CN107850428A - 分布式太阳能预测成像 - Google Patents

Abstract

本发明涉及分布式太阳能预测的成像概念。在一个实施方案中，一种太阳能预测系统包括，计算环境，网络和成像装置。在其他元件，成像装置包括用于广角的光学元件、成像组件和计算装置。所述成像装置的计算装置被配制成：利用成像组件采集图像阵列；将图像阵列组合为组合高分辨率图像；基于与广角光学元件相关联的校准转换矩阵，将组合高分辨率图像转换为转换图像；识别和跟踪转换图像中的云的特性；利用基于云的特征的光线追踪，生成太阳能预测。成像装置也可以通过网络，将太阳能预测传输至计算环境，计算环境被设置成将来自多个成像装置的太阳能预测组合成分布式地理区域的太阳能预测。

Description

分布式太阳能预测成像

相关申请

该发明要求2015年5月29日提交的美国临时申请No.62/168403的优先权，并且并入其全部内容作为参考。

背景技术

美国能源部(DOE)估计，到2030年太阳能发电将增长，以满足更大比例的电力供应。这种趋势只会持续下去，直到太阳能的价格达到了与其他形式的电能相比具有成本竞争力的程度。同时，在太阳能发电等可变资源的高度渗透下，保持电网的稳定性和可靠性是非常重要的。实际负荷与太阳能发电系统的功率之间的差异被称为净负荷。在太阳能发电的相对可变性和不确定性下，管理这种净负荷是电网运营商面临的挑战。

附图说明

可以通过以下附图更好地理解本专利公开的内容。附图中的组件不一定要进行缩放，其重点在于清楚地解释本专利公开的原理。此外，在本附图中，对应元件的参考标记标识，适用于本发明的整个说明书。

图1是根据本发明的实施例所示的分布式太阳能预测的网络计算环境。

图2是根据本发明的实施例所示，图1中的成像装置执行的太阳能预测成像的一种示例过程。

图3是根据本发明的实施例所示的由图1所示的一种成像装置所采集图像阵列。

图4是根据本发明的实施例所示的一种用于失真自校准的校准表设置和几何转换矩阵。

图5是根据本发明的实施例所示的云的匹配和跟踪处理的一种示例结果。

图6是根据本发明的实施例所示的由图1所示通过计算环境执行的分布式太阳能预测成像的一种示例过程。

具体实施方式

如上所述，净负荷可被定义为实际负荷与太阳能发电系统产生的功率之间的差额。在太阳能发电的相对可变性和不确定性下，管理净负荷是电网运营商面临的挑战。在这种情况下，在减少实时或近实时场景管理网络负载的不确定性方面，一个在小时内的时间尺度范围内的准确的预测模型可能是一个有效的工具。

在减少管理净负荷所涉及的不确定性方面，太阳能预测可能是有效地和可靠地集成太阳能的关键因素。大多数太阳能预测的研究采用在下一天的时间范围所对应的单值区域来评估广泛的区域，这种方法在预测短时间范围的情况下不一定能提高持久性模型的能力。然而，太阳辐射照度在这些区域性的地理区域并不恒定。太阳辐照度的变化在时间和空间上是随机过程，需要一个更全面的综合监控。

如今，准确的太阳预测，无论是基于物理的还是基于数据分析，其存在的问题都是缺乏可靠的丰富天空数据；可靠的丰富的天空数据可以用来更好地识别天空中空气和水颗粒的质量传递和热传递的特性。从遥远的地方看，卫星技术和遥感已经在中尺度上开发和创造了大量的数据。然而，卫星数据不足以提供所需的像素、空间、时间、和辐射分辨率，以评估大气范围内的辐射传输，特别是在高散射角下对云的变化作用，以及精确描绘围绕太阳的区域。

目前太阳能的预测方法不奏效的因素包括：(1)可视范围的局限性，由于地球的曲率，(2)云间断远离基本天顶点，导致了垂直云层厚度被投射到一个水平投影面，(3)现有技术的不切实际的高成本，和(4)缺乏可扩展性和数百或者数千用户的可使用性。

如上文所述，本发明描述了分布式太阳能预测成像的系统和方法。在实施例中，描述了一个或多个相对低成本的分布式多模态天空成像设备、预测和融合模型，以及发布/订阅遥测通信协议。上述的系统和方法能够在硬件、软件，或者各种分布式配置中的硬件和软件的组合中体现。

以数字为例，描述了分布式太阳能预测的网络计算环境，然后描述了上述的网络计算环境的运作。图1示出了分布式太阳能预测的网络计算环境100。网络环境100包括一个计算环境110，网络150，地理上分散的成像装置160-162，和客户端设备190。上述的计算环境110包括分布式数据存储120、分布式区域预测引擎130和分布式预测发布者132。下文详细描述了存储在分布式数据存储120中的数据类型，以及分布式区域预测引擎130的功能和分布式预测发布者132的功能。

