买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中铁建设集团有限公司;长安大学;中铁建设集团中原建设有限公司

摘要：本发明公开了一种光伏性能综合监测评估及维护方法及系统。本发明的方法通过YOLO模型、VGG神经网络模型、FasterR‑CNN神经网络获取光伏组件的深层特征和浅层特征，有效提高了监测结果的准确性；同时通过各光伏电池单元对应的I‑V输出特性获取对应的光电转换效率，结合图像监测结果和光电转换效率、角度识别结果，快速判断该光伏电池单元效率低下的原因是否是该光伏电池单元外壳存在污垢；本发明的系统结构简单，利用光伏系统的图像特征以及光电参数，可针对不同的情况，综合监测光伏系统的性能，并制定维护方案，及时进行维护和清洁，保障和提升光伏发电性能，并有效减少工作人员工作量。

主权项：1.一种光伏性能综合监测评估及维护方法，其特征在于：包括以下步骤：S1、通过太阳光辐照度测量仪获取太阳光辐照度；获取光伏系统的各光伏电池单元对应的I-V输出特性曲线图；S2、根据各I-V输出特性曲线图和太阳光辐照度进行计算，得到各光伏电池单元的光电转换效率；S3、对各光伏电池单元的光电转换效率进行初次筛选，得到待确认的光伏电池单元；S4、获取各待确认的光伏电池单元的原始图像数据集并进行预处理，得到对应的灰度图像数据集；所述原始图像数据集包括干净的光伏电池单元图像和被遮挡的光伏电池单元图像；S5、将灰度图像数据集进行角度识别，得到对应的角度识别结果；所述步骤S5的具体过程为：遍历灰度图像数据集中的每个像素，利用立体视觉算法获取对应的角点；根据角点和相机参数计算各光伏电池单元的外接矩形；根据各光伏电池单元的外接矩形获取对应的投影面积，即角度识别结果；S6、根据光伏电池单元的角度识别结果判断该光伏电池单元的灰度图像是否满足筛选条件；若是则进入步骤S9；反之则得到筛选后的灰度图像数据集并进入步骤S7；S7、将筛选后的灰度图像数据集输入至图像综合监测模型并进行训练，得到训练后的图像综合监测模型；所述步骤S7中的图像综合监测模型包括依次串联的图像检测模块、图像特征提取模块、多头自注意力模块和SVM分类器；所述图像特征提取模块包括并联的多尺度深层特征提取单元、浅层特征提取单元；所述多尺度深层特征提取单元包括多尺度深层特征提取层、残差模块；所述多头自注意力模块包括依次串联的第一归一化层、多头自注意力层和第二归一化层；所述多头自注意力层和第二归一化层之间插入有一个残差连接层；所述图像检测模块采用YOLO模型；所述浅层特征提取单元采用VGG神经网络模型；所述多尺度深层特征提取层采用FasterR-CNN神经网络；所述步骤S7进一步包括：S7-1、将灰度图像数据集输入至YOLO模型，得到最终的检测框；所述步骤S7-1进一步包括：S7-1-1、将灰度图像数据集输入至YOLO模型，得到初始检测框及其置信度分数；S7-1-2、判断各个初始检测框的置信度分数是否小于阈值；若是则去除该初始检测框；反之保留该初始检测框，得到筛选后的检测框；S7-1-3、利用NMS算法对筛选后的检测框进行处理，得到最终的检测框；S7-2、将灰度图像数据集和最终的检测框输入至VGG神经网络模型，得到对应的浅层特征数据；S7-3、将灰度图像数据集和最终的检测框输入至FasterR-CNN神经网络，得到对应的各尺度下的特征数据；S7-4、将各尺度下的特征数据输入至残差模块，得到深层特征数据；S7-5、将深层特征数据和浅层特征数据输入至多头自注意力模块，得到最终的特征数据；S7-6、将最终的特征数据输入至SVM分类器，得到对应的图像监测结果；S7-7、根据图像监测结果获取损失函数；根据损失函数对图像综合监测模型的参数进行调整，得到训练后的图像综合监测模型；S8、将待监测的光伏电池单元的图像输入至训练后的图像综合监测模型，得到对应的图像监测结果；图像监测结果包括待清洁的光伏电池单元以及不需要清洁的光伏电池单元；S9、根据图像监测结果和光伏电池单元的角度识别结果、光电转换效率，制定维护方案，完成对光伏系统的监测和维护。

全文数据：

权利要求：

百度查询： 中铁建设集团有限公司 长安大学 中铁建设集团中原建设有限公司 一种光伏性能综合监测评估及维护方法及系统