CN117629422B - 一种光伏组件测温方法及系统 - Google Patents

Abstract

本申请提供了一种光伏组件测温方法及系统，涉及温度测量技术领域，所述方法包括：获取目标光伏组件周围环境的实时温度，然后基于预定测量因子生成预定测量约束，然后对光伏组件进行检测，获取实时检测温度，将测量约束和实时检测温度作为初始测温信息，然后构建智能预测模型获取目标预测温度，获取目标电压信息并对预测温度进行校验，获取目标校验温度。本申请主要解决了现有的测温方法存在一定的局限性，不能实时准确的测温，并可能对光伏组件造成损害，且工作效率较低，响应速度较慢的问题。根据目标电压信息对目标预测温度进行校验，得到目标校验温度，可以用于表征目标光伏组件的温度。提供了更准确和可靠的温度数据。

Description

一种光伏组件测温方法及系统

技术领域

本申请涉及温度测量技术领域，具体涉及一种光伏组件测温方法及系统。

背景技术

随着全球对可再生能源需求的日益增长，光伏发电已成为一种重要的能源来源。然而，光伏组件在工作过程中会因环境温度的变化而产生效率的波动。因此，对光伏组件进行温度监测和管理，以确保其正常工作和提高发电效率，已成为光伏产业面临的重要问题之一。光伏组件在工作时会产生大量的热，如果热量不能及时散发，会导致光伏组件的工作效率下降，甚至出现热斑等问题。因此，对光伏组件进行温度检测，对于保证其正常工作和延长使用寿命具有重要意义。

现有的测温方法为基于热电偶的，该方法虽然可行，但存在一定的局限性。如热电偶需要直接接触被测物体，对光伏组件的表面可能会造成损害。

但在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有的测温方法存在一定的局限性，不能实时准确的测温，并可能对光伏组件造成损害，且工作效率较低，响应速度较慢的问题。

发明内容

本申请主要解决了现有的测温方法存在一定的局限性，不能实时准确的测温，并可能对光伏组件造成损害，且工作效率较低，响应速度较慢的问题。

鉴于上述问题，本申请提供了一种光伏组件测温方法及系统，第一方面，本申请提供了一种光伏组件测温方法，所述方法包括：监测得到实时环境温度，所述实时环境温度是指目标光伏组件的周围环境的实时温度；基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离；预设红外热像仪在所述预定测量约束下，基于线性插值技术原理对所述目标光伏组件进行检测，得到实时检测温度；将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息；通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度；获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压；根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征所述目标光伏组件的温度。

第二方面，本申请提供了一种光伏组件测温系统，所述系统包括：实时温度获取模块，所述实时温度获取模块用于监测得到实时环境温度，所述实时环境温度是指目标光伏组件的周围环境的实时温度；预定测量约束获取模块，所述预定测量约束获取模块是基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离；实时检测温度获取模块，所述实时检测温度获取模块用于预设红外热像仪在所述预定测量约束下，基于线性插值技术原理对所述目标光伏组件进行检测，得到实时检测温度；初始测温信息获取模块，所述初始测温信息获取模块用于将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息；目标预测温度获取模块，所述目标预测温度获取模块用于通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度；目标电压信息获取模块，所述目标电压信息获取模块用于获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压；目标校验温度获取模块，所述目标校验温度获取模块用于根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征所述目标光伏组件的温度。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供了一种光伏组件测温方法及系统，涉及温度测量技术领域，所述方法包括：获取目标光伏组件周围环境的实时温度，然后基于预定测量因子生成预定测量约束，然后对光伏组件进行检测，获取实时检测温度，将测量约束和实时检测温度作为初始测温信息，然后构建智能预测模型获取目标预测温度，获取目标电压信息并对预测温度进行校验，获取目标校验温度。

本申请主要解决了现有的测温方法存在一定的局限性，不能实时准确的测温，并可能对光伏组件造成损害，且工作效率较低，响应速度较慢的问题。根据目标电压信息对目标预测温度进行校验，得到目标校验温度，可以用于表征目标光伏组件的温度。提供了更准确和可靠的温度数据。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供了一种光伏组件测温方法流程示意图。

