CN116307220A - 一种屋顶光伏功率的预测方法、装置及电子设备 - Google Patents
一种屋顶光伏功率的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116307220A CN116307220A CN202310305689.8A CN202310305689A CN116307220A CN 116307220 A CN116307220 A CN 116307220A CN 202310305689 A CN202310305689 A CN 202310305689A CN 116307220 A CN116307220 A CN 116307220A
- Authority
- CN
- China
- Prior art keywords
- roof
- target
- historical
- power generation
- photovoltaic power
- 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 100
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000010248 power generation Methods 0.000 claims description 145
- 238000012549 training Methods 0.000 claims description 93
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 9
- 230000000295 complement effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种屋顶光伏功率的预测方法、装置及电子设备。本发明通过对天气检测装置拍照即可得到表征天气状态的天空状态向量,无需为每个屋顶设置气象站,减小预测成本。本发明先对目标屋顶进行发电功率预测,之后基于目标屋顶与其他屋顶之间的相关系数,实现其他屋顶及整个区域的光伏发电功率预测。相比于采用同一气象数据进行功率预测,本发明通过相关系数对其他屋顶进行预测,避免了不同屋顶的气象数据不准确导致的功率预测不准的问题,提高了屋顶光伏等分布式光伏功率预测的准确度。因此,本发明可以以较低成本提高屋顶光伏等分布式光伏功率预测的准确度。
Description
技术领域
本发明涉及供配电技术领域,尤其涉及一种屋顶光伏功率的预测方法、装置及电子设备。
背景技术
自全球变暖和化石燃料严重枯竭的几十年来,人们一直鼓励使用和开发可再生能源(renewable energy source,RES)。可再生能源,例如太阳能,风能,水力发电和地热能,不仅被认为是解决全球变暖和化石燃料的严重枯竭的新颖解决方案,而且反映了能源发展的未来。在替代常规能源方面,太阳能已成为一种最流行的替代能源。与其他能源相比,太阳能已在世界上许多国家得到实施。太阳能已经成为住宅、商业和工业应用中最有希望的发电来源。
太阳能光伏(photovoltaic,PV)系统是利用PV电池将太阳辐射转化为电能的发电系统,可用于独立或并网的电力网络中,可为家用电器、照明以及工商业设备供电。现实中,由于其在发电方面的重要作用,太阳能光伏电站的数量和规模在全球范围内发展迅速。
光伏功率预测技术可以根据历史和当前数据对未来一段时间内的光伏功率进行预测,帮助电场工作人员对光伏电场建模,及在气象条件变化时通过适当的储能调度对电网的运行进行优化,为企业进行负荷调控提供了新思路。为实现光伏功率的精准预测,一般需要安装小型气象站来获取时间密度相同的气象信息,如辐照度等。然而该方案只适用于集中光伏场站,不适用于屋顶光伏发电等分布式光伏发电场景。一方面,为每个屋顶光伏配置气象站,成本过高,实施困难。另一方面,分布较广的屋顶光伏采用同一气象站进行预测容易导致光伏功率的准确度降低。
发明内容
本发明提供了一种屋顶光伏功率的预测方法、装置及电子设备,能够以较低成本提高屋顶光伏等分布式光伏功率预测的准确度。
第一方面,本发明提供了一种屋顶光伏功率的预测方法,包括:获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像;对多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量;天空状态向量用于表征目标屋顶所处区域的天气状态;基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率;预设的功率预测模型为基于目标屋顶的历史天气信息和历史光伏发电功率进行神经网络训练得到的;基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率,实现目标屋顶所处区域中各屋顶的光伏功率预测。
在一种可能的实现方式中,功率预测模型包括RNN模型和LSTM模型;基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率,包括:基于当前时刻的天空状态向量,以及预设的RNN模型,预测下一时刻目标屋顶所处区域的辐照度和温度;预设的RNN模型为基于目标屋顶所处区域的历史天气信息,历史辐照度信息和历史温度信息进行神经网络训练得到的;基于下一时刻的辐照度和温度,以及预设的LSTM模型,预测下一时刻目标屋顶的光伏发电功率;预设的LSTM模型为基于目标屋顶所处区域的历史辐照度信息和历史温度信息,以及目标屋顶的历史光伏发电功率进行神经网络训练得到的。
