论文标题
- 英文标题：Predictive method for cleaning photovoltaic plants in desert areas using TinyML and IoT technique
作者信息
- A. Mellit, M. Chourouk：Faculty of Science and Technology, Renewable Energy laboratory, University of Jijel, Jijel, Algeria
- M. Zennaro：The International Center of Theoretical Physics, AS-ICTP, Trieste, Italy
论文出处
- 发表于IEEE，版权信息为©20XX IEEE
论文主要内容
摘要
本文提出了一种预测方法，用于规划沙漠地区光伏(PV)电站的清洁工作，这些地区经常观察到灰尘和沙子。收集了包含三个类别（清洁、灰尘积累和沙子沉积在PV模块上）的视觉图像数据集。使用Edge impulse平台开发分类器，并根据预测类别确定清洁周期（每日、每周或每月）和清洁类型。随后，模型被量化并实现到低成本微控制器（Nano BLE Sense）中。为了协助用户制定清洁计划，获得的分类结果被发布在平台（Arduino IoT cloud）上，使用低成本WiFi模块（ESP8266）。通过共模拟和实验测试证明了所提方法的可行性，户外测试在阿尔及利亚的撒哈拉地区进行。
引言
全球光伏(PV)安装容量接近1.2TW，沙漠地区似乎是安装PV电站的理想场所，因为它们白天有大量的太阳辐射且没有空间限制。然而，大型太阳能电站面临许多挑战，主要是撒哈拉地区的灰尘或沙子积累。不同地区需要根据气候条件和使用的PV技术进行每日、每周或每月的清洁。本文介绍了减少PV装置上灰尘影响的各种技术，从机械到主动和被动电子系统。研究还涉及了智能系统、电静力系统和机器人清洁方法。
材料和方法
- 数据库准备：数据集包含240张视觉图像，描述了阿尔及利亚不同沙漠地区的PV阵列。通过图像增强技术，数据库大小增加到3000张图像，每个类别1000张图像。
- 机器学习和模型开发：使用Edge Impulse平台开发嵌入式和Edge ML（TinyML）系统。使用的分类模型是MobileNet V1，这是一个在ImageNet数据集上训练的架构，用于特定应用的微调。
- 模型在硬件中的实现：开发和优化模型后，下一步是实施和部署模型。目标设备是一个低成本的TinyML套件，包含微控制器和视觉相机，专门用于计算机视觉应用，包括基于ML的图像分类。
结果和讨论
- 模拟结果：通过多次实验，列出了所选模型的超参数。计算了模型的F1分数和准确率，量化模型的F1分数在81%到90%之间，未优化模型在90%到93%之间。未优化模型的准确率优于量化模型。
- 实验结果：在进行实验测试之前，通过共模拟验证了生成的Arduino库。实验结果表明，系统能够根据捕获的图像正确分类，用户可以根据这些分类结果计划清洁过程。
结论和展望
本文提出了一种清洁光伏电站的预测方法，旨在设计一个机器学习模型，对PV模块的三种类型图像进行分类，用户可以根据分类结果决定清洁周期和清洁类型。所提方法可以显著降低维护成本并保持PV电站的性能，特别是在经常受到沙子和灰尘影响的沙漠地区。未来的工作计划将设计的原型集成到无人机中，用于撒哈拉地区PV电站的空中检查。
