一种光伏跟踪支架转动系统和控制器的制作方法

1.本技术实施例涉及光伏技术领域，尤其涉及一种光伏跟踪支架转动系统和控制器。


背景技术：

2.随着新能源发电日趋成熟，国内光伏市场快速崛起，光伏电站在国内广泛分布。其中，在北方地区，冬季漫长，气温低，降雪量丰富。
3.降雪会对光伏电站造成严重的影响，积雪在光伏组件上堆积，造成光伏发电量损失。积雪严重的情况下，积雪可能会压坏光伏组件或造成光伏组件的崩塌。
4.目前，光伏电站中可以对光伏组件进行加热以达到除雪的目的，然而这种方式发热效率较低，需要在降雪期间持续加热，浪费电能并且除雪效果不好。


技术实现要素：

5.本技术实施例提供了一种光伏跟踪支架转动系统和控制器，用于解决传统加热除雪的方法效率低且浪费电能的技术问题。
6.第一方面，本技术实施例提供一种光伏跟踪支架转动系统，包括控制器、光伏跟踪支架、光伏电池板和图像/视频采集装置；所述光伏跟踪支架上安装所述光伏电池板，所述光伏电池板能够跟随所述光伏跟踪支架转动；所述控制器用于从所述图像/视频采集装置中获取图像数据，根据所述图像数据对应的类别生成不同的指令，所述指令用于控制所述光伏跟踪支架转动，以除去所述光伏电池板上的积尘或积雪。
7.本技术实施例通过图像/视频采集装置采集光伏电池板以及附近环境的图像数据，并通过控制器识别图像数据对应的类别，生成不同的指令以控制所述光伏跟踪支架转动，以除去所述光伏电池板上的积尘或积雪，无须加热，简单高效，解决了传统加热除雪的方法效率低且浪费电能的技术问题。
8.结合第一方面，在本技术实施例的一种实现方式中，该系统还包括数据采集设备；所述数据采集设备连接所述光伏跟踪支架以及所述图像/视频采集装置。该数据采集设备可以接收图像/视频采集装置的图像数据以及可以传输指令至光伏跟踪支架，实现数据互联。
9.结合第一方面，在本技术实施例的一种实现方式中，该系统还包括逆变器；所述数据采集设备通过所述逆变器连接所述光伏跟踪支架，或者数据采集设备直接连接光伏跟踪支架。数据采集设备可以通过两种方式连接光伏跟踪支架，提高系统的兼容性，能够适用于不同类型的光伏跟踪支架系统。
10.结合第一方面，在本技术实施例的一种实现方式中，该系统还包括网络设备和中控计算机设备；所述中控计算机设备通过所述网络设备连接所述数据采集设备；或所述中控计算机设备通过所述网络设备连接所述图像/视频采集装置。中控计算机设备可以通过多种方式获取图像/视频采集装置中的图像数据，例如通过网络设备、数据采集设备连接到
图像/视频采集装置从而获取该图像数据。或者是，中控计算机设备可以通过网络设备直接连接到图像/视频采集装置，从而获取该图像数据。这些方式可以适用于不同的实际情况。
11.结合第一方面，在本技术实施例的一种实现方式中，所述控制器内置在所述图像/视频采集装置、所述数据采集设备或所述中控计算机设备内部。控制器的部署位置可以根据实际情况设置。若控制器部署在图像/视频采集装置内部，则控制器可以直接获取图像/视频采集装置的图像数据，生成指令后通过数据采集设备转发至光伏跟踪支架。若控制器部署在数据采集设备内部，则控制器可以通过数据采集设备获取图像/视频采集装置的图像数据，生成指令后通过数据采集设备发送至光伏跟踪支架。若控制器部署在中控计算机设备内部，则控制器可以通过中控计算机、网络设备以及数据采集设备从图像/视频采集装置获取图像数据，生成指令后又通过中控计算机、网络设备以及数据采集设备转发至光伏跟踪支架。
12.结合第一方面，在本技术实施例的一种实现方式中，若所述图像数据对应的类别为降雪或降冰雹，则所述控制器用于生成第一指令，所述第一指令用于指示所述光伏跟踪支架调整至预设倾角。当降雪或降冰雹时，控制器能够通过图像数据识别得到，并且生成第一指令指示所述光伏跟踪支架调整至预设倾角。光伏跟踪支架调整至预设倾角后，能够降低光伏电池板接受到的降雪量，并且使得光伏电池板上的积雪或冰雹能够更容易掉下来，从而达到避雪及除雪效果，并可以降低冰雹降落对组件表面的冲击力，减少光伏电池板被破坏的风险。