在一种可能的实现方式中,基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率之前,还包括:获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率;基于历史天气信息,生成历史时期内各时刻的天空状态向量;基于历史天气信息,历史辐照度信息和历史温度信息,生成第一训练样本;其中,每个第一训练样本以第一时刻的天空状态向量为输入,以第一时刻的下一时刻的辐照度和温度为输出,第一时刻为历史时期内的任一时刻;基于第一训练样本,对新神经网络模型进行训练,得到RNN模型;基于历史辐照度信息、历史温度信息,以及历史发电功率,生成第二训练样本;其中,每个第二训练样本以第二时刻的辐照度和温度为输入,以第二时刻的发电功率为输出;第二时刻为历史时期内的任一时刻;基于第二训练样本,对新神经网络模型进行训练,得到LSTM模型。
在一种可能的实现方式中,获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率之后,还包括:对于任一类数据,判断该类数据是否存在缺失和异常;若存在缺失,则对缺失数据,基于线性加权法进行补全;若存在异常,则对异常数据,统计该类数据的众数,基于该类数据的众数和异常数据,以及权重系数,对异常数据进行修复。
在一种可能的实现方式中,新神经网络模型包括输入层,隐藏层和输出层;基于训练样本,对新神经网络模型进行训练,得到RNN模型,包括:对于每次迭代训练,基于上一次迭代训练中隐藏层的输出矩阵和隐藏层至隐藏层的权重矩阵,当前迭代训练过程中输入层的输入矩阵,和输入层到隐藏层的权重矩阵,以及传递函数,计算当前迭代训练过程中隐藏层的输出矩阵;基于当前迭代训练过程中隐藏层的输出矩阵,以及隐藏层到输出层的权重矩阵,计算当前迭代训练过程输出层的输出矩阵。
在一种可能的实现方式中,对多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量,包括:对多张俯视图像进行灰度处理,转换为多张灰度图像;基于预设阈值对各灰度图像进行阈值分割,得到多张二值图像;对各二值图像进行辨识,确定各二值图像的阴影面积;基于各二值图像的阴影面积,确定各二值图像对应的天气状态;基于各二值图像对应的天气状态,生成当前时刻的天空状态向量。
在一种可能的实现方式中,获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像之前,还包括:获取对待预测光伏功率的目标区域拍摄的多张区域图像;基于预设滑动窗口,对各区域图像进行滑动切图,得到各区域图像的切片图像;基于各区域图像的切片图像,和目标识别网络,识别得到目标区域中安装有光伏发电单元的发电屋顶的经度、纬度和发电面积;基于目标区域中各发电屋顶的经度、纬度和发电面积,对各发电屋顶的分布密度进行聚类分析,确定目标屋顶;目标屋顶为与分布密度最大的聚类中心距离最小的发电屋顶。
在一种可能的实现方式中,基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率之前,还包括:确定各发电屋顶的信息向量,信息向量中变量包括经度、纬度、发电面积和投运时长;基于各发电屋顶的信息向量,计算各发电屋顶的信息均值;基于各变量的信息均值,以及各发电屋顶的信息向量,计算目标屋顶与其他屋顶之间的相关系数。
第二方面,本发明实施例提供了一种屋顶光伏功率的预测装置,包括:通信单元,用于获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像;处理单元,用于对多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量;天空状态向量用于表征目标屋顶所处区域的天气状态;基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率;预设的功率预测模型为基于目标屋顶的历史天气信息和历史光伏发电功率进行神经网络训练得到的;基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率,实现目标屋顶所处区域中各屋顶的光伏功率预测。
在一种可能的实现方式中,功率预测模型包括RNN模型和LSTM模型;处理单元,具体用于基于当前时刻的天空状态向量,以及预设的RNN模型,预测下一时刻目标屋顶所处区域的辐照度和温度;预设的RNN模型为基于目标屋顶所处区域的历史天气信息,历史辐照度信息和历史温度信息进行神经网络训练得到的;基于下一时刻的辐照度和温度,以及预设的LSTM模型,预测下一时刻目标屋顶的光伏发电功率;预设的LSTM模型为基于目标屋顶所处区域的历史辐照度信息和历史温度信息,以及目标屋顶的历史光伏发电功率进行神经网络训练得到的。
在一种可能的实现方式中,通信单元,还用于获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率;处理单元,还用于基于历史天气信息,生成历史时期内各时刻的天空状态向量;基于历史天气信息,历史辐照度信息和历史温度信息,生成第一训练样本;其中,每个第一训练样本以第一时刻的天空状态向量为输入,以第一时刻的下一时刻的辐照度和温度为输出,第一时刻为历史时期内的任一时刻;基于第一训练样本,对新神经网络模型进行训练,得到RNN模型;基于历史辐照度信息、历史温度信息,以及历史发电功率,生成第二训练样本;其中,每个第二训练样本以第二时刻的辐照度和温度为输入,以第二时刻的发电功率为输出;第二时刻为历史时期内的任一时刻;基于第二训练样本,对新神经网络模型进行训练,得到LSTM模型。
在一种可能的实现方式中,处理单元,还用于对于任一类数据,判断该类数据是否存在缺失和异常;若存在缺失,则对缺失数据,基于线性加权法进行补全;若存在异常,则对异常数据,统计该类数据的众数,基于该类数据的众数和异常数据,以及权重系数,对异常数据进行修复。
在一种可能的实现方式中,新神经网络模型包括输入层,隐藏层和输出层;处理单元,具体用于对于每次迭代训练,基于上一次迭代训练中隐藏层的输出矩阵和隐藏层至隐藏层的权重矩阵,当前迭代训练过程中输入层的输入矩阵,和输入层到隐藏层的权重矩阵,以及传递函数,计算当前迭代训练过程中隐藏层的输出矩阵;基于当前迭代训练过程中隐藏层的输出矩阵,以及隐藏层到输出层的权重矩阵,计算当前迭代训练过程输出层的输出矩阵。
