1.一种基于卷积神经网络的光伏板积灰状态图像识别系统的分析调控方法，其特征在于：采用图像/数据采集卡(6)输出的图像、光伏发电参数、光伏电站环境参数制作图像数据集；计算机(5)采用Windows环境下的Python3.6调用Pytorch中基于卷积神经网络的ResNet模型，以图像数据集训练ResNet模型识别不同积灰程度的光伏板图像；ResNet模型训练成熟后，调用ResNet模型识别现场实时采集的光伏板图像，根据ResNet模型输出结果调控积灰清洗方案；

所述ResNet模型分为输入层、卷积层、全连接层、输出层四部分；输入层接收图像并将图像转换为244×2446像素尺寸的RGB图像；卷积层采用残差网络设置5段卷积网络，逐层对图像进行卷积计算提取图像特征；全连接层设置1层全连接层，整理汇总图像特征对接图像数据集分类；输出层采用Softmax分类器计算图像所属各分类概率，以概率值最大的组别作为图像预测结果输出，ResNet模型网络层具体配置为：①第1段卷积：配置1层卷积层，该层网络配置64个7×7卷积核；

②第2段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置64个

1×1卷积核，第2层网络配置64个3×3卷积核，第3层网络配置256个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；

③第3段卷积：配置4个残差模块，每个残差模块由3层卷积层构成：第1层网络配置128个1×1卷积核，第2层网络配置128个3×3卷积核，第3层网络配置512个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；

④第4段卷积：配置6个残差模块，每个残差模块由3层卷积层构成：第1层网络配置256个1×1卷积核，第2层网络配置256个3×3卷积核，第3层网络配置1024个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；

⑤第5段卷积：配置3个残差模块，每个残差模块由3层卷积层构成：第1层网络配置512个1×1卷积核，第2层网络配置512个3×3卷积核，第3层网络配置2048个1×1卷积核；3层网络顺次排列，第1层网络的输入端与第3层网络的输出端以短路环直连；

所述积灰程度为：一等轻微积灰的1级，发电效率损失为0‑2％；一等轻微积灰的2级，发电效率损失为>2‑4％；一等轻微积灰的3级，发电效率损失为>4‑6％；一等轻微积灰的4级，发电效率损失为>6‑8％；一等轻微积灰的5级，发电效率损失为>8‑10％；二等中度积灰1级，发电效率损失为>10‑12％；二等中度积灰2级，发电效率损失为>12‑14％；二等中度积灰3级，发电效率损失为>14‑16％；二等中度积灰4级，发电效率损失为>160‑18％；二等中度积灰5级，发电效率损失为>18‑20％；三等重度积灰1级，发电效率损失为>20‑22％；三等重度积灰2级，发电效率损失为>22‑24％；三等重度积灰3级，发电效率损失为>24‑26％；三等重度积灰4级，发电效率损失为>26‑28％；三等重度积灰5级，发电效率损失为>28‑30％；四等严重积灰1级，发电效率损失为>30‑32％；四等严重积灰2级，发电效率损失为>32‑34％；四等严重积灰3级，发电效率损失为>34‑36％；四等严重积灰4级，发电效率损失为>36‑38％；

四等严重积灰5级，发电效率损失为>38‑40％；

所述的光伏板积灰清洗调控包括：采用发电效率损失率表征的光伏板积灰程度，将图像与发电效率损失率相对应，并以划定不同积灰程度等级为依据调控积灰；在图像数据集中计算各图像对应的光伏板发电效率损失率，按损失率数值大小将积灰程度分为成的一等轻微积灰的1级‑5级，二等中度积灰1级‑5级，三等重度积灰1级‑5级，四等严重积灰1级‑5级共20级，并以此20个级别作为图像的组别，后续实时采集光伏板积灰图像导入ResNet模型，模型预测图像所在分组即可获知积灰对光伏板的影响程度，ResNet模型训练成熟后，现场采集光伏板图像，调用ResNet模型预测图像所在组别获知光伏板积灰程度，实时监测光伏系统，调控积灰清洗；

1)光伏板发电效率损失率计算

积灰对光伏板运行状态的影响采用发电效率损失率来定量表征，洁净与积灰状态电池额定工作温度工况下发电效率由式(1)和(2)定量描述：式中，η为额定工作温度工况发电效率；ηon为积灰工况发电效率；ηpl为发电效率损失率；

