CN115759471A - 基于多模态融合的ai光伏清洗预测系统 - Google Patents
基于多模态融合的ai光伏清洗预测系统 Download PDFInfo
- Publication number
- CN115759471A CN115759471A CN202211563060.5A CN202211563060A CN115759471A CN 115759471 A CN115759471 A CN 115759471A CN 202211563060 A CN202211563060 A CN 202211563060A CN 115759471 A CN115759471 A CN 115759471A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- cleaning
- power generation
- weather
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于多模态融合的AI光伏清洗预测系统，涉及光伏发电技术领域，包括逆变器采集器、气象站、摄像头和边缘计算AI设备，通过深度学习的方法相比线性模型能达到更好的效果，且具有一定的可解释性；现有技术多数只采用一种数据源即天气数据，本申请采用多模态融合模型，使得模型达到更好的效果，且现有技术多采用单一的多层神经网络进行预测，忽略时间序列上光伏组件的损耗，脏污累积等情况，本申请采用基于时间序列的模型进行预测，因此可以更准确地预测在何日期进行清洗能使光伏发电收益达到最大，以达成最大经济收益，从而能更好地安排清洗日程，使清洗工作效率提高，防止多余清洗或无效清洗，并节省人力成本。
Description
技术领域
本发明属于光伏发电技术领域，尤其涉及基于多模态融合的AI光伏清洗预测系统。
背景技术
尽管传统能源是全球能源的主要组成部分，但其通过增加碳排放量和温室气体对环境的不利影响是最令人担忧的。由于所有这些原因，可再生能源发电已经在总发电量中占据了很大的份额，而光伏发电就是其中的佼佼者。
灰尘会对光伏发电造成影响，它可以是农业排放物、藻类、细菌、鸟粪、地毯、粘土、发动机排气、纤维、沙子、纺织品和花粉等。沉积在光伏组件上的灰尘会降低组件盖板的透光率，从而使到达太阳能电池的阳光数量减少。沉积在光伏系统上的灰尘在很大程度上取决于灰尘的特性、光伏的倾斜度角度、表面材料和当地的天气条件。因此光伏发电在很大程度上与安装地点的气候条件有关。
参考文献报道，2018年，3-4％的污损造成了30-50亿欧元的收入损失，到2023年可能会增加到40-70亿欧元的程度。因此及时清洗有很大的必要性。只有当光伏系统清洁成本低于因灰尘造成的光伏发电损失成本时，清洁组件才是最具收益的。
由于多种因素的影响，现有传感器所采集的数据多数情况下无法满足当下模型或线性模型，具有较大误差；现有技术多数只采用一种数据源即天气数据，模型效果欠佳；且许多采用单一的多层神经网络进行预测，忽略时间序列上光伏组件的损耗，脏污累积等情况；因此如何更准确地预测清洗日期是具有重大意义的。
发明内容
本发明的目的在于提供基于多模态融合的AI光伏清洗预测系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供基于多模态融合的AI光伏清洗预测系统，包括逆变器采集器、气象站、摄像头和边缘计算AI设备，所述逆变器采集器用于采集光伏电站的发电量数据，所述气象站用于采集光伏电站的天气数据，所述摄像头用于采集光伏组件落灰及脏污图像，所述边缘计算AI设备将采集到的发电量数据、天气数据和图像数据进行多模态融合，通过特征融合和发电量预测网络计算以预测发电量，通过逻辑运算判断是否需要对光伏组件进行清洗。
进一步地，还包括网络接口，所述网络接口用于获取一定天数的未来天气预报数据。
进一步地，AI光伏清洗预测系统中采集的数据为时间序列数据集，具体为，所述逆变器采集过往发电量(每天的发电量)，所述气象站采集过往天气数据，所述摄像头采集过往光伏组件落灰及脏污图像。
进一步地，所述气象站采集的过往天气数据包括温度、湿度、PM10、太阳辐射、风向和风速。
进一步地，图像特征包含光伏组件落灰及脏污信息，天气特征包含光伏场站发电量影响因素的天气信息，两方面的模态信息存在一定的互补关系，有必要进行适当的特征融合。所述边缘计算AI设备中特征融合方式采用拼接特征向量，通过选取不同日期的发电影响因素的多模态特征融合向量和发电量数据，其中，过往不同日期的发电量数据作为训练数据集的标签，利用长短期记忆网络研究各时期特征向量的变化趋势及关系，并选取一定天数长程内的未来天气预报数据利用双向长短期记忆模型来预测该段时间内的发电量。
