发电量损失预测方法及装置、电子设备与流程

1.本发明实施例涉及分布式能源技术领域，尤其涉及一种发电量损失预测方法及装置、电子设备。


背景技术：

2.光伏电站的组件容易附着灰尘、鸟粪、积雪等污染物，污染物不仅会影响光伏组件发电效率，造成组件发电量的损失，也会对组件的质量安全造成影响，定期进行组件的清洗是光伏运维的必要工作。如何通过衡量发电量损失与清洗成本，科学的制定清洗计划，做到智能清洗，是目前光伏运维厂商聚焦的问题，积灰组件发电量损失的评估预测则是该问题的核心内容。
3.目前在光伏电站的运维过程中，组件发电量损失的预测方式包括：根据气象数据和站端记录的历史数据预测与根据当前积灰程度预测两种。其中，根据气象数据和站端历史数据预测需要采集的特征点较多，且气象数据本身为预测数据，其数据精准度受采集设备的精度制约，因此，该方案难以保证发电量损失预测的精度。而对于根据当前积灰程度预测的方案，现有技术通常侧重于如何更准确的判断当前积灰程度，通过积灰程度和发电量损失的关系来进行预测，而不考虑对发电量损失的其他影响因素，因此该方案对发电量损失的预测精度也难以保证。综上所述，现有的组件发电量损失的预测方式存在发电量损失预测精度低的问题，影响组件清洗计划的制定。


技术实现要素：

4.本发明实施例提供了一种发电量损失预测方法及装置、电子设备，以提高发电量损失的预测精度，有利于科学制定组件清洗计划。
5.第一方面，本发明实施例提供了一种发电量损失预测方法，包括：
6.获取拍摄的光伏组件图片，并获取拍摄时的辐照度和太阳入射角；
7.识别所述光伏组件图片中的待预测组件区域；
8.计算所述待预测组件区域的平均灰度；
9.根据所述待预测组件区域的平均灰度、所述辐照度和所述太阳入射角预测发电量损失。
10.可选地，所述待预测组件区域通过组件识别模型识别；
11.所述组件识别模型的获取过程包括：
12.获取光伏组件图片集；其中，所述光伏组件图片集中的部分图片作为训练集，其余图片作为测试集；
13.训练所述训练集，得到初步识别模型；
14.根据所述测试集判断所述初步识别模型是否符合指标要求；若是，则将所述初步识别模型作为所述组件识别模型；否则，继续训练所述训练集。
15.可选地，在训练所述训练集之前，还包括：对所述光伏组件图片集进行预处理；
16.相应地，在识别所述光伏组件图片中的待预测组件区域之前，还包括：采用相同的处理方法对所述光伏组件图片进行预处理。
17.可选地，所述预处理包括：图像增强处理、归一化处理和尺度变换中的至少一种。
18.可选地，采用发电量损失预测模型预测所述发电量损失；
19.所述发电量损失预测模型的获取过程包括：
20.获取发电量损失数据集；其中，所述发电量损失数据集包括不同积灰程度下的光伏组件图片、对应的发电量损失数据、对应的辐照度和对应的太阳入射角；
21.提取所述光伏组件图片中的组件区域，并计算所述组件区域的平均灰度；
22.根据所述组件区域的平均灰度、所述辐照度、所述太阳入射角和所述发电量损失数据，得到所述发电量损失预测模型。
23.可选地，所述获取发电量损失数据集，包括：
24.选取一清洁组件，获取拍摄的清洁组件图片，并获取拍摄时所述清洁组件的发电量损失数据、辐照度和太阳入射角；
25.选取一对照组件，进行积灰试验；每隔预设时间获取拍摄的对照组件图片，并获取拍摄时所述对照组件的发电量损失数据、辐照度和太阳入射角。
26.可选地，获取拍摄时的太阳入射角，包括：
27.根据拍摄时的真太阳时计算时角；
28.根据拍摄时距离当年一月一日的天数计算太阳赤纬角；
29.根据所述太阳赤纬角、组件的地理纬度和所述时角计算太阳高度角；
30.根据所述太阳高度角、所述组件的地理纬度和所述太阳赤纬角计算太阳方位角；
31.根据所述太阳高度角、组件安装与地面夹角、所述太阳方位角和组件方位角计算所述太阳入射角。
32.可选地，在计算所述待预测组件区域的平均灰度之前，还包括：
33.对所述待预测组件区域进行后处理。
34.可选地，所述后处理包括：组件轮廓提取、噪音点去除、误识别区域去除和组件区域精细提取中的至少一种。
35.第二方面，本发明实施例还提供了一种发电量损失预测装置，包括：
36.获取模块，用于获取拍摄的光伏组件图片，并获取拍摄时的辐照度和太阳入射角；
37.识别模块，用于识别所述光伏组件图片中的待预测组件区域；
38.计算模块，用于计算所述待预测组件区域的平均灰度；
39.预测模块，用于根据所述待预测组件区域的平均灰度、所述辐照度和所述太阳入射角预测发电量损失。
40.第三方面，本发明实施例还提供了一种电子设备，包括：
41.拍摄设备，用于拍摄光伏组件图片；
42.存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述处理器执行所述程序时实现如本发明任意实施例所提供的发电量损失预测方法。
43.本发明实施例所提供的发电量损失预测方法，在利用待预测组件区域的平均灰度表示组件积灰程度的基础上，引入光伏组件图片拍摄时刻的辐照度和太阳入射角作为组件发电量损失预测的参量，相当于考虑到了不同时间段光伏面太阳入射角对于积灰组件辐照
衰减率的影响，可以提高发电量损失预测的精度。同时，相比于现有技术，本发明实施例引入太阳入射角参量，避免了直接使用时间戳作为参量造成的不同经纬度地区因存在时差导致方案适用性差的问题，使该预测方法具有高通用性、普适性以及实用性。因此，与现有技术相比，本发明实施例可以提高发电量损失的预测精度，有利于科学制定组件清洗计划。
附图说明
44.图1是本发明实施例提供的一种发电量损失预测方法的流程示意图；
45.图2是本发明实施例提供的一种组件识别模型的获取流程示意图；
46.图3是本发明实施例提供的另一种组件识别模型的获取流程示意图；
47.图4是本发明实施例提供的一种发电量损失预测模型的获取流程示意图；
48.图5是本发明实施例提供的另一种发电量损失预测方法的流程示意图；
49.图6是本发明实施例提供的一种发电量损失预测装置的结构示意图；
50.图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
51.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
52.正如背景技术中所述，现有的组件发电量损失的预测方式存在发电量损失预测精度低的问题，下面就产生该问题的原因进行具体说明。
53.对于光伏电站组件，现有技术中发电量损失预测及清洗方案制定方式包括：
54.1、通过获取天气、辐照、湿度、风向等气象数据，组件电流电压以及历史发电量等站端采集数据，预测未来积灰导致的组件发电量损失，并以此为依据制定清洗方案。但该方案需要采集的特征点较多，气象数据精准度受采集设备精度制约。
55.2、通过获取组件当前积灰程度，利用积灰程度和发电量损失的关系来进行预测。如背景技术所述，现有技术侧重于如何更准确的判断当前积灰程度，已有的积灰程度判定方案包括：
56.1)通过巡检人为判定组件积灰程度。但人为判定具有主观性，判定结果较为粗糙；且若直接通过人为判定是否需要清洗组件，根本无法量化发电量损失。
57.2)安装灰尘检测设备。但设备成本较高，且后续运维维护费用高。
58.3)通过对组件进行图像采样，进行灰尘累积程度的识别判定，即引入积灰组件图像信息，并通过图像识别技术输出组件积灰程度，作为后续判断依据或者预测的特征因子。但该方案通常需要在组件上方安装采集摄像头，受到拍摄设备制约较大，且有一定硬件成本和安装维护成本。
59.因此，综合来说，方案2未考虑对发电量损失的其他影响因素，难以保证预测精度。
60.基于上述研究，本发明实施例提供了一种发电量损失预测方法，可由发电量损失预测装置来执行，适用于各种环境下光伏电站积灰组件的发电量损失预测，便于组件清洗方案的制定。图1是本发明实施例提供的一种发电量损失预测方法的流程示意图。参见图1，该发电量损失预测方法包括以下步骤：
61.s110、获取拍摄的光伏组件图片，并获取拍摄时的辐照度和太阳入射角。
62.其中，光伏组件图片的拍摄工具可以根据现场的拍摄设备做具体适配，例如使用手机、相机、无人机或摄像头等，只要光伏组件图片中包含需要检测的组件即可。因此，本方案不依赖固定的拍摄设备，具有高灵活性和高实用性。示例性地，辐照度可由水平辐照仪测量得到。
63.辐照度与组件发电量直接相关；以及，太阳入射角对积灰组件辐照衰减率有一定影响，从而影响组件发电量。具体地，由积灰引起的组件辐照衰减率，会随着组件收光面太阳入射角的变化，呈现先减小再增大的趋势，且在入射角增大至60度后快速增大。也就是说，组件获取的辐照衰减率与太阳入射角存在关系，且积灰组件相比清洁组件衰减率更高。本实施例引入太阳入射角这一参量，可以使发电量损失预测更准确。
64.s120、识别光伏组件图片中的待预测组件区域。
65.其中，待预测组件区域可以是光伏组件图片所涵盖的多个组件中待预测组件所占据的图像部分；进一步可以是待预测组件所占据的图像部分中的有效部分，即待预测组件外轮廓以内的图像部分。
66.s130、计算待预测组件区域的平均灰度。
67.其中，待预测组件区域的平均灰度可以反映待预测组件的积灰程度，作为发电量损失预测的一个参量。
68.s140、根据待预测组件区域的平均灰度、辐照度和太阳入射角预测发电量损失。
69.其中，平均灰度、辐照度和太阳入射角与发电量损失的关系可以根据实验数据或站端历史数据获取，具体获取方式此处不做限定。
70.本发明实施例所提供的发电量损失预测方法，在利用待预测组件区域的平均灰度表示组件积灰程度的基础上，引入光伏组件图片拍摄时刻的辐照度和太阳入射角作为组件发电量损失预测的参量，相当于考虑到了不同时间段光伏面太阳入射角对于积灰组件辐照衰减率的影响，可以提高发电量损失预测的精度。同时，相比于现有技术，本发明实施例引入太阳入射角参量，避免了直接使用时间戳作为参量造成的不同经纬度地区因存在时差导致方案适用性差的问题，使该预测方法具有高通用性、普适性以及实用性。因此，与现有技术相比，本发明实施例可以提高发电量损失的预测精度，有利于科学制定组件清洗计划。
71.在上述各实施方式的基础上，可选地，拍摄时的太阳入射角的获取方式为：根据拍摄时的真太阳时计算时角；根据拍摄时距离当年一月一日的天数计算太阳赤纬角；根据太阳赤纬角、组件的地理纬度和时角计算太阳高度角；根据太阳高度角、组件的地理纬度和太阳赤纬角计算太阳方位角；根据太阳高度角、组件安装与地面夹角、太阳方位角和组件方位角计算太阳入射角。
72.本实施例综合拍摄时间、太阳的各种方位和角度以及组件的各种方位和角度计算太阳入射角，使太阳入射角的计算结果准确可靠。
73.具体地，太阳入射角(记为θ)根据以下公式计算：
74.t＝(t_hour-12)*15
°ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0075][0076]
sinhs＝sinφ*sind+cosφ*cosδ*cost
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0077][0078]
cosθ＝cos(90
°‑hs
)*cosβ+sin(90
°‑hs
)sinβcos(a
s-a)
ꢀꢀꢀꢀꢀꢀ
(5)
[0079]
上述各式中，t表示时角；t_hour表示拍摄时的真太阳时，即光伏组件图片拍摄时刻所处小时对应的真太阳时；δ表示太阳赤纬角；t_day表示拍摄时距离当年一月一日的天数；hs表示太阳高度角；φ表示组件的地理纬度；as表示太阳方位角；β表示组件安装与地面夹角；a表示组件方位角。
[0080]
在上述各实施方式的基础上，可选地，待预测组件区域通过组件识别模型识别，从而实现高精度的待预测组件区域提取。下面就组件识别模型的获取过程进行说明。
[0081]
图2是本发明实施例提供的一种组件识别模型的获取流程示意图。参见图2，在一种实施方式中，可选地，组件识别模型的获取包括以下步骤：
[0082]
s210、获取光伏组件图片集；其中，光伏组件图片集中的部分图片作为训练集，其余图片作为测试集。
[0083]
其中，光伏组件图片集可以通过在多种时间、环境和拍摄角度等维度下拍摄的大量光伏组件图片中选取部分样本图片得到；选取范围尽可能多的涵盖不同场景下的光伏组件图片，可以确保获得的组件识别模型在光伏电站复杂场景下组件识别分割的准确性。示例性地，选取规则包括但不限于以下几项：
[0084]
1)选取多种分辨率的光伏组件图片；
[0085]
2)选取不同亮度、对比度下拍摄的光伏组件图片；
[0086]
3)选取不同拍摄角度下拍摄的光伏组件图片，例如包括近景远景，包含不同大小和形状的组件；
[0087]
4)选取开放环境下拍摄的光伏组件图片，例如选取包含除组件外的干扰特征的光伏组件图片，例如包含人、建筑、植被、山、湖、天空等特征；或者，选取包含与组件易混淆特征的光伏组件图片，例如包含窗口、屋顶塑料板、空调外机等特征。
[0088]
5)选取不同状态下的光伏组件图片，例如选取正常(清洁)组件图片和不同程度的积灰组件图片构成光伏组件图片集；以及，选取不同颜色、角点、边线的光伏组件的图片。
[0089]
s220、训练训练集，得到初步识别模型。
[0090]
其中，训练集可以采用深度学习网络进行训练。
[0091]
s230、根据测试集判断初步识别模型是否符合指标要求；若是，则执行s240；否则继续执行s220。
[0092]
其中，可以采用泛化性能作为模型是否合格的判断指标，例如像素准确率和交并比等。
[0093]
s240、将初步识别模型作为组件识别模型。
[0094]
本发明实施例通过s210-s240实现了组件识别模型的获取。光伏电站由于应用场景不同，电站环境差异性很大，例如屋顶、水面、山地、田地等环境，因此通用场景下光伏组件的图像识别精度会受到环境因素影响。基于传统图像识别分割技术无法做到自适应且高精度的组件分割，在此基础上进行组件积灰状态的预测必然会引入噪音，对最终发电量损失预测的精度造成影响。而本实施例通过组件识别模型可以实现自适应、高精度的待预测
组件分割，减少因环境背景造成的误识别，提升组件识别的精准度及发电量损失预测的准确率。并且，光伏组件图片集中可以尽可能多的包含不同光伏电站的不同组件，以使本方案更好的实现通用电站场景的适配。
[0095]
图3是本发明实施例提供的另一种组件识别模型的获取流程示意图。参见图3，在一种实施方式中，可选地，组件识别模型的获取包括以下步骤：
[0096]
s310、获取光伏组件图片集。
[0097]
其中，光伏组件图片集中的部分图片作为训练集，其余图片作为测试集。在获取光伏组件图片集之后，可以根据预设标定规则对光伏组件图片集中的所有图片一一进行标注，标注的标签内容例如可以是图片中组件的轮廓形状及组件类型等，为进行模型训练及优化做准备。
[0098]
s320、对光伏组件图片集进行预处理。
[0099]
其中，在该步骤中，对训练集和测试集中的图片采用相同的预处理方法，后续各步骤中所提及的光伏组件图片集、训练集和测试集均为经过预处理之后的图片集合。示例性地，预处理包括：图像增强处理、归一化处理和尺度变换中的至少一种。
[0100]
s330、采用深度学习网络对训练集进行训练，得到初步识别模型。
[0101]
示例性地，可以采用特定语义识别模型unet深度学习模型进行训练，该模型需要标注数据集的量相对于其他语义识别任务要少很多，避免了繁重的标注过程，有利于简化模型训练过程。并且，由于组件的低层次特征，例如颜色、轮廓、纹理等特征较为明显，采用该模型并不影响训练结果的可靠性。
[0102]
具体地，可以使用深度学习unet网络作为组件识别的基础网络，使用resnet50作为组件识别网络的骨架网络，并使用imagenet预训练权重用于模型参数的初始化工作。
[0103]
s340、判断初步识别模型的泛化性能是否符合要求；若是，则执行s350；否则执行s330。
[0104]
其中，当泛化性能超过预设阈值时，可认为泛化性能符合要求。示例性地，泛化性能可以包括像素准确率(记为pa)及交并比(记为iou)，根据以下公式计算：
[0105][0106][0107]
上述各式中，tp、tn、fp和fn均表示数据预测情况的统计，分别为正样本预测为正个数、负样本预测为负个数、负样本预测为正个数和正样本预测为负个数。
[0108]
s350、将初步识别模型作为组件识别模型。
[0109]
本发明实施例通过s310-s350实现了基于深度学习方法的组件识别模型的获取，具有很高的通用性和适应性。
[0110]
在上述各实施方式的基础上，可选地，采用发电量损失预测模型预测发电量损失，在形成发电量损失预测模型时引入太阳入射角这一影响因子，从而提高发电量损失预测模型的预测准确率。下面就发电量损失预测模型的获取过程进行说明。
[0111]
s410、获取发电量损失数据集；其中，发电量损失数据集包括不同积灰程度下的光
伏组件图片、对应的发电量损失数据、对应的辐照度和对应的太阳入射角。
[0112]
其中，发电量损失数据集中的光伏组件图片中可以仅包括用于构建发电量损失模型的目标组件图像，而不必如构建组件识别模型时包含大量无关特征，以保证最终形成的发电量损失预测模型的可靠性。与光伏组件图片对应的发电量损失数据为拍摄光伏组件图片时的组件积灰状态下的发电量损失数据；与光伏组件图片对应的辐照度为拍摄光伏组件图片时的辐照度；与光伏组件图片对应的太阳入射角为拍摄光伏组件图片时的太阳入射角。
[0113]
可选地，获取发电量损失数据集的过程包括：
[0114]
选取一清洁组件，获取拍摄的清洁组件图片，并获取拍摄时清洁组件的发电量损失数据、辐照度和太阳入射角。
[0115]
选取一对照组件，进行积灰试验；每隔预设时间获取拍摄的对照组件图片，并获取拍摄时对照组件的发电量损失数据、辐照度和太阳入射角。
[0116]
其中，进行积灰试验可以精确控制组件的积灰程度，相比于直接对电站中正在运行的积灰组件进行采集，通过积灰试验可以提高发电量损失预测模型的可靠性。从另一方面来说，采用积灰试验可以验证使用图像平均灰度代表积灰程度的可靠性，并对平均灰度计算过程进行适应性调整。示例性地，在积灰试验过程中，可以记录时间戳来辅助记录积灰程度；例如积灰试验时间越长，积灰越多，积灰程度越大。
[0117]
s420、提取光伏组件图片中的组件区域。
[0118]
其中，该步骤可以理解为剔除无效区域，对光伏组件图片中组件本身所占据的图像区域进行识别和分割。仅计算组件区域的灰度值，可以有效避免引入不必要的环境因素，提高发电量损失预测模型的准确性。示例性地，该步骤可以采用现有技术中已有的识别方法进行组件区域的提取；或者，可以采用组件识别模型进行组件区域的提取。
[0119]
s430、计算组件区域的平均灰度。
[0120]
其中，组建区域的平均灰度可以由组件区域所有像素点的灰度之和除以组件区域的像素点个数得到。
[0121]
具体地，平均灰度(记为avg_gary)的计算方式如下：
[0122][0123][0124]
上述各式中，gray
i,j
表示组件区域中像素点(i，j)对应的灰度值，r
i,j
、g
i,j
、b
i,j
分别表示组件区域中像素点(i，j)的rgb颜色空间分量；m、n分别表示组件区域长度方向上的像素点个数和组件区域宽度方向上的像素点个数。
[0125]
s440、根据组件区域的平均灰度、辐照度、太阳入射角和发电量损失数据，得到发电量损失预测模型。
[0126]
其中，可以采用深度回归模型构建平均灰度、辐照度、太阳入射角与发电量损失数
据之间的关系，通过训练和优化得到发电量损失预测模型，用于后续预测。
[0127]
本发明实施例通过s410-s440实现了基于深度回归模型构建发电量损失预测模型，在模型构建时纳入了太阳入射角因子，使该模型对于不同经纬度、时间范围的场景适用性更高。
[0128]
图5是本发明实施例提供的另一种发电量损失预测方法的流程示意图。参见图5，在上述各实施方式的基础上，可选地，发电量损失预测方法包括：
[0129]
s510、获取拍摄的光伏组件图片。
[0130]
其中，该步骤具体可以是工作人员使用拍摄设备拍摄光伏组件图片，并将图片上传至云端服务器，发电量损失预测装置自云端服务器下载该图片。
[0131]
s520、对光伏组件图片进行预处理。
[0132]
该步骤中，采用与训练组件识别模型时预处理光伏组件图片集时相同的处理方法对光伏组件图片进行预处理，以提高待预测组件区域识别结果的准确性。
[0133]
s530、采用组件识别模型识别光伏组件图片中的待预测组件区域。
[0134]
s540、对待预测组件区域进行后处理。
[0135]
其中，该步骤为对组件识别模型的识别结果进行优化的过程，以进一步提高最终预测结果的准确性。示例性地，后处理包括：组件轮廓提取、噪音点去除(即去除轮廓面积小于一定阈值的噪音点)、误识别区域去除和组件区域精细提取(即根据识别标签位置提取图中的组件区域)中的至少一种。
[0136]
s550、计算待预测组件区域的平均灰度。
[0137]
s560、获取拍摄时的辐照度和太阳入射角。
[0138]
示例性地，在拍摄光伏组件图片时，可以记录拍摄时间戳。
[0139]
s570、采用发电量损失预测模型，根据待预测组件区域的平均灰度、辐照度和太阳入射角预测组件的发电量损失。
[0140]
本发明实施例通过s510-s570实现了光伏组件的发电量损失预测，预测结果可作为后续清洗判别的依据。本发明实施例提供了一种通用场景下的基于深度学习的组件积灰识别及发电量损失评估方法。首先，本实施例采用基于深度学习构建的组件识别模型对获取的光伏组件图片进行待预测组件区域提取，然后，采用基于深度回归模型构建的发电量损失预测模型进行发电量损失的预测。本发明实施例可实现通用电站场景的适配，相比现有技术，做到了自适应、高精度的组件区域分割及积灰状态识别，减少了因环境背景造成的误识别，提升了组件识别的精准度及发电量损失预测的准确率。且该方法不需要安装固定采样摄像头的方式获取光伏组件图片，可根据现场的拍摄设备做具体适配，如手机、相机、摄像头等。在预测发电量损失时本方法纳入了太阳入射角因子，使预测模型对于不同经纬度、时间范围的场景适用性更高。因此，该预测方法具有高通用性、高灵活性、可扩展性、低成本和可实用性高等优势。
[0141]
本发明实施例还提供了一种发电量损失预测装置，用于执行本发明任意实施例所提供的发电量损失预测方法，具有相应的有益效果。图6是本发明实施例提供的一种发电量损失预测装置的结构示意图。参见图6，该发电量损失预测装置包括：获取模块610、识别模块620、计算模块630和预测模块640。
[0142]
其中，获取模块610用于获取拍摄的光伏组件图片，并获取拍摄时的辐照度和太阳
入射角。识别模块620用于识别所述光伏组件图片中的待预测组件区域。计算模块630用于计算所述待预测组件区域的平均灰度。预测模块640用于根据所述待预测组件区域的平均灰度、所述辐照度和所述太阳入射角预测发电量损失。
[0143]
本发明实施例所提供的发电量损失预测装置，包括：获取模块、识别模块、计算模块和预测模块，在利用待预测组件区域的平均灰度表示组件积灰程度的基础上，引入光伏组件图片拍摄时刻的辐照度和太阳入射角作为组件发电量损失预测的参量，相当于考虑到了不同时间段光伏面太阳入射角对于积灰组件辐照衰减率的影响，可以提高发电量损失预测的精度。同时，相比于现有技术，本发明实施例引入太阳入射角参量，避免了直接使用时间戳作为参量造成的不同经纬度地区因存在时差导致方案适用性差的问题，提高了该装置的通用性、普适性以及实用性。因此，本发明实施例可以提高发电量损失的预测精度，有利于科学制定组件清洗计划。
[0144]
在上述各实施方式的基础上，可选地，识别模块具体用于采用组件识别模型识别待预测组件区域。
[0145]
在上述各实施方式的基础上，可选地，发电量损失预测装置还包括：组件识别模型构建模块，用于构建组件识别模型。组件识别模型构建模块具体用于：获取光伏组件图片集；其中，光伏组件图片集中的部分图片作为训练集，其余图片作为测试集；训练训练集，得到初步识别模型；根据测试集判断初步识别模型是否符合指标要求；若是，则将初步识别模型作为组件识别模型；否则，继续训练训练集。
[0146]
在上述各实施方式的基础上，可选地，组件识别模型构建模块还用于在训练训练集之前，对光伏组件图片集进行预处理。
[0147]
在上述各实施方式的基础上，可选地，发电量损失预测装置还包括：预处理模块，用于在识别光伏组件图片中的待预测组件区域之前，采用与对光伏组件图片集进行预处理相同的处理方法对光伏组件图片进行预处理。
[0148]
在上述各实施方式的基础上，可选地，预测模块具体用于采用发电量损失预测模型预测发电量损失。
[0149]
在上述各实施方式的基础上，可选地，发电量损失预测装置还包括：预测模型构建模块，用于构建发电量损失预测模型。预测模型构建模块具体用于获取发电量损失数据集；其中，发电量损失数据集包括不同积灰程度下的光伏组件图片、对应的发电量损失数据、对应的辐照度和对应的太阳入射角；提取光伏组件图片中的组件区域，并计算组件区域的平均灰度；根据组件区域的平均灰度、辐照度、太阳入射角和发电量损失数据，得到发电量损失预测模型。
[0150]
在上述各实施方式的基础上，可选地，预测模型构建模块包括：发电量损失数据集获取单元，用于获取发电量损失数据集；具体用于选取一清洁组件，获取拍摄的清洁组件图片，并获取拍摄时清洁组件的发电量损失数据、辐照度和太阳入射角；选取一对照组件，进行积灰试验；每隔预设时间获取拍摄的对照组件图片，并获取拍摄时对照组件的发电量损失数据、辐照度和太阳入射角。
[0151]
在上述各实施方式的基础上，可选地，获取模块包括：入射角获取单元，用于获取拍摄时的太阳入射角；具体用于：根据拍摄时的真太阳时计算时角；根据拍摄时距离当年一月一日的天数计算太阳赤纬角；根据太阳赤纬角、组件的地理纬度和时角计算太阳高度角；
根据太阳高度角、组件的地理纬度和太阳赤纬角计算太阳方位角；根据太阳高度角、组件安装与地面夹角、太阳方位角和组件方位角计算太阳入射角。
[0152]
在上述各实施方式的基础上，可选地，发电量损失预测装置还包括：后处理模块，用于在计算待预测组件区域的平均灰度之前，对待预测组件区域进行后处理。
[0153]
本发明实施例还提供了一种电子设备。图7是本发明实施例提供的一种电子设备的结构示意图。图7示出了适用于实现本发明任意实施例提供的发电量损失预测方法的示例性电子设备的框图，并不对本发明实施例的功能和使用范围带来任何限制。
[0154]
参见图7，该电子设备包括拍摄设备72、存储器71、处理器70及存储在存储器71上并可在处理器70上运行的计算机程序。其中，拍摄设备72用于拍摄光伏组件图片；处理器70执行程序时实现如本发明任意实施例所提供的发电量损失预测方法。
[0155]
示例性地，电子设备还包括输出装置73。电子设备中的处理器70、存储器71、拍摄设备72和输出装置73可以通过总线或其他方式连接，图7中以通过总线连接为例。示例性地，拍摄设备72可以是手机、相机或摄像头等设备。
[0156]
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的发电量损失预测方法对应的程序指令/模块(例如，发电量损失预测装置的获取模块、识别模块、计算模块和预测模块)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行设备/终端/服务器的各种功能应用以及数据处理，即实现上述的发电量损失预测方法。
[0157]
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0158]
输出装置73可包括显示屏等显示设备。
[0159]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。