基于人工智能的光伏板清雪机器人调度方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏板清雪机器人调度方法及系统。

背景技术

当光伏电站被积雪覆盖时，会影响光伏发电站的发电效率，需要进行积雪的清理。

光伏板上积雪的覆盖面积和积雪的厚度，以及环境的影响，都会对电池板的发电造成影响，使得输出功率发生变化。

在申请公布号为CN108376399A，即基于光伏板实时监测的沙尘影响程度分析的专利申请文件中，提出了一种通过人为撒上不同厚度的沙尘的光伏板与清洁的光伏板的发电效率进行对比，得到光伏板的发电效率系数。

发明人在实践中，发现上述现有技术存在以下缺陷：

通过深度学习模型得到对应沙尘积累情况下的发电效率，设备要求高，需要频繁测量积雪程度与积雪厚度，而且浪费人力、资源等，且没有判断光伏板是否需要清扫。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于人工智能的光伏板清雪机器人调度方法及系统，所采用的技术方案具体如下：

第一方面，本发明实施例中提供了基于人工智能的光伏板清雪机器人调度方法，具体包括：获取每个光伏板积雪程度L

第二方面，本发明实施例中还提供了基于人工智能的光伏板清雪机器人调度系统，具体包括数据获取模块、数据分析模块、第一映射关系模块、第二映射关系模块和映射模型判断模块。

其中数据获取模块，用于获取每个光伏板积雪程度L

数据分析模块，用于根据积雪程度L

第一映射关系模块，用于基于回归分析法建立积雪程度度量值L(L

第二映射关系模块，用于基于回归分析法建立积雪厚度差异度量值G(H

映射模型判断模块，用于结合第一映射关系L(P)与第二映射关系G(P,T,M)，利用回归分析法，建立光伏板积雪度量值Q(P,T,M)的映射模型Q(P,T,M)＝ln[(L(P)+G(P,T,M)+1)]·G

本发明至少具有如下有益效果：

本发明根据实际情况在得到最终的光伏板积雪度量的映射模型之后，判断光伏板积雪是否需要调度清雪机器人时，不需要再去测量积雪程度与积雪厚度，只需要根据输出功率、温度、湿度这些容易采集的参数去判断光伏板积雪是否需要清理，判断过程方便、快捷，判断结果准确。

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基于人工智能的光伏板清雪机器人调度方法流程图。

图2为本发明一个实施例所提供的基于人工智能的光伏板清雪机器人调度实施方法流程图。

图3为本发明一个实施例中积雪程度L

图4为本发明一个实施例所提供的基于人工智能的光伏板清雪机器人调度系统框图。

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基于人工智能的光伏板清雪机器人调度方法及系统，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基于人工智能的光伏板清雪机器人调度方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的光伏板清雪机器人调度方法流程图。

步骤S1，获取每个光伏板积雪程度L

具体地，本发明实施例在一排光伏组件上实施，整排光伏板积雪程度度量值L由每块光伏板积雪程度Ln加权求和得到。根据积雪覆盖面积与单块光伏板面积得到光伏板积雪程度L

由对L

当整排光伏板积雪程度的度量值L越大时，表示一排电池板上的积雪越多，其输出功率越低。

步骤S2，利用回归分析法，建立所述积雪程度度量值L(L

通过回归分析法，能够建立起整排光伏板积雪程度的度量值L(L

式(1)中，P为整体光伏板的实际输出功率，P

之后通过大量的数据，结合回归分析法与待定系数法，根据式(4)与式(1)得到待定系数α、β、θ的具体值，得到α、β、θ的具体值之后，代入到式(1)中，得到整排光伏板积雪程度度量值L(L