13.结合第一方面，在本技术实施例的一种实现方式中，若所述图像数据对应的类别为降雨且积尘，则所述控制器用于生成第二指令，所述第二指令用于指示所述光伏跟踪支架转动到预设角度或者反复转动n次，n为大于或等于1的整数。当降雨且积尘时，控制器能够通过图像数据识别出来，并且指示光伏跟踪支架转动到预设角度或者反复转动n次，从而使得雨水将光伏电池板上的积尘冲刷干净，达到除尘的效果。
14.结合第一方面，在本技术实施例的一种实现方式中，所述控制器用于从所述图像/视频采集装置中获取视频数据，根据预设时间间隔从所述视频数据中抽取所述图像数据。在一种情况中，若图像/视频采集装置是拍摄视频的装置，则控制器可以将拍摄的视频数据通过抽样抽帧的方式转换成图像数据。
15.结合第一方面，在本技术实施例的一种实现方式中，所述控制器还用于根据所述图像数据，通过训练完的神经网络模型识别所述图像数据对应的类别。在一些情况中，控制器可以通过神经网络识别图像数据。在实际应用中还可能采用其他方式识别。
16.结合第一方面，在本技术实施例的一种实现方式中，该系统还包括模型训练装置；所述模型训练装置用于获取训练用的图像数据，对所述训练用的图像数据进行分类标记，得到图像数据的训练类别，根据所述训练用的图像数据和所述训练类别，通过训练算法对神经网络模型进行训练，得到所述训练完的神经网络模型。
17.第二方面，本技术实施例提供一种光伏跟踪支架控制器，所述控制器用于执行以下步骤：获取图像数据；根据所述图像数据对应的类别生成不同的指令，所述指令用于控制光伏跟踪支架转动，以除去光伏电池板上的积尘或减少光伏板表面积雪，所述光伏电池板安装在所述光伏跟踪支架上，所述光伏电池板能够跟随所述光伏跟踪支架转动。
18.结合第二方面，在本技术实施例的一种实现方式中，若所述图像数据对应的类别
为降雪或降冰雹，则所述控制器用于生成第一指令，所述第一指令用于指示所述光伏跟踪支架调整至预设倾角。
19.结合第二方面，在本技术实施例的一种实现方式中，若所述图像数据对应的类别为降雨且积尘，则所述控制器用于生成第二指令，所述第二指令用于指示所述光伏跟踪支架转动到预设角度或者反复转动n次，n为大于或等于1的整数。
20.结合第二方面，在本技术实施例的一种实现方式中，所述控制器还用于：根据所述图像数据，通过训练完的神经网络模型识别所述图像数据对应的类别。
21.结合第二方面，在本技术实施例的一种实现方式中，所述神经网络模型通过以下步骤训练得到：获取训练用的图像数据；对所述训练用的图像数据进行分类标记，得到图像数据的训练类别；根据所述训练用的图像数据和所述训练类别，通过训练算法对神经网络模型进行训练，得到训练完的神经网络模型。
22.结合第二方面，在本技术实施例的一种实现方式中，所述神经网络模型的训练步骤还包括：获取验证用的图像数据，对所述验证用的图像数据进行分类标记，得到图像数据的验证类别；根据所述验证用的图像数据，通过所述训练完的神经网络模型识别得到图像数据的识别类别；根据所述验证类别和所述识别类别确定所述训练完的神经网络模型的准确率。
23.结合第二方面，在本技术实施例的一种实现方式中，所述控制器用于：获取视频数据；根据预设时间间隔，从所述视频数据中抽取图像数据。
24.结合第二方面，在本技术实施例的一种实现方式中，所述控制器还用于：去除图像亮度小于预设阈值的所述图像数据。
25.从以上技术方案可以看出，本技术实施例具有以下优点：
