CN109146975A - 一种天空图像云团位移矢量计算方法 - Google Patents
一种天空图像云团位移矢量计算方法 Download PDFInfo
- Publication number
- CN109146975A CN109146975A CN201810962529.XA CN201810962529A CN109146975A CN 109146975 A CN109146975 A CN 109146975A CN 201810962529 A CN201810962529 A CN 201810962529A CN 109146975 A CN109146975 A CN 109146975A
- Authority
- CN
- China
- Prior art keywords
- sky image
- sample
- cloud cluster
- displacement vector
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种天空图像云团位移矢量计算方法,通过对样本天空图像进行处理获取多个组合优化计算模型,并根据多个组合优化计算模型对新的天空图像云团位移矢量进行计算。从而可以获得更加准确的云团矢量计算。本发明提供的天空图像云团位移矢量计算方法能够面对云团的不同运动模式,选择相应的不同计算策略,即在组合计算模型中分别设置三种方法的各个权重。通过算例验证,它可以改善传统单一方法在适用范围上的局限性,能够适用于大多数云场景的、具有较高鲁棒性。
Description
技术领域
本发明涉及图像处理和光伏功率预测技术领域,特别是一种天空图像云团位移矢量计算方法。
背景技术
光伏发电与风力发电一样均属于波动性和间歇性电源,由于光伏发电系统受光照强度和环境温度等气候因素的影响,其输出功率的变化具有不确定性,输出功率的扰动将有可能影响电网的稳定。因此,需要加强光伏发电功率预测的研究,预先获得光伏发电系统的日发电量曲线,从而协调电力系统制定发电计划,减少光伏发电的随机化问题对电力系统的影响。使用蓄电池来稳定光伏发电功率输出是一种可行的方法,但需要追加成本,而且废旧蓄电池还会导致环境污染。因此需要对光伏系统的发电功率进行准确预测,以便了解大规模的太阳能光伏并网系统的发电运行特性,以及与电网调度、电力负荷等的匹配问题。这样有助于整个电力系统的规划和运行,从而减少光伏发电随机性对电力系统的影响,提高系统的安全性和稳定性,因此对光伏系统进行功率预测是很有必要的。
准确的光伏功率预测能够为电网调度决策行为提供依据,并为多种电源时空互补与协调控制提供支撑,可降低旋转备用容量和运行成本,对保证系统的安全稳定、促进电网的优化运行具有重要意义。目前,光伏发电功率预测主要包括针对未来72小时的短期预测和针对未来4小时的超短期预测两个时间尺度,时间分辨率均为15分钟。在光伏发电功率分步预测方法中,对于短期预测和更长时间尺度的中期预测,一般采用以数值天气预报数据为输入的辐照度预测模型;对于针对未来4小时的超短期预测,则多采用基于卫星云图和智能模型的辐照度预测方法。
地表辐照度预测是光伏发电功率分步预测的首要环节,其准确性是保证功率预测精度的关键。然而多云天气下地表辐照度受云团生消与运动的影响,其变化呈现出随机、快速、剧烈的特点,变化速率达分钟级,波动范围高达对应晴空数值的80%,这种情况下现有方法预测误差很大,预测结果不能使用。由以上分析可知,未直接考虑云团的快速、复杂运动和过低的时间分辨率(15分钟)是造成现有方法多云条件下预测精度急剧下降的主要原因。此外,15分钟的时间分辨率也不能满足电网实时调度的需求。因此,为了提高多云天气下的预测精度,须针对天空中的云团进行直接观测以获取相应数据,研究高时间分辨率下(分钟级)对云团运动进行准确追踪与位置预测的方法。
