CN113240208A - 光伏发电输出功率预测方法、装置及计算机可读存储介质 - Google Patents
光伏发电输出功率预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113240208A CN113240208A CN202110714220.0A CN202110714220A CN113240208A CN 113240208 A CN113240208 A CN 113240208A CN 202110714220 A CN202110714220 A CN 202110714220A CN 113240208 A CN113240208 A CN 113240208A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- remote sensing
- power generation
- processed
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 230000005855 radiation Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000013618 particulate matter Substances 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种光伏发电输出功率预测方法、装置及计算机可读存储介质。其中,方法包括预先构建样本数据库,样本数据库包括历史遥感图像数据和仿真数据,仿真数据为通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据。利用样本数据库中各样本数据及其所属云标签训练云检测神经网络模型;云标签包括有云目标和无云目标。将待处理遥感数据输入至云检测神经网络模型进行云检测,得到待处理遥感数据的云检测结果。基于具有云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,利用光伏发电预测网络模型预测光伏发电输出功率,可有效提高光伏发电预测精度,提高光伏并网容量,以达到电网要求。
Description
技术领域
本申请涉及光伏预测技术领域,特别是涉及一种光伏发电输出功率预测方法、装置及计算机可读存储介质。
背景技术
众所周知,天气和环境对于光伏发电影响极大,准确预测光伏发电功率对于光伏发电并网具有重要的意义。当再生能源在整个能源结构的占比较低时影响不大,但是随着再生能源占比逐渐增加例如达到20%、30%,发电预测的作用性就凸显出来了。只有能够准确地预测光伏发电,才能实现多能互补,有效的电网协调以及稳定、低成本的电网运营。2016年开始,各省电网调度中心陆续更新光伏电站功率预测的考核办法。大多数省份电网按日尺度考核风电场预测准确率,市场上大部分预测系统精度无法达到电网要求。各省电网调度中心制定的功率预测考核标准通常提出日功率预测准确率应优于80%,而目前浙江几十个光伏电站都无法达到考核标准。因此,在电网考核日趋严格的背景下,光伏电站预测精度急需进一步提高。
相关技术通常将光伏电站本身的历史发电信息和当地的历史天气信息作为样本数据,利用机器学习算法训练得到可反映光伏发电与天气之间关系的模型,然后结合未来天气预报的信息预测光伏电站的发电状况。如果缺乏发电站本身的历史发电数据,也可以基于本地区其它发电站的发电信息或者地区发电数据来预测该电站的发电状况。
但是,发电预测精度始终受限于天气预测数据的精度而无法满足现实电网需求。
发明内容
本申请提供了一种光伏发电输出功率预测方法、装置及计算机可读存储介质,有效提高光伏发电预测精度,提高光伏并网容量,以达到电网要求。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种光伏发电输出功率预测方法,包括:
预先利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型;所述样本数据库包括历史遥感图像数据和仿真数据,所述仿真数据为通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据;所述云标签包括有云目标和无云目标;
将待处理遥感数据输入至所述云检测神经网络模型进行云检测,得到所述待处理遥感数据的云检测结果;
基于具有所述云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,以用于预测光伏发电输出功率。
可选的,所述利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型包括:
采用辐射传输模型构建对抗网络中的生成网络和判别网络;
基于所述历史遥感数据,通过所述生成网络和所述判别网络的对抗训练,得到所述仿真数据;
对所述历史遥感数据和所述仿真数据进行云目标识别,得到相应的云标签。
可选的,所述将待处理遥感数据输入至所述云检测神经网络模型进行云检测包括:
获取所述待处理遥感数据;
通过组合空间范围域中的均值偏移对所述待处理遥感数据进行图像分割,得到所述待处理遥感数据的图像纹理特征和图像相态特征;
基于所述待处理遥感数据的图像纹理特征和图像相态特征,利用所述云检测神经网络模型进行云目标检测。
