CN107742171A - 基于移动阴影图像识别的光伏电站发电功率预测方法 - Google Patents
基于移动阴影图像识别的光伏电站发电功率预测方法 Download PDFInfo
- Publication number
- CN107742171A CN107742171A CN201711040882.4A CN201711040882A CN107742171A CN 107742171 A CN107742171 A CN 107742171A CN 201711040882 A CN201711040882 A CN 201711040882A CN 107742171 A CN107742171 A CN 107742171A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- photovoltaic array
- image
- label
- shadow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 11
- 238000013277 forecasting method Methods 0.000 title claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003708 edge detection Methods 0.000 abstract 1
- 238000002372 labelling Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 23
- 241001269238 Data Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 240000000233 Melia azedarach Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000710779 Trina Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000005158 plant movement Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
基于移动阴影图像识别的光伏电站发电功率预测方法，首先调研光伏系统中光伏阵列具体结构及光伏组件的电气参数，利用计算机对光伏系统进行建模；其次构建基于移动阴影图像识别的光伏电站输出功率预测系统框架，将光伏阵列运行图像、辐照度数据及工作温度数据通过通信网络传送到光伏发电系统中控室；利用包括智能阈值分割、Canny算子边缘检测、边缘标记等技术的阴影识别算法对图像进行局部阴影识别；通过计算机分析各时间点的阴影边缘，归纳阴影移动规律，完成移动阴影预测，同时获取各个光伏组件的辐照度数据；最后综合光伏阵列的工作温度、辐照度及结构，利用计算机预测光伏电站发电功率。
Description
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种当光伏阵列遭遇局部阴影时输出功率的预测方法。
背景技术
随着社会经济的快速发展，传统能源消耗加快，化石能源紧缺。太阳能作为新能源中的重要组成部分，因其储存量大、清洁环保等优点，成为了人们的关注焦点。光伏发电作为太阳能发电中的主要方式，具有无燃料消耗、无排污、形式灵活、规模不受限、安全可靠等特点，应用前景广阔，受到了国内外学者的广泛关注。
光伏发电虽有诸多优点，其发电量却受到大量环境因素制约。辐照度、环境温度、大气湿度等气象因素不仅制约了光伏发电系统的输出功率，还导致了光伏发电输出功率的间歇性和随机波动性，光伏并网后，该波动性还可能会导致电网不稳定。随着并网光伏系统数量的增加，电力系统的安全稳定运行受到了许多干扰。若电网中接入大规模光伏发电，需要系统提供与其容量相匹配的旋转备用去平抑光伏发电的出力波动,以保证电力系统的功率平衡和频率稳定，产生大量不必要的消耗。因此预测光伏发电输出功率，并且提高预测精度至关重要。精确的光伏发电输出功率预测可以提高光伏的渗透水平，增强电网的稳定性，推进负荷侧管理策略的有效实行。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于移动阴影图像识别的光伏电站发电功率预测方法。
本发明能克服现有光伏发电功率预测技术需要大量历史运行数据的问题，利用辐照度传感器与阴影识别算法获取光伏阵列上的辐照度数据与阴影图像，采用计算机分析多个连续时间点的阴影分布信息，预测超短期内光伏阵列表面阴影移动情况，并结合光伏组件参数、阵列结构，通过计算机仿真预测光伏电站的输出功率。本发明所需的光伏历史运行数据较少，且无需复杂的气象监测设备，就可以快速预测超短期内光伏电站发电功率。
