CN116914730A - 基于广域卫星云图数据的日前光伏功率预测方法及装置 - Google Patents
基于广域卫星云图数据的日前光伏功率预测方法及装置 Download PDFInfo
- Publication number
- CN116914730A CN116914730A CN202310808151.9A CN202310808151A CN116914730A CN 116914730 A CN116914730 A CN 116914730A CN 202310808151 A CN202310808151 A CN 202310808151A CN 116914730 A CN116914730 A CN 116914730A
- Authority
- CN
- China
- Prior art keywords
- cloud
- day
- data
- characteristic point
- 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 61
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于广域卫星云图数据的日前光伏功率预测方法及装置,属于光伏超短期预测领域。其中,所述方法包括:获取待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据;对日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;将日前功率数据、日前气象数据、云团特征点信息和云团移动轨迹输入预设的日前光伏功率预测模型,该模型输出待预测区域第二日的光伏功率预测值。本发明通过联合更广空间尺度的云图数据与地面气象站监测数据,进而对日前的区域各场站光伏功率进行预测,能有效提高多种气象类型下的区域光伏功率预测精度。
Description
技术领域
本发明属于光伏超短期预测领域,具体涉及一种基于广域卫星云图数据的日前光伏功率预测方法及装置。
背景技术
随着太阳能开发与利用水平的不断提升,由于太阳能资源易于获取的分布特性,未来我国的光伏发电装机容量将迎来爆发式增长。考虑到光伏出力的强不确定性,含高比例新能源的区域电网需要更灵活有效的调节能力,包括跨区域级调度、大范围用户需求响应和互联电网储能配置等,而准确可靠的区域级光伏预测则是指导新型电力系统调度控制的基础和关键。
传统的基于光伏电站历史功率数据以及数值天气预报的光伏功率预测模型受到算法原理以及数据精度的制约,难以对云团运动导致的分钟级功率波动作出精准预测。现有研究成果证明了卫星遥感数据应用于单站址光伏预测的可行性和有效性。然而,区域光伏出力总值受较大范围的天气影响,若要预测模型精确定位辖区内每个站址的云变化状况将花费极大的计算成本,故目前的针对单站址的基于卫星遥感的光伏功率预测方法并不适用于区域级的光伏功率预测。
发明内容
本发明的目的是为克服已有技术的不足之处,提出一种基于广域卫星云图数据的日前光伏功率预测方法及装置。本发明通过联合更广空间尺度的云图数据与地面气象站监测数据,进而对日前的区域各场站光伏功率进行预测,能有效提高多种气象类型下的区域光伏功率预测精度。
本发明第一方面实施例提出一种基于广域卫星云图数据的日前光伏功率预测方法,包括:
获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;
对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;
将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。
在本发明的一个具体实施例中,所述气象数据包括:辐照度和云量。
在本发明的一个具体实施例中,所述日前光伏功率预测模型包括依次连接的CNN网络、Attention层和GRU层。
在本发明的一个具体实施例中,在所述将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型之前,所述方法还包括:
训练所述日前光伏功率预测模型;
所述训练所述日前光伏功率预测模型,包括:
1)获取待预测区域在选取的历史时间段的气象数据、待预测区域的光伏场站功率数据和卫星云图数据;
2)对步骤1)的卫星云图数据进行处理,获取各时刻的云团特征点以构建卫星云团特征点数据集;
3)根据步骤2)得到的卫星云团特征点数据集,生成各相邻时刻的云团移动轨迹;
4)将步骤2)的云团特征点数据集、步骤3)的云团移动轨迹、步骤1)的光伏场站功率数据与气象数据组成日前光伏功率预测模型的训练集;
其中,所述训练集的单个训练样本的输入为日前功率数据、日前气象数据、日前云团特征点数据集和日前各相邻时刻的云团移动轨迹数据集,该训练样本的输出为对应的第二日的光伏场站功率;