目前计算云团位移矢量的常用方法主要有粒子图像测速(Particle ImageVelocimetry)、LK光流法(Lucas-Kanade Optical Flow)以及SURF特征匹配算法。然而,作为一种刚性配准方法,粒子图像测速法不能获得与云团变形和旋转相关的参数;基于图像灰度不变假设的光流法的精度容易被图像噪声所干扰;当图像纹理信息不够丰富时,特征匹配法的精度也会降低。也就是说,目前计算云团位移矢量的常用方法在不同程度上都缺乏足够的鲁棒性。目前计算云团位移矢量的常用方法主要有粒子图像测速(ParticleImage Velocimetry)、LK光流法(Lucas-Kanade Optical Flow)以及SURF特征匹配算法。然而,作为一种刚性配准方法,粒子图像测速法不能获得云的非刚性运动参数,比如旋转、变形和生消;基于图像灰度恒定假设的光流法的精度很容易受到图像噪声的干扰,比如在光照不均、镜头存在污渍等情况下,计算精度较低;而对于特征匹配算法,由于其对特征点的定位和描述通常需要大量的信息,因此在纹理信息不够丰富的区域,其匹配性较差。也就是说,目前计算云团位移矢量的常用方法在不同程度上都缺乏足够的鲁棒性。因为天空中的云团可能具有各种各样的运动模式,当我们对所有类型的云团使用相同的位移矢量计算方法时,上述算法低精度的情况会必然发生。
发明内容
有鉴于此,本发明的目的之一是提供一种计算精度更高的天空图像云团位移矢量计算方法。本发明提供一种天空图像云团位移矢量计算方法,所述计算方法包括以下步骤:
步骤一:获取训练样本,所述训练样本包括多个样本天空图像;
步骤二:生成与样本天空图像对应的多个灰度矩阵;
步骤三:对每幅所述样本天空图像灰度矩阵进行处理,生成多个灰度共生矩阵;
步骤四:基于每个所述灰度共生矩阵构建第一统计量;
步骤五:基于所述第一统计量生成多个所述样本天空图像的特征向量;
步骤六:基于多对样本天空图像的所述多个特征向量对所述样本天空图像进行聚类操作,获取聚类数目K;
步骤七:计算每对所述样本天空图像的云团位移矢量;
步骤八:基于每对所述样本天空图像的云团位移矢量建立组合优化计算模型,并获取每对所述样本天空图像的初始云团位移矢量;
步骤九:基于每对样本天空图像的所述初始位移矢量对所述样本天空图像进行裁剪,并生成裁剪后的初始图像和裁剪后的位移图像;
步骤十:对所述组合优化计算模型中的权值进行优化调整;
步骤十一:建立起对应于K类样本天空图像对的K个组合优化计算模型;
步骤十二:根据K个所述组合优化计算模型计算天空图像云团位移矢量。
优选地,所述样本天空图像的分辨率为X*Y,相邻两个幅所述样本天空图像之间的采样时间间隔为0.5-3分钟。
优选地,生成基于n+1幅所述样本天空图像对应的共n+1个所述灰度矩阵:f1(x,y),f2(x,y),…,fn+1(x,y),
其中,(x,y)表示所述灰度矩阵中像素的坐标,x=0,1,2,…,X-1;y=0,1,2,…,Y-1;
基于每幅所述样本天空图像的所述灰度矩阵,生成灰度共生矩阵。
优选地,所述第一统计量包括:
熵:
能量:
相关性:
对比度:
其中,
Pij为所述的灰度共生矩阵中的元素,L=X,或L=Y。
优选地,基于每幅所述样本天空图像,共生成4*4个所述第一统计量,分别为:f1,1,f1,2,f1,3,f1,4,f2,1,f2,2,f2,3,f2,4,…,f4,1,f4,2,f4,3,f4,4,其中,f的下标的第一部分表示灰度共生矩阵的序号,第二部分表示统计量的序号;
基于每幅所述样本天空图像的所述的4*4个所述第一统计量,取其中同名统计量的平均值,生成4个第二统计量: …,
基于每幅所述样本天空图像的所述的4个所述第二统计量,将其串联起来,作为每幅所述样本天空图像的特征向量:f1=[f1,f2,f3,f4],最终共生成基于n+1幅所述样本天空图像的n+1个特征向量:f1,f2,…,fn+1,
基于n+1幅所述样本天空图像的所述的n+1个特征向量,依次取其平均值,得到n对所述样本天空图像的n个特征向量: …,
优选地,对n个所述样本天空图像进行聚类操作,获取所述聚类数目K。
优选地,计算云团位移矢量,所述组合优化计算模型如下:V=aVPIV+bVLKOF+cVSURF,其中a、b和c计算结果的权值,V为所述组合优化计算模型所确定的所述样本天空图像对的云团位移矢量。
优选地,对所述样本天空图像进行裁剪包括:
当计算所得所述云团在水平方向移动p个像素,在竖直方向上移动q个像素,
则在图像对的初始样本天空图像灰度矩阵中,去掉其移动方向上的前p列像素和前q行像素,
在图像对的位移样本天空图像灰度矩阵中,去掉移动方向的后p列像素和后q行像素。
优选地,基于裁剪后的所述样本天空图像,对权值a、b和c进行优化调整,获取最终权值,建立组合优化计算模型。
优选地,基于所述的K个组合优化计算模型,面对天空图像对时,先提取其所述的特征向量f=[f1,f2,f3,f4],然后在所述的K个聚类中心中找到与所述征向量f=[f1,f2,f3,f4]的欧氏距离最小的聚类中心,使用对应类别下的所述的组合优化计算模型进行云团位移矢量的计算。