为了实现上述技术目标，本发明提出的技术方案如下：
一种基于移动阴影图像识别的光伏电站发电功率预测方法，包括如下步骤：
步骤1：调研目标光伏电站中光伏阵列的具体结构及光伏组件的电气参数，利用计算机针对实际的光伏阵列进行建模，具体实现方法如下：
步骤11：调研实际光伏电站的光伏阵列，记录光伏阵列的具体结构；
步骤12：调查记录光伏组件的具体参数，包括最大功率PMAX，开路电压VOC，短路电流ISC，最大功率点的工作电压VMPP，最大功率点的工作电流IMPP参数；
步骤13：基于步骤11和步骤12所获得的光伏阵列结构信息及光伏组件的具体参数，利用计算机进行光伏阵列建模，模型设置有常用的辐照度输入接口、温度输入接口等接口；
步骤2：构建基于移动阴影的光伏电站功率预测系统；以实际运行的光伏阵列(1)为核心，布置辐照度传感器(2)采集入射光辐照度数据，设置摄像头(3)和温度检测仪(4)分别采集光伏阵列实际运行图像和工作温度，辐照度传感器(2)、摄像头(3)、温度检测仪(4)通过通信网络(5)连接至光伏发电系统中控室(6)；
步骤3：利用辐照度传感器(2)检测光伏阵列中光照区与阴影区的辐照度数据，标记测量时刻，利用摄像头(3)同步拍摄光伏阵列运行图像，通过温度检测仪(4)检测并记录光伏阵列的工作温度，辐照度数据与光伏阵列运行图像及光伏阵列工作温度数据将通过通信网络(5)传送到光伏发电系统中控室(6)中进行保存与处理；
步骤4：基于光照区域与阴影区域的灰度值不同这一特征，提出光伏阵列阴影识别算法，识别光伏阵列图像中的阴影区域；阴影区域的识别算法及移动阴影预测算法的具体实现方法如下：
步骤41：对光伏阵列图像进行预处理；
步骤411：读取大小为M×N的光伏阵列图像k(x,y)，并将其转换为灰度图f(x,y)，f(x,y)表示点(x,y)的灰度值；
步骤412：采用大津法求取灰度图f(x,y)分割阈值T，遍历灰度图f(x,y)中的所有像素点，若f(x,y)小于T，则令f(x,y)＝0，否则令f(x,y)＝255，完成遍历后获得光伏阵列的二值图像g(x,y)；
步骤413：去除光伏组件中的黑色间隔和白色栅线：设置检测宽度为D，逐列读取步骤412所得的二值图像g(x,y)中横坐标从1到N、纵坐标从1+D到M-D范围内所有点的灰度值，若g(x,y)＝0，且g(x,y-D)＝255，g(x,y+D)＝255，则判定点(x,y)是光伏组件之间的黑色间隔点，并将x列中纵坐标从y-D到y+D的点的灰度值均设置为255，否则判断下一个像素点，根据同一原理，逐列去除光伏组件之间的黑色间隔点后，设置检测宽度为H，去除光伏组件中的白色栅线点，获得二值图像p(x,y)；
步骤414：去除环境干扰后，利用均值滤波器对光伏阵列图像p(x,y)进行滤波，获得滤波后的光伏阵列图像为v(x,y)；
步骤42：识别并标记光伏阵列图像中的阴影区域；
步骤421：采用Canny算子对步骤414滤波后的光伏阵列图像v(x,y)进行边缘检测，产生n+a个连通区域；
步骤422：去除n+a个连通区域中由光伏组件本身颜色不均等原因产生的a个小连通区域，产生n个连通区域，记为阴影区域P；
步骤423：标记步骤422中获取的阴影区域P边缘，获取大小为M×N的标记矩阵Label，当像素点(x,y)在连通区域边界上时，Label(x,y)＝1,2,…,n，矩阵元素值为(x,y)所处连通区域边界所对应的连通区域编号，否则，Label(x,y)＝0；
步骤43：移动阴影的预测，具体步骤如下所述；
步骤431：移动阴影的预测可分为t1，t2，t3共3个时间点，已知t1、t2时间点的光伏阵列图像，预测目标为获取t3时间点的移动阴影分布。重复利用步骤41与步骤42获取t1、t2时间点的阴影区域图像及阴影区域的边缘，获取两个标记矩阵Label1，Label2；
步骤432：设置一个变换矩阵Labeltran，令Labeltran＝Label2-Label1，变换矩阵Labeltran内的标记数据反映了从t1时间点至t2时间点移动阴影的变化趋势；
步骤433：以水平向右方向和垂直向上方向为坐标轴建立平面直角坐标系，分析第k个阴影连通区域Pk的移动，求取区域Pk在t1时间点的质心为Mk1，在t2时间点的质心为Mk2，定义位移矢量的方向为超前水平正半轴α角度，将Labeltran中所有值为k的元素向上平移个单位，再向右移动个单位，根据同一原理对剩余连通区域进行相同分析，并对Labeltran内对应元素进行平移操作，记将Labeltran矩阵经平移后获得的矩阵为Labelf；