进一步地，所述边缘计算AI设备中对采集的特征进行融合的过程具体如下：
步骤S1：将气象站采集的天气数据特征(温度、湿度、PM10、太阳辐射、风向和风速)做数据清洗，使用One-Class SVM剔除时序相关的异常数据；
步骤S2：使用mask-rcnn模型将摄像头采集的光伏组件落灰及脏污图像数据做图像分割，该算法会检测环境中的背景和前景目标，并加以区分。因摄像头固定，在初始图像分割后，将被分割的区域固定，以节省运算成本，也可进行手动区域划分；
步骤S3：通过卷积神经网络提取光伏组件落灰及脏污图像数据的深度特征；
步骤S4：将数据清洗后的天气数据特征与图像分割后的图像深度特征作拼接得到多模态的融合特征。
进一步地，利用所述边缘计算AI设备中的发电量预测网络预测发电量的过程具体如下：
步骤T1：使用mask-rcnn模型将摄像头采集的光伏组件落灰及脏污图像数据做图像分割，利用CNN-LSTM预测未来一段时间内图像深度特征的变化；
步骤T2：通过网络接口获取未来一定天数长程内的天气预报数据，若无法获取精确的天气预报数据，则利用数据清洗后的天气数据特征，使用长短期记忆网络预测未来一段时间内的天气特征变化；
步骤T3：将步骤T1预测的图像深度特征数据和步骤T2预测的天气特征数据进行拼接作为多模态融合；
步骤T4：将步骤T3融合后的特征作为输入，利用双向长短期记忆模型来预测该时间内的发电量。
进一步地，通过逻辑运算判断是否需要对光伏组件进行清洗的过程具体如下：
步骤P1：通过发电量预测网络得到的预测发电量计算不清洗光伏组件时的N天内的总发电量；
步骤P2：调取上次清洗光伏组件N天内的平均pr值，其中pr为光伏系统效率，计算次日清洗后至N天内光伏组件若清洗后的预测总发电量，该部分不考虑作深度学习或线性回归预测pr值衰减，因为可能存在清洗次数较少导致样本量较少，回归后无法得到准确值；光伏电站发电量计算方法为，理论发电量＝平均太阳辐射总量*电池总面积*光电转换效率，实际发电量＝理论发电量*光伏系统效率；
步骤P3：通过电费核算计算光伏组件清洗与否的收益差值；
步骤P4：如果收益大于清洗成本，则对光伏组件进行清洗，如果收益小于等于清洗成本，则不对光伏组件进行清洗。
进一步的，N天具体为3天、5天、7天、10天、20天、25天或30天。
有益效果：
(1)本发明提供的基于多模态融合的AI光伏清洗预测系统，拥有气象站，可以解决天气信息来源不足的问题。
(2)本发明提供的基于多模态融合的AI光伏清洗预测系统，将发电量数据、天气数据和图像数据进行多模态融合，解决了数据来源单一的问题。
(3)本发明提供的基于多模态融合的AI光伏清洗预测系统，采用边缘计算，相比单纯云计算更具优势，一方面，能够降低成本，可解决多线多域接入问题，降低企业网络投入成本的同时保证云平台SLA水平；另一方面，能够降低时延，本地用户就近上云，本地平迁上云，提升数据实时性。
(4)本发明提供的基于多模态融合的AI光伏清洗预测系统，通过深度学习的方法相比线性模型能达到更好的效果，且具有一定的可解释性；现有技术多数只采用一种数据源，即单模态进行预测，只使用发电数据或者监控图像中的一种作为数据集，数据来源较为单一，本申请采用多模态融合模型，通过对多模态的融合特征去训练，然后进行发电量预测，当数据量达到一定规模，模态种类越完整，使得模型达到更好的效果，且现有技术多采用单一的多层神经网络进行预测，忽略时间序列上光伏组件的损耗，脏污累积等情况，本申请采用基于时间序列的模型进行预测，因此可以更准确地预测在何日期进行清洗能使光伏发电收益达到最大，以达成最大经济收益，从而能更好地安排清洗日程，使清洗工作效率提高，防止多余清洗或无效清洗，并节省人力成本，且可节约商务运营方面人员对清洗人员工作的安排时间，使其工作更具效率。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1为基于多模态融合的AI光伏清洗预测系统的架构图；
图2为边缘计算AI设备中对采集的特征进行融合的过程示意图；
图3为利用边缘计算AI设备中的发电量预测网络预测发电量的过程示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
实施例：
如图1所述，在一个较佳的实施例中，提供基于多模态融合的AI光伏清洗预测系统，包括逆变器采集器、气象站、摄像头、网络接口和边缘计算AI设备，所述逆变器采集器用于采集光伏电站的发电量数据，所述气象站用于采集光伏电站的天气数据，所述摄像头用于采集光伏组件落灰及脏污图像，所述网络接口用于获取天气预报数据，所述边缘计算AI设备将采集到的发电量数据、天气数据和图像数据进行多模态融合，通过特征融合和发电量预测网络计算以预测发电量，通过逻辑运算判断是否需要对光伏组件进行清洗。
