本发明涉及光伏面板积灰程度预测，具体涉及一种基于idbo优化的lstm光伏面板积灰程度预测方法及系统。
背景技术：
1、光伏组件作为太阳能发电系统的核心部件，其表面积灰程度直接关系到光电转换效率。积灰不仅会降低光伏面板的透光率，减少到达电池表面的光强，而且灰尘的沉积还会增加组件的热阻，导致组件工作温度升高，进一步影响光伏组件的效率和寿命。此外，积灰还可能引起光伏组件的热斑效应，导致局部温度过高，增加火灾风险，影响系统的安全运行。据研究，透光率每降低1％，光伏组件的光电转换效率就下降0.5％左右。因此，准确预测和优化光伏面板的积灰程度对于提升系统性能具有重要意义。
2、传统的光伏面板积灰程度预测方法，除了依赖于物理模型和经验公式外，还包括直接检测积灰的方法。这些直接检测方法，如积灰称重或图像处理技术，虽然提供了一种测量积灰量的直接手段，但它们存在一系列不足之处。首先，这些方法往往需要复杂的设备和繁琐的操作流程，导致预测过程耗时且成本高昂。其次，直接检测方法可能无法实时反映积灰变化，因为它们通常需要在特定时间点进行，而不是连续监测。此外，这些方法可能受到环境因素的影响，如光照条件和灰尘特性的变化，从而影响测量的准确性。由于这些局限性，直接检测积灰的方法在实时监测和预测光伏面板积灰程度方面存在明显的不足。
3、相比之下，本技术提出的基于改进蜣螂算法优化的lstm网络模型，通过分析光伏面板的透光率数据，能够更高效、更准确地预测积灰程度。这种方法不仅减少了对复杂设备和大量实验数据的依赖，而且能够适应多变的环境因素，实现快速且经济的实时预测。
4、随着深度学习技术的快速发展，尤其是卷积神经网络(cnn)和长短期记忆网络(lstm)在图像识别和时间序列预测中的成功应用，研究者开始探索将其应用于光伏面板积灰程度的预测。这些技术能够处理复杂的非线性关系，提供更准确的预测结果。然而，单一的lstm网络对空间信息的捕捉能力有限，且计算成本和调参难度较高，导致预测时间成本高，预测结果精度低，无法很好地满足光伏面板积灰程度的实时预测需求。
5、据不完全统计，在过去五年中，全球光伏组件制造商报告的与积灰相关的质量问题导致的返修和更换事件超过数千起，造成了巨大的经济损失。这一数据凸显了准确预测和控制光伏面板积灰程度的重要性。现有的积灰预测模型，主要依赖于积灰称重，或者图像处理，虽然在一定程度上可以预测积灰情况，但方法复杂，且误差较大、成本较高，以及模型泛化能力的局限，仍存在预测精度和实时性的不足。
技术实现思路
1、本发明意在提供一种基于idbo优化的lstm光伏面板积灰程度预测方法及系统，通过透光率的情况来反应积灰程度，克服现有技术预测时间成本高，预测精度不佳的问题，高效实现光伏面板积灰程度的预测
2、为解决上述技术问题，本发明提供如下技术方案：一种基于idbo优化的lstm光伏面板积灰程度预测方法，包括以下步骤：
3、s1、基于光伏面板透光率数据样本训练建立基于改进蜣螂优化算法(improvedung beetle optimization,idbo)优化的lstm光伏面板透光率预测模型，通过透光率情况反应积灰程度；
4、建立光伏面板透光率预测模型的过程包括以下操作：
5、a、按照需求获取光伏面板透光率数据样本后，自动进行预处理，形成实验数据样本数据集，包括训练数据样本集和测试数据样本集；
6、b、基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型，利用改进蜣螂优化算法计算lstm网络的最优参数，包括lstm层中的单元数量、学习率的初始值以及l2正则化项的强度；在lstm层前添加cnn层，并在其后添加注意力模块，用于提取与关注影响输出的局部特征以适配光伏面板透光率预测模型；
7、c、利用所述实验数据样本数据集中的训练数据样本集对光伏面板透光率预测模型进行训练直至满足设定的训练条件，并利用所述测试数据样本集进行测试；
8、s2、获取待预测的光伏面板的实时透光率以及影响透光率的环境因素数据；
9、s3、将实时检测的数据制作成数据集输入到基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型中进行预测；所述实时检测的数据包括光伏面板透光率、环境温度、湿度、风速、pm10浓度以及降雨量；
10、s4、对预测结果所得的拟合系数以及均方根误差等指标进行分析，若拟合系数及均方根误差等指标达到设定要求，则根据不同的透光率反应的积灰程度进行输出提示。
11、进一步，步骤b中构建基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型时，所述改进蜣螂优化算法，设计蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为作为建模规则，对所述的模型超参数进行寻优，其中，每个蜣螂种群由四种不同的蜣螂组成，包括滚球蜣螂、繁殖蜣螂、觅食蜣螂以及偷窃蜣螂，具体包括：
12、a1、初始化参数，并利用式(1)logistic映射初始化蜣螂种群：
13、xn+1＝r×xn×(1-xn) (1)
14、其中r是控制参数，通常取值在3到4之间，x代表蜣螂，n是蜣螂的数量；
15、a2、计算每个蜣螂的适应度值，找出当前最优适应度值和最差适应度值，以及相对应的位置；
16、a3、执行融合黄金正弦策略的滚球行为，按照式(2)更新位置；
17、xi(t+1)＝xi(t)×|sin r1|+r2×sin r2×|c1×xi(t)-c2×xi(t+1)| (2)
18、其中xi(t+1)表示更新后的位置，xi(t)表示更新前的位置，r1和r2是基于随机数生成的角度，c1和c2是与黄金分割相关的角度；
19、当遇到障碍物无法前进时，模拟舞蹈行为重新获得路线，按照式(3)更新位置；
20、xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)| (3)
21、其中，θ是属于[0-π]的偏转角，若θ为0、π、π/2时，则蜣螂不更新位置，|xi(t)-xi(t-1)|表示第i只蜣螂在第t次迭代时的位置与其在第t-1次迭代时的位置之差；
22、a4、执行繁殖行为，按照式(4)更新位置；
23、bi(t+1)＝x*+b1×(bi(t)-lb*)+b2×(bi(t)-ub*) (4)
24、
25、其中，bi(t)表示第t次迭代中第i个育雏球的位置信息，b1和b2均为1×d的随机变量，d表示优化问题的维度；x*表示当前最优位置，lb*和ub*分别表示产卵区域的上界和下界，r＝1-t/tmax，tmax表示为最大迭代次数，lb和ub分别表示优化问题的下界和上界；
26、a5、执行融合自适应t分布策略的觅食行为，按照式(6)更新位置；
27、xi(t+1)＝bestxx+trnd(freen)×bestxx (6)
28、
29、其中bestxx为当前最优解，trnd是生成符合t分布的随机数的函数；t为迭代次数，m为最大迭代次数；
30、a6、执行偷窃行为，按照式(8)更新位置；
31、xi(t+1)＝xb+s×g×(|xi(t)-x*|+|xi(t)-xb|) (8)
32、其中，xi(t)表示在第t次迭代中第i个小偷蜣螂的位置，g为服从正态分布的1×d的随机向量，s为常数；
33、a7、判断是否达到结束条件，若是，则进行下一步，否则则跳转到a2；
34、a8、程序结束，输出最优结果。
35、进一步，在步骤b中，构建基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型时，在lstm层前添加cnn层，运用cnn层捕捉到局部特征，提高模型的表达能力、运行效率以及鲁棒性。
36、进一步，在步骤b中，构建基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型时，在lstm层后添加注意力机制，运行注意力机制能并行处理输入序列的所有部分，模型能够在不同的表示子空间捕捉信息，有助于提高不同的时间序列特征，提高模型的计算效率以及灵活性。
37、进一步，所述步骤b中，对构建的基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型开展消融实验，通过多个评价指标来对比分析不同优化设计的预测效果；所述评价指标包括：拟合系数、均方根误差、均方误差、平均绝对误差以及平均绝对百分比误差。
38、进一步，步骤a中，对获取的光伏面板透光率数据以及影响因素数据样本进行多层次预处理操作，包括数据清洗、特征工程、离群值与缺失值处理以及数据平滑操作。
39、一种lstm光伏面板透光率预测系统，包括：
40、数据获取单元：负责实时收集光伏面板的透光率数据以及可能影响透光率的环境因素数据；
41、数据预处理单元：自动对收集到的数据进行清洗、特征工程、处理离群值与缺失值，以及数据平滑操作，以形成适合模型训练的样本数据集；
42、模型训练单元：利用改进蜣螂优化算法优化的lstm网络，进行光伏面板透光率预测模型的训练；模型训练单元包括：
43、参数初始化模块，根据logistic映射初始化蜣螂种群，执行种群中个体的适应度计算；
44、行为模拟模块，模拟蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为，以优化lstm网络的超参数；
45、超参数优化模块：基于模拟行为的结果，计算lstm网络的最优参数，包括单元数量、学习率初始值和l2正则化强度；
46、预测模型单元：集成了cnn层和自注意力机制的lstm网络，用于提高模型对局部特征的捕捉能力和时间序列特征的处理效率；
47、预测执行单元：接收数据预处理单元准备好的数据集，输入到训练好的lstm预测模型中，执行透光率的实时预测；
48、结果分析单元：对预测结果进行分析，包括计算拟合系数、均方根误差等指标，并根据这些指标判断透光率的积灰程度，输出相应的提示信号；
49、系统评估单元：对构建的预测模型进行消融实验，通过多个评价指标对比分析不同优化设计的预测效果，以验证模型的有效性。
50、本发明的有益效果：
51、1、本发明提供的一种基于改进蜣螂算法优化的lstm光伏面板透光率预测方法及系统，基于数据样本训练建立基于改进蜣螂算法优化的lstm光伏面板透光率预测网络模型；先对获取的透光率以及影响透光率的环境因素数据样本进行预处理作为实验样本数据集，通过预处理操作实现数据异常值、缺失值以及离群值处理，并对数据进行平滑操作，形成全面可靠的样本数据基础。
52、构建基于改进蜣螂算法优化的lstm光伏面板透光率预测网络模型时，通过改进蜣螂优化算法，以寻找到模型最优超参数提高模型的训练速度以及预测精准度；在lstm层前添加cnn层，加强模型提取与关注影响输出的局部特征，提高模型是训练速度；并在lstm层添加注意力模块，加强预测网络模型对重要特征的提取能力，抑制无用特征，提高光伏面板透光率的预测精度；基于此，获取待检测光伏面板的实时透光率数据以及影响透光率的环境因素数据，输入已建立的光伏面板透光率预测模型中进行透光率预测，根据预测结果输出积灰程度提示信号；相较于现有算法具有更高的预测精度，降低了预测成本，在实际的应用场景中有很好的实际应用潜力。
53、本方案中的一种lstm光伏面板透光率预测系统，通过上述组件的协同工作，实现了对光伏面板透光率的高效、准确预测。系统的设计考虑了实际应用中的数据处理、模型训练、预测执行和结果评估等关键步骤，确保了预测结果的可靠性和实用性。
1.一种基于idbo优化的lstm光伏面板积灰程度预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于idbo优化的lstm光伏面板积灰程度预测方法，其特征在于：步骤b中构建基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型时，所述改进蜣螂优化算法，设计蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为作为建模规则，对所述的模型超参数进行寻优，其中，每个蜣螂种群由四种不同的蜣螂组成，包括滚球蜣螂、繁殖蜣螂、觅食蜣螂以及偷窃蜣螂，具体包括：
3.根据权利要求2所述的一种基于idbo优化的lstm光伏面板积灰程度预测方法，其特征在于：在步骤b中，构建基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型时，在lstm层前添加cnn层，运用cnn层捕捉到局部特征，提高模型的表达能力、运行效率以及鲁棒性。
4.根据权利要求3所述的一种基于idbo优化的lstm光伏面板积灰程度预测方法，其特征在于：在步骤b中，构建基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型时，在lstm层后添加注意力机制，运行注意力机制能并行处理输入序列的所有部分，模型能够在不同的表示子空间捕捉信息，有助于提高不同的时间序列特征，提高模型的计算效率以及灵活性。
5.根据权利要求4所述的一种基于idbo优化的lstm光伏面板积灰程度预测方法，其特征在于：所述步骤b中，对构建的基于改进蜣螂优化算法优化的lstm光伏面板透光率预测模型开展消融实验，通过多个评价指标来对比分析不同优化设计的预测效果；所述评价指标包括：拟合系数、均方根误差、均方误差、平均绝对误差以及平均绝对百分比误差。
6.根据权利要求5所述的一种基于idbo优化的lstm光伏面板积灰程度预测方法，其特征在于：步骤a中，对获取的光伏面板透光率数据以及影响因素数据样本进行多层次预处理操作，包括数据清洗、特征工程、离群值与缺失值处理以及数据平滑操作。
7.根据权利要求6所述的一种基于idbo优化的lstm光伏面板积灰程度预测系统，其特征在于，包括：