步骤434：令Label3＝Labelf+Label2，则Label3为t3时间点阴影分布情况矩阵；
步骤435：利用获得的t3时间点阴影分布情况矩阵Label3在图像中画出阴影边缘的轮廓线，该轮廓线所包围的区域即为预测阴影区域R；
步骤5：根据光伏阵列光照区域与阴影区域的辐照度数据，结合光伏阵列结构，分析光伏阵列中各个光伏组件的辐照度；
步骤6：结合每块光伏组件工作环境温度、辐照度数据，利用计算机仿真绘制光伏阵列的P-V输出特性曲线，取P-V曲线的峰值作为该光伏电站的预测输出功率。
本发明的优点是：适用于各种规模的光伏电站，无需大量光伏电站历史运行数据，同时本发明仅需少量摄像头及辐照度传感器，成本较低。本发明利用简单的图像处理程序进行光伏电站功率预测，占用计算机运算资源较少，实时性较高，在超短期内，本发明的发电功率预测精度较高，可以有效地提高光伏发电的可控性，有利于推进负荷侧管理策略的有效施行，同时提高光伏发电渗透率。
附图说明
图1a～图1b是本发明的光伏电站功率预测系统框架；其中图1a是单组光伏组串的结构图；图1b为光伏电站功率预测系统的整体框架，其中·表示辐射传感器(2)；△表示摄像头(3)；┄表示通信网络(5)；点线封闭区域表示光伏阵列(1)；□表示温度检测仪(4)。
图2是本发明的阴影识别及移动阴影预测流程示意图。
图3a～图3b是光伏电站移动阴影识别过程的示意图，其中图3a是光伏阵列灰度图；图3b是阴影边缘检测结果；
图4a～图4b是光伏电站移动阴影预测结果图像，其中图4a是实际16时的光伏阵列阴影边缘检测结果，图4b是预测的16时光伏阵列阴影边缘分布。
图5a～图5b是预测的光伏阵列输出特性曲线，其中图5a是预测的16时功率-电压(P-V)输出特性曲线，—为实际输出功率，┄为预测输出功率；图5b是预测的17时功率-电压(P-V)输出特性曲线，—为实际输出功率，┄为预测输出功率。
具体实施方式
下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。实施例采用光伏阵列规模为16×4的光伏发电系统。
一种基于移动阴影图像识别的光伏电站发电功率预测方法，包括如下步骤：
步骤一：综合调研光伏电站中光伏阵列具体结构及光伏组件的电气参数，利用计算机针对实际的光伏阵列进行建模；具体实施如下：
a)实施例中，光伏电站中的光伏阵列采用SP结构，以16×4连接，即每一块光伏组件并联一个旁路二极管，每16块光伏组件串联成串后，再串上一个防逆二极管，最后将4个组串并联；
b)光伏组件统一采用天合光能生产的TSM-195DC01A，最大功率PMAX为195W，开路电压VOC为45.6V，短路电流ISC为5.56A，最大功率点的工作电压VMPP为36.6V，最大功率点的工作电流IMPP为5.19A；
c)综合光伏组件参数及结构，利用Simulink仿真工具对光伏阵列进行建模，模型有辐照度输入接口、环境温度输入接口；
步骤二：构建光伏电站输出功率预测系统框架；实施例使用的光伏电站输出功率预测系统框架如图1b所示，以实际运行的光伏阵列(1)为核心，布置辐照度传感器(2)采集入射光辐照度数据，光伏阵列(1)包括64块光伏组件，以16×4布置，每一块光伏组件并联一个旁路二极管，每16块光伏组件串联成组串后，再串联一个防逆二极管，最后将4个组串并联，形成SP连接结构，设置摄像头(3)和温度检测仪(4)分别采集光伏阵列实际运行图像和工作温度，辐照度传感器(2)、摄像头(3)、温度检测仪(4)的输出端与通过通信网络(5)连接至光伏发电系统中控室(6)的输入端；
步骤三：利用辐照度传感器(2)检测光伏阵列(1)中光照区与阴影区的辐照度数据，标记测量时刻，利用摄像头(3)同步拍摄光伏阵列运行图像，与此同时，温度检测仪(4)读取并记录光伏阵列的工作温度，将辐照度数据、光伏阵列图像及光伏阵列的工作温度数据通过通信网络(5)传送到光伏发电系统中控室(6)，本实施例中辐照度数据及光伏阵列图像从下午15时30分开始获取，每隔15分钟记录一次，直至17点；
步骤四：基于光照区域与阴影区域的灰度值不同这一特征，提出光伏阵列的阴影识别算法，识别光伏阵列图像中的阴影区域；以15时30分的图像为例，算法具体实现方法如下：
步骤1：对光伏阵列图像进行预处理，提高阴影识别的精度：
a)读取大小为1000×1000的光伏阵列图像k(x,y)，并将其转换成如图3a所示的灰度图f(x,y)；
b)利用大津法求得图像分割阈值T为100，遍历灰度图像f(x,y)中的所有像素点，若f(x,y)小于100，则令f(x,y)＝0，否则令f(x,y)＝255，获得二值图像g(x,y)；