在一种可能的实现方式中,处理单元,具体用于对多张俯视图像进行灰度处理,转换为多张灰度图像;基于预设阈值对各灰度图像进行阈值分割,得到多张二值图像;对各二值图像进行辨识,确定各二值图像的阴影面积;基于各二值图像的阴影面积,确定各二值图像对应的天气状态;基于各二值图像对应的天气状态,生成当前时刻的天空状态向量。
在一种可能的实现方式中,通信单元,还用于获取对待预测光伏功率的目标区域拍摄的多张区域图像;处理单元,还用于基于预设滑动窗口,对各区域图像进行滑动切图,得到各区域图像的切片图像;基于各区域图像的切片图像,和目标识别网络,识别得到目标区域中安装有光伏发电单元的发电屋顶的经度、纬度和发电面积;基于目标区域中各发电屋顶的经度、纬度和发电面积,对各发电屋顶的分布密度进行聚类分析,确定目标屋顶;目标屋顶为与分布密度最大的聚类中心距离最小的发电屋顶。
在一种可能的实现方式中,处理单元,还用于确定各发电屋顶的信息向量,信息向量中变量包括经度、纬度、发电面积和投运时长;基于各发电屋顶的信息向量,计算各发电屋顶的信息均值;基于各变量的信息均值,以及各发电屋顶的信息向量,计算目标屋顶与其他屋顶之间的相关系数。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例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上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明提供一种屋顶光伏功率的预测方法、装置及电子设备,一方面,本发明通过对天气检测装置拍照即可得到表征天气状态的天空状态向量,无需为每个屋顶设置气象站,减小预测成本。另一方面,本发明先对目标屋顶进行发电功率预测,之后基于目标屋顶与其他屋顶之间的相关系数,实现其他屋顶的光伏发电功率预测,从而目标屋顶所处区域中各屋顶的光伏功率预测。相比于采用同一气象数据进行功率预测,本发明先对目标屋顶的发电功率进行准确预测,再通过相关系数对其他屋顶进行预测,避免了不同屋顶的气象数据不准确导致的功率预测不准的问题,提高了屋顶光伏等分布式光伏功率预测的准确度。因此,本发明可以以较低成本提高屋顶光伏等分布式光伏功率预测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种屋顶光伏功率的预测方法的流程示意图;
图2是本发明实施例提供的一种天气检测装置的示意图;
图3是本发明实施例提供的一种滑动切图方式的示意图;
图4是本发明实施例提供的一种数据清洗示意图;
图5是本发明实施例提供的一种RNN模型的结构示意图;
图6是本发明实施例提供的一种LSTM模型的结构示意图;
图7是本发明实施例提供的一种屋顶光伏功率的预测装置的结构示意图;
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本发明的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选的还包括其他没有列出的步骤或模块,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明的附图通过具体实施例来进行说明。
如图1所示,本发明实施例提供一种屋顶光伏功率的预测方法。执行主体为屋顶光伏功率的预测装置。该方法包括步骤S101-S103。
S101、获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像。
在一些实施例中,本发明实施例可以在目标屋顶的所处区域的不同方向设置多个天气检测装置。预测装置可以向拍摄装置发送指令,指示拍摄装置拍摄各天气检测装置的俯视图像。
示例性的,本发明实施例可以在目标屋顶的东、南、西、北四个方向分别设置一个天气检测装置。并拍摄四个天气检测装置的服饰图像。
其中,天气检测装置可以由浅色圆盘和支撑杆构成。
如图2所示,拍摄装置架设在距离地面1米的平台上,拍摄装置下方50厘米处设置天气检测装置的浅色圆盘,直径40厘米,平台由一根直径15厘米的实心杆作为支撑杆。拍摄装置的拍摄范围可完全覆盖浅色圆盘。
S102、对多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量。
其中,天空状态向量用于表征目标屋顶所处区域的天气状态。
作为一种可能的实现方式,步骤S102具体可以实现为步骤S1021-S1025。
S1021、对多张俯视图像进行灰度处理,转换为多张灰度图像。
示例性的,对于任一俯视图像,预测装置可以基于如下公式,确定灰度图像。
其中,为灰度图像中坐标为(i,j)的像素值,/>为对天气检测装置拍摄的真彩色图像,即俯视图像中坐标为(i,j)的红色通道像素值,/>为俯视图像中坐标为(i,j)的绿色通道像素值,/>为俯视图像中坐标为(i,j)的蓝色通道像素值。
S1022、基于预设阈值对各灰度图像进行阈值分割,得到多张二值图像。
示例性的,对于任一灰度图像,预测装置可以基于如下公式,确定二值图像。
S1023、对各二值图像进行辨识,确定各二值图像的阴影面积。
S1024、基于各二值图像的阴影面积,确定各二值图像对应的天气状态。
示例性的,若四张二值图像中至少一张存在阴影且阴影轮廓与预先记录的拍摄装置轮廓一致,可认为此时天空状态为晴朗且直射屋顶。否则,还可以通过计算进行天空状态辨识。
又一示例性的,对于任一二值图像,预测装置还可以基于如下方式,辨识天气状态。
1.在距离圆环中心15厘米处取弧度为0.375*π的圆环,计算圆环面积约为65平方厘米。
2.计算当前时刻圆盘上阴影的面积,记为St。
S1025、基于各二值图像对应的天气状态,生成当前时刻的天空状态向量。
示例性的,预测装置可以基于天气状态进行one-hot编码,生成天空状态向量。
如表1所示,本发明实施例提供了一种天气状态的编码方式。
表1
编码对象 | 编码向量 |
晴朗直射 | 0001 |
晴朗 | 0010 |
少云 | 0100 |
多云 | 1000 |
如此,本发明实施例可以对四幅俯视图像的天气状态进行编码,得到1×16的天空状态向量。