步骤S3，获取每个光伏板积雪厚度H

具体地，将积雪厚度等级分为十个等级，将积雪厚度等级视为积雪的厚度H，将积雪厚度H归一化处理，得到H在[0，1]内，H的数值越大代表积雪越厚。

对于该排光伏组件，构建不同电池板间积雪厚度梯度矩阵D：

其中，H

式(5)中，H

步骤S4，获取光伏板工作时的平均温度T与环境湿度M；

具体地，获取光伏板工作时，光伏板的平均温度T，以及环境的湿度M。

步骤S5，利用回归分析法，建立所述积雪厚度差异度量值G(H

当电池板间积雪厚度差异，即电池板间积雪厚度差异度量值G(H

式(2)中，T

通过实验数据，结合回归分析法与待定系数法，根据式(5)与式(2)得到待定系数γ的具体值，将具体的γ数值代入到式(2)中，得到具体的积雪厚度差异度量值G(H

步骤S6，结合第一映射关系L(P)与第二映射关系G(P,T,M)，利用回归分析法，建立光伏板积雪度量值Q(P,T,M)的映射模型。

具体地，由步骤S2得到的第一映射关系L(P)与步骤S4得到的第二映射关系G(P,T,M)，得到光伏板积雪度量值Q(P,T,M)的映射模型为：

Q(P,T,M)＝ln(L(P)+G(P,T,M)+1)·G

式(3)中，积雪程度度量值L是通过输出功率判断得到的，积雪厚度差异度量值G是通过输出功率和温湿度获得的。

步骤S7，比较积雪度量值Q(P,T,M)与预设阈值，判断是否需要调度清雪机器人。

具体地，得到判断模型之后，就不需要根据积雪程度与积雪厚度去判断积雪是否需要清扫，直接根据功率和温湿度判断积雪是否需要调度清雪机器人即可，当判断是否需要调度清雪机器人清扫时，只需要判断光伏板的积雪度量值Q(P,T,M)的值是否大于预设阈值即可，当Q(P,T,M)的值大于预设阈值时，判断为积雪需要清扫，调度清雪机器人，否则，不需要清扫。

综上所述，本发明提供的方案通过光伏板的积雪程度L

请参阅图2，其示出了本发明一个实施例提供的基于人工智能的光伏板清雪机器人调度方法的完整流程图。

具体地，有一排光伏组件，有N个电池板，检测到下雪时，无人机搭载RGB摄像头和红外摄像头，低空飞行拍摄该排光伏组件，得到图像数据。

将得到的RGB图像输入到积雪语义分割深度神经网络(Deep Neural Network，DNN)网络中，积雪语义分割DNN网络由编码-解码(Encoder-Decoder)结构构成，DNN网络的Encoder先对RGB图像进行采样，获取积雪和电池板的特征信息，这些特征信息经过Decoder采样输出积雪语义掩膜(mask)、电池板语义mask和背景的mask。之后，对积雪语义掩膜(mask)、电池板语义mask和背景的mask进行二值化和连通域处理，获取每个电池板的mask与积雪的mask。

需要说明的是，当积雪没有完全覆盖光伏板时，DNN网络可以根据局部裸露的光伏板估计整个电池板的语义区域mask，当积雪完全覆盖光伏板时，是无法识别到光伏板的语义区域的，此时把积雪的mask视为电池板的mask。这样就获得了每个电池板的mask，以及对应电池板上的积雪的mask，对于完全被积雪覆盖住的多个电池板当做一个电池板处理。

根据电池板语义mask与积雪语义mask得到光伏板的面积与积雪面积，此时得到第n个光伏板的面积为S1

积雪程度L

α

由图3可知，L

通过回归分析法，建立整排积雪程度度量值L(L

式(1)中，P

本发明实施例中，对于每一块光伏板，当其上的积雪较薄时，此时即便电池板被积雪覆盖也能隐约看到部分电池板，使得积雪的语义区域出现空洞，或者积雪mask零散分布，这种空洞的大小和mask的零散程度可以表示积雪的厚度。当积雪的mask没有空洞或者mask不是零散分布时，表示积雪明显覆盖掉电池板，此时的积雪厚度认为达到最大值。