c)去除光伏组件之间的黑色间隔及白色栅线：设置检测宽度为15，逐列读取步骤b)中所得的二值图像g(x,y)中横坐标从1到1000、纵坐标从16到985范围内所有点的像素值，若点(x,y)的灰度值g(x,y)＝0，且g(x,y-15)＝255，g(x,y-15)＝255，则判定点(x,y)是光伏组件间的黑色间隔点，并将x列中纵坐标从y-15到y+15的点的灰度值设置为255，若点(x,y)的灰度值g(x,y)≠0，则判断下一个像素点，根据同一原理，逐列去除光伏组件上的黑色间隔点后，设置检测宽度为10，去除光伏组件上的白色栅线点，完成遍历后获得二值图像p(x,y)；
d)去除环境干扰后，使用均值滤波器再次对二值图像p(x,y)进行过滤，去除图像中较多的点状噪声，获得图像v(x,y)；
步骤2：识别并标记光伏阵列图像中的阴影区域，具体实施步骤如下：
a)采用Canny算子对步骤1预处理后的光伏阵列图像v(x,y)进行边缘检测，并产生了6个连通区域，如图3b所示；
b)去除6个连通区域中由光伏组件本身颜色不均产生的3个小连通区域，获取3个连通区域，即阴影区域P；
c)标记步骤422中获取的阴影区域P边缘，获得大小1000×1000的标记矩阵Label，Label矩阵中的元素值Label(x,y)对应的为该连通区域边界所对应的连通区域编号，连通区域共有3个，Label(x,y)的值只有0,1,2,3四种；
步骤3：移动阴影的预测，具体步骤如下；
a)在该实施例中，移动阴影的预测可分为t1、t2、t3三个时间点，在实施例中，通过15时30分及15时45分的阴影区域图像预测16时的移动阴影分布情况，则t1，t2，t3时间点分别为15时30分、15时45分、16时；利用步骤41与步骤42获取15时30分、15时45分的阴影区域图像及阴影区域的边缘，同时获取两个标记矩阵Label1，Label2；
b)根据实施例的具体情况，步骤a)中获取的标记矩阵Label1与Label2中的元素值均只有0,1,2,3四种，即15时30分及15时45分的阴影区域都只存在3个连通域；设置一个变换矩阵Labeltran，令Labeltran＝Label2-Label1，变换矩阵Labeltran内的标记数据反映了移动阴影的变化趋势；
c)以水平向右方向和垂直向上方向为坐标轴建立平面直角坐标系，分析第1个连通区域P1的阴影移动，区域P1在t1时间点的质心位置为M11＝(171,646)，在t2时间点的质心位置为M12＝(203,646)， 阴影的位移量为32，方向与水平轴正方向重合即α＝0，将Labeltran中所有值为1的元素向上平移0个单位，再向右平移32个单位，以相同方式对所有连通区域进行分析，对Labeltran矩阵内的元素进行平移操作，记将Labeltran矩阵经平移后获得的矩阵为Labelf；
d)令Label3＝Labelf+Label2，Label3即为t3时间点阴影分布情况矩阵。利用Label3在图像中画出阴影边缘的轮廓线，该轮廓线所包围的区域即为预测阴影区域R，如图4b所示，实际阴影区域识别结果如图4a所示，对比显示本发明的移动阴影分布的预测精度较高；
步骤五：根据步骤三获取的光伏阵列光照区域与阴影区域的辐照度数据与步骤四中所预测的阴影区域，分析可得光伏阵列各个组件上的辐照度，在16时，光照条件下的光伏组件辐照度为340W/m2，阴影条件下的光伏组件辐照度为108W/m2；
步骤六：结合光伏阵列工作环境温度(实施例情况下为19℃)、光伏组件表面所接受光照的辐照度，利用计算机仿真绘制光伏阵列的功率-电压(P-V)输出特性曲线；假设该光伏电站的光伏逆变器具有较好的MPPT算法，可取P-V曲线的峰值作为该光伏电站的预测输出功率；本发明预测的16时与17时光伏电站P-V输出特性曲线分别如图5a与图5b所示，图中水平虚线(┄)为预测输出功率值，水平实线(—)为实际输出功率值；16时与17时预测的光伏电站输出功率与实际输出功率及误差分析如表1所示，16时预测绝对误差为8.4％，17时预测绝对误差为18.8％，该误差来源于实际光伏电站的光伏组件参数误差、辐照度传感器测量误差以及MPPT算法的跟踪精度所导致的误差。
表1光伏电站预测输出功率与实际输出功率的对比及误差分析表
| 时间 | 实测功率(kW) | 预测功率(kW) | 绝对误差(％) |
| 16时 | 3.93 | 3.599 | 8.4％ |
| 17时 | 1.76 | 2.08 | 18.8％ |
本实施例于微电网实验室中进行，该微电网实验室无大量光伏历史运行数据，本发明仍能获得较高的输出功率预测精度。在实施过程中，仅需少量摄像头及辐照度传感器，无需复杂的气象测量设备。本发明利用简单的图像处理程序进行光伏电站功率预测，占用计算机运算资源较少，实时性较高。在超短期内，本发明的发电功率预测精度较高，可以有效地提高光伏发电的可控性，有利于推进负荷侧管理策略的有效施行，同时也能提高光伏发电渗透率。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于移动阴影图像识别的光伏电站发电功率预测方法，包括以下步骤：
