CN108121990A - 一种基于全天空成像设备的太阳辐照度预测方法和装置 - Google Patents

一种基于全天空成像设备的太阳辐照度预测方法和装置 Download PDF

Info

Publication number
CN108121990A
CN108121990A CN201711203853.5A CN201711203853A CN108121990A CN 108121990 A CN108121990 A CN 108121990A CN 201711203853 A CN201711203853 A CN 201711203853A CN 108121990 A CN108121990 A CN 108121990A
Authority
CN
China
Prior art keywords
cloud
mrow
msub
represent
solar irradiance
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.)
Pending
Application number
CN201711203853.5A
Other languages
English (en)
Inventor
丁煌
陈卫东
朱凌志
王诚良
程序
王知嘉
李登宣
朱想
吴骥
周海
崔方
周强
赵亮
施涛
黄宗宏
常锋
宫建锋
李谦
靳盘龙
冯雪
齐彩娟
党东升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Network Ningxia Electric Power Co Ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
National Network Ningxia Electric Power Co Ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Network Ningxia Electric Power Co Ltd, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical National Network Ningxia Electric Power Co Ltd
Priority to CN201711203853.5A priority Critical patent/CN108121990A/zh
Publication of CN108121990A publication Critical patent/CN108121990A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供了一种基于全天空成像设备的太阳辐照度预测方法和装置，先确定基于云团轨迹的太阳辐照度预测值，然后确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值，最后实现太阳辐照度的最终预测。本发明提供的基于全天空成像设备的太阳辐照度预测方法中，在确定晴空辐照度时考虑了云对太阳辐照度的影响，在确定云团运动轨迹时考虑了云的快速变化对太阳辐照度的影响，并且在确定基于天气预报模式的太阳辐照度预测值的过程中考虑了诸如天气过程、云变化等物理过程，考虑全面，且提高了太阳辐照度预测结果的准确性。

