CN115457389A - 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 - Google Patents

基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 Download PDF

Info

Publication number
CN115457389A
CN115457389A CN202211095046.7A CN202211095046A CN115457389A CN 115457389 A CN115457389 A CN 115457389A CN 202211095046 A CN202211095046 A CN 202211095046A CN 115457389 A CN115457389 A CN 115457389A
Authority
CN
China
Prior art keywords
space
solar radiation
time
cloud
cloud picture
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
CN202211095046.7A
Other languages
English (en)
Other versions
CN115457389B (zh
Inventor
臧海祥
刘璟璇
张越
李叶阳
孙国强
朱瑛
周亦洲
黄蔓云
韩海腾
陈�胜
卫志农
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202211095046.7A priority Critical patent/CN115457389B/zh
Publication of CN115457389A publication Critical patent/CN115457389A/zh
Application granted granted Critical
Publication of CN115457389B publication Critical patent/CN115457389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统，方法包括：通过Cuboid稀疏时空特征描述子提取待预测时刻前第一时间段内的连续灰度地基云图的隐藏特征，形成时空特征描述向量；通过空间金字塔池化网络对时空特征描述向量进行编码，得到云图动态编码特征；通过密集连接卷积网络对待预测时刻前第二时间段内的RGB色彩地基云图进行特征提取，得到云图静态编码特征，其中第二时间段小于第一时间段；将两种特征与历史数据进行融合，通过多层感知机，输出太阳辐射预测值。本发明显著提高了超短期太阳辐射预测精度。

Description

基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统
技术领域
本发明涉及可再生能源开发利用技术领域，具体涉及一种基于稀疏时空特征描述子的超短期太阳辐射预测方法及装置。
背景技术
在应对全球气候变化与实现全球经济社会可持续发展方面，含新能源的智能电网的建设正扮演越来越重要的作用。太阳能发电作为一种无污染、低维护成本、高耐用性的可再生能源发电形式，在国际社会得到了普遍关注。
太阳辐射作为影响光伏功率的重要因素，其间歇性和波动性导致的光伏输出功率波动，影响了对电网的安全稳定控制，进而限制了其大规模应用。因此，有必要运用太阳辐射超短期预测成果，减少电网备用储备和辅助成本，提升电网电能质量，进而提升电网安全稳定运行控制水平。
数据来源是影响数据驱动的太阳辐射预测模型的重要因素。常规的基于历史太阳辐射与数值天气预报数据的预测模型受到数据精度与算法原理的制约，难以适应超短期时间尺度的预测要求。而地基云图数据的引入，使得准确预测太阳辐射爬坡、跌落等事件成为可能。然而，如何高效提取地基云图数据中的时空特征，进而提升预测模型对于太阳辐射突变预测的能力，是当前可再生能源利用的难点。
发明内容
发明目的：本发明的目是提供一种基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统，克服上述太阳辐射预测技术的难点。
技术方案：为了实现上述发明目的，本发明提出的基于稀疏时空特征描述子的超短期太阳辐射预测方法，包括以下步骤：
(1)通过Cuboid稀疏时空特征描述子提取待预测时刻前第一时间段内的连续灰度地基云图的隐藏特征，形成时空特征描述向量；
