CN116996008B - 光伏发电***的安装方法及其*** - Google Patents
光伏发电***的安装方法及其*** Download PDFInfo
- Publication number
- CN116996008B CN116996008B CN202311006243.1A CN202311006243A CN116996008B CN 116996008 B CN116996008 B CN 116996008B CN 202311006243 A CN202311006243 A CN 202311006243A CN 116996008 B CN116996008 B CN 116996008B
- Authority
- CN
- China
- Prior art keywords
- panel assembly
- photovoltaic cell
- cell panel
- feature
- feature map
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009434 installation Methods 0.000 title abstract description 40
- 238000012423 maintenance Methods 0.000 claims abstract description 34
- 230000000712 assembly Effects 0.000 claims abstract description 17
- 238000000429 assembly Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims description 85
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims 1
- 238000004140 cleaning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining 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
- 238000004321 preservation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/10—Cleaning arrangements
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S20/00—Supporting structures for PV modules
- H02S20/30—Supporting structures being movable or adjustable, e.g. for angle adjustment
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S30/00—Structural details of PV modules other than those related to light conversion
- H02S30/10—Frame structures
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S30/00—Structural details of PV modules other than those related to light conversion
- H02S30/20—Collapsible or foldable PV modules
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
-
- 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
- Photovoltaic Devices (AREA)
Abstract
公开了一种光伏发电***的安装方法及其***。其首先将安装支架一字排列;接着,将电池板维护机器人安装于所述安装支架;然后,将光伏电池板组件叠放于电池板叠放架中;接着,所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;最后,将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间。这样,其可以实现智能化的光伏发电***的清洗和安装。
Description
技术领域
本公开涉及光伏发电领域,且更为具体地,涉及一种光伏发电***的安装方法及其***。
背景技术
光伏发电是一种利用半导体界面的光生伏特效应,将光能直接转变为电能的技术,光伏发电***主要由光伏电池板(组件)、控制器和逆变器三大部分组成。
在传统的光伏发电***的安装方案中,通常需要人工判断光伏电池板组件表面的积灰状态,并通过人工控制机器人进行电池板组件的洗刷工作,以避免积灰,从而确保光伏电池板组件的发电效率。然而,人工判断的方式存在较强的主观性,并且对于电池板组件的隐藏区域来说,人工检测的方式会造成漏检和误检,使得光伏电池板组件上的灰层不能得到及时的处理,还可能会造成能源的浪费,影响光伏发电***的安装效率等问题,因此这种方式并不能满足实际的应用需求。