5)构建所述日前光伏功率预测模型;
6)利用步骤4)的训练集训练所述日前光伏功率预测模型,得到训练完毕的所述日前光伏功率预测模型。
在本发明的一个具体实施例中,所述获取各时刻的云团特征点以构建卫星云团特征点数据集,包括:
1)融合同一时刻不同波段的卫星云图数据得到该时刻融合后的卫星云图,计算表达式如下:
式中,L*为融合图像;Li*为第i层融合分量;为波段b的第i层分量;/>为波段b的第i层权值;Sb为波段b的显著性水平;Fi(.;ri,εi)为第i层滤波函数、含参数滤波半径ri和正则化系数εi;N是波段数量,N'为每个波段分量的层数;
2)根据步骤1)的结果,从融合后的卫星云图中提取该时刻的云团特征点;
其中,采用Hessian矩阵提取特征点:
其中,x,y分别代表卫星云图L*中任一点的横坐标和纵坐标,f为云图L*中坐标(x,y)的颜色灰度值;
Hessian矩阵的判别式为:
式中,AHessian为Hessian矩阵,det(·)为矩阵的行列式;
在SURF算法中,用云图像素I(x,y)代替f(x,y),尺度为μ的像素点I(x,y)的Hessian矩阵定义为:
L(x,y,μ)为一幅图像在不同解析度下的表示,利用高斯核G(·)与像素I(x,y)的卷积实现;g(·)为高斯函数;
其中,
Lxx(x,y,μ)=Gxx(x,y,μ)*I(x,y) (5)
式中,*代表卷积运算;μ为像素点I(x,y)的尺度,取值范围为(1,D),D为云图像素点在轴向的最大值;
构建快速Hessian矩阵,求解得到每个像素的Hessian矩阵行列式的近似值:
式中,Dxx、Dxy、Dyy分别为盒式滤波器与该点(x,y)像素值的卷积,以代替Lxx、Lxy、Lyy;
若特征值hxy大于周围像素点特征值,则点(x,y)为该点为中心的区域的特征点;
以特征点邻域内颜色灰度梯度特征与自身HSV颜色信息作为特征点描述集合,所述灰度梯度特征由该特征点外围的8个紧邻的像素点,每个像素点包含8个方向的颜色灰度梯度向量,如下所示:
VHSV-SURF=(V1,V2,...,V64,H,S,V) (9)
式中,V1,···,V64为特征点邻域的颜色灰度梯度特征;H代表色调、S代表饱和度、V代表亮度;
由式(9),得到L*中每个云团特征点描述指标VHSV-SURF;
通过获取各个时刻的融合后的卫星云图对应的云团特征点及该特征点描述指标,得到卫星云团特征点数据集。
在本发明的一个具体实施例中,所述生成各相邻时刻的云团移动轨迹,包括:
1)获取任意两个相邻时刻的云团特征点匹配对,包括:
计算任意两个相邻时刻的特征点的欧氏距离D:
其中,是在两个相邻时刻融合后的卫星云图中分别选取的一个特征点,/>和分别为/>和/>的第i个坐标;
获取到当前时刻融合后的卫星云图中各特征点在下一时刻融合后的卫星云图中的最邻近的特征点,将每个特征点与其在下一时刻的最邻近的特征点构成一个特征点匹配对;
2)根据步骤1)的结果,生成任意两个相邻时刻的云团移动轨迹;包括:
2-1)将任意相邻两个时刻的每个特征点匹配对中两个特征点连成线段,遍历各个特征点匹配对,剔除与其他特征点匹配对线段相交点数目大于3的特征点匹配对;
2-2)将剩余的特征点匹配对按照比值(Di/Dm)递增排序,得到更新后的特征点匹配对集合P;其中Di为第i个特征点匹配对的欧氏距离;Dm为其余特征点匹配对的欧氏距离平均值;
2-3)基于更新后的特征点匹配对集合,计算相邻时刻特征点的空间位置变换矩阵,即云团特征点的移动轨迹,所述移动轨迹矩阵表示方法如下:
式中,(xτ+1,yτ+1)为τ+1时刻云团特征点位置,(xτ,yτ)为τ时刻云团特征点位置;M为特征点的位置变换变化矩阵;mij为t时刻云图特征点的j方向坐标在i方向的位置变化系数,i,j<3;j=3且i<3时,mij为云图特征点在i方向的位置偏移;i=3时,mij为分别取0,0,1;
求解该相邻两个时刻的特征点的位置变换矩阵M后,采用交叉验证的方法,取集合P前50%样本对特征点变换矩阵M进行求解与验证,每次取一个样本求解M并计算所得变换矩阵M对剩余样本拟合误差;
5)遍历所有样本依次求解M并计算满足匹配点对与M的误差阈值的数量,选择满足阈值数量最大的M作为当前时刻与相邻时刻云团特征点的移动轨迹描述矩阵。
本发明第二方面实施例提出一种基于广域卫星云图数据的日前光伏功率预测装置,包括:
数据采集模块,用于获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;
卫星云图处理模块,用于对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;
功率预测模块,用于将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。