Description

一种基于全天空成像设备的太阳辐照度预测方法和装置
技术领域
本发明涉及光伏功率预测技术领域，具体涉及一种基于全天空成像设备的太阳辐照度预测方法和装置。
背景技术
光伏发电功率与太阳辐照度相关度较高，具有随机性和波动性，大规模接入会影响电网安全稳定和经济运行。通过较为准确的光伏电站发电功率预测能力，能够有效降低电力系统运行成本，充分利用太阳能资源，获得更大的经济效益和社会效益。
因光伏发电功率与地面向下太阳辐照度息息相关，而太阳辐照度受天气因素的影响较为强烈。云是太阳辐照度的主要天气影响因子，其发生发展消亡的过程不断影响到达地面的太阳辐照度。云的薄厚程度对到达地面的太阳辐照度影响程度不同，如果光伏电站被厚云遮挡时，光伏电站能够接收到的太阳辐照度较小，导致其发电功率较低，反之亦然。因此，云的变化会对到达地面的太阳辐照度造成不同程度衰减，进而导致光伏电站的发电功率出现波动，同时因为云变化的不确定性，也造成发电功率较难以预测。
目前，太阳辐照度预测方法主要基于全天空成像云图、卫星云图、数值天气预报、统计拟合外推或智能算法实现，基于全天空成像云图或卫星云图的太阳辐照度预测主要考虑了云对太阳辐照度的影响，未考虑天气类型的影响；基于数值天气预报太阳辐照度预测能够考虑到天气类型的影响，未考虑云的快速变化对太阳辐照度的影响；基于统计拟合外推或智能算法的太阳辐照度预测多在数理条件下考虑数据的变化问题，未考虑天气过程等物理过程。
综上所述，现有技术中太阳辐照度预测因未考虑天气类型、云的快速变化或天气过程等影响，导致预测准确性不高。
发明内容
为了克服上述现有技术中因未考虑天气类型、云的快速变化或天气过程等影响而导致太阳辐照度预测准确性不高的缺陷，本发明提供一种基于全天空成像设备的太阳辐照度预测方法和装置，先根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值，然后确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值，最后根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值实现太阳辐照度的最终预测，提高了预测结果的准确性。
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全天空成像设备的太阳辐照度预测方法，包括：
根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值；
确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值；
根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值。
所述根据云团质心的运动速度和运动方向确定云团质心的预测位置，包括：
通过全天空成像设备采集云图实际图像，区分云图实际图像中的云团，并确定云团质心的实际位置；
按下式确定云团质心的线性运动速度：
其中，v1j,t表示t时刻第j个云团质心的线性运动速度，且v1j,t＝…＝v1j,t+k＝…＝v1j,t+n，k＝1,2,…,n，n表示未来时刻数；xj,t和xj,t-1分别表示t时刻和t-1时刻第j个云团质心在水平方向的位置；yj,t和yj,t-1分别表示t时刻和t-1时刻第j个云团质心在垂直方向的位置；Δt表示时间间隔，且Δt＝t-(t-1)；
按下式确定云团质心的线性运动方向：
其中，d1j,t表示t时刻第j个云团质心的线性运动方向，且d1j,t＝…＝d1j,t+k＝…＝d1j,t+n；
按下式确定云团质心的运动速度和方向：
其中，vj,t+k表示t+k时刻第j个云团质心的运动速度，且vj,t＝…＝vj,t+k＝…＝vj,t+n；dj,t+k表示t+k时刻第j个云团质心的运动方向；v2j,t表示t时刻第j个云团质心的非线性运动速度，且v2j,t＝…＝v2j,t+k＝…＝v2j,t+n；d2j,t+k表示t+k时刻第j个云团质心的非线性运动方向，其通过天气预报模式下的风向格点信息确定；
根据vj,t+k和d2j,t+k确定云团质心的预测位置(xj,t+k，yi,t+k)，其中xj,t+k表示t+k时刻第j个云团质心在水平方向的位置，且xj,t+k＝xj,t+vj,t+k·Δt·sindj,t+k；yj,t+k表示t+k时刻第j个云团质心在垂直方向的位置，且yj,t+k＝yj+vj,t+k·Δt·cosdj,t+k。
所述根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值，包括：
根据云团质心的预测位置确定云团的运动轨迹，形成云图预测图像；
按下式确定云图预测图像的像素归一化红蓝比值：
其中，R1表示云图预测图像的像素归一化红蓝比值，b1表示云图预测图像的像素蓝色通道亮度值，r1表示云图预测图像的像素红色通道亮度值；
根据R1确定云图预测图像中的云团类型：
当R1∈[-1,Rclear1)时，云图预测图像中的云团类型为无云；当R1∈[Rclear1,Rcloud1)，云图预测图像中的云团类型为薄云；当R1∈[Rcloud1,1]，云图预测图像中的云团类型为厚云，其中Rclear1表示云图预测图像中的无云与薄云的分割阈值，Rcloud1表示云图预测图像中薄云与厚云的分割阈值；
按下式确定云图预测图像的云量比例：
其中，CldNum1表示云图预测图像的云量比例，CLear1表示云图预测图像中的无云量，SCloud1表示云图预测图像中的厚云量，LCloud1表示云图预测图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum1、LCloud1、SCloud1和CLear1作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出基于云团轨迹的太阳辐照度预测值。
所述确定基于天气预报模式的太阳辐照度预测值，包括：
将世界时间00点作为起报时间，运行天气预报模式，得到基于天气预报模式的太阳辐照度预测值。
所述太阳辐照度实测值按以下过程确定：
按下式确定云图实际图像的像素归一化红蓝比值：
其中，R2表示云图实际图像的像素归一化红蓝比值，b2表示云图实际图像的像素蓝色通道亮度值，r2表示云图实际图像的像素红色通道亮度值；
根据R2确定云图实际图像中的云团类型：
当R2∈[-1,Rclear2)时，云图实际图像中的云团类型为无云；当R2∈[Rclear2,Rcloud2)，云图实际图像中的云团类型为薄云；当R2∈[Rcloud2,1]，云图实际图像中的云团类型为厚云，其中Rclear2表示云图实际图像中无云与薄云的分割阈值，Rcloud2表示云图实际图像中的薄云与厚云的分割阈值；
按下式确定云图实际图像的云量比例：
其中，CldNum2表示云图实际图像的云量比例，CLear2表示云图实际图像中的无云量，SCloud2表示云图实际图像中的厚云量，LCloud2表示云图实际图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum2、LCloud2、SCloud2和CLear2作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出太阳辐照度实测值。
所述根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值，包括：
按下式确定太阳辐照度平衡方程：
HZ＝a1HCloud，t-k+a2HWRF，t-k