因此,期望一种优化的光伏发电***的安装方案。
发明内容
有鉴于此,本公开提出了一种光伏发电***的安装方法及其***,其可以实现智能化的光伏发电***的清洗和安装。
根据本公开的一方面,提供了一种光伏发电***的安装方法,其包括:
将安装支架一字排列;
将电池板维护机器人安装于所述安装支架;
将光伏电池板组件叠放于电池板叠放架中;
所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;以及
将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间。
根据本公开的另一方面,提供了一种光伏发电***的安装***,其包括:
一字排列模块,用于将安装支架一字排列;
安装模块,用于将电池板维护机器人安装于所述安装支架;
叠放模块,用于将光伏电池板组件叠放于电池板叠放架中;
排列摆放模块,用于所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;以及
压扣安装模块,用于将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间。
根据本公开的实施例,其首先将安装支架一字排列,接着,将电池板维护机器人安装于所述安装支架,然后,将光伏电池板组件叠放于电池板叠放架中,接着,所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上,最后,将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间。这样,其可以实现智能化的光伏发电***的清洗和安装。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的光伏发电***的安装方法的流程图。
图2示出根据本公开的实施例的光伏发电***的安装方法的子步骤S140的流程图。
图3示出根据本公开的实施例的光伏发电***的安装方法的子步骤S140的架构示意图。
图4示出根据本公开的实施例的光伏发电***的安装方法的子步骤S142的流程图。
图5示出根据本公开的实施例的光伏发电***的安装方法的子步骤S1422的流程图。
图6示出根据本公开的实施例的光伏发电***的安装方法的子步骤S143的流程图。
图7示出根据本公开的实施例的光伏发电***的安装方法的子步骤S1431的流程图。
图8示出根据本公开的实施例的光伏发电***的安装***的框图。
图9示出根据本公开的实施例的光伏发电***的安装方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述问题,本公开的技术构思为通过摄像头采集光伏电池板组件的表面状态图像,并在后端引入图像处理和分析算法来对光伏电池板组件的表面状态进行分析以判断光伏电池板组件是否需洗刷。也就是说,在光伏电池板组件的表面状态图像采集的后端进行算法端改进以从软件端来优化光伏电池板组件的积灰状态检测,从而及时地进行洗刷。通过这样的方式,能够取消人工进行光伏电池板组件是否需洗刷的判断,以实现智能化的光伏发电***的清洗和安装。
图1示出根据本公开的实施例的光伏发电***的安装方法的流程图。如图1所示,根据本公开实施例的光伏发电***的安装方法,包括步骤:S110,将安装支架一字排列;S120,将电池板维护机器人安装于所述安装支架;S130,将光伏电池板组件叠放于电池板叠放架中;S140,所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;以及,S150,将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间。
图2示出根据本公开的实施例的光伏发电***的安装方法的子步骤S140的流程图。图3示出根据本公开的实施例的光伏发电***的安装方法的子步骤S140的架构示意图。如图2和图3所示,根据本公开实施例的光伏发电***的安装方法,所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上,包括步骤:S141,通过摄像头采集光伏电池板组件的表面状态图像;S142,对所述光伏电池板组件的表面状态图像进行图像特征提取以得到光伏电池板组件表面状态特征;以及,S143,基于所述光伏电池板组件表面状态特征,确定光伏电池板组件是否需洗刷。
具体地,在本公开的技术方案中,首先,获取由摄像头采集的光伏电池板组件的表面状态图像。应可以理解,在所述光伏电池板组件的表面状态图像的采集过程中,该图像可能会存在噪声的干扰,导致图像中关于光伏电池板组件的表面细节特征变得模糊,影响对于所述光伏电池板组件的表面积灰状态检测的精准度,因此,在特征提取前需要对所述光伏电池板组件的表面状态图像进行图像增强处理。特别地,可以对于所述光伏电池板组件的表面状态图像进行双边滤波处理以得到增强表面状态图像。应可以理解,双边滤波是一种有效的非线性滤波方法,它能够同时考虑空间域信息和灰度相似性,对于边缘保存有很好的效果。因此,在对所述光伏电池板组件的表面状态图像进行图像增强时,期望使用双边滤波来去除图像中的噪声干扰以及增强图像的细节和边缘特征信息。值得一提的是,双边滤波不仅可以去除噪声,还在高斯滤波的基础上,多了一个基于空间域分布的高斯滤波函数,进而有效地解决了距离较远的像素影响边缘像素的问题,达到保护边缘去除噪声的目的。
