基于人工智能的光伏电池板结冰的清洁方法与系统
文献发布时间:2023-06-19 09:36:59
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的光伏电池板结冰的清洁方法与系统。
背景技术
雪天之后,光伏电站的电池板表面会被积雪覆盖。在各种环境因素的影响下,当积雪量达到一定的厚度时,积雪会缓慢的融化,然后再次结为冰。光伏电站的电池板表面结冰不仅会降低电池板的输出功率,还会减少电池板的使用寿命。
专利文献CN111112270A公开了一种基于雪量感知的光伏智能清洁控制系统和方法,该方法通过视觉传感器和雪量传感器来预测光伏组件所在环境的雪量,并结合气象数据库及时且准确地判定是否开始下雪,清洁机器人及时地对光伏组件进行自动扫雪清洁,防止积雪导致的丧失发电量使光伏组件能正常进行光电转化。
发明人在实践中,发现上述方法不能准确地检测出每个电池板上的积雪厚度,而且没有考虑到电池板表面结冰的情况,从而不能相应地对每个电池板进行彻底地清洁。
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基于人工智能的光伏电池板结冰的清洁方法与系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的光伏电池板结冰的清洁方法,该方法包括以下步骤:
采集每个电池板的初始数据,所述初始数据为电池板表面图像数据、红外图像数据和超声波数据;
将所述初始数据通过DNN网络获取积雪厚度和初始结冰等级;
利用所述积雪厚度和环境因素与所述初始结冰等级建立映射模型;
将每个电池板的积雪厚度输入所述映射模型,预测每个电池板表面的积雪开始结冰时间t
根据所述结冰等级K调整清洁模式,所述清洁模式包括清雪模式和清冰模式;
所述映射模型为:
其中,T>0;T
当t 当t>t 所述DNN网络包括电池板语义分割网络和积雪厚度检测网络,获取所述积雪厚度的步骤包括: 利用所述电池板语义分割网络,获取每个电池板的语义区域; 结合所述语义区域和所述超声波数据,获取每个电池板对应的超声波信号; 将电池板的所述语义区域、所述电池板表面图像数据和对应的所述超声波信号输入所述积雪厚度检测网络,得到每个电池板的所述积雪厚度。 所述DNN网络还包括结冰等级评估网络,获取所述初始结冰等级的步骤包括: 将每个电池板的所述语义区域、所述电池板表面图像数据、所述红外图像数据输入所述结冰等级评估网络中,得到每个电池板的所述初始结冰等级。 所述结冰因子T
其中,H
所述融雪因子T
其中,H 第二方面,本发明另一个实施例提供了一种基于人工智能的光伏电池板结冰的清洁系统,该系统包括: 采集单元,用于采集每个电池板的初始数据,所述初始数据为电池板表面图像数据、红外图像数据和超声波数据; DNN网络单元,用于将所述初始数据通过DNN网络获取积雪厚度和初始结冰等级; 建模单元,用于利用所述积雪厚度和环境因素与所述初始结冰等级建立映射模型; 预测单元,用于将每个电池板的积雪厚度输入所述映射模型,预测每个电池板表面的积雪开始结冰时间t 调节单元,用于根据所述结冰等级K调整清洁模式,所述清洁模式包括清雪模式和清冰模式; 所述映射模型为:
其中,T>0;T 当t 当t>t 所述DNN网络单元,还包括: 电池板语义分割网络单元,用于获取每个电池板的所述语义区域; 积雪厚度检测网络单元,用于获取每个电池板的所述积雪厚度;以及 结冰等级评估网络单元,用于获取每个电池板的所述初始结冰等级。 所述建模单元,还包括: 结冰因子单元,用于获取所述结冰因子T
其中,H
所述建模单元,还包括: 融冰因子单元,用于获取所述融冰因子T
其中,H 所述预测单元,还包括: 时间预测单元,用于预测每个电池板表面的积雪所述开始结冰时间t 等级预测单元,用于预测每个电池板表面的积雪的所述结冰等级K。 本发明实施例至少具有以下有益效果: (1)采集数据和DNN网络可以获取精准的光伏电池板的积雪厚度和初始结冰等级。 (2)根据积雪厚度和环境因素与初始结冰等级建立较为严谨的映射模型。 (3)利用映射模型较为准确地预测一段时间后的结冰等级,从而根据结冰等级自适应地调整清洁模式,防止清洁不彻底导致电池板使用寿命的减少。 