摘要：為了提高光伏發(fā)電系統(tǒng)運(yùn)行效率，以闡述光伏發(fā)電技術(shù)概述為基礎(chǔ)，分析光伏發(fā)電技術(shù)運(yùn)行原理，明確其主要特征，為研究人員收集光伏發(fā)電系統(tǒng)運(yùn)行數(shù)據(jù)打下堅(jiān)實(shí)的基礎(chǔ)。同時，進(jìn)行光伏陣列污染圖像分類模型仿真分析，通過建立光伏陣列污染圖像分類模型，科學(xué)預(yù)測未來的天氣條件，并根據(jù)預(yù)測結(jié)果調(diào)整光伏發(fā)電系統(tǒng)的工作狀態(tài)，以提高其運(yùn)行的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，光伏陣列污染圖像分類模型具有較高的準(zhǔn)確性和可靠性，與傳統(tǒng)方法相比，該模型在發(fā)電量預(yù)測方面具有良好的表現(xiàn)，能適應(yīng)不同的天氣條件和環(huán)境變化。未來，將進(jìn)一步完善該模型，并探索其他深度學(xué)習(xí)算法的應(yīng)用，進(jìn)一步提高光伏發(fā)電系統(tǒng)的運(yùn)行效率。

關(guān)鍵詞：深度學(xué)習(xí) 光伏發(fā)電 光伏陣列污染圖像 圖像數(shù)據(jù)預(yù)處理

Research on Photovoltaic Power Generation Technology Based on Deep Learning

ZHANG Cixiu

Xinhua College of Ningxia University， Yinchuan， Ningxia Hui Autonomous Region， 750021 China

Abstract： In order to improve the operation efficiency of photovoltaic power generation system， based on the overview of photovoltaic power generation technology， this article analyzes the operating principle of photovoltaic power generation technology， and clarifies its main characteristics， which lays a solid foundation for researchers to collect the operation data of photovoltaic power generation system. At the same time， Image Classification model of photovoltaic array pollution is simulated and analyzed， and the Image Classification model of photovoltaic array pollution is established to scientifically predict the future weather conditions， and the working state of photovoltaic power generation system is adjusted according to the prediction results， in order to improve its operation stability. The experimental results show that the photovoltaic array pollution Image Classification model has high accuracy and reliability. Compared with traditional T6ZxnEU1IJKXSbrtDwuGuOZYQ5wAUVIYEgu2802+QeU=methods， it has good performance in power generation prediction and can adapt to different weather conditions and environmental changes. In the future， the model will be further improved and other applications of Deep Learning Algorithms will be explored to further improve the operation efficiency of photovoltaic power generation system.

Key Words： Deep Learning; Photovoltaics; Photovoltaic array pollution image; Image data preprocessing

目前，基于深度學(xué)習(xí)的光伏發(fā)電技術(shù)研究是通過建立準(zhǔn)確的預(yù)測模型預(yù)測光伏發(fā)電系統(tǒng)的發(fā)電能力，有利于研究人員根據(jù)天氣條件和光照強(qiáng)度變化等因素合理調(diào)整光伏發(fā)電系統(tǒng)的工作狀態(tài)，提高發(fā)電效率[1]。同時，通過深度學(xué)習(xí)技術(shù)對光伏發(fā)電系統(tǒng)的故障進(jìn)行檢測，實(shí)時監(jiān)測光伏發(fā)電系統(tǒng)的運(yùn)行狀態(tài)，及時發(fā)現(xiàn)其存在問題，提高系統(tǒng)的穩(wěn)定性。通過對基于深度學(xué)習(xí)的光伏發(fā)電技術(shù)研究的綜述，可以為相關(guān)研究人員提供參考和借鑒，促進(jìn)該領(lǐng)域的進(jìn)一步發(fā)展和應(yīng)用。希望本文能夠?qū)夥l(fā)電技術(shù)的研究和推廣起到積極的促進(jìn)作用，為清潔能源的發(fā)展做出貢獻(xiàn)[2]。

1光伏發(fā)電技術(shù)和深度學(xué)習(xí)的基本原理

1.1光伏發(fā)電技術(shù)

光伏發(fā)電技術(shù)是利用光伏效應(yīng)將太陽能轉(zhuǎn)化為直流電能的一種新能源技術(shù)。所謂光伏效應(yīng)，是指光子與半導(dǎo)體中的原子發(fā)生碰撞，使光子的能量在光線照射到半導(dǎo)體材料上后向電子轉(zhuǎn)移，從而躍遷到導(dǎo)帶上，形成一種自由的電子，這些自由電子和空穴在電場的作用下會產(chǎn)生電流，從而實(shí)現(xiàn)光能向電能的轉(zhuǎn)化。光伏發(fā)電系統(tǒng)主要由光伏電池組成，光伏電池是將多個光伏電池片串聯(lián)起來所形成的。光伏電池片通常采用p-n結(jié)構(gòu)，即在一塊半導(dǎo)體材料中形成一個p型區(qū)域和n型區(qū)域。當(dāng)光線照射到p-n結(jié)構(gòu)上時，光子能量被吸收，使得p-n結(jié)構(gòu)中的電子和空穴分離，形成電勢差，即是光伏電池的輸出電壓。光伏電池的輸出電流與光強(qiáng)度、光譜、溫度等因素有關(guān)，通過光伏電池電流和電壓相乘得到。為了提高光伏發(fā)電系統(tǒng)的運(yùn)行效率，通常會將多個光伏電池串聯(lián)起來形成光伏電池組，光伏電池組的輸出電壓和電流可滿足不同的需求[3]。