表2为本发明实施例提供的屋顶光伏功率的预测方法的耗时时间表。表3为基于地基云图的预测方法的耗时时间表。
表2
表3
通过对比可知,本发明实施例提供的屋顶光伏功率的预测方法耗时更小,差别在100倍左右。从而,本发明实施例可以利用地面状态向量对天空状态进行识别。相比于基于地基云图的预测方法,本发明降低了运算量,提高了计算效率,实现了分布式光伏发电功率的实时预测。
S103、基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率。
本申请实施例中,预设的功率预测模型为基于目标屋顶的历史天气信息和历史光伏发电功率进行神经网络训练得到的。
在一些实施例中,功率预测模型包括RNN模型和LSTM模型。
作为一种可能的实现方式,步骤S103可以具体实现为如下步骤。
S1031、基于当前时刻的天空状态向量,以及预设的RNN模型,预测下一时刻目标屋顶所处区域的辐照度和温度。
在一些实施例中,预设的RNN模型为基于目标屋顶所处区域的历史天气信息,历史辐照度信息和历史温度信息进行神经网络训练得到的。
S1032、基于下一时刻的辐照度和温度,以及预设的LSTM模型,预测下一时刻目标屋顶的光伏发电功率。
在一些实施例中,预设的LSTM模型为基于目标屋顶所处区域的历史辐照度信息和历史温度信息,以及目标屋顶的历史光伏发电功率进行神经网络训练得到的。
S104、基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率,实现目标屋顶所处区域中各屋顶的光伏功率预测。
示例性的,本发明实施例可以基于如下公式,确定下一时刻其他屋顶的光伏发电功率。
本发明提供一种屋顶光伏功率的预测方法、装置及电子设备,一方面,本发明通过对天气检测装置拍照即可得到表征天气状态的天空状态向量,无需为每个屋顶设置气象站,减小预测成本。另一方面,本发明先对目标屋顶进行发电功率预测,之后基于目标屋顶与其他屋顶之间的相关系数,实现其他屋顶的光伏发电功率预测,从而目标屋顶所处区域中各屋顶的光伏功率预测。相比于采用同一气象数据进行功率预测,本发明先对目标屋顶的发电功率进行准确预测,再通过相关系数对其他屋顶进行预测,避免了不同屋顶的气象数据不准确导致的功率预测不准的问题,提高了屋顶光伏等分布式光伏功率预测的准确度。因此,本发明可以以较低成本提高屋顶光伏等分布式光伏功率预测的准确度。
可选的,本发明实施例提供的屋顶光伏功率的预测方法,在步骤S101之前还包括步骤S201-S204。本发明实施例可以对待预测光伏功率的目标区域拍摄高清图像,对目标区域中的各屋顶进行聚类分析,得到目标屋顶的位置。
S201、获取对待预测光伏功率的目标区域拍摄的多张区域图像。
S202、基于预设滑动窗口,对各区域图像进行滑动切图,得到各区域图像的切片图像。
S203、基于各区域图像的切片图像,和目标识别网络,识别得到目标区域中安装有光伏发电单元的发电屋顶的经度、纬度和发电面积。
S204、基于目标区域中各发电屋顶的经度、纬度和发电面积,对各发电屋顶的分布密度进行聚类分析,确定目标屋顶。
在一些实施例中,目标屋顶为与分布密度最大的聚类中心距离最小的发电屋顶。
示例性的,本发明实施例可以基于各发电屋顶的经度和纬度,确定各发电屋顶的位置;随机确定多个聚类中心,计算各发电屋顶到多个聚类中心的距离,变更多个聚类中心的位置,重新计算各发电屋顶到多个聚类中心的距离,进行迭代计算,当各发电屋顶到多个聚类中心的距离最小时,停止迭代,计算各聚类中心的分布密度;将分布密度最大的聚类中心确定为目标聚类中心。并将与目标聚类中心距离最小的发电屋顶,确定为目标屋顶。
示例性的,以某村镇为例,本发明实施例可以利用无人机拍摄整个村镇的俯视高清图像。设拍摄结束后获取的图像个数为N,每幅图像的大小为W*H。为便于分析,本发明实施例利用滑动切图法在W和H方向上进行切图,W方向上滑动窗口大小为w,H方向上滑动窗口为h,图像之间的相交大小为0.2 * w以及0.2*h,不足w或h的窗口将其设置为实际剩余值。然后利用YoLo网络识别安装光伏板的屋顶后利用高斯投影法得到屋顶的经纬度及屋顶面积并存档。滑动切图方式如图3所示:
示例性的,本发明实施例可以获取各屋顶的历史数据,并基于历史数据判断是否参与聚类。例如,本发明实施例可以获取每个屋顶历史的功率数据并统计数据缺失、异常情况(缺失数据的点数与天数,异常值出现的次数与频率)。之后确定数据质量要求。第一种情况:若一天中异常与缺失点达到当天采集总点数的20%时,确定该天为异常天。第二种情况:若一天中连续4个点缺失或异常时,确定该天为异常天。
在统计的时间范围内若一个月中存在3天及以上的异常天,即可认为此屋顶为噪点,不参与聚类过程。
如此,本发明实施例可以识别噪点并剔除,降低了分类算法的时间,提高分类效率。
作为一种可能的实现方式,预测装置可以基于DBSCAN聚类算法实现聚类分析,确定目标屋顶。
以村镇各屋顶空间信息为输入向量,设计改进的DBSCAN网络进行无监督学习与分类。分类结束后统计分类个数K与每类中信息向量个数,选择个数最多的类别作为样本类,进一步选择样本类的中心作为目标屋顶。
可选的,本发明实施例提供的屋顶光伏功率的预测方法,在步骤S103之前还包括步骤S301-S306。本发明可以在进行屋顶光伏功率预测之前,基于历史数据进行神经网络训练,得到RNN模型和LSTM模型。
S301、获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率。
本发明实施例可以从数据库中读取目标屋顶的历史发电功率、辐照度与温度,针对缺失数据,选择缺失时刻前后相邻有数值的时刻、前后相邻两周相似日同一时刻的数值利用线性加权法进行补全。
作为一种可能的实现方式,在步骤S301之后,对于任一类数据,预测装置可以判断该类数据是否存在缺失和异常,并对缺失数据和异常数据进行补全和修复。
若存在缺失,则对缺失数据,基于线性加权法进行补全。
示例性的,预测装置可以基于如下公式进行补全。
其中,为第m周t时刻的缺失数据的补全数据,/>为第m周t-n时刻的实际数据,/>为第m周t+n时刻的实际数值,/>为第m-1周t时刻的实际数据,/>为第m+1周t时刻的的实际数据,/>为第m周t-n时刻的实际数据的权值系数,/>为第m周t+n时刻的实际数值的权值系数,/>为第m-1周t时刻的实际数据的权值系数,/>为第m+1周t时刻的的实际数据的权值系数。
若存在异常,则对异常数据,统计该类数据的众数,基于该类数据的众数和异常数据,以及权重系数,对异常数据进行修复。
示例性的,预测装置可以遍历各类数据,若某数据满足如下公式,则确定该数据为异常数据。
示例性的,对于异常数据,预测装置可以基于如下公式修复。
其中,为第m周t时刻修复后的数据,/>表示历史时期内各天t时刻的数据构成的计算序列中的众数,/>为第i天t时刻的数据,/>为第m周t-1时刻的数据,/>为第m周t+1时刻的数据,/>为第m周t-1时刻的数据的权重系数,/>为第m周t+1时刻的数据的权重系数。
如此,本发明实施例可以对缺失数据进行补全,对异常数据进行修复,更好的保证了原始数据的质量,计算结果更加接近实际值,训练得到的模型进行预测时更加准确。
示例性的,如图4所示,本发明实施例提供了一种数据清洗示意图。
图4中a图为数据清洗前的数据曲线图。图4中b图为数据清洗前的数据曲线图。如图4中a图所示,对于缺失数据,进行如下处理。
00:00~06:00或者19:30~24:00 --- 线性平均。
00:00~06:00或者19:30~24:00 --- 补0。
06:00~19:30--- 线性平均。
06:00~19:30--- 线性加权。
对于缺失数据,进行如下处理。
00:00~06:00或者19:30~24:00 --- 线性平均。
00:00~06:00或者19:30~24:00 --- 补0。
06:00~19:30--- 线性平均。
06:00~19:30--- 线性加权。
对比图4中a图和b图可知,本发明实施例通过补全和修复的数据更加接近实际值,数据质量更高,模型更加准确。
S302、基于历史天气信息,生成历史时期内各时刻的天空状态向量。
S303、基于历史天气信息,历史辐照度信息和历史温度信息,生成第一训练样本。
其中,每个第一训练样本以第一时刻的天空状态向量为输入,以第一时刻的下一时刻的辐照度和温度为输出,第一时刻为历史时期内的任一时刻。
S304、基于第一训练样本,对新神经网络模型进行训练,得到RNN模型。
在一些实施例中,新神经网络模型包括输入层,隐藏层和输出层。
作为一种可能的实现方式,对于每次迭代训练,预测装置可以基于上一次迭代训练中隐藏层的输出矩阵和隐藏层至隐藏层的权重矩阵,当前迭代训练过程中输入层的输入矩阵,和输入层到隐藏层的权重矩阵,以及传递函数,计算当前迭代训练过程中隐藏层的输出矩阵;基于当前迭代训练过程中隐藏层的输出矩阵,以及隐藏层到输出层的权重矩阵,计算当前迭代训练过程输出层的输出矩阵。
示例性的,RNN模型的结构如图5所示。其中,左侧、/>和/>都是向量,分别表示输入层、隐藏层和输出层的值。/>是输入层到隐藏层的权重矩阵,/>是隐藏层到输出层的权重矩阵,/>是上一迭代过程的隐藏层s作为下一迭代过程隐藏层的权重矩阵。
如图5所示,本发明实施例可以通过如下公式,计算当前迭代训练过程输出层的输出矩阵。
其中,为激活函数(tanh),/>是输入层/>到隐藏层/>的权重矩阵,/>是上一时刻的隐藏层/>到当前时刻隐藏层/>的权重矩阵,/>是偏差向量。/>为激活函数(softmax),/>是隐藏层/>到输出层/>的权重矩阵,/>是偏差向量。
S305、基于历史辐照度信息、历史温度信息,以及历史发电功率,生成第二训练样本。
其中,每个第二训练样本以第二时刻的辐照度和温度为输入,以第二时刻的发电功率为输出;第二时刻为历史时期内的任一时刻。
S306、基于第二训练样本,对新神经网络模型进行训练,得到LSTM模型。
示例性的,LSTM模型的结构如图6所示。其中,为t时刻的输入,/>为综合了t-1时刻的单元状态/>后得到的t时刻的单元状态,tanh为激活函数,其方程式为:,σ为Sigmoid激活函数,其函数方程式为:/>,/>为t时刻传递到下一层神经元的状态单元。
如此,本发明可以在预测功夫功率之前,进行神经网络训练得到RNN模型和LSTM模型,为光伏发电功率预测提供保障。
可选的,本发明实施例提供的屋顶光伏功率的预测方法,在步骤S104之前还包括步骤S401-S405。本发明可以通过步骤S203确定各发电屋顶的经度、纬度和发电面积,并从数据库获取各发电屋顶的投运时长,构成各发电屋顶的信息向量,计算目标屋顶与其他屋顶之间的皮尔逊相关系数。
S401、确定各发电屋顶的信息向量,信息向量中变量包括经度、纬度、发电面积和投运时长。
S402、基于各发电屋顶的信息向量,计算各发电屋顶的信息均值。
其中,发电屋顶的信息均值为该发电屋顶的经度、纬度、发电面积和投运时长的平均值。
S403、基于各发电屋顶的信息均值,以及各发电屋顶的信息向量,计算目标屋顶与其他屋顶之间的相关系数。
示例性的,本发明实施例可以基于如下公式,确定目标屋顶与其他屋顶之间的相关系数。
如此,本发明可以通过预先计算皮尔逊相关系数,在预测得到目标屋顶的光伏发电功率之后,利用其他屋顶与目标屋顶的相关性,计算其他屋顶的光伏发电功率,实现以较低成本提高屋顶光伏等分布式光伏功率预测的准确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图7示出了本发明实施例提供的一种屋顶光伏功率的预测装置的结构示意图。该预测装置500包括通信单元501和处理单元502。
通信单元501,用于获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像。
处理单元502,用于对多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量;天空状态向量用于表征目标屋顶所处区域的天气状态;基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率;预设的功率预测模型为基于目标屋顶的历史天气信息和历史光伏发电功率进行神经网络训练得到的;基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率,实现目标屋顶所处区域中各屋顶的光伏功率预测。
