CN110717592A - 一种计算光伏电站地表辐照度空间分布的方法 - Google Patents

一种计算光伏电站地表辐照度空间分布的方法 Download PDF

Info

Publication number
CN110717592A
CN110717592A CN201910964503.3A CN201910964503A CN110717592A CN 110717592 A CN110717592 A CN 110717592A CN 201910964503 A CN201910964503 A CN 201910964503A CN 110717592 A CN110717592 A CN 110717592A
Authority
CN
China
Prior art keywords
sky
image
cloud
irradiance
area
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
Application number
CN201910964503.3A
Other languages
English (en)
Other versions
CN110717592B (zh
Inventor
甄钊
玄智铭
王飞
米增强
杨滢璇
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
Electric Power Research Institute of State Grid Liaoning 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910964503.3A priority Critical patent/CN110717592B/zh
Publication of CN110717592A publication Critical patent/CN110717592A/zh
Application granted granted Critical
Publication of CN110717592B publication Critical patent/CN110717592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明公开了一种计算光伏电站地表辐照度空间分布的方法，方法包括：建立天空图像‑辐照度映射模型；将所述平均RGB值和所述距离作为所述模型的训练输入变量，将所述实测地表辐照度作为所述模型的训练输出变量；获取即刻天空图像，以计算得到各所述像素点对应的辐照度数值；即刻天空图像的各像素点对应的辐照度数值实际上也是该即刻天空图像对应的地表各区域的辐照度数值，可映射当前光伏电站地表各区域的辐照度分布情况，以此获取当前时刻各发电单元理论输出功率并预测未来光伏功率变化情况，从而调整光伏发电调度计划，减少因辐照度的随机变化而对发电稳定性产生的影响。

Description

一种计算光伏电站地表辐照度空间分布的方法
技术领域
本发明涉及光伏发电技术领域，具体涉及一种计算光伏电站地表辐照度空间分布的方法。
背景技术
太阳能光伏发电是目前最具发展前景的可再生能源之一，得到了世界各国的广泛关注和迅速发展。然而，太阳能是一种不可控能源，具有较大的随机性和波动性。在多云等非晴天环境中，由于云团运动会对太阳造成不同程度遮挡，致使光伏电站输出功率在分钟级时间尺度内呈快速随机波动趋势。
而随着电网中光伏渗透率的逐步提高，这种呈波动的电力输出会造成发电和负荷侧的功率特性发生显著变化，从而对电网调度等方面带来较大影响。因此，根据光伏电站地表区域内各区域的辐照度的实时监测变得十分重要，尤其是达到分钟级超短期地表辐照度监测，有助于电力调度部门根据辐照度的实时变化来调整调度计划，减少因辐照度的随机变化而对发电稳定性产生的影响，降低运行成本，提高光伏电能质量，使光伏资源得到更好的利用，从而获得更好的经济效益。
但是现阶段，对于地表各区域的辐照度的实时监测技术缺乏。
发明内容
本发明的主要目的是提供一种计算光伏电站地表辐照度空间分布的方法，旨在解决现有技术中对于地表各区域的辐照度的实时监测技术缺乏的问题。
一种计算光伏电站地表辐照度空间分布的方法，包括：
建立天空图像-辐照度映射模型；
获取不同历史时刻的天空图像中各个天空区域的平均RGB值和与太阳中心点的距离，以及和所述不同时刻的天空图像对应的实测地表辐照度；
将所述平均RGB值和所述距离作为所述模型的训练输入变量，将所述实测地表辐照度作为所述模型的训练输出变量，采用机器学习模型所述映射模型进行训练；
获取即刻天空图像，将所述即刻天空图像内各像素点距离太阳中心点的距离和各所述像素点的平均RGB值作为输入变量输入所述模型，以计算得到各所述像素点对应的地表区域辐照度数值。
优选的，所述获取不同历史时刻的天空图像中各个天空区域的平均RGB值和距离太阳中心点的距离，以及所述不同时刻的实测地表辐照度，包括：
获取近期预设天数内等时间间隔的不同时刻的多个所述天空图像，其中，所述天空图像包括多个晴空图像和多个云况图像；
获取各所述天空图像的太阳中心点的位置；
计算所述近期预设天数中每一天相邻时刻的两幅所述云况图像之间的云团移动位移矢量；
