【技术实现步骤摘要】
本专利技术涉及光伏清扫机器人控制，具体涉及一种基于人机交互的光伏清扫机器人路径规划方法和系统。
技术介绍
1、光伏发电是一种利用太阳电池半导体材料的光伏效应，将太阳光辐射能直接转换为电能的一种新型发电系统，其在产业结构和能源结构调整，发展可再生能源方面拥有极大的前景。光伏板通常安装在户外，容易受到各种自然环境因素的影响，导致表面积灰。积灰会影响光伏板的透光性和光照吸收效率，对光伏板的输出功率影响较大，并且容易导致光伏板出现热斑和隐裂破损等硬件故障，甚至会导致系统瘫痪。因此，必须对光伏板进行清扫除去表面积灰。传统的光伏积灰清扫工作主要依赖人工实现，存在效率低、成本高、易出错等问题，
2、随着人工智能技术的发展，出现了各种光伏清扫机器人。由于环境、光伏清扫机器人智能、运动等原因使得通过光伏机器人自主完成光伏清扫仍然是一项挑战性任务。现有的光伏清扫机器人执行清扫任务时存在着一些缺陷：第一、光伏板表面积灰状态的识别和评估不准确，无法及时对光伏板进行清扫维护。第二、由于光伏板部署地形复杂，且积灰程度不相同，如果仅仅按照规定清扫顺序，不能保证光伏发电场的整体发电性能。第三、由于光伏机器人控制系统算力有限，无法加载复杂的智能算法，使得机器人清扫作业时自主完成任务困难。因此，基于上述难点需要设计出行之有效的路径规划方法使得光伏清扫机器人在复杂环境中具有高效的清扫能力，且得到安全保障，使其能够符合实际工程的需求。
技术实现思路
1、针对上述现有技术中存在的问题，本专利技术引入大语言模型(
2、为实现上述技术目的，本专利技术提供如下的技术方案：
3、一种基于人机交互的光伏清扫机器人路径规划方法，包括：
4、s1、在光伏板发电场不同的位置部署多个视觉传感器，获取光伏阵列图像；
5、s2、基于ssd(single shot multibox detector)算法从光伏阵列图像中识别出单个光伏板图像，用于光伏板积灰程度判定和光伏板定位；
6、s3、根据历史参数计算出发电效率损失率，并与步骤s2中识别出的单个光伏图像相匹配，再基于改进的inception网络积灰状态分析模型判定光伏板的积灰程度；
7、s4、将整个光伏发电场用栅格地图表示，根据步骤s2中识别出的单个光伏板图像确定光伏板的位置，并与步骤s3得到的该板的积灰程度相对应；在栅格地图中对各光伏板的位置和积灰程度进行标示；
8、s5、基于启发神经网络进行路径规划；将栅格地图映射到启发神经网络中，每个栅格对应一个神经元，神经元的值与光伏板的积灰程度相对应，积灰程度越高神经元的值越大，同时，神经元的值通过神经网络进行传递；光伏清扫机器人选择邻近值最大神经元对应的位置作为下一个运动位置，即优先清扫积灰程度严重的光伏板；
9、s6、基于人机交互的路径重规划；当光伏机器人在清扫过程中发生不确定事件时，利用llm(large language model)理解人的意图，通过学习系统做出决策，为重新规划出安全的路径。
10、进一步地，步骤s2具体包括：
11、s21、基于labelimg标注平台对原始的光伏阵列图像进行标注，选择光伏板四周金属边框为标准对象；
12、s22、对图像标注中的信息进行提取，包括光伏板的类型、图像尺寸、标准对象的坐标；
13、s23、将图像和标注信息转化为ssd算法能够识别的数据格式，并生成训练集和测试集；
14、s24、将输入图像格式化处理，在网格单元生成先验框，参考先验框向待检测光伏板的边界回归；通过ssd算法计算检测出回归框图中光伏板预测框，使用训练集迭代训练，使预测框逐步逼近目标实际框，从而实现对光伏板轮廓的检测识别，即识别出单个光伏板图像。
15、进一步地，步骤s3具体包括：
16、s31、依据光伏发电场环境信息、光伏板运行历史数据计算光伏板的发电效率损失率，公式表达为：
17、
18、其中，η为额定工作温度工况发电效率；ηe为积灰状态额定工作温度发电效率；ηpl为发电效率损失率；pm为输出电功率；pmax为设定光伏板温度、辐照度条件下最大输出电功率；tb、ts分别是光伏板实时温度和额定工作温度；r为光伏板功率温度系数；ai为光伏板面积；pin为辐照度；
19、s32、进行图-数匹配；将步骤s2中识别出的单个光伏板图像与发电效率损失率一一对应，构建光伏板积灰程度数据集，设定积灰程度分为10个等级，第10级积灰最多，第1级积灰最少；
20、s33、对光伏板进行积灰程度判定；判定算法以inception网络为主体，增加stem模块减少数据的维度，引入swish-se(swish gated squeeze and excitation)轻量级注意力机制，增加判定算法对不同特征的关注度，同时再通过设置优化器加速模型的迭代训练，最终判定出光伏板的积灰程度。
21、更为具体的，步骤s33中设置的优化器为：为自适应矩估计adam(adaptive momentestimation)优化器；adam优化器的学习率则通过warmup学习率调整策略进行调整，公式表达为：
22、
23、其中，iepoch表示是第几次迭代；λtw表示在第iepoch次迭代时学习率的值；iw表示使用warmup学习率调整策略时迭代的总次数；λstart表示在训练开始时设置的一个较小的学习率；λ0表示初始学习率。
24、进一步地，步骤s5具体包括：
25、s51、将步骤s4中得到的栅格地图与启发神经网络相对应，每一个栅格对应一个神经元；神经元分为三类，每类具有不同的初始赋值；一类表示光伏清扫机器人需要躲避的障碍物，初始赋值为-10；二类表示地图中的自由空间，初始赋值为0；三类表示光伏板，初始赋值为1-10，反映光伏板不同的积灰程度；具体的初始赋值如下：
26、
27、s52、记每个神经元的活性值为初始赋值和其他神经元传递值的叠加；每个神经元的值都通过启发神经网络进行传递，并对邻近神经元施加影响，以引导光伏清扫机器人规划路径；神经元值的传递函数为：
28、
29、其中，u k表示神经网络中第k个神经元的活性值；ul是与神经元k相邻(即在神经网络中之间通过神经连接)的神经元l的活性值；m是相邻神经元的数目；ik表示神经元k的初始赋值，ik＞0表示激励信号，ik＜0表示抑制信号；[ik]+＝max{ik,0}；[ik]-＝min{ik,0}；a、b和d为正值的常数；-a反映了神经元k的活性值uk的衰减速率；b和本文档来自技高网...
【技术保护点】
1.一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤S2包括：
3.根据权利要求1所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤S3包括：
4.根据权利要求3所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤S33中，所述设置的优化器为自适应矩估计Adam(adaptive moment estimation)优化器，Adam优化器的学习率则通过Warmup学习率调整策略进行调整，公式表达为：
5.根据权利要求1所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤S5具体包括：
6.根据权利要求1所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤S6包括：
7.一种基于人机交互的光伏清扫机器人路径规划系统，包括以下模块：
【技术特征摘要】
1.一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤s2包括：
3.根据权利要求1所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤s3包括：
4.根据权利要求3所述的一种基于人机交互的光伏清扫机器人路径规划方法，其特征在于，步骤s33中，所述设置的优化器为自适应矩估计adam...
【专利技术属性】
技术研发人员：华亿明，孙长银，穆朝絮，华舟瑶，曹翔，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
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。