一种分布式光伏资源整合方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种分布式光伏资源整合方法、系统、装置及存储介质，该方法包括：通过卫星获取具有屋顶信息的原始图片；将获取的所述原始图片输入至预训练好的人工智能模型中，从所述原始图片中筛选出能够安装光伏的第一图片；识别所述第一图片的坐标信息，通过大数据算法将所述坐标信息与不同的客户进行位置匹配，获取与所述客户相关联的第二图片；将所述第二图片的坐标信息统计入数据库中，结合气象数据和行业数据分析所述第二图片的潜力数据；根据获取的所述潜力数据对光伏资源进行整合；本发明专利技术通过大数据深度挖掘屋顶潜力，深度挖掘每一个屋顶资源的光伏开发潜力，解决了分布式光伏资源分散、难以整合的问题。

【技术实现步骤摘要】
一种分布式光伏资源整合方法、系统、装置及存储介质
本专利技术涉及光伏整合
，具体涉及一种分布式光伏资源整合方法、系统、装置及存储介质。
技术介绍
随着全球能源需求的日益增长，光伏发电因其清洁、便利、安全、适合分布式组网等优势，受到了越来越广泛的关注，并已成为最有前途的可再生能源发电方式之一。光伏发电系统对外部环境变化和组件的一致性较为敏感，当遭遇局部阴影遮挡或光伏组件个体差异形成的失配问题时，系统的输出功率将显著下降。这一问题已经成为制约光伏发电进一步推广应用的重要因素之一。目前光伏资源较为分散，如何解决分布式光伏资源分散、难以整合的行业痛点，是我们需要考虑的问题。
技术实现思路
本专利技术的目的在于提供一种分布式光伏资源整合方法、系统、装置及存储介质，以解决现有技术中导致的分布式光伏资源分散、难以整合的问题。为达到上述目的，本专利技术是采用下述技术方案实现的：一种分布式光伏资源整合方法，包括：通过卫星获取具有屋顶信息的原始图片；将获取的所述原始图片输入至预训练好的人工智能模型中，从所述原始图片中筛选出能够安装光伏的第一图片；识别所述第一图片的坐标信息，通过大数据算法将所述坐标信息与不同的客户进行位置匹配，获取与所述客户相关联的第二图片；将所述第二图片的坐标信息统计入数据库中，结合气象数据和行业数据分析所述第二图片的潜力数据；根据获取的所述潜力数据对光伏资源进行整合。进一步地，所述人工智能模型是通过如下方法训练的：在待训练的图片标注上能够安装光伏的标签和不能安装光伏的标签；将待训练的图片通过卷积神经网络算法进行训练，获取人工智能模型。进一步地，所述卷积神经网络算法为Faster-RCNN算法。进一步地，结合气象数据和行业数据分析所述第二图片的潜力数据包括如下步骤：通过全国气象站点多年的辐照信息，依据经纬度和海拔评估第二图片全生命周期可用资源；根据目前的工程技术参数，分析客户的造价成本，其中目前的工程技术参数为分析日至分析日前1-2年的工程技术参数；根据所述造价成本和所述全生命周期可用资源获取第二图片的潜力数据。本专利技术还提供了一种分布式光伏资源整合系统，包括：图片获取模块：通过卫星获取具有屋顶信息的原始图片；智能筛选模块：将获取的所述原始图片输入至预训练好的人工智能模型中，从所述原始图片中筛选出能够安装光伏的第一图片；位置匹配模块：识别所述第一图片的坐标信息，通过大数据算法将所述坐标信息与不同的客户进行位置匹配，获取与所述客户相关联的第二图片；潜力分析模块：将所述第二图片的坐标信息统计入数据库中，结合气象数据和行业数据分析所述第二图片的潜力数据；整合模块：用于根据获取的所述潜力数据对光伏资源进行整合。进一步地，还包括模型训练模块，所述模型训练模块用于在待训练的图片标注上具有屋顶的标签和不具有屋顶的标签；将待训练的图片通过卷积神经网络算法进行训练，获取人工智能模型。本专利技术还提供了一种分布式光伏资源整合装置，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤。本专利技术还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。根据上述技术方案，本专利技术的实施例至少具有以下效果：本专利技术通过大数据深度挖掘屋顶潜力。通过专业的大数据分析模型，将智能识别的屋顶信息、高分辨率卫星图片以及业主工商信息等海量数据进行交叉处理，深度挖掘每一个屋顶资源的光伏开发潜力，解决了分布式光伏资源分散、难以整合的问题。本专利技术将深度学习框架与图像识别技术相结合，突破性的解决了分布式光伏资源分散、难以整合的行业痛点。运用Faster-RCNN算法，它是RCNN系列算法的第三次改进版本，通过预训练好的图片识别卷积神经网络，可以迅速识别图片中具有相同特征的目标并标注出来，可以用于解决复杂的计算机视觉问题，并取得很好的效果。本专利技术以卷积神经网络图像识别算法为基础，引入fasterR-CNN深度学习模型，通过不断的迭代学习，训练出高效精准的人工智能识别系统，可以从卫星图片数据中准确识别屋顶信息。附图说明图1为本专利技术具体实施方式的整体流程图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。本方法将深度学习框架与图像识别技术相结合，突破性的解决了分布式光伏资源分散、难以整合的行业痛点。运用Faster-RCNN算法，它是RCNN系列算法的第三次改进版本，通过预训练好的图片识别卷积神经网络，可以迅速识别图片中具有相同特征的目标并标注出来，可以用于解决复杂的计算机视觉问题，并取得很好的效果。本方法以卷积神经网络图像识别算法为基础，引入fasterR-CNN深度学习模型，通过不断的迭代学习，训练出高效精准的人工智能识别系统，可以从卫星图片数据中准确识别屋顶信息。本方法可进行全国覆盖搭建数据平台。从宏观上涵盖了每个地区的主要用能主体，已初步完成智慧能源体系的宏观数据库搭建。可实现不同维度的光伏资源数据索引。本方法可进行专业数据预测发电能力。针对每一个屋顶的不同特点及光照情况差异，将专业数据与8760模型相结合，通过精细算法预测项目发电能力。本方法可进行建模精算评估项目收益。基于为式创新团队对底层能源资产的深度了解，鹰眼系统充分考虑项目全周期内税收、补贴、贷款、账期以及运维等多维度影响，测算项目运营期内现金流及损益情况，评估项目财务表现。本方法通过大数据深度挖掘屋顶潜力。通过专业的大数据分析模型，将智能识别的屋顶信息、高分辨率卫星图片以及业主工商信息等海量数据进行交叉处理，深度挖掘每一个屋顶资源的光伏开发潜力。下面结合具体的应用实例，对本方法进行说明。步骤1、获取大量的具有屋顶的照片(可通过无人机拍照获取、人工拍照等方式获取，也可通过其它方式获取)，在待训练的图片标注上能够安装光伏的标签和不能安装光伏的标签；能够安装光伏的标签是根据屋顶的类型、屋顶的面积及是否已经安装光伏进行综合考量的。例如，屋顶是斜顶，则此屋顶的标签是不能安装光伏的标签，如屋顶上已经安装了光伏，此屋顶的标签是不能安装光伏的标签，若屋顶是平顶，但屋顶的面积小于一定的面积数(可取30平方米)，此屋顶为不能安装光伏的标签，能够安装光伏的标签需要同时满足，屋顶为平顶，屋顶的面积比较大，是和安装光伏和屋顶上目前没有安装光伏。将待训练的图片通过Faster-RCNN算法进行训练，获取人工智能模型。Faster-RCNN算法是RCNN系列算法的第三次改进版本，通过预训练好的图片识别卷积神经网络，可以迅速识别图片中具有相同特征的目标并标注出来，可以用于解决复杂的计算机视觉问题，并取得很好的效果。步骤2本文档来自技高网...