本发明第三方面实施例提出一种电子设备,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述一种基于广域卫星云图数据的日前光伏功率预测方法。
本发明第四方面实施例提出一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述一种基于广域卫星云图数据的日前光伏功率预测方法。
本发明的特点及有益效果在于:
本发明通过识别云团特征点与轨迹,能够较好地保留卫星云图的原始信息、减小特征混叠,并能够跟踪到云运动轨迹,以配合本发明的光伏功率预测模型得到更为准确的区域光伏功率预测结果。
本发明的光伏功率预测模型通过一种改进CNN-Attention-GRU混合神经网络结构,能够有效融合处理后的云图信息以及地面气象测站信息,从而提升模型预测精度;基于历史光伏功率序列和卫星云图图像两类输入实现光伏功率预测,数据输入的空间范围广、适用于1.5h-48h及以上时间尺度。
本发明能有效提高多种气象类型下的光伏功率预测精度,结合卫星遥感数据可实现对于区域内各光伏电站功率的准确预测,有较高的应用价值。
附图说明
图1是本发明实施例的一种基于广域卫星云图数据的日前光伏功率预测方法的整体流程图。
具体实施方式
本发明提出一种基于广域卫星云图数据的日前光伏功率预测方法及装置,下面结合附图,对本发明的具体实施方式作进一步的详细说明。
本发明第一方面实施例提出一种基于广域卫星云图数据的日前光伏功率预测方法,包括:
获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;
对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;
将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。
在本发明的一个具体实施例中,所述一种基于广域卫星云图数据的日前光伏功率预测方法,整体流程如图1所示,包括训练阶段和预测阶段,该方法包括以下步骤:
1)训练阶段;
1-1)获取待预测区域的历史数据;
本实施例中,所述历史数据包括:历史气象数据、区域内光伏场站的历史功率数据和历史卫星云图数据。本实施例的历史数据跨度大于等于1年。
本实施例的待预测区域可以是一个光伏场站也可以由多个光伏场站构成的集群。本发明一个具体实施例中,获取西北某光伏场站2019年全年历史数据,其中以15分钟为间隔获取历史数据,每一天获取96个点的数据。
具体地,所述气象数据具体包括:辐照度和云量,还可以包括:风速,风向,气压,温度等;本发明一个具体实施例选取了辐照度和云量。
所述卫星云图数据的波段大于2个,本实施例中选用了4个波段的卫星云图数据,分别是长波红外,10.8微米;可见光,0.47微米;短波红外,1.37微米;可见光,0.65微米。时间间隔为1小时。
1-2)对各时刻的卫星云图数据进行处理,获取该时刻的云团特征点以构建卫星云团特征点数据集。具体步骤如下:
1-2-1)由导向滤波算法融合同一时刻不同波段的卫星云图数据得到该时刻融合后的卫星云图,计算表达式如下:
式中,L*为融合图像;Li*为第i层融合分量;为波段b的第i层分量;Wi b为波段b的第i层权值;Sb为波段b的显著性水平;Fi(.;ri,εi)为第i层滤波函数、含参数滤波半径ri和正则化系数εi,本实施例采用低通滤波函数;L4为导向滤波的基底,即带宽最长的波段的卫星图像。融合图像L*作为后续云团特征点识别算法的输入。N是波段数量,本实施例为4。N'为每个波段分量的层数。
1-2-2)根据步骤1-2-1)的结果,从融合后的卫星云图中提取该时刻的云团特征点。
本实施例以加速鲁棒特征(speeded up robust features,SURF)算法为基础,提出一种考虑HSV颜色空间的SURF算法(记为HSV-SURF),实现历史云团的定位,得到云团特征点信息。
SURF算法采用Hessian矩阵来提取特征点。Hessian矩阵是SURF算法的核心:
其中,x,y分别代表卫星云图L*中任一点的横坐标和纵坐标,f为云图L*中坐标(x,y)的颜色灰度值。
Hessian矩阵的判别式为:
式中,AHessian为Hessian矩阵,det(·)为矩阵的行列式,即上述判别式(3)的值为Hessian矩阵的特征值:特征值为正时,该点(x,y)为极小值,特征值为负时,该点(x,y)为极大值。在SURF算法中,用云图像素I(x,y)代替f(x,y),尺度为μ的像素点I(x,y)的Hessian矩阵可定义为:
L(x,y,μ)为一幅图像在不同解析度下的表示,可利用高斯核G(·)与像素I(x,y)的卷积实现。g(·)为高斯函数,以Lxx(·)与Gxx(·)为例,计算过程如下:
