System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理和深度学习太阳能板覆灰情况自主评估方法,具体涉及一种基于压缩感知、正交匹配追踪重构、超分辨率、去雾、图像增强和子空间聚类的从边端到云端全过程太阳能板覆灰情况自主评估方法。
技术介绍
1、近年来,光伏发电作为可再生能源发电的主要表现形式,凭借其低污染、高可靠以及广泛适用性,全球装机容量已达到660吉瓦(gw)。然而,由于太阳能电池板(简称太阳能板)长期暴露于室外环境下,极易受到粉尘污染,久而久之形成的积尘将严重影响太阳能板的光电转换效率(即发电效率);积尘会降低分布式光伏组件的透射率,不仅影响其发电效率,还易阻碍散热和导致腐蚀。
2、目前的太阳能板积尘监测系统主要是测量一段时间内的发电效率,有少数会对太阳能板覆灰状况进行实时分析,例如接触传感器等方法,鉴于这些方法所存在的局限性,其很难在保证准确度和经济效益的前提下对光伏板的清洗、维修起到指导性的作用,因此对太阳能板覆灰状态的研究具有很重要的实践意义。
技术实现思路
1、针对上述现有技术,本专利技术主要实现云-边协同的太阳能板覆灰状况的自主评估来代替人工巡检太阳能覆灰板状况,通过压缩感知、正交配追踪(omp)重构、超分辨率、去雾deblur+图像增强、子空间聚类算法等图像处理技术来分析安防设备获取的照片,进而达成自主评估分布式太阳能板覆灰状况的目的,从而提高分布式太阳能板的发电效率以及避免各种可能情况下的实际应用的故障。本专利技术解决的技术问题是:缺少光伏板覆灰情况自主评估方法,传输成本高、计算复杂度
2、为了解决上述技术问题,本专利技术提提出的一种云边协同太阳能板覆灰状况自主评估方法,主要包括:获取边端太阳能板图像数据,采用压缩感知技术压缩图像数据,将压缩后的数据上传到云端;在云端使用正交匹配追踪技术,复原压缩后的图像数据,实现图像重构;对重构后的图像进行预处理,将预处理后的图像输入到srcnn网络中,通过超分辨率技术提高重构图像分辨率;对超分辨率重构图像进行分割得到各子图,对各子图分别进行去雾和图像增强处理;采用稀疏子空间聚类算法处理最终图像,输出数据分段。步骤如下:
3、步骤1、通过边端设备获取边端太阳能板rgb图像,采用压缩感知技术压缩rgb图像数据,得到r/g/b三通道的测量值和观测矩阵,将所述的三通道的测量值和观测矩阵上传到云端;
4、步骤2、在云端使用正交匹配追踪技术对接收的r/g/b三通道的测量值和观测矩阵进行处理,得到重构的太阳能板rgb图像;
5、步骤3、对重构后的太阳能板rgb图像进行预处理,得到与原始亮度分量尺寸相同的ycbcr格式的低分辨率太阳能板图像;构建包括有特征提取层、非线性映射层和图像重建层的srcnn模型,将ycbcr格式的低分辨率太阳能板图像输入至srcnn网路中提高重构图像的分辨率,包括:将所述的特征提取层提取得到的高维向量表示低分辨率图像块,所述非线性映射层将该高维向量进行非线性映射得到新的高维向量表示高分辨率图像块;所述图像重建层将表示高分辨率图像块的高维向量聚合计算,同时设置损失函数,进行网络训练;该srcnn模型的输出为高分辨率图像的亮度分量;将高分辨率图像的亮度分量与ycbcr格式的低分辨率太阳能板图像的cb分量和cr分量合并,得到ycbcr格式的高分辨率太阳能板图像;将ycbcr格式的高分辨率太阳能板图像转换为rgb格式,得到rgb格式的高分辨率太阳能板图像;
6、步骤4、对所述的rgb格式的高分辨率太阳能板图像进行分割得到各子图,对其中的太阳能板子图依次进行去雾和图像增强处理;
7、步骤5、采用稀疏子空间聚类算法对图像增强后的rgb格式的太阳能板子图进行处理,以无监督的方式将太阳能板子图分类,将分类结果作为太阳能板的覆灰情况评估依据,进而实现覆灰状况评估分级。
8、进一步讲,本专利技术所述的云边协同太阳能板覆灰状况自主评估方法,其中:
9、步骤1中,所述边端设备为安防摄像装置,边端太阳能板rgb图像为所述安防摄像装置拍摄的rgb照片,边端太阳能板rgb图像包括拍摄时间、太阳能板图像和拍摄背景图像。
10、采用压缩感知技术压缩rgb图像数据,得到r/g/b三通道的测量值和观测矩阵的过程包括:提取维度为n*n*3的太阳能板rgb图像,分别获取图像的红色通道数组xr、绿色通道数组xg和蓝色通道数组xb;对任意通道数组进行稀疏表示,并通过随机观测矩阵实现对各通道数据从高维空间到低维空间的线性映射;所述稀疏表示和线性映射的计算包括,
11、x=ψ·θ
12、y=φ·x=φ·ψ·θ=a·θ
13、其中,y∈rm×n,x∈rn×n,φ∈rm×n,x代表原始通道数据,y代表测量值,φ为随机生成的高斯变换矩阵,ψ为在离散余弦变换正交基组成的稀疏域下的变换矩阵,θ为x在变换矩阵下的线性映射,a为观测矩阵,n为压缩变化前的像素值大小,m大小为n乘以压缩比例。