本发明提供的天空图像云团位移矢量计算方法能够面对云团的不同运动模式,选择相应的不同计算策略,即在组合计算模型中分别设置三种方法的各个权重。通过算例验证,它可以改善传统单一方法在适用范围上的局限性,能够适用于大多数云场景的、具有较高鲁棒性。
为了提高它们的鲁棒性,必须通过一定的策略将这几种常用方法结合起来,使它们进行优势互补。根据本专利所提出的方法,。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明提供的天空图像云团位移矢量计算方法包括如下步骤:
步骤一:获取训练样本。
所述训练样本包括连续拍摄的多幅样本天空图像,优选地,所述样本天空图像的分辨率为X*Y,优选为256*256,所述连续拍摄的样本天空图像之间的采样时间间隔为0.5-3分钟,优选为1分钟。
相邻两个所述样本天空图像中的前一时刻获取的样本天空图像作为初始样本天空图像,后一时刻获取的样本天空图像作为位移样本天空图像,即,多幅样本天空图像中的第1幅作为初始样本天空图像,第2幅作为第1幅的位移样本天空图像,第3幅作为第2幅的位移样本天空图像,…,第n+1幅作为第n幅的位移样本天空图像,并生成n个样本天空图像对:1~2,2~3,…,n~(n+1)。
步骤二:生成与样本天空图像对应的灰度矩阵f(x,y)。
生成基于n+1幅样本天空图像对应的共n+1个灰度矩阵:f1(x,y),f2(x,y),…,fn+1(x,y)。
其中,(x,y)表示灰度矩阵中像素的坐标,x=0,1,2,…,255(X-1);y=0,1,2,…,255(Y-1);
步骤三:通过Matlab对每幅所述样本天空图像矩阵进行处理,生成灰度共生矩阵。
基于每幅样本天空图像的所述的灰度矩阵,优选地,使用Matlab中的工具箱算法glcms=graycomatrix(I,‘param1’,val1,‘param2’,val2,…),其中参数I为样本天空图像的灰度矩阵。将参数“param1”设定为“Offset”,将参数“val1”分别设定为“[0 1]”、“[-11]”、“[-1 0]”和“[-11]”,生成4个灰度共生矩阵GLCM1,GLCM2,GLCM3和GLCM4。优选地,还可通过例如C、C++、Python等通用编程语言来编写相应计算程序。
步骤四:基于每个所述的灰度共生矩阵构建第一统计量。
所述第一统计量优选包括4个,分别为:
熵:
能量:
相关性:
对比度:
其中,
Pij为所述的灰度共生矩阵中的元素,i为该元素所在行数减1,j为该元素所在列数减1,L=X(或Y)即L的取值由所述天空图像的分辨率X*Y确定,在本实施例中,L=256。
基于每幅所述样本天空图像,共生成4*4个第一统计量,分别为:f1,1,f1,2,f1,3,f1,4,f2,1,f2,2,f2,3,f2,4,…,f4,1,f4,2,f4,3,f4,4。其中,f的下标的第一部分表示灰度共生矩阵的序号,第二部分表示统计量的序号。
步骤五:基于所述统计量生成所述样本天空图像的特征向量。
基于每幅所述样本天空图像的所述的4*4个所述第一统计量,取其中同名统计量的平均值,生成4个第二统计量: …,作为每幅样本天空图像的4个第二统计量。
基于每幅所述样本天空图像的所述的4个所述第二统计量,将其串联起来,作为每幅所述样本天空图像的特征向量:f1=[f1,f2,f3,f4],最终共生成基于n+1幅所述样本天空图像的n+1个特征向量:f1,f2,…,fn+1。
基于n+1幅所述样本天空图像的所述的n+1个特征向量,依次取其平均值,得到n对所述样本天空图像的n个特征向量: …,
步骤六:基于n对样本天空图像的所述的n个特征向量对所述样本天空图像进行聚类操作。
使用Matlab中的工具箱算法K-Means对该n个所述样本天空图像进行聚类操作,其中最佳聚类数目K由Matlab中的工具箱算法eva=evalclusers(G,‘kmeans’,‘KList’,[m:n])确定,其中m和n为人工设定的聚类数目的上下限,例如,可以设定为m=1,n=50。最终将n对所述样本天空图像聚为K类:C1,C2,…,CK。
步骤七:计算每对所述样本天空图像的云团位移矢量。
基于每对所述样本天空图像,分别使用Matlab中的工具箱算法Particle ImageVelocimetry(PIV)、Lucas-Kanade Optical Flow(LKOF)和SURF特征匹配算法计算其云团位移矢量,计算结果分别记为VPIV、VLKOF和VSURF。
步骤八:基于每对所述样本天空图像建立组合优化计算模型。