图2为本申请实施例提供了一种光伏组件测温方法中，将第一候选因子添加至预定测量因子的方法流程示意图。

图3为本申请实施例提供了一种光伏组件测温方法中，利用记录数据集训练得到智能模型集的方法流程示意图。

图4为本申请实施例提供了一种光伏组件测温系统的结构示意图。

附图标记说明：实时温度获取模块10，预定测量约束获取模块20，实时检测温度获取模块30，初始测温信息获取模块40，目标预测温度获取模块50，目标电压信息获取模块60，目标校验温度获取模块70。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请主要解决了现有的测温方法存在一定的局限性，不能实时准确的测温，并可能对光伏组件造成损害，且工作效率较低，响应速度较慢的问题。根据目标电压信息对目标预测温度进行校验，得到目标校验温度，可以用于表征目标光伏组件的温度。提供了更准确和可靠的温度数据。

为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：

实施例一

如图1所示一种光伏组件测温方法，所述方法包括：

监测得到实时环境温度，所述实时环境温度是指目标光伏组件的周围环境的实时温度；

具体而言，实时环境温度是指目标光伏组件周围环境的实时温度。这个温度可以反映光伏组件所处的环境条件，在实现实时环境温度监测时，可以使用温度传感器来获取温度数据。这些设备可以布置在光伏组件的周围，以便监测其周围环境的实时温度。监测到的温度数据可以传输到控制系统中进行处理和分析，以实现温度监控和相应的控制功能。通过实时监测环境温度，可以更好地了解光伏组件的工作状态，及时采取措施来防止出现故障或降低性能。同时，对于一些特定的应用场景，例如在高温或低温环境下使用光伏组件，实时监测环境温度可以帮助用户更好地控制和优化光伏组件的运行状态。

基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离；

具体而言，基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离，所述预定测量约束包括对所述测温波长、测温带宽、测温距离的预定限制。通过考虑测温波长、测温带宽和测温距离等预定测量因子，可以生成相应的预定测量约束。这些预定测量约束可以包括对测温波长、测温带宽和测温距离的预定限制，以指导实际的温度测量过程。其中，测温波长为一定温度范围内，工作波长越大，辐射波的能流密度越大，红外探测器的温度分辨力随工作波长的增加而变大，这在低温测量中显得尤为明显。测温距离为在测量空间范围内，人体体表与周围环境构成的测温系统可认为存在空气、水雾等辐射介质的空间辐射换热系统。由于空气中的灰尘颗粒、水雾等介质具有明显的发射、吸收或散射作用，因此对辐射测温结果会造成影响。红外测温仪对目标温度进行测量时，距离越远，误差越大，随着距离的增加，测量值越小。通过应用预定测量约束，可以确保温度测量的准确性和可靠性，同时满足实际应用的需求。例如，对于一些特定的光伏组件材料或结构，需要采用特定的测温波长、测温带宽和测温距离等参数来获得更准确的结果。通过遵守预定测量约束，可以更好地控制测量过程和提高测量结果的可靠性，从而为光伏组件的正常运行和使用寿命提供保障。

预设红外热像仪在所述预定测量约束下，基于线性插值技术原理对所述目标光伏组件进行检测，得到实时检测温度；

具体而言，根据预定测量约束，使用预设的红外热像仪基于线性插值技术原理对目标光伏组件进行检测，得到实时检测温度。红外热像仪是一种非接触式温度测量设备，可以通过感应目标光伏组件的红外辐射来测量其表面温度。在预定测量约束下，红外热像仪要满足相应的测量要求，如测温波长、测温带宽、测温距离等参数的限制。线性插值技术是一种常用的数据处理方法，可以用于对目标光伏组件的温度进行精确测量。该技术原理是根据已知的温度数据点，通过线性插值方法计算出目标光伏组件的温度。可以先获取目标光伏组件在不同温度下的红外辐射数据，然后利用线性插值技术建立温度与红外辐射之间的函数关系。通过将实时检测的红外辐射数据代入该函数关系中，可以计算出实时检测温度。可以实现对目标光伏组件的实时、准确、非接触式温度测量，对于保证光伏系统的正常运行和使用寿命具有重要意义。

将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息；

具体而言，将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息，实时环境温度可以反映光伏组件所处的实际环境条件，对于评估光伏组件的性能和预测其可能出现的问题非常重要。通过将实时环境温度作为初始测温信息的一部分，可以更好地了解光伏组件的工作状态，并及时采取措施来防止出现故障或降低性能。预定测量约束是根据实际应用场景和要求制定的限制条件和标准，可以指导实际的温度测量过程。将预定测量约束作为初始测温信息的一部分，可以确保温度测量的准确性和可靠性，同时满足实际应用的需求。实时检测温度是通过红外热像仪等设备对目标光伏组件进行检测得到的实时温度数据。将实时检测温度作为初始测温信息的一部分，可以提供更准确和可靠的实时温度数据，以供后续分析和控制使用。将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息，可以提供更准确和可靠的温度数据，以供后续分析和控制使用。这些数据可以用于评估光伏组件的性能、预测其可能出现的问题以及制定相应的控制策略，从而为光伏系统的正常运行和使用寿命提供保障。

