[发明专利]一种光伏电站的运维监测方法及系统

权利要求书

1.一种光伏电站的运维监测方法，其特征在于，包括以下步骤：

S11、响应于无人机巡检触发条件，获取搭载摄像设备的无人机所采集的光伏面板的若干个实时状态图像，其中，所述无人机巡检触发条件是指到达巡检时间点；

S12、对所述实时状态图像进行预处理，得到预处理后图像数据；

S13、将所述预处理后图像数据输入灰尘检测模型进行纹理特征检测和回归计算，得到光伏面板的灰尘沉积分值；

S14、将所述灰尘沉积分值与预设灰尘阈值进行比对，并计算所述灰尘沉积分值大于预设灰尘阈值的光伏面板数量占光伏电站光伏面板总量的比值；

S15、判断所述比值是否小于预设清洗阈值，如果所述比值小于预设清洗阈值，则执行步骤S16，如果所述比值大于等于预设清洗阈值，则执行步骤S18；

S16、根据光伏电站所在区域的经纬度，获取下一个监测周期内光伏电站所在区域基于时间序列的气象信息；

S17、将所述气象信息和所述灰尘沉积分值输入预先训练好的预测模型，得到下一次巡检时间点，并返回步骤S11；

S18、发送预警信息以提醒运维人员对光伏面板进行清洗。

2.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在步骤S12中，所述对所述实时状态图像进行预处理的具体过程包括以下步骤：

S121、对具有不同权重的所述实时状态图像的R、G、B三个分量进行加权平均，并将各分量与其权值乘积的和作为图像的灰度值，得到灰度图像；

S122、根据所述灰度图像采用包含多个图像像素点的模板窗口中的中间灰度值替换模板窗口中心的灰度值，得到去除图像中像素值差异较大的孤立噪声点的去噪图像；

S123、根据光伏面板纹路的方向性特征采用区域分割法将所述去噪图像中不含光伏面板的区域剔除，得到预处理后图像数据。

3.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在步骤S13中，所述灰尘检测模型是以改进的卷积神经网络为基础，包括用于从输入的图像数据中提取浅层特征的主干网络，用于对主干网络提取到的浅层特征进行多尺度变化与融合的特征金字塔网络，以及用于对融合特征进行回归计算的回归网络。

4.根据权利要求3所述的光伏电站的运维监测方法，其特征在于，所述步骤S13具体包括以下步骤：

S131、将所述预处理后图像数据输入灰尘检测模型调用主干网络进行卷积操作得到特征图，并对所述特征图进行下采样处理，得到浅层特征向量；

S132、采用所述特征金字塔网络对所述特征图进行下采样处理，并提取第M轮下采样得到的深层特征向量；

S133、根据特征维度采用空间注意力机制对所述浅层特征向量和深层特征向量进行融合获得融合特征向量，并根据融合特征向量生成至少一个锚框；

S134、采用回归网络对所述锚框进行回归计算，得到用于衡量光伏面板表面灰尘沉积度的灰尘沉积分值。

5.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，所述气象信息包括风速、风向、太阳总辐射、降雨量和环境温湿度。

6.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在步骤S17中，所述预测模型的具体训练过程包括：

构建以常规的卷积神经网络为基础结构的深度学习网络；

获取历史气象信息和对应的带有历史灰尘沉积分值的预处理后图像数据作为训练数据集；

根据所述训练数据集调用交叉熵损失函数进行训练并直至收敛，得到用于预测下一次巡检时间点的预测模型。

7.根据权利要求1所述的光伏电站的运维监测方法，其特征在于，在所述步骤S11之前还包括：

S10、根据预先规划的最优巡检路径建立无人机巡检模型，并确定巡检周期初始值。