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基于人工智能的光伏电池板结冰的清洁方法流程图; 图2为本发明一个实施例所提供的一种基于人工智能的光伏电池板结冰的清洁方法的步骤流程图; 图3为本发明另一个实施例所提供的一种基于人工智能的光伏电池板结冰的清洁系统的结构框图; 图4为本发明一个实施例所提供的关于DNN网络单元的结构框图; 图5为本发明一个实施例所提供的关于建模单元的结构框图; 图6为本发明一个实施例所提供的关于预测单元的结构框图; 图7为本发明一个实施例所提供的关于调整单元的结构框图。 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基于人工智能的光伏电池板结冰的清洁方法与系统,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。 下面结合附图具体的说明本发明所提供的一种基于人工智能的光伏电池板结冰的清洁方法与系统的具体方案。 参照附图1和附图2,本发明一个实施例提供了一种基于人工智能的光伏电池板结冰的清洁方法,该方法包括以下步骤: 步骤S001,采集每个电池板的初始数据,初始数据为电池板表面图像数据、红外图像数据和超声波数据; 步骤S002,将初始数据通过DNN网络获取积雪厚度和初始结冰等级; 步骤S003,利用积雪厚度和环境因素与初始结冰等级建立映射模型; 步骤S004,将每个电池板的积雪厚度输入映射模型,预测每个电池板表面的积雪开始结冰时间t 步骤S005,根据结冰等级K调整清洁模式,清洁模式包括清雪模式和清冰模式。 优选的,步骤S001中,通过无人机采集每个电池板的初始数据,且无人机载有RGB摄像机、红外摄像机和超声波探测器,且无人机低空飞行,摄像机俯视向下采集每个电池板的初始数据。 进一步地,步骤S002中,DNN网络包括电池板语义分割网络,获取每个电池板的语义区域具体步骤如下: 1)将RGB相机采集的电池板表面图像数据输入RGB图像编码器,得到RGB图像特征图,RGB特征图包括积雪特征图、冰层特征图和电池板特征图; 2)RGB图像特征图通过语义分割编码器,得到电池板特征图; 3)将电池板特征图通过语义分割解码器,得到每个电池板的语义区域。 进一步地,DNN网络也包括积雪厚度检测网络,获取积雪厚度的具体步骤如下: 1)将RGB图像特征图和每个电池板的语义区域输入积雪厚度编码器,得到积雪厚度特征图; 2)积雪厚度特征图通过第一全连接得到每个电池板的积雪厚度特征图; 3)根据每个电池板的语义区域,获取该语义区域在图像视野的位置,超声波探测器向该位置发射一束超声波信号,当接收到反射回来的超声波信号时,此时获得的超声波信号就是该语义区域的电池板对应的超声波信号; 4)将电池板对应的超声波信号通过第二全连接,得到每个电池板对应的超声波信号的融合特征; 5)将每个电池板的积雪厚度特征图和每个电池板对应的超声波信号的融合特征通过第三全连接,获得每个电池板的实际积雪厚度。 进一步地,DNN网络还包括结冰等级评估网络,获取初始结冰等级的具体步骤如下: 1)将红外相机采集的红外图像输入红外图像编码器,得到冰层的红外图像特征图; 2)将冰层的红外图像特征图、RGB图像特征图和每个电池板的语义区域输入结冰编码器,得到每个电池板结冰特征图; 3)将结冰特征图经过全连接,得到每个电池板的结冰等级。 需要说明的是,初始结冰等级越大,表示结的冰越厚、面积越大。 进一步地,步骤S003中,建立映射模型的具体步骤如下: 考虑到在积雪尚未结冰时,积雪厚度变化不仅与环境因素有关,还与电池板的热效应有关,所以本发明引入电池板的融雪因子T
其中,H 当积雪开始结冰时,积雪厚度变化不仅与坏境因素有关,还与电池板的热效应以及冰层的影响有关,所以本发明引入结冰因子T
其中,H
需要说明的是:1)由于电池板是发电元件,其自身会产生热量,这种产生热量的现象称为热效应。电池板的热效应会对积雪的融化速度有影响,并且当电池板结冰时,电池板表面的温度分布不均匀,使电池板的热效应发生变化,对电池板上冰的形成和融化速度带来影响。 2)T 由于电池板表面的积雪融化时,积雪的厚度也随之变化,当积雪厚度达到一定程度后开始结冰,结冰等级与积雪厚度、结冰因子T 对于一块电池板,设其上的积雪厚度为H,t时刻后的结冰等级为K,故映射模型为:
