1.一种光伏性能综合监测评估及维护方法，其特征在于：包括以下步骤：S1、通过太阳光辐照度测量仪获取太阳光辐照度；获取光伏系统的各光伏电池单元对应的I-V输出特性曲线图；S2、根据各I-V输出特性曲线图和太阳光辐照度进行计算，得到各光伏电池单元的光电转换效率；S3、对各光伏电池单元的光电转换效率进行初次筛选，得到待确认的光伏电池单元；S4、获取各待确认的光伏电池单元的原始图像数据集并进行预处理，得到对应的灰度图像数据集；所述原始图像数据集包括干净的光伏电池单元图像和被遮挡的光伏电池单元图像；S5、将灰度图像数据集进行角度识别，得到对应的角度识别结果；所述步骤S5的具体过程为：遍历灰度图像数据集中的每个像素，利用立体视觉算法获取对应的角点；根据角点和相机参数计算各光伏电池单元的外接矩形；根据各光伏电池单元的外接矩形获取对应的投影面积，即角度识别结果；S6、根据光伏电池单元的角度识别结果判断该光伏电池单元的灰度图像是否满足筛选条件；若是则进入步骤S9；反之则得到筛选后的灰度图像数据集并进入步骤S7；S7、将筛选后的灰度图像数据集输入至图像综合监测模型并进行训练，得到训练后的图像综合监测模型；所述步骤S7中的图像综合监测模型包括依次串联的图像检测模块、图像特征提取模块、多头自注意力模块和SVM分类器；所述图像特征提取模块包括并联的多尺度深层特征提取单元、浅层特征提取单元；所述多尺度深层特征提取单元包括多尺度深层特征提取层、残差模块；所述多头自注意力模块包括依次串联的第一归一化层、多头自注意力层和第二归一化层；所述多头自注意力层和第二归一化层之间插入有一个残差连接层；所述图像检测模块采用YOLO模型；所述浅层特征提取单元采用VGG神经网络模型；所述多尺度深层特征提取层采用Faster R-CNN神经网络；所述步骤S7进一步包括：S7-1、将灰度图像数据集输入至YOLO模型，得到最终的检测框；所述步骤S7-1进一步包括：S7-1-1、将灰度图像数据集输入至YOLO模型，得到初始检测框及其置信度分数；S7-1-2、判断各个初始检测框的置信度分数是否小于阈值；若是则去除该初始检测框；反之保留该初始检测框，得到筛选后的检测框；S7-1-3、利用NMS算法对筛选后的检测框进行处理，得到最终的检测框；S7-2、将灰度图像数据集和最终的检测框输入至VGG神经网络模型，得到对应的浅层特征数据；S7-3、将灰度图像数据集和最终的检测框输入至Faster R-CNN神经网络，得到对应的各尺度下的特征数据；S7-4、将各尺度下的特征数据输入至残差模块，得到深层特征数据；S7-5、将深层特征数据和浅层特征数据输入至多头自注意力模块，得到最终的特征数据；S7-6、将最终的特征数据输入至SVM分类器，得到对应的图像监测结果；S7-7、根据图像监测结果获取损失函数；根据损失函数对图像综合监测模型的参数进行调整，得到训练后的图像综合监测模型；S8、将待监测的光伏电池单元的图像输入至训练后的图像综合监测模型，得到对应的图像监测结果；图像监测结果包括待清洁的光伏电池单元以及不需要清洁的光伏电池单元；S9、根据图像监测结果和光伏电池单元的角度识别结果、光电转换效率，制定维护方案，完成对光伏系统的监测和维护。
2.根据权利要求1所述的光伏性能综合监测评估及维护方法，其特征在于：所述步骤S3进一步包括：将正常工作状态下且无遮挡的光伏电池单元对应的光电转换效率作阈值；判断各光伏电池单元对应的光电转换效率是否低于阈值，保留低于阈值的各光伏电池单元并作为待确认的光伏电池单元。