其中，HZ表示太阳辐照度实测值，HCloud，t-k表示t-k时刻基于云团轨迹的太阳辐照度预测值，HWRF，t-k表示t-k时刻基于天气预报模式的太阳辐照度预测值，a1表示HCloud的权重系数，a2表示HWRF的权重系数；
按照均方根误差最小为原则求解太阳辐照度平衡方程，得到a1和a2；
根据t+k时刻基于云团轨迹的太阳辐照度预测值HCloud，t+k、t+k时刻基于天气预报模式的太阳辐照度预测值HWRF，t+k、a1和a2，求解太阳辐照度平衡方程，得到太阳辐照度最终预测值。
本发明还提供一种基于全天空成像设备的太阳辐照度预测装置，包括：
第一确定模块，用于根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值；
第二确定模块，用于确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值；
第三确定模块，用于根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值。
所述第一确定模块包括第一确定单元，所述第一确定单元具体用于：
通过全天空成像设备采集云图实际图像，区分云图实际图像中的云团，并确定云团质心的实际位置；
按下式确定云团质心的线性运动速度：
其中，v1j,t表示t时刻第j个云团质心的线性运动速度，且v1j,t＝…＝v1j,t+k＝…＝v1j,t+n，k＝1,2,…,n，n表示未来时刻数；xj,t和xj,t-1分别表示t时刻和t-1时刻第j个云团质心在水平方向的位置；yj,t和yj,t-1分别表示t时刻和t-1时刻第j个云团质心在垂直方向的位置；Δt表示时间间隔，且Δt＝t-(t-1)；
按下式确定云团质心的线性运动方向：
其中，d1j,t表示t时刻第j个云团质心的线性运动方向，且d1j,t＝…＝d1j,t+k＝…＝d1j,t+n；
按下式确定云团质心的运动速度和方向：
其中，vj,t+k表示t+k时刻第j个云团质心的运动速度，且vj,t＝…＝vj,t+k＝…＝vj,t+n；dj,t+k表示t+k时刻第j个云团质心的运动方向；v2j,t表示t时刻第j个云团质心的非线性运动速度，且v2j,t＝…＝v2j,t+k＝…＝v2j,t+n；d2j,t+k表示t+k时刻第j个云团质心的非线性运动方向，其通过天气预报模式下的风向格点信息确定；
根据vj,t+k和d2j,t+k确定云团质心的预测位置(xj,t+k，yi,t+k)，其中xj,t+k表示t+k时刻第j个云团质心在水平方向的位置，且xj,t+k＝xj,t+vj,t+k·Δt·sindj,t+k；yj,t+k表示t+k时刻第j个云团质心在垂直方向的位置，且yj,t+k＝yj+vj,t+k·Δt·cosdj,t+k。
所述第一确定模块包括第二确定单元，所述第二确定单元具体用于：
根据云团质心的预测位置确定云团的运动轨迹，形成云图预测图像；
按下式确定云图预测图像的像素归一化红蓝比值：
其中，R1表示云图预测图像的像素归一化红蓝比值，b1表示云图预测图像的像素蓝色通道亮度值，r1表示云图预测图像的像素红色通道亮度值；
根据R1确定云图预测图像中的云团类型：
当R1∈[-1,Rclear1)时，云图预测图像中的云团类型为无云；当R1∈[Rclear1,Rcloud1)，云图预测图像中的云团类型为薄云；当R1∈[Rcloud1,1]，云图预测图像中的云团类型为厚云，其中Rclear1表示云图预测图像中的无云与薄云的分割阈值，Rcloud1表示云图预测图像中薄云与厚云的分割阈值；
按下式确定云图预测图像的云量比例：
其中，CldNum1表示云图预测图像的云量比例，CLear1表示云图预测图像中的无云量，SCloud1表示云图预测图像中的厚云量，LCloud1表示云图预测图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum1、LCloud1、SCloud1和CLear1作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出基于云团轨迹的太阳辐照度预测值。
所述第二确定模块包括第三确定单元，所述第三确定单元具体用于：
将世界时间00点作为起报时间，运行天气预报模式，得到基于天气预报模式的太阳辐照度预测值。
所述第二确定模块包括第四确定单元，所述第四确定单元具体用于：
按下式确定云图实际图像的像素归一化红蓝比值：
其中，R2表示云图实际图像的像素归一化红蓝比值，b2表示云图实际图像的像素蓝色通道亮度值，r2表示云图实际图像的像素红色通道亮度值；
根据R2确定云图实际图像中的云团类型：
当R2∈[-1,Rclear2)时，云图实际图像中的云团类型为无云；当R2∈[Rclear2,Rcloud2)，云图实际图像中的云团类型为薄云；当R2∈[Rcloud2,1]，云图实际图像中的云团类型为厚云，其中Rclear2表示云图实际图像中无云与薄云的分割阈值，Rcloud2表示云图实际图像中的薄云与厚云的分割阈值；
按下式确定云图实际图像的云量比例：
其中，CldNum2表示云图实际图像的云量比例，CLear2表示云图实际图像中的无云量，SCloud2表示云图实际图像中的厚云量，LCloud2表示云图实际图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum2、LCloud2、SCloud2和CLear2作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出太阳辐照度实测值。
所述第三确定模块包括：
方程确定单元，用于按下式确定太阳辐照度平衡方程：
HZ＝a1HCloud，t-k+a2HWRF，t-k
其中，HZ表示太阳辐照度实测值，HCloud，t-k表示t-k时刻基于云团轨迹的太阳辐照度预测值，HWRF，t-k表示t-k时刻基于天气预报模式的太阳辐照度预测值，a1表示HCloud的权重系数，a2表示HWRF的权重系数；
第一求解单元，用于按照均方根误差最小为原则求解太阳辐照度平衡方程，得到a1和a2；
第二求解单元，用于根据t+k时刻基于云团轨迹的太阳辐照度预测值HCloud，t+k、t+k时刻基于天气预报模式的太阳辐照度预测值HWRF，t+k、a1和a2，求解太阳辐照度平衡方程，得到太阳辐照度最终预测值。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的基于全天空成像设备的太阳辐照度预测方法中，先根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值，然后确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值，最后根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值实现太阳辐照度的最终预测，提高了太阳辐照度预测结果的准确性；
本发明提供的基于全天空成像设备的太阳辐照度预测装置包括用于根据云团质心的运动速度和运动方向确定云团质心的预测位置并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值的第一确定模块、用于确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值的第二确定模块以及用于根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值的第三确定模块，实现太阳辐照度的最终预测，提高了太阳辐照度预测结果的准确性；
本发明提供的基于全天空成像设备的太阳辐照度预测方法中，在确定晴空辐照度时考虑了云对太阳辐照度的影响，在确定云团运动轨迹时考虑了云的快速变化对太阳辐照度的影响，并且在确定基于天气预报模式的太阳辐照度预测值的过程中考虑了诸如天气过程、云变化等物理过程，考虑全面，为太阳辐照度准确预测提供基础；
本发明提供的基于全天空成像设备的太阳辐照度预测方法中，在确定云团质心的预测位置前，先通过全天空成像设备采集云团实际图像，保证云团采集的准确性，并根据云团知心的实际位置确定云团质心的运动速度和方向，进而得到云团知心的预测位置，根据云团知心的预测位置确定云团运动轨迹的过程中增加了天气预报模式预测的风向对云运动的影响，在太阳辐照度预测中补充了天气预报模式预测的太阳辐照度对最终预测的影响，改进了单纯基于全天空成像设备的、基于天气预报模式的太阳辐照度预测方面存在未考虑天气类型和云团快速变化的问题，提高了太阳辐照度预测的可靠性。
附图说明
图1是本发明实施例1中基于全天空成像设备的太阳辐照度预测方法流程图；
图2是本发明实施例2中太阳辐照度实测值与太阳辐照度最终预测值对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供了一种基于全天空成像设备的太阳辐照度预测方法，该方法的具体流程图如图1所示，具体过程如下：
S101：根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值；
S102：确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值；
S103：根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值。
上述S101中，根据云团质心的运动速度和运动方向确定云团质心的预测位置的具体过程如下：
1、通过全天空成像设备采集云图实际图像，区分云图实际图像中的云团，并确定云团质心的实际位置；
2、按下式确定云团质心的线性运动速度：
其中，v1j,t表示t时刻第j个云团质心的线性运动速度，且v1j,t＝…＝v1j,t+k＝…＝v1j,t+n，k＝1,2,…,n，n表示未来时刻数；xj,t和xj,t-1分别表示t时刻和t-1时刻第j个云团质心在水平方向的位置；yj,t和yj,t-1分别表示t时刻和t-1时刻第j个云团质心在垂直方向的位置；Δt表示时间间隔，且Δt＝t-(t-1)；
3、按下式确定云团质心的线性运动方向：
其中，d1j,t表示t时刻第j个云团质心的线性运动方向，且d1j,t＝…＝d1j,t+k＝…＝d1j,t+n；
4、按下式确定云团质心的运动速度和方向：
其中，vj,t+k表示t+k时刻第j个云团质心的运动速度，且vj,t＝…＝vj,t+k＝…＝vj,t+n；dj,t+k表示t+k时刻第j个云团质心的运动方向；v2j,t表示t时刻第j个云团质心的非线性运动速度，且v2j,t＝…＝v2j,t+k＝…＝v2j,t+n；d2j,t+k表示t+k时刻第j个云团质心的非线性运动方向，其通过天气预报模式下的风向格点信息确定；
5、根据vj,t+k和d2j,t+k确定t+k时刻云团质心的预测位置(xj,t+k，yi,t+k)，其中xj,t+k表示t+k时刻第j个云团质心在水平方向的位置，且xj,t+k＝xj,t+vj,t+k·Δt·sindj,t+k；yj,t+k表示t+k时刻第j个云团质心在垂直方向的位置，且yj,t+k＝yj+vj,t+k·Δt·cosdj,t+k。t-k时刻至t+n时刻所有时刻下云团质心的预测位置都可以根据上述过程得到。
上述S101中，根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值的具体过程如下：
1、根据云团质心的预测位置确定云团的运动轨迹，形成云图预测图像；
2、按下式确定云图预测图像的像素归一化红蓝比值：
其中，R1表示云图预测图像的像素归一化红蓝比值，b1表示云图预测图像的像素蓝色通道亮度值，r1表示云图预测图像的像素红色通道亮度值；
3、根据R1确定云图预测图像中的云团类型：
当R1∈[-1,Rclear1)时，云图预测图像中的云团类型为无云；当R1∈[Rclear1,Rcloud1)，云图预测图像中的云团类型为薄云；当R1∈[Rcloud1,1]，云图预测图像中的云团类型为厚云，其中Rclear1表示云图预测图像中的无云与薄云的分割阈值，Rcloud1表示云图预测图像中薄云与厚云的分割阈值；
4、按下式确定云图预测图像的云量比例：
其中，CldNum1表示云图预测图像的云量比例，CLear1表示云图预测图像中的无云量，SCloud1表示云图预测图像中的厚云量，LCloud1表示云图预测图像中的薄云量；
5、获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
6、将晴空辐照度、CldNum1、LCloud1、SCloud1和CLear1作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出基于云团轨迹的太阳辐照度预测值。
上述S102中，确定基于天气预报模式的太阳辐照度预测值的具体过程如下：
将美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)提供的世界时间00点作为起报时间，运行天气预报模式，得到基于天气预报模式的太阳辐照度预测值。
上述S102中，太阳辐照度实测值按以下过程确定：
1、按下式确定云图实际图像的像素归一化红蓝比值：
其中，R2表示云图实际图像的像素归一化红蓝比值，b2表示云图实际图像的像素蓝色通道亮度值，r2表示云图实际图像的像素红色通道亮度值；
2、根据R2确定云图实际图像中的云团类型：
当R2∈[-1,Rclear2)时，云图实际图像中的云团类型为无云；当R2∈[Rclear2,Rcloud2)，云图实际图像中的云团类型为薄云；当R2∈[Rcloud2,1]，云图实际图像中的云团类型为厚云，其中Rclear2表示云图实际图像中无云与薄云的分割阈值，Rcloud2表示云图实际图像中的薄云与厚云的分割阈值；
3、按下式确定云图实际图像的云量比例：
其中，CldNum2表示云图实际图像的云量比例，CLear2表示云图实际图像中的无云量，SCloud2表示云图实际图像中的厚云量，LCloud2表示云图实际图像中的薄云量；
4、获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
5、将晴空辐照度、CldNum2、LCloud2、SCloud2和CLear2作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出太阳辐照度实测值。
上述S103中，根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值，具体过程如下：
1、按下式确定太阳辐照度平衡方程：
HZ＝a1HCloud，t-k+a2HWRF，t-k
其中，HZ表示太阳辐照度实测值，HCloud，t-k表示t-k时刻基于云团轨迹的太阳辐照度预测值，HWRF，t-k表示t-k时刻基于天气预报模式的太阳辐照度预测值，a1表示HCloud的权重系数，a2表示HWRF的权重系数；
2、根据上述S101得到的HCloud，t-k以及上述S102得到的HWRF，t+k和HZ，并按照均方根误差最小为原则求解太阳辐照度平衡方程，得到a1和a2；
3、根据t+k时刻基于云团轨迹的太阳辐照度预测值HCloud，t+k(根据上述S101得到)、t+k时刻基于天气预报模式的太阳辐照度预测值HWRF，t+k(根据上述S102得到)、a1和a2，求解太阳辐照度平衡方程，得到太阳辐照度最终预测值。
基于同一发明构思，本发明实施例还提供了一种基于全天空成像设备的太阳辐照度预测装置，这些设备解决问题的原理与基于全天空成像设备的太阳辐照度预测方法相似，本发明实施例提供的基于全天空成像设备的太阳辐照度预测装置包括第一确定模块、第二确定模块和第三确定模块，下面对上述三个确定模块进行详细介绍：
其中的第一确定模块，用于根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值；
其中的第二确定模块，用于确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值；
其中的第三确定模块，用于根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值。
上述的第一确定模块包括第一确定单元，第一确定单元根据云团质心的运动速度和运动方向确定云团质心的预测位置的具体过程如下：
1、通过全天空成像设备采集云图实际图像，区分云图实际图像中的云团，并确定云团质心的实际位置；
2、按下式确定云团质心的线性运动速度：
其中，v1j,t表示t时刻第j个云团质心的线性运动速度，且v1j,t＝…＝v1j,t+k＝…＝v1j,t+n，k＝1,2,…,n，n表示未来时刻数；xj,t和xj,t-1分别表示t时刻和t-1时刻第j个云团质心在水平方向的位置；yj,t和yj,t-1分别表示t时刻和t-1时刻第j个云团质心在垂直方向的位置；Δt表示时间间隔，且Δt＝t-(t-1)；
3、按下式确定云团质心的线性运动方向：
其中，d1j,t表示t时刻第j个云团质心的线性运动方向，且d1j,t＝…＝d1j,t+k＝…＝d1j,t+n；
4、按下式确定云团质心的运动速度和方向：
其中，vj,t+k表示t+k时刻第j个云团质心的运动速度，且vj,t＝…＝vj,t+k＝…＝vj,t+n；dj,t+k表示t+k时刻第j个云团质心的运动方向；v2j,t表示t时刻第j个云团质心的非线性运动速度，且v2j,t＝…＝v2j,t+k＝…＝v2j,t+n；d2j,t+k表示t+k时刻第j个云团质心的非线性运动方向，其通过天气预报模式下的风向格点信息确定；
5、根据vj,t+k和d2j,t+k确定云团质心的预测位置(xj,t+k，yi,t+k)，其中xj,t+k表示t+k时刻第j个云团质心在水平方向的位置，且xj,t+k＝xj,t+vj,t+k·Δt·sindj,t+k；yj,t+k表示t+k时刻第j个云团质心在垂直方向的位置，且yj,t+k＝yj+vj,t+k·Δt·cosdj,t+k。
上述的第一确定模块不仅包括第一确定单元还包括第二确定单元，第二确定单元根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值的具体过程如下：
1、根据云团质心的预测位置确定云团的运动轨迹，形成云图预测图像；
2、按下式确定云图预测图像的像素归一化红蓝比值：
其中，R1表示云图预测图像的像素归一化红蓝比值，b1表示云图预测图像的像素蓝色通道亮度值，r1表示云图预测图像的像素红色通道亮度值；
3、根据R1确定云图预测图像中的云团类型：
当R1∈[-1,Rclear1)时，云图预测图像中的云团类型为无云；当R1∈[Rclear1,Rcloud1)，云图预测图像中的云团类型为薄云；当R1∈[Rcloud1,1]，云图预测图像中的云团类型为厚云，其中Rclear1表示云图预测图像中的无云与薄云的分割阈值，Rcloud1表示云图预测图像中薄云与厚云的分割阈值；
4、按下式确定云图预测图像的云量比例：
其中，CldNum1表示云图预测图像的云量比例，CLear1表示云图预测图像中的无云量，SCloud1表示云图预测图像中的厚云量，LCloud1表示云图预测图像中的薄云量；
5、获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
6、将晴空辐照度、CldNum1、LCloud1、SCloud1和CLear1作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出基于云团轨迹的太阳辐照度预测值。
上述的第二确定模块包括第三确定单元，所述第三确定单元得到基于天气预报模式的太阳辐照度预测值的具体过程如下：
将世界时间00点作为起报时间，运行天气预报模式，得到基于天气预报模式的太阳辐照度预测值。
上述的第二确定模块不仅包括第三确定单元，还包括第四确定单元，第四确定单元确定太阳辐照度实测值的具体过程如下：
1、按下式确定云图实际图像的像素归一化红蓝比值：
其中，R2表示云图实际图像的像素归一化红蓝比值，b2表示云图实际图像的像素蓝色通道亮度值，r2表示云图实际图像的像素红色通道亮度值；
2、根据R2确定云图实际图像中的云团类型：
当R2∈[-1,Rclear2)时，云图实际图像中的云团类型为无云；当R2∈[Rclear2,Rcloud2)，云图实际图像中的云团类型为薄云；当R2∈[Rcloud2,1]，云图实际图像中的云团类型为厚云，其中Rclear2表示云图实际图像中无云与薄云的分割阈值，Rcloud2表示云图实际图像中的薄云与厚云的分割阈值；
3、按下式确定云图实际图像的云量比例：
其中，CldNum2表示云图实际图像的云量比例，CLear2表示云图实际图像中的无云量，SCloud2表示云图实际图像中的厚云量，LCloud2表示云图实际图像中的薄云量；
4、获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
5、将晴空辐照度、CldNum2、LCloud2、SCloud2和CLear2作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出太阳辐照度实测值。
上述的第三确定模块需要根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值，第三确定模块包括方程确定单元、第一求解单元和第二求解单元，下面分别介绍第三确定模块中三个单元的具体功能：
其中的方程确定单元，用于按下式确定太阳辐照度平衡方程：
HZ＝a1HCloud，t-k+a2HWRF，t-k
其中，HZ表示太阳辐照度实测值，HCloud，t-k表示t-k时刻基于云团轨迹的太阳辐照度预测值，HWRF，t-k表示t-k时刻基于天气预报模式的太阳辐照度预测值，a1表示HCloud的权重系数，a2表示HWRF的权重系数；
其中的第一求解单元，用于按照均方根误差最小为原则求解太阳辐照度平衡方程，得到a1和a2；
其中的第二求解单元，用于根据t+k时刻基于云团轨迹的太阳辐照度预测值HCloud，t+k、t+k时刻基于天气预报模式的太阳辐照度预测值HWRF，t+k、a1和a2，求解太阳辐照度平衡方程，得到太阳辐照度最终预测值。
实施例2
利用西北某光伏电站实测太阳辐照度、云图信息和WRF模式预测结果，得到实际效果如图2所示。
可以看出，预测辐照度整体上能够很好地跟随实际辐照度，也能够很好地表示出云团的影响，在13:20处太阳辐照度突然降低是因为受到了总云量较大、厚云较多的云团影响，该云团影响消失后受到总云量很少、均为薄云的云团影响出现一定波动，最后仍然受到总云量较大、厚云较多的云团影响直至日落。但在16:50附近有较大预测偏差，这可能是云的轨迹预测以及WRF模式结果出现偏差，导致了预测太阳辐照度的偏差。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (12)

