一种用于光伏电站的发电损失分析方法及系统

技术领域

本发明涉及光伏技术领域，具体涉及一种用于光伏电站的发电损失分析系统。

背景技术

光伏电站的发电作业效率受诸多因素影响，例如日照时数、辐射量、遮挡以及灰尘覆盖等，其中，灰尘覆盖尤为影响发电效率，进而影响电站效益。

现有技术中，需要对光伏电站发电的损失量进行分析计算，以大致确定光伏电站的发电损失，进而作为对电站进行维护分析等相关工作的参考。

但是，现有技术中分析计算光伏电站发电损失的手段一般通过大概的灰尘量采样进行计算，不够全面也不够准确，使得光伏电站建设和使用中的发端损失分析效果不佳。

发明内容

本申请提供了一种用于光伏电站的发电损失分析方法，用于针对解决现有技术中光伏电站发电损失量计算分析不全面和不准确的技术问题。

第一方面，本申请提供了一种用于光伏电站的发电损失分析方法，该方法应用于一用于光伏电站建设的发电损失分析装置，该装置包括环境分析工站、气象分析工站、灰尘分析工站、综合损失计算模块，该方法包括：

通过环境分析工站，采集当前的时间信息，基于目标电站检测数据训练的遮挡识别器，对时间信息进行识别，获得遮挡损失系数，所述目标电站为光伏电站；

通过气象分析工站，采集未来预设时间范围内的气象数据序列；

对气象数据序列进行发电损失识别，获取气象损失系数，以及，对气相数据序列进行灰尘影响参数分析，获取灰尘影响参数；

通过灰尘分析工站，采集目标电站内全部光伏板内部分光伏板的多个灰尘参数，结合所述灰尘影响参数，计算获取灰尘参数阵列；

根据所述灰尘参数阵列，构建灰尘分布拟合图像，进行级联图像生成分析，获取所述目标电站的灰尘损失系数；

根据所述遮挡损失系数、气象损失系数和灰尘损失系数，计算获取发电损失系数，并计算获得发电损失量。

第二方面，本申请提供了一种用于光伏电站的发电损失分析系统，该系统与一用于光伏电站的发电损失分析装置连接，该装置包括环境分析工站、气象分析工站、灰尘分析工站、综合损失计算模块，该系统包括：

遮挡损失分析模块，用于通过环境分析工站，采集当前的时间信息，基于目标电站检测数据训练的遮挡识别器，对时间信息进行识别，获得遮挡损失系数，所述目标电站为光伏电站；

气象数据采集模块，用于通过气象分析工站，采集未来预设时间范围内的气象数据序列；

气象损失分析模块，用于对气象数据序列进行发电损失识别，获取气象损失系数，以及，对气相数据序列进行灰尘影响参数分析，获取灰尘影响参数；

灰尘参数处理模块，用于通过灰尘分析工站，采集目标电站内全部光伏板内部分光伏板的多个灰尘参数，结合所述灰尘影响参数，计算获取灰尘参数阵列；

灰尘损失分析模块，用于根据所述灰尘参数阵列，构建灰尘分布拟合图像，进行级联图像生成分析，获取所述目标电站的灰尘损失系数；

发电损失计算模块，用于根据所述遮挡损失系数、气象损失系数和灰尘损失系数，计算获取发电损失系数，并计算获得发电损失量。

第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面内方法的步骤。

第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面内方法的步骤。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的技术方案通过在光伏电站内采集当前的时间信息，基于时间分析周边建筑物或其他物体对光伏电站的遮挡导致的发电损失，以及采集并根据气象数据分析当前气象变化导致的发电损失，并根据气象数据分析对于光伏电站内灰尘沉积的影响参数，对采集获得的部分光伏板的灰尘参数进行校正计算，获得灰尘参数阵列，对于对光伏发电损失影响较大的灰尘，通过拟合构建灰尘分布拟合图像，并进行级联图像生成和分析，获取电站由于灰尘导致的发电损失系数，综合三个方面的发电损失，计算获得光伏电站内整体的发电损失。本申请提供的技术方案通过多个维度进行发电损失的分析，能够提升光伏发电损失分析的全面性，以及通过气象数据分析对灰尘沉积的影响参数，能够提升对发电损失影响最大的灰尘影响分析的准确性，并通过采集部分光伏板的灰尘参数，拟合形成灰尘分布图像，通过级联图像分析，提升通过灰尘分析发电损失的准确性和可靠性，且无需采集全部光伏板的灰尘数据，降低发电损失监测分析的成本，达到了提升光伏电站发电损失分析的全面性、准确性的技术效果。