通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度；

具体而言，通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度。集成融合可以通过将多个来源的数据进行融合和分析，提高预测的准确性和可靠性。在光伏组件测温中，可以将实时环境温度、预定测量约束和实时检测温度等初始测温信息作为输入，通过集成融合原理构建的智能预测模型进行分析，得到目标预测温度。目标预测温度为实际温度，红外热像仪检测到的温度并不是光伏组件的真实温度，其检测结果与实际存在偏差，因此结合检测到的温度对光伏组件的真实温度进行预测。智能预测模型可以采用多种算法和模型进行构建，如神经网络、支持向量机、决策树等。这些模型可以通过对历史数据的学习和训练，建立初始测温信息与目标预测温度之间的函数关系。通过将初始测温信息输入到模型中，可以获得相应的目标预测温度。通过基于集成融合原理构建的智能预测模型对初始测温信息进行分析，可以得到目标预测温度。该方法可以实现对光伏组件的实时、准确、预测温度测量，对于保证光伏系统的正常运行和使用寿命具有重要意义。

获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压；

具体而言，获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压。通过使用示波器等设备，可以实时监测目标光伏组件所在线路的电压信息，从而获取目标电压信息。示波器可以通过对线路中的电压信号进行采样和分析，获得实时电压数据。通过将示波器连接到目标光伏组件所在的线路中，可以获取到该线路的实时电压信息。获取到的目标电压信息可以用于多种应用场景，如评估光伏组件的输出功率、检测线路中的电能质量等。通过与预定测量约束和实时检测温度等初始测温信息进行综合分析，可以更好地了解光伏组件的工作状态和性能，并及时采取相应的控制策略。示波器的准确性和可靠性取决于多种因素，如采样率、分辨率、测量范围等。因此，在选择和使用示波器时，需要进行充分的验证和测试，以确保测量结果的可靠性和准确性。获取目标电压信息并由示波器监测到的目标光伏组件所在线路的实时电压可以提供更准确和可靠的电压数据。这些数据可以用于评估光伏组件的性能、预测其可能出现的问题以及制定相应的控制策略，从而为光伏系统的正常运行和使用寿命提供保障。

根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征所述目标光伏组件的温度。

具体而言，根据目标电压信息对目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征目标光伏组件的温度。通过对目标预测温度进行校验，可以得到更准确和可靠的目标光伏组件的温度数据。在进行目标预测温度的校验时，可以使用神经网络等智能预测模型对目标预测温度进行校验。通过训练神经网络等模型，可以建立电压、电流等参数与温度之间的函数关系。然后，将获取到的目标电压信息作为输入，通过模型计算出目标预测温度，并将其与实时检测温度进行比较和分析。根据目标电压信息对目标预测温度进行校验，得到目标校验温度，可以用于表征目标光伏组件的温度。

进一步而言，如图2所示，本申请方法，基于预定测量因子生成预定测量约束，包括：

获取红外热像仪测量因子集，所述红外热像仪测量因子集包括多个候选因子；

对第一候选因子进行仿真检验，得到第一检验数据；

对所述第一检验数据中的第一检验检测温度与所述第一候选因子进行皮尔逊相关性分析，得到第一相关性系数；

当所述第一相关性系数达到预定系数阈时，将所述第一候选因子添加至所述预定测量因子。

具体而言，获取红外热像仪测量因子集，所述红外热像仪测量因子集包括多个候选因子；对第一候选因子进行仿真检验，得到第一检验数据，对所述第一检验数据中的第一检验检测温度与所述第一候选因子进行皮尔逊相关性分析，得到第一相关性系数，当所述第一相关性系数达到预定系数阈时，将所述第一候选因子添加至所述预定测量因子集。获取红外热像仪测量因子集：红外热像仪测量因子集是一组候选的测量因子，这些因子可以通过红外热像仪进行测量。对第一候选因子进行仿真检验：选择了第一个候选因子进行仿真检验，通过仿真检验可以获得第一检验数据。对所述第一检验数据中的第一检验检测温度与所述第一候选因子进行皮尔逊相关性分析：使用皮尔逊相关性分析方法来分析第一检验数据中第一检验检测温度与第一候选因子之间的相关性。皮尔逊相关性系数是一个衡量两个变量之间线性相关程度的指标，其值范围在-1到1之间，越接近1表示相关性越高。当所述第一相关性系数达到预定系数阈时，将所述第一候选因子添加至所述预定测量因子集：如果第一相关性系数达到了预定的系数阈，那么就将第一候选因子添加到预定测量因子集中。这个预定测量因子集是经过验证并认为可靠的测量因子集。以上步骤可以实现基于红外热像仪测量因子的有效性检验，从而保证测温的准确性和稳定性。