2 2

Pm为输出电功率，单位kW；Ai为光伏板面积，单位m ；Pin为辐照度，单位kW/m ；FF为填充因子；

2

Isc为短路电流，单位A；Voc为开路电压，单位V，光伏板额定工作温度条件：辐照度800W/m ，光伏温度45℃，环境温度20℃，功率测试误差±3％；将现场采集的温度值折算为额定工作温2

度条件，辐照度采用额定工作温度值800W/m，计算光伏板实时发电效率损失率；

2)ResNet模型算法原理

在实际ResNet模型构建中设置多个卷积层用于提取图像特征，卷积层提取图像特征的关键是卷积核，卷积核一个大小可调节的权值矩阵，卷积核对图像特征面开展卷积运算，提取目标图像轮廓、纹理参数，经过一次卷积运算后，图像输出的尺寸oMapN计算为式(3)：式中，iMapN为输入卷积层图像尺寸，CWindow为卷积核尺寸，CInterval为卷积核处理一个区域后移动的步长；

卷积核遍历目标图像，卷积核内各元素与所覆盖目标图像的对应元素相乘再相加，完成对图像特征值的一次提取，具体卷积操作计算由式(4)定量描述：式中， 为特征面n的第k个神经元的输出值，bn为特征面n的偏置值，fcov为激活函数，通过多个卷积核配合多层卷积操作，可以分析图像各区域像素的抽象关系，获取图像的抽象特征；

残差学习ResNet模块在网络层之间增添了一个恒等映射，解决深层网络输出差异占输出比例过小，ResNet模型梯度消失的问题，其数学表达为式(5)和(6)：H(x)＝F(x)+x                               (5)

W(x)＝H(x)‑x                               (6)

式中，x为ResNet模块输入，F(x)为网络层的运算输出，结合恒等映射x，H(x)为ResNet模块的输出，W(x)为ResNet模型学习的残差；

激活函数采用线性修正单元(Rectified Linear Unit，ReLU)，提升ResNet模型的非线性特征能力，ReLU函数具有单侧抑制作用，使负值输出为0，正值输出不变，在卷积神经网络中加入ReLU函数可以降低神经元的响应数量，有利于更好地提取图像特征值；ReLU的数学表达是一个分段函数f(max,0)，ReLU函数为式(7)：

3)ResNet模型评价

为了定量评价所建立模型的精度，引用准确率(Precision)、召回率(Recall)准确率与召回率的加权调和平均数(F‑Score)、均方根误差(Root Mean Squared Errors，RMSE)评价指标分析ResNet模型准确率，计算方法由式(8)～(11)定量描述：式中，TP为正确识别的测试样本图像数量；FP为错误识别的测试样本图像数量；FN为遗漏识别的测试样本图像数量；n为样本数目，ηi,exp为实验值，ηi,cal为ResNet模型预测值；

通过光伏系统高清摄像头采集光伏板积灰图像，温度传感器、环境资源监测仪、图像/数据采集卡采集光伏系统运行参数，根据式(1)和(2)定量计算数据集各图像对应的发电效率损失率，建立图像数据集；调用ResNet模型并以图像数据集训练ResNet模型，以式(8)～(11)评价ResNet模型训练准确性，建立基于卷积神经网络的光伏板积灰状态图像识别系统，通过模型实时分析积灰对光伏系统的影响程度，计算光伏系统平均单次清扫成本并与积灰造成的发电损失对比，调控积灰清扫方案，实现光伏发电效益最大化。

2.一种用于实现如权利要求1所述的基于卷积神经网络的光伏板积灰状态图像识别的分析调控方法的图像识别系统，其特征在于：它包括光伏阵列(1)的输出端经汇流箱(7)与直流/交流转换器(8)的输入端相连通；直流/交流转换器(8)的输出端与逆变器(9)的输入端相连通，逆变器(9)的输出端与输电网(10)相连通；光伏阵列(1)的板背与温度传感器(3)的输入端相连通；高清摄像头(2)的输出端、温度传感器(3)、气象站(4)的输出端与图像/数据采集卡(6)的对应输入端连通；图像/数据采集卡(6)的输出端与计算机(5)的输入端相连通。