附图说明

图1为本申请提供了一种用于光伏电站的发电损失分析方法流程示意图；

图2为本申请提供了一种用于光伏电站的发电损失分析方法中获取灰尘损失系数的流程示意图；

图3为本申请提供了一种用于光伏电站的发电损失分析系统结构示意图。

图4为一个实施例中计算机设备的内部结构图。

附图标记说明：遮挡损失分析模块201，气象数据采集模块202，气象损失分析模块203，灰尘参数处理模块204，灰尘损失分析模块205，发电损失计算模块206。

具体实施方式

本申请通过提供一种用于光伏电站的发电损失分析方法及系统，用于针对解决现有技术中光伏电站发电损失量计算分析不全面和不准确的技术问题。

实施例一

如图1所示，本申请实施例提供了一种用于光伏电站的发电损失分析方法，该方法应用于一用于光伏电站建设的发电损失分析装置，该装置包括环境分析工站、气象分析工站、灰尘分析工站、综合损失计算模块，该方法包括：

S101：通过环境分析工站，采集当前的时间信息，基于目标电站检测数据训练的遮挡识别器，对时间信息进行识别，获得遮挡损失系数，所述目标电站为光伏电站；

本申请实施例中，用于光伏电站建设的发电损失分析装置为用于执行用于光伏电站的发电损失分析方法的装置，其内包括存储器、处理器等，可用于存储执行方法所需的程序并进行执行处理。

该光伏电站建设的发电损失分析装置包括环境分析工站、气象分析工站、灰尘分析工站、综合损失计算模块，分别用于执行方法内不同的步骤。

其中，目标电站为光伏电站，优选为规模较大，具有较多光伏板吸收太阳辐射进行发电的电站，目标电站会受到遮挡、天气和灰尘沉积等因素，导致光伏发电量损失。

本申请实施例中，通过环境分析工站，采集当前的时间信息，即当前执行方法进行发电损失分析的实时时间，时间信息可为一天当中的精确到分钟的时间，也可为一年内精确到天的时间，其中，一天当中由于太阳的移动，导致目标电站被环境内其他的建筑物、树木、山丘等遮挡太阳光的区域发生变化，进而导致发电损失量产生变化。以及，一年内由于太阳公转移动导致目标电站内被遮挡区域面积发生的变化以及日照时间的变化，进而导致发电损失量产生变化。

环境分析工站可为具有时间采集功能的设备，通过采集当前的时间信息，用于分析当前时间内目标电站由于不同时间下被遮挡的区域面积导致的发电损失。

其中，基于目标电站进行发电量检测的检测数据，结合环境分析工站采集的时间信息，训练用于识别不同时间下目标电站内由于太阳光遮挡导致发电损失的遮挡识别器，对该当前的时间信息进行识别，以快速准确获得当前时间下，目标电站内由于太阳光被遮挡导致的发电损失系数。

本申请实施例提供的方法中的步骤S101包括：

根据所述目标电站的监测数据，获取多个时间段内目标电站内全部光伏板被遮挡的损失发电量，获得样本时间信息记录和样本遮挡损失系数记录；

采用所述样本时间信息记录和样本遮挡损失系数记录作为训练数据，基于机器学习，训练满足收敛要求的遮挡识别器；

采用所述遮挡识别器，对所述时间信息进行识别，获得遮挡损失系数。

本申请实施例中，根据该目标电站的运行监测数据，具体为运行时间监测数据和目标电站内全部光伏板被遮挡面积的监测数据，可采集一段时间内的监测数据。如此，获得样本时间信息记录。

进一步根据全部光伏板被遮挡面积的监测数据，计算获取全部光伏板由于被遮挡导致损失的发电量，进一步计算这部分损失发电量与预期未遮挡情况下的预期发电量的比值，获得样本遮挡损失系数记录。

采用该样本时间信息记录和样本遮挡损失系数记录作为训练数据，基于机器学习，示例性地，基于现有技术中机器学习内的前馈神经网络，勾践遮挡识别器，该遮挡识别器用于根据目标电站的时间信息分析目标电站由于太阳光被遮挡的光伏发电量损失系数。

采用该样本时间信息记录和样本遮挡损失系数记录作为训练数据，且分别作为该遮挡识别器的输入和输出，对遮挡识别器进行监督训练，根据输出值和样本值的误差，对遮挡识别器内的网络参数进行调整，如此进行多轮训练，直到遮挡识别器满足收敛要求。