其中,T>0;T 进一步地,映射模型中的待定系数α、β、γ,可以利用多组无人机采集的初始数据、环境因素数据和上述DNN网络得到的初始结冰等级,通过上述(3)式和(4)式进行数据拟合,获取α、β、γ的具体数值,确定最终的映射模型。 映射模型反映了积雪厚度和环境因素与结冰等级的关系,在已知环境温度和湿度的情况下,可根据积雪的厚度,预测t时刻后积雪的结冰等级K。对于一定厚度的积雪,在当其结冰后,环境温度越低,湿度越高结冰程度越大,而且积雪越厚结冰程度越大。除此之外,积雪越厚、温度越低、湿度越高,积雪的开始结冰时间越短。 进一步地,上述获得最终映射模型中的数据拟合的方法为: 1)设有N块电池板,H 2)根据上述DNN网络获得的积雪厚度和初始结冰等级,利用上述(1)式、(2)式、(3)式、(4)式进行多项式方程计算,可以得到T 需要说明的是:1)本发明只考虑积雪融化时的数据,不考虑下雪时的数据。 对于一组数据,积雪在融化时,其厚度会慢慢变小,会在某一时刻开始结冰。设积雪的结冰时刻为a:则有: K K 2)一天采集t小时,才能获得一组数据,若要获得多组数据,需要多天的数据采集。 优选的,本发明实施例中视t=6,表示近似采集一天的数据。 进一步地,步骤S005中,调节清洁模式的具体步骤如下: 利用无人机采集每个电池板的初始数据,通过DNN网络获取每个电池板的积雪厚度H; 将积雪厚度H发送给清雪机器人; 清雪机器人通过上述数学映射模型计算得到每个电池板表面的积雪开始结冰时间t 清雪机器人开始工作,使用清雪模式清洁未结冰的积雪,即结冰等级K为0的电池板表面上的积雪; 随着时间的流逝,清雪机器人清理完一个电池板后,开始清理下一个电池板时,清雪机器人根据上一个电池板的清洁时间计算出该电池板的结冰等级K; 根据不同的结冰等级K启动不同的清冰模式。 综上所述,本发明实施例提供了一种基于人工智能的光伏电池板结冰的清洁方法,该方法采集的每个电池板表面的数据通过DNN网络获取积雪厚度和初始结冰等级,利用积雪厚度和环境因素与初始结冰等级建立映射模型,然后通过映射模型预测每个电池板表面的积雪开始结冰时间t 基于与上述方法相同的发明构思,本实施例还提供了一种基于人工智能的光伏电池板结冰的清洁系统。 参照附图3,本发明实施例提供的一种基于人工智能的光伏电池板结冰的清洁系统,该系统包括:采集单元10、DNN网络单元20、建模单元30、预测单元40以及调节单元50。 采集单元10,用于利用无人机采集每个电池板的初始数据,初始数据为电池板表面图像数据、红外图像数据和超声波数据; DNN网络单元20,用于将初始数据通过DNN网络获取积雪厚度和初始结冰等级; 建模单元30,用于利用积雪厚度和环境因素与初始结冰等级建立映射模型; 预测单元40,用于将每个电池板的积雪厚度输入映射模型,预测每个电池板表面的积雪开始结冰时间t 调节单元50,用于根据结冰等级K调整清洁模式,清洁模式包括清雪模式和清冰模式; 映射模型为:
其中,T>0;T 进一步地,参照附图4,DNN网络单元20还包括电池板语义分割网络单元21、积雪厚度检测网络单元22以及结冰等级评估网络单元23。 电池板语义分割网络单元21用于获取每个电池板的语义区域; 积雪厚度检测网络单元22用于获取每个电池板的积雪厚度; 结冰等级评估网络单元23用于获取每个电池板的初始结冰等级。 进一步地,参照附图5,建模单元30还包括结冰因子单元31以及融冰因子单元32。 结冰因子单元31为:
融冰因子单元32为:
其中,H 进一步地,参照附图6,预测单元40还包括时间预测单元41和等级预测单元42。 时间预测单元41用于预测每个电池板表面的积雪开始结冰时间t 等级预测单元42用于预测每个电池板表面的积雪的结冰等级K。 进一步地,参照附图7,调节单元50还包括清雪单元51和清冰单元52. 清雪单元51用于当t 清冰单元52用于当t>t 综上所述,本发明提供了一个光伏电池板结冰的清洁系统,该系统包括采集单元10、DNN网络单元20、建模单元30、预测单元40以及调节单元50。由于利用DNN网络单元20获取积雪厚度和初始结冰等级,保证了数据的准确性,为建立映射模型带来了严谨性,减少结果误差;且通过预测单元40和调节单元50能够精准的预测一段时间后的结冰等级K,便于清雪机器人自适应地调整清洁模式,也防止电池板清洁不彻底导致其使用寿命的减少。 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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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。
- 基于人工智能的光伏电池板结冰的清洁方法与系统
- 一种基于人工智能的光伏电池板EVA黄化检测方法及系统