一种基于神经网络模型的光伏组件清洗决策方法及系统与流程

1.本发明涉及光伏组件技术领域，具体为一种基于神经网络模型的光伏组件清洗决策方法及系统。


背景技术：

2.光伏组件(也叫太阳能电池板)是太阳能发电系统中的核心部分，也是太阳能发电系统中最重要的部分，是由光伏组件片或者由激光切割机或是钢线切割机，切割开的不同规格的光伏组件的组合。
3.而光伏组件的清洗对于确保其高效发电起到至关重要的作用，然而传统的光伏组件的清洗方法通常基于固定的时间间隔进行，忽视了光伏组件清洗需求的个体差异和环境变化。这种方法往往容易导致不必要的清洗或者延迟清洗，造成浪费资源并降低发电效率的情况。因此，需要一种能够根据实际清洗需求进行预测的方法，以提高清洗效率并降低成本。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种基于神经网络模型的光伏组件清洗决策方法及系统，目的是解决上述问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于神经网络模型的光伏组件清洗决策系统，包括：
7.传感器，用于实时监测光伏组件的性能数据和环境指标；
8.数据处理模块，接收传感器采集的数据，并进行预处理；
9.神经网络模型，基于训练数据进行清洗时间的预测；
10.清洗时间决策模块，利用神经网络模型和实时监测数据进行清洗时间决策。
11.优选的，所述传感器包括光照强度传感器、温度传感器和湿度传感器。
12.优选的，所述数据处理模块包括数据清洗模块、去噪模块和特征提取模块。
13.优选的，所述神经网络模型采用多层感知机网络结构。
14.优选的，所述神经网络模型采用卷积神经网络网络结构。
15.一种基于神经网络模型的光伏组件清洗决策方法，该方法包括以下步骤：
16.步骤一：收集光伏组件的性能数据和环境指标；
17.步骤二：对收集到的数据进行预处理，包括清洗、去噪和特征提取；
18.步骤三：将预处理后的数据划分为训练集和测试集；
19.步骤四：设计基于神经网络算法的网络架构；
20.步骤五：使用训练集对神经网络模型进行训练；
21.步骤六：使用测试集评估训练好的模型的性能；
22.步骤七：结合实时监测数据，利用训练好的神经网络模型预测光伏组件的清洗时间。
23.优选的，所述神经网络模型采用多层感知机网络结构。
24.优选的，所述神经网络模型采用卷积神经网络网络结构。
25.与现有技术相比，本发明具备以下有益效果：
26.本发明提供的一种基于神经网络模型的光伏组件清洗决策方法及系统，通过收集光伏组件的性能数据和环境指标，并结合历史清洗数据，可以建立清洗需求模型，这个模型基于历史数据的分析和模式识别，能够精确预测光伏组件何时需要清洗，利用历史数据，可以确定光伏组件的清洗频率和最佳时机，从而提高清洗效率，并避免过度或不足的清洗操作。
附图说明
27.图1为本发明系统组成示意图；
28.图2为本发明方法流程示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
30.请参阅图1，一种基于神经网络模型的光伏组件清洗决策系统，包括以下组成：
31.传感器：
32.主要包括多个光照强度传感器、温度传感器和湿度传感器，用于实时监测光伏组件的性能数据和环境指标；可通过传感器测量光照强度、温度、湿度等关键参数，以及包含组件本身的电流、电压、温度等表征发电效率的参数，并将数据传输给数据处理模块。
33.其中，常见的表征光伏组件发电效率的参数：
34.关于光伏组件的电流输出的监测情况：对当前的输出电流强度进行监测；较低的电流输出可能意味着组件表面的污垢堆积，需要进行清洗。
35.关于光伏组件的电压输出的监测情况：对当前的输出电压稳定性进行监测；异常的电压波动可能与组件表面的污垢有关，需要进行清洗。
36.关于光伏组件的发电效率：对光伏组件的实际发电效率进行计算，即光能转化为电能的效率；随着时间的推移，污垢的积累会降低组件的发电效率，因此监测发电效率的变化可以作为清洗时间的指标。
37.关于光伏组件的温度变化：对光伏组件表面温度的变化情况进行观察；污垢的堆积可能导致组件温度升高，因此温度的异常变化可以提示是否需要进行清洗。
38.数据处理模块：
39.主要包括数据清洗模块、去噪模块和特征提取模块，数据处理模块接收传感器采集的数据，并进行数据预处理；该模块对数据进行清洗、去噪和特征提取等处理，以确保数据的准确性和可用性。
40.预处理后的数据将用于神经网络模型的训练和预测。
41.神经网络模型：
64.温度：30℃
65.湿度：60％
66.电流输出：5a
67.电压输出：30v
68.发电效率：85％
69.表面温度：40℃
70.将预处理后的数据被划分为训练集和测试集，用于训练和评估神经网络模型的性能，完善模型的建立。
71.然后根据具体需求选择适合的神经网络架构，如多层感知机(mlp)或卷积神经网络(cnn)等，计算设计出适合光伏组件清洗时间决策的网络架构。
