摘 要：光伏板表面積灰會降低光伏發(fā)電效率，引發(fā)熱斑、腐蝕等問題，因此開展光伏板積灰狀態(tài)識別方法的研究具有重要意義。鑒于此，提出了一個基于MobileViT模型的光伏板積灰狀態(tài)識別方法，將光伏板的積灰狀態(tài)劃分為5個等級，并以此構(gòu)建了光伏板積灰狀態(tài)評價模型。實驗表明，對于5個積灰等級，MobileViT-XXS模型的準確率為99.5%，精準率為99.6%，召回率為99.5%，每幅圖推理時間為2.1 ms。該方法能準確且快速識別光伏板積灰狀態(tài)，預計未來可以部署在無人機上輔助巡檢工作。

關鍵詞：光伏電池板；深度學習；積灰狀態(tài)識別；MobileViT

中圖分類號：TP391.41；TM615" " 文獻標志碼：A" " 文章編號：1671-0797（2023）14-0021-04

DOI：10.19514/j.cnki.cn32-1628/tm.2023.14.005

0" " 引言

光伏電池板由于長期暴露在室外，表面容易積累灰塵，積灰會降低光伏發(fā)電的效率[1]，引發(fā)熱斑[2]、玻璃破損[3]等現(xiàn)象。因此，開展光伏板積灰識別工作具有重要意義。傳統(tǒng)的積灰檢測方法多是依靠測量光伏組件的電氣參數(shù)，如胡義華等人[4]提出一種輸出電壓、電流掃描方法，對光伏板陰影遮擋進行診斷；陳詠濤等人[5]通過光伏組件的I-U、P-U曲線檢測光伏組件的陰影、短路等故障?？梢?，傳統(tǒng)的光伏檢測方法都要以光伏組件的電氣特性作為依據(jù)，只能間接識別積灰狀態(tài)，無法滿足光伏電站對實時性和準確性的要求。

近年來，深度學習技術的迅猛發(fā)展為光伏板積灰檢測提供了新思路，借助圖像處理技術可以擺脫對各種電氣參數(shù)的依賴。趙波等人[6]提出一種基于卷積神經(jīng)網(wǎng)絡的光伏板積灰狀態(tài)識別與分析方法，ResNet50模型識別準確率達到81%，但輸入設備為固定的攝像頭，靈活性不足；Hanafy等人[7]利用KNN、RF、SVM等多種機器學習算法對光伏板積灰狀態(tài)進行分類，最高準確率達到95.02%，但分類速度較慢，實時性有所欠缺。

以上學者提出的深度學習模型識別準確率較高，但識別速度較慢，需要較高的算力和大容量內(nèi)存，難以部署在低算力、內(nèi)存容量小的移動設備上。因此，本文提出了一種基于MobileViT模型的光伏電池板積灰狀態(tài)識別方法，構(gòu)建光伏板積灰識別系統(tǒng)，對不同積灰程度的光伏板進行識別。實驗結(jié)果表明，MobileViT模型在訓練數(shù)據(jù)量較低的情況下也具有良好的性能，推理速度快，符合光伏電站對實時性、準確性的要求。

1" " 識別系統(tǒng)實現(xiàn)與設計

1.1" " 光伏板積灰圖像特征分析

光伏板表面灰塵的主要來源是地表土壤顆粒和空氣懸浮顆粒[8]，通過靜電吸附、物理黏附等方式附著在光伏組件表面，形成難以清除的積灰。光伏電池板的積灰圖像如圖1所示。圖1（a）中，空氣和土壤中的顆粒輕輕附著在光伏板上，形成松散的灰塵，此類灰塵容易清掃，清掃后也不會留下痕跡。但圖1（a）中的灰塵若不及時清掃，經(jīng)過自然降水的沖刷，容易形成較多痕跡，如圖1（b）所示，這類灰塵不易清掃，對光伏板有一定的危害。若長期不進行清掃維護，灰塵將在光伏板上形成結(jié)晶，牢固黏附在光伏板上，其形狀如圖1（c）所示。此類灰塵極其頑固，難以清掃，對光伏板危害極大，長時間不清除可能導致光伏板形成熱斑。

由光伏板的積灰圖像可知，光伏板的晶硅片多呈藍色、深藍色，導電柵格呈銀白色，與灰塵的形狀、顏色、輪廓等都有較大差異，可以利用深度學習圖像處理技術識別灰塵。因此，本文建立基于MobileViT模型的識別系統(tǒng)，識別、分類積灰光伏板，為光伏電站制訂清掃計劃提供依據(jù)。

1.2" " 光伏板積灰識別系統(tǒng)設計

光伏板積灰識別系統(tǒng)結(jié)構(gòu)如圖2所示，其中包括光伏板、攝像頭、中繼路由器、上位機等。攝像頭拍攝光伏板圖像后，將圖像通過中繼路由器上傳至上位機。上位機調(diào)用MobileViT圖像處理程序，對積灰圖像進行分類，然后確認是否需要清掃。

MobileViT深度學習算法是整個識別系統(tǒng)的關鍵，以下對MobileViT模型進行介紹。

2" " MobileViT結(jié)構(gòu)

2021年，蘋果公司提出了基于輕量化ViT（Vision Transformer）的MobileViT模型[9]。MobileViT模型既具備ViT[10]優(yōu)越的性能，也具備CNN網(wǎng)絡的輕量化優(yōu)點，能極大程度上減少模型參數(shù)，對移動端友好，具備部署于移動設備的可能性。

MobileViT結(jié)構(gòu)如圖3所示。

MobileViT模型主要由MV2模塊、MobileViT Block模塊、卷積層、池化層等結(jié)構(gòu)組成。MV2模塊結(jié)構(gòu)見文獻[11]，本文不再贅述。MobileViT Block模塊是核心部分，由局部表征模塊、全局表征模塊、融合模塊三部分組成，具體介紹如下。

