CN113076865A - 基于天空拍照图像和卫星云图反演辐照度的方法及系统 - Google Patents
基于天空拍照图像和卫星云图反演辐照度的方法及系统 Download PDFInfo
- Publication number
- CN113076865A CN113076865A CN202110349898.3A CN202110349898A CN113076865A CN 113076865 A CN113076865 A CN 113076865A CN 202110349898 A CN202110349898 A CN 202110349898A CN 113076865 A CN113076865 A CN 113076865A
- Authority
- CN
- China
- Prior art keywords
- image
- cloud
- resolution
- data
- satellite
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 230000005855 radiation Effects 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 2
- 230000005684 electric field Effects 0.000 description 6
- 239000000443 aerosol Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于天空拍照图像和卫星云图反演辐照度的方法及系统,对于同一区域的云量信息建立由低分辨率的卫星云图到高分辨率的天空成像图片的映射关系函数;通过该映射关系函数将卫星云图数据解析为高分辨率图像数据;从所述高分辨率图像数据中获取云参数;获取数值天气预报数据;将云参数和数值天气预报数据代入辐射传输模型中求解,获得辐照度数据,包括地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。本发明使用天空拍照图像与卫星图像建立超分辨率映射关系,从而获取高分辨率的卫星云图数据,由高分辨率卫星云图数据反演的辐照度相较于直接由普通卫星云图数据反演辐照度具有更高的精度,为该技术工业落地提供了坚实基础。
Description
技术领域
本发明属于光伏发电领域,特别是涉及到一种基于天空拍照图像和卫星云图反演站点辐照度的方法及系统。
背景技术
随着电力改革的深入,电力交易扮演的角色越来越重要,对新能源功率预测也提出了新的要求。电力改革之前,电网调度更加注重日前的功率预测结果;电力改革之后,电价变换较快,需要提供日内预测。目前有部分电场使用人工校准后的日前功率预测数据代替日内预测数据,但是效率慢,准确率低,因此越来越需要提供更加精准的日内预测。
日内预测中,对于超短期的光伏功率预测不准,最主要的原因是气象上对云预测不准,数值模拟天气预报模式无法精确的反映出云况的日内变化;因为对于光伏电场,地面辐照度是影响光伏电场发电功率最主要的因素,而云的状况是影响地面辐照度主要的气象因素。现有部分电场开始通过天空拍照技术进行预测超短期功率,采用基础的全天空成像仪进行拍照识图,但是只能提供光伏电场180°天空范围内的云遮挡率,无法区分云类和云层,对光伏功率预测的精度提升效果有限。因为不同的云类和云层对于太阳辐射的穿透率、吸收率和反射率等云物理条件是不一样的,这会影响最终到达地面的太阳辐射量。除此之外因为天气系统变化较快,而全天空成像仪提供的数据只是一种反馈当前天空状况的实测数据,即使靠外推演算的方式,其预测未来一小时以上的功率预测准确率将于日前预测准确率相差无几。
因此,为了提供精准的日内预测,亟需一种能够精准反演光伏电场站点辐照度的方法。
发明内容
本发明提出一种基于天空拍照图像和卫星云图反演辐照度的方法及系统,使反演的辐照度具有更高的精度。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于天空拍照图像和卫星云图反演辐照度的方法,包括:
S1、对于同一区域的云量信息建立由低分辨率的卫星云图到高分辨率的天空成像图片的映射关系函数;
S2、通过该映射关系函数将原分辨率的卫星云图数据解析为预报站点周边区域的高分辨率图像数据;从所述高分辨率图像数据中获取云参数;
S3、获取数值天气预报数据;
S4、将云参数和数值天气预报数据代入辐射传输模型中求解,获得辐照度数据,包括地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。
进一步的,步骤S1所述映射关系函数的建立过程包括:
S101、获取高分辨率的天空成像图片,并进行图片解析;
S102、获取全球卫星图像;
S103、使用卷积神经网络对步骤S101和S102获得的图像进行图像识别;
S104、S103的图像识别后通过天空成像仪图片中的云量信息和卫星图片对于同一区域的云量信息建立由低分辨率到高分辨率映射关系。
进一步的,步骤S3所述数值天气预报数据在获取后先进行插值处理,处理过程包括:采用反距离差值法,插值常规的气象要素;预报场站位置为未知点,模式中心点为已知点,由已知点到未知点的距离的倒数为权重,进行插值处理;
式中,di代表第i个已知点到未知点的距离,λi是第i个已知点气象要素的权重,Zi(Xi,Yi)为第i个已知点的气象要素的数值;n为距离未知点最近的已知点数量。