示例性地，收敛要求可为遮挡识别器的准确率达到90％。

基于满足收敛要求的遮挡识别器，可对当前采集的时间信息进行预测识别，获取该时间下目标电站内由于太阳光被遮挡而损失发电量的遮挡损失系数。

本申请实施例通过基于机器学习，训练时间与目标电站内由于太阳光被遮挡导致不同发电量损失系数之间的隐含关系，进行由于光线遮挡导致的发电损失系数的识别预测，提升由于太阳光遮挡导致发电损失分析的准确性和效率。

S102：通过气象分析工站，采集未来预设时间范围内的气象数据序列；

本申请实施例中，由于天气的变化会导致太阳辐射量的变化进而影响光伏电站的发电量，因此，进一步采集气象数据，分析气象变化导致的目标电站的发电损失量的比例。

通过气象分析工站，采集未来预设时间范围内的气象数据序列，预设时间范围为任意时间长度的时间范围，即当前时间后预设时间范围，例如可为一天或以周。

气象分析工站可为可采集气象公布网站公布的气象数据的软件，采集目标电站所在区域未来预设时间范围内的气象数据，例如可按照一定频率进行采集，例如一天一次或一小时一次，形成气象数据序列。

示例性地，气象数据内可以包括天气、温度、风向、风速等气象数据。

S103：对气象数据序列进行发电损失识别，获取气象损失系数，以及，对气相数据序列进行灰尘影响参数分析，获取灰尘影响参数；

本申请实施例中，对该气象数据序列进行发电损失识别，即由于气象变化导致太阳光辐射量变化导致的光伏发电损失比例。

以及，气象变化会导致电站内的灰尘沉积量发生变化，例如低湿度的天气下，灰尘沉积量会较多，因此，根据气象数据来分析对灰尘沉积量的影响比例，作为灰尘影响参数，作为后续根据灰尘分析灰尘沉积导致发电量损失的部分数据。

通过对该气象数据序列进行发电损失分析，获取该气象数据序列下导致发电量损失的比例，作为对应的气象损失系数。以及，对气象数据序列进行影响灰尘沉积量的灰尘影响参数分析，获得该气象数据序列下的灰尘影响参数。

本申请实施例提供的方法中的步骤S103具体包括：

根据所述目标电站的监测数据，获取多个样本气象数据序列和多个样本气象损失系数；

采用多个样本气象数据序列和多个样本气象损失系数作为训练数据，基于机器学习，训练满足收敛要求的气象损失识别器；

采用气象损失识别器，对所述气象数据序列进行识别，获得所述气象损失系数。

本申请实施例中，根据目标电站的监测数据，获取历史时间内不同的多个预设时间范围内的多个样本气象数据序列，以及目标电站由于气象变化导致的损失发电量与预期发电量的比值，作为多个样本气象损失系数。

其中，样本气象损失系数可通过计算不同气象数据序列下的太阳辐射量与理想光伏发电状态下太阳辐射量的变化量，基于该变化量进行模拟光伏发电分析，获得模拟的损失发电量，计算与理想发电状态下发电量的比值，获得样本气象损失系数。

采用多个样本气象数据序列和多个样本气象损失系数作为训练数据，基于机器学习，同样地，可基于现有技术中的前馈神经网络，构建气象损失识别器，其输入数据为气象数据序列，输出数据为气象损失系数，对其进行训练，直到满足收敛要求。

采用训练完成的该气象损失识别器，对当前采集的气象数据序列进行识别，获取该气象数据序列下，目标电站发电量的气象损失系数。

本申请实施例通过采用机器学习技术，根据气象数据序列分析气象对太阳辐射量影响而导致的光伏发电损失量，能够丰富光伏发电损失分析的维度，提升光伏发电损失分析的全面性和准确性。

进一步地，本申请实施例提供的方法中的步骤S103还包括：

根据所述目标电站的灰尘监测数据，获取不同气象数据序列下灰尘量的变化量，计算获得多个样本灰尘影响参数；

基于决策树，采用气象数据作为决策输入，采用灰尘影响参数作为决策数据，根据多个样本气象数据序列和多个样本灰尘影响参数，构建灰尘影响分类器；

采用灰尘影响分类器，对所述气象数据序列进行决策分类，获得所述灰尘影响参数。

本申请实施例中，根据该目标电站的灰尘监测数据，获取不同气象数据序列下灰尘量的变化量，计算获得多个样本灰尘影响参数。

其中，示例性地，可通过试验，测试目标电站内理想发电状态下光伏板上在一预设时间范围内的灰尘沉积量，例如灰尘沉积面积，该预设时间周期例如可为1天或1周。进一步通过试验，测试不同气象数据序列下，光伏板上在预设时间范围内的灰尘沉积量，进而计算获取不同气象数据序列下，灰尘沉积量的变化量，进而计算获取单位时间内不同气象数据序列下灰尘的沉积速率，作为多个样本灰尘影响参数。

