一种基于人工智能的光伏设备控制方法及系统

技术领域

本发明涉及光伏设备领域，特别是一种基于人工智能的光伏设备控制方法及系统。

背景技术

在大面积光伏设备的布局地区光照强度充足，光照覆盖面积广，因此无需对光伏设备进行移动或者转向即可全天候的获取阳光照射，而在有些特殊应用环境区域（例如农村或者山区）或者光伏设备小范围的布局地区，光伏设备是无法获得全天候的阳光照射，因此光照强度和光照覆盖面积没有达到一定的强度，因此如何提高特殊环境下光伏设备的自动控制程度，以提升光伏设备的发电效率是现阶段丞待解决的技术问题。

发明内容

本发明的目的是为了解决上述问题，设计了一种基于人工智能的光伏设备控制方法及系统。

实现上述目的本发明的技术方案为，进一步，在上述一种基于人工智能的光伏设备控制方法中，所述光伏设备控制方法包括以下步骤：

通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对所述光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集；

基于ResNet神经网络建立ResNet图像识别神经网络模型，在所述ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型；

将所述光伏设备历史光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据；

根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过所述光伏设备光照状态数据生成光伏设备控制指令；

利用所述光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集；

将所述光伏设备实时光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据所述光伏设备实时光照状态数据对所述光伏设备进行实时移动转向控制。

进一步，在上述光伏设备控制方法中，所述通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对所述光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集，包括：

通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据；

对所述光伏设备历史光照图像数据进行图像降噪处理，得到光伏设备降噪光照图像数据；

对所述光伏设备降噪光照图像数据进行数据增强处理，得到光伏设备增强光照图像数据，所述数据增强处理至少包括图像旋转、图像缩放、图像裁剪、色彩调整、随机割裂和中心裁剪；

利用随机水平翻转、随机对比度调整、随机亮度调整、随机微角度旋转和随机裁剪缩放方法扩充所述光伏设备归一化光照图像数据的数据集，得到扩充光伏设备光照图像数据；

利用FCM模糊聚类算法对所述光伏设备光照图像数据进行聚类，得到光伏设备历史光照图像数据集。

进一步，在上述光伏设备控制方法中，所述基于ResNet神经网络建立ResNet图像识别神经网络模型，在所述ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型，包括：

基于ResNet神经网络建立ResNet图像识别神经网络模型，利用 Swish激活函数取替代所述ResNet图像识别神经网络模型中的ReLU激活函数；

将均方差损失函数和交叉熵损失函数设置为所述ResNet图像识别神经网络模型的损失函数；

扩大所述ResNet图像识别神经网络模型中卷积层范围，在卷积层后加入批量归一化层；

在所述ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，利用SE注意力机制模块连接卷积层和批量归一化层；

利用贝叶斯优化算法对所述ResNet图像识别神经网络模型的超参数进行调节，得到目标ResNet图像识别神经网络模型。

进一步，在上述光伏设备控制方法中，所述将所述光伏设备历史光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据，包括：

所述目标ResNet图像识别神经网络模型为已训练好的图像识别神经网络模型；

所述光伏设备光照状态数据为光伏设备的光照覆盖面积数据和光伏设备的光照强度数据；

所述光伏设备光照状态数据还包括光伏设备的位置数据和光伏设备的光伏面板朝向数据。

进一步，在上述光伏设备控制方法中，所述根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过所述光伏设备光照状态数据生成光伏设备控制指令，包括：

根据光伏设备光照状态数据判断光伏设备的光照强度，若光伏设备的光照覆盖面积数据小于光伏面板的70%，则判断为弱光照强度，若光伏设备的光照覆盖面积数据小于光伏面板的30%，则判断为无光照强度；

若光伏设备的光照强度数据小于设定光照强度阈值的80%，则判断为弱光照强度，若光伏设备的光照强度数据小于设定光照强度阈值的50%，则判断无光照强度；

若判断为光伏设备无光照强度，则通过对所述光伏设备光照状态数据还包括光伏设备的位置数据和所述光伏设备的光伏面板朝向数据进行数据分析，得到光伏设备控制指令。

进一步，在上述光伏设备控制方法中，所述利用所述光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集，包括：

