清洁板与积尘板反射率差在哪？机载高光谱数据给出直观对比

导读：

光伏表面积尘会显著拉低光伏发电效率，传统功率监测、RGB 图像手段难以实现定量评估。河海大学团队基于双利合谱 GaiaSky-mini3-VN 无人机高光谱成像系统，结合分数阶微分与改进金枪鱼群优化 BP 神经网络，实现光伏板积尘密度高精度反演与空间制图，为光伏场站智能除尘调度提供技术支撑。

1. 顶刊身份卡

2. 应用方向速览

研究背景

光伏板积尘会显著降低发电效率，积尘 30 天可造成效率损失约 15%，功率输出下降 18.74%，严重时还会诱发热斑损伤组件。传统功率分析易受工况干扰，RGB 图像难以实现定量评估。无人机高光谱为积尘监测提供新路径，但数据存在噪声与信息冗余，需配套专门的预处理与建模方法。

研究内容

利用无人机高光谱影像估算光伏板表面的积尘密度，绘制空间分布图，让不同位置的积尘量有据可查。

方法创新

引入分数阶微分提取光谱信息，再通过正弦映射金枪鱼群算法优化BP神经网络，改善积尘估算效果。

主要结果

0.2阶处理与优化模型组合取得最佳验证集结果：R²＝0.95，RMSE＝0.79 g/m²。另一期影像与实测样本进一步检验了模型表现。

3. 实验设计

研究于2024年5月8日在河海大学开展实验，将采集的灰尘施加于光伏板面，获取无人机高光谱影像，并对取样区域的积尘进行称重。

80个积尘样本｜每个取样区域8×8 cm｜三次测量取均值

取样区域的平均光谱作为模型输入，称重结果结合面积换算为积尘密度。研究另用2024年7月29日的影像及60个实测样本开展后续验证。

图1 整体工作流程图

4. 高光谱数据采集

研究使用双利合谱 GaiaSky-mini3-VN 无人机高光谱成像系统，搭载于经纬300 RTK无人机平台。

光谱范围 400—1000nm 光谱通道224个

本次飞行高度 50m 本次影像空间分辨率 2cm/pixel

采集前获取反射率校正参考数据。随后提取取样区域的平均光谱，并进行平滑处理。设备提供的关键数据，是板面各位置在连续波段上的反射信息。这些信息用于建立积尘估算模型，并支持后续空间制图。

5. 研究结果

5.1 积尘增加时反射光谱发生变化

清洁光伏板反射率*低，随着积尘密度增加，反射率逐渐升高。在450-700 nm波段，重度积尘条件下光谱反射率上升更为急剧，反映出积尘层对光伏板光吸收特性的显著改变。

图2 不同积尘密度下的反射光谱。

5.2 微分阶数需要通过数据比较选择

研究比较了0—2阶的光谱处理结果。低阶处理与高阶处理呈现不同的曲线形态，模型精度并未随阶数升高持续改善，*优组合出现在0.2阶。。因此，选择合适阶数的FOD在降噪与保留有效信息之间取得平衡至关重要。

图3 分数阶微分处理后的光谱曲线（0.1-2.0阶）

5.3 低阶处理与模型优化共同改善估算

研究采用正弦映射改进金枪鱼群算法，并用它优化BP神经网络，形成STSO-BPNN模型。其目的在于改善参数寻优，降低模型训练受初始条件影响的风险。

图4 左：STSO-BPNN在原始光谱、0.2阶、一阶和二阶下的验证集R²。右：同为0.2阶处理时，模型优化前后的RMSE。

优化后误差进一步降低，但普通BPNN已取得较好的结果。评价方法增益时，既要看最终指标，也要看改进前的基线。

5.4 积尘量落实到板面具体位置

模型应用于影像后，得到以g/m²表示的积尘密度分布图。MLR结果噪声较多，SVR对重度积尘区域响应不足；优化后的BP模型呈现出更清晰的空间分布。这张图提供了板面不同位置的积尘估算值，可作为后续运维分析的数据基础。

图5 原始影像与不同模型的积尘反演结果。自上而下：(a)原图；(b)MLR；(c)SVR；(d)SSA-BPNN；(e)TSO-BPNN；(f)STSO-BPNN。

5.5 另一期数据验证与轻积尘表现

在2024年7月29日影像及60个实测样本的验证中，STSO-BPNN取得R²＝0.94、RMSE＝0.86 g/m²，在所比较模型中保持较好表现。

图6 左：后续验证中STSO-BPNN的预测-实测关系；右：低于3 g/m²子集的表现。

轻微积尘更难估算。低于3 g/m²的子集中，R²＝0.60、RMSE＝0.75 g/m²；论文指出，低于1 g/m²时预测更分散。

图7 另一期影像的原图与STSO-BPNN积尘反演图，上方为原图，下方为估算结果及原色标。

不同积尘范围需要分别评价。子集RMSE较低，并不意味着轻积尘预测更可靠，还要结合数据范围和R²共同判断。

6. 结论与启发

核心结论： 

① 清洁光伏板反射率低于积尘光伏板，450-700nm波段重度积尘下反射率提升最为显著；② 低阶分数阶微分可以强化光谱细节、提升信噪比，本研究中 0.2 阶为*优处理阶数；③ 正弦映射金枪鱼群优化 BP 神经网络（STSO‑BPNN）缓解 BPNN 局部*优问题。

可复制的核心技术点：

分数阶微分光谱增强策略。 传统一、二阶整数阶导数消除基线漂移同时容易损失信噪比。0-2 阶分数阶微分渐进求导，可以兼顾降噪与特征保留；

正弦映射初始化改进金枪鱼群算法（STSO）。 原始 TSO 算法种群初始化容易边界聚集；引入正弦映射生成均匀初始种群，强化全局搜索能力，规避 BP 神经网络陷入局部*优。

RPIQ作为模型评价指标。 除常规R²和RMSE外，RPIQ 指标对样本离群值鲁棒性更强，更适配积尘密度这类实际野外监测场景。

技术观察与启示：

无人机高光谱在光伏检测中的优势。 对比 3 波段 RGB 图像、低分辨率卫星影像，无人机高光谱拥有 224 个波段、2 cm 高精度空间分辨率，同时兼顾光谱细节与空间信息，非常适配光伏场站积尘监测场景。

低阶FOD的重要价值。 高光谱数据预处理中，研究人员往往默认使用一阶或二阶导数。本研究发现0.2阶FOD效果远超整数阶，这一反直觉的发现提示：数据处理时应扩大参数搜索空间，而非拘泥于常规选择。

优化算法对BPNN的增益边界。 原始BPNN在0.2阶FOD下R²=0.94；经STSO优化后R²=0.95，提升看似有限（1个百分点），但在RPIQ指标上从7.18提升至7.98，涨幅达11%，说明优化算法核心价值，是提升模型在极低、*高积尘两端极值样本的预测可靠性，对现场极*工况检测具备实际工程意义。

指数化降维的潜力。 经过分数阶微分完成光谱增强后，即便 MLR 简单线性模型也可实现最高R²=0.76的可用精度，该结论为后续研发少特征波段的轻量化专用传感器提供理论依据。

应用迁移： 本方法可迁移至光伏电站积尘智能巡检、农业大棚光伏板清洁评估、其他光学表面（车窗、建筑幕墙）积尘检测等场景。