然后,使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的特征提取器来进行所述增强表面状态图像的特征挖掘。特别地,考虑到在实际进行所述光伏电池板组件的表面状态监测时,由于光伏电池板组件的表面积灰状态特征信息不仅存在于表面的颜色、纹理等浅层和中层特征信息中,还存在于光伏电池板组件的表面深层隐藏特征信息中,而有关于所述光伏电池板组件的表面积灰状态特征在网络模型的不同层会具有不同的特征呈现。因此,在本公开的技术方案中,为了能够进一步提高对于所述光伏电池板组件的表面积灰状态检测的精准度和充分性,需要进一步将所述增强表面状态图像通过基于金字塔模型的图像特征提取器以得到表面状态浅层特征图、表面状态中层特征图和表面状态深层特征图。通过提取所述光伏电池板组件的表面状态的浅层、中层和深层特征,可以获取该光伏电池板组件的表面不同级别的信息,从而更充分地进行所述光伏电池板组件的表面状态特征的表达。
继而,融合所述表面状态浅层特征图、所述表面状态中层特征图和所述表面状态深层特征图,以融合所述光伏电池板组件的表面状态浅层纹理特征信息、中层颜色特征信息以及深层隐含特征信息,从而得到具有关于所述光伏电池板组件的表面状态的多尺度融合关联特征信息的光伏电池板组件表面多尺度融合特征图,以有利于提高对于光伏电池板组件的表面积灰状态检测精准度。
进一步地,还考虑到在进行所述光伏电池板组件的表面积灰状态监测时,应更加关注于该光伏电池板组件的表面状态特征信息而忽略与表面积灰检测无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本公开的技术方案中,将所述光伏电池板组件表面多尺度融合特征图通过空间注意力模块中进行空间特征增强,以提取出聚焦于所述光伏电池板组件的表面空间位置上的关于表面积灰状态的特征分布信息,从而得到多个状态特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于所述光伏电池板组件的表面积灰状态特征信息。
相应地,在一个具体示例中,如图4所示,对所述光伏电池板组件的表面状态图像进行图像特征提取以得到光伏电池板组件表面状态特征,包括:S1421,对所述光伏电池板组件的表面状态图像进行双边滤波以得到增强表面状态图像;S1422,通过基于深度神经网络模型的图像特征提取器对所述增强表面状态图像进行图像特征分析以得到光伏电池板组件表面多尺度融合特征图;以及,S1423,对所述光伏电池板组件表面多尺度融合特征图进行空间特征增强以得到空间强化光伏电池板组件表面多尺度融合特征图作为所述光伏电池板组件表面状态特征。其中,所述深度神经网络模型为金字塔模型。应可以理解,金字塔模型是一种深度神经网络模型,其结构类似于金字塔的形状。金字塔模型通常由多个分支组成,每个分支都有不同的感受野大小,从而可以在不同尺度上对输入图像进行特征提取和分析。金字塔模型可以在不同尺度上提取特征,它能够捕捉到不同尺度上的物体信息,从而提高模型对于尺度变化的鲁棒性。在上述示例中,使用金字塔模型作为深度神经网络模型的一部分,可以对光伏电池板组件的表面状态图像进行特征提取和分析,通过多尺度融合特征图,可以获取更全面、更准确的表面状态特征,从而为后续的光伏电池板组件状态评估和故障检测提供更可靠的依据。
更具体地,在步骤S1422中,如图5所示,通过基于深度神经网络模型的图像特征提取器对所述增强表面状态图像进行图像特征分析以得到光伏电池板组件表面多尺度融合特征图,包括:S14221,将所述增强表面状态图像通过基于金字塔模型的图像特征提取器以得到表面状态浅层特征图、表面状态中层特征图和表面状态深层特征图;以及,S14222,融合所述表面状态浅层特征图、所述表面状态中层特征图和所述表面状态深层特征图以得到所述光伏电池板组件表面多尺度融合特征图。
更具体地,在步骤S1423中,对所述光伏电池板组件表面多尺度融合特征图进行空间特征增强以得到空间强化光伏电池板组件表面多尺度融合特征图作为所述光伏电池板组件表面状态特征,包括:将所述光伏电池板组件表面多尺度融合特征图通过空间注意力模块以得到所述空间强化光伏电池板组件表面多尺度融合特征图。应可以理解,空间注意力模块是一种用于增强图像空间特征的神经网络模块,其可以自动学习和调整图像中不同位置的特征权重,以便更好地关注重要的空间区域。在图像处理任务中,空间注意力模块通常由两个关键组件组成:注意力机制和特征融合。注意力机制用于计算每个空间位置的注意力权重,以决定在特征融合过程中的重要性,常见的注意力机制包括sigmoid函数、softmax函数和门控机制等,这些机制可以根据输入特征的不同进行自适应调整,以捕捉到图像中不同位置的重要信息。特征融合是将注意力权重应用于输入特征的过程,通过将每个位置的特征与对应位置的注意力权重相乘,可以增强重要区域的特征表示,同时抑制不重要区域的特征,这种特征融合可以使网络更加关注图像中的关键部分,提高模型的性能和鲁棒性。在步骤S1423中,通过使用空间注意力模块,可以对光伏电池板组件表面多尺度融合特征图进行空间特征增强。通过计算每个空间位置的注意力权重,并将其应用于特征图中,可以突出重要的空间区域,从而得到空间强化的光伏电池板组件表面多尺度融合特征图。这样的特征图可以更好地表征光伏电池板组件的表面状态特征,为后续的分析和处理提供更准确的信息。