Lxx(x,y,μ)=Gxx(x,y,μ)*I(x,y) (5)
式中,*代表卷积运算;μ为像素点I(x,y)的尺度,取值范围为(1,D),D为云图像素点在轴向的最大值。
由于高斯核服从正态分布,从中心点往外系数越来越低,为了提高运算速度,SURF使用了盒式滤波器来近似替代高斯滤波器,提高运算速度。构建快速Hessian矩阵,进一步求解可得每个像素的Hessian矩阵行列式的近似值:
式中,Dxx、Dxy、Dyy分别为盒式滤波器与该点(x,y)像素值的卷积,用以代替Lxx、Lxy、Lyy。
本发明一个具体实施例中,以3×3滤波器为例,位于中间的像素点特征值hxy若大于周围像素点特征值,则可认定点(x,y)为该区域的特征点。
本发明以特征点邻域内颜色灰度梯度特征与自身HSV颜色信息作为特征点描述集合。本实施例中,灰度梯度特征由该特征点外围的8个紧邻的像素点,每个像素点包含8个方向的颜色灰度梯度向量,如下所示:
VHSV-SURF=(V1,V2,...,V64,H,S,V) (9)
式中,V1,···,V64为特征点邻域的颜色灰度梯度特征。H代表色调(Hue)、S代表饱和度(Saturation)、V代表亮度(Value),为3个体现颜色信息的参数。本实施例考虑灰度与颜色信息后,特征点自身信息更加详尽,特征点匹配时,准确度将得到一定提升。
由式(9),得到L*中每个云团特征点描述指标VHSV-SURF。
通过获取各个时刻的融合后的卫星云图对应的云团特征点及该特征点描述指标,得到卫星云团特征点数据集。
1-3)根据步骤1-2)得到的卫星云团特征点数据集,生成各相邻时刻的云团移动轨迹。
本实施例中,对步骤1-2)获取的卫星云团特征点数据集进行进一步处理,通过匹配任意两个相邻时刻的特征点,比对匹配后特征点在该两个相邻时刻坐标变化情况,得到该两个时刻的云团运动轨迹,具体地,本实施例提出基于快速最近邻逼近搜索函数库(fastlibrary for approximate nearest neighbors,FLANN)匹配法匹配云团特征点,然后采用改进随机抽样一致算法(improved random sample consensus,IRANSAC)根据匹配的云团特征点计算云团运动轨迹。具体步骤如下:
1-3-1)获取任意两个相邻时刻的云团特征点匹配对。
本实施例中,FLANN匹配法模型的特征空间一般是n维实数向量空间,该方法的核心是通过使用欧氏距离D来寻找与实例点的最邻近的点。欧氏距离D计算方法如下:
其中,是在两个相邻时刻融合后的卫星云图中分别选取的一个特征点,/>和/>分别为/>和/>的第i个坐标。
对任意和/>通过随机k-d森林算法将其在n维空间Rn划分为特定的几个部分。向量空间Rn中所有欧氏距离/>通过随机k-d森林结构存储后,便可以有效搜索与参考点距离最邻近的点。整个搜索过程是随机k-d森林由上至下的递归过程。
基于上述最近邻特征点的FLANN匹配方法,可得到当前时刻融合后的卫星云图中各特征点在下一时刻融合后的卫星云图中的最邻近的特征点,将每个特征点与其在下一时刻的最邻近的特征点构成一个特征点匹配对,每个匹配对中包含当前时刻的一个特征点和下一时刻卫星云图中的一个特征点。
1-3-2)根据步骤1-3-1)的结果,生成任意两个相邻时刻的云团移动轨迹。
本实施例中,IRANSAC算法具体步骤如下:
1-3-2-1)将任意相邻两个时刻的各特征点匹配对中两个特征点连成线段,遍历各个特征点匹配对,剔除与其他特征点匹配对线段相交点数目大于3的特征点匹配对。
1-3-2-2)将剩余的特征点匹配对按照比值(Di/Dm)递增排序,得到更新后的特征点匹配对集合P。其中Di为第i个特征点匹配对的欧氏距离;Dm为其余特征点匹配对的欧氏距离平均值。
1-3-2-3)基于更新后的特征点匹配对集合,计算相邻时刻特征点的空间位置变换矩阵,即云团特征点的移动轨迹,所述移动轨迹矩阵表示方法如下:
式中,(xτ+1,yτ+1)为τ+1时刻云团特征点位置,(xτ,yτ)为τ时刻云团特征点位置。M为特征点的位置变换变化矩阵;mij(i,j<3)为t时刻云图特征点的j方向坐标在i方向的位置变化系数;j=3且i<3时,mij为云图特征点在i方向的位置偏移;i=3时,mij为分别取0,0,1。
求解该相邻两个时刻的特征点的位置变换矩阵M,采用交叉验证的方法,取集合P前50%样本对特征点变换矩阵M进行求解与验证。每次取一个样本求解M并计算所得变换矩阵M对剩余样本拟合误差,本实例采用计算方法为:DM/Dk,DM为所求得M计算的下一时刻特征点位置与实际位置的欧氏距离,Dk为当前匹配对中两实际特征点间的欧式距离。
1-3-2-4)设定误差阈值为40%,计算满足阈值的匹配对数量。遍历所有样本依次求解M并计算满足匹配点对与M的误差阈值的数量,选择满足阈值数量最大的M作为当前时刻与相邻时刻云团特征点的移动轨迹描述矩阵。