本发明另一方面还提供了一种基于天空拍照图像和卫星云图反演辐照度的系统,包括:
映射关系模块,用于对于同一区域的云量信息建立由低分辨率的卫星云图到高分辨率的天空成像图片的映射关系函数;
云参数获取模块,用于通过该映射关系函数将原分辨率的卫星云图数据解析为预报站点周边区域的高分辨率图像数据;从所述高分辨率图像数据中获取云参数;
天气数据模块,用于获取数值天气预报数据;
辐照度模块,将云参数和数值天气预报数据代入辐射传输模型中求解,获得辐照度数据,包括地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。
进一步的,所述映射关系模块包括:
天空图片单元,用于获取高分辨率的天空成像图片,并进行图片解析;
卫星图像单元,用于获取全球卫星图像;
识别单元,用于使用卷积神经网络对天空图片单元和卫星图像单元获得的图像进行图像识别;
映射建立单元,用于识别单元识别后通过天空成像仪图片中的云量信息和卫星图片对于同一区域的云量信息建立由低分辨率到高分辨率映射关系。
进一步的,所述天气数据模块包括插值单元,用于数值天气预报数据在获取后先进行插值处理,处理过程包括:采用反距离差值法,插值常规的气象要素;预报场站位置为未知点,模式中心点为已知点,由已知点到未知点的距离的倒数为权重,进行插值处理;
式中,di代表第i个已知点到未知点的距离,λi是第i个已知点气象要素的权重,Zi(Xi,Yi)为第i个已知点的气象要素的数值;n为距离未知点最近的已知点数量。
与现有技术相比,本发明具有如下的有益效果:
本发明所述的方法及系统使用天空拍照图像与卫星图像建立超分辨率映射关系,从而获取高分辨率的卫星云图数据,由高分辨率卫星云图数据反演的辐照度相较于直接由普通卫星云图数据反演辐照度具有更高的精度,为该技术工业落地提供了坚实基础。
附图说明
图1是本发明实施例的流程示意图。
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。
为使本发明专利的目的、特征更明显易懂,下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是,附图均采用非常简化的形式且均使用非精准的比率,仅用以方便、明晰地辅助说明本发明专利实施例的目的。
本发明的设计思想为先通过天空成像仪图片中的云量信息和卫星图片对于同一区域的云量信息建立一种由低分辨率的卫星云图到高分辨率的天空成像图片的映射关系,再将这种关系应用于整个卫星云图数据,从而达到提升卫星云图数据空间分辨率的目的,再从高分辨率的卫星云图反演出云类、云层、云光学厚度等云参数,将该参数输入到辐射传输模型RRTM中进行辐射度反演,最终得到地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。
如图1所示,本发明具体包括如下:
1)使用全天空成像仪拍摄天空图片,之后将原图发到云端服务器,进行图片识别和解析;图片识别和解析是由全天空成像仪附带的软件进行完成,其主要原理是利用卷积神经网络进行图像识别,将图像信息转为浮点数数据,表示拍照范围内每个像素格点中的云的覆盖量。
2)网络获取全球卫星图像,例如本案例使用葵花8卫星图像数据和反演的云数据产品,也可以采用风云系列卫星图像进行替代;
3)将步骤1)和步骤2)获得的图像输入到卫星云图超分辨率模型中,该模型中先使用卷积神经网络对卫星云图图像数据进行图像识别,再通过天空成像仪图片中的云量信息和卫星图片对于同一区域的云量信息建立一种由低分辨率到高分辨率超分辨率映射关系。该模型中使用到的卷积神经网络进行图像识别,最核心公式如下:
公式中ai,j为特征图像中的第i行第j列,f代表激活函数,wm,n代表卷积模块中的第m行第n列,xi,j代表图像中的第i行第j列,wb代表偏置项。
超分辨率核心公式为:
Hy=F(Lx;θ) (2)
公式中Hy是天空拍照图片经过图像识别转化的数值数据,公式中Lx是卫星图片同区域范围经过图像识别转化的数值数据,F(Lx;θ)表示卫星图片同区域中每个像素点的记录的云量数据和天空拍照图片中每个像素点的记录的云量数据之间的映射关系,θ是映射关系的参数。
4)将实际观测天空拍照图片数据和卫星图片数据代入式2中求得θ,通过该映射关系函数可将原分辨率的卫星云图数据解析为预报站点周边区域的高分辨率的图像数据。即:
Sl=F(Sh;θ) (3)
公式中为Sl是指分辨率较低的卫星云图数据,Sh是分辨率与天空拍照图像相等的高分辨率卫星云图数据,θ是由式(2)所求得的映射关系参数,将θ代入式(3)中并求解Sh得到高分辨率的卫星图片,进而从高分辨率的图像数据中获取云类、云层、云光学厚度等云参数。
5)获取数值天气预报数据,因为该数据时空分辨率较低,需要先进行简单的插值处理。采用反距离差值法,插值常规的气象要素如辐照度、风速、风向、气温、比湿、气压以及气溶胶常数等。预报场站位置为未知点,模式中心点为已知点,由已知点到未知点的距离的倒数为权重,进行插值处理。
式中,di代表第i个已知点到未知点的距离,λi是第i个已知点气象要素的权重,Zi(Xi,Yi)为第i个已知点的气象要素的数值。一般默认n为4,即采用距离未知点最近的4个已知点数据进行反距离插值处理,得到未知点(预报场站)的气象数据。
6)辐射传输模型是基于大气辐射传输原理,考虑太阳辐射从大气层顶部向地面传输时经过的气溶胶、液态云、冰晶云、空气密度等造成辐射能量散射、耗散的因素后计算最终抵达地球表面的太阳辐射量的一种物理模型。根据辐射传输模型用户使用手册,将该模型所需要的云类、云层、云光学厚度等云参数数据和其他数值天气预报数据,例如风速、风向、气温、比湿、气溶胶常数等一起整理成所需的输入文件格式,代入辐射传输模型中求解,获得地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。
本发明使用天空拍照图像与卫星图像建立超分辨率映射关系,从而获取高分辨率的卫星云图数据,由高分辨率卫星云图数据反演的辐照度相较于直接由普通卫星云图数据反演辐照度具有更高的精度。
表一 对比普通卫星反演的辐照度和天空拍照结合卫星云图反演的辐照度
上表对比的是普通卫星云图反演的辐照度与实测辐照度的均方根差和天空拍照结合卫星云图反演的辐照度与实测辐照度的均方根差,这里分别先对实测辐照度和两组反演辐照度进行均一化,再进行均方根差的计算。由上表可以看出天空拍照结合卫星云图反演的辐照度与实测辐照度的均方根差比普通卫星云图反演的辐照度与实测辐照度的均方根差小,20个站点上的对比,平均降低了均方根误差15.20%,说明天空拍照结合卫星云图制作的高分辨率卫星云图数据反演的辐照度相较于直接由普通卫星云图数据反演辐照度具有更高的精度。
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 (6)
1.一种基于天空拍照图像和卫星云图反演辐照度的方法,其特征在于,包括:
S1、对于同一区域的云量信息建立由低分辨率的卫星云图到高分辨率的天空成像图片的映射关系函数;
S2、通过该映射关系函数将原分辨率的卫星云图数据解析为预报站点周边区域的高分辨率图像数据;从所述高分辨率图像数据中获取云参数;
S3、获取数值天气预报数据;
S4、将云参数和数值天气预报数据代入辐射传输模型中求解,获得辐照度数据,包括地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。
2.根据权利要求1所述的基于天空拍照图像和卫星云图反演辐照度的方法,其特征在于,步骤S1所述映射关系函数的建立过程包括:
S101、获取高分辨率的天空成像图片,并进行图片解析;
S102、获取全球卫星图像;
S103、使用卷积神经网络对步骤S101和S102获得的图像进行图像识别;
S104、S103的图像识别后通过天空成像仪图片中的云量信息和卫星图片对于同一区域的云量信息建立由低分辨率到高分辨率映射关系。
4.一种基于天空拍照图像和卫星云图反演辐照度的系统,其特征在于,包括:
映射关系模块,用于对于同一区域的云量信息建立由低分辨率的卫星云图到高分辨率的天空成像图片的映射关系函数;
云参数获取模块,用于通过该映射关系函数将原分辨率的卫星云图数据解析为预报站点周边区域的高分辨率图像数据;从所述高分辨率图像数据中获取云参数;
天气数据模块,用于获取数值天气预报数据;
辐照度模块,将云参数和数值天气预报数据代入辐射传输模型中求解,获得辐照度数据,包括地面水平太阳辐射度、直射太阳辐射度和散射太阳辐射度。
5.根据权利要求4所述的基于天空拍照图像和卫星云图反演辐照度的系统,其特征在于,所述映射关系模块包括:
天空图片单元,用于获取高分辨率的天空成像图片,并进行图片解析;
卫星图像单元,用于获取全球卫星图像;
识别单元,用于使用卷积神经网络对天空图片单元和卫星图像单元获得的图像进行图像识别;
映射建立单元,用于识别单元识别后通过天空成像仪图片中的云量信息和卫星图片对于同一区域的云量信息建立由低分辨率到高分辨率映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110349898.3A CN113076865A (zh) | 2021-03-31 | 2021-03-31 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110349898.3A CN113076865A (zh) | 2021-03-31 | 2021-03-31 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113076865A true CN113076865A (zh) | 2021-07-06 |
Family
ID=76614723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110349898.3A Pending CN113076865A (zh) | 2021-03-31 | 2021-03-31 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076865A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110221599A1 (en) * | 2010-03-09 | 2011-09-15 | Flir Systems, Inc. | Imager with multiple sensor arrays |
US20130250104A1 (en) * | 2012-03-20 | 2013-09-26 | Global Science & Technology, Inc | Low cost satellite imaging method calibrated by correlation to landsat data |
CN103942420A (zh) * | 2014-04-08 | 2014-07-23 | 北京大学 | 一种建筑物尺度的太阳能快速估算方法 |
EP2891904A1 (en) * | 2014-01-07 | 2015-07-08 | ABB Technology AB | Solar irradiance forecasting |
CN105528500A (zh) * | 2016-01-19 | 2016-04-27 | 国家测绘地理信息局卫星测绘应用中心 | 一种分米级星载tdi ccd立体测绘相机成像仿真方法和系统 |
CN109345046A (zh) * | 2018-12-05 | 2019-02-15 | 国能日新科技股份有限公司 | 光伏功率的预测方法及装置 |
US20190340729A1 (en) * | 2018-05-07 | 2019-11-07 | Technische Universitaet Muenchen | Depth super-resolution from shading |
CN111652126A (zh) * | 2020-06-02 | 2020-09-11 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的反演辐射方法 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
KR20210026321A (ko) * | 2019-08-29 | 2021-03-10 | 주식회사 케이티 | 조도센서를 이용하여 태양광 발전소의 발전량을 예측하는 서버, 방법 및 컴퓨터 프로그램 |
CN112561181A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Unet网络和地基云图的光伏发电预测系统 |
-
2021
- 2021-03-31 CN CN202110349898.3A patent/CN113076865A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110221599A1 (en) * | 2010-03-09 | 2011-09-15 | Flir Systems, Inc. | Imager with multiple sensor arrays |
US20130250104A1 (en) * | 2012-03-20 | 2013-09-26 | Global Science & Technology, Inc | Low cost satellite imaging method calibrated by correlation to landsat data |
EP2891904A1 (en) * | 2014-01-07 | 2015-07-08 | ABB Technology AB | Solar irradiance forecasting |
CN103942420A (zh) * | 2014-04-08 | 2014-07-23 | 北京大学 | 一种建筑物尺度的太阳能快速估算方法 |
CN105528500A (zh) * | 2016-01-19 | 2016-04-27 | 国家测绘地理信息局卫星测绘应用中心 | 一种分米级星载tdi ccd立体测绘相机成像仿真方法和系统 |
US20190340729A1 (en) * | 2018-05-07 | 2019-11-07 | Technische Universitaet Muenchen | Depth super-resolution from shading |
CN109345046A (zh) * | 2018-12-05 | 2019-02-15 | 国能日新科技股份有限公司 | 光伏功率的预测方法及装置 |
KR20210026321A (ko) * | 2019-08-29 | 2021-03-10 | 주식회사 케이티 | 조도센서를 이용하여 태양광 발전소의 발전량을 예측하는 서버, 방법 및 컴퓨터 프로그램 |
CN111652126A (zh) * | 2020-06-02 | 2020-09-11 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的反演辐射方法 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN112561181A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Unet网络和地基云图的光伏发电预测系统 |
Non-Patent Citations (3)
Title |
---|
ZHIYUAN SI 等: "Hybrid Solar Forecasting Method Using Satellite Visible Images and Modified Convolutional Neural Networks", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》, vol. 57, no. 1, pages 5 - 16, XP011828357, DOI: 10.1109/TIA.2020.3028558 * |
杨德州 等: "基于改进CNN的光热电场太阳直接法向辐射预测研究", 《可再生能源》, vol. 39, no. 02, pages 182 - 188 * |
马大帅: "基于天空图像与大气传输模型的地表辐照度计算方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2019, pages 042 - 1637 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Si et al. | Hybrid solar forecasting method using satellite visible images and modified convolutional neural networks | |
CN110514298B (zh) | 一种基于地基云图的太阳辐照强度计算方法 | |
Rodríguez-Benítez et al. | Assessment of new solar radiation nowcasting methods based on sky-camera and satellite imagery | |
CN109543721B (zh) | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 | |
KR101879332B1 (ko) | 전천사진으로부터 운량을 계산하는 방법, 그 계산한 운량을 이용하여 태양광 발전량을 예측하는 방법 및 그 방법을 이용하는 구름 관측 장치 | |
US10989839B1 (en) | Ground-based sky imaging and irradiance prediction system | |
Ma et al. | An updated moving window algorithm for hourly-scale satellite precipitation downscaling: A case study in the Southeast Coast of China | |
CN113298303B (zh) | 针对气象卫星云图动态注意域的光伏功率预测方法 | |
CN108256186B (zh) | 一种在线计算查找表的逐像元大气校正方法 | |
US11983813B2 (en) | Method and system for determining solar access of a structure | |
Jiang et al. | The ultra-short-term forecasting of global horizonal irradiance based on total sky images | |
CN110376570A (zh) | 对扫描仪坐标系与imu坐标系进行标定的方法、系统和设备 | |
El Jaouhari et al. | Dual-axis solar tracker design based on a digital hemispherical imager | |
CN111652126B (zh) | 一种基于卫星云图的反演辐射方法 | |
CN116760031B (zh) | 基于气象数据的高时间分辨率光伏功率预测方法和装置 | |
Bouvier et al. | Modelling camera viewing angle deviation to improve nearshore video monitoring | |
Masoom et al. | Rooftop photovoltaic energy production management in india using earth-observation data and modeling techniques | |
CN109614649B (zh) | 一种面向华南地区桥梁的全气候热分析方法 | |
CN114266984A (zh) | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 | |
Koo et al. | Estimation and mapping of solar irradiance for korea by using COMS MI satellite images and an artificial neural network model | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
CN113076865A (zh) | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 | |
CN113836731B (zh) | 陆表稳定目标大气层顶反射率模型的构建方法和装置 | |
TW202107306A (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
Alonso-Montesinos et al. | Nowcasting System Based on Sky Camera Images to Predict the Solar Flux on the Receiver of a Concentrated Solar Plant |
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 |