进一步而言，如图3所示，本申请方法，通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，包括：

调用光伏组件测温数据库中的多组测温事件记录，所述多组测温事件记录中的每组测温事件记录均包括实时环境温度记录、预定测量约束记录、实时检测温度记录和实际温度数据记录；

根据所述每组测温事件记录中的所述实时环境温度记录、所述预定测量约束记录、所述实时检测温度记录和所述实际温度数据记录组建记录数据集；

利用所述记录数据集训练得到智能模型集，所述智能模型集包括多个模型；

对所述多个模型进行搭建融合，得到所述智能预测模型。

具体而言，调用光伏组件测温数据库中的多组测温事件记录，所述多组测温事件记录中的每组测温事件记录均包括实时环境温度记录、预定测量约束记录、实时检测温度记录和实际温度数据记录。接下来，根据每组测温事件记录中的实时环境温度记录、预定测量约束记录、实时检测温度记录和实际温度数据记录组建记录数据集。这个数据集包含了大量的测温事件数据，可以为后续的模型训练提供充足的数据支持。利用记录数据集进行训练，得到智能模型集。这个智能模型集包括了多个模型，每个模型都是基于集成融合原理构建的。通过训练，这些模型可以学习到不同测温因素与目标预测温度之间的函数关系。最后，对多个模型进行搭建融合，得到智能预测模型。这个模型可以利用实时环境温度、预定测量约束和实时检测温度等信息，对目标预测温度进行准确预测。通过调用光伏组件测温数据库中的多组测温事件记录，利用这些数据组建记录数据集，训练得到智能模型集，再通过搭建融合得到智能预测模型，可以实现对目标预测温度的准确预测。

进一步而言，本申请方法，对所述多个模型进行搭建融合，得到所述智能预测模型，包括：

将所述记录数据集进行随机划分，得到划分结果，所述划分结果包括多个数据集；

基于循环神经网络原理对第一数据集进行有监督学习、训练以及检验得到第一模型，所述第一数据集为所述多个数据集中任意一个数据集合；

基于梯度提升决策树原理对第二数据集进行有监督学习、训练以及检验得到第二模型，所述第二数据集为所述多个数据集中任意一个数据集合；

依次获取所述第一模型和所述第二模型对第三数据集中初始测温信息记录的分析结果，记作第一初级预测温度和第二初级预测温度，所述第三数据集为所述多个数据集中任意一个数据集合，所述初始测温信息记录是指所述第三数据集中第一数据小组的第一实时环境温度记录、第一预定测量约束记录、第一实时检测温度记录的集合；

获取所述第三数据集中所述第一数据小组的第一实际温度数据记录；

基于所述第一初级预测温度、所述第二初级预测温度和所述第一实际温度数据记录组建元数据集；

对所述元数据集进行有监督学习、训练以及检验得到元模型；

将所述第一模型和所述第二模型作为初级模型，结合所述元模型搭建形成所述智能预测模型。

具体而言，将记录数据集进行随机划分，得到划分结果，所述划分结果包括多个数据集。这样可以保证训练数据的多样性和泛化能力。基于循环神经网络原理对第一数据集进行有监督学习、训练以及检验得到第一模型，所述第一数据集为所述多个数据集中任意一个数据集合。这里使用循环神经网络（RNN）模型，它可以处理时序数据，适用于对动态变化的温度数据进行预测。基于梯度提升决策树原理对第二数据集进行有监督学习、训练以及检验得到第二模型，所述第二数据集为所述多个数据集中任意一个数据集合。这里使用梯度提升决策树（GBDT）模型，它可以处理分类问题，对于一些离散型的预测问题有较好的效果。依次获取所述第一模型和所述第二模型对第三数据集中初始测温信息记录的分析结果，记作第一初级预测温度和第二初级预测温度，所述第三数据集为所述多个数据集中任意一个数据集合，所述初始测温信息记录是指所述第三数据集中第一数据小组的第一实时环境温度记录、第一预定测量约束记录、第一实时检测温度记录的集合。通过这两个模型的预测结果，可以获得更全面的温度预测信息。获取所述第三数据集中所述第一数据小组的第一实际温度数据记录。这些实际温度数据可以用于评估模型的预测准确性和性能。基于所述第一初级预测温度、所述第二初级预测温度和所述第一实际温度数据记录组建元数据集。这个元数据集包含了不同模型的预测结果和实际温度数据，可以用于后续的模型融合和优化。对所述元数据集进行有监督学习、训练以及检验得到元模型。这个元模型可以看作是一个集成学习模型，它将多个模型的预测结果进行融合，以获得更准确的温度预测结果。将所述第一模型和所述第二模型作为初级模型，结合所述元模型搭建形成所述智能预测模型。这个智能预测模型综合了多个模型的优点，具有更高的预测准确性和泛化能力。它可以对目标光伏组件的温度进行实时、准确、稳定的预测，为光伏系统的监测和控制提供重要的参考依据。