(2)通过空间金字塔池化网络对时空特征描述向量进行编码，得到云图动态编码特征；
(3)通过密集连接卷积网络对待预测时刻前第二时间段内的RGB色彩地基云图进行特征提取，得到云图静态编码特征，其中第二时间段小于第一时间段；
(4)将云图动态编码特征、云图静态编码特征与历史数据进行融合，通过多层感知机，输出太阳辐射预测值，用以预测未来10分钟至30分钟的太阳辐射，其中所述历史数据包括历史太阳辐射数据和历史气象数据。
进一步地，所述步骤(1)包括以下步骤：
(1.1)应用可分离线性滤波器对连续灰度云图进行时空滤波，搜寻局部最大值的点作为潜在的兴趣点，对每一个检测出的潜在兴趣点，提取包含时空窗口像素值的长方体；
(1.2)通过非极大值抑制方法决定保留有效的Cuboid描述子；
(1.3)基于Farneback稠密光流计算方法，对有效的Cuboid描述子进行由像素点至光流图的逐帧转化；
(1.4)将每个有效的Cuboid描述子展开平铺成一维向量，在各个样本内聚合平铺得到的一维向量，最后得到一个二维的描述向量来表征提取得到的时空特征。
进一步地，所述步骤(1.3)包括：首先计算Coboid邻帧Farneback光流场，然后将x轴向与y轴向的光流场融合，其中Farneback光流场的计算包括：
将地基云图用二次多项式来近似表示：I(X)～XTAX+bTX+c，其中，X指的是像素的空间位置表示(x,y)T，A、b、c为二次多项式系数；
基于相邻云图的亮度不变性假设，匹配相邻帧云图的二次多项式系数，并作实用性调整：
I1(X)≈I2(X)
Figure BDA0003832426200000021
Figure BDA0003832426200000022
由此得到Farneback稠密光流计算方法的目标函数，其函数公式为：
Figure BDA0003832426200000023
对目标函数进行梯度下降，得到连续云图流帧间的稠密光流解。
进一步地，所述步骤(2)包括：
(2.1)空间金字塔池化网络接收所述时空特征描述向量作为输入，通过卷积网络使其缩放到合适的尺寸；
(2.2)对缩放得到的特征向量分别经过三种等级的金字塔池化；
(2.3)将池化后的向量融合成具有固定尺寸的特征向量，作为云图动态编码特征Fdynamic。
进一步地，所述步骤(3)包括：
(3.1)将预测时刻前第二时间段内RGB云图作为密集连接卷积网络的输入X0，对于后续连接的第l层，接受前面所有层X0,X1...,Xl-1作为输入，计算公式为：
Xl＝Hl([X0,X1...,Xl-1])
其中[X0,X1...,Xl-1]指的是第0,1...,l-1层的特征的融合结果，所述的密集连接卷积网络定义Hl(·)为三个连续运算的复合函数：批处理归一化，线性校正单元，和一个3×3卷积；
(3.2)将密集连接卷积网络的输出Xl，作为云图静态编码特征Fstatic。
进一步地，所述步骤(4)中多层感知机模型的计算公式为：
Figure BDA0003832426200000031
其中，
Figure BDA0003832426200000032
为输出的太阳辐射预测值，f(·)为激活函数，[]为融合操作，w为多层感知机隐藏层的权重，Fdynamic,Fstatic,Xhis分别为云图动态编码特征、云图静态编码特征、历史数据，b为偏置。
进一步地，所述地基云图来自采用无遮挡臂鱼眼镜头的全天空成像仪ASI-16，数据颗粒度为10分钟，图像分辨率为300×300像素，所述第一时间段为160分钟，所述第二时间段为10分钟。
本发明还提供一种基于稀疏时空特征描述子的超短期太阳辐射预测系统，包括编码模块和解码模块，其中，编码模块包括三个特征编码通道：云图动态特征通道，云图静态特征通道，历史数据通道，其中，云图动态特征通道接受预测时刻前第一时间段内的连续灰度云图，通过稀疏时空特征提取得到时空特征描述子，输入空间金字塔池化网络得到云图动态编码特征；云图静态特征通道接受预测时刻前第二时间段内RGB云图，输入密集连接卷积网络得到云图静态编码特征，其中第二时间段小于第一时间段；历史数据通道接受历史太阳辐射数据与历史气象数据，其中，解码模块将编码模块三个通道得到的编码特征融合后，通过多层感知机得到模型的预测输出，用以预测未来10分钟至30分钟的太阳辐射。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于稀疏时空特征描述子的超短期太阳辐射预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于稀疏时空特征描述子的超短期太阳辐射预测方法的步骤。
有益效果：