进一步地，基于现有技术中的决策树算法，采用气象数据作为决策输入，采用灰尘影响参数作为决策数据，其中根据气象数据内不同类别的气象数据，例如天气数据序列、温度数据系列等，构建不同的多层决策节点，每层决策节点可根据输入的气象数据进行分类决策，例如根据天气数据序列内的第一个数据进行决策分类，并根据不同的样本灰尘影响参数与多个样本气象数据序列的映射关系，构建最终决策节点的决策输出结果，如此，构建灰尘影响分类器。

可选的，也可根据现有技术中其他的分类算法，采用该多个样本气象数据序列和多个样本灰尘影响参数，构建该灰尘影响分类器。

采用该灰尘影响分类器，对当前气象数据序列内的气象数据序列进行灰尘影响参数的决策分类，具体根据气象数据序列内不同类别的气象数据进行多层分类，获得目标电站内未来预设时间范围内的灰尘影响参数。

本申请实施例通过根据气象数据序列，分析气象变化对目标电站内灰尘沉积的影响，获得灰尘影响参数，提升后续根据灰尘分析目标电站内发电损失分析的准确性，且通过一组气象数据序列同时分析获得气象损失系数和灰尘影响参数，提升数据利用率，以及提升光伏发电损失的全面性。

S104：通过灰尘分析工站，采集目标电站内全部光伏板内部分光伏板的多个灰尘参数，结合所述灰尘影响参数，计算获取灰尘参数阵列；

本申请实施例中，通过灰尘分析工站，采集目标电站内全部光伏板内部分光伏板的多个灰尘参数，示例性地，采集部分光伏板上的灰尘遮挡的面积，可选的，也可采集部分光伏板上的灰尘密度或灰尘最大厚度。

灰尘分析工站内可包括设置于部分光伏板上的图像分析设备，可采集光伏板的表面图像并进行图像识别，以获取部分光伏板的多个灰尘参数。

可选的，灰尘分析工站也可通过人工进行部分光伏板上灰尘参数的采集和分析。

优选地，部分光伏板为目标电站内中心部分的多个光伏板，且部分光伏板的所占面积为目标电站所占面积的1/10。

通过采集部分光伏板上的灰尘参数，作为灰尘影响光伏发电损失分析的数据基础，避免采集全部光伏板上的灰尘参数，在保证分析准确性的基础上，减少了光伏发电损失分析的成本。

基于该部分光伏板的多个灰尘参数，结合上述内容中处理获取的灰尘影响参数，分别对多个灰尘参数进行修正计算处理。

示例性地，灰尘影响参数内包括该气象数据序列下的灰尘沉积速率，结合当前的灰尘参数，计算未来预设时间范围内，例如一周后或一天后部分光伏板上的修正灰尘参数，作为部分光伏板的多个修正灰尘参数。

进一步地，基于采集灰尘参数的部分光伏板的光伏板序列，将多个修正灰尘参数进行排列，形成灰尘参数阵列。

S105：根据所述灰尘参数阵列，构建灰尘分布拟合图像，进行级联图像生成分析，获取所述目标电站的灰尘损失系数；

本申请实施例中，根据该灰尘参数阵列，将其转化为目标电站内的灰尘分布拟合图像，作为灰尘分布拟合图像，通过该灰尘分布拟合图像，进行图像的级联图像生成分析，以分析目标电站内由于灰尘遮挡导致的光伏发电损失比例，获取目标电站的灰尘损失系数。

如图2所示，本申请实施例提供的方法中的步骤S105包括：

获取所述目标电站内多个光伏板的坐标参数，结合所述灰尘参数阵列，拟合获取目标电站内的灰尘分布拟合图像；

基于深度学习，训练获取具有K-1层灰尘分布图生成通道的灰尘分布图生成器；

采用灰尘分布图生成器对所述灰尘分布拟合图像进行处理，获得生成的精细灰尘分布图像；

训练获取灰尘损失识别器；

采用所述灰尘损失识别器，对精细灰尘分布图像进行识别，获得所述灰尘损失系数。

本申请实施例中，获取目标电站内多个光伏板的坐标参数，确定采集灰尘参数的部分光伏板的位置分布，基于该位置分析，作为拟合图像的多个像素点的多个位置信息。示例性地，根据该位置分布，构建光伏板与拟合图像内多个像素点的映射关系。