26.本技术实施例通过图像/视频采集装置采集光伏电池板以及附近环境的图像数据，并通过控制器识别图像数据对应的类别，生成不同的指令以控制所述光伏跟踪支架转动，以除去所述光伏电池板上的积尘或积雪，不需要持续加热，简单高效，节省电能，解决了传统加热除雪的方法效率低且浪费电能的技术问题。此外，本技术还提供对应的控制器。
附图说明
27.图1为本技术实施例中光伏电站内光伏组件的示意图一；
28.图2为本技术实施例中光伏电站内光伏组件的示意图二；
29.图3为本技术提供的一种自动避雪系统的示意图；
30.图4为本技术实施例中方阵数据采集设备的示意图；
31.图5为本技术实施例中视频摄像头的示意图；
32.图6位本技术实施例中控制器执行的步骤流程图；
33.图7为本技术实施例中控制器502预设的判断条件示意图；
34.图8为本技术实施例提供的另一种自动避雪系统的示意图；
35.图9为本技术实施例提供的另一种自动避雪系统的示意图；
36.图10为本技术实施例中云端训练系统的逻辑示意图；
37.图11为本技术实施例提供的控制器的内部结构示意图；
38.图12为本技术实施例中另一种控制器的示意图。
具体实施方式
39.本技术实施例提供了一种光伏跟踪支架转动系统和控制器，用于解决传统加热除雪的方法效率低且浪费电能的技术问题。
40.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
41.在本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
42.图1为本技术实施例中光伏电站内光伏组件的示意图一。在一些实施例中，光伏组件一般包括光伏电池板101、光伏跟踪支架102和光伏跟踪支架102上的旋转控制模块103。光伏电池板101安装在光伏跟踪支架102上，旋转控制模块103设置在光伏跟踪支架102上，用于控制光伏跟踪支架102上连接光伏电池板101的旋转棍旋转，进而使得光伏电池板101旋转。在一些实施例中，旋转控制模块103可以是电机，用于带动旋转棍转动，也可以是其他类型的部件，本技术实施例对此不做限定。
43.图2为本技术实施例中光伏电站内光伏组件的示意图二。在一些实施例中，光伏组件可以包括光伏电池板101和光伏跟踪支架102。光伏跟踪支架102与光伏电池板101的连接处可以安装旋转控制模块，可以是万向转动的模块，使得光伏电池板可以朝着任意方向转动。
44.如图1和图2所示的光伏组件可以连接电网，以传输光伏电池板101生成的电能。在一些情况下，光伏电池板101还可以通过一些直流转交流的装置(例如变压器、汇流箱等)来并网，本技术实施例对此不做限定。
45.在实际应用中，光伏组件还可以是其他形式，本技术实施例对光伏组件、光伏跟踪支架的具体结构不做限定。
46.目前，由于光伏变电站经常遭受雨雪天气，在大规模降雪时，积雪在如图1或如图2的光伏电池板101上累积，从而对光伏电池板101和光伏跟踪支架102造成损伤。传统的光伏变电站中，工作人员观察到下大雪时，可以手动通过向旋转控制模块103发送指令，使得旋转控制模块103控制光伏电池板101转动到垂直角度或者接近垂直角度，使得光伏电池板101上的积雪从光伏电池板101上掉下来。但是，这种方式不仅增加了光伏变电站内工作人员的工作量，而且在深夜下起大雪的情况下，工作人员处于深度睡眠当中，难以发出指令消除光伏电池板101上的积雪。等到早上工作人员醒来时，积雪可能已经损坏光伏电池板101。
47.此外，在一些光伏变电站中，光伏电池板101底部可以安装有发热装置。当工作人员看到下雪时，工作人员可以打开发热装置的开关使得发热装置给光伏电池板101加热，让光伏电池板101上的积雪融化。在一些情况下，发热装置还可以与温度传感器连接，当温度
