CN104166999A - 一种基于地基云图强度分层的云团提取方法 - Google Patents

Abstract

本发明提供一种基于地基云图强度分层的云团提取方法，所述方法包括以下步骤：对地基云图进行强度分层；对强度分层得到的色斑图进行云团提取。本发明提供的基于地基云图强度分层的云团提取方法，该方法具有很好的普适性，能够很好的提取出受雾霾影响的全天空地基云图的云团。且可以准确预测未来四小时由于光伏电站周围云量变化和遮挡，提高了光伏超短期功率预测的精度。

Description

一种基于地基云图强度分层的云团提取方法

技术领域

本发明涉及一种提取方法，具体涉及一种基于地基云图强度分层的云团提取方法。

背景技术

随着近年来大规模光伏电站接入电网，对光伏电站的输出功率进行准确预测，能为电力调度提供重要的决策支持，能够统筹安排常规电源和光伏发电的协调配合，有效的降低电力系统运行成本，使得光伏资源得到充分的利用，从而获得更大的经济效益和社会效益。但是光伏发电系统的输出功率很大程度上决定于光伏面板所能接收到的太阳辐射量，容易受到天气因素的影响，因而具有间歇性、波动性和随机性的缺点，从而造成其输出功率不稳定且难以预测。这一缺点不仅影响了电能质量,甚至会影响整个电力系统的稳定性。由于受到雾霾天气的影响，使用全天空成像仪对云团进行采集时，由于雾霾对光线的影响，导致云团图像的退化，从而为全天空云图的云团提取带来了一定的难度，进而给基于地基云图的光伏预测模型带来了很大的预测误差。为受不同气象环境影响，在云图成像时，其色彩也会不同，有的偏亮，有的过暗，有的对比度高，有的则低。为了实现对云状准确识别，就需要有针对性的选择云图处理算法，这就使得云状识别算法的普适性被降低。

由于受到雾霾天气的影响，使用全天空成像仪对云团进行采集时，由于雾霾对光线的影响，导致云团图像的退化，从而为全天空云图的云团提取带来了一定的难度，进而给基于地基云图的光伏预测模型带来了很大的预测误差。

发明内容

为准确预测未来四小时由于光伏电站周围云量变化和遮挡，所引起的辐射衰减而导致的光伏电站发电功率瞬时下降，以提高光伏超短期功率预测的精度，本发明提供一种基于地基云图强度分层的云团提取方法，该方法具有很好的普适性，能够很好的提取出受雾霾影响的全天空地基云图的云团。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于地基云图强度分层的云团提取方法，所述方法包括以下步骤：

步骤1：对地基云图进行强度分层；

步骤2：对强度分层得到的色斑图进行云团提取。

所述步骤1包括以下步骤：

步骤1-1：确定地基云图对应的灰度图中的灰度值f(x,y)；

步骤1-2：对地基云图进行强度分层。

所述步骤1-1中，不同层地基云图的图像密度用三维函数(x,y,f(x,y))表示，其中x和y决定地基云图对应的灰度图中像素值的位置，f(x,y)为地基云图对应的灰度图中的灰度值，设灰度图的灰度级为[0,L_max-1]，L_max为灰度级最大值，使l₀表示黑色级，l_L-1代表白色级；假设垂直于强度轴的P个平面分别定义为l₁,l₂,…,l_P，其中0＜P＜L_max-1；则P个平面将灰度级分为P+1个强度间隔V₁,V₂,…,V_k,…,V_P+1，则f(x,y)表示为：

f(x,y)＝c_k,f(x,y)∈V_k   (1)

其中，c_k为强度间隔V_k的第k级强度有关的颜色。

步骤1-2：设定间隔层数P_S，灰度直方图中的极小值点序列按灰度从小到大排序，设极小值点序列总数为P_M，则有：

(1)当P_L＝(P_M-1)时，表示地基云图的云状特征与强度分层相吻合，则直接对地基云图进行强度分层；

(2)当P_L<(P_M-1)时，表示地基云图的云状特征的细化度高于强度分层数，对云状特征进行粗化，此时在极小值点序列中选出(P_L+1)个灰度区间较大的极小值点进行强度分层；

(3)当P_L>(P_M-1)时，表示地基云图的云状特征细化度小于强度分层数，在极小值序列中选择灰度区间较大的两极值间均匀的补充(P_L-P_M+1)点。

所述步骤2中，基于OTUS图像分割算法对强度分层得到的色斑图进行云团提取。

设地基云图对应的灰度图的灰度级为L，L∈[0，L_max]，灰度值为i的像素数为n_i个，则总的像素数为则各灰度值出现的概率为用灰度阈值T将地基云图分成背景图像CB_B和目标图像CB₀，且有CB_B∈{1,…,T}，CB₀∈{T+1,…,L}；则背景图像和目标图像发生的概率分别表示为：

${\mathrm{\&omega;}}_B=\frac{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{n}_i}{N}=\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_i---\left(2\right)$

