis | |
CN115424141A (zh) | 一种光伏装机容量计算方法、装置、电子设备和介质 | |
US9690987B2 (en) | System and methods for determination of potential solar installable surface area | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及*** | |
CN115331190B (zh) | 一种基于雷视融合的道路隐患识别方法及装置 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
Fathi et al. | A videogrammetric as-built data collection method for digital fabrication of sheet metal roof panels | |
CN112800911A (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
CN112100301A (zh) | 一种利用高分遥感技术实现水域岸线动态监测的方法 | |
Manninen et al. | Toward automatic condition assessment of high-voltage transmission infrastructure using deep learning techniques | |
Aslani et al. | Automatic identification of utilizable rooftop areas in digital surface models for photovoltaics potential assessment | |
CN115731560A (zh) | 一种基于深度学习的槽线识别方法、装置、存储介质及终端 | |
RU2612571C1 (ru) | Способ и система распознавания городских объектов | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
Presa-Reyes et al. | Weakly-supervised damaged building localization and assessment with noise regularization | |
Boyd | Mapping Solar PV Potential in Ambleside | |
CN115457281B (zh) | 屋顶图像集的生成方法、装置、计算机设备及存储介质 | |
CN117789066B (zh) | 基于深度学习的无人机多视角影像钢轨线自动提取方法 | |
Kashani et al. | 3D data collection and automated damage assessment for near real-time tornado loss estimation | |
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 |