计算环境110可以体现为一个或多个计算机、计算设备或计算系统。在某些实施例中，计算环境110可以包括例如在一个或多个服务器或计算机组中安排的一个或多个计算装置。上述的一个或多个计算装置可以位于单个安装位置或分布在不同地理位置。计算环境110可以包括多个计算装置，这些计算设备一起体现了托管计算资源、网格计算资源、和/或其他分布式计算安排。在某些情况下，计算环境110可以体现为弹性计算资源；在弹性计算资源中，处理、网络、存储或其他与计算相关的资源的分配能力随时间而变化。计算环境110还可以部分地被描述为被设置为指示计算环境110执行本发明实施例的各个方面的各种功能和/或逻辑元件。

网络150包括互联网、内联网、外联网、广域网(WANs)、局域网(LANs)、有线网络、无线网络、电缆网络、卫星网络、其他合适的网络，或者它们的任意组合。值得注意的是，计算环境110可以与成像装置160-162和客户端设备190使用任何合适的系统互连协议如超文本传输协议(HTTP)，消息队列遥测传输(MQTT)协议，简单对象访问协议(SOAP)，具象状态传输(REST)，实时传输协议(RTP)，用户数据报协议(UDP)，互联网协议(IP)，传输控制协议(TCP)、文件传输协议(FTP)，和/或者其他协议，通过网络150，无限制地通信数据。这里注意到，尽管没有说明，网络150包括与任意数量的客户端设备或网络主机的连接，例如网站服务器、文件服务器、网络计算资源、数据库、数据存储、或者任何其他网络设备或计算系统。

成像装置160-162，是能够从天空定向的部分天空视场或者全天空视场采集图像的各种成像装置的代表。如图1所示，成像装置160-162可以地理上分布在该地区165，例如，在其他地区。在不同的实施例中，该网络计算环境100可以包含任意数量与成像装置160-162相似的成像装置。成像装置160-162，其中，可以以任何方式分布在该地区165(及其他地区)。

在底层处理硬件中，成像装置160可体现为模拟、数字、或者混合模拟和数字处理电路，包括存储器。成像装置160可体现为嵌入式的特定逻辑或者应用程序特有的逻辑、软件、和/或者硬件的集合，该集合能够采集和处理图像以及与图像相关数据，如本发明上述。在这种情况下，成像装置160可以至少部分地包括计算机指令，当成像装置160的处理电子线路被执行时，指示成像设备160执行各种图像处理任务。

如图1所示，成像装置160包括成像仪数据存储器170、成像组件180、图像采集引擎182、图像处理器184、云跟踪器186、和预测引擎188。成像仪数据存储器170包括图像数据172和预测数据174的存储区域。图像数据172包括由成像组件180采集的图像的数据，以及由图像处理器184处理的图像(和图像的组合)的数据。在一个实施例中，预测数据174包括适于提供太阳能预测的预测模型数据。预测模型的数据可以包括，在相对一小时内更小(或者更快)的时间尺度并随着时间，在不同地理区域的预期的太阳能能力。

成像组件180可以体现为任何适合于从天空定向部分或者天空全视场采集图的合适成像组件。以成像组件180为例(或者成像组件180的部件)，它可以体现为全天空成像仪880(TSI-880)装置或者全天空成像仪440型(TSI-440)装置(统称“TSI装置”)，该装置由位于马萨诸塞州，特纳斯福尔斯的美国Yankee环境系统公司制造。该TSI装置，在一个有阳光遮挡带和相机臂的凸球镜上方悬挂一个电荷耦合器件(CCD)传感器；通过上述的CCD传感器获取分辨率较低的天空彩色图像。阳光遮挡带和相机臂遮挡约8％的天空。上述的TSI装置有一个向下指向的相机，该相机具有相对较低的图像分辨率、低灵敏度、和低的满阱容量，其限制了从接近太阳圈和地平线处所采集的云的对流特性的精确性。如果没有阳光遮挡带，可能会造成TSI装置内部的相机反射、光晕、和潜在的传感器损坏。因此，阳光遮挡带和相机的感知能力限制了TSI装置在太阳能预测中的应用。

作为成像组件180的另一个例子，美国地质调查局(USGS)开发的高动态范围的全天空成像系统(HDR-ASIS)，用于与大气辐射光合作用的关系、生态系统碳动态、和图像监测气溶胶相关的气候的研究。HDR-ASIS包括一个朝上的彩色摄像机，该彩色摄像机含有一个组合有鱼眼镜头的互补金属氧化物半导体(CMOS)传感器，以采集瞬时的天空2π球面度照片。鱼眼镜头的一个缺点是当半球形透镜被转换成有限二维区域时，采集的图像存在角变形。出于这个原因，通常，鱼眼镜头角度畸变两种模型(例如，等距和等立体)之一，可以被采用并存储在成像仪数据存储器170中。但是，尽管天空失真，HDR-ASIS相机使用的CMOS传感器与CCD传感器相比，光晕效应得到改善。