${\mathrm{\&omega;}}_0=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{n}_i}{N}=\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i---\left(3\right)$

其中，ω_B和ω₀分别为背景图像和目标图像发生的概率；

背景图像和目标图像的平均灰度值分别表示为：

${\mathrm{\&mu;}}_B=\frac{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_i\&times;i}{{\mathrm{\&omega;}}_B}---\left(4\right)$

${\mathrm{\&mu;}}_0=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i\&times;i}{{\mathrm{\&omega;}}_0}---\left(5\right)$

其中，μ_B和μ₀分别为背景图像和目标图像的平均灰度值；

背景图像和目标图像的类间方差G(T)表示为：

G(T)＝μ_Bω_B+μ₀ω₀   (6)

于是，满足的灰度阈值T为分割目标图像和背景图像的最佳阈值，根据最佳阈值即可完成地基云图的图像分割，进而实现云团提取。

与现有技术相比，本发明的有益效果在于：

本发明可以将不同色彩背景的地基云图，如雾霾降质的云图，亮度不同，天空背景不同的地基云图，经过云图色彩强度分层，可以将云图中的不同色彩信息分割到不同的强度等级上，因为是基于云图的灰度直方图，是将云图中的主要色彩成份提取出来划入有对应的强度层，从而有利于将有云信息和非动的信息分割开来。在统一色彩强度背景的层次下，选择相应的某种最优的云状识别算法，就可以将云团提取出来，从而提高了云图处理算法的通用性，实现不同云图背景的云状识别，提高了对应云图识别算法的通用性、普适性。

附图说明

图1是本发明实施例中基于灰度直方图的分层方法示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

与现有技术的之间的对比，目前国内外还没有使用云图的强度分层方法实现多种气象条件下的地基云团的提取，有很多文献介绍如何提取云团，但是每种方法都有一定的针对性，不具有多种气象条件下的普适性，本专利所提出的方法有很强的普适性，可以解决多种气象条件下的地基云团的提取问题。

本发明提供一种基于地基云图强度分层的云团提取方法，所述方法包括以下步骤：

步骤1：对地基云图进行强度分层；

步骤2：对强度分层得到的色斑图进行云团提取。

所述步骤1包括以下步骤：

步骤1-1：确定地基云图对应的灰度图中的灰度值f(x,y)；

步骤1-2：对地基云图进行强度分层。

述步骤1-1中，不同层地基云图的图像密度用三维函数(x,y,f(x,y))表示，其中x和y决定地基云图对应的灰度图中像素值的位置，f(x,y)为地基云图对应的灰度图中的灰度值，设灰度图的灰度级为[0,L_max-1]，L_max为灰度级最大值，使l₀表示黑色级，l_L-1代表白色级；假设垂直于强度轴的P个平面分别定义为l₁,l₂,…,l_P，其中0＜P＜L_max-1；则P个平面将灰度级分为P+1个强度间隔V₁,V₂,…,V_k,…,V_P+1，则f(x,y)表示为：

f(x,y)＝c_k,f(x,y)∈V_k   (1)

其中，c_k为强度间隔V_k的第k级强度有关的颜色。

步骤1-2：在强度层数可预先设定间隔层数P_S，然后基于增强后云图的灰度统计直方图的极小值点序列计算出每层的灰度级范围，因为两极小值间的灰度级可代表某一类云图特征(如附图1)，灰度直方图中的极小值点序列按灰度从小到大排序，设极小值点序列总数为P_M，则有：

(1)当P_L＝(P_M-1)时，表示地基云图的云状特征与强度分层相吻合，则直接对地基云图进行强度分层；

(2)当P_L<(P_M-1)时，表示地基云图的云状特征的细化度高于强度分层数，对云状特征进行粗化，此时在极小值点序列中选出(P_L+1)个灰度区间较大的极小值点进行强度分层；

(3)当P_L>(P_M-1)时，表示地基云图的云状特征细化度小于强度分层数，在极小值序列中选择灰度区间较大的两极值间均匀的补充(P_L-P_M+1)点。

所述步骤2，基于OTUS图像分割算法对强度分层得到的色斑图进行云团提取。

通过以上基于地基云图灰度直方图的强度分层技术生成含有明显特征信息的云图色斑图。强度分层后的色斑图的云团信息充分，可以采用经典的OTSU图像分割算法实现对色斑图中的云状分割，OTSU算法是基于最小类内方差(或最大类间方差)准则确定分割门限，该算法有很好的实时性，这符合地基云图处理的工程实效性原则，而且色斑图也保证了算法的性能稳定。

设地基云图对应的灰度图的灰度级为L，L∈[0，L_max]，灰度值为i的像素数为n_i个，则总的像素数为则各灰度值出现的概率为用灰度阈值T将地基云图分成背景图像CB_B和目标图像CB₀，且有CB_B∈{1,…,T}，CB₀∈{T+1,…,L}；则背景图像和目标图像发生的概率分别表示为：