所述组合优化计算模型如下:V=aVPIV+bVLKOF+cVSURF,其中a、b和c分别为所述的三个计算结果的权值,V为该组合优化计算模型所确定的所述样本天空图像对的云团位移矢量。
优选地,将初始权值设为:其中i=1,2,...,K,得到每对样本天空图像的初始云团位移矢量Vi,其中i=1,2,...,n;
步骤九:对所述样本天空图像进行裁剪,并生成裁剪后的初始图像和位移图像。
基于每对样本天空图像的所述的初始位移矢量Vi,对图像对进行裁剪包括:当计算所得所述云团在水平方向移动p个像素,在竖直方向上移动q个像素,
则在图像对的初始样本天空图像灰度矩阵中,去掉其移动方向上的前p列像素和前q行像素,
在图像对的位移样本天空图像灰度矩阵中,去掉移动方向的后p列像素和后q行像素。
情况一:假设计算所得云团向右平移p个像素,向上平移q个像素,则在图像对的初始样本天空图像灰度矩阵中,去掉其前q行和后p列的像素,在图像对的位移样本天空图像灰度矩阵中,去掉其后q行和前p列的像素;
情况二:假设计算所得云团向左平移p个像素,向上平移q个像素,则在图像对的初始样本天空图像灰度矩阵中,去掉其前q行和前p列的像素,在图像对的位移图像灰度矩阵中,去掉其后q行和后p列的像素;
情况三:假设计算所得云团向右平移p个像素,向下平移q个像素,则在图像对的初始图像灰度矩阵中,去掉其后q行和后p列的像素,在图像对的位移图像灰度矩阵中,去掉其前q行和前p列的像素;
情况四:假设计算所得云团向左平移p个像素,向下平移q个像素,则在图像对的初始图像灰度矩阵中,去掉其后q行和前p列的像素,在图像对的位移图像灰度矩阵中,去掉其前q行和后p列的像素;
基于所述的裁剪操作,分别生成裁剪后的初始图像和裁剪后的位移图像;
步骤十:以裁剪后的初始图像和裁剪后的位移图像间的相似度最高为目标,对权值a、b和c进行优化调整。
基于每对所述的裁剪后的样本天空图像,使用Matlab中的工具箱算法ParticleSwarm Optimization(PSO)对其中的权值a、b和c进行优化调整,其中PSO算法的寻优函数为(使其达到最大值),其中M*N为裁剪后的初始、位移图像的分辨率,f1(x,y)、f2(x,y)分别为裁剪后的初始、位移图像的灰度矩阵,分别为裁剪后的初始、位移图像的灰度平均值,x为矩阵行数坐标,y为矩阵列数坐标。PSO算法在每次迭代结束后,都会生成新的权值ai、bi和ci,继而生成新的云团位移矢量Vi,然后通过对图像对的再次裁剪,生成新的寻优函数值,直到使所述的寻优函数R取得最大值,此时每对样本天空图像的组合优化计算模型的最终权值也随之确定。最终生成n对样本天空图像的n对最终权值:{a1、b1、c1},{a2、b2、c2},…,{an、bn、cn}。
步骤十一:建立起对应于K类样本天空图像对的K个组合优化计算模型。
基于n对样本天空图像的所述的n对最终权值,取属于同一类的图像对的最终权值的平均值,生成所述K类样本天空图像对的K对最终权值:{a1、b1、c1},{a2、b2、c2},…,{aK、bK、cK},从而建立起对应于K类样本天空图像对的K个组合优化计算模型。
步骤十二:根据K个组合优化计算模型计算云团位置矢量的计算。
基于所述的K个组合优化计算模型,面对新的天空图像对时,先提取其所述的特征向量f=[f1,f2,f3,f4],然后在所述的K个聚类中心中找到与该特征向量的欧氏距离最小的聚类中心,最后使用该类别下的所述的组合优化计算模型进行云团位移矢量的计算。
本领域的技术人员容易理解的是,在不冲突的前提下,上述各优选方案可以自由地组合、叠加。
应当理解,上述的实施方式仅是示例性的,而非限制性的,在不偏离本发明的基本原理的情况下,本领域的技术人员可以针对上述细节做出的各种明显的或等同的修改或替换,都将包含于本发明的权利要求范围内。
Claims (10)
1.一种天空图像云团位移矢量计算方法,其特征在于,所述计算方法包括以下步骤:
步骤一:获取训练样本,所述训练样本包括多个样本天空图像;
步骤二:生成与样本天空图像对应的多个灰度矩阵;
步骤三:对每幅所述样本天空图像灰度矩阵进行处理,生成多个灰度共生矩阵;
步骤四:基于每个所述灰度共生矩阵构建第一统计量;
步骤五:基于所述第一统计量生成多个所述样本天空图像的特征向量;
步骤六:基于多对样本天空图像的所述多个特征向量对所述样本天空图像进行聚类操作,获取聚类数目K;
步骤七:计算每对所述样本天空图像的云团位移矢量;