传感器检测到温度较低时，发热装置可以加热使得光伏电池板101保持温度。然而，这种加热的方式十分费电。在下雪过程中，下雪不断持续，因此加热装置需要不断持续地融化光伏电池板101上的积雪，容易陷入无穷无尽的电能消耗中。并且，从电网去电的费用也很高，因此这种融雪的方式成本很高。
48.本技术提供了一种自动避雪系统，用于解决传统加热除雪的方法效率低且浪费电能的技术问题。
49.图3为本技术提供的一种自动避雪系统的示意图。该自动避雪系统包括光伏跟踪支架系统、视频摄像头、方阵数据采集设备、网络设备、中控计算机设备。
50.在本技术实施例中，光伏跟踪支架系统可以包括如图1或图2所示的光伏电池板101、光伏跟踪支架102、旋转控制模块103。光伏电池板101、光伏跟踪支架102、旋转控制模块103与前面的描述类似，此处不再赘述。在一些实施例中，光伏跟踪支架系统还包括储能装置，储能装置连接光伏电池板101，用于存储光伏电池板101产生的电能。储能装置可以是任意存储电能的装置，例如电池、超级电容等。
51.在本技术实施例中，光伏跟踪支架系统可以通过逆变器耦合连接方阵数据采集设备。逆变器可以将光伏跟踪支架系统输出的直流信号转换为交流信号并传输至方阵数据采集设备。在一些情况中，光伏跟踪支架系统可以直接与方阵数据采集设备耦合连接。光伏跟踪支架系统可以根据实际情况采用合适的连接方式。并且，光伏跟踪支架系统与方阵数据采集设备(通过逆变器)耦合连接后，方阵数据采集设备可以发送指令至光伏跟踪支架系统，从而控制光伏电池板101的转动。示例性的，方阵数据采集设备可以发送使能信号至旋转控制模块103，使得旋转控制模块103带动光伏电池板101转动。
52.图4为本技术实施例中方阵数据采集设备的示意图。在本技术实施例中，方阵数据采集设备400可以包括一个或一个以上处理器401、存储器402、电源403和输入输出接口404。存储器402可以是短暂存储或持久存储.处理器401耦合连接存储器402，可以执行存储器402上的程序，使得方阵数据采集设备400实现数据采集、控制光伏电池板101的转动、上传数据等步骤。电源403可以为方阵数据采集设备400供电。在一些实施例中，方阵数据采集设备可以没有电源403，而采用光伏电池板101(通过逆变器)传输过来的电流供电。输入输出接口404连接存储器402，可以将采集到的数据存储到存储器402中，也可以将存储在存储器402中的数据发送出去。此外，输入输出接口404还连接处理器401，用于将处理器401的指令发送出去，实现控制光伏电池板101的转动。示例性的，输入输出接口404可以是rs485接口、网口、无线接口(lora,zigbee等)等，本技术实施例对此不做限定。在一些实施例中，方阵数据采集设备400还可以包括有线或无线网络接口405，方阵数据采集设备400可以通过有线或无线网络接口405连接光伏跟踪支架系统、视频摄像头或网络设备，其作用与前述输入输出接口404的作用类似，此处不再赘述。
53.在本技术实施例中，方阵数据采集设备还与视频摄像头连接。视频摄像头可以拍摄光伏跟踪支架系统相关的画面，例如包含光伏电池板101的画面、或者光伏电站附近的画面、或者光伏电站地面的画面，本技术实施例对视频摄像头拍摄的画面不做限定。图5为本技术实施例中视频摄像头的示意图，该视频摄像头可以包括摄像头主体501、控制器502。其中，摄像头主体501拍摄到的画面可以传输至控制器502进行处理。在一些实施例中，摄像头主体501可以是具有红外摄像功能的摄像头，以便拍摄到夜晚的画面。在一些实施例中，摄
像头主体501还可以带有照明灯，以在夜晚的时候照亮拍摄的画面。在实际应用中，摄像头主体501还可以采取其他方式以拍摄到夜晚的画面，本技术实施例对此不做限定。
54.图6位本技术实施例中控制器执行的步骤流程图。具体地，控制器502可以执行以下步骤：
55.601、获取摄像头主体501拍摄的图像。
