本发明属于光伏电站，具体的说是一种基于深度学习的光伏电站智能巡检系统及方法。
背景技术：
1、随着新能源的快速发展，光伏电站的运维管理面临新的挑战。传统的人工巡检方式存在效率低下、成本高昂等问题，难以满足大规模电站的运维需求；随着无人机在各个领域的快速发展，现阶段光伏电站的运维管理也基本采用无人机进行巡检；
2、例如公开号为cn112633535a的一种基于无人机图像的光伏电站智能巡检方法及系统，系统包括无人机数据导入模块、巡检数据解析模块、深度学习算法模块、数字光伏电站模块、巡检结果管理模块和巡检回放模块；通过引入深度学习算法，实现更加精确的光伏缺陷检测；通过建立数字光伏电站实现虚拟场景图像与真实采集图像的配准，进而实现真实场景中光伏板位置与编号的获取；便于运维人员的直观调试和巡检管理，大幅提升光伏电站的自动化运维水平，有效提高光伏电站的巡检效率。
3、基于上述，从对光伏电站的巡检摄像及对图像处理分析角度上，现有技术已基本能够完成智能巡检，但是实际在对光伏电站进行智能巡检的过程中，还需要注意对无人机的控制，由于无人机基本依赖于电池驱动，且电池大小固定，在适应不同的光伏电站时，由于不同光伏电站的面积不同，因此可能会存在无人机无法再固定时间内完整采集光伏电站内所有光伏板图像的可能性，也就是说，若出现以上情况，则无人机势必需要中途补电再进行二次拍摄，那么由于时间间隔，导致无人机一次拍摄的图像所对应的光伏板在此期间若存在遮挡或光斑等问题，则无法被及时的发现，进而会影响光伏电站的运维管理。
4、为此，本发明提供一种基于深度学习的光伏电站智能巡检系统及方法。
技术实现思路
1、为了弥补现有技术的不足，解决背景技术中所提出的至少一个技术问题。
2、本发明解决其技术问题所采用的技术方案是：本发明所述的一种基于深度学习的光伏电站智能巡检系统及方法，包括：
3、无人机，用于进行巡检，并拍摄图像；
4、数据采集模块，用于接收无人机拍摄图像及时间；
5、数字光伏电站模块，基于实际光伏电站建立对应的虚拟仿真场景图像以及语义实例图像；
6、图像处理模块，用于对拍摄图像进行处理，将拍摄图像解析为所需的巡检结果，包括拍摄时间、高度、经纬度、缺陷类型、缺陷位置以及光伏板编号；
7、深度学习算法模块，为图像处理模块提供支撑，包括缺陷检测算法以及图像匹配算法，所述缺陷检测算法用于检测图像各类缺陷，图像匹配算法用于将数字光伏电站模块的虚拟仿真场景图像与实际采集的拍摄图像进行匹配；
8、数据存储模块，用于存储和管理光伏电站巡检的所有数据，包括原始巡检数据和解析的巡检结果，并支持巡检结果的查询；
9、还包括路径规划模块，用于规划无人机最优巡检路径；
10、还包括电量与行程管理模块，用于监控无人机剩余电量以及预计剩余行程；
11、匹配模块，选择无人机按照最优巡检路径进行巡检。
12、优选的，所述路径规划模块规划总行程最小的最优巡检路径的方法为：
13、利用dijkstra算法绘制途经n个点位的多个巡检路径；
14、计算多个巡检路径总行程；
15、选取其中总行程最小值对应的巡检路径作为最优巡检路径。
16、优选的，所述匹配模块还包括计算单元，用于计算无人机利用效率，方法为：
17、获取多个无人机预计剩余行程li及最优巡检路径总行程lz；
18、根据公式：
19、mi＝lz/li×100％
20、其中，mi表示任一无人机利用效率，i表示任一无人机。
21、优选的，所述无人机剩余电量qi与预计剩余行程li的关系满足公式：
22、li＝qi·e-γt/ai·60
23、其中，qi表示任一无人机电池容量，单位为mah；a表示任一无人机单位距离平均电流消耗，单位为ma/公里；e-γt表示无人机电池随服役时间的衰减参数，qi·e-γt表示任一无人机电池更新容量。
24、优选的，还包括分析模块，用于分析最优巡检路径的组成，包括逆风段行程、顺风段行程；所述计算单元还用于计算最优巡检路径的预估耗电量qz；
25、其中，顺风段行程表示无人机行进方向与风向夹角小于90°的行程，逆风段行程表示无人机行进方向与风向夹角大于等于90°的行程。
26、优选的，计算所述最优巡检路径的预估耗电量qz的方法为：
27、获取逆风段行程ln、顺风段行程ls以及顺风段行程的平均电流消耗as；
28、根据公式：
29、qz＝(ls+kln)·as·60
30、其中，qz表示预估耗电量，ls表示最优巡检路径中的顺风段行程，ln表示最优巡检路径中的逆风段行程，k表示逆风段行程相较于顺风段行程的平均电流消耗影响因子，as表示顺风段行程的平均电流消耗。