可选的,所述基于所述待处理遥感数据的图像纹理特征和图像相态特征,利用所述云检测神经网络模型进行云目标检测之后,还包括:
基于所述待处理遥感数据的图像纹理特征和图像相态特征,利用预设异常数据检测方法判断所述待处理遥感数据是否为异常数据;
若为异常数据,则删除所述待处理遥感数据;若不为异常数据,则作为所述光伏发电预测网络模型的训练样本数据。
可选的,所述利用预设异常数据检测方法判断所述待处理遥感数据是否为异常数据包括:
所述待处理遥感数据所属云标签为有云,分别计算所述待处理遥感数据在有云情况下的第一中值和第一标准差;
若满足所述第一中值与图像纹理特征值的差<容差范围*所述第一标准差或所述第一中值与图像相态特征值的差<容差范围*所述第一标准差,则所述待处理遥感数据为异常数据;
所述待处理遥感数据所属云标签为无云,分别计算所述待处理遥感数据在无云情况下的第二中值和第二标准差;
若满足所述第二中值与图像纹理特征值的差<容差范围*所述第二标准差或所述第二中值与图像相态特征值的差<容差范围*所述第二标准差,则所述待处理遥感数据为异常数据。
可选的,所述基于具有所述云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型包括:
将具有所述云检测结果的待处理遥感数据、风速数据、温度数据、相对湿度数据和颗粒物浓度数据作为输入变量,光伏发电的输出功率作为输出变量,基于深度学习算法训练所述光伏发电预测网络模型。
本发明实施例另一方面提供了一种光伏发电输出功率预测装置,包括:
云检测模型预构建模块,用于预先利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型;所述样本数据库包括历史遥感图像数据和仿真数据,所述仿真数据为通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据;所述云标签包括有云目标和无云目标;
云检测模块,用于将待处理遥感数据输入至所述云检测神经网络模型进行云检测,得到所述待处理遥感数据的云检测结果;
光伏发电预测模块,用于基于具有所述云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,以用于预测光伏发电输出功率。
可选的,所述云检测模型预构建模块包括样本数据库构建子模块和云识别子模块;
所述样本数据库构建子模块用于采用辐射传输模型构建对抗网络中的生成网络和判别网络;基于所述历史遥感数据,通过所述生成网络和所述判别网络的对抗训练,得到所述仿真数据;
所述云识别子模块用于对所述历史遥感数据和所述仿真数据进行云目标识别,得到相应的云标签。
本发明实施例还提供了一种光伏发电输出功率预测装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述光伏发电输出功率预测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有光伏发电输出功率预测程序,所述光伏发电输出功率预测程序被处理器执行时实现如前任一项所述光伏发电输出功率预测方法的步骤。
本申请提供的技术方案的优点在于,先构建可识别遥感数据中是否存在云的云检测神经网络模型,由于大气中云对于短波下行辐射的影响至关重要,云的存在会影响光伏发电输出功率,利用对气象和环境信息中的云层信息进行精确检测后的高分卫星遥感数据构建用于预测光伏发电的模型,从而可提高区域气象和环境信息的预测精度,进而提升光伏发电输出功能的预测精度,提高光伏并网容量,以达到电网要求。
此外,本发明实施例还针对光伏发电输出功率预测方法提供了相应的实现装置及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,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获得其他的附图。
图1为本发明实施例提供的一种光伏发电输出功率预测方法的流程示意图;
图2为本发明实施例提供的另一种光伏发电输出功率预测方法的流程示意图;
图3为本发明实施例提供的再一种光伏发电输出功率预测方法的流程示意图;
图4为本发明实施例提供的光伏发电输出功率预测装置的一种具体实施方式结构图;
图5为本发明实施例提供的光伏发电输出功率预测装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种光伏发电输出功率预测方法的流程示意图,本发明实施例可包括以下内容:
S101:预先利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型。
由于大气中云的存在,其对于短波下行辐射的影响至关重要,是光伏发电输出功率的决定性因素之一。所以用于构建预测光伏发电的模型的遥感图像数据是否为云目标数据对预测精度影响较大,本步骤的云检测神经网络模型用于检测遥感图像数据中是否有云。其中,遥感图像数据可通过卫星获取,国产高分系列卫星可以提供高时间分辨率的凝视观测,时间分辨率为分钟级;可以提供高空间分辨率,达到亚米级;提供高光谱分辨率,在可见光区间提供数十个谱段。这些卫星遥感的特性,为高精度的云检测提供了重要支持。