【技术保护点】
1.一种分布式光伏资源整合方法，其特征在于，包括：/n通过卫星获取具有屋顶信息的原始图片；/n将获取的所述原始图片输入至预训练好的人工智能模型中，从所述原始图片中筛选出能够安装光伏的第一图片；/n识别所述第一图片的坐标信息，通过大数据算法将所述坐标信息与不同的客户进行位置匹配，获取与所述客户相关联的第二图片；/n将所述第二图片的坐标信息统计入数据库中，结合气象数据和行业数据分析所述第二图片的潜力数据；/n根据获取的所述潜力数据对光伏资源进行整合。/n

【技术特征摘要】
1.一种分布式光伏资源整合方法，其特征在于，包括：
通过卫星获取具有屋顶信息的原始图片；
将获取的所述原始图片输入至预训练好的人工智能模型中，从所述原始图片中筛选出能够安装光伏的第一图片；
识别所述第一图片的坐标信息，通过大数据算法将所述坐标信息与不同的客户进行位置匹配，获取与所述客户相关联的第二图片；
将所述第二图片的坐标信息统计入数据库中，结合气象数据和行业数据分析所述第二图片的潜力数据；
根据获取的所述潜力数据对光伏资源进行整合。


2.根据权利要求1所述的分布式光伏资源整合方法，其特征在于，所述人工智能模型是通过如下方法训练的：
在待训练的图片标注上能够安装光伏的标签和不能安装光伏的标签；
将待训练的图片通过卷积神经网络算法进行训练，获取人工智能模型。


3.根据权利要求2所述的分布式光伏资源整合方法，其特征在于，所述卷积神经网络算法为Faster-RCNN算法。


4.根据权利要求1所述的分布式光伏资源整合方法，其特征在于，结合气象数据和行业数据分析所述第二图片的潜力数据包括如下步骤：
通过全国气象站点多年的辐照信息，依据经纬度和海拔评估第二图片全生命周期可用资源；
根据目前的工程技术参数，分析客户的造价成本，其中目前的工程技术参数为分析日至分析日前1-2年的工程技术参数；
...

【专利技术属性】
技术研发人员：徐立，武定胜，
申请(专利权)人：为式苏州智能科技有限公司，
类型：发明
国别省市：江苏;32