31、优选的，基于预估耗电量qz，所述计算模块还用于更新无人机利用效率，方法为：
32、根据公式：
33、
34、计算得到最优巡检路径的理论表达值
35、将理论表达值代入公式：mi＝lz/li×100％
36、更新公式为：
37、计算得到对应于多个无人机的更新利用效率
38、优选的，所述匹配模块基于无人机更新利用效率匹配任一无人机的方法为：
39、根据计算得到的对应于多个无人机的更新利用效率
40、排除大于100％的更新利用效率所对应的无人机；
41、再选取其中最大的更新利用效率所对应的无人机作为巡检无人机。
42、优选的，当所有更新利用效率均大于100％，则路径规划模块还用于重新规划预估耗电量最小的最优巡检路径，方法为：
43、获取dijkstra算法绘制的多个巡检路径；
44、采用分析模块分析巡检路径的组成；
45、计算多个巡检路径的预估耗电量qj，其中j表示任一巡检路径；
46、选择预估耗电量qj最小值所对应的巡检路径作为重新规划的无人机巡检路径。
47、一种基于深度学习的光伏电站智能巡检方法，包括以下步骤：
48、s1：获取最优巡检路径；
49、s2：选择无人机执行对应于最优巡检路径的任务；
50、s3：拍摄光伏板图像；
51、s4：对光伏板图像进行解析；
52、s5：处理图像获取缺陷图像对应的光伏板编号。
53、本发明的有益效果如下：
54、1.本发明所述的一种基于深度学习的光伏电站智能巡检系统及方法，通过电量与行程管理模块，监控无人机剩余电量以及显示无人机的预计剩余行程，当路径规划模块规划出来最优巡检路径后，可与当前无人机的预计剩余行程进行比较，若出现无人机当前预计剩余行程小于路径规划模块所规划的最优巡检路径，则需要对无人机进行补电，或更换无人机进行巡检，通过上述方式，能够确保无人机在进行一次巡检任务过程中，能够完整的拍摄光伏电站中所有光伏板，避免出现中途补电的情况，也就避免了因补电而产生的时间间隔，导致已完成拍摄的区域光伏板可能存在缺陷的问题。
55、2.本发明所述的一种基于深度学习的光伏电站智能巡检系统及方法，通过引入衰减参数，更新无人机剩余电量与行程的关系，从而能够获取当前时刻无人机电量与行程的对应关系；获取任一无人机随时间递减的更新预计剩余行程li，用于表征无人机服役时间与更新预计剩余行程li的关系；从而在匹配模块匹配最优巡检路径与对应的无人机时，能够确保无人机完整的执行最优巡检路径的任务，不会进行中途补电的操作，防止影响巡检结果。
1.一种基于深度学习的光伏电站智能巡检系统，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：所述路径规划模块规划总行程最小的最优巡检路径的方法为：
3.根据权利要求2所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：所述匹配模块还包括计算单元，用于计算无人机利用效率，方法为：
4.根据权利要求3所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：所述无人机剩余电量qi与预计剩余行程li的关系满足公式：
5.根据权利要求4所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：还包括分析模块，用于分析最优巡检路径的组成，包括逆风段行程、顺风段行程；所述计算单元还用于计算最优巡检路径的预估耗电量qz；
6.根据权利要求5所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：计算所述最优巡检路径的预估耗电量qz的方法为：
7.根据权利要求6所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：基于预估耗电量qz，所述计算模块还用于更新无人机利用效率，方法为：
8.根据权利要求7所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：所述匹配模块基于无人机更新利用效率匹配任一无人机的方法为：
9.根据权利要求8所述的一种基于深度学习的光伏电站智能巡检系统，其特征在于：当所有更新利用效率均大于100％，则路径规划模块还用于重新规划预估耗电量最小的最优巡检路径，方法为：
10.一种基于深度学习的光伏电站智能巡检方法，其特征在于：包括以下步骤：