在一种可能的实现方式中,功率预测模型包括RNN模型和LSTM模型;处理单元502,具体用于基于当前时刻的天空状态向量,以及预设的RNN模型,预测下一时刻目标屋顶所处区域的辐照度和温度;预设的RNN模型为基于目标屋顶所处区域的历史天气信息,历史辐照度信息和历史温度信息进行神经网络训练得到的;基于下一时刻的辐照度和温度,以及预设的LSTM模型,预测下一时刻目标屋顶的光伏发电功率;预设的LSTM模型为基于目标屋顶所处区域的历史辐照度信息和历史温度信息,以及目标屋顶的历史光伏发电功率进行神经网络训练得到的。
在一种可能的实现方式中,通信单元501,还用于获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率;处理单元502,还用于基于历史天气信息,生成历史时期内各时刻的天空状态向量;基于历史天气信息,历史辐照度信息和历史温度信息,生成第一训练样本;其中,每个第一训练样本以第一时刻的天空状态向量为输入,以第一时刻的下一时刻的辐照度和温度为输出,第一时刻为历史时期内的任一时刻;基于第一训练样本,对新神经网络模型进行训练,得到RNN模型;基于历史辐照度信息、历史温度信息,以及历史发电功率,生成第二训练样本;其中,每个第二训练样本以第二时刻的辐照度和温度为输入,以第二时刻的发电功率为输出;第二时刻为历史时期内的任一时刻;基于第二训练样本,对新神经网络模型进行训练,得到LSTM模型。
在一种可能的实现方式中,处理单元502,还用于对于任一类数据,判断该类数据是否存在缺失和异常;若存在缺失,则对缺失数据,基于线性加权法进行补全;若存在异常,则对异常数据,统计该类数据的众数,基于该类数据的众数和异常数据,以及权重系数,对异常数据进行修复。
在一种可能的实现方式中,新神经网络模型包括输入层,隐藏层和输出层;处理单元502,具体用于对于每次迭代训练,基于上一次迭代训练中隐藏层的输出矩阵和隐藏层至隐藏层的权重矩阵,当前迭代训练过程中输入层的输入矩阵,和输入层到隐藏层的权重矩阵,以及传递函数,计算当前迭代训练过程中隐藏层的输出矩阵;基于当前迭代训练过程中隐藏层的输出矩阵,以及隐藏层到输出层的权重矩阵,计算当前迭代训练过程输出层的输出矩阵。
在一种可能的实现方式中,处理单元502,具体用于对多张俯视图像进行灰度处理,转换为多张灰度图像;基于预设阈值对各灰度图像进行阈值分割,得到多张二值图像;对各二值图像进行辨识,确定各二值图像的阴影面积;基于各二值图像的阴影面积,确定各二值图像对应的天气状态;基于各二值图像对应的天气状态,生成当前时刻的天空状态向量。
在一种可能的实现方式中,通信单元501,还用于获取对待预测光伏功率的目标区域拍摄的多张区域图像;处理单元502,还用于基于预设滑动窗口,对各区域图像进行滑动切图,得到各区域图像的切片图像;基于各区域图像的切片图像,和目标识别网络,识别得到目标区域中安装有光伏发电单元的发电屋顶的经度、纬度和发电面积;基于目标区域中各发电屋顶的经度、纬度和发电面积,对各发电屋顶的分布密度进行聚类分析,确定目标屋顶;目标屋顶为与分布密度最大的聚类中心距离最小的发电屋顶。
在一种可能的实现方式中,处理单元502,还用于确定各发电屋顶的信息向量,信息向量中变量包括经度、纬度、发电面积和投运时长;基于各发电屋顶的信息向量,计算各发电屋顶的信息均值;基于各变量的信息均值,以及各发电屋顶的信息向量,计算目标屋顶与其他屋顶之间的相关系数。
图8是本发明实施例提供的一种电子设备的结构示意图。如图8所示,该实施例的电子设备600包括:处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603。所述处理器601执行所述计算机程序603时实现上述各方法实施例中的步骤,例如图1所示的步骤S101-S104。或者,所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能,例如,图7所示通信模块501和处理模块502的功能。
示例性的,所述计算机程序603可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器602中,并由所述处理器601执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述电子设备600中的执行过程。例如,所述计算机程序603可以被分割成图7所示通信模块501和处理模块502。
所称处理器601可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述电子设备600的内部存储单元,例如电子设备600的硬盘或内存。所述存储器602也可以是所述电子设备600的外部存储设备,例如所述电子设备600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括所述电子设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种屋顶光伏功率的预测方法,其特征在于,包括:
获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像;
对所述多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量;所述天空状态向量用于表征目标屋顶所处区域的天气状态;
基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率;所述预设的功率预测模型为基于所述目标屋顶的历史天气信息和历史光伏发电功率进行神经网络训练得到的;
基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率,实现目标屋顶所处区域中各屋顶的光伏功率预测。