14、步骤2具体过程如下:
15、步骤2-1)针对云端接收的测量值和观测矩阵,初始化各参数,包括:
16、r0=y;
17、其中,r0为初始残差信号,y为在云端接收的测量值,∧0为初始索引集合,a0为初始按照索引∧0选出的观测矩阵a的列集合;
18、步骤2-2)计算残差信号与观测矩阵列向量的模值,选择模值中大于门限的值,将这些值对应观测矩阵a的列序号构成列序号集合j,
19、u=|<rt-1,aj>|,1≤j≤n
20、其中,rt-1为第t-1次迭代的残差信号,u为模值,aj为观测矩阵a的第j列,|<·>|代表模值计算;
21、步骤2-3)更新索引集合和按照索引集合选出列集合,
22、∧t=∧t-1∪j
23、at=at-1∪aj,j∈j
24、其中,∧t和at分别为第t次迭代时的索引集和按照索引集选出的观测矩阵的列集合;
25、对等式y=at·θt中θ的最小二乘解计算,
26、
27、其中,对线性映射θ的最小二乘解,arg min表示表达式达到最小值时自变量的取值,||·||为范数计算;
28、步骤2-4)更新残差信号计算,
29、
30、其中,rt为第t次迭代时的残差信号;
31、判断迭代次数是否达到设定最大迭代次数,如果迭代次数超过最大迭代次数或者rt=0则停止迭代进入步骤2-5),否则返回上述步骤2-2);
32、步骤2-5)根据迭代得到的重构原始通道数据,
33、
34、其中,为正交匹配追踪技术重构后的通道数据,ψ为在对原始通道数据压缩过程中的稀疏域变换矩阵;对r/g/b三通道的重构数据进行合并,得到维度为n*n*3的重构图像即重构的太阳能板rgb图像。
35、步骤3中,对重构后的太阳能板rgb本文档来自技高网...
【技术保护点】
1.一种云边协同太阳能板覆灰状况自主评估方法,其特征在于,包括:
2.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤1中,所述边端设备为安防摄像装置,边端太阳能板RGB图像为所述安防摄像装置拍摄的RGB照片,边端太阳能板RGB图像包括拍摄时间、太阳能板图像和拍摄背景图像。
3.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤1中,采用压缩感知技术压缩RGB图像数据,得到R/G/B三通道的测量值和观测矩阵的过程包括:
4.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤2的具体过程如下:
5.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤3中,对重构后的太阳能板RGB图像进行预处理,得到与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像;包括,
6.根据权利要求1或5所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤3中,构建包括有特征提取层、非线性映射层和图像重建层的SRCNN模型,将YCBCR
7.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤4中,将所述的RGB格式的高分辨率太阳能板图像分割为天气状态子图、太阳能板子图和时间信息图;对所述的太阳能板子图依次进行去雾和图像增强处理;包括:
8.根据权利要求1或7所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤5的具体过程包括,
...【技术特征摘要】
1.一种云边协同太阳能板覆灰状况自主评估方法,其特征在于,包括:
2.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤1中,所述边端设备为安防摄像装置,边端太阳能板rgb图像为所述安防摄像装置拍摄的rgb照片,边端太阳能板rgb图像包括拍摄时间、太阳能板图像和拍摄背景图像。
3.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤1中,采用压缩感知技术压缩rgb图像数据,得到r/g/b三通道的测量值和观测矩阵的过程包括:
4.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤2的具体过程如下:
5.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法,其特征在于:步骤3中,对重构后的太阳能板r...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。