进一步地,在步骤S143中,如图6所示,基于所述光伏电池板组件表面状态特征,确定光伏电池板组件是否需洗刷,包括:S1431,对所述空间强化光伏电池板组件表面多尺度融合特征图进行特征分布优化以得到优化空间强化光伏电池板组件表面多尺度融合特征图;以及,S1432,将所述优化空间强化光伏电池板组件表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果用于表示光伏电池板组件是否需洗刷。
其中,如图7所示,对所述空间强化光伏电池板组件表面多尺度融合特征图进行特征分布优化以得到优化空间强化光伏电池板组件表面多尺度融合特征图,包括:S14311,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以得到加权特征向量;以及,S14312,以所述加权特征向量对所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵进行加权优化以得到所述优化空间强化光伏电池板组件表面多尺度融合特征图。应可以理解,自调谐结构化是指在特征分布优化过程中,通过使用静态场景表达的定向偏导约束来调整特征矩阵的权重,从而得到加权特征向量,这种自调谐结构化方法可以帮助优化空间强化光伏电池板组件表面多尺度融合特征图,使其更加准确和全面地表达光伏电池板组件表面的状态特征。通过加权优化特征矩阵,可以进一步提升优化空间强化光伏电池板组件表面多尺度融合特征图的质量和表达能力。
其中,将所述空间强化光伏电池板组件表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果用于表示光伏电池板组件是否需洗刷。也就是说,以经过空间特征增强后的关于所述光伏电池板组件的表面状态多尺度融合特征信息来进行分类处理,从而进行光伏电池板组件的洗刷判断,以避免积灰,使光伏电池板组件能够保持在良好的运行状态。
也就是,在本公开的技术方案中,所述分类器的标签包括光伏电池板组件需洗刷(第一标签),以及,光伏电池板组件不需洗刷(第二标签),其中,所述分类器通过软最大值函数来确定所述空间强化光伏电池板组件表面多尺度融合特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“光伏电池板组件是否需洗刷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,光伏电池板组件是否需洗刷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“光伏电池板组件是否需洗刷”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一种可能的实现方式中,将所述空间强化光伏电池板组件表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果用于表示光伏电池板组件是否需洗刷,包括:将所述空间强化光伏电池板组件表面多尺度融合特征图按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
特别地,在本公开的技术方案中,这里,将所述增强表面状态图像通过基于金字塔模型的图像特征提取器得到所述表面状态浅层特征图、所述表面状态中层特征图和所述表面状态深层特征图后,所述表面状态浅层特征图、所述表面状态中层特征图和所述表面状态深层特征图分别表达不同深度下的结合了基于金字塔模型的不同空间关联尺度的所述增强表面状态图像的图像语义特征,因此,为了充分利用不同深度下的特征表示,优选地通过沿通道维度级联所述表面状态浅层特征图、所述表面状态中层特征图和所述表面状态深层特征图来得到所述光伏电池板组件表面多尺度融合特征图,但是,这也会导致所述光伏电池板组件表面多尺度融合特征图的各个特征矩阵之间的分布差异。
并且,将所述光伏电池板组件表面多尺度融合特征图通过空间注意力模块时,由于空间注意力模块会强化所述光伏电池板组件表面多尺度融合特征图的各个特征矩阵各自的局部图像语义空间分布,因此所述空间强化光伏电池板组件表面多尺度融合特征图的各个特征矩阵之间的分布差异会进一步扩大,导致所述空间强化光伏电池板组件表面多尺度融合特征图的全局特征分布关联效果变差,从而影响其整体表达效果。
因此,本公开的申请人通过沿通道对所述空间强化光伏电池板组件表面多尺度融合特征图的各个特征矩阵进行加权的方式来提升所述空间强化光伏电池板组件表面多尺度融合特征图的全局特征分布关联效果,其中,所述加权特征向量通过各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化。