根据各所述云况图像的太阳中心点的位置、各个所述移动位移矢量确定预设时间段内的所述不同时刻的所述云况图像中不同天空区域的中心坐标；
根据所述中心坐标计算每一幅所述云况图像的所述天空区域与太阳中心点的距离；
获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值；
将每一幅所述晴空图像的所述天空区域与太阳中心点的距离设置为随机值，将每一幅所述晴空图像的所述天空区域的平均RGB值设置为蓝天区域的全部像素点的平均RGB值；
获取拍摄每一幅所述天空图像时于拍摄地实测的所述地表辐照度。
优选的，所述获取各所述天空图像的太阳中心点的位置，包括：
通过全天空成像仪自带图像处理系统对所述天空图像进行处理并生成对应的灰度图像；
提取所述灰度图像中灰度值与太阳区域灰度值相等的区域；
通过mean函数计算所述天空图像中的太阳中心点的位置坐标。
优选的，所述计算所述近期预设天数中每一天相邻时刻的两幅所述云况图像之间的云团移动位移矢量，包括：
对每一组所述云况图像使用卷积变换处理以得到变换图像对，其中，每一组所述云况图像即每一天相邻时刻的两幅所述云况图像；
通过改变卷积核矩阵得到同一组所述云况图像的多个所述变换图像对；
通过傅里叶相位相关法计算各所述变换图像对的云团位移矢量坐标；
通过高斯分布曲线对各所述变换图像对的云团位移矢量坐标进行拟合并得到每一组所述云况图像的移动位移矢量。
优选的，所述根据各所述云况图像的太阳中心点的位置、各个所述移动位移矢量确定预设时间段内的所述不同时刻的所述云况图像中不同天空区域的中心坐标，计算公式为：
Figure BDA0002230027830000031
Figure BDA0002230027830000032
其中，k为同一天中第k幅所述云况图像，k不超过获取的所述天空图像的总数；i表示同一天中所述预设时间段内的不同时刻，i为正整数；xk表示由第k张所述云况图像与第k+1张所述云况图像之间云团的移动位移矢量的第一轴坐标值，yk表示由第k张所述云况图像与第k+1张所述云况图像之间云团的移动位移矢量的第二轴坐标值；xk,0表示第k幅所述云况图像的太阳中心点的第一轴坐标值，yk,0表示第k幅所述云况图像的太阳中心点的第二轴坐标值；xk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第一轴坐标，yk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第二轴坐标。
优选的，所述获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值，天空区域的面积计算公式为：
S＝πr2；
其中，S为所述天空区域的面积，r为所述天空区域的半径，具体为所述天空图像的第一轴像素点数量的百分之一取整。
优选的，所述获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值，包括：
根据不同所述天空区域的中心坐标(xk,i,yk,i)和面积S计算不同所述天空区域内的像素点的平均RGB数值。
优选的，所述根据所述中心坐标计算每一幅所述云况图像的所述天空区域与太阳中心点的距离，具体计算公式为：
其中，Dk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域与太阳中心点的距离。
优选的，所述获取即刻天空图像，将所述即刻天空图像内各像素点距离太阳中心点的距离和各所述像素点的平均RGB值作为输入变量输入所述模型，以计算得到各所述像素点对应的辐照度数值之后，还包括：
根据所述即刻天空图像的所述各像素点和对应的辐照度数值生成所述即刻天空图像对应地表区域的辐照度空间分布图。
本发明还提供一种计算光伏电站地表辐照度空间分布的系统，应用于上述任一项所述的计算光伏电站地表辐照度空间分布的方法。
通过上述技术方案，先建立天空图像-辐照度映射模型，通过计算不同历史时刻的天空图像云团移动位移矢量从而确定云团移动速度，然后提取未来时刻遮挡太阳中心点的云团区域像素点的平均RGB值和该区域与太阳中心点的距离作为输入变量，对应时刻地表辐照度值作为输出变量，利用BP神经网络和支持向量机对模型进行训练；训练完成后，将即刻天空图像进行处理以得到即刻天空图像中各像素点与即刻天空图像中的太阳中心点的距离和平均RGB值，并将上述各像素点与即刻天空图像中的太阳中心点的距离和平均RGB值输入天空图像-辐照度映射模型，以得到各像素点对应的辐照度数值，而即刻天空图像的各像素点对应的辐照度数值实际上也是该即刻天空图像对应的地表各区域的辐照度数值，故由此可映射当前地表各区域的辐照度分布情况；得到分布情况后根据分布情况的实时变化来调整光伏发电调度计划，减少因辐照度的随机变化而对发电稳定性产生的影响，进而提高光伏电能质量，使光伏资源得到更好的利用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明一种计算光伏电站地表辐照度空间分布的方法第一实施例的流程图；
图2为本发明一种计算光伏电站地表辐照度空间分布的方法第九实施例中的即刻天空图像；
