CN108133182A - 一种基于云成像的新能源发电预测方法及装置 - Google Patents

Abstract

本发明提供了一种基于云成像的新能源发电预测方法及装置，方法具体包括如下步骤：利用采集装置采集天空图像数据以及周围环境数据，对拍摄到的图像进行裁剪，去掉背景物体的干扰，让图像只包含天空信息；对处理后的图像应用深度学习算法对云量进行识别，得到天空图像云量的占比；基于WRF‑3DVAR的同化方法，利用云量百分比数据，每隔3h循环同化，对数值天气预报结果进行修正；用修正的数值天气预报进行超短期预测。本发明实现了对云量的识别，并利用云量的识别结果对数值天气预报结果进行修正，提高光伏超短期预测准确率，减少光伏并网对电网的冲击，提高了经济效益。

Description

一种基于云成像的新能源发电预测方法及装置

技术领域

本发明属于数值天气预报技术领域，尤其是涉及一种基于云成像的新能源发电预测方法及装置。

背景技术

太阳能作为一种清洁能源，已经被广泛的开发和应用。光伏发电是将太阳的辐射量转换成电能，被人们使用。随着开发的越来越多，光伏的大规模并网，由于其具有波动性和随机性，导致对电网的冲击比较大。目前预测系统主要依赖于数值天气预报，而单纯的依赖与数值天气预报对阴晴天、气象的实时波动等信息掌握不全面，从而导致预测精度不是很高。

数值天气预报对于阴晴天的预测准备率较低；卫星云图在时间分辨率和空间分辨率上较低，很难达到场站级的水平；而天空成像仪一般用于研究云的移动，根据云的变化来判断波动情况，由于云的生消等特性使其识别相对困难，同时设备成本较高，对于一个电站来讲，可能需要覆盖几个才能满足要求，经济效益较低。

发明内容

有鉴于此，本发明旨在提出一种基于云成像的新能源发电预测方法，以实时修正数值天气预报的结果，从而提高光伏预测的准确率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于云成像的新能源发电预测方法，具体包括如下步骤：

(1)利用采集装置采集天空图像数据以及周围环境数据，对拍摄到的图像进行裁剪，去掉背景物体的干扰，让图像只包含天空信息；

(2)对处理后的图像应用深度学习算法对云量进行识别，得到天空图像云量的占比；

(3)基于WRF-3DVAR的同化方法，利用云量百分比数据，每隔3h循环同化，对数值天气预报结果进行修正；

(4)用修正的数值天气预报进行超短期预测。

进一步的，所述步骤(1)中，所述采集装置包括支架及设置在支架上的气压传感器、雨量传感器、风速风向传感器和温度传感器中的任意一种或几种、和170°的超广角摄像头。

进一步的，所述步骤(1)中，具体包括如下步骤：

(11)对采集到的图像应用小波分析进行去噪处理；

(12)初次拍摄图像时，计算相邻两幅图像的差值，提取10组差值结果，然后统计这10组结果中，同一位置为0的个数，当个数大于8时，认为该位置为背景物体，根据区域连通性形成一个闭合区域形成一个掩码图像，然后统计同一行中像素0的个数，当个数大于0.9倍的图像宽度且为第一个符合要求的行时，则将此行作为上边界的位置，最后将边界以下部分图像裁减掉；

(13)对于裁剪后的图像，根据上边确定的掩码图像，确定天空中背景物体所在图像的位置，然后用周边像素八邻域的均值来代替其他物体所在位置的像素值，得到只包含云的图像；

(14)对于只包含云的图像，分别提取R、G和B通道的数据进行滤波处理，选取‘DB5’小波，对图像数据进行分解，对分解后的系数，设计一个窗口大小为5*5的二维自适应维纳滤波进行滤波，对滤波后的数据进行图像重构，然后将滤波后各个通道的数据进行合成，得到滤波后的彩色图像。

进一步的，所述步骤(2)中具体包括：

(21)构建深度学习训练模型的样本库；

(22)建立十一层深度学习网络模型，对于建立好的网络模型，应用caffe的开源架构对网络模型参数进行训练，得到对云识别的模型；

(23)将预处理后的图像，带入到训练好的神经网络模型中，得到预测结果。

进一步的，所述步骤(22)中建立十一层深度学习网络模型具体过程如下：

建立十一层深度学习网络结构，第一层为卷阶层，用128个大小为11*11的卷积核，以5个像素为步长，以“relu”函数为激活函数，经过pooling层处理，来提取天空彩色图像的特征；