其他用于测量天空成像太阳辐射的地面系统包括位于西班牙的格拉纳达大学，它已被校准以测量天空辐照度。加州大学圣地亚哥分校有一个系统类似于HDR-ASIS设计专门针对太阳能的预测，但使用的是CCD传感器。使用其他成像系统采集天空的照片或天空图像是在实施例的范围内。

图像采集引擎182被设置成控制成像组件180以采集随时间推移的天空的图像。如下文进一步详细描述的，图像采集引擎182可以使用不同的参数来指示成像组件180采集随时间推移的一连串图像的抓取。例如，通过这种方式，图像采集引擎182可以指示成像组件180采集每一个具有不同曝光程度或者饱和度的图像阵列。例如，一组图像阵列可以包括任意数量的图像，例如在三到十五个图像之间，虽然其它数量的图像也在实施例的范围内。图像采集引擎182可以指示成像组件180以周期间隔采集图像阵列，如周期间隔为每十、二十或者三十秒，例如，在其他时间段内。成像组件180采集的图像可以存储在成像仪数据存储器170中作为图像数据172的一部分。

图像处理器184被设置成将由成像组件180采集的一个或多个图像阵列组合成组合细节图像。在这种情况下，如下文所述，图像处理器184可以对一个或多个图像执行色调映射、高动态范围处理、图像空间变换处理、图像数据融合、和其他图像处理技术。通常，色调映射是将一组颜色或者其他数据映射到另一组颜色或者数据的技术，以接近高动态范围图像的外观。图像空间变换重新定义点之间、输入和输出图像之间的几何关系。根据本发明的实施例中，可以使用校准变换矩阵来实现这种转换。校准变换矩阵可以通过透镜的制造规范来预先确定，例如，和/或者通过图4所描述的自校准经验确定。

云跟踪器186被设置为基于组合细节图像执行云的特征识别、匹配和跟踪处理。在这种情况下，云跟踪器186可以随着时间变化识别和跟踪图像中的云。在跟踪过程中，云跟踪器186记录随时间的各个云区域的方向、速度和面积变化。该数据可以存储在成像仪数据存储器170中。在多个云区域的情况下，方向、速度和面积变化可以通过云跟踪器186进行计算到被检测的云区域的加权质心。

预测引擎188被设置为创建(或预测)未来天空中云的位置。利用这些预测，预测引擎188可以提供太阳能预测数据和太阳能预测。在预测未来天空中云的位置时，预测引擎188可以创造出未来天空可能的样子的图像。为了做到这一点，预测引擎188可以从当前天空图像(或者是清晰的天空图像)中取出(例如，删除)云，并根据云跟踪186所确定的方向、速度和面积变化信息将这些云重新定位到新的位置。预测引擎188生成的太阳能预测数据和太阳能预测可以作为预测数据174的一部分存储。

通过网络150，预测数据174可以随时间被传送到计算环境110。类似地，由成像装置161和162(以及其它成像装置)生成的预测数据可以被传送到计算环境110。在一个实施例中，每一个成像装置160-162进行图像采集、图像处理、云跟踪、和太阳能预测的处理和传输，但传输相对少量的上述数据到计算环境110。在其他情况下，每一个成像装置160-162可以采集图像并传输这些图像到计算环境110中进行处理。在这方面，应当理解由成像组件180、图像采集引擎182、图像处理器184、云跟踪器186和预测引擎188执行的一个或多个功能或过程可以由计算环境1 10执行。

回到计算环境110，分布式数据存储120包括用于分布式图像数据122和分布式预测数据124的存储区域。分布式图像数据122包括在其他成像装置里例如由一个或一个以上的成像装置160-162采集的图像数据。分布式预测数据124包括由分布式区域预测引擎130编制的数据，这些数据是基于从成像装置160-162分别预测后再汇总得到的预测信息。在一个实施例中，分布式预测数据124包括与相对较大的地理区域(如区域165)中的太阳能预测有关的分布式地理区域太阳能预测数据。分布式预测数据124包括在一个相对小时内(或更快)的时间尺度内与区域165相关的预期太阳能水平。

分布式区域预测引擎130被设置为将从每个成像装置160-162收到的对应的太阳能预测组合成分布式地理区域的太阳能预测。另外或者可选择的，分布式区域预测引擎130可以融合从成像装置160-162接收到的所有的天空图像(例如，现在、过去、和/或未来的天空图片)，用以生成分布式地理区域的太阳能预测如本发明所述。分布式预测发布者132被设置为发布或者提供由分布式区域预测引擎130生成的分布式地理区域太阳预测。

客户端设备190是任何数量的客户端设备的统称，每一个客户端设备都可以体现为一种基于装置或系统的处理器，包括那些台式计算机、笔记本电脑、个人数字助理、移动电话或平板电脑等等形式。客户端设备190还可以包括一个或多个外围装置。在这种情况下，外围装置可以包括一个或多个输入设备，如键盘、小键盘、触摸板、触摸屏、麦克风、摄像头等，在不同的实施例中，客户端设备190可以访问存储于或者发布在计算环境110和/或者成像设备160-162中的太阳能预测数据。