图3为本发明一种计算光伏电站地表辐照度空间分布的方法第一实施例中的即刻天空图像对应的地表区域的辐照度空间分布图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提出一种计算光伏电站地表辐照度空间分布的方法和系统。
如附图1所示，在本发明提出的一种计算光伏电站地表辐照度空间分布的方法的第一实施例中，包括如下步骤：
步骤S110：建立天空图像-辐照度映射模型。
步骤S120：获取不同历史时刻的天空图像中各个天空区域的平均RGB值和与太阳中心点的距离，以及和所述不同时刻的天空图像对应的实测地表辐照度。
具体的，这里的不同历史时刻的天空图像为通过全天空成像仪于光伏电站的监测中心地拍摄得到的，作为上述模型的训练资料。
步骤S130：将所述平均RGB值和所述距离作为所述模型的训练输入变量，将所述实测地表辐照度作为所述模型的训练输出变量，采用机器学习模型所述映射模型进行训练。
具体的，即对上述不同历史时刻的天空图像进行处理，得到不同历史时刻的天空图像中各个天空区域的平均RGB值和与太阳中心点的距离后作为输入变量，对应的将拍摄各个天空区域位于太阳中心处时的天空图像时同时采集的地表辐照度实测值作为输出变量，采用BP神经网络或支持向量机对模型进行训练。
步骤S140：获取即刻天空图像，将所述即刻天空图像内各像素点距离太阳中心点的距离和各所述像素点的平均RGB值作为输入变量输入所述模型，以计算得到各所述像素点对应的地表区域辐照度数值。
具体的，这里的即刻天空图像是分钟级拍摄得到的实时图像(即每分钟都至少拍摄一张，针对每一张拍摄的即刻天空图像都会输入上述模型而得到不同辐照度数值，以达到实时监测的目的)，且拍摄地和上述拍摄历史天空图像一致。
先建立天空图像-辐照度映射模型，通过计算不同历史时刻的天空图像云团移动位移矢量从而确定云团移动速度，然后提取未来时刻遮挡太阳中心点的云团区域像素点的平均RGB值和该区域与太阳中心点的距离作为输入变量，对应时刻地表辐照度值作为输出变量，利用BP神经网络和支持向量机对模型进行训练；训练完成后，将即刻天空图像进行处理以得到即刻天空图像中各像素点与即刻天空图像中的太阳中心点的距离和平均RGB值，并将上述各像素点与即刻天空图像中的太阳中心点的距离和平均RGB值输入天空图像-辐照度映射模型，以得到各像素点对应的辐照度数值，而即刻天空图像的各像素点对应的辐照度数值实际上也是该即刻天空图像对应的地表各区域的辐照度数值，故由此可映射当前地表各区域的辐照度分布情况；得到分布情况后根据分布情况的实时变化来调整光伏发电调度计划，减少因辐照度的随机变化而对发电稳定性产生的影响，进而提高光伏电能质量，使光伏资源得到更好的利用。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第二实施例中，基于第一实施例，步骤S120，包括：
步骤S210：获取近期预设天数内等时间间隔的不同时刻的多个所述天空图像，其中，所述天空图像包括多个晴空图像和多个云况图像。
具体的，本实施例中预设天数为3天，等时间间隔为1分钟，即每分钟采集一张，采集地点也必须为同一地点；本实施例中优选为：天空图像通过全天空成像仪在甲光伏电站的某观测点拍摄采集到；将天空图像分为晴空图像和云况图像并分别进行处理。
步骤S220：获取各所述天空图像的太阳中心点的位置。
具体的，对采集到的天空图像进行处理，以得到每幅天空图像的太阳中心点的位置。
步骤S230：计算所述近期预设天数中每一天相邻时刻的两幅所述云况图像之间的云团移动位移矢量。
具体的，将相邻的云况图像之间的位移矢量计算出来(也就是相邻的云况图像中前一张云况图像和后一张云况图像中云团的位置的移动量)，因间隔时间为一分钟，故也就是前一张云况图像在一分钟内的移动位移矢量。
步骤S240：根据各所述云况图像的太阳中心点的位置、各个所述移动位移矢量确定预设时间段内的所述不同时刻的所述云况图像中不同天空区域的中心坐标。
具体的，这里的预设时间段设置为10分钟，这里的不同时刻也就是10分钟内的各分钟；为了清楚描述，这里以其中一幅云况图像来举例，假设该云况图像为第k幅云况图像，则第k+1幅云况图像中位于太阳中心点的天空区域(即云况图像中的部分区域)此时是遮住了太阳的，也就是说该天空区域(为了区分，标记为1号天空区域)的中心坐标和第k+1幅云况图像的太阳中心点的坐标重合；但在第k幅云况图像中1号天空区域肯定是不会位于太阳中心点的，这是因为云团会移动，而移动的指标就是步骤S210中得到的相邻云况图像之间的云团移动位移矢量；所以可计算出1号天空区域在第k幅云况图像上位置(我们用天空区域的中心点的坐标来表示)，具体的计算方式是用第k+1幅云况图像的太阳中心点的位置坐标减去第k幅云况图像和第k+1幅云况图像之间的云团移动位移矢量。
同样的，在第k+2幅云况图像中会存在位于太阳中心点的天空区域(标记为2号天空区域)，2号天空区域在第k幅云况图像肯定也不会位于太阳中心点，而2号天空区域在第k幅云况图像中所处的具体位置也由第k幅云况图像与第k+1幅云况图像之间的云团移动位移矢量以及第k+1幅云况图像与第k+2幅云况图像之间的云团移动位移矢量共同确定，具体计算方式是用第k+2幅云况图像的太阳中心点的位置坐标减去第k幅云况图像和第k+1幅云况图像之间的云团移动位移矢量再减去第k+1幅云况图像和第k+2幅云况图像之间的云团移动位移矢量。
