使用卷积层次化专家混合模型的光伏电池输出功率跨技术预测

《Technologies》：Cross-Technology Prediction of PV Cell Output Power Using a Convolutional Hierarchical Mixture of Experts Model

　　

从电致发光（EL）图像准确预测光伏（PV）电池功率是光伏制造与诊断中实现自动化质量评估和性能估计的关键环节。然而，现有大多数基于图像的深度学习模型仅针对单一光伏电池技术开发和评估，限制了其在实际应用中多种电池类型间的泛化能力。本研究探讨了光伏电池技术对功率预测精度的影响，并提出一种新型卷积层次化专家混合（CHME）架构以克服这些泛化限制。首先，研究人员在多种光伏电池技术上评估了卷积神经网络和基于特征的机器学习模型。尽管针对特定技术的卷积模型在同类电池测试时达到0.02–0.04的低平均绝对误差（MAE），但在应用于不同技术时其性能显著下降（MAE为0.08–0.23）。基于特征的模型在跨技术时表现出更强的鲁棒性，但以降低预测精度为代价。为应对这些局限，所提出的CHME模型结合了多个预训练的特定技术卷积专家与一个判别器网络，该网络自动识别光伏电池技术并选择最合适的专家进行功率预测。实验结果表明，CHME实现了最佳整体性能，将MAE降至0.0262，而最佳单一卷积模型为0.0298，同时保持了对异构数据集的适应性。这些结果说明，明确考虑光伏电池技术可显著提升基于图像的功率预测，且所提出的层次化专家混合框架为实际光伏诊断系统提供了一种准确、可扩展且易于重训练的方案。

**论文解读：基于卷积层次化专家混合模型的光伏电池输出功率跨技术预测**

**研究背景与问题**
全球能源转型加速可再生能源部署，光伏（PV）发电因其广泛可用性和安装便利性成为关键选项。然而，光伏电站的维护面临挑战，包括大量组件、环境因素影响及缺陷检测需求。人工智能（AI）技术，特别是深度学习，在光伏系统最大功率点跟踪、故障检测和功率预测中发挥重要作用。现有研究多聚焦于从电致发光（EL）图像检测缺陷，而直接预测电池输出功率的工作较少。Hoffmann等人曾利用ResNet从EL图像预测组件功率，但模型仅针对单一技术训练。实际光伏电池种类繁多（单晶、多晶、不同栅线数），结构差异显著，导致单一技术训练的模型在跨技术应用时泛化能力急剧下降。因此，亟需一种能够适应多种电池技术的高精度功率预测方法。

**研究内容与结论**
研究人员提出卷积层次化专家混合（CHME）模型，通过将多个针对特定电池技术的卷积专家与一个监督式判别器结合，实现跨技术功率预测。判别器自动识别输入EL图像的电池技术类型（单晶3栅线、单晶4栅线、多晶4栅线），并选择对应的专家网络进行回归。实验表明，CHME在综合数据集上取得0.0262的MAE，优于最佳单一卷积模型（0.0298），且误差分布更集中、离群值更少。该模型易于扩展：引入新技术时仅需更新判别器和对应子网络，无需全局重训练。该研究的重要意义在于证明了显式区分电池技术可显著提升预测精度，并为实际光伏制造与在线诊断提供了可部署方案。论文发表在《Technologies》。

**主要关键技术方法**
研究人员使用三类光伏电池样本：多晶4栅线（Poly-4）、单晶3栅线（Mono-3）和单晶4栅线（Mono-4），共1351张EL图像，均采集自同一InGaAs相机和LED阵列照明系统。关键方法包括：（1）卷积神经网络（CNN）架构，包含卷积、池化、展平、全连接层，通过Keras Tuner进行超参数优化；（2）基于特征的机器学习模型（高斯过程回归GPR、集成装袋树、支持向量机SVM、神经网络NN），手动提取图像统计特征（均值、方差、直方图峰值等）并采用F检验进行特征选择；（3）CHME模型，由判别器（CNN分类器）和三个专家CNN（分别用Mono-3、Mono-4、Poly-4数据训练）组成，判别器以100%准确率识别技术类型。所有模型在60%训练、20%验证、20%测试划分下评估，使用MAE和MSE指标。

**研究结果**

**4.1 CNN模型对比**
- Mono Complete模型：单晶数据集测试MAE为0.0194，但多晶测试MAE达0.2169，说明无法泛化至多晶。
- Mono-3与Mono-4模型：各自在对应技术下表现良好（MAE≈0.021），但跨栅线数时MAE升至0.12–0.13，跨技术时更差（MAE>0.2）。
- Poly Complete模型：多晶测试MAE为0.0337，单晶测试MAE>0.2，同样缺乏泛化。
- Mono+Poly与Mono+Poly Balanced模型：联合训练后各技术测试MAE均接近0.03，表明混合数据可提升跨技术性能，但平衡处理未显著改善。

**4.2 基于特征模型对比**
- 最佳特征方法为指数高斯过程回归（GPR-Exponential）。该模型在单晶技术间泛化较好（Mono-3与Mono-4测试MAE相近），但单晶与多晶间仍有差距（MAE约0.06 vs 0.08），说明特征抽象可部分缓解结构差异，但无法完全消除表面纹理影响。

**4.3 CHME性能**
- CHME模型在全部测试集上取得MAE=0.0262，MSE=0.0012，优于任何单一CNN模型。箱线图显示其误差分布更窄、离群值更少。该模型利用各专家专用性，判别器精确路由，避免了单一模型需同时学习多种模式的困难。易于重训练：仅需更新判别器（快速）和受影响专家。

**讨论与结论**
讨论部分指出，CNN模型因电池结构差异（栅线数、晶粒形貌）而高度特化，特征方法虽鲁棒但精度不足。CHME通过显式技术识别克服了泛化问题，同时保持高精度。其实际应用性强：可集成至EL检测流水线，用于制造后快速估算电池功率，替代耗时闪测；也可用于无人机巡检，将缺陷映射至功率损失。硬件需求低，利用现有EL相机和工业PC即可。

研究结论翻译如下：
光伏电池输出功率的预测因多种因素（如训练新电池的测量限制、电池技术多样性）而复杂。测试了不同模型以考察技术差异对性能的影响。结果表明，卷积模型若处理与训练同类的电池可获得低误差，但面对新型电池时无法获得良好结果。基于特征的方法也存在此局限。可得出结论：一种电池中的模式足够显著，以至于难以理解其他电池中的模式，因此必须使用目标电池类型的数据训练模型。所提出的CHME方法利用多种经不同电池技术训练的卷积网络，性能优于单一卷积网络，且利用了高专化性，对每种电池使用最合适的模型。CHME更易重训练：仅需更新判别器和对应网络。总体而言，CHME在误差和重训练便利性上均为最佳模型，但需针对每种电池技术提供训练数据。