AI光伏清洗预测系统中采集的数据为时间序列数据集，具体为，所述逆变器采集过往发电量(每天的发电量)，所述气象站采集过往天气数据，所述摄像头采集过往光伏组件落灰及脏污图像。
所述气象站采集的过往天气数据包括温度、湿度、PM10、太阳辐射、风向和风速。
图像特征包含光伏组件落灰及脏污信息，天气特征包含光伏场站发电量影响因素的天气信息，两方面的模态信息存在一定的互补关系，有必要进行适当的特征融合。所述边缘计算 AI设备中特征融合方式采用拼接特征向量，通过选取不同日期的发电影响因素的多模态特征融合向量和发电量数据，其中，过往不同日期的发电量数据作为训练数据集的标签，利用长短期记忆网络研究各时期特征向量的变化趋势及关系，并选取一定天数长程内的未来天气预报数据利用双向长短期记忆模型来预测该段时间内的发电量。
如图2所示，所述边缘计算AI设备中对采集的特征进行融合的过程具体如下：
步骤S1：将气象站采集的天气数据特征(温度、湿度、PM10、太阳辐射、风向和风速)做数据清洗，使用One-Class SVM剔除时序相关的异常数据，得到M维的天气特征；
步骤S2：使用mask-rcnn模型将摄像头采集的光伏组件落灰及脏污图像数据做图像分割，该算法会检测环境中的背景和前景目标，并加以区分。因摄像头固定，在初始图像分割后，将被分割的区域固定，以节省运算成本，也可进行手动区域划分；
步骤S3：通过卷积神经网络CNN提取光伏组件落灰及脏污图像数据的深度特征(N维)；
步骤S4：将数据清洗后的天气数据特征与图像分割后的图像深度特征作拼接得到多模态的融合特征(M+N维)。
其中，M维和N维根据网络层数而更新。
如图3所示，利用所述边缘计算AI设备中的发电量预测网络预测发电量的过程具体如下：
步骤T1：使用mask-rcnn模型将摄像头采集的光伏组件落灰及脏污图像数据做图像分割，利用CNN-LSTM预测未来N天内图像深度特征(N′维)的变化；
步骤T2：通过网络接口获取未来N天内的天气预报数据，若无法获取精确的天气预报数据，则利用数据清洗后的天气数据特征，使用长短期记忆网络预测未来N天内的天气特征(M′维)变化；
步骤T3：将步骤T1预测的图像深度特征数据和步骤T2预测的天气特征数据进行拼接作为多模态融合(M′+N′维融合特征)；
步骤T4：将步骤T3融合后的特征作为输入，利用双向长短期记忆模型来预测N天内的发电量。
其中，M′维和N′维根据网络层数而更新。
通过逻辑运算判断是否需要对光伏组件进行清洗的过程具体如下：
步骤P1：通过发电量预测网络得到的预测发电量计算不清洗光伏组件时的N天内的总发电量；
步骤P2：调取上次清洗光伏组件N天内的平均pr值，其中pr为光伏系统效率，计算次日清洗后至N天内光伏组件若清洗后的预测总发电量，该部分不考虑作深度学习或线性回归预测pr值衰减，因为可能存在清洗次数较少导致样本量较少，回归后无法得到准确值；光伏电站发电量计算方法为，理论发电量＝平均太阳辐射总量*电池总面积*光电转换效率，实际发电量＝理论发电量*光伏系统效率；
步骤P3：通过电费核算计算光伏组件清洗与否的收益差值；
步骤P4：如果收益大于清洗成本，则对光伏组件进行清洗，如果收益小于等于清洗成本，则不对光伏组件进行清洗。
本实施例为预测未来15天内是否需要对光伏组件进行清洗，按照本申请提供的技术方案也可以预测未来3天、5天、7天、10天、20天、25天或30天是否需要对光伏组件进行清洗。
本申请提供的基于多模态融合的AI光伏清洗预测系统安装使用过程如下：
1.安装设备(边缘计算AI设备，逆变器采集器，摄像头，气象站)；
2.摄像头手动划分光伏板区域；
3.自场站60天后开始数据训练，因为一般场站在两月内不需清洗。以7天为一个时间循环，将其时间内的数据作为输入在发电量预测网络中进行训练，得到权重文件；
4.每天以训练所得训练文件进行预测，预测结果为在15天内需不需要清洗；
5.每三天训练一次发电量预测网络，更新权重，数据集更新到当天所有数据；
6.将训练所得结果上传至云端，通报给该项目的商务运营负责人，若结果显示需清洗，则由该负责人通知运维团队进行清洗。
Claims (9)
1.基于多模态融合的AI光伏清洗预测系统，其特征在于，包括逆变器采集器、气象站、摄像头和边缘计算AI设备，所述逆变器采集器用于采集光伏电站的发电量数据，所述气象站用于采集光伏电站的天气数据，所述摄像头用于采集光伏组件落灰及脏污图像，所述边缘计算AI设备将采集到的发电量数据、天气数据和图像数据进行多模态融合，通过特征融合和发电量预测网络计算以预测发电量，通过逻辑运算判断是否需要对光伏组件进行清洗。