其中，多个光伏板的坐标参数可根据光伏电站的建设设计数据获取。

结合该灰尘参数阵列，将每个像素点对应的光伏板的灰尘参数，作为像素点的灰度值，如此，形成初步拟合的灰尘分布图像。示例性地，可将灰尘参数阵列内的灰尘参数均值对应的灰度值作为127，基于其他灰尘参数与该灰尘参数均值的比值，进行计算取整，获取对应的灰度值，作为灰尘分布图像。

部分光伏板优选为整体形成矩形分布的多个光伏板，可昵称获得形成矩形的规则灰尘分布图像。可选的，若部分光伏板的分布不规则，可对初步拟合的灰尘分布图像内没有对应光伏板的部分空白像素点，通过线性差值的方法，获取空白像素点的灰度值，如此，拟合获取具有规则形状的目标电站内的灰尘分布拟合图像，其具体为灰度图像，其内每个像素点的灰度值可以反映目标电站内光伏板上的灰尘参数。

基于深度学习内的生成对抗网络，训练获取具有K-1层灰尘分布图生成通道的灰尘分布图生成器，通过K-1层灰尘分布图生成通道，对灰尘分布拟合图像进行K-1层的图像对抗生成，获取生成的具有目标电站内全部区域的灰尘参数的精细灰尘分布图像，K为大于1的整数，优选为10。

本申请实施例提供的方法中的步骤“基于深度学习，训练获取具有K-1层灰尘分布图生成通道的灰尘分布图生成器”，包括：

根据所述目标电站内的灰尘监测数据，获取K个样本灰尘分布图像集，K个样本灰尘分布图像集内的样本灰尘分布图像大小不同；

基于对抗生成网络，构建所述K-1层灰尘分布图生成通道，其中，每层灰尘分布图生成通道包括生成器和判别器，K-1层灰尘分布图生成通道的输入图像和输出图像的大小呈金字塔形分布，第一层灰尘分布图生成通道的输入图像的大小和所述灰尘分布拟合图像相同，第K-1层灰尘分布图生成通道的输出图像的大小为所述目标电站内全部光伏板的灰尘参数拟合形成的灰尘分布拟合图像的大小相同；

采用所述K个样本灰尘分布图像集内的第一样本灰尘分布图像集和第二样本灰尘分布图像集，对第一层灰尘分布图生成通道进行监督训练，直到收敛，其中，对输入的第一样本灰尘分布图像加入随机噪声输入生成器内，对生成器生成的生成灰尘分布图像通过判别器进行判别；

在第一层灰尘分布图生成通道训练完成后，继续对其他的K-2层灰尘分布图生成通道进行训练，直到全部收敛。

本申请实施例中，根据目标电站历史时间内的灰尘监测数据，获取K个样本灰尘分布图像集，K个样本灰尘分布图像集内的样本灰尘分布图像大小不同。

其中，每个样本灰尘分布图像集内的样本灰尘分布图像基于前述内容中方法进行拟合，且分别基于目标电站内不同数量的部分光伏板的灰尘参数进行构建拟合。

示例性地，K个样本灰尘分布图像集分别基于目标电站内，分布形成矩形，且分布面积为目标电站面积的1/10、2/10、3/10…1倍的光伏板采集的灰尘参数进行拟合。K个样本灰尘分布图像集内的样本灰尘分布图像的大小可形成上采样式的图像金字塔分布。可选的，可结合上述的插值方法，拟合获取样本灰尘分布图像。

可选的，可在历史时间内的多个时间点，分别采集目标电站内全部光伏板的灰尘参数，并分别拟合获得K个样本灰尘分布图像，K个样本灰尘分布图像形成图像金字塔分布，且较大的样本灰尘分布图像包括较小的样本灰尘分布图像。在训练获取灰尘分布图生成器后，无需继续对全部光伏板的灰尘参数进行采集。

基于对抗生成网络，构建K-1层灰尘分布图生成通道，优选为9层灰尘分布图生成通道，其中，每层灰尘分布图生成通道包括生成器和判别器，K-1层灰尘分布图生成通道的输入图像和输出图像的大小呈金字塔形分布，第一层灰尘分布图生成通道的输出图像的大小和灰尘分布拟合图像，即第一样本灰尘分布图像相同，输出图像的大小与第二样本灰尘分布图像的大小相同，第K-1层灰尘分布图生成通道的输入图像与第九样本灰尘分布图像的大小相同，输出图像的大小为目标电站内全部光伏板的灰尘参数拟合形成的灰尘分布拟合图像的大小相同，即第十灰尘分布拟合图像，例如为灰尘分布拟合图像大小的10倍。