由上述方法计算每两个相邻时刻的云图的云团移动轨迹(云团的轨迹是由各个特征点的轨迹组合而成。)每两个相邻时刻最终会生成一个M作为云团轨迹。
1-4)将步骤1-2)的云团特征点数据集、步骤1-3)的云团移动轨迹数据集和步骤1-1)的光伏场站的历史功率与历史气象数据组成日前光伏功率预测模型的训练集;
其中,所述训练集的单个训练样本的输入为历史数据中的日前功率数据、日前气象数据、日前云团特征点数据集和日前各相邻时刻的云团移动轨迹数据集,该训练样本的输出为历史数据中对应的第二日的光伏场站功率。
1-5)构建日前光伏功率预测模型;
本实施例中,所述日前光伏功率预测模型提出一种结合Attention机制的CNN-GRU改进型神经网络,该网络主要优点在于CNN网络与GRU层之间加入了Attention层,以调整网络对不同特征的关注度。
其中,CNN(卷积神经网络)的结构由输入层、卷积神经层(Convolutional Layer)、下采样层(Pooling Layer)、全连接层(Fully ConnectedNetwork)及输出层构成。其中卷积神经网络层、下采样层、全连接被合称为隐含层。
本发明通过上述的CNN网络对输入特征进行初步下采样,并将所得结果输入Attention层。Attention层的核心思想是在输入序列上引入注意力权重,以评估不同输入信息的重要程度,有助于模型更为直接的关注到与期望输出关联度更高的输入信息,增强模型的精度。
以跨度为n的时间序列[x1,x2,...,xn]为例,注意力权重向量αt及加权向量xt的计算规则如式(11)-(13)所示。式中,W(α)权重矩阵;⊙为Hadamard运算;σ为Sigmoid激活函数。
αt=σ(W(α)xt+bα) (11)
xt′=αt⊙xt=[αt1xt1,αt2xt2,...,αtnxtn] (13)
式中,αti为t时刻第i维特征的注意力权重;xti为t时刻第i维特征。
基于上述Attention层的输出数据,输入GRU网络进行时序信息的提取,GRU网络的计算方法如下:
GRU(门控循环网络)是一种特殊的时序神经网络,将遗忘门和输入门合成了一个单一的更新门,该网络首先通过上一个传输下来的状态ht-1和当前节点的输入xt获取两个门控状态。得到门控信号之后,首先使用“重置门”控来得到“重置”之后的数据rt,再将rt与当前记忆内容h't进行拼接,通过“更新门”zt激活后得到最终门控循环单元输出的内容,GRU的计算过程可被表述为如下形式。
其中,W(z),U(z),W(r),U(r)为输入各个门的权重参数,σ是sigmoid激活函数,tanh是tanh激活函数。
zt=σ(W(z)xt+U(z)ht-1) (14)
rt=σ(W(r)xt+U(r)ht-1) (15)
h′t=tanh(Wxt+rt⊙Uht-1) (16)
ht=zt⊙ht-1+(1-zt)⊙h′t (17)
本实施例中,基于步骤1-4)得到的训练集对日前模型进行训练日前光伏功率预测模型进行训练,得到训练完毕的日前光伏功率预测模型。
在本发明的一个具体实施例中,训练样本的数据来自西北某电站2019年全年数据,设定batchsize为32,epoch为500,学习率为0.01,损失函数为RMSE。利用训练集训练模型,如果达到最大迭代次数(k>K),则迭代终止,输出网络参数;否则,令k=k+1,并继续进行迭代。
2)预测阶段。
2-1)获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中,所述气象数据类型与训练阶段相同,所述卫星云图数据的波段与训练阶段的卫星云图数据的波段相同,本发明一个具体实施例中选用了4个波段。
2-2)重复步骤1-2),对步骤2-1)的日前卫星云图数据进行处理,得到云团特征点信息和云团移动轨迹。
2-3))将步骤2-2)得到的云团特征点信息和云团移动的轨迹以及步骤2-1)得到的日前功率和日前气象数据输入训练完毕的日前光伏功率预测模型,该模型输出待预测区域第二日的光伏功率预测值。
为实现上述实施例,本发明第二方面实施例提出一种基于广域卫星云图数据的日前光伏功率预测装置,包括:
数据采集模块,用于获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;
卫星云图处理模块,用于对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;
功率预测模块,用于将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。
需要说明的是,前述对一种基于广域卫星云图数据的日前光伏功率预测方法的实施例解释说明也适用于本实施例的一种基于广域卫星云图数据的日前光伏功率预测装置,在此不再赘述。根据本发明实施例提出的一种基于广域卫星云图数据的日前光伏功率预测装置,通过获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。由此可实现通过联合更广空间尺度的云图数据与地面气象站监测数据,进而对日前的区域各场站光伏功率进行预测,能有效提高多种气象类型下的区域光伏功率预测精度。
为实现上述实施例,本发明第三方面实施例提出一种电子设备,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述一种基于广域卫星云图数据的日前光伏功率预测方法。
为实现上述实施例,本发明第四方面实施例提出一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述一种基于广域卫星云图数据的日前光伏功率预测方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例的一种基于广域卫星云图数据的日前光伏功率预测方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于广域卫星云图数据的日前光伏功率预测方法,其特征在于,包括:
获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;
对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;
将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。
2.根据权利要求1所述的方法,其特征在于,所述气象数据包括:辐照度和云量。
3.根据权利要求1所述的方法,其特征在于,所述日前光伏功率预测模型包括依次连接的CNN网络、Attention层和GRU层。
4.根据权利要求3所述的方法,其特征在于,在所述将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型之前,所述方法还包括:
训练所述日前光伏功率预测模型;
所述训练所述日前光伏功率预测模型,包括:
1)获取待预测区域在选取的历史时间段的气象数据、待预测区域的光伏场站功率数据和卫星云图数据;
2)对步骤1)的卫星云图数据进行处理,获取各时刻的云团特征点以构建卫星云团特征点数据集;
3)根据步骤2)得到的卫星云团特征点数据集,生成各相邻时刻的云团移动轨迹;
4)将步骤2)的云团特征点数据集、步骤3)的云团移动轨迹、步骤1)的光伏场站功率数据与气象数据组成日前光伏功率预测模型的训练集;
其中,所述训练集的单个训练样本的输入为日前功率数据、日前气象数据、日前云团特征点数据集和日前各相邻时刻的云团移动轨迹数据集,该训练样本的输出为对应的第二日的光伏场站功率;
5)构建所述日前光伏功率预测模型;
6)利用步骤4)的训练集训练所述日前光伏功率预测模型,得到训练完毕的所述日前光伏功率预测模型。
5.根据权利要求4所述的方法,其特征在于,所述获取各时刻的云团特征点以构建卫星云团特征点数据集,包括:
1)融合同一时刻不同波段的卫星云图数据得到该时刻融合后的卫星云图,计算表达式如下:
式中,L*为融合图像;Li*为第i层融合分量;为波段b的第i层分量;Wi b为波段b的第i层权值;Sb为波段b的显著性水平;Fi(.;ri,εi)为第i层滤波函数、含参数滤波半径ri和正则化系数εi;N是波段数量,N'为每个波段分量的层数;
2)根据步骤1)的结果,从融合后的卫星云图中提取该时刻的云团特征点;
其中,采用Hessian矩阵提取特征点:
其中,x,y分别代表卫星云图L*中任一点的横坐标和纵坐标,f为云图L*中坐标(x,y)的颜色灰度值;
Hessian矩阵的判别式为:
式中,AHessian为Hessian矩阵,det(·)为矩阵的行列式;
在SURF算法中,用云图像素I(x,y)代替f(x,y),尺度为μ的像素点I(x,y)的Hessian矩阵定义为:
L(x,y,μ)为一幅图像在不同解析度下的表示,利用高斯核G(·)与像素I(x,y)的卷积实现;g(·)为高斯函数;
其中,
Lxx(x,y,μ)=Gxx(x,y,μ)*I(x,y) (5)
式中,*代表卷积运算;μ为像素点I(x,y)的尺度,取值范围为(1,D),D为云图像素点在轴向的最大值;
构建快速Hessian矩阵,求解得到每个像素的Hessian矩阵行列式的近似值:
式中,Dxx、Dxy、Dyy分别为盒式滤波器与该点(x,y)像素值的卷积,以代替Lxx、Lxy、Lyy;
若特征值hxy大于周围像素点特征值,则点(x,y)为该点为中心的区域的特征点;
以特征点邻域内颜色灰度梯度特征与自身HSV颜色信息作为特征点描述集合,所述灰度梯度特征由该特征点外围的8个紧邻的像素点,每个像素点包含8个方向的颜色灰度梯度向量,如下所示:
VHSV-SURF=(V1,V2,...,V64,H,S,V) (9)
式中,V1,···,V64为特征点邻域的颜色灰度梯度特征;H代表色调、S代表饱和度、V代表亮度;
由式(9),得到L*中每个云团特征点描述指标VHSV-SURF;
通过获取各个时刻的融合后的卫星云图对应的云团特征点及该特征点描述指标,得到卫星云团特征点数据集。
6.根据权利要求5所述的方法,其特征在于,所述生成各相邻时刻的云团移动轨迹,包括:
1)获取任意两个相邻时刻的云团特征点匹配对,包括:
计算任意两个相邻时刻的特征点的欧氏距离D:
其中,是在两个相邻时刻融合后的卫星云图中分别选取的一个特征点,/>和/>分别为/>和/>的第i个坐标;
获取到当前时刻融合后的卫星云图中各特征点在下一时刻融合后的卫星云图中的最邻近的特征点,将每个特征点与其在下一时刻的最邻近的特征点构成一个特征点匹配对;
2)根据步骤1)的结果,生成任意两个相邻时刻的云团移动轨迹;包括:
2-1)将任意相邻两个时刻的每个特征点匹配对中两个特征点连成线段,遍历各个特征点匹配对,剔除与其他特征点匹配对线段相交点数目大于3的特征点匹配对;
2-2)将剩余的特征点匹配对按照比值(Di/Dm)递增排序,得到更新后的特征点匹配对集合P;其中Di为第i个特征点匹配对的欧氏距离;Dm为其余特征点匹配对的欧氏距离平均值;
2-3)基于更新后的特征点匹配对集合,计算相邻时刻特征点的空间位置变换矩阵,即云团特征点的移动轨迹,所述移动轨迹矩阵表示方法如下:
式中,(xτ+1,yτ+1)为τ+1时刻云团特征点位置,(xτ,yτ)为τ时刻云团特征点位置;M为特征点的位置变换变化矩阵;mij为t时刻云图特征点的j方向坐标在i方向的位置变化系数,i,j<3;j=3且i<3时,mij为云图特征点在i方向的位置偏移;i=3时,mij为分别取0,0,1;
求解该相邻两个时刻的特征点的位置变换矩阵M后,采用交叉验证的方法,取集合P前50%样本对特征点变换矩阵M进行求解与验证,每次取一个样本求解M并计算所得变换矩阵M对剩余样本拟合误差;
5)遍历所有样本依次求解M并计算满足匹配点对与M的误差阈值的数量,选择满足阈值数量最大的M作为当前时刻与相邻时刻云团特征点的移动轨迹描述矩阵。
7.一种基于广域卫星云图数据的日前光伏功率预测装置,其特征在于,包括:
数据采集模块,用于获取待预测区域的日前数据,包括:待预测区域的光伏场站日前功率数据、日前气象数据和日前卫星云图数据,其中所述卫星云图数据包含多个波段;
卫星云图处理模块,用于对所述日前卫星云图数据进行处理,得到各时刻的云团特征点信息和云团移动轨迹;
功率预测模块,用于将所述日前功率数据、所述日前气象数据、所述云团特征点信息和所述云团移动轨迹输入预设的日前光伏功率预测模型,所述模型输出所述待预测区域第二日的光伏功率预测值。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行上述权利要求1-6任一项所述的方法。
9.一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存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310808151.9A CN116914730A (zh) | 2023-07-04 | 2023-07-04 | 基于广域卫星云图数据的日前光伏功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310808151.9A CN116914730A (zh) | 2023-07-04 | 2023-07-04 | 基于广域卫星云图数据的日前光伏功率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116914730A true CN116914730A (zh) | 2023-10-20 |
Family
ID=88364015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310808151.9A Pending CN116914730A (zh) | 2023-07-04 | 2023-07-04 | 基于广域卫星云图数据的日前光伏功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914730A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312779A (zh) * | 2023-11-28 | 2023-12-29 | 中国船舶集团有限公司第七〇七研究所 | 一种基于深度学习的重力敏感器快速稳定测量方法 |