以此类推，便可计算出1～10号天空区域在第k幅云况图像上的中心点的坐标；然后，每一幅云况图像都这样操作一次，那么每一幅云况图像我们都可以得到10个天空区域的中心点坐标；当第k幅云况图像的后面不够10张云况图像时(例如只有9张了)，则不再对其进行计算，也就是说计算到第k-1张为止。
步骤S250：根据所述中心坐标计算每一幅所述云况图像的所述天空区域与太阳中心点的距离。
具体的，每一幅云况图像均得到10个天空区域的中心点坐标，那么自然可计算得到这10个天空区域与太阳中心点的距离。
步骤S260：获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值。
具体的，这里的天空区域的面积根据实际情况人为确定，面积越小，则天空区域之间的差异越大，那么根据面积计算得到的平均RGB值的差异也越大，那么对于模型而言，其训练的精度也越高。
步骤S270：将每一幅所述晴空图像的所述天空区域与太阳中心点的距离设置为随机值，将每一幅所述晴空图像的所述天空区域的平均RGB值设置为蓝天区域的全部像素点的平均RGB值。
具体的，对于晴空图像而言就相对简单了，因晴空图像没有云，自然不会对地表的辐照度产生影响，那么实际上天空图像映射的地表各处的辐照度都是一致的，但为了模型的完整性考虑，还是将晴空图像的数据输入模型进行训练；其中，每一幅晴空图像的天空区域与太阳中心点的距离设置为随机值(天空区域也取10个，即取10个随机值)，本实施例中，将晴空图像的天空区域设置为圆形，随机值的取值范围为0～晴空图像的天空区域的半径；因晴空图像没有云，图像上各处的RGB值比较均匀，故可将各个天空区域的平均RGB值设置为整幅晴空图像中全部蓝天区域的平均RGB值，即同一晴空图像中的各天空区域的平均RGB值一致。
步骤S280：获取拍摄每一幅所述天空图像时于拍摄地实测的所述地表辐照度。
具体的，在拍摄每一幅天空图像时，同时测量拍摄点的地表辐照度，辐照度的采集和天空图像的拍摄应同时同地发生。并将测量到的地表辐照度与同时拍摄的天空图像相对应。
通过上述技术方案，通过计算得到每幅天空图像10个天空区域与太阳中心点的距离和平均RGB值，并获取到了每幅天空图像对应的实测辐照度；训练模型前，对于云况图像而言，将每幅云况图像的10个天空区域与当各个天空区域位于太阳中心点时对应的云况图像对应的实测辐照度相对应，并将参数代入进行训练；对于晴空图像而言，将每幅晴空图像的10个天空区域均与该幅晴空图像对应的实测辐照度相对应，并将参数代入进行训练。
每幅天空图像均获取了10个天空区域，并获取了10个对应的辐照度，那么模型训练完成后，就能根据天空图像中各区域与太阳中心的距离和平均RGB值得到该区域的地表辐照度；也就是从实时天空图像中得到该天空图像对应的地表的辐照度分布情况。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第三实施例中，基于第二实施例，步骤S220，包括：
步骤S310：通过全天空成像仪自带图像处理系统对所述天空图像进行处理并生成对应的灰度图像。
步骤S320：提取所述灰度图像中灰度值与太阳区域灰度值相等的区域。
步骤S330：通过mean函数计算所述天空图像中的太阳中心点的位置坐标。
上述技术方案为计算各天空图像的太阳中心点的位置的具体操作步骤，通过mean函数可得到更加精准的数值。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第四实施例中，基于第二实施例，步骤S230，包括：
步骤S410：对每一组所述云况图像使用卷积变换处理以得到变换图像对，其中，每一组所述云况图像即每一天相邻时刻的两幅所述云况图像。
步骤S420：通过改变卷积核矩阵得到同一组所述云况图像的多个所述变换图像对。
步骤S430：通过傅里叶相位相关法计算各所述变换图像对的云团位移矢量坐标。
步骤S440：通过高斯分布曲线对各所述变换图像对的云团位移矢量坐标进行拟合并得到每一组所述云况图像的移动位移矢量。
上述技术方案为计算相邻的云况图像之间的云团移动位移矢量的具体操作步骤，通过本技术方案能得到更加精准的结果。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第五实施例中，基于第二实施例，步骤S240中，计算公式为：
Figure BDA0002230027830000101
Figure BDA0002230027830000102
其中，k为同一天中第k幅所述云况图像，k不超过获取的所述天空图像的总数；i表示同一天中所述预设时间段内的不同时刻，i为正整数；xk表示由第k张所述云况图像与第k+1张所述云况图像之间云团的移动位移矢量的第一轴坐标值，yk表示由第k张所述云况图像与第k+1张所述云况图像之间云团的移动位移矢量的第二轴坐标值；xk,0表示第k幅所述云况图像的太阳中心点的第一轴坐标值，yk,0表示第k幅所述云况图像的太阳中心点的第二轴坐标值；xk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第一轴坐标，yk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第二轴坐标。