相应地,在一个具体示例中,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以得到加权特征向量,包括:将所述空间强化光伏电池板组件表面多尺度融合特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图;以及,基于所述转换后特征图,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以如下优化公式计算所述加权特征向量;其中,所述优化公式为:
其中,首先将所述空间强化光伏电池板组件表面多尺度融合特征图的每个特征矩阵通道线性变换转换为n×n的正方矩阵,其中n是所述空间强化光伏电池板组件表面多尺度融合特征图的通道数,这里,Mk是所述转换后特征图沿通道维度的第k个特征矩阵,V=GAP(:Mk:)是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量,是所述转换后特征图沿通道维度的第k个特征矩阵的第(i,j)位置的特征值,/>和/>分别表示按位置加法、减法和乘法,Vw是所述加权特征向量。
也就是,以所述加权特征向量对于所述空间强化光伏电池板组件表面多尺度融合特征图的各个特征矩阵进行加权时,可以通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的每个静态场景矩阵Mk相对于通道控制向量V的自结构化约束,来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐,从而基于所述空间强化光伏电池板组件表面多尺度融合特征图的高维特征流形集合的与各个特征矩阵所表达的特征场景对应的特定凸多面体族(convex polytopes family)来进行高维特征流形的结构化,以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联,从而提升所述空间强化光伏电池板组件表面多尺度融合特征图的全局特征分布关联效果。这样,能够基于光伏电池板组件的表面积灰情况来进行洗刷判断,从而避免电池板组件表面积灰,使光伏电池板组件能够保持在良好的运行状态,以确保光伏电池板组件的发电效率。
应可以理解,按位置加法、减法和乘法是指对于两个具有相同维度的矩阵或向量,按照元素位置进行相应的运算操作。按位置加法是指将两个矩阵或向量的对应位置的元素相加,得到一个新的矩阵或向量,新矩阵或向量的每个元素等于原矩阵或向量对应位置的元素之和。按位置减法是指将两个矩阵或向量的对应位置的元素相减,得到一个新的矩阵或向量,新矩阵或向量的每个元素等于原矩阵或向量对应位置的元素之差。按位置乘法是指将两个矩阵或向量的对应位置的元素相乘,得到一个新的矩阵或向量,新矩阵或向量的每个元素等于原矩阵或向量对应位置的元素之积。
综上,基于本公开实施例的光伏发电***的安装方法,其可以实现智能化的光伏发电***的清洗和安装。
图8示出根据本公开的实施例的光伏发电***的安装***100的框图。如图8所示,根据本公开实施例的光伏发电***的安装***100,包括:一字排列模块110,用于将安装支架一字排列;安装模块120,用于将电池板维护机器人安装于所述安装支架;叠放模块130,用于将光伏电池板组件叠放于电池板叠放架中;排列摆放模块140,用于所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;以及,压扣安装模块150,用于将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间。
这里,本领域技术人员可以理解,上述光伏发电***的安装***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的光伏发电***的安装方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的光伏发电***的安装***100可以实现在各种无线终端中,例如具有光伏发电***的安装算法的服务器等。在一种可能的实现方式中,根据本公开实施例的光伏发电***的安装***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该光伏发电***的安装***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该光伏发电***的安装***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该光伏发电***的安装***100与该无线终端也可以是分立的设备,并且该光伏发电***的安装***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图9示出根据本公开的实施例的光伏发电***的安装方法的应用场景图。如图9所示,在该应用场景中,首先,通过摄像头采集光伏电池板组件的表面状态图像(例如,图9中所示意的D),然后,将所述光伏电池板组件的表面状态图像输入至部署有光伏发电***的安装算法的服务器中(例如,图9中所示意的S),其中,所述服务器能够使用所述光伏发电***的安装算法对所述光伏电池板组件的表面状态图像进行处理以得到用于表示光伏电池板组件是否需洗刷的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种光伏发电***的安装方法,其特征在于,包括:
将安装支架一字排列;