根据本发明描述的各种实施例，图2示出了图1中的成像装置160执行的太阳能预测成像的示例过程。虽然在图2的处理过程与成像装置160相关，但是任何数量的其它成像装置，例如成像装置161和成像装置162的一个或多个，都可以执行该过程。

在步骤202，该处理包括成像组件180采集一个或多个图像。例如，图像采集引擎182可以直接指令成像组件180在不同级别的曝光程度、快门速度、饱和度等条件下采集图像阵列。如上所述，对于在较大的空间范围和自然光照强度动态下进行数字摄影，获得全天空领域的视图是一个挑战。全天空成像所需的动态强度范围尤其是一个问题，在白天时间，当太阳周围和乌云群围绕区域之间的强度梯度可显著地导致潜在的CCD和CMOS传感器饱和。在彩色图形中，每种颜色可以采用16，777，216种颜色的调色板来定义(24位：8红、8绿、8蓝)，例如，存储的原始图像信息，但强度范围从0到255(8通道有整数的值到28-1＝255)可能不足以表征全部的光线强度范围。因此，具有固定曝光的图像可能显示出不饱和像素或者过饱和像素的区域。这些过饱和和不饱和像素的区域造成信息丢失。

因此，通过成像组件180所使用的曝光、灵敏度、快门速度、饱和度、光圈等不同方面，可以在图像阵列中单独控制图像曝光。在这样的背景下，多曝光图像采集允许成像装置160在自然太阳光照下采集比较全方位的多重曝光数据；图3示出了图像阵列300的实例，包括成像装置160采集的图像301-305。成像组件180可以在任何合适的周期间隔和时间间隔中采集图像阵列300。

为了最大化获取由成像组件180采集信息，图像采集引擎182被设置成通过成像组件180调整一个或多个图像采集参数。作为一个参数，如图3中图像301-305所示，图像采集引擎182可以通过调整图像传感器的信号增益或者灵敏度，来调整成像组件180中图像传感器的曝光补偿。换句话说，信号增益值可以从-25(较暗)到25(较轻)。作为一个例子，每一个增量都可以表示一个明显的1：6的停顿。

图像采集引擎182还可以调整成像组件180的快门或者采集速度。例如，快门速度值可从1(例如，短曝光)到6000000(例如，长曝光)。图像采集引擎182还可以调整在成像组件180中的图像传感器的色彩饱和度，色彩饱和度为-100和100之间的整数，例如图3中的图像301和305。不管颜色是太亮或太淡，色彩饱和度的调节均可以控制。因此，成像组件180中的图像传感器收集的光子的数量可以是各种参数的函数，这些参数包括曝光、灵敏度、快门速度、饱和度、光圈等，并且图像采集引擎182可以指示成像组件180在采集图像时随时间变化这些参数。

图像301-305中每个图像的曝光时间(如：速度)不同，但所有图像301-305的曝光时间平均值可以由图像采集引擎182计算出来，并存储在图像数据172中。例如，图像采集引擎182可以每十秒为了表观太阳辐照度来存储5-图像(或n-图像)的反相曝光速度作为替代。此外，图像采集引擎182可以在图像数据172中，为图像301-305中的每一个图像存储白平衡(红、蓝)元组值；为进一步处理连续的组合细节图像，图像采集引擎182可以存储为每十秒钟白平衡元组值的平均值。例如，红色和蓝色值可以返回为0.0和8.0之间的实数。

参考图2，在步骤204中，该过程包括图像处理器184将在步骤202中采集的图像阵列(和/其他先前采集的图像)组合为超分辨率、超范围、或者组合细节图像(比如，一个超级图像(包括了以上所说的内容))。通过这种方式，实施例可以解释精确采集天空视野中的细节需要大的空间和动态范围。在一个实施例中，图像阵列300中的任何两个或两个以上的图像301-305可以通过图像处理器184组合起来，并在步骤204中创建一个组合细节图像。任何两个或多个图像的组合可以发生在高动态范围HDR成像、HDR色调映射、图像融合或其他图像处理技术之前、之后、或者作为一个或多个图像处理技术的一部分。还应该认识到，在生成组合细节图像和/或者进一步处理它们之前，可以通过成像组件180采集任意数量的图像阵列。

图像处理器184可以在每次曝光时使用两个实时图像生成多帧组合细节图像。这种方法使用同一场景的多个低分辨率图像之间的亚像素偏移。该方法在补偿函数的正则项和度量项的基础上，利用L1矢量范数提出了一种稳健的组合细节图像生成方法。该方法有效地去除了离群点，从而使图像具有清晰的边缘，即使图像中的噪音遵循高斯模型。

在步骤204中，相机的具体响应函数也可以被复原，为了通过强度线性化和图像的融合，来获得没有或者很少量饱和效应的HDR图像。这个校准步骤可以从输入序列和它们的曝光设置来计算。为了校正图形显示设备的局限性，可以使用色调映射技术将图像数据压缩到给定的显示范围内。在一个实施例中，色调映射使用双边滤波器进行校正。图像假定的完美或近乎完美的对齐方式，并且多曝光数据采样必须使用相同的L1矢量范数最小化作为组合细节图像进行注册。这在低层积云的感兴趣区域(ROI)中尤其重要。图像融合图像处理包括将两个或多个图像的相关信息组合成单个融合图像。融合图像具有互补的空间和光谱分辨率特征。

图像的对比度可用于组合图像时单独加权图像。在某些实施例中，图像处理器184被设置为分别使用HDR、色调映射和图像融合处理技术中的一个或多个技术来组合图像阵列，并选择图像的最佳合成组合。在其他实施例中，图像处理器184被设置为使用HDR、色调映射和图像融合处理技术中两个或多个技术来组合图像。在一个实施例中，图像处理器184周期性地执行HDR合并、色调映射、图像融合等和/或者其它过程。例如，每十秒(或任何其他合适的周期性周期)，可以在步骤204中创建新的组合细节图像，尽管可以在任何适当的时间间隔创建组合细节图像。

在步骤206，该处理包括图像处理器184，上述的图像处理器184将步骤204生成的组合细节图像转换为变换后的图像。这里，上述的图像处理器184可以执行校准转换，以修正由成像组件180的一个或多个广角光学组件，如广角镜头、反光镜等，引起的失真。例如，在使用广角镜头(例如鱼眼镜头)的情况下，图像处理器184可以执行镜头校准和/或者转换过程。虽然使用非透视广角镜头可以利用较少的图像来采集更广泛的全景，但它也会导致径向失真、环绕效应、和其他失真。

由于成像组件180的广角镜头将各个方向上的光线投射到成像组件180中图像传感器的二维表面，一个镜头上的节点可以通过两个角度来说明，θ和φ。在这种情况下，等距投影模型发出的光线到图像传感器的图像的位置(x，y)，x＝cθcosφ和y＝cθsinφ，c是一个比例因子。对太阳辐射的测量和预测，图像处理器184可以使用两个角度sθ和φ，来确定移动云的云底高度。要精确地做到这一点，广角镜头的详细技术说明可以被知道并且存储在成像仪数据存储器170中。

在一个实施例中，没有制造商提供的上述信息，图像处理器184可以自动校准成像组件中的任何广角光学元件的失真效应，以确定和描述其视野。在这种情况下，图4为根据本发明所述的各种实施例的用于失真自校准的校准表设置400和几何变换矩阵410的示例。

当用于自校准的时候，相互平行和垂直于光轴第一平面401和第二平面402可如下使用：第一平面401放置于紧邻的相机镜头(如20毫米范围内)，和第二平面402放置于压花的表面的白色或者黑色的正方形棋盘格局相距几毫米远的距离。千分尺可以用来测量上述第一平面401和第二平面402之间的距离，精确到毫米级精度。在此配置中，可以获得第一图像。然后，第二平面402移动远于10毫米，例如从远离上述的第一平面401，得到第二个图像，如图4所示。图像处理器184可以利用两个图像中的方块角的位置变化来自动校准广角镜头。利用第一平面401和第二平面402获得的矢量的点积可用于生成图4所示的变换矩阵410中的变换向量。

图像处理器184可以使用变换矩阵410将组合的细节图像(或者由成像组件180采集的其他图像)转换为具有几何代表性的(例如，非扭曲的)全天空变换图像，而不使用由制造商制造的广角光学元件的几何形状进行假设。一旦在校准阶段获得变换矩阵410，它可以被认为是一个常数函数，并且存储在成像仪数据存储器170中以供图像处理器184参考。

再次参照图2，在步骤208，该过程进一步包括在步骤206生成的转换图像中识别和跟踪云的特征的云跟踪器186。例如，利用红-蓝比例分割的方法，可以将转换图像分割成云区域和天空区域。更具体地说，云跟踪器186可以计算当前转换图像和相应的晴空匹配图像的红蓝比。这两个图像的剪影有助于分开转换图像中的云。大部分的晴空红/蓝比强度可能是在强度等级的下端，而在转换图像中红/蓝比强度很可能在强度范围内展开。当由云跟踪器186将转换图像中减去晴朗的天空图像，合成图像中全部保留下来都是云区，晴空区被扣除了。从转换图像红/蓝比减去晴空红/蓝比值的结果是，图像中最暗的区域表明该区域没有云，而图像中较亮的区域则表明该区域有密集的云。云识别或者检测过程的最后阶段是选择确定多云的区域或者面积阈值限制。云跟踪器186可以使用许多不同的阈值来解释云中密度的变化。这些阈值可以通过云层对辐照度强度产生明显的影响。