2.1" " 局部表征模塊

2.2" " 全局表征模塊

2.3" " 融合模塊

3" " 實驗結(jié)果與分析

4種模型的訓練準確率如圖5所示。

由圖5可以看出，經(jīng)過50次迭代后，ViT-Base、MobileViT-XXS、VGG16、AlexNet的最高準確率分別為100%、99.5%、86.2%、80.3%。

利用測試集數(shù)據(jù)訓練，得到MobileViT-XXS模型的混淆矩陣，如圖6所示。其中，橫向數(shù)據(jù)對應百分比為召回率，縱向數(shù)據(jù)對應百分比為精準率。

由圖6可以看出，MobileViT-XXS模型對5種積灰等級的敏感程度不一，使得對這5種積灰等級的識別率存在差異，但整體偏差不大。

MobileViT-XXS與對照組模型的評估結(jié)果如表1所示。

由表1可知，MobileViT-XXS的性能稍遜于ViT-

Base，在精準率、召回率和F1-分數(shù)上均優(yōu)于VGG16和AlexNet，最高精準率為99.6%，召回率為99.5%，說明MobileViT-XXS模型的泛化能力較好，能準確識別未知的樣本。

MobileViT由于具有CNN的輕量化特點，相比其他結(jié)構(gòu)較為復雜的模型，在推理時間上和計算量上都更有優(yōu)勢。表2為MobileVit-XXS與其他模型的參數(shù)量、每秒浮點運算次數(shù)、推理時間對比。

如表2所示，MobileViT-XXS在每秒浮點運算次數(shù)上與基于CNN模型的AlexNet接近，推理時間約為2.1 ms，但參數(shù)量大大減小。MobileViT-XXS模型的參數(shù)量僅為ViT-Base的2.65%，每秒浮點運算次數(shù)僅為4.22%，整體表現(xiàn)更加輕量。VGG16和ViT-Base的模型復雜，參數(shù)量龐大，推理時間也相對變長。

綜合表1和表2可知，MobileViT模型具有準確率高、推理速度快、計算量小等優(yōu)點，可以精準、快速地識別光伏電池板積灰狀態(tài)，避免了傳統(tǒng)的以電流、電壓和發(fā)電功率等電氣參數(shù)計算積灰影響的步驟，為光伏電站智能化運維提供了新的思路。

4" " 結(jié)論

（1）本文基于MobileViT模型，研究設計了一種光伏電池板積灰狀態(tài)識別的方法，建立了光伏板積灰識別系統(tǒng)。利用攝像頭采集1 316個數(shù)據(jù)樣本，進行了積灰狀態(tài)圖像識別實驗。實驗表明，MobileViT-

XXS模型在樣本數(shù)據(jù)量較少的情況下，也能擁有良好的識別精準率和推理速度，能準確、快速識別光伏板積灰狀態(tài)。

（2）不足之處：本文所采集的樣本圖片均經(jīng)過裁剪，剔除了環(huán)境因素的干擾，因此還有很大的改進空間。今后需要收集更多復雜環(huán)境下的樣本，增強算法的魯棒性。

[參考文獻]

[1] 陳菊芳，沈輝，李軍勇，等.廣州地區(qū)空氣潔凈度對光伏電站的影響[J].太陽能學報，2011，32（4）：481-485.

[2] 伊紀祿，劉文祥，馬洪斌，等.太陽電池熱斑現(xiàn)象和成因的分析[J].電源技術，2012，36（6）：816-818.

[3] MADETI S R，SINGH S N.Online Modular Level Fault Detection Algorithm for Grid-tied and Off-grid PV Systems[J].Solar Energy，2017，157：349-364.

[4] 胡義華，陳昊，徐瑞東.基于電壓掃描的光伏陣列故障診斷策略[J].中國電機工程學報，2010，30（增刊1）：185-191.

[5] 陳詠濤，王瑞妙，樊曉偉，等.基于小波特征的ART神經(jīng)網(wǎng)絡光伏故障診斷[J].電力電子技術，2022，56（8）：81-84.

[6] 趙波，廖坤，鄧春宇，等.基于卷積神經(jīng)學習的光伏板積灰狀態(tài)識別與分析[J].中國電機工程學報，2019，39（23）：6981-6989.

[7] HANAFY W A，PINA A，SALEM S A.Machine Learning Approach for Photovoltaic Panels Cleanliness Detection[C]//Proceedings of the 2019 15th Inter-national Computer Engineering Conference （ICENCO），2019：72-77.

[8] 孟廣雙，高德東，王珊，等.荒漠環(huán)境中電池板表面灰塵顆粒力學模型建立[J].農(nóng)業(yè)工程學報，2014（16）：221-229.

[9] MEHTA S，RASTEGARI M.MobileViT：Light-weight， General-purpose，and Mobile-friendly Vision Trans-former[J].arXiv preprint arXiv：2110.02178，2021.

[10] DOSOVITSKIY A，BEYER L，KOLESNIKOV A，et al.An Image is Worth 16×16 Words：Transformers for Image Recognition at Scale[J].arXiv preprint arXiv：2010.11929，2020.

[11] SANDLER M，HOWARD A，ZHU M L，et al.MobileNetV2： Inverted Residuals and Linear Bottlenecks[C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition，2018： 4510-4520.

收稿日期：2023-03-27

作者簡介：蘇如開（1995—），男，廣西南寧人，碩士研究生，研究方向：光伏智能清掃機器人系統(tǒng)設計。

通信作者：張志飛（1963—），男，湖南益陽人，博士，教授，研究方向：大系統(tǒng)魯棒性控制設計、人工智能等。