具体的，因预设时间段设置为10分钟，故i的取值范围为1～10，因预设时间段是10分钟，太阳在10分钟内的移动量并不大，故这里为了后续计算方便，将第k+1至第k+10幅云况图像的太阳中心点的坐标设置为和第k幅云况图像的太阳中心点的坐标一致。
xk,i表示第k幅云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第一轴坐标，也就是第k幅云况图像中i号天空区域的中心点的第一轴坐标；yk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第二轴坐标，也就是第k幅云况图像中i号天空区域的中心点的第二轴坐标。
则由公式可举例：
设：xk＝1、xk+1＝1、xk+2＝1、xk+3＝1、xk+4＝1、xk+5＝1、xk+6＝1、xk+7＝1、xk+8＝1、xk+9＝1；
yk＝1、yk+1＝1、yk+2＝1、yk+3＝1、yk+4＝1、yk+5＝1、yk+6＝1、yk+7＝1、yk+8＝1、
yk+9＝1；
xk,0＝15，yk,0＝15；
可计算得到：
第k幅云况图像中1号天空区域的中心点的第一轴坐标：xk,1＝14，第k幅云况图像中1号天空区域的中心点的第二轴坐标：yk,1＝14；
第k幅云况图像中2号天空区域的中心点的第一轴坐标：xk,2＝13，第k幅云况图像中2号天空区域的中心点的第二轴坐标：yk,2＝13；
第k幅云况图像中3号天空区域的中心点的第一轴坐标：xk,3＝12，第k幅云况图像中3号天空区域的中心点的第二轴坐标：yk,3＝12；
第k幅云况图像中4号天空区域的中心点的第一轴坐标：xk,4＝11，第k幅云况图像中1号天空区域的中心点的第二轴坐标：yk,4＝11；
第k幅云况图像中5号天空区域的中心点的第一轴坐标：xk,5＝10，第k幅云况图像中5号天空区域的中心点的第二轴坐标：yk,5＝10；
第k幅云况图像中6号天空区域的中心点的第一轴坐标：xk,6＝9，第k幅云况图像中6号天空区域的中心点的第二轴坐标：yk,6＝9；
第k幅云况图像中7号天空区域的中心点的第一轴坐标：xk,7＝8，第k幅云况图像中7号天空区域的中心点的第二轴坐标：yk,7＝8；
第k幅云况图像中8号天空区域的中心点的第一轴坐标：xk,8＝7，第k幅云况图像中8号天空区域的中心点的第二轴坐标：yk,8＝7；
第k幅云况图像中9号天空区域的中心点的第一轴坐标：xk,9＝6，第k幅云况图像中9号天空区域的中心点的第二轴坐标：yk,9＝6；
第k幅云况图像中10号天空区域的中心点的第一轴坐标：xk,10＝5，第k幅云况图像中10号天空区域的中心点的第二轴坐标：yk,10＝5。
上述计算结果就是第k幅云况图像中未来第1分钟至未来第10分钟移动至太阳中心点的10个天空区域在第k幅云况图像上的中心点的坐标。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第六实施例中，基于第二实施例，步骤S260中，天空区域的面积计算公式为：
S＝πr2；
其中，S为所述天空区域的面积，r为所述天空区域的半径，具体为天空图像的第一轴像素点数量的百分之一取整。
具体的，将天空区域视为圆形，其面积由圆形的面积公式计算得到，r在本实施例中优选为10，故各天空区域的面积均为100π。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第七实施例中，基于第六实施例，步骤S260，还包括：
步骤S710：根据不同所述天空区域的中心坐标(xk,i,yk,i)和面积S计算不同所述天空区域内的像素点的平均RGB数值。
具体的，确定了各天空区域的面积S后，即可根据各天空区域的中心坐标(xk,i,yk,i)和面积S计算得到各天空区域内的像素点的平均RGB数值。
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第八实施例中，基于第五实施例，步骤S250，具体计算公式为：
Figure BDA0002230027830000121
其中，Dk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域与太阳中心点的距离。
具体的，根据第五实施例中的计算结果，可计算得到：
第k幅云况图像中1号天空区域与太阳中心点的距离为
Figure BDA0002230027830000131
第k幅云况图像中2号天空区域与太阳中心点的距离为
Figure BDA0002230027830000132
第k幅云况图像中3号天空区域与太阳中心点的距离为
Figure BDA0002230027830000133
第k幅云况图像中4号天空区域与太阳中心点的距离为
Figure BDA0002230027830000134
第k幅云况图像中5号天空区域与太阳中心点的距离为
Figure BDA0002230027830000135
第k幅云况图像中6号天空区域与太阳中心点的距离为
Figure BDA0002230027830000136
第k幅云况图像中7号天空区域与太阳中心点的距离为
Figure BDA0002230027830000137
第k幅云况图像中8号天空区域与太阳中心点的距离为
第k幅云况图像中9号天空区域与太阳中心点的距离为