1.一种基于全天空成像设备的太阳辐照度预测方法，其特征在于，包括：
根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值；
确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值；
根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值。
2.根据权利要求1所述的基于全天空成像设备的太阳辐照度预测方法，其特征在于，所述根据云团质心的运动速度和运动方向确定云团质心的预测位置，包括：
通过全天空成像设备采集云图实际图像，区分云图实际图像中的云团，并确定云团质心的实际位置；
按下式确定云团质心的线性运动速度：
<mrow> <mi>v</mi> <msub> <mn>1</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mrow> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> </mfrac> </mrow>
其中，v1j,t表示t时刻第j个云团质心的线性运动速度，且v1j,t＝…＝v1j,t+k＝…＝v1j,t+n，k＝1,2,…,n，n表示未来时刻数；xj,t和xj,t-1分别表示t时刻和t-1时刻第j个云团质心在水平方向的位置；yj,t和yj,t-1分别表示t时刻和t-1时刻第j个云团质心在垂直方向的位置；Δt表示时间间隔，且Δt＝t-(t-1)；
按下式确定云团质心的线性运动方向：
其中，d1j,t表示t时刻第j个云团质心的线性运动方向，且d1j,t＝…＝d1j,t+k＝…＝d1j,t+n；
按下式确定云团质心的运动速度和方向：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msub> <mi>v</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mi>v</mi> <msub> <mn>1</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>v</mi> <msub> <mn>2</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>d</mi> <msub> <mn>1</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> <mo>+</mo> <mi>d</mi> <msub> <mn>2</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> </mrow> <mn>2</mn> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，vj,t+k表示t+k时刻第j个云团质心的运动速度，且vj,t＝…＝vj,t+k＝…＝vj,t+n；dj,t+k表示t+k时刻第j个云团质心的运动方向；v2j,t表示t时刻第j个云团质心的非线性运动速度，且v2j,t＝…＝v2j,t+k＝…＝v2j,t+n；d2j,t+k表示t+k时刻第j个云团质心的非线性运动方向，其通过天气预报模式下的风向格点信息确定；
根据vj,t+k和d2j,t+k确定云团质心的预测位置(xj,t+k，yi,t+k)，其中xj,t+k表示t+k时刻第j个云团质心在水平方向的位置，且xj,t+k＝xj,t+vj,t+k·Δt·sindj,t+k；yj,t+k表示t+k时刻第j个云团质心在垂直方向的位置，且yj,t+k＝yj+vj,t+k·Δt·cosdj,t+k。
3.根据权利要求1所述的基于全天空成像设备的太阳辐照度预测方法，其特征在于，所述根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值，包括：
根据云团质心的预测位置确定云团的运动轨迹，形成云图预测图像；
按下式确定云图预测图像的像素归一化红蓝比值：
<mrow> <msub> <mi>R</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>r</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>r</mi> <mn>1</mn> </msub> </mrow> </mfrac> </mrow>
其中，R1表示云图预测图像的像素归一化红蓝比值，b1表示云图预测图像的像素蓝色通道亮度值，r1表示云图预测图像的像素红色通道亮度值；
根据R1确定云图预测图像中的云团类型：
当R1∈[-1,Rclear1)时，云图预测图像中的云团类型为无云；当R1∈[Rclear1,Rcloud1)，云图预测图像中的云团类型为薄云；当R1∈[Rcloud1,1]，云图预测图像中的云团类型为厚云，其中Rclear1表示云图预测图像中的无云与薄云的分割阈值，Rcloud1表示云图预测图像中薄云与厚云的分割阈值；
按下式确定云图预测图像的云量比例：
<mrow> <msub> <mi>CldNum</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>L</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> <mn>1</mn> </mrow> </msub> </mrow> </mfrac> </mrow>
其中，CldNum1表示云图预测图像的云量比例，CLear1表示云图预测图像中的无云量，SCloud1表示云图预测图像中的厚云量，LCloud1表示云图预测图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum1、LCloud1、SCloud1和CLear1作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出基于云团轨迹的太阳辐照度预测值。
4.根据权利要求1所述的基于全天空成像设备的太阳辐照度预测方法，其特征在于，所述确定基于天气预报模式的太阳辐照度预测值，包括：
将世界时间00点作为起报时间，运行天气预报模式，得到基于天气预报模式的太阳辐照度预测值。
5.根据权利要求1所述的基于全天空成像设备的太阳辐照度预测方法，其特征在于，所述太阳辐照度实测值按以下过程确定：
按下式确定云图实际图像的像素归一化红蓝比值：
<mrow> <msub> <mi>R</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>r</mi> <mn>2</mn> </msub> </mrow> <mrow> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>+</mo> <msub> <mi>r</mi> <mn>2</mn> </msub> </mrow> </mfrac> </mrow>
其中，R2表示云图实际图像的像素归一化红蓝比值，b2表示云图实际图像的像素蓝色通道亮度值，r2表示云图实际图像的像素红色通道亮度值；
根据R2确定云图实际图像中的云团类型：
当R2∈[-1,Rclear2)时，云图实际图像中的云团类型为无云；当R2∈[Rclear2,Rcloud2)，云图实际图像中的云团类型为薄云；当R2∈[Rcloud2,1]，云图实际图像中的云团类型为厚云，其中Rclear2表示云图实际图像中无云与薄云的分割阈值，Rcloud2表示云图实际图像中的薄云与厚云的分割阈值；
按下式确定云图实际图像的云量比例：
<mrow> <msub> <mi>CldNum</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>L</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> </mrow>
其中，CldNum2表示云图实际图像的云量比例，CLear2表示云图实际图像中的无云量，SCloud2表示云图实际图像中的厚云量，LCloud2表示云图实际图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum2、LCloud2、SCloud2和CLear2作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出太阳辐照度实测值。
6.根据权利要求1所述的基于全天空成像设备的太阳辐照度预测方法，其特征在于，所述根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值，包括：
按下式确定太阳辐照度平衡方程：
HZ＝a1HCloud，t-k+a2HWRF，t-k
其中，HZ表示太阳辐照度实测值，HCloud，t-k表示t-k时刻基于云团轨迹的太阳辐照度预测值，HWRF，t-k表示t-k时刻基于天气预报模式的太阳辐照度预测值，a1表示HCloud的权重系数，a2表示HWRF的权重系数；
按照均方根误差最小为原则求解太阳辐照度平衡方程，得到a1和a2；
根据t+k时刻基于云团轨迹的太阳辐照度预测值HCloud，t+k、t+k时刻基于天气预报模式的太阳辐照度预测值HWRF，t+k、a1和a2，求解太阳辐照度平衡方程，得到太阳辐照度最终预测值。
7.一种基于全天空成像设备的太阳辐照度预测装置，其特征在于，包括：
第一确定模块，用于根据云团质心的运动速度和运动方向确定云团质心的预测位置，并根据云团质心的预测位置确定基于云团轨迹的太阳辐照度预测值；
第二确定模块，用于确定基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值；
第三确定模块，用于根据基于云团轨迹的太阳辐照度预测值、基于天气预报模式的太阳辐照度预测值和太阳辐照度实测值确定太阳辐照度最终预测值。
8.根据权利要求7所述的基于全天空成像设备的太阳辐照度预测装置，其特征在于，所述第一确定模块包括第一确定单元，所述第一确定单元具体用于：