56.在本技术实施例中，控制器502与摄像头主体501耦合连接，从而获取到摄像头主体501拍摄的图像。
57.在一些实施例中，控制器502可以先获取摄像头主体501拍摄的视频数据，再按照预设规则从视频数据中提取若干张图像。示例性的，控制器502可以对视频数据以一定的时间间隔t进行抽帧，如选用30s为间隔进行抽帧，一小时的视频数据中能够提取约120张图像。
58.在一些实施例中，控制器502获取摄像头主体501拍摄的图像之后，控制器502还可以对图像进行筛选，根据图像的整体亮度或者黑色部分占比，将夜间&清晨对应的成色不佳的图像去除，留下具有一定光亮的图像。
59.602、根据训练好的神经网络模型识别出图像对应的类别。
60.在本技术实施例中，控制器502可以预先对神经网络模型进行训练，得到训练好的神经网络模型。具体训练过程本技术实施例不做限定。本技术实施例提供其中一种可能的训练过程如下：
61.控制器502首先获取训练用的图像，获取的方法与前述步骤601类似，此处不再赘述。然后，管理人员对图像进行分类标记，具体类别可以包括：天气类别等。天气类别为阴，晴，雨，雪、冰雹等多个类别。管理人员观察到图像的具体情况，则可以将图像进行分类。在一些实施例中，控制器502可以对图像进行时间上的分类，根据图像拍摄的时间确定图像对应的类别是白天还是夜间。示例性的，6:00到19:00为白天，其他时间段为夜间，则控制器502可以按照这个规则将图像进行时间上的分类。在一些实施例中，若需要神经网络还能识别积雪、积尘的情况，管理人员可以对图像进行对应的分类标记。积雪类别包括但不限于全覆盖、部分覆盖、无覆盖3种类别，积尘类别包括但不限于严重积尘，一般积尘，轻微积尘3中类别。在实际应用中，根据实际需要，对于图像的分类还可以设定更多更精细的类别，本技术实施例对此不做限定。
62.控制器502可以获取到分类后的图像，然后将分类后的图像分为两份，一份是训练集，一份是验证集。示例性的，分类后的图像为n张，则控制器502可以随机选择n张(例如n为n的10％)作为验证集，其余图像作为训练集。
63.然后控制器502根据训练集对初始的神经网络模型进行训练，得到训练后的神经网络模型。控制器502可以选择大小合适精度经过验证较高的神经网络作为训练模型，使用经验证较好的训练策略(主要包括学习率，优化器，混合loss等)进行模型训练，得到训练后的神经网络模型。具体训练过程本技术实施例不做赘述。
64.在一些实施例中，该自动避雪系统还包括云端训练系统。上述的训练集和验证集可以上传至云端训练系统，由云端训练系统对神经网络模型进行训练后，再将训练完的模型下发至控制器502。这种采用云端训练系统对神经网络模型进行训练的方式可以降低控制器的设计成本。
65.在一些实施例中，控制器502可以从白天图像中随机选取一部分作为验证集，剩余图像作为训练集训练第一神经网络，从夜间图像中随机选取一部分作为验证集，剩余图像作为训练集训练第二神经网络，最后通过得到的第一神经网络对白天图像进行识别，通过得到的第二神经网络对夜间图像进行识别。
66.对于训练后的神经网络，控制器502还可以通过验证集对该神经网络模型进行验证。示例性的，控制器502可以通过训练完的神经网络模型对验证集中的图像进行分类识别，得到的分类结果与验证集中的分类结果进行对比，若准确率达到预设值，则说明该神经网络模型训练效果较好，能够通过验证。
67.在一些实施例中，控制器502还可以进行迁移学习。在模型训练的早期，由于获取的光伏电站视频数据比较少，模型的泛化效果不高的情况下，需要支持迁移学习。迁移学习方法：将新电站数据非验证部分选取各类别x张与原本数据等比混合进行ft，在原本的验证集上再次推理。迁移学习后的模型可以对光伏电站中使用的神经网络模型进行更新，提升识别准确率。