1、本发明基于稀疏时空特征描述子的超短期太阳辐射预测方法，有效提取地基云图流的稀疏时空特征，着力弥补现有技术对于地基云图时空隐含特征提取不足，致使预测模型在超短期时间尺度预测性能不佳的问题。
2、本发明提出的端到端深度学习框架，能够高效提取并融合地基云图数据的动态和静态特征，实现提前10～30分钟的太阳辐射的准确预测任务。
3、本发明基于太阳辐射预测误差以及太阳辐射突变预报能力两个角度，提升模型性能，贴合电网经济安全调度实际，可应用于部署全天空成像仪的光伏电站，提升太阳能资源利用水平，缓解太阳辐射随机性与波动性对电网的冲击，满足电网监控与经济安全调控的需求。
附图说明
图1为本发明的太阳辐射预测方法流程示意图；
图2为本发明提出的稀疏时空特征描述子的流程示意图；
图3为本发明采用的时空特征提取模块-视觉转换功能的示意图；
图4为本发明采用的空间金字塔池化网络的示意图；
图5为本发明采用的密集连接卷积网络的示意图；
图6为本发明实施例中采用时空特征提取模块得到的效果图；
图7为本发明实施例中采用所提方法的预测结果时序拟合展示图；
图8为本发明实施例中采用所提方法的太阳辐射突变预报分析展示图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明的基于稀疏时空特征描述子的超短期太阳辐射预测方法，包括编码阶段和解码阶段，编码阶段通过云图动态特征通道、云图静态特征通道、历史数据通道三个特征通道提取三种特征，解码阶段接受来自编码阶段三个特征通道的特征，融合特征后，通过多层感知器得到待预测的太阳辐射值，作为模型的输出。
其中，云图动态特征通道的处理过程如下：接受待预测时刻前第一时间段内的连续灰度地基云图，通过Cuboid稀疏时空特征描述子提取时空特征，形成描述向量；然后，空间金字塔池化将时空特征描述向量作为输入，将尺寸各异的时空特征描述向量表征为固定尺寸的云图动态编码特征。
云图静态特征通道的处理过程如下：接受待预测时刻前第二时间段内的RGB地基云图，通过密集连接卷积网络提取隐形特征，表征为云图静态编码特征。
历史数据通道选取待预测时刻前第一时间段内的历史太阳辐射数据和历史气象数据，形成历史数据Xhis，其中历史气象数据包括温度、湿度。
在一个实施例中，选取美国国家可再生能源实验室，太阳能资源研究实验室提供的数据集。测量位置位于美国科罗拉多州，坐标位置为北纬39.74度，西经105.18度。地基云图由ASI-16全天空成像仪拍摄，时间分辨率为10分钟。云图静态特征通道中将最邻近时刻RGB云图作为密集连接卷积网络的输入，第二时间段取10分钟。第二时间段小于第一时间段。示例性地，第一时间段取160分钟。太阳辐射数据和气象数据的测量时间分辨率为1分钟。基于此数据集进行特征的提取。
如图2所示，编码阶段的云图动态特征通道的时空特征描述子包括以下四个子阶段：特征点提取、非极大值抑制、视觉变换、形成描述向量，具体包括以下步骤：
特征点提取：对连续灰度云图进行时空滤波，应用可分离线性滤波器，具体包括二维Gaussian滤波和一维Gabor滤波，得到连续灰度云图流的时空响应R，定义如下：
R＝(I*g*hev)2+(I*g*hod)2
Figure BDA0003832426200000051
Figure BDA0003832426200000052
其中，I(x,y,t)指连续灰度云图流中横坐标x，纵坐标y，时间t处的像素值，σ为高斯核大小，τ和ω分别指沿时间尺度的Gabor滤波的滤波常数与频率。一般τ＝4/ω。得到响应函数后，以region为邻域大小，搜寻局部最大值的点记作潜在的兴趣点，由c保留潜在兴趣点的位置坐标集合，定义如下：
Figure BDA0003832426200000061
其次，对于每一个检测出的潜在兴趣点，提取包含时空窗口像素值的长方体，作为Cuboid描述子，并记潜在兴趣点的数目为Np，定义如下：
ci＝(xi,yi,ti),i＝0,1...,Np-1
Figure BDA0003832426200000062
非极大值抑制：对上述检测得到的潜在兴趣点进行非极大值抑制。首先，对每一个潜在兴趣点提取建立Cuboid描述子，并根据空间相交性对所有形成的Cuboid描述子进行归类；其次，通过计算交并比IoU更新各个Cuboid描述子的置信si'，定义如下：
IoUi＝S(Ci∩C0)/S(Ci∪C0),i＝1,2...,Nc-1
si'＝S(Ci)(1-IoUi),i＝1,2...,Nc-1
S(·)得到置信值，一般取该区域响应函数的平均值，C0指的是同一类中响应函数置信值最大的Cuboid描述子，Nc指的是一个类中的Cuboid描述子数目。最后，通过对置信值进行阈值判断，保留大于阈值部分的Cuboid描述子作为有效描述子。