将电池板维护机器人安装于所述安装支架;
将光伏电池板组件叠放于电池板叠放架中;
所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;以及
将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间;
其中,所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上,包括:
通过摄像头采集光伏电池板组件的表面状态图像;
对所述光伏电池板组件的表面状态图像进行图像特征提取以得到空间强化光伏电池板组件表面多尺度融合特征图作为光伏电池板组件表面状态特征;以及
基于所述光伏电池板组件表面状态特征,确定光伏电池板组件是否需洗刷;
其中,基于所述光伏电池板组件表面状态特征,确定光伏电池板组件是否需洗刷,包括:
对所述空间强化光伏电池板组件表面多尺度融合特征图进行特征分布优化以得到优化空间强化光伏电池板组件表面多尺度融合特征图;以及
将所述优化空间强化光伏电池板组件表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果用于表示光伏电池板组件是否需洗刷;
其中,对所述空间强化光伏电池板组件表面多尺度融合特征图进行特征分布优化以得到优化空间强化光伏电池板组件表面多尺度融合特征图,包括:
通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以得到加权特征向量;以及
以所述加权特征向量对所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵进行加权优化以得到所述优化空间强化光伏电池板组件表面多尺度融合特征图;
其中,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以得到加权特征向量,包括:
将所述空间强化光伏电池板组件表面多尺度融合特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图;以及
基于所述转换后特征图,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以如下优化公式计算所述加权特征向量;
其中,所述优化公式为:
其中,Mk是所述转换后特征图沿通道维度的第k个特征矩阵,V是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量,是所述转换后特征图沿通道维度的第k个特征矩阵的第(i,j)位置的特征值,/>和/>分别表示按位置加法、减法和乘法,Vw是所述加权特征向量。
2.根据权利要求1所述的光伏发电***的安装方法,其特征在于,对所述光伏电池板组件的表面状态图像进行图像特征提取以得到光伏电池板组件表面状态特征,包括:
对所述光伏电池板组件的表面状态图像进行双边滤波以得到增强表面状态图像;
通过基于深度神经网络模型的图像特征提取器对所述增强表面状态图像进行图像特征分析以得到光伏电池板组件表面多尺度融合特征图;以及
对所述光伏电池板组件表面多尺度融合特征图进行空间特征增强以得到空间强化光伏电池板组件表面多尺度融合特征图作为所述光伏电池板组件表面状态特征。
3.根据权利要求2所述的光伏发电***的安装方法,其特征在于,所述深度神经网络模型为金字塔模型。
4.根据权利要求3所述的光伏发电***的安装方法,其特征在于,通过基于深度神经网络模型的图像特征提取器对所述增强表面状态图像进行图像特征分析以得到光伏电池板组件表面多尺度融合特征图,包括:
将所述增强表面状态图像通过基于金字塔模型的图像特征提取器以得到表面状态浅层特征图、表面状态中层特征图和表面状态深层特征图;以及
融合所述表面状态浅层特征图、所述表面状态中层特征图和所述表面状态深层特征图以得到所述光伏电池板组件表面多尺度融合特征图。
5.根据权利要求4所述的光伏发电***的安装方法,其特征在于,对所述光伏电池板组件表面多尺度融合特征图进行空间特征增强以得到空间强化光伏电池板组件表面多尺度融合特征图作为所述光伏电池板组件表面状态特征,包括:
将所述光伏电池板组件表面多尺度融合特征图通过空间注意力模块以得到所述空间强化光伏电池板组件表面多尺度融合特征图。
6.一种光伏发电***的安装***,其特征在于,包括:
一字排列模块,用于将安装支架一字排列;
安装模块,用于将电池板维护机器人安装于所述安装支架;
叠放模块,用于将光伏电池板组件叠放于电池板叠放架中;
排列摆放模块,用于所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述电池板叠放架中叠放的所述光伏电池板组件逐个排列摆放至所述安装支架上;以及
压扣安装模块,用于将装有多个压扣的压扣叠放筒架连接于所述电池板维护机器人,并使所述电池板维护机器人沿着所述安装支架进行往复运动,以将所述压扣逐个安装至排列的所述光伏电池板组件之间;
其中,所述排列摆放模块,包括:
通过摄像头采集光伏电池板组件的表面状态图像;
对所述光伏电池板组件的表面状态图像进行图像特征提取以得到空间强化光伏电池板组件表面多尺度融合特征图作为光伏电池板组件表面状态特征;以及
基于所述光伏电池板组件表面状态特征,确定光伏电池板组件是否需洗刷;