步骤1：调研目标光伏电站中光伏阵列的具体结构及光伏组件的电气参数，利用计算机针对实际的光伏阵列进行建模，具体包括：
步骤11：调研实际光伏电站的光伏阵列，记录光伏阵列的具体结构；
步骤12：调查记录光伏组件的具体参数，包括最大功率PMAX，开路电压VOC，短路电流ISC，最大功率点的工作电压VMPP，最大功率点的工作电流IMPP参数；
步骤13：基于步骤11和步骤12所获得的光伏阵列结构信息及光伏组件的具体参数，利用计算机进行光伏阵列建模，模型设置有常用的辐照度输入接口、温度输入接口等接口；
步骤2：构建基于移动阴影的光伏电站功率预测系统；以实际运行的光伏阵列(1)为核心，布置辐照度传感器(2)采集入射光辐照度数据，设置摄像头(3)和温度检测仪(4)分别采集光伏阵列实际运行图像和工作温度，辐照度传感器(2)、摄像头(3)、温度检测仪(4)通过通信网络(5)连接至光伏发电系统中控室(6)；
步骤3：利用辐照度传感器(2)检测光伏阵列中光照区与阴影区的辐照度数据，标记测量时刻，利用摄像头(3)同步拍摄光伏阵列运行图像，通过温度检测仪(4)检测并记录光伏阵列的工作温度，辐照度数据与光伏阵列运行图像及光伏阵列工作温度数据将通过通信网络(5)传送到光伏发电系统中控室(6)中进行保存与处理；
步骤4：基于光照区域与阴影区域的灰度值不同这一特征，提出光伏阵列阴影识别算法，识别光伏阵列图像中的阴影区域；阴影区域的识别算法及移动阴影预测算法的具体实现方法如下：
步骤41：对光伏阵列图像进行预处理；
步骤411：读取大小为M×N的光伏阵列图像k(x,y)，并将其转换为灰度图f(x,y)，f(x,y)表示点(x,y)的灰度值；
步骤412：采用大津法求取灰度图f(x,y)分割阈值T，遍历灰度图f(x,y)中的所有像素点，若f(x,y)小于T，则令f(x,y)＝0，否则令f(x,y)＝255，完成遍历后获得光伏阵列的二值图像g(x,y)；
步骤413：去除光伏组件中的黑色间隔和白色栅线：设置检测宽度为D，逐列读取步骤412所得的二值图像g(x,y)中横坐标从1到N、纵坐标从1+D到M-D范围内所有点的灰度值，若g(x,y)＝0，且g(x,y-D)＝255，g(x,y+D)＝255，则判定点(x,y)是光伏组件之间的黑色间隔点，并将x列中纵坐标从y-D到y+D的点的灰度值均设置为255，否则判断下一个像素点，根据同一原理，逐列去除光伏组件之间的黑色间隔点后，设置检测宽度为H，去除光伏组件中的白色栅线点，获得二值图像p(x,y)；
步骤414：去除环境干扰后，利用均值滤波器对光伏阵列图像p(x,y)进行滤波，获得滤波后的光伏阵列图像为v(x,y)；
步骤42：识别并标记光伏阵列图像中的阴影区域；
步骤421：采用Canny算子对步骤414滤波后的光伏阵列图像v(x,y)进行边缘检测，产生n+a个连通区域；
步骤422：去除n+a个连通区域中由光伏组件本身颜色不均等原因产生的a个小连通区域，产生n个连通区域，记为阴影区域P；
步骤423：标记步骤422中获取的阴影区域P边缘，获取大小为M×N的标记矩阵Label，当像素点(x,y)在连通区域边界上时，Label(x,y)＝1,2,…,n，矩阵元素值为(x,y)所处连通区域边界所对应的连通区域编号，否则，Label(x,y)＝0；
步骤43：移动阴影的预测，具体步骤如下所述；
步骤431：移动阴影的预测可分为t1，t2，t3共3个时间点，已知t1,t2时间点的光伏阵列图像，预测目标为获取t3时间点的移动阴影分布。重复利用步骤41与步骤42获取t1、t2时间点的阴影区域图像及阴影区域的边缘，获取两个标记矩阵Label1，Label2；
步骤432：设置一个变换矩阵Labeltran，令Labeltran＝Label2-Label1，变换矩阵Labeltran内的标记数据反映了从t1时间点至t2时间点移动阴影的变化趋势；
步骤433：以水平向右方向和垂直向上方向为坐标轴建立平面直角坐标系，分析第k个阴影连通区域Pk的移动，求取区域Pk在t1时间点的质心为Mk1，在t2时间点的质心为Mk2，定义位移矢量的方向为超前水平正半轴α角度，将Labeltran中所有值为k的元素向上平移个单位，再向右移动个单位，根据同一原理对剩余连通区域进行相同分析，并对Labeltran内对应元素进行平移操作，记将Labeltran矩阵经平移后获得的矩阵为Labelf；
步骤434：令Label3＝Labelf+Label2，则Label3为t3时间点阴影分布情况矩阵；