为了制作太阳辐射的太阳能预测预报，云跟踪器186也可以跟踪或追踪未来云的位置。例如，在一小时内的预测中，一种方法是获得所有云的一般运动，计算云覆盖率，将所有的云线性地投射到未来，计算云覆盖率的变化。另一种方法是找到一般的方向，然后分析接近云层的方向上的天空窄带。上述的窄带被划分成区域，并计算每个区域的云量。然后，将这些区域投射到未来的一般方向，以确定未来的云覆盖值。

根据实施例的各个方面，可以利用云跟踪器186跟踪各个云的运动及形状特征，进行后续的云位置的预测。具体而言，在图2的步骤208中，上述过程包括确定转换图像中的一个或者多个云的运动。以前，分析云运动的方法包括把整个云集当作一个物体来处理，并且线性的替换整个云集的变化(云集的变化是非线形的)，来进行对未来云集变化的预测。本发明所描述的实施例中，云被视为具有不同轨迹、和形状变化和/或者尺寸变化的单个标本。因此，本发明描述的实施例采集更多涉及云形成和消散的动力学。该过程包括三个主要步骤，包括获取各个云的一般运动，获取各个云的单个运动矢量，以及在未来一个或者多个给定时间创建未来或者预测的天空图像。

图5示出了根据本发明描述的各种实施例的云匹配和云跟踪处理的示例结果。在图5中，地区501-503代表以前的云，地区510-512代表当前的云。最左边图像和中间图像显示，单云相匹配的检测，右边的图像显示了一个当前的云的两个匹配结果的实例。在匹配过程中，在那个区域每个云的方向、速度、高度和面积变化可以由云跟踪器186记录并存储在成像仪数据存储器170中。在两个云匹配的情况下，可以通过检测云的方向、速度和面积变化能够计算出检测区域的加权质心。这个过程的最后一步是创建未来或预测的天空图像，从中产生预测预报。在这种情况下，云跟踪器186可以随时间变化，根据各个云的方向、速度和面积变化信息来创建未来或者预测的天空图像。例如，每个云可以从图像中单独裁剪出来，基于其移动方向和距离及大小调整的云面积变化，被放置在一个新的位置成为预测的天空图像。

再次参照图2，在步骤210，该过程进一步包括预测引擎188，该预测引擎基于步骤208中由云跟踪器186标识和跟踪的当前转换图像和/或者未来预测图像所显示的当前和/或者未来的云的特征生成太阳能预测。作为太阳能预测生成的一部分，预测引擎188可以执行太阳光线追踪。具体而言，在步骤210中，该过程可以包括预测引擎188，预测引擎188通过一个或多个云的运动来跟踪太阳在地理位置上的辐照度，从而生成太阳能预测。在光线追踪的步骤中，可以依靠当前的(转换或非转换)天空图像和未来的天空图像来确定来自太阳的光线随时间将会或者不会落在不同的地面位置，并生成地面太阳辐照度图。指定一个或多个地面位置的图像，或者一个指定感兴趣点(例如，辐照度传感器的位置)或者选定的区域(例如，太阳能阵列)都可以用作输入。

在光线追踪之后，预测引擎188可以利用地面太阳辐照度图、以及基于特征的平流模型和光线追踪过程所获取的运动矢量，来建立太阳能预测。由于利用未来的云的特征和图像，太阳能预测可以包括太阳辐照度图，例如，在未来5-，10-，15-分钟(或其他)之内。因此，预测引擎188可以在未来的时间内创建一个与地理相关的、具有辐照度值的地基矩阵。

在步骤212，该过程包括预测引擎188，预测引擎188将当前天空图像和未来的天空图像、太阳能预测数据、地面太阳辐射图和其他相关数据传送到计算环境110以进行进一步处理。在一个实施例中，压缩感知可用于周期性地从可检测到云的特征的组合细节图像的动态变化库里，找到稀疏表达。例如，三个图像I(t1)、I(t2)和I(t3)，例如，它们在时间上几乎是同时获得，该三个图像可能显示相对较小的变化，所以在标准基础上，I(t1)-I(t3)的差别是稀疏的，并且压缩传感可用于在网络环境100中传输这些差别。然后，将这些数据与计算环境110中的许多其他类型和数据源相结合，以处理更大范围的、提前一日的预测问题，并生成空间代表性辐射图的海量数据集。

图6示出了由图1中的计算环境110执行的分布式太阳能预测成像的示例过程。在步骤602中，该过程包括计算环境110接收当前的天空图像和未来的天空图像、太阳能的预测数据、地面太阳辐射图、从成像装置160-162中获取相关数据，等等。

反过来，在步骤604中，该过程包括分布式区域预测引擎130将从各成像装置160-162收到的各自的太阳能预测数据组合或者融合为分布式地理区域的太阳能活动预测。另外或者可选择性的，分布式区域预测引擎130可以融合从成像装置160-162获取的集体的天空图像(例如，现在、过去、和/或者未来的天空图像)生成分布式地理区域太阳能预测，如本发明所述。融合和/或者组合数据可以存储在分布式数据存储120中。

