基于CNN-BiLSTM-Attention方法的光伏板灰尘沉积评估

《Energy Reports》：Evaluation of photovoltaic panel dust deposition based on CNN-BiLSTM-Attention method

　　

准确评估光伏板上的灰尘沉积状态是减轻发电损失的重要前提。为了解决现有基于图像或人工检查方法中硬件成本高和泛化能力差的固有局限性，本文提出了一种数据驱动的灰尘沉积密度评估方法，该方法将物理模型修正与功率预测相结合。在受控操作条件下，研究人员建立了灰尘沉积密度与光伏输出功率衰减之间的经验线性关系。这是通过将灰尘沉积密度纳入理想化的光伏阵列模型来实现的，该模型允许调整有效辐照度和面板表面温度。采用模糊C均值聚类（Fuzzy C-Means，FCM）算法将历史运行数据分类为三种代表性天气状况：晴天、多云和雨天。在此基础上，使用天气参数和功率输出数据作为输入特征，训练了一个混合CNN-BiLSTM-Attention神经网络，以开发每种天气状况下清洁光伏输出功率的预测模型。然后通过计算实际功率与预测清洁功率基线之间的偏差，定量评估灰尘积累的严重程度。结果表明，基线预测模型的平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）为3.87%。在晴天和多云条件下，所提出的灰尘评估方法的MAPE分别为6.28%和11.78%，在无硬件框架内显示出高准确性。仅依靠常规运行数据，该方法能够有效评估灰尘沉积状态，为光伏电站的低成本运行和维护提供实用指导。

论文解读文章

研究背景与意义：全球对可持续能源需求的增长推动光伏电站规模呈指数级扩张，中国新增和累计装机容量连续多年位居世界第一，2023年装机量占全球42%，未来年增量预计达190–250 GW。然而，光伏板长期户外运行导致空气中微小颗粒（灰尘）在表面沉积，不仅降低透光率和输出功率，还改变热传递影响散热性能。灰尘沉积造成的能量损失因环境条件不同而显著变化，因此准确评估灰尘沉积严重程度对于制定经济高效的清洁策略至关重要。现有评估方法主要分两类：基于图像识别的方法，如卷积神经网络（CNN）分析面板照片，或混合卷积-Transformer编码器网络对RGB图像分级监测，但需额外安装图像采集设备，成本高且易受外部干扰；基于性能参数与算法分析结合的方法，如利用低电压、电流和灰尘传感器开发监测框架，或结合网格搜索（GS）与支持向量机（SVM）评估灰尘沉积水平，但依赖额外传感设备，长期健壮性不足，且未正确考虑灰尘同时影响辐照度和面板温度，导致理想与实际阵列参数偏差大。因此，迫切需要一种低成本、强泛化能力且可大规模推广的灰尘评估方法。本研究发表在《Energy Reports》。

研究人员开展的研究：为弥补理论空白，本研究首先通过实验建立灰尘沉积密度与光伏输出功率衰减之间的经验线性关系，校正灰尘对辐照度和面板温度的影响。在此基础上，利用模糊C均值聚类（FCM）将历史运行数据分为晴天、多云和雨天三类天气，针对每类天气使用天气参数和功率数据训练混合CNN-BiLSTM-Attention神经网络，预测清洁光伏功率基线，最后通过实际功率与基线偏差定量评估灰尘沉积严重程度。在受控条件下进行室外实验验证，并与传统模型对比，证明了方法的有效性和准确性。

主要关键技术方法：本研究的核心方法包括：1）通过受控灰尘沉积实验，建立灰尘密度与光伏输出功率损失百分比之间的经验线性关系（η = 1.2762 × D + 5.1868），其中D为灰尘密度（g/m²），η为功率损失百分比；2）采用模糊C均值聚类（FCM）算法，基于日功率和辐照度的四个统计指标（均值、标准差、偏度、峰度），将2024年10月15日至2025年3月15日共152天的历史运行数据聚类为晴天（68天）、多云（25天）和雨天（28天）；3）构建CNN-BiLSTM-Attention混合神经网络，以天气参数（辐照度、温度、风速、湿度等）和功率输出为输入特征，预测各天气类型下的清洁功率基线；4）通过计算实际功率与预测基线之间的偏差，结合线性关系反推灰尘密度，实现无硬件评估。