每层灰尘分布图生成通道内的生成器包括多个由卷积核、归一化层和非线性变化层组成的卷积块，判别器由多个包含卷积、归一化和非线性激活函数的卷积块组成，非线性激活函数例如为sigmoid函数，本领域技术人员可基于现有技术中的生成对抗网络架构进行构建。

如此，构建获得具有级联结构的K-1层灰尘分布图生成通道，分别采用K个样本灰尘分布图像集，对K-1层灰尘分布图生成通道进行训练。

其中，采用K个样本灰尘分布图像集内的第一样本灰尘分布图像集和第二样本灰尘分布图像集，对K-1层灰尘分布图生成通道内的第一层灰尘分布图生成通道进行监督训练，直到收敛，其中，训练的过程即生成对抗网络的训练过程。

具体地，将输入的第一样本灰尘分布图像加入随机噪声输入第一层灰尘分布图生成通道内的生成器内，随机生成获得生成灰尘分布图像，对生成器生成的生成灰尘分布图像，结合包括该第一样本灰尘分布图像的第二样本灰尘分布图像输入判别器，通过判别器进行判别，对于与第二样本灰尘分布图像接近的生成灰尘分布图像，判别器的输出尽量接近1，对于不与第二样本灰尘分布图像接近的生成灰尘分布图像，判别器的输出尽量接近于0。

如此，进行多次训练，直到第一层灰尘分布图生成通道的准确率达到要求，例如生成器生成的生成灰尘分布图像在判别器内的判别结果均值达到0.9，则完成训练。

基于相同的方法，可采用第二样本灰尘分布图像集和第三样本灰尘分布图像集，对第二层灰尘分布图生成通道进行训练，以及对其他的K-3层灰尘分布图生成通道进行训练，直到全部收敛。

基于收敛的K-1层灰尘分布图生成通道，获得该灰尘分布图生成器。

基于构建完成的灰尘分布图生成器，可将该灰尘分布拟合图像输入第一层灰尘分布图生成通道，进行图像生成，获得大小为目标电站全部光伏板灰尘参数拟合图像的2/10的生成灰尘分布图像，继续将其输入第二层灰尘分布图生成图像，可获取大小为目标电站全部光伏板灰尘参数拟合图像的3/10的生成灰尘分布图像，如此，最终基于第k-1层灰尘分布图生成通道，生成获得最终的生成灰尘分布图像，即精细灰尘分布图像，该精细灰尘分布图像为灰尘分布图生成器根据灰尘分布拟合图像进行多级级联生成的灰尘分布图像，可反映当前目标电站内全部光伏板上的灰尘分布水平。

可选的，K值可设置为2，构建仅包括一层灰尘分布图生成通道的灰尘损失识别器，根据输入的灰尘分布拟合图像直接进行图像对抗生成，获得该精细灰尘分布图像。但由于根据灰尘分布拟合图像生成精细灰尘分布图像需要加入较多数据噪声，可能导致灰尘损失识别器的准确率较低，或者出现收敛较慢的问题。

基于该精细灰尘分布图像，进行当前目标电站内由于灰尘遮挡导致的光伏发电损失。

本申请实施例中，通过训练灰尘损失识别器，对该精细灰尘分布图像进行图像特征提取处理识别，识别该精细灰尘分布图像内各像素点灰度值反映的特征，获取在当前灰尘参数下，目标电站由于灰尘遮挡光伏板导致的发电损失。

本申请实施例提供的方法还包括：

根据所述目标电站内的灰尘监测数据，获取样本精细灰尘分布图像集；

基于每个样本精细灰尘分布图像下目标电站的发电数据，计算获取样本灰尘损失系数集；

基于深度卷积网络，构建灰尘损失识别器；

采用所述样本精细灰尘分布图像集和样本灰尘损失系数集，对灰尘损失识别器进行训练，直到符合收敛条件。

本申请实施例中，可基于前述内容中公开的方法，获取目标电站多个时间点的灰尘参数，拟合获取灰尘分布拟合图像，并获取生成的精细灰尘分布图像，作为样本精细灰尘分布图像集。

以及，可基于多个时间点的灰尘参数，进行光伏发电试验模拟，获取遮挡下的发电量与理想状态下的发电量的偏差，进而计算获得不同灰尘参数下目标电站光伏发电损失的比例，作为样本灰尘损失系数集。