视觉转换：基于Farneback稠密光流计算方法，对Cuboid描述子，实现由像素点至光流图的逐帧进行视觉变换。如图3所示，首先计算Coboid描述子邻帧Farneback光流场，然后将x轴向与y轴向的光流场融合。具体地包括以下步骤：
由二次多项式近似表示地基云图：
I(X)～XTAX+bTX+c
其中，X是二维列向量，指的是像素的空间位置表示(x,y)T，A、b、c分别表示二次多项式的系数。基于相邻帧云图的亮度不变性假设，匹配相邻帧云图的二次多项式系数，并作实用性调整：
I1(X)≈I2(X)
Figure BDA0003832426200000063
Figure BDA0003832426200000064
由此可以得到Farneback稠密光流计算方法的目标函数，其函数公式为：
Figure BDA0003832426200000071
最后，对目标函数进行梯度下降，得到x和y轴向的的稠密光流解，如图3所示，将x和y轴向的稠密光流解进行融合，得到视觉转换后的整体稠密光流解。
形成描述向量：选取平铺成向量的方法形成描述向量。对每个Cuboid描述子平铺成一维向量，并在各个样本内聚合平铺得到的一维向量；最后得到一个二维的描述向量来表征提取得到的时空特征。
编码阶段的云图动态特征通道的空间金字塔池化网络，是通过池化箱来代替滑动窗口进行池化，在解决输入形状不一致问题，以及提升聚集局部特征能力方面，具有较大的优势。如图4所示，首先，空间金字塔池化网络接受所述时空特征描述子提取得到的，尺寸为(x1,y1,2)的描述向量作为输入，通过卷积网络使其缩放到合适的尺寸(x4,y4,32)；其次，对缩放得到的特征向量分别经过三种池化等级(1×1、2×2、3×3)的金字塔池化；接着，分别对经过三种池化等级的特征向量进行平铺操作；最后，将池化后的向量融合成具有固定尺寸(448)的特征向量，作为云图动态编码特征Fdynamic。
编码阶段的云图静态特征通道采用密集连接卷积网络。如图5所示，首先，将最邻近时刻RGB云图作为密集连接卷积网络的输入X0；其次，对于后续连接的每一层(以第l层为例)，都接受前面所有层X0,X1...,Xl-1作为输入，计算公式为：
Xl＝Hl([X0,X1...,Xl-1])
其中[X0,X1...,Xl-1]指的是第0,1...,l-1层的特征的融合结果。所述的密集连接卷积网络定义Hl(·)为三个连续运算的复合函数：批处理归一化，线性校正单元，和一个3×3卷积。最后，将密集连接卷积网络的输出Xl，作为云图静态编码特征Fstatic。
在解码阶段，将所述的历史数据Xhis，与所述的云图动态特征编码Fdynamic，以及所述的云图静态特征编码Fstatic进行融合，通过多层感知机得到模型的预测结果，计算公式为：
Figure BDA0003832426200000072
其中，
Figure BDA0003832426200000081
为输出的太阳辐射预测值，f(·)为激活函数，[]为融合操作，w为多层感知机隐藏层的权重，b为偏置。
本发明融合了地基云图数据的动态、静态特征以及历史数据的时序特征。由于超短期太阳辐射预测结果与历史时序数据关联性不大，其结果主要受云团影响。历史数据的融入考虑了太阳辐射变动的周期性，有助于提供近似的太阳辐射预测结果；通过Cuboid描述子提取地基云图流中高度稀疏的重要时空特征，其表征了云团运动与生消特征，有助于捕获太阳辐射在未来一段时间内的突变情况；通过密集卷积网络提取云团分布、晴空比例等静态特征，有助于修正模型拟合得到的太阳辐射幅值。通过地基云图数据提取到的动态特征有效弥补了对云团运动特征感知不足的问题，使模型得以识别未来时间内潜在的云团积聚、遮挡情况，为预测未来时间内太阳辐射骤升、骤降事件提供了依据。
为了验证本发明所述太阳辐射预测方法的性能，根据太阳辐射预测结果，进行量化误差分析与太阳辐射突变预报分析如下：
其中，根据太阳辐射预测结果，采用三种误差分析指标评估模型的预测性能，分别是均方根误差RMSE、平均偏差误差MAE、归一化均方根误差NRMSE，其计算公式分别为：
Figure BDA0003832426200000082
Figure BDA0003832426200000083
Figure BDA0003832426200000084
其中，It是第t个时间点太阳辐射的真实值，
Figure BDA0003832426200000085
是第t个时间点太阳辐射的预测值，Ns是测试集样本的数目。