进一步而言，本申请方法，通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度，包括：

构建所述目标光伏组件的目标计算机三维模型；

采集所述目标计算机三维模型的目标表面特征，所述目标表面特征包括目标纹理特征和目标基色调特征；

依次获取所述目标纹理特征和所述目标基色调特征对所述目标光伏组件的目标表面特征值的影响权重系数，分别记作第一系数和第二系数；

加权所述第一系数、所述系数和所述目标纹理特征、所述目标基色调特征得到所述目标表面特征值；

根据所述目标表面特征值对所述目标预测温度进行调整。

具体而言，构建目标光伏组件的目标计算机三维模型：通过计算机建模技术，根据光伏组件的设计和结构信息，构建一个三维模型。这个模型可以模拟光伏组件的实际运行状态，为后续的温度预测提供基础。采集目标计算机三维模型的目标表面特征：在这个三维模型中，选择目标表面特征进行采集。这些特征可能包括目标的纹理特征和基色调特征。纹理特征可以反映光伏组件表面的材质和结构特点，而基色调特征可以反映光伏组件表面的颜色和反射特性。获取目标表面特征对目标光伏组件的目标表面特征值的影响权重系数：通过分析三维模型中的目标表面特征，可以确定这些特征对目标光伏组件的目标表面特征值的影响权重系数。这些系数可以反映不同特征对温度预测的重要程度。加权第一系数、第二系数和目标纹理特征、目标基色调特征得到目标表面特征值：根据前一步得到的权重系数和目标表面特征，进行加权计算，得到目标表面特征值。这个值可以反映光伏组件表面的综合特性，为后续的温度预测提供数据。根据目标表面特征值对目标预测温度进行调整：最后，根据目标表面特征值，对初始预测温度进行调整，得到更准确的目标预测温度。这个调整过程可以考虑到实际表面特性和环境因素的影响，以提高温度预测的准确性和可靠性。

进一步而言，本申请方法，根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，包括：

获取所述示波器的目标历史电压时序，所述目标历史电压时序包括多个历史时刻监测到的多个电压数据；

基于所述多个历史时刻监测到的所述多个电压数据生成历史电压曲线；

分析所述历史电压曲线并预测得到目标电压预测信息；

根据对比所述目标电压预测信息与所述目标电压信息得到目标电压偏差对所述目标预测温度进行校验调整，得到所述目标校验温度。

具体而言，首先，通过获取示波器的目标历史电压时序，得到多个历史时刻监测到的多个电压数据。这些数据可以反映线路中电压的变化情况。然后，基于这些电压数据生成历史电压曲线。通过分析这条曲线，可以了解电压随时间的变化情况，并预测未来的电压趋势。这种预测可以基于曲线本身的特征，也可以结合其他相关信息，如实时环境温度、光照强度等。接着，将预测得到的电压信息与实际的目标电压信息进行对比，得到目标电压偏差。这个偏差可以反映预测的准确性，进而对目标预测温度进行校验和调整。如果预测偏差较大，需要对预测模型或参数进行调整，以保证温度预测的准确性和可靠性。最后，经过校验和调整后的目标预测温度被定义为目标校验温度。这个温度可以更准确地反映光伏组件的实际工作状态，为后续的控制和优化提供参考依据。这种方法利用了历史电压数据和示波器监测到的实时电压信息，通过对这些数据的分析和预测，实现对目标预测温度的校验和调整。这种方法可以提高温度预测的准确性和稳定性，为光伏系统的正常运行提供保障。