可以理解的是,基于深度学习算法训练所得的神经网络模型的精度在一定范围内随着训练样本数据的增加而增大,而由于历史遥感图像数据量不足,历史遥感图像数据为真实观测获得的遥感卫星图像,以及公开的数据集。本申请的样本数据库中的样本数据除了包括历史遥感图像数据,还包括模拟所得的仿真数据,仿真数据是通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据。作为一种可选的实施方式,本申请的仿真数据可基于辐射传输模拟和生成对抗网络来构建,具体的,可先采用辐射传输模型构建对抗网络中的生成网络和判别网络,利用辐射传输模型开展辐射传输模拟。然后再基于历史遥感数据,通过生成网络和判别网络的对抗训练,得到仿真数据。也就是说,本实施例采用历史遥感图像数据、辐射传输模拟和生成对抗网络构建云检测的样本数据库,并对该样本数据库中的云目标数据进行识别。采用辐射传输模型构建对抗网络中的生成网络和判别网络;通过生成网络和判别网络的对抗训练,生成云检测的样本数据库。本实施例中,部分样本数据来源于历史的遥感数据库,以及公开的数据库。但是这些数据库中包含的数据量无法达到深度学习的样本要求,因此采用辐射传输模拟与对抗网络来实现样本的模拟生成。生成对抗网络包括生成网络和判别网络,生成网络负责生成尽可能地以假乱真的样本,被称为生成器;判别网络,负责判断样本是真实的,还是由生成器生成的,被称为判别器。生成器和判别器的互相博弈,就完成了对抗训练。用辐射传输模型构建生成对抗网络中的生成网络和判别网络,生成网络和判别网络同时也都处于不断学习的过程,以实现更加有效地对抗训练。
本实施例在训练云检测神经网络模型之前,需要对样本数据库中的各样本数据进行云目标识别,得到相应的云标签。所谓的云目标识别即是判断样本数据为有云数据还是无云数据,相应的云标签为有云目标或无云目标。对该样本数据库中的云目标数据进行识别的标准可为:计算每个样本数据的评判参数值,评判参数值包括但并不限制于反射率、白度、归一化植被指数和目标面积,判断每个样本数据的各评判参数值是否在相应预设标准阈值范围内,各评判参数值的预测标准阈值范围为:反射率>0.3、白度<0.6、归一化植被指数<0.05、目标面积>1km2。可将各评判参数值均在相应预设标准阈值范围内的样本数据判定为有云。其中,反射率是红光波段、蓝光波段、以及绿光波段的反射率,白度可以通过卫星遥感的红光波段、蓝光波段、以及绿光波段通过计算得出,归一化植被指数(NDVI)与近红外波段、红光波段和蓝光波段的反射率有关。只有当上述所有条件都满足,才会选择云目标进行训练。这些阈值是限制的,并试图确保云目标更准确的训练。如果没有目标被选定为云,这个图像全部目标被分类为无云。红外波段的亮度差异,也可以作为云分类的特征。红外波段影像上的色调分布反映的是地面、云顶的亮度温度分布。根据斯特波-玻尔兹曼(Stefan-Boltzmann)定律可知:物体的红外辐射能量是由物体的比辐射率和其自身温度决定的。同一种物体的比辐射率虽然会随着波长的变化而变化,但变化很小。由于云自身温度及比辐射率都较低,因此向外辐射的能量较少,最终在红外波段中表现出较低的亮度温度,色调较暗。同样,云顶高度也会影响云在影像中的色调,这是因为与地面越接近的云,温度越高,色调与地表近似不易区分,相反云顶越高,色调越暗。为了提高检测精度,还可同时进行人工判读,也即利用人工去判断云目标识别后的识别结果是否准确,最终生成各样本数据的标签。本实施例选择满足以上各条件对应阈值并且采用人工判读等手段获得的云目标数据作为对神经网络模型进行训练的数据,最后利用样本数据块库中识别后的数据对神经网络模型进行训练以获取云检测神经网络模型。
S102:将待处理遥感数据输入至云检测神经网络模型进行云检测,得到待处理遥感数据的云检测结果。
待处理遥感数据为直接从卫星遥感中获取的数据,利用卫星遥感具有时空分辨率高、覆盖范围广、数据传输准确高效等诸多优点,能够定量获得区域气象和环境信息,从而在光伏预测系统中,并将其用于光伏发电的功率预测中。在构建光伏发电预测网络模型之前,先对直接获取的遥感图像数据进行云检测,也即判断待处理遥感数据为有云遥感数据还是无云遥感数据,云检测结果即为待处理遥感数据为有云遥感数据或无云遥感数据。
S103:基于具有云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,以用于预测光伏发电输出功率。
在得到当前获取的遥感数据的云检测结果后,结合环境气象数据构建模型,环境气象数据包括但并不限制于风速数据、温度数据、相对湿度数据和颗粒物浓度数据等,也即将具有云检测结果的待处理遥感数据、风速数据、温度数据、相对湿度数据和颗粒物浓度数据作为输入变量,光伏发电的输出功率作为输出变量,基于深度学习算法训练光伏发电预测网络模型。如果待处理遥感数据的数据量较多,可先对待处理遥感数据基于有云还是无云进行分类。影响光伏发电功率的因素众多,各因素之间相互影响,存在线性相关性,寻找一种准确表达光伏输出功率和影响因子之间的数学表达式存在较大的困难。而神经网络因其具有自我识别、自我组织、拟合任意非线性函数等优点,被广泛应用在非线性预测等技术领域。研究发现,光伏发电输出功率主要受光照、温度、湿度、风速、云、颗粒物等气象因素以及地理环境、气候环境、安装环境等其他因素的影响。本实施例中选择了云检测遥感数据、风速数据、温度数据、相对湿度数据和颗粒物浓度数据等环境和气象数据作为神经网络的输入变量,通过经过训练的神经网络模型进行光伏发电输出功率的预测。