其中，考虑到太阳辐射突变对于光伏功率波动的影响，所述太阳辐射突变预报分析具体包括以下步骤：
首先，基于太阳辐射的爬坡变化率，爬坡变化率计算方法：
Figure BDA0003832426200000086
其次，设置阈值τ，通过阈值判断将太阳辐射爬坡事件分为骤升(Rt≥τ)、缓升(0≤Rt＜τ)、缓降(-τ＜Rt≤0)、骤降(Rt≤-τ)四类；接着，分别对实测和预测得到的太阳辐射爬坡事件进行归类；最后，根据太阳辐射爬坡事件预测分类结果，计算各个类型的爬坡事件中，太阳辐射被成功预测的概率Rate，其计算公式如下：
Figure BDA0003832426200000091
其中，∈表示太阳辐射爬坡变化率属于某一类爬坡事件，i＝{0,1,2,3}分别对应太阳辐射的骤升、缓升、缓降、骤降事件。
在实施例中，对于美国可再生能源实验室的数据集，选取2021年1月-2021年9月的数据为训练样本，2021年10月-2021年12月的数据为测试样本，使用本发明得到的太阳辐射预测误差如表1所示。此外，为了直观反映预测效果，图6展示了通过Cuboid时空描述子得到的特征点检测结果，图7展示了使用本发明方法得到的提前10分钟到30分钟的太阳辐射预测曲线，图8展示了使用本发明方法得到的提前10分钟到30分钟太阳辐射突变事件预报率。从表1、图7、图8可以看出，本发明的方法能够准确预测提前10分钟到30分钟的太阳辐射，满足支撑光伏接入的新能源电网的实时监控与调度需求。
表1 基于美国可再生能源实验室数据集的测试样本误差
误差评价指标 提前10分钟 提前20分钟 提前30分钟
RMSE(W/m<sup>2</sup>) 67.57 80.17 86.24
MAE(W/m<sup>2</sup>) 45.05 57.63 58.60
NRMSE(％) 4.80 5.69 6.12
综上，本发明设计的基于稀疏时空描述子的太阳辐射预测方法，通过特征提取与实现端到端的超短期太阳辐射多步预测，能够显著提升提前10分钟至30分钟的太阳辐射预测精度。本发明可应用于部署全天空成像仪的光伏电站，指导电网调控部门根据太阳辐射实时预测结果，调整发电计划，降低备用容量，满足电网监控与经济安全调控的需求。
基于与方法实施例相同的技术构思，本发明还提供一种基于稀疏时空特征描述子的超短期太阳辐射预测系统，包括编码模块和解码模块，其中，编码模块包括三个特征编码通道：云图动态特征通道，云图静态特征通道，历史数据通道，其中，云图动态特征通道接受预测时刻前第一时间段内的连续灰度云图，通过稀疏时空特征提取得到时空特征描述子，输入空间金字塔池化网络得到云图动态编码特征；云图静态特征通道接受预测时刻前第二时间段内RGB云图，输入密集连接卷积网络得到云图静态编码特征，其中第二时间段小于第一时间段；历史数据通道接受历史太阳辐射数据与历史气象数据，其中，解码模块将编码模块三个通道得到的编码特征融合后，通过多层感知机得到模型的预测输出，用以预测未来10分钟至30分钟的太阳辐射。
应当理解，本发明实施例中的基于稀疏时空特征描述子的超短期太阳辐射预测系统可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实施例中的相关描述，此处不再赘述。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于稀疏时空特征描述子的超短期太阳辐射预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于稀疏时空特征描述子的超短期太阳辐射预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于稀疏时空特征描述子的超短期太阳辐射预测方法，其特征在于，包括以下步骤：
(1)通过Cuboid稀疏时空特征描述子提取待预测时刻前第一时间段内的连续灰度地基云图的隐藏特征，形成时空特征描述向量；
(2)通过空间金字塔池化网络对时空特征描述向量进行编码，得到云图动态编码特征；
(3)通过密集连接卷积网络对待预测时刻前第二时间段内的RGB色彩地基云图进行特征提取，得到云图静态编码特征，其中第二时间段小于第一时间段；
(4)将云图动态编码特征、云图静态编码特征与历史数据进行融合，通过多层感知机，输出太阳辐射预测值，用以预测未来10分钟至30分钟的太阳辐射，其中所述历史数据包括历史太阳辐射数据和历史气象数据。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)包括以下步骤：
(1.1)应用可分离线性滤波器对连续灰度云图进行时空滤波，搜寻局部最大值的点作为潜在的兴趣点，对每一个检测出的潜在兴趣点，提取包含时空窗口像素值的长方体；