步骤八:基于每对所述样本天空图像的云团位移矢量建立组合优化计算模型,并获取每对所述样本天空图像的初始云团位移矢量;
步骤九:基于每对样本天空图像的所述初始位移矢量对所述样本天空图像进行裁剪,并生成裁剪后的初始图像和裁剪后的位移图像;
步骤十:对所述组合优化计算模型中的权值进行优化调整;
步骤十一:建立起对应于K类样本天空图像对的K个组合优化计算模型;
步骤十二:根据K个所述组合优化计算模型计算天空图像云团位移矢量。
2.根据权利要求1所述的天空图像云团位移矢量计算方法,其特征在于,所述样本天空图像的分辨率为X*Y,相邻两个幅所述样本天空图像之间的采样时间间隔为0.5-3分钟。
3.根据权利要求2所述的天空图像云团位移矢量计算方法,其特征在于,生成基于n+1幅所述样本天空图像对应的共n+1个所述灰度矩阵:f1(x,y),f2(x,y),…,fn+1(x,y),
其中,(x,y)表示所述灰度矩阵中像素的坐标,x=0,1,2,…,X-1;y=0,1,2,…,Y-1;
基于每幅所述样本天空图像的所述灰度矩阵,生成灰度共生矩阵。
4.根据权利要求3所述的天空图像云团位移矢量计算方法,其特征在于,所述第一统计量包括:
熵:
能量:
相关性:
对比度:
其中,
Pij为所述的灰度共生矩阵中的元素,L=X,或L=Y。
5.根据权利要求4所述的天空图像云团位移矢量计算方法,其特征在于,基于每幅所述样本天空图像,共生成4*4个所述第一统计量,分别为:f1,1,f1,2,f1,3,f1,4,f2,1,f2,2,f2,3,f2,4,…,f4,1,f4,2,f4,3,f4,4,其中,f的下标的第一部分表示灰度共生矩阵的序号,第二部分表示统计量的序号;
基于每幅所述样本天空图像的所述的4*4个所述第一统计量,取其中同名统计量的平均值,生成4个第二统计量:
基于每幅所述样本天空图像的所述的4个所述第二统计量,将其串联起来,作为每幅所述样本天空图像的特征向量:f1=[f1,f2,f3,f4],最终共生成基于n+1幅所述样本天空图像的n+1个特征向量:f1,f2,…,fn+1,
基于n+1幅所述样本天空图像的所述的n+1个特征向量,依次取其平均值,得到n对所述样本天空图像的n个特征向量:
6.根据权利要求5所述的天空图像云团位移矢量计算方法,其特征在于,对n个所述样本天空图像进行聚类操作,获取所述聚类数目K。
7.根据权利要求6所述的天空图像云团位移矢量计算方法,其特征在于,计算云团位移矢量,所述组合优化计算模型如下:V=aVPIV+bVLKOF+cVSURF,其中a、b和c为计算结果的权值,V为所述组合优化计算模型所确定的所述样本天空图像对的云团位移矢量。
8.根据权利要求7所述的天空图像云团位移矢量计算方法,其特征在于,对所述样本天空图像进行裁剪包括:
当计算所得所述云团在水平方向移动p个像素,在竖直方向上移动q个像素,
则在图像对的初始样本天空图像灰度矩阵中,去掉其移动方向上的前p列像素和前q行像素,
在图像对的位移样本天空图像灰度矩阵中,去掉移动方向的后p列像素和后q行像素。
9.根据权利要求8所述的天空图像云团位移矢量计算方法,其特征在于,基于裁剪后的所述样本天空图像,对权值a、b和c进行优化调整,获取最终权值,建立组合优化计算模型。
10.根据权利要求9所述的天空图像云团位移矢量计算方法,其特征在于,基于所述的K个组合优化计算模型,面对天空图像对时,先提取其所述的特征向量f=[f1,f2,f3,f4],然后在所述的K个聚类中心中找到与所述征向量f=[f1,f2,f3,f4]的欧氏距离最小的聚类中心,使用对应类别下的所述的组合优化计算模型进行云团位移矢量的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810962529.XA CN109146975B (zh) | 2018-08-22 | 2018-08-22 | 一种天空图像云团位移矢量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810962529.XA CN109146975B (zh) | 2018-08-22 | 2018-08-22 | 一种天空图像云团位移矢量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146975A true CN109146975A (zh) | 2019-01-04 |
CN109146975B CN109146975B (zh) | 2022-02-01 |
Family