本申请实施例通过深度卷积网络，对精细灰尘分布图像进行识别，并输出精细灰尘分布图像内反映的目标电站的灰尘沉积状态下，目标电站的发电损失比例。

基于深度卷积神经网络，构建该灰尘损失识别器，其内包括多层卷积层、池化层和全连接层，可对输入的精细灰尘分布图像进行卷积特征提取，进而处理获得对应的灰尘损失系数。

采用该样本精细灰尘分布图像集和样本灰尘损失系数集作为训练数据，对灰尘损失识别器进行训练，直到符合收敛条件。示例性地，收敛条件可为灰尘损失识别器输出的灰尘损失系数与样本灰尘损失系数的误差不超过5％。

基于训练完成的灰尘损失识别器，对当前处理获得的精细灰尘分布图像进行图像处理识别，获得当前目标电站内由于灰尘遮挡导致的发电量损失的灰尘损失系数。

本申请实施例通过采集目标电站内部分光伏板上的灰尘参数，将灰尘参数作为像素点内的灰度值，构建灰尘分布拟合图像，并通过级联生成对抗网络生成包括全部光伏板的灰尘参数转化的灰度值的精细灰尘分布拟合图像，进行灰尘损失系数的识别，能够提升基于灰尘参数分析光伏发电损失的效率和准确性，且只需采集部分光伏板的灰尘参数，对于大型光伏电站能够降低发电损失分析的成本。

S106：根据所述遮挡损失系数、气象损失系数和灰尘损失系数，计算获取发电损失系数，并计算获得发电损失量。

基于前述内容中分析获得的目标电站由于外界物体遮挡、气象变化和灰尘沉积导致发电损失的遮挡损失系数、气象损失系数和灰尘损失系数，计算目标电站总的发电损失系数。

例如，可计算遮挡损失系数、气象损失系数和灰尘损失系数之和，作为发电损失系数。可选的，遮挡损失系数、气象损失系数和灰尘损失系数导致的发电损失可能存在部分重叠，可基于现有技术中光伏发电损失分析的经验，对计算的发电损失系数进行修正计算。

基于该发电损失系数，结合目标电站的理想光伏发电量，计算获得目标电站预测分析的发电损失量，作为光伏发电损失的分析结果，可作为对光伏电站进行运营维护的参考数据。

本申请实施例通过上述技术方案，至少达到了以下技术效果：

本申请实施例通过在光伏电站内采集当前的时间信息，基于时间分析周边建筑物或其他物体对光伏电站的遮挡导致的发电损失，以及采集并根据气象数据分析当前气象变化导致的发电损失，并根据气象数据分析对于光伏电站内灰尘沉积的影响参数，对采集获得的部分光伏板的灰尘参数进行校正计算，获得灰尘参数阵列，构建灰尘分布拟合图像，并通过级联生成对抗网络生成包括全部光伏板的灰尘参数转化的灰度值的精细灰尘分布拟合图像，进行灰尘损失系数的识别，获取电站由于灰尘导致的发电损失系数，综合三个方面的发电损失，计算获得光伏电站内整体的发电损失。本申请提供的技术方案通过多个维度进行发电损失的分析，能够提升光伏发电损失分析的全面性，以及通过气象数据分析对灰尘沉积的影响参数，能够提升对发电损失影响最大的灰尘影响分析的准确性，并通过采集部分光伏板的灰尘参数，拟合形成灰尘分布图像，通过级联图像分析，提升通过灰尘分析发电损失的准确性和可靠性，且无需采集全部光伏板的灰尘数据，降低发电损失监测分析的成本，达到了提升光伏电站发电损失分析的全面性、准确性的技术效果。

实施例二

基于与前述实施例中一种用于光伏电站的发电损失分析方法相同的发明构思，如图3所示，本申请提供了一种用于光伏电站的发电损失分析系统，所述系统与一用于光伏电站的发电损失分析装置连接，所述装置包括环境分析工站、气象分析工站、灰尘分析工站、综合损失计算模块，所述系统包括：

遮挡损失分析模块201，用于通过环境分析工站，采集当前的时间信息，基于目标电站检测数据训练的遮挡识别器，对时间信息进行识别，获得遮挡损失系数，所述目标电站为光伏电站；