(1.2)通过非极大值抑制方法决定保留有效的Cuboid描述子；
(1.3)基于Farneback稠密光流计算方法，对有效的Cuboid描述子进行由像素点至光流图的逐帧转化；
(1.4)将每个有效的Cuboid描述子展开平铺成一维向量，在各个样本内聚合平铺得到的一维向量，最后得到一个二维的描述向量来表征提取得到的时空特征。
3.根据权利要求2所述的方法，其特征在于，所述步骤(1.3)包括：首先计算Coboid邻帧Farneback光流场，然后将x轴向与y轴向的光流场融合，其中Farneback光流场的计算包括：
将地基云图用二次多项式来近似表示：I(X)～XTAX+bTX+c，其中，X指的是像素的空间位置表示(x,y)T，A、b、c为二次多项式系数；
基于相邻云图的亮度不变性假设，匹配相邻帧云图的二次多项式系数，并作实用性调整：
I1(X)≈I2(X)
Figure FDA0003832426190000011
Figure FDA0003832426190000021
由此得到Farneback稠密光流计算方法的目标函数，其函数公式为：
Figure FDA0003832426190000022
对目标函数进行梯度下降，得到连续云图帧的稠密光流解。
4.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括：
(2.1)空间金字塔池化网络接收所述时空特征描述向量作为输入，通过卷积网络使其缩放到合适的尺寸；
(2.2)对缩放得到的特征向量分别经过三种尺寸的金字塔池化；
(2.3)将池化后的向量融合成具有固定尺寸的特征向量，作为云图动态编码特征Fdynamic。
5.根据权利要求1所述的方法，其特征在于，所述步骤(3)包括：
(3.1)将预测时刻前第二时间段内RGB云图作为密集连接卷积网络的输入X0，对于后续连接的第l层，接受前面所有层X0,X1...,Xl-1作为输入，计算公式为：
Xl＝Hl([X0,X1...,Xl-1])
其中[X0,X1...,Xl-1]指的是第0,1...,l-1层的特征的融合结果，所述的密集连接卷积网络定义Hl(·)为三个连续运算的复合函数：批处理归一化，线性校正单元，和一个3×3卷积；
(3.2)将密集连接卷积网络的输出Xl，作为云图静态编码特征Fstatic。
6.根据权利要求1所述的方法，其特征在于，所述步骤(4)中多层感知机模型的计算公式为：
Figure FDA0003832426190000023
其中，
Figure FDA0003832426190000024
为输出的太阳辐射预测值，f(·)为激活函数，w为多层感知机隐藏层的权重，Fdynamic,Fstatic,Xhis分别为云图动态编码特征、云图静态编码特征、历史数据，b为偏置。
7.根据权利要求1所述的方法，其特征在于，所述地基云图来自采用无遮挡臂鱼眼镜头的全天空成像仪ASI-16，数据颗粒度为10分钟，图像分辨率为300×300像素，所述第一时间段为160分钟，所述第二时间段为10分钟。
8.一种基于稀疏时空特征描述子的超短期太阳辐射预测系统，其特征在于，包括编码模块和解码模块，其中，编码模块包括三个特征编码通道：云图动态特征通道，云图静态特征通道，历史数据通道，其中，云图动态特征通道接受预测时刻前第一时间段内的连续灰度云图，通过稀疏时空特征提取得到时空特征描述子，输入空间金字塔池化网络得到云图动态编码特征；云图静态特征通道接受预测时刻前第二时间段内RGB云图，输入密集连接卷积网络得到云图静态编码特征，其中第二时间段小于第一时间段；历史数据通道接受历史太阳辐射数据与历史气象数据，其中，解码模块将编码模块三个通道得到的编码特征融合后，通过多层感知机得到模型的预测输出，用以预测未来10分钟至30分钟的太阳辐射。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于稀疏时空特征描述子的超短期太阳辐射预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于稀疏时空特征描述子的超短期太阳辐射预测方法的步骤。