在步骤606，该过程包括分布式预测发布者132，其发布或者提供由分布式区域预测引擎130在步骤604中生成的分布式地理区域太阳能预测。太阳能预测数据可以以任何合适的方式发布或者提供给客户端设备190访问。

因此，在白天，成像装置160-162可以在不同的曝光采集多个图像，处理和分析的实时图像，并预测云的运动矢量，这些云的运动矢量将产生本发明所述的在当前和未来的时间的太阳辐射数据。由于大多数的处理可以以分布式的方式在成像装置160-162本地完成，以减少需要传输到计算环境110的信息量。在计算环境110中使用融合后处理带来了分布式太阳能预测中的额外精度的好处，因为云的水平投影随着远离成像仪的距离而减少。云的距离越远，如果云层不连续，就会产生垂直云的深度，而导致无法准确地描述云的运动和云底高度。在计算环境110数据融合可以为比任何单一的成像装置160-162所包围的区域更大的地理区域创建一个单一的、可靠的地图。

使用本发明所描述的实施例，可以以时间为函数精确测量通过大气的光子的数量。光子从太阳传播，在路径中被散射，产生直射和漫射的辐照度，并且在这个过程中产生大气的昼夜加热。以这种方式，精确的辐照度估计和预测，对电力工业来说是至关重要的，不仅是预测光伏电站的产量，而且是提供精确的温度，从而预测电力需求。

太阳能发电系统可以通过参与电网辅助服务，如调频和动态电压/无功控制，使电网变得友好。这些电网友好型系统可以作为传统发电厂的调度，可在不同的时间尺度提供精确的太阳能预测。在一个具有多个逆变器的大型太阳能发电厂或者太阳能发电分布式住宅网络中，在参与调频时，可以对逆变器进行协调控制，有效地利用备用容量。有一个准确的小时内太阳能预测，可以实现协调的逆变器控制策略，能够调节设定点功率。本发明所述的低成本天空成像、预测方法和系统，使太阳能发电厂具有调度功能，不论是公用事业规模的发电厂，还是小型分布式发电设施。

图2和6的流程图是本发明描述的各种组件的功能和操作的示例。本发明所描述的组件可以体现在硬件、软件、或者硬件和软件的组合中。如果包含在软件中，每个元件都可以代表一个代码模块或者一部分代码，其中包括程序指令来实现指定的逻辑功能。程序指令可以体现为如下形式，例如源代码，源代码包括以编程语言编写的人类可读语句、或者机器代码，上述的机器代码包括能被适当的执行系统(如计算机系统或其他系统中的处理器)识别的机器指令。如果包含在硬件中，每个元件都可以表示一个电路或者一组实现指定逻辑功能的互连电路。

尽管流程图显示了特定的执行顺序，但执行顺序可以与所示的顺序不同。例如，两个或者多个元件的执行顺序可以相对于所示的顺序进行切换。此外，连续显示的两个或多个元件可以同时执行或部分并发执行。此外，在一些示例中，可以跳过或者省略流程图中所示的一个或多个元件。

本发明描述的计算装置包括至少一个处理电路。处理电路包括，例如，耦合到本地接口的一个或者多个处理器和一个或者多个存储设备。本地接口包括，例如，具有附带的地址/控制总线或者任何其他合适总线结构的数据总线。一个或多个存储设备可以存储由一个或者多个处理电路执行的数据或组件。

计算环境110和成像装置160-162的组件可以以硬件的形式被体现，如可由硬件执行的软件组成，或者作为软件和硬件的组合。如果被描述为硬件，本发明所描述的组件可以作为使用任何合适的硬件技术的电路或状态机来实现。硬件技术可以包括，例如，一个或者多个微处理器、用于在应用一个或者多个数据信号时实现各种逻辑功能的逻辑门的离散逻辑电路、具有适当的逻辑门的专用集成电路(ASICs)、可编程逻辑器件(如现场可编程门阵列(FPGAs)、复杂可编程逻辑器件(CPLDs))。

本发明所描述的一个或者多个组件包括软件或者程序指令，上述的组件可以体现为非暂时性计算机可读介质，以用于指令系统或者与指令执行系统有关，如本发明所述的处理器或者处理电路之一。计算机可读介质可以包含、存储和/或者维护用于指令执行系统的或者与指令执行系统相关联的软件或者程序指令。计算机可读介质可以包括物理介质，例如，磁性、光学、半导体和/或者其它合适的介质。适当的计算机可读介质的示例包括，但不限于固态驱动器、磁驱动器或者闪速存储器。

此外，本发明所描述的任何组件，包括分布式区域预测引擎130、分布式预测发布者132、成像组件180、图像采集引擎182、图像处理器184、云跟踪器186和预测引擎188，可以以多种方式实现和构造。例如，一个或多个组件可以是作为单个软件应用模块的模块或者组件来实现。此外，本发明所描述的一个或多个组件可以在共享或者单独计算装置或者其组合中执行。例如，本发明描述的多个组件可以在相同的计算装置中执行，或者在多个计算装置中执行。此外，诸如“应用”、“服务”、“系统”、“引擎”、“模块”等术语可以互换使用，不受限制。