Figure BDA0002230027830000139
第k幅云况图像中10号天空区域与太阳中心点的距离为
Figure BDA00022300278300001310
在本发明提出的计算光伏电站地表辐照度空间分布的方法的第九实施例中，基于第一实施例，步骤S140之后，还包括：
步骤S910：根据所述即刻天空图像的所述各像素点和对应的辐照度数值生成所述即刻天空图像对应地表区域的辐照度空间分布图。
如附图2和附图3所示，附图2为本实施例中的即刻天空图像，附图3为本实施例中即刻天空图像对应的地表区域的辐照度空间分布图，生成上述分布图后可直观的观测到地表区域各处的辐照度差异，便于工作人员根据该分布图调整光伏电站各区域的发电调度计划。
本发明还提供一种计算光伏电站地表辐照度空间分布的系统，应用于上述计算光伏电站地表辐照度空间分布的方法的各实施例。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种计算光伏电站地表辐照度空间分布的方法，其特征在于，包括：
建立天空图像-辐照度映射模型；
获取不同历史时刻的天空图像中各个天空区域的平均RGB值和与太阳中心点的距离，以及和所述不同时刻的天空图像对应的实测地表辐照度；
将所述平均RGB值和所述距离作为所述模型的训练输入变量，将所述实测地表辐照度作为所述模型的训练输出变量，采用机器学习模型所述映射模型进行训练；
获取即刻天空图像，将所述即刻天空图像内各像素点距离太阳中心点的距离和各所述像素点的平均RGB值作为输入变量输入所述模型，以计算得到各所述像素点对应的地表区域辐照度数值。
2.一种如权利要求1所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述获取不同历史时刻的天空图像中各个天空区域的平均RGB值和距离太阳中心点的距离，以及所述不同时刻的实测地表辐照度，包括：
获取近期预设天数内等时间间隔的不同时刻的多个所述天空图像，其中，所述天空图像包括多个晴空图像和多个云况图像；
获取各所述天空图像的太阳中心点的位置；
计算所述近期预设天数中每一天相邻时刻的两幅所述云况图像之间的云团移动位移矢量；
根据各所述云况图像的太阳中心点的位置、各个所述移动位移矢量确定预设时间段内的所述不同时刻的所述云况图像中不同天空区域的中心坐标；
根据所述中心坐标计算每一幅所述云况图像的所述天空区域与太阳中心点的距离；
获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值；
将每一幅所述晴空图像的所述天空区域与太阳中心点的距离设置为随机值，将每一幅所述晴空图像的所述天空区域的平均RGB值设置为蓝天区域的全部像素点的平均RGB值；
获取拍摄每一幅所述天空图像时于拍摄地实测的所述地表辐照度。
3.一种如权利要求2所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述获取各所述天空图像的太阳中心点的位置，包括：
通过全天空成像仪自带图像处理系统对所述天空图像进行处理并生成对应的灰度图像；
提取所述灰度图像中灰度值与太阳区域灰度值相等的区域；
通过mean函数计算所述天空图像中的太阳中心点的位置坐标。
4.一种如权利要求2所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述计算所述近期预设天数中每一天相邻时刻的两幅所述云况图像之间的云团移动位移矢量，包括：
对每一组所述云况图像使用卷积变换处理以得到变换图像对，其中，每一组所述云况图像即每一天相邻时刻的两幅所述云况图像；
通过改变卷积核矩阵得到同一组所述云况图像的多个所述变换图像对；
通过傅里叶相位相关法计算各所述变换图像对的云团位移矢量坐标；
通过高斯分布曲线对各所述变换图像对的云团位移矢量坐标进行拟合并得到每一组所述云况图像的移动位移矢量。
5.一种如权利要求2所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述根据各所述云况图像的太阳中心点的位置、各个所述移动位移矢量确定预设时间段内的所述不同时刻的所述云况图像中不同天空区域的中心坐标，计算公式为：
Figure FDA0002230027820000021
其中，k为同一天中第k幅所述云况图像，k不超过获取的所述天空图像的总数；i表示同一天中所述预设时间段内的不同时刻，i为正整数；xk表示由第k张所述云况图像与第k+1张所述云况图像之间云团的移动位移矢量的第一轴坐标值，yk表示由第k张所述云况图像与第k+1张所述云况图像之间云团的移动位移矢量的第二轴坐标值；xk,0表示第k幅所述云况图像的太阳中心点的第一轴坐标值，yk,0表示第k幅所述云况图像的太阳中心点的第二轴坐标值；xk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第一轴坐标，yk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域的中心点的第二轴坐标。
6.一种如权利要求2所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值，天空区域的面积计算公式为：
S＝πr2；
其中，S为所述天空区域的面积，r为所述天空区域的半径，具体为所述天空图像的第一轴像素点数量的百分之一取整。
7.一种如权利要求6所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述获取天空区域的面积，根据天空区域的面积计算每一幅所述云况图像的所述天空区域的平均RGB值，包括：
根据不同所述天空区域的中心坐标(xk,i,yk,i)和面积S计算不同所述天空区域内的像素点的平均RGB数值。
8.一种如权利要求5所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述根据所述中心坐标计算每一幅所述云况图像的所述天空区域与太阳中心点的距离，具体计算公式为：
其中，Dk,i表示第k幅所述云况图像中未来所述预设时间段内第i个移动至太阳中心点处的所述天空区域与太阳中心点的距离。
9.一种如权利要求1至8中任一项所述的计算光伏电站地表辐照度空间分布的方法，其特征在于，所述获取即刻天空图像，将所述即刻天空图像内各像素点距离太阳中心点的距离和各所述像素点的平均RGB值作为输入变量输入所述模型，以计算得到各所述像素点对应的辐照度数值之后，还包括：
根据所述即刻天空图像的所述各像素点和对应的辐照度数值生成所述即刻天空图像对应地表区域的辐照度空间分布图。
10.一种计算光伏电站地表辐照度空间分布的系统，其特征在于，应用于如权利要求1至9中任一项所述的计算光伏电站地表辐照度空间分布的方法。
CN201910964503.3A 2019-10-11 2019-10-11 一种计算光伏电站地表辐照度空间分布的方法 Active CN110717592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910964503.3A CN110717592B (zh) 2019-10-11 2019-10-11 一种计算光伏电站地表辐照度空间分布的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910964503.3A CN110717592B (zh) 2019-10-11 2019-10-11 一种计算光伏电站地表辐照度空间分布的方法

Publications (2)

Publication Number Publication Date
CN110717592A true CN110717592A (zh) 2020-01-21
CN110717592B CN110717592B (zh) 2023-09-15

Family

ID=69211447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910964503.3A Active CN110717592B (zh) 2019-10-11 2019-10-11 一种计算光伏电站地表辐照度空间分布的方法

Country Status (1)

Country Link
CN (1) CN110717592B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402312A (zh) * 2020-03-09 2020-07-10 华北电力大学 利用天空图像的云团高度估算方法及系统
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303254A (zh) * 2015-10-26 2016-02-03 国网浙江省电力公司电力科学研究院 一种对光伏电站接收辐射进行预测的方法及装置
US20170031056A1 (en) * 2014-04-10 2017-02-02 Board Of Regents, The University Of Texas System Solar Energy Forecasting
CN106779130A (zh) * 2015-11-20 2017-05-31 中国电力科学研究院 一种基于全天空云图的光伏电站辐射预测方法
CN107133685A (zh) * 2016-02-26 2017-09-05 华为技术有限公司 光伏发电系统发电量的预测方法及预测系统
CN107563903A (zh) * 2016-06-30 2018-01-09 中国电力科学研究院 一种云层对地面光伏电站的遮挡模型建立方法
CN108121990A (zh) * 2017-11-27 2018-06-05 中国电力科学研究院有限公司 一种基于全天空成像设备的太阳辐照度预测方法和装置
CN109146975A (zh) * 2018-08-22 2019-01-04 华北电力大学（保定） 一种天空图像云团位移矢量计算方法
CN109416413A (zh) * 2016-05-11 2019-03-01 联邦科学和工业研究组织 太阳能预报

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170031056A1 (en) * 2014-04-10 2017-02-02 Board Of Regents, The University Of Texas System Solar Energy Forecasting
CN105303254A (zh) * 2015-10-26 2016-02-03 国网浙江省电力公司电力科学研究院 一种对光伏电站接收辐射进行预测的方法及装置
CN106779130A (zh) * 2015-11-20 2017-05-31 中国电力科学研究院 一种基于全天空云图的光伏电站辐射预测方法
CN107133685A (zh) * 2016-02-26 2017-09-05 华为技术有限公司 光伏发电系统发电量的预测方法及预测系统
CN109416413A (zh) * 2016-05-11 2019-03-01 联邦科学和工业研究组织 太阳能预报
CN107563903A (zh) * 2016-06-30 2018-01-09 中国电力科学研究院 一种云层对地面光伏电站的遮挡模型建立方法
CN108121990A (zh) * 2017-11-27 2018-06-05 中国电力科学研究院有限公司 一种基于全天空成像设备的太阳辐照度预测方法和装置
CN109146975A (zh) * 2018-08-22 2019-01-04 华北电力大学（保定） 一种天空图像云团位移矢量计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏适;李红萍;严玉廷;陆海;王飞;任惠;N.A.ENGERER;米增强;: "服务于区域光伏预测的天空图像K-means云空辨识模型" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402312A (zh) * 2020-03-09 2020-07-10 华北电力大学 利用天空图像的云团高度估算方法及系统
CN111402312B (zh) * 2020-03-09 2023-07-28 华北电力大学 利用天空图像的云团高度估算方法及系统
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
CN110717592B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN103559561B (zh) 一种光伏电站辐照度的超短期预测方法
CN110728066B (zh) 一种风电场扇区优化方法及系统
CN109685848A (zh) 一种三维点云与三维传感器的神经网络坐标变换方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN107742171B (zh) 基于移动阴影图像识别的光伏电站发电功率预测方法
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN110717592A (zh) 一种计算光伏电站地表辐照度空间分布的方法
CN112148774B (zh) 一种高分辨率空间多区域气象数据处理系统及方法
CN112258588A (zh) 一种双目相机的标定方法、系统及存储介质
Liu et al. Surface defect detection of solar cells based on feature pyramid network and GA-faster-RCNN
Zhen et al. Research on a cloud image forecasting approach for solar power forecasting
CN116629416A (zh) 光伏电站功率预测方法及装置
CN113935237A (zh) 一种基于胶囊网络的输电线路故障类型判别方法及系统
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN109521693B (zh) 一种风电场电磁暂态实时仿真方法和装置
CN114298441A (zh) 一种光伏功率预测方法及系统
CN116740703A (zh) 一种基于点云信息的小麦表型参数变化率估测方法和装置
CN111489440B (zh) 对非标零件的三维扫描建模方法
CN109740234B (zh) 一种家居布局3d碰撞检测方法及系统
Zhou et al. Cloud Displacement Vector Calculation in Satellite Images Based on Cloud Pixel Spatial Aggregation and Edge Matching for PV Power Forecasting
CN109146975B (zh) 一种天空图像云团位移矢量计算方法
CN117437230B (zh) 基于图像修复的光伏电站功率预测方法及系统
CN111402312A (zh) 利用天空图像的云团高度估算方法及系统
CN113254855B (zh) 一种基于地形的发电增益计算方法和系统
CN108121869A (zh) 基于滚动球模型的tin_ddm缓冲面快速构建方法

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