[发明专利]基于多模态融合的AI光伏清洗预测系统

说明书

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。

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：