2.如权利要求1所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，还包括网络接口，所述网络接口用于获取未来天气预报数据。
3.如权利要求2所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，AI光伏清洗预测系统中采集的数据为时间序列数据集，具体为，所述逆变器采集过往发电量，所述气象站采集过往天气数据，所述摄像头采集过往光伏组件落灰及脏污图像。
4.如权利要求3所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，所述气象站采集的过往天气数据包括温度、湿度、PM10、太阳辐射、风向和风速。
5.如权利要求3所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，所述边缘计算AI设备中特征融合方式采用拼接特征向量，通过选取不同日期的发电影响因素的多模态特征融合向量和发电量数据，利用长短期记忆网络研究各时期特征向量的变化趋势及关系，并选取未来天气预报数据利用双向长短期记忆模型来预测发电量。
6.如权利要求5所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，所述边缘计算AI设备中对采集的特征进行融合的过程具体如下：
步骤S1：将气象站采集的天气数据特征做数据清洗，使用One-Class SVM剔除时序相关的异常数据；
步骤S2：使用mask-rcnn模型将摄像头采集的光伏组件落灰及脏污图像数据做图像分割；
步骤S3：通过卷积神经网络提取光伏组件落灰及脏污图像数据的深度特征；
步骤S4：将数据清洗后的天气数据特征与图像分割后的图像深度特征作拼接得到多模态的融合特征。
7.如权利要求6所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，利用所述边缘计算AI设备中的发电量预测网络预测发电量的过程具体如下：
步骤T1：使用mask-rcnn模型将摄像头采集的光伏组件落灰及脏污图像数据做图像分割，利用CNN-LSTM预测未来图像深度特征的变化；
步骤T2：通过网络接口获取未来天气预报数据，若无法获取精确的天气预报数据，则利用数据清洗后的天气数据特征，使用长短期记忆网络预测未来的天气特征变化；
步骤T3：将步骤T1预测的图像深度特征数据和步骤T2预测的天气特征数据进行拼接作为多模态融合；
步骤T4：将步骤T3融合后的特征作为输入，利用双向长短期记忆模型来预测发电量。
8.如权利要求7所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，通过逻辑运算判断是否需要对光伏组件进行清洗的过程具体如下：
步骤P1：通过发电量预测网络得到的预测发电量计算不清洗光伏组件时的N天内的总发电量；
步骤P2：调取上次清洗光伏组件N天内的平均pr值，其中pr为光伏系统效率，计算次日清洗后至N天内光伏组件若清洗后的预测总发电量，理论发电量＝平均太阳辐射总量*电池总面积*光电转换效率，实际发电量＝理论发电量*光伏系统效率；
步骤P3：通过电费核算计算光伏组件清洗与否的收益差值；
步骤P4：如果收益大于清洗成本，则对光伏组件进行清洗，如果收益小于等于清洗成本，则不对光伏组件进行清洗。
9.如权利要求8所述的基于多模态融合的AI光伏清洗预测系统，其特征在于，N天具体为3天、5天、7天、10天、20天、25天或30天。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211563060.5A CN115759471A (zh) | 2022-12-06 | 2022-12-06 | 基于多模态融合的ai光伏清洗预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211563060.5A CN115759471A (zh) | 2022-12-06 | 2022-12-06 | 基于多模态融合的ai光伏清洗预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759471A true CN115759471A (zh) | 2023-03-07 |
Family
ID=85343966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211563060.5A Pending CN115759471A (zh) | 2022-12-06 | 2022-12-06 | 基于多模态融合的ai光伏清洗预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759471A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