在本发明实施例提供的技术方案中,先构建可识别遥感数据中是否存在云的云检测神经网络模型,由于大气中云对于短波下行辐射的影响至关重要,云的存在会影响光伏发电输出功率,利用对气象和环境信息中的云层信息进行精确检测后的高分卫星遥感数据构建用于预测光伏发电的模型,从而可提高区域气象和环境信息的预测精度,进而提升光伏发电输出功能的预测精度,提高光伏并网容量,以达到电网要求。
为了进一步提高光伏发电输出功率的预测精度,本申请在获取云检测遥感数据之后,还可对待处理遥感数据进行预处理,从而提高云识别精度,然后基于预处理后的云检测遥感数据,利用云检测神经网络模型进行云检测以进行目标分类,如图2所示,可包括下述内容:
获取待处理遥感数据。
通过组合空间范围域中的均值偏移对待处理遥感数据进行图像分割,得到待处理遥感数据的图像纹理特征和图像相态特征。
基于待处理遥感数据的图像纹理特征和图像相态特征,利用云检测神经网络模型进行云目标检测。
本实施例的通过对遥感数据进行预处理,可以采用训练好的神经网络模型进行这些目标对象的识别分类,而不是逐个像元进行分类识别,这样可以提高识别的精度,并且基于目标面积>1km2这个检测指标,避免目标识别结果的碎片化。
可以理解的是,对云目标分类后的真实的云检测遥感数据并不一定与所属类别相同,也即云检测结果为有云的遥感数据,其并不是真正的有云遥感数据,云检测结果为无云的遥感数据,其并不是真正的无云遥感数据,如果用于训练光伏发电预测网络模型的样本数据中含有一部分云检测结果不准确的遥感数据,势必对造成光伏发电预测网络模型的预测精度降低,基于此,本申请还可提供了异常数据筛选的实施例,请参阅图3,具体可包括下述内容:
基于待处理遥感数据的图像纹理特征和图像相态特征,利用预设异常数据检测方法判断待处理遥感数据是否为异常数据;
若为异常数据,则删除待处理遥感数据;若不为异常数据,则作为光伏发电预测网络模型的训练样本数据。
采用异常数据筛选后的遥感数据,结合环境和气象数据,构建光伏发电输出功率预测的神经网络模型,并采用该神经网络模型进行光伏发电输出功率预测。
在上述实施例中,对于如何执行异常数据筛选步骤并不做限定,本实施例中给出异常数据筛选方法,可包括:
待处理遥感数据所属云标签为有云,分别计算待处理遥感数据在有云情况下的第一中值和第一标准差;
若满足第一中值与图像纹理特征值的差<容差范围*第一标准差或第一中值与图像相态特征值的差<容差范围*第一标准差,则待处理遥感数据为异常数据;
待处理遥感数据所属云标签为无云,分别计算待处理遥感数据在无云情况下的第二中值和第二标准差;
若满足第二中值与图像纹理特征值的差<容差范围*第二标准差或第二中值与图像相态特征值的差<容差范围*第二标准差,则待处理遥感数据为异常数据。
在本实施例中,如果待处理遥感数据的数据量较多,且对每个待处理遥感数据进行目标分类,则可根据对每个待处理遥感数据预处理步骤得到的纹理特征和相态特征,分别计算有云情况和无云情况下的中值和标准差;对目标分类后的每一组遥感数据的纹理特征和相态特征进行测试,如果其中任意一个特征值满足如下条件,则认为该组数据检测结果无效,不应该被检测为云:绝对值(该特征的中值-特征值)<容差范围×该特征的标准差。
其中,纹理特征已经在各类图像检索和图像分类中得到了广泛应用。纹理是由灰度分布在图像中的空间位置上不断反复出现而形成的,图像空间中存在某种距离的两个像素之间就会存在一定的灰度关系,这就是图像中灰度的空间相关性。和无云目标被检测为云目标的中值相比,无云目标特征偏离多倍的标准差,并且和云目标的中值相比,无云目标是那些偏离标准差多倍的目标。通过图像的时间序列计算多云和无云目标的中值和标准差,这可以反映出无云和有云目标的一般纹理和相态特征。对于不同目标组中的重复目标,只有当它们在所有目标组中都检测为异常值时才将它们检测为异常值。
综上所述,本实施例采用云检测神经网络模型对云检测遥感数据进行目标分类检测,并通过异常数据筛选步骤对目标分类检测的结果进行进一步精确,然后将该筛选后的云检测数据与风速数据、相对湿度数据等环境和气象数据作为输入变量,对光伏发电输出功率进行预测。通过综合云检测数据、风速数据、温度数据、相对湿度数据和颗粒物浓度数据等环境和气象数据,对光伏发电的功率进行预测,利用了卫星遥感具有时空分辨率高、覆盖范围广、数据传输准确高效等诸多优点,能够定量获得区域空间信息,通过在光伏预测方法与装置中引入高精度的卫星遥感数据,可以有效提升预测精度、提高光伏并网容量,以达到电网要求。
此外,在构建光伏发电预测网络模型时,还可通过获得足量的光伏发电系统的底层物理信息,比如设计参数、组件类型、安装倾角等等,来提高光伏发电系统在某种气象条件和地形条件下的发电预测准确度和效率。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1-图3只是一种示意方式,并不代表只能是这样的执行顺序。
本发明实施例还针对光伏发电输出功率预测方法提供了相应的装置,进一步使得所述方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的光伏发电输出功率预测装置进行介绍,下文描述的光伏发电输出功率预测装置与上文描述的光伏发电输出功率预测方法可相互对应参照。
基于功能模块的角度,参见图4,图4为本发明实施例提供的光伏发电输出功率预测装置在一种具体实施方式下的结构图,该装置可包括:
