導讀：

光伏表面積塵會顯著拉低光伏發(fā)電效率，傳統(tǒng)功率監(jiān)測、RGB 圖像手段難以實現(xiàn)定量評估。河海大學團隊基于雙利合譜 GaiaSky-mini3-VN 無人機高光譜成像系統(tǒng)，結(jié)合分數(shù)階微分與改進金槍魚群優(yōu)化 BP 神經(jīng)網(wǎng)絡，實現(xiàn)光伏板積塵密度高精度反演與空間制圖，為光伏場站智能除塵調(diào)度提供技術支撐。

1. 頂刊身份卡

2. 應用方向速覽

研究背景

光伏板積塵會顯著降低發(fā)電效率，積塵 30 天可造成效率損失約 15%，功率輸出下降 18.74%，嚴重時還會誘發(fā)熱斑損傷組件。傳統(tǒng)功率分析易受工況干擾，RGB 圖像難以實現(xiàn)定量評估。無人機高光譜為積塵監(jiān)測提供新路徑，但數(shù)據(jù)存在噪聲與信息冗余，需配套專門的預處理與建模方法。

研究內(nèi)容

利用無人機高光譜影像估算光伏板表面的積塵密度，繪制空間分布圖，讓不同位置的積塵量有據(jù)可查。

方法創(chuàng)新

引入分數(shù)階微分提取光譜信息，再通過正弦映射金槍魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡，改善積塵估算效果。

主要結(jié)果

0.2階處理與優(yōu)化模型組合取得最佳驗證集結(jié)果：R2＝0.95，RMSE＝0.79 g/m2。另一期影像與實測樣本進一步檢驗了模型表現(xiàn)。

3. 實驗設計

研究于2024年5月8日在河海大學開展實驗，將采集的灰塵施加于光伏板面，獲取無人機高光譜影像，并對取樣區(qū)域的積塵進行稱重。

80個積塵樣本｜每個取樣區(qū)域8×8 cm｜三次測量取均值

取樣區(qū)域的平均光譜作為模型輸入，稱重結(jié)果結(jié)合面積換算為積塵密度。研究另用2024年7月29日的影像及60個實測樣本開展后續(xù)驗證。

圖1 整體工作流程圖

4. 高光譜數(shù)據(jù)采集

研究使用雙利合譜 GaiaSky-mini3-VN 無人機高光譜成像系統(tǒng)，搭載于經(jīng)緯300 RTK無人機平臺。

光譜范圍 400—1000nm 光譜通道224個

本次飛行高度 50m 本次影像空間分辨率 2cm/pixel

采集前獲取反射率校正參考數(shù)據(jù)。隨后提取取樣區(qū)域的平均光譜，并進行平滑處理。設備提供的關鍵數(shù)據(jù)，是板面各位置在連續(xù)波段上的反射信息。這些信息用于建立積塵估算模型，并支持后續(xù)空間制圖。

5. 研究結(jié)果

5.1 積塵增加時反射光譜發(fā)生變化

清潔光伏板反射率*低，隨著積塵密度增加，反射率逐漸升高。在450-700 nm波段，重度積塵條件下光譜反射率上升更為急劇，反映出積塵層對光伏板光吸收特性的顯著改變。

圖2 不同積塵密度下的反射光譜。

5.2 微分階數(shù)需要通過數(shù)據(jù)比較選擇

研究比較了0—2階的光譜處理結(jié)果。低階處理與高階處理呈現(xiàn)不同的曲線形態(tài)，模型精度并未隨階數(shù)升高持續(xù)改善，*優(yōu)組合出現(xiàn)在0.2階。。因此，選擇合適階數(shù)的FOD在降噪與保留有效信息之間取得平衡至關重要。

圖3 分數(shù)階微分處理后的光譜曲線（0.1-2.0階）

5.3 低階處理與模型優(yōu)化共同改善估算

研究采用正弦映射改進金槍魚群算法，并用它優(yōu)化BP神經(jīng)網(wǎng)絡，形成STSO-BPNN模型。其目的在于改善參數(shù)尋優(yōu)，降低模型訓練受初始條件影響的風險。

圖4 左：STSO-BPNN在原始光譜、0.2階、一階和二階下的驗證集R2。右：同為0.2階處理時，模型優(yōu)化前后的RMSE。

優(yōu)化后誤差進一步降低，但普通BPNN已取得較好的結(jié)果。評價方法增益時，既要看最終指標，也要看改進前的基線。

5.4 積塵量落實到板面具體位置

模型應用于影像后，得到以g/m2表示的積塵密度分布圖。MLR結(jié)果噪聲較多，SVR對重度積塵區(qū)域響應不足；優(yōu)化后的BP模型呈現(xiàn)出更清晰的空間分布。這張圖提供了板面不同位置的積塵估算值，可作為后續(xù)運維分析的數(shù)據(jù)基礎。

圖5 原始影像與不同模型的積塵反演結(jié)果。自上而下：(a)原圖；(b)MLR；(c)SVR；(d)SSA-BPNN；(e)TSO-BPNN；(f)STSO-BPNN。

5.5 另一期數(shù)據(jù)驗證與輕積塵表現(xiàn)

在2024年7月29日影像及60個實測樣本的驗證中，STSO-BPNN取得R2＝0.94、RMSE＝0.86 g/m2，在所比較模型中保持較好表現(xiàn)。

圖6 左：后續(xù)驗證中STSO-BPNN的預測-實測關系；右：低于3 g/m2子集的表現(xiàn)。

輕微積塵更難估算。低于3 g/m2的子集中，R2＝0.60、RMSE＝0.75 g/m2；論文指出，低于1 g/m2時預測更分散。

圖7 另一期影像的原圖與STSO-BPNN積塵反演圖，上方為原圖，下方為估算結(jié)果及原色標。

不同積塵范圍需要分別評價。子集RMSE較低，并不意味著輕積塵預測更可靠，還要結(jié)合數(shù)據(jù)范圍和R2共同判斷。

6. 結(jié)論與啟發(fā)

核心結(jié)論： 

① 清潔光伏板反射率低于積塵光伏板，450-700nm波段重度積塵下反射率提升最為顯著；② 低階分數(shù)階微分可以強化光譜細節(jié)、提升信噪比，本研究中 0.2 階為*優(yōu)處理階數(shù)；③ 正弦映射金槍魚群優(yōu)化 BP 神經(jīng)網(wǎng)絡（STSO?BPNN）緩解 BPNN 局部*優(yōu)問題。

可復制的核心技術點：

分數(shù)階微分光譜增強策略。 傳統(tǒng)一、二階整數(shù)階導數(shù)消除基線漂移同時容易損失信噪比。0-2 階分數(shù)階微分漸進求導，可以兼顧降噪與特征保留；

正弦映射初始化改進金槍魚群算法（STSO）。 原始 TSO 算法種群初始化容易邊界聚集；引入正弦映射生成均勻初始種群，強化全局搜索能力，規(guī)避 BP 神經(jīng)網(wǎng)絡陷入局部*優(yōu)。

RPIQ作為模型評價指標。 除常規(guī)R2和RMSE外，RPIQ 指標對樣本離群值魯棒性更強，更適配積塵密度這類實際野外監(jiān)測場景。

技術觀察與啟示：

無人機高光譜在光伏檢測中的優(yōu)勢。 對比 3 波段 RGB 圖像、低分辨率衛(wèi)星影像，無人機高光譜擁有 224 個波段、2?cm 高精度空間分辨率，同時兼顧光譜細節(jié)與空間信息，非常適配光伏場站積塵監(jiān)測場景。

低階FOD的重要價值。 高光譜數(shù)據(jù)預處理中，研究人員往往默認使用一階或二階導數(shù)。本研究發(fā)現(xiàn)0.2階FOD效果遠超整數(shù)階，這一反直覺的發(fā)現(xiàn)提示：數(shù)據(jù)處理時應擴大參數(shù)搜索空間，而非拘泥于常規(guī)選擇。

優(yōu)化算法對BPNN的增益邊界。 原始BPNN在0.2階FOD下R2=0.94；經(jīng)STSO優(yōu)化后R2=0.95，提升看似有限（1個百分點），但在RPIQ指標上從7.18提升至7.98，漲幅達11%，說明優(yōu)化算法核心價值，是提升模型在極低、*高積塵兩端極值樣本的預測可靠性，對現(xiàn)場極*工況檢測具備實際工程意義。

指數(shù)化降維的潛力。 經(jīng)過分數(shù)階微分完成光譜增強后，即便 MLR 簡單線性模型也可實現(xiàn)最高R2=0.76的可用精度，該結(jié)論為后續(xù)研發(fā)少特征波段的輕量化專用傳感器提供理論依據(jù)。

應用遷移： 本方法可遷移至光伏電站積塵智能巡檢、農(nóng)業(yè)大棚光伏板清潔評估、其他光學表面（車窗、建筑幕墻）積塵檢測等場景。