通过全天空成像设备采集云图实际图像，区分云图实际图像中的云团，并确定云团质心的实际位置；
按下式确定云团质心的线性运动速度：
<mrow> <mi>v</mi> <msub> <mn>1</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mrow> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> </mfrac> </mrow>
其中，v1j,t表示t时刻第j个云团质心的线性运动速度，且v1j,t＝…＝v1j,t+k＝…＝v1j,t+n，k＝1,2,…,n，n表示未来时刻数；xj,t和xj,t-1分别表示t时刻和t-1时刻第j个云团质心在水平方向的位置；yj,t和yj,t-1分别表示t时刻和t-1时刻第j个云团质心在垂直方向的位置；Δt表示时间间隔，且Δt＝t-(t-1)；
按下式确定云团质心的线性运动方向：
其中，d1j,t表示t时刻第j个云团质心的线性运动方向，且d1j,t＝…＝d1j,t+k＝…＝d1j,t+n；
按下式确定云团质心的运动速度和方向：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msub> <mi>v</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mi>v</mi> <msub> <mn>1</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>v</mi> <msub> <mn>2</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>d</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>d</mi> <msub> <mn>1</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> <mo>+</mo> <mi>d</mi> <msub> <mn>2</mn> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mi>k</mi> </mrow> </msub> </mrow> <mn>2</mn> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，vj,t+k表示t+k时刻第j个云团质心的运动速度，且vj,t＝…＝vj,t+k＝…＝vj,t+n；dj,t+k表示t+k时刻第j个云团质心的运动方向；v2j,t表示t时刻第j个云团质心的非线性运动速度，且v2j,t＝…＝v2j,t+k＝…＝v2j,t+n；d2j,t+k表示t+k时刻第j个云团质心的非线性运动方向，其通过天气预报模式下的风向格点信息确定；
根据vj,t+k和d2j,t+k确定云团质心的预测位置(xj,t+k，yi,t+k)，其中xj,t+k表示t+k时刻第j个云团质心在水平方向的位置，且xj,t+k＝xj,t+vj,t+k·Δt·sindj,t+k；yj,t+k表示t+k时刻第j个云团质心在垂直方向的位置，且yj,t+k＝yj+vj,t+k·Δt·cosdj,t+k。
9.根据权利要求7所述的基于全天空成像设备的太阳辐照度预测装置，其特征在于，所述第一确定模块包括第二确定单元，所述第二确定单元具体用于：
根据云团质心的预测位置确定云团的运动轨迹，形成云图预测图像；
按下式确定云图预测图像的像素归一化红蓝比值：
<mrow> <msub> <mi>R</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>r</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>b</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>r</mi> <mn>1</mn> </msub> </mrow> </mfrac> </mrow>
其中，R1表示云图预测图像的像素归一化红蓝比值，b1表示云图预测图像的像素蓝色通道亮度值，r1表示云图预测图像的像素红色通道亮度值；
根据R1确定云图预测图像中的云团类型：
当R1∈[-1,Rclear1)时，云图预测图像中的云团类型为无云；当R1∈[Rclear1,Rcloud1)，云图预测图像中的云团类型为薄云；当R1∈[Rcloud1,1]，云图预测图像中的云团类型为厚云，其中Rclear1表示云图预测图像中的无云与薄云的分割阈值，Rcloud1表示云图预测图像中薄云与厚云的分割阈值；
按下式确定云图预测图像的云量比例：
<mrow> <msub> <mi>CldNum</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>L</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> <mn>1</mn> </mrow> </msub> </mrow> </mfrac> </mrow>
其中，CldNum1表示云图预测图像的云量比例，CLear1表示云图预测图像中的无云量，SCloud1表示云图预测图像中的厚云量，LCloud1表示云图预测图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum1、LCloud1、SCloud1和CLear1作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出基于云团轨迹的太阳辐照度预测值。
10.根据权利要求7所述的基于全天空成像设备的太阳辐照度预测装置，其特征在于，所述第二确定模块包括第三确定单元，所述第三确定单元具体用于：
将世界时间00点作为起报时间，运行天气预报模式，得到基于天气预报模式的太阳辐照度预测值。
11.根据权利要求7所述的基于全天空成像设备的太阳辐照度预测装置，其特征在于，所述第二确定模块包括第四确定单元，所述第四确定单元具体用于：
按下式确定云图实际图像的像素归一化红蓝比值：
<mrow> <msub> <mi>R</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>r</mi> <mn>2</mn> </msub> </mrow> <mrow> <msub> <mi>b</mi> <mn>2</mn> </msub> <mo>+</mo> <msub> <mi>r</mi> <mn>2</mn> </msub> </mrow> </mfrac> </mrow>
其中，R2表示云图实际图像的像素归一化红蓝比值，b2表示云图实际图像的像素蓝色通道亮度值，r2表示云图实际图像的像素红色通道亮度值；
根据R2确定云图实际图像中的云团类型：
当R2∈[-1,Rclear2)时，云图实际图像中的云团类型为无云；当R2∈[Rclear2,Rcloud2)，云图实际图像中的云团类型为薄云；当R2∈[Rcloud2,1]，云图实际图像中的云团类型为厚云，其中Rclear2表示云图实际图像中无云与薄云的分割阈值，Rcloud2表示云图实际图像中的薄云与厚云的分割阈值；
按下式确定云图实际图像的云量比例：
<mrow> <msub> <mi>CldNum</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>L</mi> <mrow> <mi>C</mi> <mi>l</mi> <mi>o</mi> <mi>u</mi> <mi>d</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>L</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> </mrow>
其中，CldNum2表示云图实际图像的云量比例，CLear2表示云图实际图像中的无云量，SCloud2表示云图实际图像中的厚云量，LCloud2表示云图实际图像中的薄云量；
获取晴天情况下的太阳辐照度历史值，并取晴天情况下的太阳辐照度历史值的平均值作为晴空辐照度；
将晴空辐照度、CldNum2、LCloud2、SCloud2和CLear2作为支持向量机的输入，选择径向基函数作为核函数，通过支持向量机输出太阳辐照度实测值。
12.根据权利要求7所述的基于全天空成像设备的太阳辐照度预测装置，其特征在于，所述第三确定模块包括：
方程确定单元，用于按下式确定太阳辐照度平衡方程：
HZ＝a1HCloud，t-k+a2HWRF，t-k
其中，HZ表示太阳辐照度实测值，HCloud，t-k表示t-k时刻基于云团轨迹的太阳辐照度预测值，HWRF，t-k表示t-k时刻基于天气预报模式的太阳辐照度预测值，a1表示HCloud的权重系数，a2表示HWRF的权重系数；
第一求解单元，用于按照均方根误差最小为原则求解太阳辐照度平衡方程，得到a1和a2；
第二求解单元，用于根据t+k时刻基于云团轨迹的太阳辐照度预测值HCloud，t+k、t+k时刻基于天气预报模式的太阳辐照度预测值HWRF，t+k、a1和a2，求解太阳辐照度平衡方程，得到太阳辐照度最终预测值。
CN201711203853.5A 2017-11-27 2017-11-27 一种基于全天空成像设备的太阳辐照度预测方法和装置 Pending CN108121990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711203853.5A CN108121990A (zh) 2017-11-27 2017-11-27 一种基于全天空成像设备的太阳辐照度预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711203853.5A CN108121990A (zh) 2017-11-27 2017-11-27 一种基于全天空成像设备的太阳辐照度预测方法和装置

Publications (1)

Publication Number Publication Date
CN108121990A true CN108121990A (zh) 2018-06-05

Family

ID=62228618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711203853.5A Pending CN108121990A (zh) 2017-11-27 2017-11-27 一种基于全天空成像设备的太阳辐照度预测方法和装置

Country Status (1)

Country Link
CN (1) CN108121990A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633862A (zh) * 2019-09-20 2019-12-31 旻投(上海)数据科技有限公司 一种基于卫星云图的光功率预测算法
CN110717592A (zh) * 2019-10-11 2020-01-21 华北电力大学 一种计算光伏电站地表辐照度空间分布的方法
CN110781458A (zh) * 2019-10-30 2020-02-11 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法
CN111536965A (zh) * 2020-05-25 2020-08-14 中国科学院长春光学精密机械与物理研究所 一种以全天空成像为背景的星图显示方法
CN111582037A (zh) * 2020-04-10 2020-08-25 天津大学 基于粗糙集理论的地基云图云分类识别系统和方法
CN112578478A (zh) * 2021-01-05 2021-03-30 中国科学院西北生态环境资源研究院 基于风云4号卫星云图的地表太阳总辐射超短期预报方法
CN112907117A (zh) * 2021-03-18 2021-06-04 阳光电源股份有限公司 光伏发电站的辐照度测算方法、测算装置及可读存储介质
CN113435118A (zh) * 2021-06-25 2021-09-24 上海眼控科技股份有限公司 辐照度确定方法、装置、设备及存储介质
CN115423758A (zh) * 2022-08-15 2022-12-02 山东电力建设第三工程有限公司 一种全场精细化dni预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王诚良等: ""云团移动对光伏电站出力特性及系统调频的影响"", 《可再生能源》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633862A (zh) * 2019-09-20 2019-12-31 旻投(上海)数据科技有限公司 一种基于卫星云图的光功率预测算法
CN110717592A (zh) * 2019-10-11 2020-01-21 华北电力大学 一种计算光伏电站地表辐照度空间分布的方法
CN110717592B (zh) * 2019-10-11 2023-09-15 华北电力大学 一种计算光伏电站地表辐照度空间分布的方法
CN110781458B (zh) * 2019-10-30 2023-04-07 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法
CN110781458A (zh) * 2019-10-30 2020-02-11 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法
CN111582037A (zh) * 2020-04-10 2020-08-25 天津大学 基于粗糙集理论的地基云图云分类识别系统和方法
CN111536965A (zh) * 2020-05-25 2020-08-14 中国科学院长春光学精密机械与物理研究所 一种以全天空成像为背景的星图显示方法
CN111536965B (zh) * 2020-05-25 2023-06-06 中国科学院长春光学精密机械与物理研究所 一种以全天空成像为背景的星图显示方法
CN112578478A (zh) * 2021-01-05 2021-03-30 中国科学院西北生态环境资源研究院 基于风云4号卫星云图的地表太阳总辐射超短期预报方法
CN112578478B (zh) * 2021-01-05 2021-07-06 中国科学院西北生态环境资源研究院 基于风云4号卫星云图的地表太阳总辐射超短期预报方法
CN112907117A (zh) * 2021-03-18 2021-06-04 阳光电源股份有限公司 光伏发电站的辐照度测算方法、测算装置及可读存储介质
CN112907117B (zh) * 2021-03-18 2024-01-26 合肥零碳技术有限公司 光伏发电站的辐照度测算方法、测算装置及可读存储介质
CN113435118A (zh) * 2021-06-25 2021-09-24 上海眼控科技股份有限公司 辐照度确定方法、装置、设备及存储介质
CN115423758A (zh) * 2022-08-15 2022-12-02 山东电力建设第三工程有限公司 一种全场精细化dni预测方法
WO2024037123A1 (zh) * 2022-08-15 2024-02-22 山东电力建设第三工程有限公司 一种全场精细化dni预测方法

Similar Documents

Publication Publication Date Title
CN108121990A (zh) 一种基于全天空成像设备的太阳辐照度预测方法和装置
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
Dumbović et al. The drag-based ensemble model (DBEM) for coronal mass ejection propagation
CN113538391B (zh) 一种基于Yolov4和热红外图像的光伏缺陷检测方法
CN109272031A (zh) 一种训练样本生成方法及装置、设备、介质
CN112200377A (zh) 基于sarimax模型的光伏中长期发电量预报方法及装置
CN110363333A (zh) 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法
CN106651007A (zh) 基于gru的光伏电站辐照度中长期预测的方法及装置
Imber et al. The Heppner‐Maynard Boundary measured by SuperDARN as a proxy for the latitude of the auroral oval
Pereira et al. Method for solar resource assessment using numerical weather prediction and artificial neural network models based on typical meteorological data: Application to the south of Portugal
CN103971167B (zh) 预测光伏发电设备的发电功率的方法和系统
Song et al. A continuous space location model and a particle swarm optimization-based heuristic algorithm for maximizing the allocation of ocean-moored buoys
Tang et al. Solar flare prediction based on the fusion of multiple deep-learning models
Ledvina et al. Ion escape rates from Mars: Results from hybrid simulations compared to MAVEN observations
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
CN107358059A (zh) 短期光伏能量预测方法和装置
CN116995669A (zh) 新能源发电量的预测方法及其装置
Yang et al. Upscale impact of mesoscale disturbances of tropical convection on synoptic-scale equatorial waves in two-dimensional flows
CN115689021A (zh) 用于预测光伏电站功率的方法、装置、存储介质及处理器
Ding et al. Impact of Convection‐Permitting and Model Resolution on the Simulation of Mesoscale Convective System Properties Over East Asia
Wang et al. Worst expected ramp rates from cloud speed measurements
CN104281740A (zh) 一种基于非均匀网格划分获得卫星表面电位的方法
Kamadinata et al. Solar irradiance fluctuation prediction methodology using artificial neural networks
JP7272158B2 (ja) 発電出力算出装置、及び発電出力算出方法
Wang et al. Efficient climate simulation via machine learning method

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180605

RJ01 Rejection of invention patent application after publication