1.2深度學(xué)習(xí)

深度學(xué)習(xí)是一種模擬人腦處理數(shù)據(jù)和識別模式的人工智能技術(shù)。在光伏發(fā)電領(lǐng)域，通過分析歷史氣象數(shù)據(jù)和光伏發(fā)電數(shù)據(jù)，深度學(xué)習(xí)模型可以預(yù)測未來的發(fā)電量，有助于電網(wǎng)運(yùn)營商更好地規(guī)劃和管理能源供應(yīng)。深度學(xué)習(xí)識別光伏組件的異常行為，如組件老化、遮擋或損壞，從而及時進(jìn)行維護(hù)和修復(fù)，減少發(fā)電損失；深度學(xué)習(xí)幫助優(yōu)化光伏系統(tǒng)的能源管理策略，例如，通過預(yù)測天氣變化，合理調(diào)整電池存儲和放電策略，提高能源利用效率；結(jié)合物聯(lián)網(wǎng)技術(shù)，深度學(xué)習(xí)可以實(shí)現(xiàn)光伏系統(tǒng)的智能控制，自動調(diào)整系統(tǒng)參數(shù)以適應(yīng)不同的工作條件，提高系統(tǒng)整體性能。盡管深度學(xué)習(xí)在光伏發(fā)電領(lǐng)域展現(xiàn)出巨大的潛力，但仍面臨一些技術(shù)挑戰(zhàn)，如數(shù)據(jù)質(zhì)量、模型泛化能力、計(jì)算資源需求等。未來的研究需要解決這些問題，以推動深度學(xué)習(xí)在光伏發(fā)電中的廣泛應(yīng)用。隨著技術(shù)不斷進(jìn)步，基于深度學(xué)習(xí)的光伏發(fā)電技術(shù)有望成為提高光伏系統(tǒng)效率的關(guān)鍵手段，深度學(xué)習(xí)將為光伏發(fā)電行業(yè)帶來歷史性的變革，推動全球能源結(jié)構(gòu)的轉(zhuǎn)型。

2模型仿真分析

隨著全球?qū)稍偕茉葱枨蟮脑黾樱夥l(fā)電作為一種清潔和可持續(xù)的能源形式受到了廣泛關(guān)注。然而，光伏陣列的效率受到多種因素的影響，其中之一便是污染，污染物如灰塵、鳥糞等會降低光伏板的光吸收能力，從而影響發(fā)電效率，因此，準(zhǔn)確檢測和分類光伏陣列的污染狀況對于維護(hù)和優(yōu)化光伏系統(tǒng)至關(guān)重要。近年來，深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域取得了顯著進(jìn)展，為光伏陣列污染圖像的自動分類提供了新的解決方案。

2.1模型構(gòu)建

由于Inception-ResNet-V2網(wǎng)絡(luò)模型較深，工作人員采用模塊化進(jìn)行網(wǎng)絡(luò)設(shè)置，將其分成降維模塊、主干模塊和Inception-ResNet模塊。網(wǎng)絡(luò)的3個分支模塊分別是耐壓網(wǎng)絡(luò)V2-X、耐壓網(wǎng)絡(luò)V2-Y和耐壓網(wǎng)絡(luò)V2-Z。降維模塊Reduction-X和Reduction-Y的作用是縮小前一層輸出的大小，以適應(yīng)接入下一層模塊的輸入維度。SOFTMAX是一種常用的激活函數(shù)，公式如下：

在3個卷積層完成后，網(wǎng)絡(luò)主干模塊會自動進(jìn)行一次處理，其中一部分?jǐn)?shù)據(jù)會被傳送到池化層，另一部分?jǐn)?shù)據(jù)會被傳送到卷積層。兩個分支之間會互相連接，直到計(jì)算工作全部結(jié)束。此后，第二次處理開始。第二次處理的兩個分支在合并成一層之前分別經(jīng)過若干個卷積層的處理。接著，進(jìn)行第三次處理，一次在池子里進(jìn)行，另一次則在卷積層中穿行。兩個分支在計(jì)算完畢后會合并為一個樓層。