进一步而言，本申请方法，根据对比所述目标电压预测信息与所述目标电压信息得到目标电压偏差对所述目标预测温度进行校验调整，包括：

提取所述历史电压曲线的第一历史电压信息；

基于所述第一历史电压信息对所述目标电压信息进行异常支持度分析，得到第一异常支持度指数；

当所述第一异常支持度指数达到预定指数阈时，计算得到所述目标电压偏差。

具体而言，首先，从历史电压曲线中提取第一历史电压信息。这个信息可能包括电压的峰值、谷值、平均值等特征。

然后，基于第一历史电压信息对目标电压信息进行异常支持度分析。第一历史电压信息为前一周期检测到的电压，这种分析可以评估目标电压信息与第一历史电压信息之间的相似性或一致性。通过这种分析，可以得到第一异常支持度指数。这个指数可以反映目标电压信息是否正常或异常。看电压是否激变。当第一异常支持度指数达到预定指数阈时，说明目标电压信息可能存在异常。此时，可以计算得到目标电压偏差。这个偏差可能是目标电压信息与正常电压范围之间的差异，或者是与历史平均电压的差异等。通过这种方法，可以及时发现目标电压信息是否存在异常，从而采取相应的措施进行校验和调整。这有助于提高温度预测的准确性和稳定性，为光伏系统的正常运行提供保障。

实施例二

基于与前述实施例一种光伏组件测温方法相同的发明构思，如图4所示，本申请提供了一种光伏组件测温系统，所述系统包括：

实时温度获取模块10，所述实时温度获取模块10用于监测得到实时环境温度，所述实时环境温度是指目标光伏组件的周围环境的实时温度；

预定测量约束获取模块20，所述预定测量约束获取模块20是基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离；

实时检测温度获取模块30，所述实时检测温度获取模块30用于预设红外热像仪在所述预定测量约束下，基于线性插值技术原理对所述目标光伏组件进行检测，得到实时检测温度；

初始测温信息获取模块40，所述初始测温信息获取模块40用于将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息；

目标预测温度获取模块50，所述目标预测温度获取模块50用于通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度；

目标电压信息获取模块60，所述目标电压信息获取模块60用于获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压；

目标校验温度获取模块70，所述目标校验温度获取模块70用于根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征所述目标光伏组件的温度。

进一步地，该系统还包括：

第一相关性系数获取模块，用于获取红外热像仪测量因子集，所述红外热像仪测量因子集包括多个候选因子；对第一候选因子进行仿真检验，得到第一检验数据；对所述第一检验数据中的第一检验检测温度与所述第一候选因子进行皮尔逊相关性分析，得到第一相关性系数；当所述第一相关性系数达到预定系数阈时，将所述第一候选因子添加至所述预定测量因子。

进一步地，该系统还包括：

模型获取模块，用于调用光伏组件测温数据库中的多组测温事件记录，所述多组测温事件记录中的每组测温事件记录均包括实时环境温度记录、预定测量约束记录、实时检测温度记录和实际温度数据记录；根据所述每组测温事件记录中的所述实时环境温度记录、所述预定测量约束记录、所述实时检测温度记录和所述实际温度数据记录组建记录数据集；利用所述记录数据集训练得到智能模型集，所述智能模型集包括多个模型；对所述多个模型进行搭建融合，得到所述智能预测模型。

进一步地，该系统还包括：

智能预测模型获取模块，用于将所述记录数据集进行随机划分，得到划分结果，所述划分结果包括多个数据集；基于循环神经网络原理对第一数据集进行有监督学习、训练以及检验得到第一模型，所述第一数据集为所述多个数据集中任意一个数据集合；基于梯度提升决策树原理对第二数据集进行有监督学习、训练以及检验得到第二模型，所述第二数据集为所述多个数据集中任意一个数据集合；依次获取所述第一模型和所述第二模型对第三数据集中初始测温信息记录的分析结果，记作第一初级预测温度和第二初级预测温度，所述第三数据集为所述多个数据集中任意一个数据集合，所述初始测温信息记录是指所述第三数据集中第一数据小组的第一实时环境温度记录、第一预定测量约束记录、第一实时检测温度记录的集合；获取所述第三数据集中所述第一数据小组的第一实际温度数据记录；基于所述第一初级预测温度、所述第二初级预测温度和所述第一实际温度数据记录组建元数据集；对所述元数据集进行有监督学习、训练以及检验得到元模型；将所述第一模型和所述第二模型作为初级模型，结合所述元模型搭建形成所述智能预测模型。