72.随后，使用训练集对神经网络模型进行训练，通过不断调整模型参数，使其能够学习光伏组件性能数据和环境指标之间的关系。
73.假设训练过程中，神经网络模型学习到以下关系：
74.清洗时间＝0.8*光照强度+0.5*温度-0.3*湿度+0.6*电流输出+0.4*电压输出+0.7*发电效率-0.2*表面温度+1.2
75.同时，清洗时间决策模块进行数据的实时监测：通过传感器持续监测光伏组件的性能数据和环境指标，并将数据传输给清洗时间决策模块；
76.根据实时监测到的数据，如下：
77.光照强度：800w/m278.温度：30℃
79.湿度：60％
80.电流输出：5a
81.电压输出：30v
82.发电效率：85％
83.表面温度：40℃
84.使用神经网络模型进行预测：
85.清洗时间根据神经网络模型的预测公式为：
86.清洗时间＝0.8*光照强度+0.5*温度-0.3*湿度+0.6*电流输出+0.4*电压输出+0.7*发电效率-0.2*表面温度+1.2
87.代入实时监测到的数据：
88.清洗时间＝0.8*800+0.5*30-0.3*60+0.6*5+0.4*30+0.7*85-0.2*40+1.2
89.＝640+15-18+3+12+59.5-8+1.2
90.＝704.7
91.根据预测结果，清洗时间决策模块判断光伏组件的最佳清洗时间为704.7天后。
92.最后通过判断的清洗时间安排清洗任务，清洗任务执行的过程包括：
93.清洗指令：清洗时间决策模块发出清洗指令，通知操作人员或自动化设备执行清洗任务。
94.清洗任务安排：根据清洗指令，操作人员或自动化设备安排在704.7天后执行光伏组件的清洗任务。
95.通过综合考虑光照强度、温度、湿度、电流输出、电压输出、发电效率和表面温度等多个指标，并结合神经网络模型的训练和预测，可以更准确地预测光伏组件的清洗时间，并在适当的时候进行清洗操作，以保证组件的正常运行和发电效率。
96.文中涉及的光照强度传感器、温度传感器和湿度传感器，以及多层感知机(mlp)和卷积神经网络(cnn)均为现有技术，故此不做赘述
97.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
98.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于神经网络模型的光伏组件清洗决策系统，其特征在于，包括：传感器，用于实时监测光伏组件的性能数据和环境指标；数据处理模块，接收传感器采集的数据，并进行预处理；神经网络模型，基于训练数据进行清洗时间的预测；清洗时间决策模块，利用神经网络模型和实时监测数据进行清洗时间决策。2.根据权利要求1所述的一种基于神经网络模型的光伏组件清洗决策系统，其特征在于，所述传感器包括光照强度传感器、温度传感器和湿度传感器。3.根据权利要求1所述的一种基于神经网络模型的光伏组件清洗决策系统，其特征在于，所述数据处理模块包括数据清洗模块、去噪模块和特征提取模块。4.根据权利要求1所述的一种基于神经网络模型的光伏组件清洗决策系统，其特征在于，所述神经网络模型采用多层感知机网络结构。5.根据权利要求1所述的一种基于神经网络模型的光伏组件清洗决策系统，其特征在于，所述神经网络模型采用卷积神经网络网络结构。6.一种基于神经网络模型的光伏组件清洗决策方法，其特征在于，该方法包括以下步骤：步骤一：收集光伏组件的性能数据和环境指标；步骤二：对收集到的数据进行预处理，包括清洗、去噪和特征提取；步骤三：将预处理后的数据划分为训练集和测试集；步骤四：设计基于神经网络算法的网络架构；步骤五：使用训练集对神经网络模型进行训练；步骤六：使用测试集评估训练好的模型的性能；步骤七：结合实时监测数据，利用训练好的神经网络模型预测光伏组件的清洗时间。7.根据权利要求6所述的一种基于神经网络模型的光伏组件清洗决策方法，其特征在于，所述神经网络模型采用多层感知机网络结构。8.根据权利要求6所述的一种基于神经网络模型的光伏组件清洗决策方法，其特征在于，所述神经网络模型采用卷积神经网络网络结构。

技术总结
本发明公开了一种基于神经网络模型的光伏组件清洗决策方法及系统，该方法包括：收集光伏组件的性能数据和环境指标；对收集到的数据进行预处理；将预处理后的数据划分为训练集和测试集；设计基于神经网络算法的网络架构；使用训练集对神经网络模型进行训练；使用测试集评估训练好的模型的性能。本发明提供的一种基于神经网络模型的光伏组件清洗决策方法及系统，通过收集光伏组件的性能数据和环境指标，并结合历史清洗数据，可以建立清洗需求模型，这个模型基于历史数据的分析和模式识别，能够精确预测光伏组件何时需要清洗，利用历史数据，可以确定光伏组件的清洗频率和最佳时机，从而提高清洗效率，并避免过度或不足的清洗操作。洗操作。洗操作。


技术研发人员：王钢 刘林 郑诚 贾春宇 刘波 于良
受保护的技术使用者：中建三局第一建设安装有限公司
技术研发日：2023.06.05
技术公布日：2023/8/16