ID=64791139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810962529.XA Active CN109146975B (zh) | 2018-08-22 | 2018-08-22 | 一种天空图像云团位移矢量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146975B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278108A1 (en) * | 2013-03-13 | 2014-09-18 | Locus Energy, Llc | Methods and Systems for Optical Flow Modeling Applications for Wind and Solar Irradiance Forecasting |
CN104766347A (zh) * | 2015-04-29 | 2015-07-08 | 上海电气集团股份有限公司 | 一种基于地基云图的云团移动预测方法 |
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN106960445A (zh) * | 2017-03-31 | 2017-07-18 | 卢涵宇 | 一种基于金字塔光流的云运动矢量计算方法 |
CN107563397A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种卫星云图中云团运动矢量的确定方法 |
CN108288104A (zh) * | 2017-01-10 | 2018-07-17 | 中国电力科学研究院 | 一种解决全天空云图生消变化的相似云团的判定方法 |
-
2018
- 2018-08-22 CN CN201810962529.XA patent/CN109146975B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278108A1 (en) * | 2013-03-13 | 2014-09-18 | Locus Energy, Llc | Methods and Systems for Optical Flow Modeling Applications for Wind and Solar Irradiance Forecasting |
CN104766347A (zh) * | 2015-04-29 | 2015-07-08 | 上海电气集团股份有限公司 | 一种基于地基云图的云团移动预测方法 |
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN107563397A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种卫星云图中云团运动矢量的确定方法 |
CN108288104A (zh) * | 2017-01-10 | 2018-07-17 | 中国电力科学研究院 | 一种解决全天空云图生消变化的相似云团的判定方法 |
CN106960445A (zh) * | 2017-03-31 | 2017-07-18 | 卢涵宇 | 一种基于金字塔光流的云运动矢量计算方法 |
Non-Patent Citations (3)
Title |
---|
D. M. L. H. DISSAWA ET AL: "Cloud Motion Tracking for Short-Term On-Site Cloud Coverage Prediction", 《2017 INTERNATIONAL CONFERENCE ON ADVANCES IN ICT FOR EMERGING REGIONS (ICTER)》 * |
王飞等: "基于相位相关的天空图像云团运动速度计算方法研究", 《太阳能学报》 * |