获取光伏设备控制指令，基于所述光伏设备控制指令生成光伏设备移动电信号和光伏设备转向电信号；

根据所述光伏设备移动电信号和所述光伏设备转向电信号对光伏设备进行移动转向控制；

基于图像采集装置获取光伏设备移动转向控制后周围的实时光照图像数据；

对所述实时光照图像数据进行数据处理，得到光伏设备实时光照图像数据集。

进一步，在上述光伏设备控制方法中，所述将所述光伏设备实时光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据所述光伏设备实时光照状态数据对所述光伏设备进行实时移动转向控制，包括：

获取光伏设备实时光照图像数据集，将所述光伏设备实时光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别；

得到光伏设备实时光照状态数据，根据所述光伏设备实时光照状态数据对光伏设备的光照强度进行判断；

若判断光伏设备的光照强度没有达到设定的调整阈值，则继续对光伏设备移动转向调整，所述调整阈值为光伏设备的光照强度为90%，且光伏设备的光照覆盖面积数据大于光伏面板的80%；

直至光伏设备的光照强度达到设定的调整阈值，则停止对光伏设备移动转向调整。

实现上述目的本发明的技术方案为，进一步，在上述一种基于人工智能的光伏设备控制系统中，所述光伏设备控制系统，包括：

数据采集模块，用于通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对所述光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集；

模型建立模块，用于基于ResNet神经网络建立ResNet图像识别神经网络模型，在所述ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型；

状态识别模块，用于将所述光伏设备历史光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据；

指令生成模块，用于根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过所述光伏设备光照状态数据生成光伏设备控制指令；

设备控制模块，用于利用所述光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集；

控制调整模块，用于将所述光伏设备实时光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据所述光伏设备实时光照状态数据对所述光伏设备进行实时移动转向控制。

进一步，在上述一种基于人工智能的光伏设备控制系统中，所述数据采集模块包括以下子模块：

获取子模块，用于通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据；

降噪子模块，用于对所述光伏设备历史光照图像数据进行图像降噪处理，得到光伏设备降噪光照图像数据；

增强子模块，用于对所述光伏设备降噪光照图像数据进行数据增强处理，得到光伏设备增强光照图像数据，所述数据增强处理至少包括图像旋转、图像缩放、图像裁剪、色彩调整、随机割裂和中心裁剪；

归一化子模块，用于对所述光伏设备增强光照图像数据进行归一化处理，得到光伏设备归一化光照图像数据；

扩充子模块，用于利用随机水平翻转、随机对比度调整、随机亮度调整、随机微角度旋转和随机裁剪缩放方法扩充所述光伏设备归一化光照图像数据的数据集，得到扩充光伏设备光照图像数据；

聚类子模块，用于利用FCM模糊聚类算法对所述光伏设备光照图像数据进行聚类，得到光伏设备历史光照图像数据集。

进一步，在上述一种基于人工智能的光伏设备控制系统中，所述模型建立模块包括以下子模块：

建立子模块，用于基于ResNet神经网络建立ResNet图像识别神经网络模型，利用Swish激活函数取替代所述ResNet图像识别神经网络模型中的ReLU激活函数；

设置子模块，用于将均方差损失函数和交叉熵损失函数设置为所述ResNet图像识别神经网络模型的损失函数；

改变子模块，用于扩大所述ResNet图像识别神经网络模型中卷积层范围，在卷积层后加入批量归一化层；

引入子模块，用于在所述ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，利用SE注意力机制模块连接卷积层和批量归一化层；

得到子模块，用于利用贝叶斯优化算法对所述ResNet图像识别神经网络模型的超参数进行调节，得到目标ResNet图像识别神经网络模型。

其有益效果在于，通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对所述光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集；基于ResNet神经网络建立ResNet图像识别神经网络模型，在所述ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型；将所述光伏设备历史光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据；根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过所述光伏设备光照状态数据生成光伏设备控制指令；利用所述光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集；将所述光伏设备实时光照图像数据集输入至所述目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据所述光伏设备实时光照状态数据对所述光伏设备进行实时移动转向控制。可以提高特殊环境下对光伏设备进行控制的精度和效率，能及时感知光伏设备的光照强度，并对光伏设备进行移动和转向控制，使光伏设备始终都朝向光照强度最高的地方，有利于提升特殊环境下光伏设备的发电效率。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

图1为本发明实施例中一种基于人工智能的光伏设备控制方法的第一个实施例示意图；

图2为本发明实施例中一种基于人工智能的光伏设备控制方法的第二个实施例示意图；

图3为本发明实施例中一种基于人工智能的光伏设备控制方法的第三个实施例示意图；

图4为本发明实施例中一种基于人工智能的光伏设备控制系统的第一个实施例示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

下面结合附图对本发明进行具体描述，如图1所示，一种基于人工智能的光伏设备控制方法，光伏设备控制方法包括以下步骤：

步骤101、通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集；

具体的，本实施例中通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据；对光伏设备历史光照图像数据进行图像降噪处理，得到光伏设备降噪光照图像数据；对光伏设备降噪光照图像数据进行数据增强处理，得到光伏设备增强光照图像数据，数据增强处理至少包括图像旋转、图像缩放、图像裁剪、色彩调整、随机割裂和中心裁剪；对光伏设备增强光照图像数据进行归一化处理，得到光伏设备归一化光照图像数据；利用FCM模糊聚类算法对光伏设备归一化光照图像数据进行聚类，得到光伏设备历史光照图像数据集。

具体的，本实施例中光伏设备带有转向装置和移动装置的光伏设备。

步骤102、基于ResNet神经网络建立ResNet图像识别神经网络模型，在ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型；

具体的，本实施例中基于ResNet神经网络建立ResNet图像识别神经网络模型，利用 Swish激活函数取替代ResNet图像识别神经网络模型中的ReLU激活函数；将均方差损失函数和交叉熵损失函数设置为ResNet图像识别神经网络模型的损失函数；改变ResNet图像识别神经网络模型中卷积层的大小，并加入批量归一化层；在ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型。

步骤103、将光伏设备历史光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据；

具体的，本实施例中目标ResNet图像识别神经网络模型为已训练好的图像识别神经网络模型；光伏设备光照状态数据为光伏设备的光照覆盖面积数据和光伏设备的光照强度数据；光伏设备光照状态数据还包括光伏设备的位置数据和光伏设备的光伏面板朝向数据。

步骤104、根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过光伏设备光照状态数据生成光伏设备控制指令；

具体的，本实施例中根据光伏设备光照状态数据判断光伏设备的光照强度，若光伏设备的光照覆盖面积数据小于光伏面板的70%，则判断为弱光照强度，若光伏设备的光照覆盖面积数据小于光伏面板的30%，则判断为无光照强度；若光伏设备的光照强度数据小于设定光照强度阈值的80%，则判断为弱光照强度，若光伏设备的光照强度数据小于设定光照强度阈值的50%，则判断无光照强度；若判断为光伏设备无光照强度，则通过对光伏设备光照状态数据还包括光伏设备的位置数据和光伏设备的光伏面板朝向数据进行数据分析，得到光伏设备控制指令。

步骤105、利用光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集；

具体的，本实施例中获取光伏设备控制指令，基于光伏设备控制指令生成光伏设备移动电信号和光伏设备转向电信号；根据光伏设备移动电信号和光伏设备转向电信号对光伏设备进行移动转向控制；基于图像采集装置获取光伏设备移动转向控制后周围的实时光照图像数据；对实时光照图像数据进行数据处理，得到光伏设备实时光照图像数据集。

步骤106、将光伏设备实时光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据光伏设备实时光照状态数据对光伏设备进行实时移动转向控制。

具体的，本实施例中获取光伏设备实时光照图像数据集，将光伏设备实时光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别；得到光伏设备实时光照状态数据，根据光伏设备实时光照状态数据对光伏设备的光照强度进行判断；若判断光伏设备的光照强度没有达到设定的调整阈值，则继续对光伏设备移动转向调整，调整阈值为光伏设备的光照强度为90%，且光伏设备的光照覆盖面积数据大于光伏面板的80%；直至光伏设备的光照强度达到设定的调整阈值，则停止对光伏设备移动转向调整。

