CN112116569A

CN112116569A - 基于阴影识别的光伏电站发电功率预测方法

Info

Publication number: CN112116569A
Application number: CN202010956786.XA
Authority: CN
Inventors: 刘灿灿; 周美跃
Original assignee: Individual
Current assignee: Individual
Priority date: 2020-09-12
Filing date: 2020-09-12
Publication date: 2020-12-22

Abstract

本发明公开了一种基于阴影识别的光伏电站发电功率预测方法，包括：采集光伏电池板正射图像；对光伏电池板正射图像进行直方图均衡化、语义分割，提取光伏电池板中的阴影区域，得到阴影区域分割二值图；利用阴影区域分割二值图从均衡化后的正射图像中得到阴影区域图像；将阴影区域图像转换至HSV颜色空间，并根据阴影区域深浅程度分析模型分析阴影区域的深浅程度；对于阴影区域分割二值图进行分析，得到阴影区域类型与阴影区域面积；将阴影区域深浅程度、阴影区域面积、阴影类型及光照辐射强度送入时序预测模型中，预测未来时段的光伏电站发电功率。本发明提高了发电功率预测准确率。

Description

基于阴影识别的光伏电站发电功率预测方法

技术领域

本发明涉及人工智能、计算机视觉、光伏发电技术领域，具体涉及一种基于阴影识别的光伏电站发电功率预测方法。

背景技术

光伏发电虽有诸多优点，其发电量却受到大量环境因素制约。辐照度、环境温度、大气湿度等气象因素不仅制约了光伏发电系统的输出功率，还导致了光伏发电输出功率的间歇性和随机波动性，光伏并网后，该波动性还可能会导致电网不稳定。随着并网光伏系统数量的增加，电力系统的安全稳定运行受到了许多干扰。若电网中接入大规模光伏发电，需要系统提供与其容量相匹配的旋转备用去平抑光伏发电的出力波动，以保证电力系统的功率平衡和频率稳定，会产生大量不必要的消耗。因此预测光伏发电输出功率，并且提高预测精度至关重要。精确的光伏发电输出功率预测可以提高光伏的渗透水平，增强电网的稳定性，推进负荷侧管理策略的有效实行。在太阳能光伏发电中，发电数据的预测难以通过单一方法进行准确预测，表现为特征数据难以寻找，尤其是当存在阴影的情况下。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于阴影识别的光伏电站发电功率预测方法，提高了预测准确率。

一种基于阴影识别的光伏电站发电功率预测方法，该方法包括：

步骤1，当天气无雨雪且太阳辐照强度大于阈值时，利用轨道相机采集光伏电池板正射图像；

步骤2，对光伏电池板正射图像进行直方图均衡化，得到图像B；

步骤3，对图像B进行语义分割，提取光伏电池板中的阴影区域，得到阴影区域分割二值图；

步骤4，将阴影区域分割二值图与图像B进行点对点相乘，得到阴影区域图像；

步骤5，将阴影区域图像转换至HSV颜色空间，并根据阴影区域深浅程度分析模型分析阴影区域的深浅程度I：

其中，S(i，j)为位置(i，j)的饱和度值、V(i，j)为位置(i，j)的明度值，0＜a＜1，

为阴影区域像素坐标轴i的取值范围，

为阴影区域像素坐标轴j的取值范围，n为阴影区域像素个数；

步骤6，对于阴影区域分割二值图进行分析，得到阴影区域类型与阴影区域面积；

步骤7，将阴影区域深浅程度、阴影区域面积、阴影类型及光照辐射强度送入时序预测模型中，预测未来时段的光伏电站发电功率。

进一步地，光伏电池板处设置雨雪传感器、照度传感器。

进一步地，阴影类型包括变动型阴影、非变动型阴影。

进一步地，时序预测模型的训练过程包括：

将采集的阴影区域深浅程度、阴影区域面积、阴影类型、光照辐射强度按照时间戳对应存储，并将光伏电池板发电功率作为对应的标记数据，构建样本数据集；

设置滑动时间窗口，利用时序预测模型对滑动时间窗口内阴影区域深浅程度、阴影区域面积、阴影类型、光照强度构成的张量数据进行分析，得到预测的光伏电池板发电功率；

基于交叉熵损失函数对预测的光伏电池板发电功率与标记数据进行分析，调整时序预测模型内的参数。

进一步地，利用第一神经网络对图像B进行语义分割，用于区分光伏电池板阴影区域与其他元素的语义。

进一步地，利用第二神经网络对阴影区域分割二值图进行分析，输出光伏电池板阴影区域类型。

进一步地，时序预测模型为时间卷积神经网络。

进一步地，第一神经网络包括阴影识别编码器、阴影识别解码器。

进一步地，第二神经网络包括特征提取编码器、全连接网络。

进一步地，时间卷积神经网络包括：时间卷积模块、全连接模块。

本发明与现有技术相比，具有以下有益效果：

本发明通过传感器协同合理调度相机，降低了光伏电站的额外开销与成本。通过转换图像色彩空间，高效地分析了图像阴影的深浅程度。通过建立的阴影区域深浅程度分析模型能够得到有效的阴影区域特征，为时序预测模型提供特征数据。通过卷积神经网络及统计分析快速得到了阴影的类型及面积。通过时序预测模型，基于历史有效特征数据，可以准确地预测未来时刻的光伏电池板发电功率。

附图说明

图1为本发明的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于阴影识别的光伏电站发电功率预测方法，精确地预测光伏电池板存在阴影情况下的光伏发电输出功率，帮助实施者分析光伏电站的损失成本，为光伏的扩建、迁移等提供数据支持。图1为本发明的流程图。下面通过具体实施例来进行说明。

实施例1：

基于阴影识别的光伏电站发电功率预测方法：

步骤1，当天气无雨雪且太阳辐照强度大于阈值时，利用轨道相机采集光伏电池板正射图像。

首先在光伏电池板处部署雨雪传感器与照度传感器，每一排、一列或一个区域部署一个雨雪传感器与照度传感器，最终传感器应能有效覆盖光伏电站区域。

然后实时获取光伏电池板处雨雪传感器与照度传感器数值，当天气无雨雪且太阳辐照强度大于阈值时，进行图像信息采集，该阈值实施者自由设定，通常来说光伏电站的发电功率跟太阳光照强度有最大关系，因此该阈值可设置为该光伏电站区域最大太阳光照强度的一半或以上，可以协同控制后续设备运行，降低设备功耗。

进一步的，利用轨道相机采集光伏电池板正射图像A。

对于轨道相机，可安装于光伏电池板清洁机器人轨道上，拍摄可基于指定路线与位置来进行图像采集，正射图像可基于关键点检测与透视变换来实现，具体操作可以基于光伏电池板角点关键点和正射图像四点进行四点法估计。由于四点法是公知的常识，具体实施方法是简单易得的，在此不再赘述。

需要说明的是正射图像四点，在此需要根据相机分辨率来确定，该四点决定了透视变换后光伏电池板的图像大小。如原轨道相机正射拍摄，得到的图像中光伏电池板占(300，300)图像大小，则正射图像四点应基于该大小来选择4个角点来估计单应矩阵。

步骤2，对光伏电池板正射图像进行直方图均衡化，得到图像B。

然后对图像A进行直方图均衡化，提高图像对比度，使得阴影区域与光照区域区分度更大，最终得到图像B。

步骤3，对图像B进行语义分割，提取光伏电池板中的阴影区域，得到阴影区域分割二值图。

利用第一神经网络对图像B进行语义分割，用于区分光伏电池板阴影区域与其他元素的语义。第一神经网络为全卷积神经网络，对图像B进行语义分割，提取光伏电池板中的阴影区域，阴影分割图像称为C。

全卷积神经网络训练的步骤及细节如下所示：首先进行标签制作，标签数据的像素值通过0，1来表示，0表示其他类别，1表示阴影类别，该图像应与网络输入大小保持一致。将图像数据经过归一化处理，即将图片矩阵变为[0，1]之间的浮点数，以便模型更好地收敛。然后处理后的图像数据与标签数据(需要经过one-hot编码处理)送到网络中对阴影识别编码器、阴影识别解码器进行训练。阴影识别编码器实现对图像特征的提取，输入为归一化的图像数据，输出为Feature map；阴影识别解码器进行上采样与特征提取并最终实现对图像每个像素点的分类，输入为阴影识别编码器产生的Feature map，输出为分割的概率图。Loss函数采用交叉熵。最终，图像经过Argmax操作，得到阴影分割图像C，该图像为二值图像，像素值1代表阴影区域。

步骤4，将阴影区域分割二值图与图像B进行点对点相乘，得到阴影区域图像。进一步的，将图像C与原图B进行点乘操作，得到原图阴影区域图像D。由于图像C与原图B大小一致，因此点乘为两个图像对应像素的乘法运算，由于图像C为二值图像，因此原图B最终只保留阴影区域。

步骤5，将阴影区域图像转换至HSV颜色空间，并根据阴影区域深浅程度分析模型分析阴影区域的深浅程度I。对图像D进行HSV颜色空间转换，并建立阴影深浅程度分析模型。

对于HSV转换，其步骤为：

将图像A进行归一化，即值变为[0，1]之间。

V＝max(R，G，B)

计算结果可能出现H＜0，因此进行以下计算：

HSV是一种比较直观的颜色模型，这个模型中颜色的参数分别是：色调(H，Hue)，饱和度(S，Saturation)，明度(V，Value)，取值范围为：

0≤H≤360，0≤S≤1，0≤V≤1

基于数据分析及人为先验，对于阴影区域其不同位置色调通常变化不大，而饱和度与明度会存在一定幅度的变化。因此建立下述阴影深浅程度分析模型：

对于阴影区域，阴影越深，其明度越小，因此有以下公式：

S″为明度通道的分析值，V为明度通道，0＜a＜1，

为阴影区域像素坐标轴i的取值范围，

为阴影区域像素坐标轴j的取值范围，n为图像阴影区域的像素个数；一方面使明度通道的分析值在[0，1]区间单调递减，符合明度与深浅的关系，另一方面，可以将函数值映射到更分散的区间，有助于区分不同的深浅程度。

然后对图像的饱和度进行分析，饱和度为一比例值，为0时，只有灰度。饱和度越高，颜色则越深而艳，此处使用改进的饱和度均值：

最终，阴影深浅程度分析模型公式为：

I＝S′*α+S″*β

I为图像中阴影的深浅程度度量值，α、β为超参数，α、β的取值范围均为[0，1]，两者之和应为1，目的是为了平衡两者在模型中的权重占比，一种实施方式是取值α＝0.4、β＝0.6。即上述公式图像深浅程度度量值越大，阴影越深，对光伏电池板的影响程度也越大。

此外，由于光伏电池板多为蓝色或黑色，因此，可以利用色调改进深浅程度分析模型，即

其中，H(i，j)为对应位置的色调值，H_base为基准值，当为黑色电池板时取0，当为蓝色时取240，实施者可以根据实施情况自行调整，γ为超参数，用于调整色调在该模型中的占比，一种实施方式是取0.1，也可以自行调整。通常情况下，阴影区域的V通道、S通道值不会为0、1。需要说明的是，当明度为0或趋于0时，阴影程度深浅模型趋于无穷大，同理，当饱和度为1或趋于1时，阴影程度深浅模型趋于无穷大，使用计算机编程语言中的无穷大的数值进行表示即可。

步骤6，对于阴影区域分割二值图进行分析，得到阴影区域类型与阴影区域面积。

同时的，对于图像C建立数学模型，分析其阴影类型与阴影面积。

对于阴影类型，分为变动型及不变动型阴影，变动型指会受到环境影响，如树枝、树叶会受到风吹刮动而摇晃，不变动型如信号塔、电线杆、树干等。

此处对于阴影类型的数学模型可直接使用DNN卷积神经网络即第二神经网络进行分类，其形态为卷积神经网络特征提取编码器和全连接网络，最终输出两个阴影类型的概率，并将概率大的作为该块电池板的阴影类型。

对于阴影面积，由于图像C为二值分割图像，因此可直接进行统计分析：

P为阴影面积，Y为像素值为1的像素个数，N为总的像素个数。

至此，即可得到所有阴影统计分析结果。

进一步的，将上述所得的阴影深浅、阴影面积、阴影类型及照度传感器的光照辐射强度数值4个特征数据送入时序预测模型中，预测未来时段的光伏电站发电功率。

该步通过建立时序预测网络来预测未来时间的光伏电站发电功率序列，具体的可基于LSTM、GRU、TCN等神经网络来实施。预测可基于当前的特征数据来预测未来光伏电站发电功率，如基于历史长度为8小时的特征序列，来预测未来4小时的光伏电站发电功率。

时序预测模型的训练过程包括：将采集的阴影区域深浅程度、阴影区域面积、阴影类型、光照强度按照时间戳对应存储，并将光伏电池板发电功率作为对应的标记数据，构建样本数据集；设置滑动时间窗口，利用时序预测模型对滑动时间窗口内阴影区域深浅程度、阴影区域面积、阴影类型、光照辐射强度构成的张量数据进行分析，得到预测的光伏电池板发电功率；基于交叉熵损失函数对预测的光伏电池板发电功率与标记数据进行分析，调整时序预测模型内的参数。

以TCN网络训练举例：首先将特征值进行归一化，调整到统一的区间。输入的形状为[B，N，4]，B为网络输入的batch size，N为某一时段采集的数据序列长度，如每半小时采集一次，要基于历史长度为8小时的特征序列，来预测未来4小时的光伏电池板的发电功率，则N＝16。经过TCN特征提取后，接全连接FC，最终输出未来4小时的光伏电池板的发电功率。网络输出的功率可人为设置，如输出未来4小时每半小时时段的光伏电站发电功率，则输出形状为[B，8]。损失函数采用交叉熵。

至此，即可得到光伏电池板的预测发电功率，对于光伏电站，将所有电池板预测的发电功率相加即可。

以上实施例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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于阴影识别的光伏电站发电功率预测方法，其特征在于，该方法包括：

其中，S(i,j)为位置(i,j)的饱和度值、V(i,j)为位置(i,j)的明度值，0<a<1，

为阴影区域像素坐标轴i的取值范围，

2.如权利要求1所述的方法，其特征在于，光伏电池板处设置雨雪传感器、照度传感器。

3.如权利要求1所述的方法，其特征在于，阴影类型包括变动型阴影、非变动型阴影。

4.如权利要求1所述的方法，其特征在于，时序预测模型的训练过程包括：

5.如权利要求1所述的方法，其特征在于，利用第一神经网络对图像B进行语义分割，用于区分光伏电池板阴影区域与其他元素的语义。

6.如权利要求1所述的方法，其特征在于，利用第二神经网络对阴影区域分割二值图进行分析，输出光伏电池板阴影区域类型。

7.如权利要求1所述的方法，其特征在于，时序预测模型为时间卷积神经网络。

8.如权利要求5所述的方法，其特征在于，第一神经网络包括阴影识别编码器、阴影识别解码器。

9.如权利要求6所述的方法，其特征在于，第二神经网络包括特征提取编码器、全连接网络。

10.如权利要求1所述的方法，其特征在于，时间卷积神经网络包括：时间卷积模块、全连接模块。