CN202211095046.7A 2022-09-05 2022-09-05 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 Active CN115457389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211095046.7A CN115457389B (zh) 2022-09-05 2022-09-05 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211095046.7A CN115457389B (zh) 2022-09-05 2022-09-05 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统

Publications (2)

Publication Number Publication Date
CN115457389A true CN115457389A (zh) 2022-12-09
CN115457389B CN115457389B (zh) 2023-04-28

Family

ID=84302940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211095046.7A Active CN115457389B (zh) 2022-09-05 2022-09-05 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统

Country Status (1)

Country Link
CN (1) CN115457389B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612393A (zh) * 2023-05-05 2023-08-18 北京思源知行科技发展有限公司 一种太阳辐射预测方法、系统、电子设备及存储介质
CN117456737A (zh) * 2023-12-24 2024-01-26 广东邦盛北斗科技股份公司 基于3d视觉智能的智慧交通大数据处理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091169A (zh) * 2013-12-12 2014-10-08 华南理工大学 基于多特征融合的行为识别方法
CN106934366A (zh) * 2017-03-10 2017-07-07 湖南科技大学 一种杂乱背景下人体动作特征的检测方法
CN112507793A (zh) * 2020-11-05 2021-03-16 上海电力大学 一种超短期光伏功率预测方法
CN113139551A (zh) * 2021-04-23 2021-07-20 桂林电子科技大学 一种基于DeepLabv3+的改进语义分割方法
CN113298303A (zh) * 2021-05-19 2021-08-24 河海大学 针对气象卫星云图动态注意域的光伏功率预测方法
CN113537561A (zh) * 2021-06-09 2021-10-22 中国电力科学研究院有限公司 一种基于地基云图的超短期太阳辐射预测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091169A (zh) * 2013-12-12 2014-10-08 华南理工大学 基于多特征融合的行为识别方法
CN106934366A (zh) * 2017-03-10 2017-07-07 湖南科技大学 一种杂乱背景下人体动作特征的检测方法
CN112507793A (zh) * 2020-11-05 2021-03-16 上海电力大学 一种超短期光伏功率预测方法
CN113139551A (zh) * 2021-04-23 2021-07-20 桂林电子科技大学 一种基于DeepLabv3+的改进语义分割方法
CN113298303A (zh) * 2021-05-19 2021-08-24 河海大学 针对气象卫星云图动态注意域的光伏功率预测方法
CN113537561A (zh) * 2021-06-09 2021-10-22 中国电力科学研究院有限公司 一种基于地基云图的超短期太阳辐射预测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PIOTR DOLLAR ET.AL: "Behavior Recognition via Sparse Spatio-Temporal Features" *
陈垒 等: "基于实际天空图像和CNN卷积神经网络的太阳辐射强度预测研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612393A (zh) * 2023-05-05 2023-08-18 北京思源知行科技发展有限公司 一种太阳辐射预测方法、系统、电子设备及存储介质