根据积雪的mask以及红外相机，通过积雪厚度等级估计DNN网络中，获取积雪的厚度等级。积雪厚度等级估计DNN网络由编码-全连接(Encoder-FC)结构构成，将积雪的语义mask和红外相机采集的图像输入到积雪厚度等级估计DNN网络中，经过Encoder获得积雪的厚薄特征信息，再经过FC对积雪厚度信息进行分级。厚度等级分为十个等级，将积雪厚度等级视为积雪的厚度H，将积雪厚度H归一化处理，H的数值落在了[0,1]区间内，数值越大代表积雪越厚。H

对于一排光伏组件，首先构建不同电池板间积雪厚度梯度矩阵D：

D中，H

对整排的积雪厚度差异度量值G(H

式(5)中，H表示第i个光伏板的积雪厚度，H

积雪厚度差异度量值G(H

结合回归分析法，得到积雪厚度差异度量值G(H

式(2)中，P表示整排光伏板的实际输出功率，T表示电池板在当前环境下工作时表面的实际温度，T

结合式(5)与式(2)，通过大量实际实验数据，结合回归分析法与待定系数方法，得到待定系数γ的具体数值，将具体的γ代入到式(2)中，得到式(2)的具体的第二映射关系G(P,T,M)，这样就得到了具体的积雪厚度差异度量值与输出功率、温度、湿度第二映射关系G(P,T,M)。

在得到式(2)的具体映射关系后，当积雪程度度量值L大时，说明积雪覆盖面积大，当积雪厚度差异度量值G大时，说明积雪造成的电池板间的负载差异大，两者共同决定是否需要进行清雪操作，结合大量实际实验数据，通过式(1)的第一映射关系L(P)与式(2)的第二映射关系G(P,T,M)得到积雪度量值Q(P,T,M)的映射模型：

Q(P,T,M)＝ln(L(P)+G(P,T,M)+1)·G

积雪度量值Q(P,T,M)的具体数值与预设阈值进行比较来判断积雪是否需要进行清扫。在得到积雪度量值Q(P,T,M)的映射模型之后，便不需要根据积雪程度L

基于与上述方法实施例相同的发明构思，参阅图4，其示出了本发明另一个实施例所提供的基于人工智能的光伏板清雪机器人调度系统框图。

在本发明实施例中，基于人工智能的光伏板清雪机器人调度系统包括数据获取模块100、数据分析模块200、第一映射关系模块300、第二映射关系模块400和映射模型判断模块500。

具体地，数据获取模块，用于获取每个光伏板积雪程度L

数据获取模块基于视觉感知，将采集的RGB图像通过语义分割深度神经网络(DeepNeural Networks，DNN)网络得到的积雪语义掩膜(mask)与电池板语义mask获取到每个光伏板上积雪覆盖面积与光伏板的面积的比值，即得到了每块光伏板的积雪程度L

具体地，数据分析模块，用于根据积雪程度L

基于回归分析法，对积雪程度Ln加权求和得到整体光伏板积雪程度度量值L(L

具体地，第一映射关系模块，用于基于回归分析法建立积雪程度度量值(L

基于回归分析法，建立积雪程度度量值L(L

具体地，第二映射关系模块，用于基于回归分析法建立积雪厚度差异度量值G(H

基于回归分析法，建立积雪厚度差异度量值G(H

具体地，映射模型判断模块，用于结合第一映射关系L(P)与第二映射关系G(P,T,M)，利用回归分析法，建立光伏板积雪度量值Q(P,T,M)的映射模型Q(P,T,M)＝ln[(L(P)+G(P,T,M)+1)]·G

结合第一映射关系L(P)与第二映射关系G(P,T,M)，利用回归分析法，建立光伏板积雪度量值Q(P,T,M)的映射模型Q(P,T,M)＝ln[(L(P)+G(P,T,M)+1)]·G

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。