智能光伏清洁机器人自动运维控制方法与流程

本发明涉及人工智能领域，且更具体地涉及一种智能光伏清洁机器人自动运维控制方法。

背景技术：

1、随着全球能源需求的不断增长和对可再生能源的迫切需求，光伏发电作为清洁能源的重要来源备受关注。然而，光伏板的污染问题严重影响了发电效率，传统的手工清洁方式效率低下且成本高昂。在这样的背景下，智能光伏清洁机器人应运而生。这一创新技术结合了人工智能、机器视觉和自动控制技术，旨在提高光伏板的清洁效率，降低运维成本，推动清洁能源的发展。

2、智能光伏清洁机器人的出现得益于前沿的技术进步。机器视觉技术的发展使得机器人能够准确识别光伏板的污垢情况，自动规划清洁路径。同时，自动控制技术的进步使得机器人能够实现自主导航、智能避障，从而提高了运维效率。此外，人工智能算法的应用使得机器人能够学习和适应不同环境条件，进一步提升了其清洁能力。

3、然而，尽管智能光伏清洁机器人在提高效率和降低成本方面具有潜力，但也面临着一些挑战。首先，现有的自动运维控制方法存在实时性差的问题。由于光伏板污染程度随时间和环境条件变化，机器人无法及时响应并调整清洁策略，导致清洁效果不佳。其次，机器人的适用性不足，不能完全适应各种型号和规格的光伏电站，限制了其在实际应用中的灵活性和通用性。最后，机器人在处理复杂情况时的能力相对较弱。例如，在恶劣天气条件下或是遇到障碍物时，机器人无法有效应对，导致清洁任务中断或失败。

4、因此，本发明公开了一种智能光伏清洁机器人自动运维控制方法。

技术实现思路

1、针对现有技术的不足，本发明公开了一种智能光伏清洁机器人自动运维控制方法，本发明通过步骤一中的实时监测光伏板表面污染情况和周围环境变化，结合边缘计算系统的分析和处理，能够实现对光伏板状态的及时感知和数据处理，从而提升了系统的实时性。通过步骤四中的远程监控调度系统和实时异常监测系统，能够实现对机器人的实时监控、远程控制和异常监测，进一步提升了系统对运行状态的实时性感知和响应能力。通过步骤二中的智能预测与动态策略调整，机器人可以根据实时监测数据预测光伏板的污染程度，并根据预测结果动态调整清洁策略，提高了系统的适应性，能够更好地应对不同程度的污染情况。通过步骤三中的多场景应对与智能避障应用，采用基于深度学习的路径规划算法，提高了机器人在复杂环境中的导航能力，增强了系统在各种场景下的适用性。通过步骤四中的远程协同与集群控制，搭建了远程协同平台和分布式系统架构，实现了多台机器人之间的信息共享和任务协同，以及对机器人的实时监控和远程控制，从而增强了系统在复杂环境下的协同处理能力。通过步骤五中的动态能量管理与充电优化，利用太阳能光伏板和储能电池为机器人提供持续稳定的能源支持，并通过动态能量管理系统优化能量利用效率，增强了系统在长时间运行和复杂工作环境下的稳定性和可靠性。

2、本发明采用以下技术方案：

3、一种智能光伏清洁机器人自动运维控制方法，包括以下步骤：

4、步骤一、实时监测光伏板表面污染情况和周围环境变化；构建数据采集平台，所述数据采集平台通过边缘计算系统对光伏板表面数据进行分析和处理；所述边缘计算系统通过多模态感知融合方法将不同感知模态的数据进行综合分析；

5、步骤二、智能预测与动态策略调整；基于实时监测数据，通过光伏板污染预测模型预测光伏板污染程度，并通过自适应策略优化模型根据预测结果动态调整清洁策略；

6、步骤三、多场景应对与智能避障应用；通过基于深度学习的路径规划算法提高机器人在复杂环境中的导航能力；

7、步骤四、远程协同与集群控制；搭建远程协同平台，所述远程协同平台通过分布式系统架构实现多台机器人之间的信息共享和任务协同；所述分布式系统架构通过远程监控调度系统实现对机器人的实时监控和远程控制，并通过实时异常监测系统对光伏电站运行状态进行持续监测；所述远程监控调度系统通过云计算实现对机器人的实时监控和远程控制；所述实时异常监测系统通过实时告警与反馈机制保障清洁机器人的正常运行；

8、步骤五、动态能量管理与充电优化；通过太阳能光伏板和储能电池为机器人提供持续稳定的能源支持；所述太阳能光伏板和储能电池通过动态能量管理系统根据机器人工作状态和环境条件优化能量利用效率；

9、步骤六、持续优化与迭代升级；通过数据挖掘和分析方法识别机器人性能、功能和用户体验方面的问题和改进点；并通过远程固件升级机制提升智能光伏清洁机器人性能和稳定性。

10、作为本发明进一步的技术方案，所述边缘计算系统的工作方法为：

11、s1、数据采集平台构建；

12、通过传感器网络实现对光伏板表面污染情况和周围环境变化的实时监测；

13、s2、实时数据采集与传输；

14、通过基于udp的数据传输协议将数据传输至边缘计算系统；

15、s3、边缘计算系统部署；

16、将边缘计算节点部署在光伏清洁场景中，以降低数据传输延迟和网络带宽消耗；

17、s4、数据分析与处理；

18、通过边缘计算节点的嵌入式处理器对光伏板表面数据进行实时图像处理和信号处理，以提取特征信息；所述嵌入式处理器通过滤波、噪声抑制和频谱分析方法对数据进行实时处理；

19、s5、多模态感知融合方法应用；

20、通过深度学习模型将视觉、红外和声音感知数据进行融合；所述深度学习模型通过多模态注意力机制将从不同感知数据中提取的特征进行融合；所述多模态注意力机制包括软注意力机制和硬注意力机制；所述软注意力机制通过学习感知数据权重的方式将所有数据进行加权融合；所述硬注意力机制通过选择性关注部分感知数据的方式实现对多模态数据的筛选和集成；

21、s6、环境状态识别与分类；

22、基于融合后的多模态数据，通过卷积神经网络实现环境状态的识别与分类。

23、作为本发明进一步的技术方案，所述光伏板污染预测模型通过支持向量机svm分类任务，并通过卷积神经网络cnn处理复杂图像数据，以实现对光伏板污染的预测；所述光伏板污染预测模型包括数据预处理模块、特征提取模块、模型构建模块和预测结果评估模块；所述数据预处理模块包括数据清洗单元和数据归一化单元；所述数据清洗单元通过滑动窗口法和中值滤波法实现对采集到的数据中的异常值和噪音的去除；所述数据归一化单元通过最大最小归一化方法将不同量纲的数据统一到相同尺度；所述最大最小归一化方法通过线性变换将原始数据映射到固定范围内；所述特征提取模块包括图像处理单元和特征工程单元；所述图像处理单元通过计算机视觉对光伏板表面图像进行处理和分析；所述特征工程单元通过卷积神经网络将原始数据转化为污染程度的特征表示；所述模型构建模块通过所述支持向量机svm和所述卷积神经网络cnn构建污染预测模型；所述预测结果评估模块包括性能评估单元和误差分析单元；所述性能评估单元通过准确率和召回率指标对模型预测结果进行评估和分析；所述误差分析单元通过混淆矩阵和学习曲线识别模型预测中的误差来源，并针对性地改进模型。

24、作为本发明进一步的技术方案，所述自适应策略优化模型包括输入层、卷积层、池化层、扁平化层、全连接层和输出层；所述自适应策略优化模型的工作包括以下步骤：

25、(e1)数据表示与输入层处理，用于接收光伏板表面的监测数据作为输入；通过所述输入层将监测数据以二维矩阵的形式表示，并将监测数据输入到神经网络中；

26、(e2)空间特征提取与卷积层计算，用于提取输入数据中的空间特征；通过所述卷积层对输入数据进行滑动计算，以提取不同位置的特征信息；所述卷积层通过卷积操作和滤波器提取输入数据中的局部特征，并通过权重共享减少参数量；

27、(e3)特征降维与池化层处理，用于降低计算量同时保留关键信息；通过所述池化层降低特征图维度；所述池化层通过平均池化操作减少特征图尺寸；

28、(e4)特征向量转换与扁平化层处理，用于将池化层输出的二维特征图展开成一维向量；通过所述扁平化层将二维特征图转换为一维向量，作为全连接层的输入；

29、(e5)学习特征关系与全连接层处理，用于学习特征间复杂关系；通过所述全连接层对特征进行非线性变换和组合，以学习特征关系；所述全连接层通过权重矩阵的矩阵乘法和激活函数作用将扁平化的特征向量映射到最终输出空间；

30、(e6)预测结果生成与输出层处理，用于产生光伏板的污染程度预测值；通过所述输出层产生最终预测结果，并根据任务需求，通过线性激活函数回归任务。

31、作为本发明进一步的技术方案，所述基于深度学习的路径规划算法通过传感器获取环境信息，并通过机器学习模型对环境特征进行建模和分析；所述机器学习模型通过路径特征提取公式提取路径特征，为后续路径规划模型提供输入；所述路径特征提取公式的表达式为：

32、

33、在公式(1)中，wi表示当前位置状态，用于表示机器人所处的具体位置状态；wc表示目标位置，用于表示机器人需要到达的目标位置；h表示障碍物密度，用于描述当前位置周围的障碍物分布密度；y表示环境复杂度，用于衡量当前环境的复杂程度；表示随机扰动，用于引入随机性以模拟环境中的不确定性；tanh表示环境特征表示函数，用于衡量环境条件的变化对路径规划的影响；接着，所述基于深度学习的路径规划算法通过神经网络进行路径映射的学习和训练，并通过反向传播算法优化模型参数，实现路径规划模型的建模和训练；所述神经网络通过路径映射学习公式将输入的路径特征映射到输出的路径结果；所述路径映射学习公式的表达式为：

34、

35、在公式(2)中，a表示环境感知获取的路径特征，用于提供给深度学习模型作为输入的路径特征向量；表示对卷积结果进行批标准化处理，relu表示所述神经网络的激活函数；zo表示在训练过程中添加的噪声；xi和ki表示路径规划模型的权重，用于将输入的路径特征映射到输出的路径结果；δ表示路径规划模型的偏置，用于调整模型的输出；根据当前环境和机器人状态，通过启发式搜索方法实现路径选择和执行决策；所述启发式搜索方法通过路径选择决策公式进行路径评估和动作选择；所述路径选择决策公式的表达式为：

36、

37、在公式(3)中，m表示当前位置到目标位置的距离，用于评估当前机器人距离目标位置的远近程度；r表示机器人的行动能力指标，用于描述机器人在当前环境下的可行动范围和速度特性；s表示环境障碍物密度调节系数，用于调节路径规划的优先级；q表示路径长度，用于影响机器人行动的效率和能耗；na表示环境扰动，用于模拟环境中的不确定性和变化；根据实时反馈路径信息e，所述基于深度学习的路径规划算法通过参数调节公式动态调整路径规划模型的参数；所述参数调节公式的表达式为：

38、

39、在公式(4)中，l表示模型参数扰动，pg和pb表示路径规划模型参数调节系数，用于根据环境特征和任务需求调整模型参数。

40、作为本发明进一步的技术方案，所述远程监控调度系统包括实时监控模块、数据处理模块、智能分析模块、远程控制模块和用户界面模块；所述实时监控模块通过无线通信网络实现实时数据的采集和传输；所述数据处理模块通过滤波和插值方法确保数据的准确性和完整性，并通过sql数据库进行数据的存储和管理；所述智能分析模块通过统计分析方法进行数据建模和预测；所述统计分析方法通过回归分析和时间序列分析的方式对存储的历史数据进行分析和建模；所述远程控制模块包括任务调度与指令生成单元和指令传输与执行监控单元；根据智能分析模块的结果，所述任务调度与指令生成单元通过pid控制算法生成任务调度和控制指令；所述指令传输与执行监控单元通过全双工通信协议websocket实现指令的传输和执行监控；所述用户界面模块通过响应式和数据可视化方法提供信息展示和用户交互体验；所述实时监控模块的输出端与所述数据处理模块的输入端连接；所述数据处理模块的输出端与所述智能分析模块的输入端连接；所述智能分析模块的输出端与所述远程控制模块的输入端连接；所述远程控制模块的输出端与所述用户界面模块的输入端连接。

41、作为本发明进一步的技术方案，所述实时异常监测系统在智能光伏清洁机器人自动运维控制方法中的工作原理步骤为：

42、步骤1、数据采集与传输：通过传感器网络实时监测清洁机器人电流和电压数据，并通过无线通信网络lorawan将数据传输至云端服务器；

43、步骤2、数据处理与分析：通过大数据分析和机器学习模型对数据进行处理和分析，识别异常特征；所述大数据分析通过分布式计算框架spark处理大规模数据；所述机器学习模型通过统计学和计算机科学对历史数据进行学习以发现模式和趋势；

44、步骤3、异常检测与诊断：通过数据挖掘和模式识别方法检测异常情况；所述数据挖掘通过聚类算法在大数据中发现隐藏的模式和关联性；所述模式识别方法通过深度学习模型识别数据中的特征以进行异常检测和诊断；

45、步骤4、告警触发与生成：当异常情况被检测到时，通过规则引擎drools定义告警规则，并通过事件驱动机制监控数据流，一旦触发规则条件则生成告警；

46、步骤5、实时告警传输：将生成的告警信息通过实时通信方法传输至相关人员，并通过云端数据库将告警信息同步存储于云服务中；所述实时通信方法通过通信协议websocket进行实时通信传输告警信息；

47、步骤6、告警处理：接收告警信息的相关人员通过人机交互界面对机器人进行操作，所述人机交互界面通过远程桌面协议ssh进行远程控制，并提供移动应用界面供操作人员与系统交互；

48、步骤7、异常反馈与记录：系统通过关系型数据库存储记录异常发生的时间、位置以及处理过程，并进行反馈，以便后续数据分析和运维优化。

49、作为本发明进一步的技术方案，所述动态能量管理系统通过基于模型的控制方法mpc预测太阳能光伏板的能量产生和储能电池的能量存储情况；所述基于模型的控制方法mpc首先通过数据驱动建模方法建立动态模型，接着通过时间序列预测方法对系统的未来行为进行预测，最后通过线性规划算法在给定约束条件下寻找最优的控制输入序列，以制定控制策略；所述动态能量管理系统包括能量预测模块、优化调度模块和动态调整模块；所述能量预测模块通过支持向量回归svr模型对历史太阳能光伏板的能量产生数据进行建模和预测；所述支持向量回归svr模型通过数据挖掘和统计分析方法对历史能量数据进行处理和分析；所述优化调度模块包括能量调度策略生成单元和实时调整反馈单元；根据能量预测结果和清洁机器人的工作状态，所述能量调度策略生成单元通过约束优化方法生成最优策略；所述实时调整反馈单元通过传感器网络实时监控清洁机器人的实时工作状态和环境条件，并通过反馈控制方法根据实际情况动态调整能量管理策略；所述动态调整模块包括实时监测单元和调整策略生成单元；所述实时监测单元通过传感器和数据采集系统实时监测太阳能光伏板和储能电池的能量状态，包括当前的能量产生情况和能量存储情况；根据实时监测到的能源供应情况和清洁机器人的工作需求，所述调整策略生成单元通过规则引擎和数据分析方法动态调整能量调度策略。

50、作为本发明进一步的技术方案，所述数据挖掘和分析方法通过机器学习模型从数据中学习模式、趋势和关联性，并通过统计分析方法数据之间的关系和变化趋势；所述机器学习模型采用聚类算法识别数据中的类别和群组，通过分类算法识别数据中的模式和规律，通过回归算法建立数据之间的关系模型；所述统计分析方法通过均值、方差和相关系数指标分析数据的分布和变化趋势，进行假设检验以验证数据之间的关系；所述远程固件升级机制通过云平台建立机器人与控制中心之间的远程通信连接；通过远程通信渠道，所述远程固件升级机制通过固件包传输的方式完成固件的加载和升级。

51、积极有益效果：

52、本发明公开了一种智能光伏清洁机器人自动运维控制方法，本发明通过步骤一中的实时监测光伏板表面污染情况和周围环境变化，结合边缘计算系统的分析和处理，能够实现对光伏板状态的及时感知和数据处理，从而提升了系统的实时性。通过步骤四中的远程监控调度系统和实时异常监测系统，能够实现对机器人的实时监控、远程控制和异常监测，进一步提升了系统对运行状态的实时性感知和响应能力。

53、通过步骤二中的智能预测与动态策略调整，机器人可以根据实时监测数据预测光伏板的污染程度，并根据预测结果动态调整清洁策略，提高了系统的适应性，能够更好地应对不同程度的污染情况。通过步骤三中的多场景应对与智能避障应用，采用基于深度学习的路径规划算法，提高了机器人在复杂环境中的导航能力，增强了系统在各种场景下的适用性。

54、通过步骤四中的远程协同与集群控制，搭建了远程协同平台和分布式系统架构，实现了多台机器人之间的信息共享和任务协同，以及对机器人的实时监控和远程控制，从而增强了系统在复杂环境下的协同处理能力。通过步骤五中的动态能量管理与充电优化，利用太阳能光伏板和储能电池为机器人提供持续稳定的能源支持，并通过动态能量管理系统优化能量利用效率，增强了系统在长时间运行和复杂工作环境下的稳定性和可靠性。