第二、三层采取与第一层类似的结构，分别将卷积核个数修改为256和512，大小修改为7*7和5*5；

第四层以1024个大小为3*3的卷积核，用“relu”函数为激活函数，对上一层的卷积图像结果进行滤波操作，提取新的特征；

第五层与第四层的结构一样；

第六层与第四层结构类似，但是将卷积核修改为512个；

第七层为全连接层，设置1024个神经元，以“relu”函数为激活函数，应用dropout算法来减少过拟合的情况；

第八、九和十层与第七层结构类似，但是将神经元分别设置为512、256和128；

第十一层为输出层。

进一步的，所述步骤(3)具体包括，由WRFDA模块中的两个模块WPS和REAL产生首次同化所需的初始场，把拍照反演的云量数据当做观测文件，并输入背景误差协方差文件，根据初始场、观测文件以及误差文件进行同化；同化后新的边界条件和初始条件用来驱动WRF，WRF向前积分的结果作为下一次同化的初始场，如此循环，最后得到循环同化后的数据。

相对于现有技术，本发明所述的一种基于云成像的新能源发电预测方法具有以下优势：

本发明实现了对云量的识别，并利用云量的识别结果对数值天气预报结果进行修正，提高光伏超短期预测准确率，减少光伏并网对电网的冲击，提高了经济效益。

本发明的另一目的在于提出一种基于云成像的新能源发电预测装置，以实时修正数值天气预报的结果，从而提高光伏预测的准确率。

为了达到上述目的，本发明的技术方案是这样实现的：

一种基于云成像的新能源发电预测装置，包括

用于采集天空图像数据以及周围环境数据并对拍摄的图像进行数据处理的气象采集模块；

用于对处理后的图像利用深度学习算的进行云量识别得到云量占比的气象识别模块；

用于应用变分法对数值天气预报结果进行同化修正的数值天气预报修正模块；

用于利用用修正的数值天气预报结果进行超短期预测的光伏预测模块。

进一步的，所述气象采集模块包括

用于对采集到的图像应用小波分析进行去噪处理的去噪模块；

用于裁减掉图像边界位置物体图像的图像裁剪模块；

用于裁掉图像中背景物体图像，使得处理后的图像只包含云的图像的图像处理模块；

用于对处理后的图像进行滤波的滤波处理模块。

进一步的，所述气象识别模块包括

用于构建深度学习训练模型的样本库的样本库构建模块；

用于建立深度学习模型并进行训练得到云识别模块的云识别模块；

用于将预处理后的图像，带入到训练好的神经网络模型中进行预测的结果预测模块。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种基于云成像的新能源发电预测方法的流程图；

图2为本发明实施例所述的采集装置的结构示意图；

图3为本发明实施例所述的采集系统的原理图；

图4为本发明实施例所述的电站采集到某一时刻的图像；

图5为本发明实施例所述的裁剪后的图像；

图6为本发明实施例所述的移除景物的天空图像；

图7为本发明实施例所述的云量识别结果示意图；

图8为本发明实施例所述的WRF-3DVAR循环同化流程图；

图9为本发明实施例所述的实发-预测-修正预测辐照度数据对比图；

图10为本发明实施例所述的神经网络算法结构图。

附图标记说明：

1-支架；2-传感器；3-摄像头；4-主处理器和传输模块。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

本发明提供一种基于云成像的新能源发电预测方法和装置，方法如图1所示，本发明首先利用摄像头采集天空图像数据，应用4G/3G进行数据传输，传输到上层服务器进行后续的识别操作。

采集装置包括支架1及设置在支架1上的传感器2、以及摄像头3，传感器2包括气压传感器、雨量传感器、风速风向传感器和温度传感器中的某几种，摄像头3为170°的超广角摄像头，随着需求的增加，可在本设备上增加其他的传感器以采集相应的信息。采集装置采集的数据通过主处理器和传输模块4，应用4G/3G进行数据传输，传输到上层服务器进行后续的识别操作。摄像头3安装在支架1的顶端，同时角度可以进行调节。本采集装置采用耐高温抗腐蚀的塑料外壳，具有防水、抗腐蚀等特性。图2为设备的示意图，图3为系统的原理图。

首先，采集到的图像和传感器数据由于环境等因素的不同可能存在噪声，首先对这些数据应用小波分析进行去噪处理。

散小波函数ψ_j,k(t)可以表示成：

那么对于任意信号f(t)的离散小波变换的小波系数为：

低分辨率5保留，高分辨率置零或者收缩，然后进行反变换恢复信号：

反变换可以表示成：

对于预处理后的图像和数据，依托高性能计算资源，应用人工智能和机器学习算法对天气情况进行实时的识别。

在预处理过程中，首先对拍摄到的图像进行裁剪，裁减掉背景物体，去掉背景物体的干扰，让图像只包含天空信息，使统计云量占比更准确。裁剪过程本文根据帧间差分原理，初次拍摄图像时，计算相邻两幅图像的差值，提取10组差值结果，然后统计这10组结果中，同一位置为0的个数，当个数大于8时，本文认为该位置为背景物体，根据区域连通性形成一个闭合区域形成一个掩码图像，然后统计同一行中像素0的个数，当个数大于0.9倍的图像宽度且为第一个符合要求的行时，则将此行作为上边界的位置，最后将边界以下部分图像裁减掉。对图4的边界寻找结果为910行，则使图像保留前910行的图像数据。结果如图5所示。

对于裁剪后的图像，根据上边确定的掩码图像，确定天空中背景物体所在图像的位置(i，j)，然后用周边像素八邻域的均值来代替其他物体所在位置的像素值，即：

则处理后的只包含云的图像如图6所示。

在处理后的图像，分别提取R、G和B通道的数据进行滤波处理；本文选取‘DB5’小波，对图像数据进行分解，对分解后的系数，设计一个窗口大小为5*5的二维自适应维纳滤波进行滤波，对滤波后的数据进行图像重构，然后将滤波后各个通道的数据的数据进行合成，得到滤波后的彩色图像。

其次，对预处理的结果应用深度学习算法对云量进行识别：

人工对50000张图片中的云分别标记为薄云、中云和厚云，构建深度学习训练模型的样本库；建立十一层深度学习网络结构，第一层为卷阶层，用128个大小为11*11的卷积核，以5个像素为步长，以“relu”函数为激活函数，经过pooling层处理，来提取天空彩色图像的特征；第二、三层采取与第一层类似的结构，分别将卷积核个数修改为256和512，大小修改为7*7和5*5；第四层以1024个大小为3*3的卷积核，用“relu”函数为激活函数，对上一层的卷积图像结果进行滤波操作，提取新的特征；第五第四层的结构一样，第六层于第四层结构类似，但是将卷积核修改为512个；第七层为全连接层，设置1024个神经元，以“relu”函数为激活函数，应用dropout算法来减少过拟合的情况；第八、九和十层与第七层结构类似，但是将神经元分别设置为512、256和128；第十一层为输出层，由于本文将云层分为3类，所以将神经元个数设为3，同时以softmax为损失函数，对识别结果进行评估。

对于建立好的网络模型，应用caffe的开源架构对网络模型参数进行训练，得到对云识别的模型。在识别阶段，将预处理后的图像，带入到训练好的模型中，即可得到对云的识别结果。

经过气象识别模块处理后得到图4对应的云的分布情况(黑色的为云，白色为天空)，结果如图7所示，最终得到云图所采集到的天空图像云量的占比为96.5％。

再次，由混沌理论可知，模式初始场的误差是数值天气预报的主要误差来源之一，而同化方法是改进模式初始场，从而提高数值天气预报结果的有效手段。基于此，本专利主要根据拍照反演的云量百分比来对模式初始场(基本大气数据，如风速、气压、温度、湿度等，这些数据可以由采集设备得到)进行同化，从而使光伏的预测更准确。

变分方法是目前数值预报中普遍采用的同化方法，变分法最主要的就是构造度量模式分析值最优性的代价函数，如下所示：

J(x)＝J^b(x)+J⁰(x)+J^c

其中，背景项J^b(x)和观测项J⁰(x)分别表示模式分析相对背景场和观测资料的拟合程度，J^c为动力约束。x为控制变量向量，x^b为背景向量，y^o是观测向量；H为观测算子，Hx将x由模式空间映射至观测空间；B为背景误差协方差矩阵，R为观测误差协方差矩阵，上标T和-1分别表示矩阵的转置和逆。变分法就是通过下降算法求梯度方程的迭代解。

在变分方法中，WRFDA(WRF Data Assimilation)是一个较为成熟的同化模块。本专利基于WRF-3DVAR的同化方法，利用反演得的数字化云量百分比数据，每隔3h循环同化，以期减小光伏预报误差；同时，循环同化也能使模式在扩展的同化时段进行动力调整，从而有效消除spin-up现象。如图8所示，由WPS和REAL(WRF的两个模块)来产生首次同化所需的初始场(first guess)，随后把拍照反演的云量数据当做观测文件，并输入背景误差协方差文件(使用WRF默认文件)，根据初始场、观测文件以及误差文件进行同化；同化后新的边界条件和初始条件用来驱动WRF，WRF向前积分的结果作为下一次同化的初始场，如此循环，最后得到循环同化后的辐照数据。其中，WPS和REAL用于生产首次所需初始场，WRF用于积分。

从图9可以看出，经过同化修正之后，数据天气预报的结果跟实发变小。

最后，将修正后的数值天气预报的辐照度数据和温度数据，带入到神经网络算法中，网络结构如图10所示，该网络包含一个隐含层，且隐含层设置为3个神经元，输入层的传递函数为S型，即输出层为线性函数，即f＝k*x+b，带入到训练好的网络模型中，得到预测结果。从表1可以看出，对于天气较差的某天，精度可以提高4％。

