基于多模态融合的AI光伏清洗预测系统技术方案

本发明专利技术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。并节省人力成本。并节省人力成本。

【技术实现步骤摘要】
基于多模态融合的AI光伏清洗预测系统


[0001]本专利技术属于光伏发电
，尤其涉及基于多模态融合的AI光伏清洗预测系统。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
专利
技术实现思路

[0006]本专利技术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
技术介绍
中提出的问题。
[0007]为了解决上述技术问题，本专利技术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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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：
[0013]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；
[0014]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；
[0015]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；
[0016]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。
[0017]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：
[0018]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；
[0019]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；
[0020]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；
[0021]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。
[0022]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：
[0023]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；
[0024]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；
[0025]步骤P3：通过电费核算计算光伏组件清洗与否的收益差值；
[0026]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。
[0027]进一步的，N天具体为3天、5天、7天、10天、20天、25天或30天。
[0028]有益效果：
[0029](1)本专利技术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。
[0030](2)本专利技术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。
[0031](3)本专利技术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。
[0032](4)本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：罗群芳，夏思涵，
申请(专利权)人：优得新能源科技宁波有限公司，
类型：发明
国别省市：