云检测模型预构建模块401,用于预先利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型;样本数据库包括历史遥感图像数据和仿真数据,仿真数据为通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据;云标签包括有云目标和无云目标。
云检测模块402,用于将待处理遥感数据输入至云检测神经网络模型进行云检测,得到待处理遥感数据的云检测结果。
光伏发电预测模块403,用于基于具有云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,以用于预测光伏发电输出功率。
可选的,在本实施例的一些实施方式中,上述云检测模型预构建模块401可以包括样本数据库构建子模块和云识别子模块;
样本数据库构建子模块用于采用辐射传输模型构建对抗网络中的生成网络和判别网络;基于历史遥感数据,通过生成网络和判别网络的对抗训练,得到仿真数据;
云识别子模块用于对历史遥感数据和仿真数据进行云目标识别,得到相应的云标签。
可选的,在本实施例的另一些实施方式中,上述云检测模块402可以进一步包括:
数据获取子模块,用于获取待处理遥感数据;
图像预处理子模块,用于通过组合空间范围域中的均值偏移对待处理遥感数据进行图像分割,得到待处理遥感数据的图像纹理特征和图像相态特征;
云目标识别子模块,用于基于待处理遥感数据的图像纹理特征和图像相态特征,利用云检测神经网络模型进行云目标检测。
作为一种可选的实施方式,上述装置例如还可包括异常数据筛选模块,用于基于待处理遥感数据的图像纹理特征和图像相态特征,利用预设异常数据检测方法判断待处理遥感数据是否为异常数据;若为异常数据,则删除待处理遥感数据;若不为异常数据,则作为光伏发电预测网络模型的训练样本数据。
作为本实施例的一种可选的实施方式,上述异常数据筛选模块可进一步用于待处理遥感数据所属云标签为有云,分别计算待处理遥感数据在有云情况下的第一中值和第一标准差;若满足第一中值与图像纹理特征值的差<容差范围*第一标准差或第一中值与图像相态特征值的差<容差范围*第一标准差,则待处理遥感数据为异常数据;待处理遥感数据所属云标签为无云,分别计算待处理遥感数据在无云情况下的第二中值和第二标准差;若满足第二中值与图像纹理特征值的差<容差范围*第二标准差或第二中值与图像相态特征值的差<容差范围*第二标准差,则待处理遥感数据为异常数据。
作为另一种可选的实施方式,上述光伏发电预测模块403可进一步用于将具有云检测结果的待处理遥感数据、风速数据、温度数据、相对湿度数据和颗粒物浓度数据作为输入变量,光伏发电的输出功率作为输出变量,基于深度学习算法训练光伏发电预测网络模型。
本发明实施例所述光伏发电输出功率预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效提高光伏发电预测精度,提高光伏并网容量,以达到电网要求。
上文中提到的光伏发电输出功率预测装置是从功能模块的角度描述,进一步的,本申请还提供一种光伏发电输出功率预测装置,是从硬件角度描述。图5为本申请实施例提供的另一种光伏发电输出功率预测装置的结构图。如图5所示,该装置包括存储器50,用于存储计算机程序;处理器51,用于执行计算机程序时实现如上述任一实施例提到的光伏发电输出功率预测方法的步骤。
其中,处理器51可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器51可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器51也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器51可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器51还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器50可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器50还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器50至少用于存储以下计算机程序501,其中,该计算机程序被处理器51加载并执行之后,能够实现前述任一实施例公开的光伏发电输出功率预测方法的相关步骤。另外,存储器50所存储的资源还可以包括操作系统502和数据503等,存储方式可以是短暂存储或者永久存储。其中,操作系统502可以包括Windows、Unix、Linux等。数据503可以包括但不限于光伏发电输出功率预测结果对应的数据等。
在一些实施例中,光伏发电输出功率预测装置还可包括有显示屏52、输入输出接口53、通信接口54、电源55以及通信总线56。
本领域技术人员可以理解,图5中示出的结构并不构成对光伏发电输出功率预测装置的限定,可以包括比图示更多或更少的组件,例如还可包括传感器57。
本发明实施例所述光伏发电输出功率预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效提高光伏发电预测精度,提高光伏并网容量,以达到电网要求。