进一步地，该系统还包括：

温度调整模块，用于构建所述目标光伏组件的目标计算机三维模型；采集所述目标计算机三维模型的目标表面特征，所述目标表面特征包括目标纹理特征和目标基色调特征；依次获取所述目标纹理特征和所述目标基色调特征对所述目标光伏组件的目标表面特征值的影响权重系数，分别记作第一系数和第二系数；加权所述第一系数、所述系数和所述目标纹理特征、所述目标基色调特征得到所述目标表面特征值；根据所述目标表面特征值对所述目标预测温度进行调整。

进一步地，该系统还包括：

校验调整模块，用于获取所述示波器的目标历史电压时序，所述目标历史电压时序包括多个历史时刻监测到的多个电压数据；基于所述多个历史时刻监测到的所述多个电压数据生成历史电压曲线；分析所述历史电压曲线并预测得到目标电压预测信息；根据对比所述目标电压预测信息与所述目标电压信息得到目标电压偏差对所述目标预测温度进行校验调整，得到所述目标校验温度。

进一步地，该系统还包括：

目标电压偏差获取模块，用于提取所述历史电压曲线的第一历史电压信息；基于所述第一历史电压信息对所述目标电压信息进行异常支持度分析，得到第一异常支持度指数；当所述第一异常支持度指数达到预定指数阈时，计算得到所述目标电压偏差。

说明书通过前述一种光伏组件测温方法的详细描述，本领域技术人员可以清楚地知识本实施例中一种光伏组件测温系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种光伏组件测温方法，其特征在于，包括：

监测得到实时环境温度，所述实时环境温度是指目标光伏组件的周围环境的实时温度；

基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离；

预设红外热像仪在所述预定测量约束下，基于线性插值技术原理对所述目标光伏组件进行检测，得到实时检测温度；

将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息；

通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度；

获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压；

根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征所述目标光伏组件的温度；

其中，通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，包括：

调用光伏组件测温数据库中的多组测温事件记录，所述多组测温事件记录中的每组测温事件记录均包括实时环境温度记录、预定测量约束记录、实时检测温度记录和实际温度数据记录；

根据所述每组测温事件记录中的所述实时环境温度记录、所述预定测量约束记录、所述实时检测温度记录和所述实际温度数据记录组建记录数据集；

利用所述记录数据集训练得到智能模型集，所述智能模型集包括多个模型；

对所述多个模型进行搭建融合，得到所述智能预测模型；

对所述多个模型进行搭建融合，得到所述智能预测模型，包括：

将所述记录数据集进行随机划分，得到划分结果，所述划分结果包括多个数据集；

基于循环神经网络原理对第一数据集进行有监督学习、训练以及检验得到第一模型，所述第一数据集为所述多个数据集中任意一个数据集合；

基于梯度提升决策树原理对第二数据集进行有监督学习、训练以及检验得到第二模型，所述第二数据集为所述多个数据集中任意一个数据集合；

依次获取所述第一模型和所述第二模型对第三数据集中初始测温信息记录的分析结果，记作第一初级预测温度和第二初级预测温度，所述第三数据集为所述多个数据集中任意一个数据集合，所述初始测温信息记录是指所述第三数据集中第一数据小组的第一实时环境温度记录、第一预定测量约束记录、第一实时检测温度记录的集合；

获取所述第三数据集中所述第一数据小组的第一实际温度数据记录；

基于所述第一初级预测温度、所述第二初级预测温度和所述第一实际温度数据记录组建元数据集；

对所述元数据集进行有监督学习、训练以及检验得到元模型；

将所述第一模型和所述第二模型作为初级模型，结合所述元模型搭建形成所述智能预测模型；

根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，包括：

获取所述示波器的目标历史电压时序，所述目标历史电压时序包括多个历史时刻监测到的多个电压数据；

基于所述多个历史时刻监测到的所述多个电压数据生成历史电压曲线；

分析所述历史电压曲线并预测得到目标电压预测信息；

根据对比所述目标电压预测信息与所述目标电压信息得到目标电压偏差对所述目标预测温度进行校验调整，得到所述目标校验温度。

2.根据权利要求1所述方法，其特征在于，基于预定测量因子生成预定测量约束，包括：

获取红外热像仪测量因子集，所述红外热像仪测量因子集包括多个候选因子；

对第一候选因子进行仿真检验，得到第一检验数据；

对所述第一检验数据中的第一检验检测温度与所述第一候选因子进行皮尔逊相关性分析，得到第一相关性系数；

当所述第一相关性系数达到预定系数阈时，将所述第一候选因子添加至所述预定测量因子。

3.根据权利要求1所述方法，其特征在于，通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度，包括：

构建所述目标光伏组件的目标计算机三维模型；

采集所述目标计算机三维模型的目标表面特征，所述目标表面特征包括目标纹理特征和目标基色调特征；

依次获取所述目标纹理特征和所述目标基色调特征对所述目标光伏组件的目标表面特征值的影响权重系数，分别记作第一系数和第二系数；

将所述第一系数与所述目标纹理特征进行加权运算，同时将所述第二系数与所述目标基色调特征进行加权运算，将两个加权结果进行求和，得到所述目标表面特征值；

根据所述目标表面特征值对所述目标预测温度进行调整。

4.根据权利要求1所述方法，其特征在于，根据对比所述目标电压预测信息与所述目标电压信息得到目标电压偏差对所述目标预测温度进行校验调整，包括：

提取所述历史电压曲线的第一历史电压信息；

基于所述第一历史电压信息对所述目标电压信息进行异常支持度分析，得到第一异常支持度指数；

当所述第一异常支持度指数达到预定指数阈时，计算得到所述目标电压偏差。

5.一种光伏组件测温系统，其特征在于，包括：

实时温度获取模块，所述实时温度获取模块用于监测得到实时环境温度，所述实时环境温度是指目标光伏组件的周围环境的实时温度；

预定测量约束获取模块，所述预定测量约束获取模块是基于预定测量因子生成预定测量约束，所述预定测量因子包括测温波长、测温带宽、测温距离；

实时检测温度获取模块，所述实时检测温度获取模块用于预设红外热像仪在所述预定测量约束下，基于线性插值技术原理对所述目标光伏组件进行检测，得到实时检测温度；

初始测温信息获取模块，所述初始测温信息获取模块用于将所述实时环境温度、所述预定测量约束和所述实时检测温度作为初始测温信息；

目标预测温度获取模块，所述目标预测温度获取模块用于通过基于集成融合原理构建的智能预测模型对所述初始测温信息进行分析，得到目标预测温度；

目标电压信息获取模块，所述目标电压信息获取模块用于获取目标电压信息，所述目标电压信息是由示波器监测到的所述目标光伏组件所在线路的实时电压；

目标校验温度获取模块，所述目标校验温度获取模块用于根据所述目标电压信息对所述目标预测温度进行校验，得到目标校验温度，所述目标校验温度用于表征所述目标光伏组件的温度；

模型获取模块，用于调用光伏组件测温数据库中的多组测温事件记录，所述多组测温事件记录中的每组测温事件记录均包括实时环境温度记录、预定测量约束记录、实时检测温度记录和实际温度数据记录；根据所述每组测温事件记录中的所述实时环境温度记录、所述预定测量约束记录、所述实时检测温度记录和所述实际温度数据记录组建记录数据集；利用所述记录数据集训练得到智能模型集，所述智能模型集包括多个模型；对所述多个模型进行搭建融合，得到所述智能预测模型；

智能预测模型获取模块，用于将所述记录数据集进行随机划分，得到划分结果，所述划分结果包括多个数据集；基于循环神经网络原理对第一数据集进行有监督学习、训练以及检验得到第一模型，所述第一数据集为所述多个数据集中任意一个数据集合；基于梯度提升决策树原理对第二数据集进行有监督学习、训练以及检验得到第二模型，所述第二数据集为所述多个数据集中任意一个数据集合；依次获取所述第一模型和所述第二模型对第三数据集中初始测温信息记录的分析结果，记作第一初级预测温度和第二初级预测温度，所述第三数据集为所述多个数据集中任意一个数据集合，所述初始测温信息记录是指所述第三数据集中第一数据小组的第一实时环境温度记录、第一预定测量约束记录、第一实时检测温度记录的集合；获取所述第三数据集中所述第一数据小组的第一实际温度数据记录；基于所述第一初级预测温度、所述第二初级预测温度和所述第一实际温度数据记录组建元数据集；对所述元数据集进行有监督学习、训练以及检验得到元模型；将所述第一模型和所述第二模型作为初级模型，结合所述元模型搭建形成所述智能预测模型；

校验调整模块，用于获取所述示波器的目标历史电压时序，所述目标历史电压时序包括多个历史时刻监测到的多个电压数据；基于所述多个历史时刻监测到的所述多个电压数据生成历史电压曲线；分析所述历史电压曲线并预测得到目标电压预测信息；根据对比所述目标电压预测信息与所述目标电压信息得到目标电压偏差对所述目标预测温度进行校验调整，得到所述目标校验温度。