气象数据采集模块202，用于通过气象分析工站，采集未来预设时间范围内的气象数据序列；

气象损失分析模块203，用于对气象数据序列进行发电损失识别，获取气象损失系数，以及，对气相数据序列进行灰尘影响参数分析，获取灰尘影响参数；

灰尘参数处理模块204，用于通过灰尘分析工站，采集目标电站内全部光伏板内部分光伏板的多个灰尘参数，结合所述灰尘影响参数，计算获取灰尘参数阵列；

灰尘损失分析模块205，用于根据所述灰尘参数阵列，构建灰尘分布拟合图像，进行级联图像生成分析，获取所述目标电站的灰尘损失系数；

发电损失计算模块206，用于根据所述遮挡损失系数、气象损失系数和灰尘损失系数，计算获取发电损失系数，并计算获得发电损失量。

进一步而言，所述遮挡损失分析模块201还用于执行以下步骤：

根据所述目标电站的监测数据，获取多个时间段内目标电站内全部光伏板被遮挡的损失发电量，获得样本时间信息记录和样本遮挡损失系数记录；

采用所述样本时间信息记录和样本遮挡损失系数记录作为训练数据，基于机器学习，训练满足收敛要求的遮挡识别器；

采用所述遮挡识别器，对所述时间信息进行识别，获得遮挡损失系数。

进一步而言，所述气象损失分析模块203还用于执行以下步骤：

根据所述目标电站的监测数据，获取多个样本气象数据序列和多个样本气象损失系数；

采用多个样本气象数据序列和多个样本气象损失系数作为训练数据，基于机器学习，训练满足收敛要求的气象损失识别器；

采用气象损失识别器，对所述气象数据序列进行识别，获得所述气象损失系数。

其中，还包括：

根据所述目标电站的灰尘监测数据，获取不同气象数据序列下灰尘量的变化量，计算获得多个样本灰尘影响参数；

基于决策树，采用气象数据作为决策输入，采用灰尘影响参数作为决策数据，根据多个样本气象数据序列和多个样本灰尘影响参数，构建灰尘影响分类器；

采用灰尘影响分类器，对所述气象数据序列进行决策分类，获得所述灰尘影响参数。

进一步地，所述灰尘损失分析模块205还用于执行以下步骤：

获取所述目标电站内多个光伏板的坐标参数，结合所述灰尘参数阵列，拟合获取目标电站内的灰尘分布拟合图像；

基于深度学习，训练获取具有K-1层灰尘分布图生成通道的灰尘分布图生成器，K为大于1的整数；

采用灰尘分布图生成器对所述灰尘分布拟合图像进行处理，获得生成的精细灰尘分布图像；

训练获取灰尘损失识别器；

采用所述灰尘损失识别器，对精细灰尘分布图像进行识别，获得所述灰尘损失系数。

其中，基于深度学习，训练获取具有K-1层灰尘分布图生成通道的灰尘分布图生成器，包括：

根据所述目标电站内的灰尘监测数据，获取K个样本灰尘分布图像集，K个样本灰尘分布图像集内的样本灰尘分布图像大小不同；

基于对抗生成网络，构建所述K-1层灰尘分布图生成通道，其中，每层灰尘分布图生成通道包括生成器和判别器，K-1层灰尘分布图生成通道的输入图像和输出图像的大小呈金字塔形分布，第一层灰尘分布图生成通道的输入图像的大小和所述灰尘分布拟合图像相同，第K-1层灰尘分布图生成通道的输出图像的大小为所述目标电站内全部光伏板的灰尘参数拟合形成的灰尘分布拟合图像的大小相同；

采用所述K个样本灰尘分布图像集内的第一样本灰尘分布图像集和第二样本灰尘分布图像集，对第一层灰尘分布图生成通道进行监督训练，直到收敛，其中，对输入的第一样本灰尘分布图像加入随机噪声输入生成器内，对生成器生成的生成灰尘分布图像通过判别器进行判别；

在第一层灰尘分布图生成通道训练完成后，继续对其他的K-2层灰尘分布图生成通道进行训练，直到全部收敛。

其中，训练获取灰尘损失识别器，包括：

根据所述目标电站内的灰尘监测数据，获取样本精细灰尘分布图像集；

基于每个样本精细灰尘分布图像下目标电站的发电数据，计算获取样本灰尘损失系数集；

基于深度卷积网络，构建灰尘损失识别器；

采用所述样本精细灰尘分布图像集和样本灰尘损失系数集，对灰尘损失识别器进行训练，直到符合收敛条件。

本说明书通过前述对一种用于光伏电站的发电损失分析方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种用于光伏电站的发电损失分析方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

关于一种用于光伏电站的发电损失分析系统的具体实施例可以参见上文中对于一种用于光伏电站的发电损失分析方法的实施例，在此不再赘述。上述一种用于光伏电站的发电损失分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

实施例三

如图4所示，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现实施例一内方法的步骤。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于光伏电站的发电损失分析方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

实施例四

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例一内方法的步骤。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。