基于单模态与混合多模态可见光-热成像深度学习架构的光伏污染自动化量化
《Engineering Applications of Artificial Intelligence》:Automated photovoltaic soiling quantification using single and hybrid multimodal visible-thermal deep learning architectures
【字体:
大
中
小
】
时间:2026年10月23日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
摘要
太阳能光伏系统并网的比例正在快速增长,以满足联合国可持续发展目标。然而,除了功率波动性(由于太阳能资源的不稳定性)之外,灰尘积累对功率降低、维护增加和效率下降构成了重大挑战,尤其是在干旱和半干旱地区。因此,准确量化光伏积尘对于提高能源性能和优化清洁时间表变得至关重要。
摘要
太阳能光伏系统并网的比例正在快速增长,以满足联合国可持续发展目标。然而,除了功率波动性(由于太阳能资源的不稳定性)之外,灰尘积累对功率降低、维护增加和效率下降构成了重大挑战,尤其是在干旱和半干旱地区。因此,准确量化光伏积尘对于提高能源性能和优化清洁时间表变得至关重要。本研究通过使用单模态和混合多模态可见光和热成像技术结合深度学习架构来量化光伏积尘。通过室内可见光成像(焦距为24-185毫米的相机)和室外可见光和热成像(4-30米高度的无人机),生成了一个综合数据集,包含六个变体。这些数据集变体使用四种深度学习模型进行训练和评估,包括卷积下一个(ConvNeXt)、深度残差神经网络(DRNN)、带压缩-激励的常规网络(RegNetY)以及一种新的高分辨率网络-卷积下一个(HRNet-ConvNeXt)混合架构。还提供了与额外单模态和混合模型的比较分析,以展示所提出架构的优越准确性和稳定性。此外,还通过贝叶斯优化(BO)和基于种群的训练(PBT)进行超参数优化,以进一步提高混合模型的预测性能和泛化能力。优化后的混合模型达到测试决定系数为0.99,误差为0.89克,平均平方误差相对于基线模型降低了85%。
引言
随着各国共同努力应对气候变化和地缘政治稳定,全球能源需求正在加速增长,这与联合国可持续发展目标7关于清洁能源的目标一致。这一转变不仅限于采用清洁、可再生来源,还是一条战略途径,旨在保护经济免受波动性化石燃料价格的影响,并在2050年前将电力行业脱碳90%。在可再生能源技术中,太阳能光伏(PV)能源已成为一种比化石燃料便宜41%的新型电力来源,由于太阳的丰富性和光伏系统的模块化灵活性,全球装机容量已超过1000吉瓦。然而,光伏基础设施的光明前景受到了积尘的威胁。积尘是一个物理过程,导致空气中的颗粒物(包括灰尘、污垢、花粉、鸟粪和污染物)在光伏系统表面积累。积尘会在阳光到达光伏电池之前散射和吸收入射的太阳辐射,导致显著的功率输出损失。结果表明,在中东和北非等干旱地区,积尘导致光伏功率输出每天损失超过1%,每月减少幅度可达65%。除了即时的能源损失外,积尘还会通过局部加热(热点)加速组件退化,增加维护成本,并由于灰尘沉积的随机性(受风向、湿度和降水影响)使最优清洁时间表变得复杂。因此,频繁清洁光伏组件已被证明是必要的,这导致了多项缓解措施的实施。传统的清洁策略包括使用人工劳动力的手动和半自动清洁、旋转刷和水射流清洁系统。尽管这些方法能够恢复光伏性能,但它们引入了安全风险,造成水资源浪费,并可能损坏光伏组件。因此,解决这一问题的首要任务是准确量化积尘,以便规划适当的维护策略和优化运营成本。
准确的积尘量化对光伏系统管理具有直接的实际意义。它能够在公用事业规模农场上实现基于状态的清洁时间表,与固定间隔清洁相比,减少了水和劳动力成本,从而对水资源短缺的干旱地区的清洁干预进行经济成本效益分析。它还支持基于无人机的集群监控,用于地理分散的屋顶和分布式安装,有助于故障诊断,通过区分积尘损失和其他退化机制。此外,精确的灰尘负荷估算可以引导自主机器人清洁系统向自适应、基于精度的维护方向发展,而不是统一的清洁协议,推动该领域超越定性分类,走向可操作的定量决策制定。
核心问题是在变化的现实条件下准确量化光伏组件上的灰尘水平。尽管传统方法如手动测量和基于传感器的技术是有益的,但由于安装成本高、空间覆盖范围有限以及对环境变化敏感,它们面临困难,因为照明、风和温度会引入灰尘分布的不一致性。因此,利用机器学习和深度学习(DL)的视觉技术已成为解决积尘挑战中场地特定性的强大替代方案。与传统的积尘建模方法不同,深度学习能够学习输入变量之间的复杂且通常非线性的关系,如颗粒物的性质和太阳辐射,而无需预先定义底层物理过程的数学模型。最近的RGB-热融合方法表明,自适应跨模态融合增强了无人机遥感中的特征表示和识别性能。这支持了使用RGB-热成像在各种室外条件下进行鲁棒的光伏积尘量化。这些进展进一步支持了使用RGB-热成像在各种室外条件下进行鲁棒的光伏积尘量化。相应地,机器学习和深度学习模型在预测光伏功率以及使用光学和热成像检测和分类太阳能电池板上的积尘条件方面表现出了卓越的性能。这些方法可以广泛分为分类和回归模型,如表1所述。
从表1可以看出,大多数与光伏相关的工作仅限于预测、积尘分类或粗略的类别预测(轻、中等、重度积尘)。尽管这些研究达到了令人满意的准确率,但它们没有解决光伏积尘量化这一关键任务,而这对于精确的维护安排是必需的。多模态融合和基于Transformer的视觉技术的最新进展在相关领域中展现了强大的跨模态特征集成潜力。例如,大核交叉注意力融合已应用于光伏积尘损失估算,而上下文增强融合网络改进了无人机应用中的红外-可见光图像拼接,交互式注意力引导融合用于双光谱无人机分割任务。同样,结合ConvNeXt和Transformer启发的编码的注意力驱动混合架构在医学成像中显示出前景,ViT已与CNN集成用于精确农业检测任务。然而,这些进展尚未系统地扩展到成对的室内-室外、RGB-热成像采集条件下的光伏积尘量化,也尚未与基于混合CNN的空间-语义融合架构(如高分辨率网络-卷积下一个,HRNet-ConvNeXt)进行基准比较。此外,只有少数工作尝试了定量的积尘估算,包括Fan等人的研究和我们之前的研究。在Fan等人的研究中,提出了一种DRNN来估计光伏组件上的克/平方米,而我们早期的工作研究了深度学习架构,包括视觉Transformer(ViT)、ResNet-50、EfficientNet-B7和深度残差神经网络(DRNN)模型,在一个专门的室内RGB成像数据集上。随后,在我们之前的工作中,使用多源无人机-地面RGB成像进行了19种深度学习架构的全面比较,包括轻量级模型(如SqueezeNet、MobileNet-V2和ShuffleNet),用于光伏积尘量化,其中轻量级架构表现出相对较低的预测性能。尽管展示了深度学习用于自动化积尘评估的潜力,特别是在沙漠环境中灰尘普遍存在的情况下,这些研究主要依赖于受控实验室条件下的单模态RGB成像。它们通常无法考虑从轻微到重度积累的微妙积尘梯度,这会产生不准确的结果,导致不必要的清洁。缺乏室外数据集显著限制了泛化能力,因为照明变化、背景杂乱和大气散射引入了重大的领域偏移。此外,还缺少整合互补传感模态(如热成像)的工作,热成像能够捕捉清洁和积尘面板区域之间因热保留差异而引入的温度分布。这一差距凸显了需要一个自动化、鲁棒的系统,该系统能够处理多种成像模态和条件,以提供准确的灰尘重量估算。最后,模型架构大多缺乏混合化来平衡局部和全局特征,超参数优化通常是手动的或基本的,这导致在多样化场景中的次优性能。现有的深度学习模型通常采用单一视觉模态,使用单独的骨干架构,或专注于分类而非定量积尘估算。
所提出的框架通过一个专为连续灰尘重量估算而设计的统一多模态回归架构扩展了当前技术水平。与主要拼接从多个骨干提取的特征的传统混合CNN不同,所提出的架构采用注意力引导的融合机制,自适应地整合HRNet的高分辨率空间表示与ConvNeXt的高层语义特征。这种互补的特征交互使得能够同时建模局部灰尘沉积模式和全局上下文信息,从而为多模态光伏积尘量化产生更具判别力的表示。所提出的工作通过引入一个综合的多模态数据集(室内和室外)、整合RGB和热成像(为六个通道表示),并评估各种深度学习模型以及一种新的高分辨率网络-卷积下一个混合模型来解决这些差距,该模型通过超参数优化进一步精炼。
尽管最近的基于Transformer的架构(如Swin Transformer和Vision Transformer)在大规模计算机视觉任务中表现出了出色的性能,但它们通常需要更多的数据且计算需求更大,以充分利用其表示能力。由于这项工作专注于使用专门的光伏RGB-热数据集进行定量多模态回归,因此选择了预训练的卷积架构,以在特征表示、训练稳定性、计算效率和泛化之间提供有效的平衡。相应地,选择了ConvNeXt、HRNet、DRNN和RegNetY,因为它们分别在语义表示、高分辨率空间学习、残差特征提取和高效层次特征建模方面提供了互补的优势,非常适合所提出的多模态融合框架。
本工作的主要贡献如下:
i)在本工作中,使用可变相机焦距和无人机高度生成了一个多模态室内(1-400克)和室外(10-400克)积尘数据集。室内图像以RGB格式捕获,产生两个变体,包括RGB-full-indoor(RGB-F-In)(1-400克)和RGB-filtered-indoor(RGB-Fil-In)(10-400克),以与室外范围对齐。室外数据集包括RGB和热成像(使用Zenmuse H20T无人机挂载相机采集),形成三个变体,包括thermal-outdoor(Th-Out)、RGB-outdoor(RGB-Out)和RGB-Th-Out(RGB-热融合)。最后,Combined数据集整合了所有室内和室外的RGB和热数据。
ii)各种深度学习模型如ConvNeXt、DRNN、带压缩-激励的常规网络(RegNetY)以及新型混合模型HRNet-ConvNeXt在六个数据集变体上进行了研究,以计算它们在捕获多模态灰尘模式方面的有效性。此外,这些模型的结果与其他单模态和混合模型如RepLKNet、MultiStreamHybridNet(重型)、IntermediateFusionNet(混合融合)和Multi Stream Hybrid Net(轻型)进行
本节详细阐述了各模型的结构原理及其与光伏积尘计算任务的关联。此处所描述的调研工作均遵循一种共同的回归框架,但它们的主要区别在于特征提取机制。每个模型接收三通道单模态输入……
**结果与讨论**
所提出模型在多种数据集变体上的光伏积尘预测性能通过标准回归指标进行评估,包括均方根误差(RMSE)、均方误差(MSE)、平均绝对误差(MAE)、决定系数(R2)和误差环(EL)。实际值与预测值之间的累积偏差通过文献(Fan et al., 2022)中推导的EL指标进行量化,该指标能够捕获传统逐点指标可能忽略的结构性误差。本质上,EL……
**结论**
本研究提出了一种综合框架,用于自动化光伏积尘量化,采用现代深度学习架构(包括ConvNeXt、DRNN、RegNetY和HRNet-ConvNeXt混合模型),在室内和室外条件下获取多模态RGB与热成像数据。这些模型在六个数据集变体上进行了研究,并与其他混合模型进行了比较,以评估其捕获与积尘相关的视觉和热成像模式的有效性。混合……
**CRediT作者贡献声明**
穆罕默德·法伊赞·塔希尔:撰写初稿、方法论、调研、正式分析、数据管理。萨姆亚姆·拉米昌:撰写初稿、方法论、调研、数据管理。安东尼·泽斯:审稿与编辑、指导、项目管理、资助获取、概念化。方毅:审稿与编辑、可视化、验证。
**利益冲突声明**
作者声明不存在利益冲突。以下署名的作者证明,他们与任何具有经济利益的组织或实体没有任何关联或参与(如稿酬、教育基金、演讲人事务所参与、会员资格、就业、咨询、股票所有权或其他股权利益、专家证词或专利许可安排),或非经济利益(如个人或专业……)
穆罕默德·法伊赞·塔希尔 | 萨姆亚姆·拉米昌 | 安东尼·泽斯 | 方毅
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号