表1提升结果对比

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于云成像的新能源发电预测方法，其特征在于：具体包括如下步骤：

(1)利用采集装置采集天空图像数据以及周围环境数据，对拍摄到的图像进行裁剪，去掉背景物体的干扰，让图像只包含天空信息；

(2)对处理后的图像应用深度学习算法对云量进行识别，得到天空图像云量的占比；

(3)基于WRF-3DVAR的同化方法，利用云量百分比数据，每隔3h循环同化，对数值天气预报结果进行修正；

(4)用修正的数值天气预报进行超短期预测。

2.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤(1)中，所述采集装置包括支架及设置在支架上的气压传感器、雨量传感器、风速风向传感器和温度传感器中的任意一种或几种、和170°的超广角摄像头。

3.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤(1)中，具体包括如下步骤：

(11)对采集到的图像应用小波分析进行去噪处理；

(12)初次拍摄图像时，计算相邻两幅图像的差值，提取10组差值结果，然后统计这10组结果中，同一位置为0的个数，当个数大于8时，认为该位置为背景物体，根据区域连通性形成一个闭合区域形成一个掩码图像，然后统计同一行中像素0的个数，当个数大于0.9倍的图像宽度且为第一个符合要求的行时，则将此行作为上边界的位置，最后将边界以下部分图像裁减掉；

(13)对于裁剪后的图像，根据上边确定的掩码图像，确定天空中背景物体所在图像的位置，然后用周边像素八邻域的均值来代替其他物体所在位置的像素值，得到只包含云的图像；

(14)对于只包含云的图像，分别提取R、G和B通道的数据进行滤波处理，选取‘DB5’小波，对图像数据进行分解，对分解后的系数，设计一个窗口大小为5*5的二维自适应维纳滤波进行滤波，对滤波后的数据进行图像重构，然后将滤波后各个通道的数据进行合成，得到滤波后的彩色图像。

4.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤(2)中具体包括：

(21)构建深度学习训练模型的样本库；

(22)建立十一层深度学习网络模型，对于建立好的网络模型，应用caffe的开源架构对网络模型参数进行训练，得到对云识别的模型；

(23)将预处理后的图像，带入到训练好的神经网络模型中，得到预测结果。

5.根据权利要求4所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤(22)中建立十一层深度学习网络模型具体过程如下：

建立十一层深度学习网络结构，第一层为卷阶层，用128个大小为11*11的卷积核，以5个像素为步长，以“relu”函数为激活函数，经过pooling层处理，来提取天空彩色图像的特征；

第二、三层采取与第一层类似的结构，分别将卷积核个数修改为256和512，大小修改为7*7和5*5；

第四层以1024个大小为3*3的卷积核，用“relu”函数为激活函数，对上一层的卷积图像结果进行滤波操作，提取新的特征；

第五层与第四层的结构一样；

第六层与第四层结构类似，但是将卷积核修改为512个；

第七层为全连接层，设置1024个神经元，以“relu”函数为激活函数，应用dropout算法来减少过拟合的情况；

第八、九和十层与第七层结构类似，但是将神经元分别设置为512、256和128；

第十一层为输出层。

6.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤(3)具体包括，由WRFDA模块中的两个模块WPS和REAL产生首次同化所需的初始场，把拍照反演的云量数据当做观测文件，并输入背景误差协方差文件，根据初始场、观测文件以及误差文件进行同化；同化后新的边界条件和初始条件用来驱动WRF，WRF向前积分的结果作为下一次同化的初始场，如此循环，最后得到循环同化后的数据。

7.一种基于云成像的新能源发电预测装置，其特征在于：包括

用于采集天空图像数据以及周围环境数据并对拍摄的图像进行数据处理的气象采集模块；

用于对处理后的图像利用深度学习算的进行云量识别得到云量占比的气象识别模块；

用于应用变分法对数值天气预报结果进行同化修正的数值天气预报修正模块；

用于利用用修正的数值天气预报结果进行超短期预测的光伏预测模块。

8.根据权利要求7所述的一种基于云成像的新能源发电预测装置，其特征在于：所述气象采集模块包括

用于对采集到的图像应用小波分析进行去噪处理的去噪模块；

用于裁减掉图像边界位置物体图像的图像裁剪模块；

用于裁掉图像中背景物体图像，使得处理后的图像只包含云的图像的图像处理模块；

用于对处理后的图像进行滤波的滤波处理模块。

9.根据权利要求7所述的一种基于云成像的新能源发电预测装置，其特征在于：所述气象识别模块包括

用于构建深度学习训练模型的样本库的样本库构建模块；

用于建立深度学习模型并进行训练得到云识别模块的云识别模块；

用于将预处理后的图像，带入到训练好的神经网络模型中进行预测的结果预测模块。