步骤435：利用获得的t3时间点阴影分布情况矩阵Label3在图像中画出阴影边缘的轮廓线，该轮廓线所包围的区域即为预测阴影区域R；
步骤5：根据光伏阵列光照区域与阴影区域的辐照度数据，结合光伏阵列结构，分析光伏阵列中各个光伏组件的辐照度；
步骤6：结合每块光伏组件工作环境温度、辐照度数据，利用计算机仿真绘制光伏阵列的P-V输出特性曲线，取P-V曲线的峰值作为该光伏电站的预测输出功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711040882.4A CN107742171B (zh) | 2017-10-31 | 2017-10-31 | 基于移动阴影图像识别的光伏电站发电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711040882.4A CN107742171B (zh) | 2017-10-31 | 2017-10-31 | 基于移动阴影图像识别的光伏电站发电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107742171A true CN107742171A (zh) | 2018-02-27 |
| CN107742171B CN107742171B (zh) | 2020-08-21 |
Family
ID=61233614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711040882.4A Active CN107742171B (zh) | 2017-10-31 | 2017-10-31 | 基于移动阴影图像识别的光伏电站发电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107742171B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108572011A (zh) * | 2018-05-23 | 2018-09-25 | 东北电力大学 | 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法 |
| CN109657336A (zh) * | 2018-12-14 | 2019-04-19 | 浙江工业大学 | 基于阴影时间序列的光伏阵列结构优化方法 |
| CN111932006A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种基于地面阴影图的光伏发电出力预测方法 |
| CN113160236A (zh) * | 2020-11-30 | 2021-07-23 | 齐鲁工业大学 | 一种光伏电池阴影遮挡的图像识别方法 |
| CN113489007A (zh) * | 2021-08-20 | 2021-10-08 | 国网福建省电力有限公司电力科学研究院 | 一种基于边缘物联代理的光伏出力预测方法及系统 |
| CN115759330A (zh) * | 2022-09-29 | 2023-03-07 | 中国大唐集团科学技术研究总院有限公司 | 一种高时间分辨率的光伏发电功率预测方法 |
| CN116454882A (zh) * | 2023-06-13 | 2023-07-18 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
| CN117200971A (zh) * | 2023-09-11 | 2023-12-08 | 重庆千信新能源有限公司 | 基于区块链的光伏组件新能源电力数据传输方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101615291A (zh) * | 2008-06-27 | 2009-12-30 | 睿致科技股份有限公司 | 一种反馈式对象侦测方法 |
| US20120062036A1 (en) * | 2010-09-12 | 2012-03-15 | Raul Rabinovici | Camera Controlled Solar Cells Array |
| WO2013105244A1 (ja) * | 2012-01-12 | 2013-07-18 | 株式会社日立製作所 | 影位置予測システム及び影位置予測方法 |
| CN104200484A (zh) * | 2013-12-16 | 2014-12-10 | 浙江工业大学 | 基于云团特征分析的分布式光伏系统超短期出力预测方法 |
| CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
| CN107168049A (zh) * | 2017-05-19 | 2017-09-15 | 浙江工业大学 | 光伏阵列输出特性曲线实时获取方法 |
-
2017
- 2017-10-31 CN CN201711040882.4A patent/CN107742171B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101615291A (zh) * | 2008-06-27 | 2009-12-30 | 睿致科技股份有限公司 | 一种反馈式对象侦测方法 |
| US20120062036A1 (en) * | 2010-09-12 | 2012-03-15 | Raul Rabinovici | Camera Controlled Solar Cells Array |
| WO2013105244A1 (ja) * | 2012-01-12 | 2013-07-18 | 株式会社日立製作所 | 影位置予測システム及び影位置予測方法 |
| CN104200484A (zh) * | 2013-12-16 | 2014-12-10 | 浙江工业大学 | 基于云团特征分析的分布式光伏系统超短期出力预测方法 |
| CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
| CN107168049A (zh) * | 2017-05-19 | 2017-09-15 | 浙江工业大学 | 光伏阵列输出特性曲线实时获取方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108572011A (zh) * | 2018-05-23 | 2018-09-25 | 东北电力大学 | 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法 |
| CN109657336B (zh) * | 2018-12-14 | 2023-04-07 | 浙江工业大学 | 基于阴影时间序列的光伏阵列结构优化方法 |
| CN109657336A (zh) * | 2018-12-14 | 2019-04-19 | 浙江工业大学 | 基于阴影时间序列的光伏阵列结构优化方法 |
| CN111932006A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种基于地面阴影图的光伏发电出力预测方法 |
| CN113160236A (zh) * | 2020-11-30 | 2021-07-23 | 齐鲁工业大学 | 一种光伏电池阴影遮挡的图像识别方法 |
| CN113160236B (zh) * | 2020-11-30 | 2022-11-22 | 齐鲁工业大学 | 一种光伏电池阴影遮挡的图像识别方法 |
| CN113489007A (zh) * | 2021-08-20 | 2021-10-08 | 国网福建省电力有限公司电力科学研究院 | 一种基于边缘物联代理的光伏出力预测方法及系统 |
| CN115759330A (zh) * | 2022-09-29 | 2023-03-07 | 中国大唐集团科学技术研究总院有限公司 | 一种高时间分辨率的光伏发电功率预测方法 |
| CN115759330B (zh) * | 2022-09-29 | 2024-04-09 | 中国大唐集团科学技术研究总院有限公司 | 一种高时间分辨率的光伏发电功率预测方法 |
| CN116454882A (zh) * | 2023-06-13 | 2023-07-18 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
| CN116454882B (zh) * | 2023-06-13 | 2023-08-25 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
| CN117200971A (zh) * | 2023-09-11 | 2023-12-08 | 重庆千信新能源有限公司 | 基于区块链的光伏组件新能源电力数据传输方法 |