可以理解的是,如果上述实施例中的光伏发电输出功率预测方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种计算机可读存储介质,存储有光伏发电输出功率预测程序,所述光伏发电输出功率预测程序被处理器执行时如上任意一实施例所述光伏发电输出功率预测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效提高光伏发电预测精度,提高光伏并网容量,以达到电网要求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种光伏发电输出功率预测方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种光伏发电输出功率预测方法,其特征在于,包括:
预先利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型;所述样本数据库包括历史遥感图像数据和仿真数据,所述仿真数据为通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据;所述云标签包括有云目标和无云目标;
将待处理遥感数据输入至所述云检测神经网络模型进行云检测,得到所述待处理遥感数据的云检测结果;
基于具有所述云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,以用于预测光伏发电输出功率。
2.根据权利要求1所述的光伏发电输出功率预测方法,其特征在于,所述利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型包括:
采用辐射传输模型构建对抗网络中的生成网络和判别网络;
基于所述历史遥感数据,通过所述生成网络和所述判别网络的对抗训练,得到所述仿真数据;
对所述历史遥感数据和所述仿真数据进行云目标识别,得到相应的云标签。
3.根据权利要求1所述的光伏发电输出功率预测方法,其特征在于,所述将待处理遥感数据输入至所述云检测神经网络模型进行云检测包括:
获取所述待处理遥感数据;
通过组合空间范围域中的均值偏移对所述待处理遥感数据进行图像分割,得到所述待处理遥感数据的图像纹理特征和图像相态特征;
基于所述待处理遥感数据的图像纹理特征和图像相态特征,利用所述云检测神经网络模型进行云目标检测。
4.根据权利要求3所述的光伏发电输出功率预测方法,其特征在于,所述基于所述待处理遥感数据的图像纹理特征和图像相态特征,利用所述云检测神经网络模型进行云目标检测之后,还包括:
基于所述待处理遥感数据的图像纹理特征和图像相态特征,利用预设异常数据检测方法判断所述待处理遥感数据是否为异常数据;
若为异常数据,则删除所述待处理遥感数据;若不为异常数据,则作为所述光伏发电预测网络模型的训练样本数据。
5.根据权利要求4所述的光伏发电输出功率预测方法,其特征在于,所述利用预设异常数据检测方法判断所述待处理遥感数据是否为异常数据包括:
所述待处理遥感数据所属云标签为有云,分别计算所述待处理遥感数据在有云情况下的第一中值和第一标准差;
若满足所述第一中值与图像纹理特征值的差<容差范围*所述第一标准差或所述第一中值与图像相态特征值的差<容差范围*所述第一标准差,则所述待处理遥感数据为异常数据;
所述待处理遥感数据所属云标签为无云,分别计算所述待处理遥感数据在无云情况下的第二中值和第二标准差;
若满足所述第二中值与图像纹理特征值的差<容差范围*所述第二标准差或所述第二中值与图像相态特征值的差<容差范围*所述第二标准差,则所述待处理遥感数据为异常数据。
6.根据权利要求1至5任意一项所述的光伏发电输出功率预测方法,其特征在于,所述基于具有所述云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型包括:
将具有所述云检测结果的待处理遥感数据、风速数据、温度数据、相对湿度数据和颗粒物浓度数据作为输入变量,光伏发电的输出功率作为输出变量,基于深度学习算法训练所述光伏发电预测网络模型。
7.一种光伏发电输出功率预测装置,其特征在于,包括:
云检测模型预构建模块,用于预先利用样本数据库及各样本数据所属云标签训练得到云检测神经网络模型;所述样本数据库包括历史遥感图像数据和仿真数据,所述仿真数据为通过模拟各种潜在气象条件下可能产生的变化以获得相对真实情况下的数据;所述云标签包括有云目标和无云目标;
云检测模块,用于将待处理遥感数据输入至所述云检测神经网络模型进行云检测,得到所述待处理遥感数据的云检测结果;
光伏发电预测模块,用于基于具有所述云检测结果的待处理遥感数据、环境和气象数据构建光伏发电预测网络模型,以用于预测光伏发电输出功率。
8.根据权利要求7所述的光伏发电输出功率预测装置,其特征在于,所述云检测模型预构建模块包括样本数据库构建子模块和云识别子模块;
所述样本数据库构建子模块用于采用辐射传输模型构建对抗网络中的生成网络和判别网络;基于所述历史遥感数据,通过所述生成网络和所述判别网络的对抗训练,得到所述仿真数据;
所述云识别子模块用于对所述历史遥感数据和所述仿真数据进行云目标识别,得到相应的云标签。