CN117456737A (zh) * 2023-12-24 2024-01-26 广东邦盛北斗科技股份公司 基于3d视觉智能的智慧交通大数据处理方法及系统
CN117456737B (zh) * 2023-12-24 2024-03-26 广东邦盛北斗科技股份公司 基于3d视觉智能的智慧交通大数据处理方法及系统

Also Published As

Publication number Publication date
CN115457389B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Feng et al. Convolutional neural networks for intra-hour solar forecasting based on sky image sequences
Rijal et al. Ensemble of deep neural networks for estimating particulate matter from images
CN110929577A (zh) 一种基于YOLOv3的轻量级框架改进的目标识别方法
CN111027493B (zh) 一种基于深度学习多网络软融合的行人检测方法
CN115457389B (zh) 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统
CN110674688B (zh) 用于视频监控场景的人脸识别模型获取方法、系统和介质
CN109886159B (zh) 一种非限定条件下的人脸检测方法
Li et al. YOLOSR-IST: A deep learning method for small target detection in infrared remote sensing images based on super-resolution and YOLO
CN109919223B (zh) 基于深度神经网络的目标检测方法及装置
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN115511220A (zh) 基于跨模态注意力机制的超短期太阳辐射预测方法及系统
CN117079163A (zh) 一种基于改进yolox-s的航拍图像小目标检测方法
Yin et al. Application of a radar echo extrapolation‐based deep learning method in strong convection nowcasting
CN113011308A (zh) 一种引入注意力机制的行人检测方法
CN114943365A (zh) 融合多源数据的降水估测模型建立方法及降水估测方法
CN116258940A (zh) 一种多尺度特征及自适应权重的小目标检测方法
Kim et al. Resolution reconstruction of climate data with pixel recursive model
CN113569912A (zh) 车辆识别方法、装置、电子设备及存储介质
CN112380985A (zh) 变电站入侵异物实时检测方法
CN113449611B (zh) 一种基于yolo网络压缩算法的安全帽识别智能监控系统
CN117808650B (zh) 一种基于Transform-Flownet和R-FPN的降水预测方法
Crisosto et al. Convolutional Neural Network for High-Resolution Cloud Motion Prediction from Hemispheric Sky Images. Energies 2021, 14, 753
CN116152699B (zh) 用于水电厂视频监控系统的实时运动目标检测方法
Zhou et al. PLENet: Efficient power line extraction network based on UAV aerial imagery
US12001938B2 (en) Convolutional neural network for estimating a solar energy production indicator

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