2.2仿真流程

2.2.1 試驗(yàn)流程和圖像數(shù)據(jù)預(yù)處理

本文建立的神經(jīng)網(wǎng)路訓(xùn)練成本較高，需要使用性能較佳的電腦裝置，并選用NVIDIA公司的GTX1080TI顯卡作為運(yùn)算工具，搭配i78700K處理器與32G記憶體，才能符合硬體需求。為了提高數(shù)據(jù)讀取和存儲的效率，將所有影像資料保存在本機(jī)硬盤中。編程語言方面，工作人員采用Python 3.6版本，并在安康達(dá)軟件的Jupyter Notebook開發(fā)環(huán)境中進(jìn)行開發(fā)。經(jīng)過以上的優(yōu)化配置，才能完美完成本文任務(wù)（如圖1所示）。

本文收集了用于構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的實(shí)驗(yàn)室屋頂光伏陣列圖像的初始數(shù)據(jù)。資料有太陽能電池板未受污染及污染的影像，污染物質(zhì)有沙塵、落葉、鳥糞等，共采集圖像500幅。采集到的圖像經(jīng)過去色處理，去除了環(huán)境光造成的陰影，從而降低了模型訓(xùn)練的成本。由于原圖尺寸不同，為適應(yīng)InceptionResNetv2機(jī)型的輸入尺寸，進(jìn)一步降低機(jī)型訓(xùn)練成本，將圖片壓縮到299×299像素的尺寸。采集到的圖片中，污染圖片占250張，清潔圖片占250張。所有的影像被分成三個資料集：訓(xùn)練集、驗(yàn)證集和測試集，以避免不平衡的資料集對模型的結(jié)果造成影響[4]。同時，污染圖BrB3oOioDlGb4aUwjN15BjgmPzF+z3fdLGHPK5meBo0=片與清潔圖片在各個數(shù)據(jù)集中地的配比也是吻合的，這樣做可以確保模型能夠得出準(zhǔn)確的結(jié)果[5]。

2.2.2模型仿真結(jié)果分析

由于本文模型為二分類，工作人員在調(diào)用compile函數(shù)時要在函數(shù)體中定義二元交叉熵。

通過分析，模型損失值并沒有出現(xiàn)發(fā)散的現(xiàn)象，模型在訓(xùn)練集和驗(yàn)證集上的損失值在模型迭代次數(shù)達(dá)到16次時基本保持不變，且損失值無限接近于0，表明模型收斂成功。模型的精確度變化幅度在訓(xùn)練集和驗(yàn)證集上較弱，精確度接近于1，初步判斷模型可以正常進(jìn)行，因此，不要對參數(shù)進(jìn)行再次調(diào)整[6]。

3 結(jié)語

綜上所述，隨著全球?qū)稍偕茉葱枨蟮牟粩嘣鲩L，光伏發(fā)電作為清潔能源的重要組成部分，其效率和可靠性的提升顯得尤為重要。通過引進(jìn)深度學(xué)習(xí)技術(shù)，為光伏發(fā)電系統(tǒng)的性能優(yōu)化提供新的思路和方法。然而，盡管深度學(xué)習(xí)在光伏發(fā)電技術(shù)中展現(xiàn)出巨大的應(yīng)用前景，但仍然存在各種挑戰(zhàn)需要解決，如模型泛化能力、數(shù)據(jù)集質(zhì)量、計(jì)算資源的消耗等問題都需要我們在未來的研究中給予更多的關(guān)注和努力。未來的研究工作應(yīng)繼續(xù)探索深度學(xué)習(xí)與光伏發(fā)電技術(shù)的深度融合，不斷優(yōu)化模型算法，提高系統(tǒng)的智能化水平，以適應(yīng)不斷變化的市場需求和技術(shù)挑戰(zhàn)。

參考文獻(xiàn)

[1] 劉亞楠. “雙碳”戰(zhàn)略導(dǎo)向下Y公司分布式光伏發(fā)電技術(shù)價值評估研究[D]. 濟(jì)南：山東財(cái)經(jīng)大學(xué)，2023.

[2] 朱星宇. 基于雙碳目標(biāo)的高校屋頂光伏發(fā)電系統(tǒng)技術(shù)及經(jīng)濟(jì)性分析[D]. 濟(jì)南：齊魯工業(yè)大學(xué)，2023.

[3] 潘少峰. 國家先進(jìn)技術(shù)光伏發(fā)電H項(xiàng)目施工技術(shù)管理研究[D]. 江蘇：東南大學(xué)，2021.

[4] 劉聘憑. 光伏陣列發(fā)電功率預(yù)測與MPPT控制技術(shù)研究[D]. 江西：南昌航空大學(xué)，2022.

[5] 杜海濤. 用于光伏發(fā)電的低成本高可靠非共地交錯并聯(lián)升壓型直流變換器關(guān)鍵技術(shù)研究[D]. 北京：北京交通大學(xué)，2022.

[6] 曹陽. 光伏發(fā)電系統(tǒng)的電磁暫態(tài)仿真建模技術(shù)和加速方法[D]. 江蘇：東南大學(xué)，2021.