68.因此，在本技术实施例中，控制器502可以通过训练好的神经网络模型识别得到图像对应的类别。例如，图像1的类别为白天且降雪，图像2的类别为白天且降雨等。
69.603、根据图像对应的类别向光伏跟踪支架系统发送指令，用于控制光伏跟踪支架执行该指令对应的动作。
70.在本技术实施例中，控制器502可以根据图像对应的类别，结合预设的判断条件确定是否发送调整支架的指令至光伏跟踪支架系统。本技术实施例对该预设的判断条件不做限定。本技术实施例提供其中一种预设的判断条件如图7所示。
71.图7为本技术实施例中控制器502预设的判断条件示意图。当图像对应的类别满足对应的判断条件时，控制器502将发送对应的指令使得光伏跟踪支架进行对应的调整。示例性的，当图像对应的类别满足夜间且降雪时，控制器502将发送调整支架的指令至光伏跟踪支架系统，使得光伏跟踪支架系统调整支架进行避雪。又例如，当图像对应的类别为白天、降雨且有积尘时，则控制器502可以发送调整支架的指令至光伏跟踪支架系统，使得光伏跟踪支架系统调整支架进行除尘。在实际应用中，判断条件还可以根据实际需要进行具体设定，本技术实施例对此不做限定。
72.在本技术实施例中，调整支架的指令有多种，分别对应不同的调整方式。示例性的，在夜间下雪时，控制器502可以根据历史和当前风向数据(该数据可以从数据采集模块获取，数据采集模块可以是风向传感器等)，选择与风向最近顺风风向的倾斜方式，控制支架倾角为最大倾角模式，降低降雪垂直接受面积。即控制器502可以将带有支架倾角的指令(第一类调整支架的指令)发送至光伏跟踪支架系统，使得光伏跟踪支架系统选择与风向最近顺风风向的倾斜方式，控制支架倾角为最大倾角模式，降低降雪垂直接受面积。又例如，视频识别为夜间状态，并且下雨时(在标记时一般为中雨以上)，如果白天曾识别到组件表面有积尘，则控制器502可以发送第二类调整支架的指令至光伏跟踪支架系统。该第二类调整支架的指令用于指示光伏跟踪支架系统调节支架向东、向西最大角度反复转动x次，结合雨水对组件表面灰尘进行清洗。在实际应用中，控制器502可以协商光伏跟踪支架系统设计更多种类的调整支架的指令以及对应的调整动作，以实现相应的调整效果，本技术实施例对此不做限定。
73.在图3所示的自动避雪系统中，方阵数据采集设备还可以通过网络设备耦合连接中控计算机设备。其中，网络设备可以是路由器、接入点、网络数据中心等设备，本技术实施例对此不做限定。其中，中控计算机设备可以是个人电脑(personal computer，pc)或者其他带有处理器、存储器的设备，本技术实施例对此不做限定。
74.在一些实施例中，中控计算机设备可以设置有显示屏，以显示当前光伏跟踪支架系统的详细状态，或者显示当前视频摄像头拍摄的画面。在一些实施例中，管理人员可以通过中控计算机设备手动控制光伏跟踪支架系统进行支架的调整，以在系统判断失误或出现异常的时候进行人工干预。
75.图8为本技术实施例提供的另一种自动避雪系统的示意图。该自动避雪系统包括光伏跟踪支架系统、视频摄像头、方阵数据采集设备、网络设备、中控计算机设备。
76.图8所示的自动避雪系统中，视频摄像头输出视频数据到方阵数据采集设备。方阵数据采集设备上部署有控制器，该控制器可以执行如前述实施例中控制器502所执行的步骤，本技术实施例对此不再赘述。
77.图8所示的自动避雪系统中，光伏跟踪支架系统、网络设备、中控计算机设备与前述实施例类似，此处不再赘述。
78.在一些实施例中，自动避雪系统还包括逆变器，该逆变器与前述实施例中的逆变器类似，此处不再赘述。
79.在本技术实施例中，控制器部署在方阵数据采集设备上，而不是视频摄像头上，则无须采购带有控制器的视频摄像头可以降低视频摄像头的成本，也无须在普通视频摄像头上加装控制器，控制器可以设置在方阵数据采集设备，模块设计更加容易。并且，视频摄像头经常设置在室外，比较容易损坏，因此将控制器部署在方阵数据采集设备上有利于控制器的保护。