析取语言，如短语“至少x、y或z中的一个”，除非另有具体说明，用一般上下文来理解一个项目、术语等，可能是x、y或者z，或其任何组合(例如x、y和/或者z)。因此，这种析取语言一般不打算，也不应该暗示某些实施例当前需要至少一个x，至少一个y，或者至少一个z。

应该强调的是，本发明的上述实施例仅仅是为了清楚地理解本公开的原理而阐述的实现方式的可能示例。在不背离本发明披露的精神和原理的情况下，可对本发明的实施例作出许多变型和改型。在本公开的由以下权利要求所限定的范围内，所有这些改型和变型都包括在本发明中。

Claims (20)

1.一种太阳能预测系统，包括：

计算环境；

网络；和

成像装置，所述的成像装置通过网络耦合到计算环境，所述的成像装置包括成像组件和计算机装置，计算机装置被设置为：

通过成像组件采集图像阵列；

将图像阵列转换成组合细节图像；

识别和追踪组合细节图像中的云的特征；

基于组合细节图像中的云的特征，使用光线追踪生成太阳能预测；

通过网络传送太阳能预测至计算环境。

2.根据权利要求1所述的一种太阳能预测系统，所述的成像装置的计算机装置进一步被设置成色调地映射图像阵列，以将图像阵列合并到组合细节图像中。

3.根据权利要求1所述的一种太阳能预测系统，所述成像组件包括广角光学元件，以采集图像阵列中的天空的宽阔视野；

所述的成像装置的计算机装置还被设置成能够基于与广角光学元件相关联的校准变换矩阵来将组合细节图像转换为转换图像。

4.根据权利要求1所述的一种太阳能预测系统，

所述的成像装置包括多个成像装置，

所述的多个成像装置将各自的太阳能预测通过网络发送到计算环境。

5.根据权利要求4所述的一种太阳能预测系统，所述的多个成像装置包括太阳能预测成像装置的分布式地理网络。

6.根据权利要求4所述的一种太阳能预测系统，所述的计算环境被设置成能够将来自多个成像装置的各自的太阳能预测组合成分布式地理区域的太阳能预测。

7.根据权利要求4所述的一种太阳能预测系统，所述的计算环境被设置成能够从来自多个成像设备的各自太阳能预测中，组合得出云的高度和水平投影数据。

8.一种太阳能预测方法，通过计算机装置实现，包括

采集，使用成像组件采集图像阵列；

组合，将图像阵列组合成组合细节图像；

转换，将组合细节图像转换为转换图像；

跟踪，跟踪转换图像中的云的特征。

9.根据权利要求8所述的一种太阳能预测方法，所述的图像阵列的组合进一步包括图像阵列的色调映射。

10.根据权利要求8所述的一种太阳能预测方法，所述的成像组件包括广角光学元件，以采集图像阵列中的天空宽阔视图；以及所述的组合细节图像的转换包括转换步骤，通过计算装置，基于与广角光学元件相关联的校准转换矩阵，将组合细节图像转换为转换图像。

11.根据权利要求8所述的一种太阳能预测方法，进一步包括生成步骤，通过计算装置，利用转换图像和基于云的特征生成太阳能预测。

12.根据权利要求11所述的一种太阳能预测方法，

所述的转换图像包括多个转换图像中的至少一个，所述的多个转换图像采集于在分布式地理区域；以及

所述的方法还包括融合，通过计算装置，融合多个转换图像生成分布式地理区域的太阳能预测。

13.根据权利要求12所述的一种太阳能预测方法，所述的融合包括组合，通过计算装置，从多个转换图像中组合出云的高度和水平投影数据。

14.一种成像装置，包括：

计算装置；以及

含有广角光学元件的成像组件，所述的计算装置被设置成：

采集，利用成像组件采集图像阵列；

组合，将图像阵列组合成组合细节图像；

转换，基于与广角光学元件相关联的校准转换矩阵，将组合细节图像转换为转换图像。

15.根据权利要求14所述的一种成像装置，所述的计算装置还被设置成图像阵列的色调映射，以将图像阵列组合到组合细节图像中。

16.根据权利要求14所述的一种成像装置，所述的计算装置还被设置成能够识别和跟踪转换图像中的云的特征。

17.根据权利要求16所述的一种成像装置，所述的计算装置进一步被设置成能够利用基于转换图像中的云的特征的光线追踪，生成太阳能预测。

18.根据权利要求17所述的一种成像装置，所述的计算装置进一步被设置成：将太阳能预测通过网络传送到计算环境。

19.根据权利要求18所述的一种成像装置，所述的计算环境接收多个太阳能预测，所述的多个太阳能预测来自成像装置的分布式地理网络中的多个成像装置。

20.根据权利要求19所述的一种成像装置，所述的计算环境被设置成将多个太阳能预测组合成分布式地理区域的太阳能预测。