${\mathrm{\&omega;}}_B=\frac{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{n}_i}{N}=\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_i---\left(2\right)$

${\mathrm{\&omega;}}_0=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{n}_i}{N}=\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i---\left(3\right)$

其中，ω_B和ω₀分别为背景图像和目标图像发生的概率；

背景图像和目标图像的平均灰度值分别表示为：

${\mathrm{\&mu;}}_B=\frac{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_i\&times;i}{{\mathrm{\&omega;}}_B}---\left(4\right)$

${\mathrm{\&mu;}}_0=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i\&times;i}{{\mathrm{\&omega;}}_0}---\left(5\right)$

其中，μ_B和μ₀分别为背景图像和目标图像的平均灰度值；

背景图像和目标图像的类间方差G(T)表示为：

G(T)＝μ_Bω_B+μ₀ω₀   (6)

于是，满足的灰度阈值T为分割目标图像和背景图像的最佳阈值，根据最佳阈值即可完成地基云图的图像分割，进而实现云团提取。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (6)

1.一种基于地基云图强度分层的云团提取方法，其特征在于：所述方法包括以下步骤：

步骤1：对地基云图进行强度分层；

步骤2：对强度分层得到的色斑图进行云团提取。

2.根据权利要求1所述的基于地基云图强度分层的云团提取方法，其特征在于：所述步骤1包括以下步骤：

步骤1-1：确定地基云图对应的灰度图中的灰度值f(x,y)；

步骤1-2：对地基云图进行强度分层。

3.根据权利要求2所述的基于地基云图强度分层的云团提取方法，其特征在于：所述步骤1-1中，不同层地基云图的图像密度用三维函数(x,y,f(x,y))表示，其中x和y决定地基云图对应的灰度图中像素值的位置，f(x,y)为地基云图对应的灰度图中的灰度值，设灰度图的灰度级为[0,L_max-1]，L_max为灰度级最大值，使l₀表示黑色级，l_L-1代表白色级；假设垂直于强度轴的P个平面分别定义为l₁,l₂,…,l_P，其中0＜P＜L_max-1；则P个平面将灰度级分为P+1个强度间隔V₁,V₂,…,V_k,…,V_P+1，则f(x,y)表示为：

f(x,y)＝c_k,f(x,y)∈V_k   (1)

其中，c_k为强度间隔V_k的第k级强度有关的颜色。

4.根据权利要求2所述的基于地基云图强度分层的云团提取方法，其特征在于：步骤1-2：设定间隔层数P_S，灰度直方图中的极小值点序列按灰度从小到大排序，设极小值点序列总数为P_M，则有：

(1)当P_L＝(P_M-1)时，表示地基云图的云状特征与强度分层相吻合，则直接对地基云图进行强度分层；

(2)当P_L<(P_M-1)时，表示地基云图的云状特征的细化度高于强度分层数，对云状特征进行粗化，此时在极小值点序列中选出(P_L+1)个灰度区间较大的极小值点进行强度分层；

(3)当P_L>(P_M-1)时，表示地基云图的云状特征细化度小于强度分层数，在极小值序列中选择灰度区间较大的两极值间均匀的补充(P_L-P_M+1)点。

5.根据权利要求1所述的基于地基云图强度分层的云团提取方法，其特征在于：所述步骤2中，基于OTUS图像分割算法对强度分层得到的色斑图进行云团提取。

6.根据权利要求5所述的基于地基云图强度分层的云团提取方法，其特征在于：设地基云图对应的灰度图的灰度级为L，L∈[0，L_max]，灰度值为i的像素数为n_i个，则总的像素数为则各灰度值出现的概率为用灰度阈值T将地基云图分成背景图像CB_B和目标图像CB₀，且有CB_B∈{1,…,T}，CB₀∈{T+1,…,L}；则背景图像和目标图像发生的概率分别表示为：

${\mathrm{\&omega;}}_B=\frac{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{n}_i}{N}=\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_i---\left(2\right)$

${\mathrm{\&omega;}}_0=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{n}_i}{N}=\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i---\left(3\right)$

其中，ω_B和ω₀分别为背景图像和目标图像发生的概率；

背景图像和目标图像的平均灰度值分别表示为：

${\mathrm{\&mu;}}_B=\frac{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{P}_i\&times;i}{{\mathrm{\&omega;}}_B}---\left(4\right)$

${\mathrm{\&mu;}}_0=\frac{\underset{i=T+1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i\&times;i}{{\mathrm{\&omega;}}_0}---\left(5\right)$

其中，μ_B和μ₀分别为背景图像和目标图像的平均灰度值；

背景图像和目标图像的类间方差G(T)表示为：

G(T)＝μ_Bω_B+μ₀ω₀   (6)

于是，满足1的灰度阈值T为分割目标图像和背景图像的最佳阈值，根据最佳阈值即可完成地基云图的图像分割，进而实现云团提取。