80.图9为本技术实施例提供的另一种自动避雪系统的示意图。该自动避雪系统包括光伏跟踪支架系统、视频系统、数据采集设备、网络设备、中控计算机设备。
81.图9所示的自动避雪系统中，视频系统可以包括视频摄像头。视频摄像头与前述图8对应的实施例中的视频摄像头类似，此处不再赘述。图9所示的自动避雪系统中，光伏跟踪支架系统、网络设备与前述实施例类似，此处不再赘述。数据采集设备与前述图3对应的实施例类似，此处不再赘述。
82.图9所示的自动避雪系统中，中控计算机设备中部署有控制器。该控制器可以执行如前述实施例中控制器502所执行的步骤，本技术实施例对此不再赘述。可以理解的是，中控计算机设备中的控制器可以通过网络设备获取视频系统上传的视频数据，通过网络设备和数据采集设备向光伏跟踪支架系统发送相关的指令。
83.图10为本技术实施例中云端训练系统的逻辑示意图。在一些实施例中，自动避雪系统还包括云端训练系统。云端训练系统获取到训练集和验证集后，根据训练集和验证集训练的到神经网络模块，然后将神经网络模型下发至自动避雪系统中的控制器。云端训练系统的训练方式与前述实施例中神经网络模型的训练方式类似，此处不再赘述。控制器识别出结果后，通过数据采集设备(或方阵数据采集设备)向光伏跟踪支架系统发送相关的指令，从而调整支架实现自动避雪。
84.在本技术实施例中，上述的控制器的目的是进行图像识别，主要作用是将采集到
的图像数据或视频数据进行处理从而得到对应的结果。控制器可以如图3部署到的图像/视频采集装置中，也可以如图8部署到数据采集设备中，也可以如图9部署到中空计算机设备上。在实际应用实际应用中，控制器还可以部署到合理的位置，本技术实施例对此不作限定。
85.上述的控制器可以以芯片的形式实现，即通过集成电路芯片或者专用芯片等实现，也可以以计算机系统的方式实现。该计算机系统可以包括硬件和软件，硬件可以包括处理器和存储器等，存储器中存储有软件，处理器可以运行该软件使得该计算机系统实现上述控制器实现的步骤和方法。下面为其中一些控制器的详细描述。
86.图11为本技术实施例提供的控制器的内部结构示意图。该控制器1100包括一个或多个处理器1101、存储器1102、输入输出接口1103。该存储器中存储有一个或多个程序。该一个或多个处理器1101与存储器1102耦合连接，可以执行存储器1102上的程序，使得控制器通过输入输出接口1103实现上述实施例中的步骤601、步骤602以及步骤603。在一些实施例中，控制器1100还包括供电接口1104，用于为控制器1100供电。
87.图12为本技术实施例中另一种控制器的示意图。该控制器1200包括获取单元1201、处理单元1202、发送单元1203。其中，获取单元1201可以执行上述图6对应的实施例中的步骤601，处理单元可以执行上述图6对应的实施例中的步骤602，发送单元可以执行上述图6对应的实施例中的步骤603。
88.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
89.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
90.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
91.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
92.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程
序代码的介质。