2.根据权利要求1所述的屋顶光伏功率的预测方法,其特征在于,所述功率预测模型包括RNN模型和LSTM模型;
所述基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率,包括:
基于当前时刻的天空状态向量,以及预设的RNN模型,预测下一时刻目标屋顶所处区域的辐照度和温度;所述预设的RNN模型为基于所述目标屋顶所处区域的历史天气信息,历史辐照度信息和历史温度信息进行神经网络训练得到的;
基于下一时刻的辐照度和温度,以及预设的LSTM模型,预测下一时刻目标屋顶的光伏发电功率;所述预设的LSTM模型为基于所述目标屋顶所处区域的历史辐照度信息和历史温度信息,以及所述目标屋顶的历史光伏发电功率进行神经网络训练得到的。
3.根据权利要求2所述的屋顶光伏功率的预测方法,其特征在于,所述基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率之前,还包括:
获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率;
基于所述历史天气信息,生成历史时期内各时刻的天空状态向量;
基于所述历史天气信息,历史辐照度信息和历史温度信息,生成第一训练样本;其中,每个第一训练样本以第一时刻的天空状态向量为输入,以第一时刻的下一时刻的辐照度和温度为输出,所述第一时刻为历史时期内的任一时刻;
基于所述第一训练样本,对新神经网络模型进行训练,得到所述RNN模型;
基于所述历史辐照度信息、历史温度信息,以及历史发电功率,生成第二训练样本;其中,每个第二训练样本以第二时刻的辐照度和温度为输入,以第二时刻的发电功率为输出;所述第二时刻为历史时期内的任一时刻;
基于所述第二训练样本,对新神经网络模型进行训练,得到所述LSTM模型。
4.根据权利要求3所述的屋顶光伏功率的预测方法,其特征在于,所述获取目标区域历史时期内的历史天气信息、历史辐照度信息、历史温度信息和目标屋顶的历史发电功率之后,还包括:
对于任一类数据,判断该类数据是否存在缺失和异常;
若存在缺失,则对缺失数据,基于线性加权法进行补全;
若存在异常,则对异常数据,统计该类数据的众数,基于该类数据的众数和所述异常数据,以及权重系数,对所述异常数据进行修复。
5.根据权利要求3所述的屋顶光伏功率的预测方法,其特征在于,所述新神经网络模型包括输入层,隐藏层和输出层;
所述基于所述训练样本,对新神经网络模型进行训练,得到所述RNN模型,包括:
对于每次迭代训练,基于上一次迭代训练中隐藏层的输出矩阵和隐藏层至隐藏层的权重矩阵,当前迭代训练过程中输入层的输入矩阵,和输入层到隐藏层的权重矩阵,以及传递函数,计算当前迭代训练过程中隐藏层的输出矩阵;
基于当前迭代训练过程中隐藏层的输出矩阵,以及隐藏层到输出层的权重矩阵,计算当前迭代训练过程输出层的输出矩阵。
6.根据权利要求1所述的屋顶光伏功率的预测方法,其特征在于,所述对所述多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量,包括:
对所述多张俯视图像进行灰度处理,转换为多张灰度图像;
基于预设阈值对各灰度图像进行阈值分割,得到多张二值图像;
对各二值图像进行辨识,确定各二值图像的阴影面积;
基于各二值图像的阴影面积,确定各二值图像对应的天气状态;
基于各二值图像对应的天气状态,生成所述当前时刻的天空状态向量。
7.根据权利要求1所述的屋顶光伏功率的预测方法,其特征在于,所述获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像之前,还包括:
获取对待预测光伏功率的目标区域拍摄的多张区域图像;
基于预设滑动窗口,对各区域图像进行滑动切图,得到各区域图像的切片图像;
基于所述各区域图像的切片图像,和目标识别网络,识别得到目标区域中安装有光伏发电单元的发电屋顶的经度、纬度和发电面积;
基于目标区域中各发电屋顶的经度、纬度和发电面积,对各发电屋顶的分布密度进行聚类分析,确定目标屋顶;所述目标屋顶为与分布密度最大的聚类中心距离最小的发电屋顶。
8.根据权利要求1所述的屋顶光伏功率的预测方法,其特征在于,所述基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率之前,还包括:
确定各发电屋顶的信息向量,所述信息向量中变量包括经度、纬度、发电面积和投运时长;
基于各发电屋顶的信息向量,计算各发电屋顶的信息均值;
基于各发电屋顶的信息均值,以及各发电屋顶的信息向量,计算目标屋顶与其他屋顶之间的相关系数。
9.一种屋顶光伏功率的预测装置,其特征在于,包括:
通信单元,用于获取当前时刻对目标屋顶所处区域中天气检测装置拍摄的多张俯视图像;
处理单元,用于对所述多张俯视图像中天气检测装置的阴影轮廓进行分析,确定当前时刻的天空状态向量;所述天空状态向量用于表征目标屋顶所处区域的天气状态;基于当前时刻的天空状态向量,以及预设的功率预测模型,预测得到下一时刻目标屋顶的光伏发电功率;所述预设的功率预测模型为基于所述目标屋顶的历史天气信息和历史光伏发电功率进行神经网络训练得到的;基于下一时刻目标屋顶的光伏发电功率,以及目标屋顶与其他屋顶之间的相关系数,确定下一时刻其他屋顶的光伏发电功率,实现目标屋顶所处区域中各屋顶的光伏功率预测。
10.一种电子设备,其特征在于,包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305689.8A CN116307220A (zh) | 2023-03-27 | 2023-03-27 | 一种屋顶光伏功率的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305689.8A CN116307220A (zh) | 2023-03-27 | 2023-03-27 | 一种屋顶光伏功率的预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307220A true CN116307220A (zh) | 2023-06-23 |