其中,基于所述光伏电池板组件表面状态特征,确定光伏电池板组件是否需洗刷,包括:
对所述空间强化光伏电池板组件表面多尺度融合特征图进行特征分布优化以得到优化空间强化光伏电池板组件表面多尺度融合特征图;以及
将所述优化空间强化光伏电池板组件表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果用于表示光伏电池板组件是否需洗刷;
其中,对所述空间强化光伏电池板组件表面多尺度融合特征图进行特征分布优化以得到优化空间强化光伏电池板组件表面多尺度融合特征图,包括:
通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以得到加权特征向量;以及
以所述加权特征向量对所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵进行加权优化以得到所述优化空间强化光伏电池板组件表面多尺度融合特征图;
其中,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的各个特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以得到加权特征向量,包括:
将所述空间强化光伏电池板组件表面多尺度融合特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图;以及
基于所述转换后特征图,通过所述空间强化光伏电池板组件表面多尺度融合特征图的沿通道维度的特征矩阵的静态场景表达的定向偏导约束来进行自调谐结构化以如下优化公式计算所述加权特征向量;
其中,所述优化公式为:
其中,Mk是所述转换后特征图沿通道维度的第k个特征矩阵,V是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量,是所述转换后特征图沿通道维度的第k个特征矩阵的第(i,j)位置的特征值,/>和/>分别表示按位置加法、减法和乘法,Vw是所述加权特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006243.1A CN116996008B (zh) | 2023-08-10 | 2023-08-10 | 光伏发电***的安装方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006243.1A CN116996008B (zh) | 2023-08-10 | 2023-08-10 | 光伏发电***的安装方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116996008A CN116996008A (zh) | 2023-11-03 |
CN116996008B true CN116996008B (zh) | 2024-02-09 |
Family
ID=88533734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311006243.1A Active CN116996008B (zh) | 2023-08-10 | 2023-08-10 | 光伏发电***的安装方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996008B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别***及其分析调控方法 |
CN112871938A (zh) * | 2020-12-21 | 2021-06-01 | 国家能源集团新能源技术研究院有限公司 | 一种光伏电站清扫监控一体化管理*** |
CN115346139A (zh) * | 2022-08-05 | 2022-11-15 | 武汉理工大学 | 一种太阳能光伏板的无人机激光清洗方法、装置及设备 |
CN115459694A (zh) * | 2022-09-08 | 2022-12-09 | 王英姿 | 一种易于安装的光伏发电***及方法 |
CN115760797A (zh) * | 2022-11-23 | 2023-03-07 | 深圳先进技术研究院 | 一种基于混合注意力网络对胰腺图像进行分类的方法 |
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及*** |
CN116030409A (zh) * | 2022-12-14 | 2023-04-28 | 重庆中电自能科技有限公司 | 一种基于自适应图像分割的光伏板积灰状态识别方法 |
CN116363738A (zh) * | 2023-06-01 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 一种基于多移动目标的人脸识别方法、***及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647716B (zh) * | 2018-05-09 | 2021-08-06 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