研究结果：

2. 模拟与实验：首先建立理论模型，考虑灰尘对辐照度的衰减（ω = 1.677 ? 0.3234 × ln(D + 8.3512)）和对面板温度的修正（T = T₁ + K₁ × S₁ + K₂ × D），其中K₁=0.03，K₂=0.4。通过粒径分析发现自然灰尘和飞灰（飞灰用于模拟自然灰尘）主要粒径范围5–45 μm，比例分别为66.23%和59.24%。实验平台包括两块光伏板、MPPT控制器、气象监测站等，在强辐射且波动小的中午每15分钟均匀施加5.28 g飞灰，灰尘密度从5 g/m²递增至50 g/m²。数据分析表明：灰尘对工作电压影响有限（变化1–2 V），但对工作电流影响显著（从9.1 A降至2.8 A），因此与电流相关的功率参数是深度学习模型的关键特征；面板温度先轻微下降后因灰尘热导率低阻碍散热而上升；最大输出功率和接收辐照度随灰尘密度增加而稳定下降。模拟值与实测值吻合良好，面板温度的平均绝对误差（MAE）为1.37，辐照度MAE为6.87，均优于现有模型。通过线性回归建立了功率损失百分比与灰尘密度的线性关系式（6），该关系主要适用于均匀干燥灰尘条件，复杂湿度环境可能引入非线性。

3. 光伏输出功率拟合模型：基于FCM聚类，将天气分为晴天、多云、雨天三类，输出曲线在同类天气下具有相似性：晴天曲线稳定，多云间歇波动，雨天功率整体较低。构建CNN-BiLSTM-Attention预测模型，先通过CNN提取局部特征，再经BiLSTM双向处理时间序列，最后引入注意力机制赋予关键特征权重。预测结果显示，在晴天、多云、雨天三类天气下，CNN-BiLSTM-Attention模型的均方根误差（RMSE）分别为1.41 W、1.75 W、1.03 W，平均绝对百分比误差（MAPE）分别为3.27%、4.35%、3.99%，平均RMSE为1.39 W，平均MAPE为3.87%。与CNN、LSTM、CNN-LSTM模型相比，该模型在精度和稳定性上均最优，尤其在辐照度剧烈波动时表现出更强的鲁棒性。数据预处理通过异常值过滤和二次多项式插值确保数据完整性，FCM的软隶属度分配有效处理了环境不确定性。

4. 灰尘沉积程度评估方法验证：进行独立室外实验验证，第一个实验在晴天施加13 g/m²灰尘，第二个实验在多云天施加9 g/m²灰尘，各连续运行24 h。将气象数据输入CNN-BiLSTM-Attention模型获得清洁功率基线，与实测功率对比。结果表明，在有灰尘情况下，实际功率低于预测基线，且辐照度越高差异越大。根据式（6）计算，两次实验的功率损失百分比分别为22.82%和15.32%，反推灰尘密度为13.817 g/m²和7.94 g/m²，与实际密度偏差分别为0.817 g/m²和1.06 g/m²，MAPE分别为6.28%和11.78%。晴天精度更高归因于光学信噪比高，基线模型准确；多云偏差较大由于云层引起辐照度快速波动导致预测方差传播，以及漫射辐射改变灰尘光学散射特性。与现有基于图像增强的灰尘检测方法（相对误差12.69%–16.22%）相比，本方法精度更高且不受光照限制。

总结讨论部分：翻译研究结论如下：本研究修正并实验验证了灰尘沉积条件下光伏系统的辐照度和温度模型，建立了特定操作条件下灰尘密度与输出功率之间的经验线性关系。对比评估表明，所提出的数据驱动方法在晴天和多云条件下的MAPE分别为6.28%和11.78%。与传统基于图像的方法相比，该方法不仅定量更准确，而且本质上不受视觉照明限制。通过模糊C均值聚类将历史运行数据分为三类天气，不同天气类型能反映光伏功率的波动差异。所提出的CNN-BiLSTM-Attention模型在精度和稳定性上均优于CNN、LSTM和CNN-LSTM模型，三类天气的平均均方根误差降至1.39 W，平均绝对百分比误差降至3.87%。未来研究将采用微观结构分析技术评估复杂非线性机制，并开发多类污垢识别模型；该无硬件框架可无缝集成到现有监控与数据采集系统（SCADA）中，结合群智能算法自动触发清洁指令，实现动态最优清洁路径规划；同时嵌入在线学习机制，持续更新预测基线和维护决策协议，最终形成完全智能、合规且可扩展的光伏电站运维闭环。