9.一种光伏发电输出功率预测装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6任一项所述光伏发电输出功率预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有光伏发电输出功率预测程序,所述光伏发电输出功率预测程序被处理器执行时实现如权利要求1至6任一项所述光伏发电输出功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714220.0A CN113240208B (zh) | 2021-06-25 | 2021-06-25 | 光伏发电输出功率预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714220.0A CN113240208B (zh) | 2021-06-25 | 2021-06-25 | 光伏发电输出功率预测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240208A true CN113240208A (zh) | 2021-08-10 |
CN113240208B CN113240208B (zh) | 2023-06-30 |
Family
ID=77140967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714220.0A Active CN113240208B (zh) | 2021-06-25 | 2021-06-25 | 光伏发电输出功率预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240208B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285091A (zh) * | 2021-12-24 | 2022-04-05 | 国网江苏省电力有限公司盐城供电分公司 | 一种包含多个光伏发电的区域电网数据采集异常检测方法 |
CN116070530A (zh) * | 2023-03-07 | 2023-05-05 | 国网天津市电力公司城西供电分公司 | 一种基于数据驱动的电网建模实时仿真方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
CN112200787A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112615366A (zh) * | 2020-12-08 | 2021-04-06 | 国网湖南省电力有限公司 | 光伏功率突变预测方法及系统 |
CN112801184A (zh) * | 2021-01-28 | 2021-05-14 | 江苏中信博新能源科技股份有限公司 | 一种云跟踪方法、系统及装置 |
-
2021
- 2021-06-25 CN CN202110714220.0A patent/CN113240208B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
CN112200787A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112615366A (zh) * | 2020-12-08 | 2021-04-06 | 国网湖南省电力有限公司 | 光伏功率突变预测方法及系统 |
CN112801184A (zh) * | 2021-01-28 | 2021-05-14 | 江苏中信博新能源科技股份有限公司 | 一种云跟踪方法、系统及装置 |
Non-Patent Citations (5)
Title |
---|
曹潇等: "基于地基云图分析的光伏功率预测系统设计", 《电力信息化》 * |
朱清等: "基于生成式对抗网络的遥感影像云检测方法", 《地理空间信息》 * |
林琳等: "一种基于神经网络的天空图像到太阳辐照度的映射模型", 《电子测量技术》 * |
陈志宝等: "地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型", 《中国电机工程学报》 * |
陈志宝等: "基于地基云图的光伏功率超短期预测模型", 《电力系统自动化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285091A (zh) * | 2021-12-24 | 2022-04-05 | 国网江苏省电力有限公司盐城供电分公司 | 一种包含多个光伏发电的区域电网数据采集异常检测方法 |
CN114285091B (zh) * | 2021-12-24 | 2024-01-26 | 国网江苏省电力有限公司盐城供电分公司 | 一种包含多个光伏发电的区域电网数据采集异常检测方法 |
CN116070530A (zh) * | 2023-03-07 | 2023-05-05 | 国网天津市电力公司城西供电分公司 | 一种基于数据驱动的电网建模实时仿真方法及装置 |
CN116070530B (zh) * | 2023-03-07 | 2023-06-27 | 国网天津市电力公司城西供电分公司 | 一种基于数据驱动的电网建模实时仿真方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113240208B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amatya et al. | Landslide mapping using object-based image analysis and open source tools | |
Vos et al. | CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery | |
WO2021258758A1 (zh) | 一种基于多因素的海岸线变化识别方法 | |
Taubenböck et al. | Object-based feature extraction using high spatial resolution satellite data of urban areas | |
Jochem et al. | Identifying residential neighbourhood types from settlement points in a machine learning approach | |
Zhang et al. | Detecting horizontal and vertical urban growth from medium resolution imagery and its relationships with major socioeconomic factors | |
Park et al. | Detection of tropical cyclone genesis via quantitative satellite ocean surface wind pattern and intensity analyses using decision trees | |
Essery et al. | Radiative transfer modeling of a coniferous canopy characterized by airborne remote sensing | |
Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
CN112990086A (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
CN113240208B (zh) | 光伏发电输出功率预测方法、装置及计算机可读存储介质 | |
Cintineo et al. | A deep-learning model for automated detection of intense midlatitude convection using geostationary satellite images | |
Hamedianfar et al. | Integrated approach using data mining-based decision tree and object-based image analysis for high-resolution urban mapping of WorldView-2 satellite sensor data | |
CN113378785A (zh) | 森林类型识别方法及装置 | |
Aburas et al. | Measuring and mapping urban growth patterns using remote sensing and GIS techniques | |
CN115272848A (zh) | 多云多雾耕地保护区内建筑物智能变化检测方法 | |
Hu et al. | What you get is not always what you see—pitfalls in solar array assessment using overhead imagery | |
Sadeghi et al. | Design and implementation of an expert system for updating thematic maps using satellite imagery (case study: changes of Lake Urmia) | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Anand et al. | The potential of remote sensing and GIS in urban building energy modelling | |
Michałowska et al. | Tree position estimation from TLS data using hough transform and robust least-squares circle fitting | |
Meyer et al. | Revealing the potential of spectral and textural predictor variables in a neural network-based rainfall retrieval technique |
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 |