-
2023
- 2023-08-10 CN CN202311006243.1A patent/CN116996008B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别***及其分析调控方法 |
CN112871938A (zh) * | 2020-12-21 | 2021-06-01 | 国家能源集团新能源技术研究院有限公司 | 一种光伏电站清扫监控一体化管理*** |
CN115346139A (zh) * | 2022-08-05 | 2022-11-15 | 武汉理工大学 | 一种太阳能光伏板的无人机激光清洗方法、装置及设备 |
CN115459694A (zh) * | 2022-09-08 | 2022-12-09 | 王英姿 | 一种易于安装的光伏发电***及方法 |
CN115760797A (zh) * | 2022-11-23 | 2023-03-07 | 深圳先进技术研究院 | 一种基于混合注意力网络对胰腺图像进行分类的方法 |
CN116030409A (zh) * | 2022-12-14 | 2023-04-28 | 重庆中电自能科技有限公司 | 一种基于自适应图像分割的光伏板积灰状态识别方法 |
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及*** |
CN116363738A (zh) * | 2023-06-01 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 一种基于多移动目标的人脸识别方法、***及存储介质 |
Non-Patent Citations (2)
Title |
---|
注意力融合双流特征的局部GAN生成人脸检测算法;陈北京等;《东南大学学报》;第53卷(第3期);全文 * |
荒漠化地区光伏板表面积尘的识别与分析;苏国庆;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116996008A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103390279B (zh) | 联合显著性检测与判别式学习的目标前景协同分割方法 | |
CN111340123A (zh) | 一种基于深度卷积神经网络的图像分数标签预测方法 | |
CN103258206A (zh) | 一种硅太阳能电池表面缺陷检测和识别方法 | |
CN113052006A (zh) | 一种基于卷积神经网络的图像目标检测方法,***及可读存储介质 | |
CN106650696B (zh) | 一种基于奇异值分解的手写电气元件符号识别方法 | |
CN116191680B (zh) | 一种应用于光伏发电的监控管理*** | |
CN108416795B (zh) | 基于排序池化融合空间特征的视频动作识别方法 | |
CN116704431A (zh) | 水污染的在线监测***及其方法 | |
CN114757925A (zh) | 一种非接触式高压断路器缺陷检测方法及*** | |
CN104537381A (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN117392116A (zh) | 一种超宽幅金属表面瑕疵检测与识别方法 | |
CN117236520B (zh) | 一种分布式多无人机集群协同调度***及其方法 | |
CN114581789A (zh) | 一种高光谱图像分类方法及*** | |
CN117635219A (zh) | 金属矿山生产大数据智能分析***及方法 | |
CN117078670B (zh) | 一种云相框的生产控制*** | |
CN116996008B (zh) | 光伏发电***的安装方法及其*** | |
CN117372853A (zh) | 一种基于图像增强和注意力机制的水下目标检测算法 | |
CN117152642A (zh) | 基于无人机的生态环境监管***及其方法 | |
CN111160372A (zh) | 一种基于高速卷积神经网络的大目标识别方法 | |
CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别***与方法 | |
CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及*** | |
CN113657310A (zh) | 基于多层卷积神经网络的光伏组件红外热斑故障识别方法 | |
Yongchun et al. | Research of license plate character features extraction and recognition | |
Cao et al. | A visual surface defect detection method based on low rank and sparse representation |
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 |