| CN117200971B (zh) * | 2023-09-11 | 2024-03-26 | 重庆千信新能源有限公司 | 基于区块链的光伏组件新能源电力数据传输方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107742171B (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742171A (zh) | 基于移动阴影图像识别的光伏电站发电功率预测方法 | |
| US11190131B2 (en) | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters | |
| Wang et al. | Image phase shift invariance based cloud motion displacement vector calculation method for ultra-short-term solar PV power forecasting | |
| CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN104200484B (zh) | 基于云团特征分析的分布式光伏系统超短期出力预测方法 | |
| CN105262441B (zh) | 基于红外图像的光伏阵列故障等级划分方法 | |
| CN110443405A (zh) | 一种光伏电站发电量预测系统及方法 | |
| CN106447098A (zh) | 一种光伏超短期功率预测方法及装置 | |
| CN107168049B (zh) | 光伏阵列输出特性曲线实时获取方法 | |
| CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
| CN104778506B (zh) | 基于局部集成学习的短期风速预报方法 | |
| CN106372749A (zh) | 基于云变分析的超短期光伏功率预测方法 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| Meng et al. | Inverter-data-driven second-level power forecasting for photovoltaic power plant | |
| CN109272134A (zh) | 一种考虑系统损耗的区域光伏电站并网功率预测方法 | |
| CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
| CN111985678A (zh) | 一种光伏功率短期预测方法 | |
| CN106897998A (zh) | 太阳能直射辐射强度信息预测方法和系统 | |
| CN108008633A (zh) | 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法 | |
| Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
| Huang et al. | A 3D ConvLSTM-CNN network based on multi-channel color extraction for ultra-short-term solar irradiance forecasting | |
| CN105574619A (zh) | 一种太阳能光伏发电出力预测系统及预测方法 | |
| CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
| CN115392137A (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
| Jun-Ma et al. | Photovoltaic power generation prediction based on MEA-BP neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221129 Address after: 310000 room 506, building C, No. 3, Weiye Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU YUNMU TECHNOLOGY CO.,LTD. Address before: 310014 No. 18 Chao Wang Road, Zhejiang, Hangzhou Patentee before: JIANG University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |