基于人工智能的沙漠光伏电站沙堆侵蚀检测方法及系统

摘要

本发明公开了一种基于人工智能的沙漠光伏电站沙堆侵蚀检测方法及系统，涉及人工智能技术领域。该方法包括如下步骤：采集光伏组件背光面的RGB图像和红外图像；所述RGB图像经过语义分割网络分别输出沙堆、电池板、组件支架的特征信息；多帧所述特征信息经过沙堆形状识别网络输出沙堆高度和沙堆占地面积；将所述红外图像划分多个区域，每个区域做均值化处理后得到多区域图像；根据均值化后的红外图像和所述的多区域图像计算电池板的温度差异度量值；根据所述沙堆高度、所述沙堆占地面积和所述温度差度量值计算沙堆对光伏组件的影响程度。从而实现了对沙漠中的综合环境因素对光伏组件影响的检测。

说明书

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沙漠光伏电站沙堆侵蚀检测方法及系统。

背景技术

随着新能源的兴起，太阳能发电相关的技术也不断进步，其中太阳能光伏电池板作为发电设备被广泛应用于各种发电场景。沙漠地区光照充足，沙子反光能力强，因此沙漠地区适合安装双面光伏组件，双面光伏组件的正面利用直射的太阳光发电，背面利用地面反射的光照发电。虽然沙漠地区光照条件好，但是光伏组件容易受沙子的影响，光伏组件在风沙的作用下，会在光伏组件的下方堆积成沙堆，这些沙堆会影响光伏组件背面受光程度，进而影响光伏组件的发电功率。

而光伏组件下方的沙堆，对光伏组件功率的影响因素不唯一，目前针对沙堆高度、沙堆占地面积以及电池表面温度差异这些综合因素，对光伏组件的影响没有系统的检测和判断方法。

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沙漠光伏电站沙堆侵蚀检测方法及系统，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沙漠光伏电站沙堆侵蚀检测方法，包括以下步骤：

采集光伏组件背光面的RGB图像和红外图像，所述RGB图像包含沙堆、电池板和组件支架的特征，所述红外图像包含背光面电池板的红外图像信息；

通过语义分割网络提取多帧所述RGB图像的特征信息；

将多帧所述特征信息经过沙堆形状识别网络得到沙堆高度和沙堆占地面积；

将所述红外图像划分多个区域，每个区域做均值化处理后得到多区域图像；

根据均值化后的红外图像和所述的多区域图像计算所述背光面电池板的温度差异度量值；

根据所述沙堆高度、所述沙堆占地面积和所述温度差异度量值计算沙堆对光伏组件的影响程度E

其中，H

优选的，根据均值化后的红外图像和所述的多区域图像计算电池板的温度差异，包括：

获取所述红外图像的像素均值；

根据所述多区域图像的每个区域的像素均值与所述红外图像的像素均值的差异，获得区域差异化图像；

调整所述区域差异化图像的像素对比度，获得对比度图像；

以所述对比度图像各像素点的像素值为权值，对所述区域差异化图像的像素值求加权平均值，获取所述背光面电池板的温度差异度量值。

优选的，计算沙堆对整排设备的影响程度E：

其中，W

优选的，综合整排光伏设备的发电功率，计算整排光伏设备功率影响程度L:

其中，P

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沙漠光伏电站沙堆侵蚀检测系统，该系统包括：

图像采集模块，用于采集光伏组件背光面的RGB图像和红外图像，所述RGB图像包含沙堆、电池板和组件支架的特征，所述红外图像包含背光面电池板的红外图像信息；

语义分割网络模块，用于通过语义分割网络提取多帧所述RGB图像的特征信息；

形状识别网络模块，用于将多帧所述特征信息经过沙堆形状识别网络得到沙堆高度和沙堆占地面积；

区域划分模块，用于将所述红外图像划分多个区域，每个区域做均值化处理后得到多区域图像；

温度差异计算模块，用于根据均值化后的红外图像和所述的多区域图像计算所述背光面电池板的温度差异度量值；

光伏组件影响程度计算模块，用于根据所述沙堆高度、所述沙堆占地面积和所述温度差异度量值计算沙堆对光伏组件的影响程度E

其中，H

优选的，温度差异计算模块包括：

均值化单元，用于获取所述红外图像的像素均值；

区域差异化图像单元，用于根据所述多区域图像的每个区域的像素均值与所述红外图像的像素均值的差异，获得区域差异化图像；

对比度图像获取单元，用于调整所述区域差异化图像的像素对比度，获得对比度图像；

温度差异计算单元，用于以所述对比度图像各像素点的像素值为权值，对所述区域差异化图像的像素值求加权平均值，获取所述背光面电池板的温度差异度量值。

优选的，该系统还包括整排光伏设备影响程度E计算模块：

其中，W

优选的，该系统还包括整排光伏设备功率影响程度L计算模块：

其中，P

本发明至少具有如下有益效果：

本发明通过语义分割网络和形状特征提取网络，获取光伏组件下的沙堆的高度和占地面积，然后根据红外摄像机采集的红外图像获得背光面电池板的温度差异度量值；根据沙堆高度、沙堆占地面积和温度差异度量值，获取沙堆对光伏组件的影响程度。并且，还能够获取沙堆对整排光伏设备的影响程度；在此基础上，综合整排光伏设备的发电功率，还能够检测出沙堆对整排光伏设备发电功率的影响程度。实现了对沙漠中综合环境因素对光伏组件影响的检测。

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沙漠光伏电站沙堆侵蚀检测方法示意图；

图2为本发明一个实施例所提供的一种基于人工智能的沙漠光伏电站沙堆侵蚀检测方法流程图；

图3为本发明一个实施例所提供的一种基于人工智能的沙漠光伏电站沙堆侵蚀检测系统结构框图。

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双面光伏电站背光面沙堆侵蚀检测方法，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沙漠光伏电站沙堆侵蚀检测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一种基于人工智能的沙漠光伏电站沙堆侵蚀检测方法示意图。图2示出了本发明一种基于人工智能的沙漠光伏电站沙堆侵蚀检测方法流程图。

一种基于人工智能的沙漠光伏电站沙堆侵蚀检测方法，其流程如图2所示，包括如下步骤：

步骤1：采集光伏组件背光面的RGB图像和红外图像，所述RGB图像包含沙堆、电池板和组件支架的特征，所述红外图像包含背光面电池板的红外图像信息；

步骤2：通过语义分割网络提取多帧所述RGB图像的特征信息；

步骤3：将多帧所述特征信息经过沙堆形状识别网络得到沙堆高度和沙堆占地面积；

步骤4：将所述红外图像划分多个区域，每个区域做均值化处理后得到多区域图像；

步骤5：根据均值化后的红外图像和所述的多区域图像计算所述背光面电池板的温度差异度量值；

步骤6：根据所述沙堆高度、所述沙堆占地面积和所述温度差异度量值计算沙堆对光伏组件的影响程度E

其中，H

综上所述，本发明实施例提供了一种基于人工智能的沙漠光伏电站沙堆侵蚀检测方法，该方法通过语义分割网络和形状特征提取网络，获取光伏组件下的沙堆的高度和占地面积，然后根据红外摄像机采集的红外图像获得背光面电池板的温度差异度量值；根据沙堆高度、沙堆占地面积和温度差异度量值，获取沙堆对光伏组件的影响程度。并且，还能够获取沙堆对整排光伏设备的影响程度；在此基础上，综合整排光伏设备的发电功率，还能够检测出沙堆对整排光伏设备发电功率的影响程度。实现了对沙漠中综合环境因素对光伏组件影响的检测。

具体的，在本实施例步骤1中，RGB图像和红外图像的采集方式为轨道相机沿着一排光伏组件匀速移动,获取一排中每个组件的图像数据，并且采集每个光伏组件的不同视角的图像数据。其中，轨道相机包括RGB图像采集相机和红外相机。

具体的，在本实施例步骤2中，语义分割网络包括第一编码器(Encoder1)和第一解码器(Decoder1)，具体的：

采集的RGB图像经过第一编码器处理，输出沙堆的特征和光伏组件的特征；

沙堆的特征和光伏组件的特征经过第一解码器上采样处理，分别输出沙堆遮罩、电池板遮罩和组件支架遮罩。

进一步的，沙堆的高度可以通过沙堆和电池板的距离来估算，沙堆的占地面积可以通过沙堆相对支架的大小进行估计，将电池板的特征和支架的特征作为参照，可以估计出沙堆的占地面积特征和高度特征。结合多视角特征进行并利用如图1所示的沙堆形状识别网络来计算沙堆的高度和沙堆的占地面积。

在本实施例步骤3中，沙堆形状识别网络包括第二编码器(Encoder2)、TCN网络(Temporal Convolutional Networks，TCN)和全连接层(fully connected layers，FC)，具体的：

将沙堆、电池板和组件支架的特征信息合并为三通道的图像数据。然后获得同一光伏组件多个视角下的三通道的图像数据，得到上述三通道图像数据的序列。利用第二编码器对序列数据进行下采样，输出序列特征，其序列长度是输入序列的一半。将序列特征输入TCN网络里进一步提取沙堆的形状特征。形状特征再经过全连接层的拟合，输出沙堆的高度和沙堆的占地面积。其中，第二编码器的原理是利用3D卷积提取序列数据的时域和空域特征。

需要说明的是，第一编码器、第一解码器和第二编码器有多种实现方式，包括沙漏网络Hourglass、Mask-RCNN等网络结构。在本实施例中，上述解码器与编码器使用的是沙漏网络Hourglass结构，其中，第一编码器采用的是2D卷积，第二编码器与用的是3D卷积。

在本实施例中，沙堆形状识别网络的数据集获取方式如下：

建立沙堆和光伏组件的3D模型，模型精度不需要太高，在本实施例中使用3DMax建立3D模型。然后将模型导入U3D模拟器中，创建虚拟的光伏电站和沙漠场景。创建虚拟的轨道相机，轨道相机沿着每排光伏组件匀速移动，对同一个光伏组件采集多个视角的图像数据。虚拟相机在获取图像数据时，需要把3D模型渲染为黑白二值化的语义图像，目的是只获得沙堆、电池板、组件支架的特征信息。除此之外，获得虚拟场景中每个光伏组件下沙堆的高度和占地面积。至此获得数据集，数据集包括每个光伏组件不同视角的沙堆、电池板、组件支架的特征信息以及沙堆的占地面积和沙堆高度。

在其他实施例中，3D模型的建立还可以采用Maya，或者采用其他的能够建立3D模型的应用软件。

具体的，在本实施例步骤4和步骤5中，电池板背面的温度差异计算方式如下：

对红外图像进行归一化处理；

计算红外图像的像素均值a:

其中，M

在本实施例中，将红外图像分为32×32的方块，对每一块取均值，获得多区域图像M

M

红外图像M

在本实施例中，根据Sigmiod函数调整多区域图像M

M

计算电池板的温度差异度量值D

其中，M

在本实施例中，偏重反映区域差异化图像M

例如，当电池板表面温度分布较为均匀时，获得的M

在本实施例步骤6中，

H

进一步的，计算沙堆对整排光伏设备的影响程度E：

其中，W

权值W

其中，在本实施例中，1≤W

进一步的，计算沙堆对整排光伏设备的功率影响程度：

其中，P

α＝exp(2(|ΔP|-2))

ΔP表示每小时功率的变化量，当ΔP变化程度较小时，α变换不明显，而且值较小；当ΔP有较大的变化时，说明电池板的输出功率异常，α会急剧增大，此时侵蚀程度L也会明显增大。

在光伏设备运行中，设置功率影响程度阈值，该功率影响程度阈值为超参数，需要根据具体光伏电站工作环境确定，当L大于功率影响程度阈值时说明沙堆的侵蚀程度已经严重影响了光伏组件的使用，需要清沙处理。

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的沙漠光伏电站沙堆侵蚀检测系统。

请参阅图3，该光伏电站沙堆侵蚀检测系统100包括图像采集单元101、语义分割模块102、形状识别模块103、区域划分模块104、温度差异计算模块105和光伏组件影响程度计算模块106。

具体的，图像采集模块，用于采集光伏组件背光面的RGB图像和红外图像，所述RGB图像包含沙堆、电池板和组件支架的特征，所述红外图像包含背光面电池板的红外图像信息；语义分割网络模块，用于所述RGB图像经过语义分割网络输出特征信息；形状识别网络模块，用于多帧所述特征信息经过沙堆形状识别网络输出沙堆高度和沙堆占地面积；区域划分模块，用于将所述红外图像划分多个区域，每个区域做均值化处理后得到多区域图像；温度差异计算模块，用于根据均值化后的红外图像和所述的多区域图像计算电池板的温度差异度量值；光伏组件影响程度计算模块，用于根据所述沙堆高度、所述沙堆占地面积和所述温度差异度量值计算沙堆对光伏组件的影响程度E

其中，H

温度差异计算模块包括：均值化单元，用于获取红外图像的像素均值；区域差异化图像单元，用于根据所述多区域图像的每个区域的像素均值与所述红外图像的像素均值的差异，获得区域差异化图像；对比图度像获取单元，用于调整所述区域差异化图像的像素对比度，获得对比度图像；温度差异计算单元，用于以所述对比度图像各像素点的像素值为权值，对所述区域差异化图像的像素值求加权平均值，获取电池板的温度差异度量值。

进一步的，该系统还包括整排光伏设备影响程度E计算模块：

其中，W

进一步的，该系统还包括整排光伏设备功率影响程度L计算模块：

其中，P

在本实施例中，θ＝1；α＝exp(2(|ΔP|-2))，ΔP表示每小时功率的变化量，当ΔP变化程度较小时，α变换不明显，而且值较小；当ΔP有较大的变化时，说明电池板的输出功率异常，α会急剧增大，此时侵蚀程度L也会明显增大。

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。