-
2022
- 2022-12-06 CN CN202211563060.5A patent/CN115759471A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
| CN115861855B (zh) * | 2022-12-15 | 2023-10-24 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| CN108399493B (zh) | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 | |
| Shapsough et al. | Using linear regression and back propagation neural networks to predict performance of soiled PV modules | |
| CN108196317B (zh) | 一种用于微电网系统的气象预测方法 | |
| Haba | Monitoring solar panels using machine learning techniques | |
| CN115759471A (zh) | 基于多模态融合的ai光伏清洗预测系统 | |
| CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| Qureshi et al. | Machine Learning for Predictive Maintenance in Solar Farms | |
| CN116581750A (zh) | 一种基于电网负荷水平的智能线路负载充电方法 | |
| Livera et al. | Operation and maintenance decision support system for photovoltaic systems | |
| CN107229817B (zh) | 光伏电站灰尘遮挡损失分析方法 | |
| CN113837540A (zh) | 一种基于随机森林和支持向量机的能源数据异常原因分析方法 | |
| Livera et al. | Intelligent cloud-based monitoring and control digital twin for photovoltaic power plants | |
| CN115446841A (zh) | 一种清洗光伏面板的机器人控制方法、系统、终端及介质 | |
| Ayyagari et al. | Simultaneous detection and classification of dust and soil on solar photovoltaic arrays connected to a large-scale industry: A case study | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| Abdulla et al. | Photovoltaic systems operation and maintenance: A review and future directions | |
| CN116756505A (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
| KR102026014B1 (ko) | 태양광 발전소 역모델링을 통한 일사량 추정 방법 | |
| CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 | |
| CN116232222B (zh) | 一种分布式光伏系统云边协同积灰程度监测方法及系统 | |
| CN113642937B (zh) | 风机集群的运维排程方法、装置、电子设备及存储介质 | |
| CN117973891A (zh) | 一种光伏电站积灰治理方法及系统 | |
| CN117452948A (zh) | 一种清扫控制策略生成方法、光伏清扫控制系统 | |
| KR20230055088A (ko) | 설비 유지보수 기반의 태양광 발전소 입지 선정 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |