基于SolNet+与机器学习模型的光伏系统灰尘检测优化研究

本文系统评估了决策树（DT）、支持向量机（SVM）、随机森林（RF）、K近邻（KNN）及先进模型SolNet+在光伏（PV）面板灰尘检测中的性能，并引入Lion优化器进行超参数调优。结果表明，SolNet+在准确率（88%）、召回率和F1分数上表现优异，尤其在数据不平衡场景下稳健性突出，为光伏系统自动化维护提供了高效解决方案。

　　

亮点

• •
  • 本文填补了SolNet⁺在多样化灰尘检测场景中缺乏系统性评估的空白，并通过与经典模型的对比分析，揭示了其在真实光伏环境中的泛化能力和鲁棒性。
• •
  • 我们首次将Google DeepMind于2023年提出的Lion优化器集成到SolNet⁺的训练中，为灰尘检测任务中的优化器选择提供了新的见解。
• •
  • 实验结果表明，所提出的SolNet⁺模型达到了88%的准确率，优于多种经典机器学习模型及大部分深度学习基线。其性能紧追EfficientNetB4（88.9%）和EfficientNetB7（89.8%），并在数据不平衡条件下展现出更优的召回率和F1分数，凸显了其在多尘光伏场景下的可靠性与鲁棒性。

传统图像处理技术

光伏面板的效率对于推动全球向可持续能源转型至关重要[15]，而灰尘积聚是影响其性能的关键因素之一。灰尘会形成遮蔽层，降低太阳辐照度，从而减少能量转换率[16]。实验研究表明，较小的灰尘颗粒尺寸会持续降低输出电压，并且由于灰尘积累，系统效率最高可观察到下降50%[17]。

方法论

本研究致力于利用机器学习模型开发一种用于光伏（PV）面板的自动化灰尘检测系统。该方法遵循几个关键步骤：收集与预处理数据、选择合适的模型、通过不同场景提升其性能，以及使用多种指标评估其有效性。

场景1

训练和测试准确度显示了这些模型性能的一些明显模式。随机森林（RF）和决策树（DT）达到了100%的训练准确度，但这种完美是有代价的——它们明显过拟合了，因为它们的测试准确度显著下降至69%和62%。另一方面，K近邻（KNN）和支持向量机（SVM）的训练准确度较低（分别为71%和69%），并且它们的测试准确度进一步下降至54%和59%，这表明它们未能有效学习数据的模式。SolNet⁺

结论

总而言之，本研究阐明了维护光伏（PV）系统所面临的挑战，尤其是在其作为清洁且经济实惠的能源应用日益增长的情况下。灰尘在PV面板上的积聚是主要问题之一，它会降低其效率。为了解决这个问题，研究提出了一种基于机器学习的灰尘检测系统，该系统可以改进清洁流程并提升PV组件的性能。该研究在不同条件下测试了多种机器学习模型。