其有益效果在于，通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集；基于ResNet神经网络建立ResNet图像识别神经网络模型，在ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型；将光伏设备历史光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据；根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过光伏设备光照状态数据生成光伏设备控制指令；利用光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集；将光伏设备实时光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据光伏设备实时光照状态数据对光伏设备进行实时移动转向控制。可以提高特殊环境下对光伏设备进行控制的精度和效率，能及时感知光伏设备的光照强度，并对光伏设备进行移动和转向控制，使光伏设备始终都朝向光照强度最高的地方，有利于提升特殊环境下光伏设备的发电效率。

本实施例中，请参阅图2，本发明实施例中一种基于人工智能的光伏设备控制方法的第二个实施例，通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集包括以下步骤：

步骤201、通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据；

步骤202、对光伏设备历史光照图像数据进行图像降噪处理，得到光伏设备降噪光照图像数据；

步骤203、对光伏设备降噪光照图像数据进行数据增强处理，得到光伏设备增强光照图像数据，数据增强处理至少包括图像旋转、图像缩放、图像裁剪、色彩调整、随机割裂和中心裁剪；

步骤204、对光伏设备增强光照图像数据进行归一化处理，得到光伏设备归一化光照图像数据；

步骤205、利用随机水平翻转、随机对比度调整、随机亮度调整、随机微角度旋转和随机裁剪缩放方法扩充光伏设备归一化光照图像数据的数据集，得到扩充光伏设备光照图像数据；

步骤206、利用FCM模糊聚类算法对光伏设备光照图像数据进行聚类，得到光伏设备历史光照图像数据集。

本实施例中，请参阅图3，本发明实施例中一种基于人工智能的光伏设备控制方法的第三个实施例，基于ResNet神经网络建立ResNet图像识别神经网络模型，在ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型包括以下步骤：

步骤301、基于ResNet神经网络建立ResNet图像识别神经网络模型，利用 Swish激活函数取替代ResNet图像识别神经网络模型中的ReLU激活函数；

步骤302、将均方差损失函数和交叉熵损失函数设置为ResNet图像识别神经网络模型的损失函数；

步骤303、扩大ResNet图像识别神经网络模型中卷积层范围，在卷积层后加入批量归一化层；

步骤304、在ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，利用SE注意力机制模块连接卷积层和批量归一化层；

步骤305、利用贝叶斯优化算法对ResNet图像识别神经网络模型的超参数进行调节，得到目标ResNet图像识别神经网络模型。

具体的，本实施例中贝叶斯优化主要包括概率代理模型与采集函数.概率代理函数通过先采样几个点拟合出目标函数，并基于此,在可能是最小值点的附近采集更多的点或者在没有采样的范围采集更多的点,采样的过程可以通过构建采集函数来表示,利用更多的点更新代理函数,使其拟合的效果更优，更容易找到目标函数的最优解。

贝叶斯优化的过程为:1、确定最大的选代次数；2、最大化采集函数,确定下一个评估点，利用评估点评估目标函数值；3、整合数据，更新概率代理模型;4、重复2-4步,直到达到最大迭代次数。

上面对本发明实施例提供的一种基于人工智能的光伏设备控制方法进行了描述，下面对本发明实施例的一种基于人工智能的光伏设备控制系统进行描述，请参阅图4，本发明实施例中光伏设备控制系统一个实施例包括：

数据采集模块，用于通过图像采集装置获取光伏设备周围的光照图像数据，得到光伏设备历史光照图像数据，对光伏设备历史光照图像数据进行数据预处理，得到光伏设备历史光照图像数据集；

模型建立模块，用于基于ResNet神经网络建立ResNet图像识别神经网络模型，在ResNet图像识别神经网络模型的卷积层后引入SE注意力机制模块，得到目标ResNet图像识别神经网络模型；

状态识别模块，用于将光伏设备历史光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别，得到光伏设备光照状态数据；

指令生成模块，用于根据光伏设备光照状态数据判断光伏设备的光照强度，若判断为光伏设备无光照强度，则通过光伏设备光照状态数据生成光伏设备控制指令；

设备控制模块，用于利用光伏设备控制指令对光伏设备进行移动转向控制，并基于图像采集装置获取光伏设备周围的实时光照图像数据，得到光伏设备实时光照图像数据集；

控制调整模块，用于将光伏设备实时光照图像数据集输入至目标ResNet图像识别神经网络模型进行识别，得到光伏设备实时光照状态数据，根据光伏设备实时光照状态数据对光伏设备进行实时移动转向控制。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变和改进，这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。