3.根据权利要求1所述的光伏性能综合监测评估及维护方法，其特征在于：所述步骤S7-5的公式为：其中， 表示浅层特征数据， 表示深层特征数据， 表示归一化函数， 表示归一化后的输入数据， 表示第 个归一化后的输入数据， 分别表示多头自注意模块的第 次子空间的查询向量、键向量以及值向量， 、 、 分别表示多头自注意模块的第 次子空间查询向量、键向量以及值向量对应的权重， 表示键向量 的转置矩阵， 表示多头自注意模块的维度， 表示激活函数， 表示多头自注意模块的第 次子空间的注意力权重， 表示多头自注意模块的第 次子空间的注意力分数， 表示多头自注意模块的各个注意力分数， 表示拼接函数， 表示输出变换矩阵， 表示多头自注意模块的总层数， 表示多头自注意模块的输出， 表示最终的特征数据。
4.根据权利要求1所述的光伏性能综合监测评估及维护方法，其特征在于：所述步骤S7-7中的损失函数公式为：其中， 表示监测框损失函数， 表示第二损失函数， 表示第一损失函数， 表示监测框损失函数的权重， 表示第二损失函数的权重， 表示第一损失函数的权重， 表示目标框 和预测框 的交并比， 表示目标框 和预测框 的欧氏距离的平方， 、 、 分别表示目标框 和预测框 的最小外接矩形的宽、目标框 的宽、预测框 的宽， 、 、 分别表示目标框 和预测框 的最小外接矩形的高、目标框 的高、预测框 的高， 表示目标框 的宽 和预测框 的宽 的欧氏距离的平方， 表示目标框 的高 和预测框 的高 的欧氏距离的平方， 、 均表示归一化参数， 表示常数， 表示求和函数， 表示第 个样本的深层特征对应的标签， 表示真实标签， 表示目标区域的平移缩放参数， 表示目标区域对应的真实标注区域的平移缩放参数， 表示以10为底的对数函数， 表示样本总数， 表示第 个样本的浅层特征对应的标签， 、 表示对应标签的概率。
5.根据权利要求1所述的光伏性能综合监测评估及维护方法，其特征在于： 所述步骤S9的具体过程为:对于满足筛选条件的光伏电池单元，判定其支撑装置工作异常，将其作为支撑装置待检修点位；对于图像监测结果为待清洁的光伏电池单元，判定其表面存在污渍，将其作为待清洁点位；对于不满足筛选条件且图像监测结果为不需要清洁的光伏电池单元，判定其为光伏硬件故障，将其作为待更换点位；对于所有的支撑装置待检修点位、所有的待清洁点位和待更换点位，根据相关工作人员的数量进行相应的维护路径规划。
6.一种基于权利要求1至5任一所述的光伏性能综合监测评估及维护方法的维护系统，其特征在于：包括数据获取模块、光电效率模块、图像获取及处理模块、图像角度识别模块、特征监测提取模块、融合模块、图像结果模块、图像结果监测模块以及实时监测及分析模块；所述数据获取模块，用于获取光伏系统的各光伏电池单元的电流电压参数以及I-V特性图，并通过太阳光辐照度测量仪获取当前时刻下的太阳光辐照度；所述光电效率模块，用于基于各光伏电池单元的I-V特性图和太阳光辐照度获取对应的光电转换效率，并基于各光伏电池单元的的光电转换效率进行初次筛选，得到待确认的光伏电池单元；所述图像获取及处理模块，用于通过无人机实时获取待确认的光伏电池单元的图像并进行预处理，得到对应的灰度图像；所述图像角度识别模块，用于识别光伏电池单元的角度，并根据对应的角度识别结果对光伏电池单元的灰度图像进行二次筛选；所述特征监测提取模块，用于利用YOLO模型、VGG神经网络模型和Faster R-CNN神经网络对筛选后的灰度图像进行处理，得到深层特征数据、浅层特征数据；所述融合模块，用于利用多头自注意力机制将深层特征数据、浅层特征数据进行融合，得到最终的特征数据；所述图像结果模块，用于利用SVM分类器对最终的特征数据进行处理，得到图像监测结果；所述实时监测及分析模块，用于实时显示图像监测结果并根据光伏电池单元的光电转换效率、角度识别结果及图像监测结果进行分析，制定维护方案。