龚克等: "卫星云图预测的运动矢量方法", 《中国图象图形学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109146975B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A minutely solar irradiance forecasting method based on real-time sky image-irradiance mapping model | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Si et al. | Hybrid solar forecasting method using satellite visible images and modified convolutional neural networks | |
Zhou et al. | Transfer learning for photovoltaic power forecasting with long short-term memory neural network | |
CN112329977A (zh) | 一种面向极端场景的风电功率预测系统 | |
CN105787501A (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN113537561A (zh) | 一种基于地基云图的超短期太阳辐射预测方法和系统 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN117290810B (zh) | 基于循环卷积神经网络的短时强降水概率预报融合方法 | |
CN111488974B (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN109146975A (zh) | 一种天空图像云团位移矢量计算方法 | |
Wang et al. | Neural network based irradiance mapping model of solar PV power forecasting using sky image | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
Xiong et al. | An ultra-short-term wind speed correction method based on the fluctuation characteristics of wind speed | |
Wang et al. | Ultra-short-term regional PV power forecasting based on fluctuation pattern recognition with satellite images | |
Zhang et al. | Prediction of direct normal irradiance based on ensemble deep learning models | |
Gao et al. | Ultra-short-term solar PV power forecasting based on cloud displacement vector using multi-channel satellite and NWP data | |
Srisuksomwong et al. | The chlorophyll-a modelling over the Andaman Sea using Bi-directional LSTM neural network | |
Ruiqi et al. | PV power prediction method based on ground-based cloud map and hybrid neural network | |
CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
Shen et al. | Ultra-short-term prediction method of photovoltaic electric field power based on ground-based cloud image segmentation | |
Yuan et al. | Ultra-short-term Photovoltaic Power Prediction Based on STCN Model |
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 |