Family
ID=86814839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310305689.8A Pending CN116307220A (zh) | 2023-03-27 | 2023-03-27 | 一种屋顶光伏功率的预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307220A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130394A (zh) * | 2023-10-26 | 2023-11-28 | 科莱克芯电科技(深圳)有限公司 | 一种基于人工智能的光伏设备控制方法及系统 |
-
2023
- 2023-03-27 CN CN202310305689.8A patent/CN116307220A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130394A (zh) * | 2023-10-26 | 2023-11-28 | 科莱克芯电科技(深圳)有限公司 | 一种基于人工智能的光伏设备控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting | |
Abuella et al. | Solar power forecasting using support vector regression | |
Barbieri et al. | Very short-term photovoltaic power forecasting with cloud modeling: A review | |
Huang et al. | Cloud motion estimation for short term solar irradiation prediction | |
CN110514298B (zh) | 一种基于地基云图的太阳辐照强度计算方法 | |
EP2891904A1 (en) | Solar irradiance forecasting | |
WO2017193153A1 (en) | Solar power forecasting | |
Le Guen et al. | A deep physical model for solar irradiance forecasting with fisheye images | |
Sun et al. | Convolutional neural network for short-term solar panel output prediction | |
Feng et al. | Short-term global horizontal irradiance forecasting based on sky imaging and pattern recognition | |
Dissawa et al. | Sky Image‐Based Localized, Short‐Term Solar Irradiance Forecasting for Multiple PV Sites via Cloud Motion Tracking | |
CN116307220A (zh) | 一种屋顶光伏功率的预测方法、装置及电子设备 | |
Dissawa et al. | Cross-correlation based cloud motion estimation for short-term solar irradiation predictions | |
Dissawa et al. | Cloud motion tracking for short-term on-site cloud coverage prediction | |
CN107133685A (zh) | 光伏发电系统发电量的预测方法及预测系统 | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
US11379274B2 (en) | Hybrid spatial-temporal event probability prediction method | |
Cheng et al. | Solar irradiance now-casting with ramp-down event prediction via enhanced cloud detection and tracking | |
Insaf et al. | Global horizontal irradiance modeling from sky images using resnet architectures | |
Kamadinata et al. | Global solar radiation prediction methodology using artificial neural networks for photovoltaic power generation systems | |
Tervo et al. | Short-term prediction of electricity outages caused by convective storms | |
CN115423810B (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
CN116070728B (zh) | 光伏发电系统发电量预测方法、设备、系统及介质 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN115423758B (zh) | 一种全场精细化dni预测方法 |
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 |