CN117691592A (zh) * | 2023-12-14 | 2024-03-12 | 湖南防灾科技有限公司 | 光伏出力预测方法、装置、电子设备及存储介质 |
CN118018112A (zh) * | 2024-04-09 | 2024-05-10 | 中国科学院空天信息创新研究院 | 星地激光通信任务能力分析方法、装置、系统及介质 |
-
2023
- 2023-07-04 CN CN202310808151.9A patent/CN116914730A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312779A (zh) * | 2023-11-28 | 2023-12-29 | 中国船舶集团有限公司第七〇七研究所 | 一种基于深度学习的重力敏感器快速稳定测量方法 |
CN117312779B (zh) * | 2023-11-28 | 2024-02-06 | 中国船舶集团有限公司第七〇七研究所 | 一种基于深度学习的重力敏感器快速稳定测量方法 |
CN117691592A (zh) * | 2023-12-14 | 2024-03-12 | 湖南防灾科技有限公司 | 光伏出力预测方法、装置、电子设备及存储介质 |
CN118018112A (zh) * | 2024-04-09 | 2024-05-10 | 中国科学院空天信息创新研究院 | 星地激光通信任务能力分析方法、装置、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116914730A (zh) | 基于广域卫星云图数据的日前光伏功率预测方法及装置 | |
CN106845401B (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
Nie et al. | Resampling and data augmentation for short-term PV output prediction based on an imbalanced sky images dataset using convolutional neural networks | |
CN112507793A (zh) | 一种超短期光伏功率预测方法 | |
Hong et al. | Globenet: Convolutional neural networks for typhoon eye tracking from remote sensing imagery | |
Le Guen et al. | A deep physical model for solar irradiance forecasting with fisheye images | |
CN110929543B (zh) | 一种气象数据处理方法及装置 | |
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN111461006A (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
CN116110022A (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及系统 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN117197632A (zh) | 一种基于Transformer的电镜花粉图像目标检测方法 | |
CN112396164A (zh) | 一种基于环境敏感的智能车辆轨迹预测方法 | |
CN116933931A (zh) | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 | |
Shi et al. | Building footprint extraction with graph convolutional network | |
CN112288694B (zh) | 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法 | |
Wang et al. | Hacloudnet: A ground-based cloud image classification network guided by height-driven attention | |
Renault et al. | Sar-unet: Small attention residual unet for explainable nowcasting tasks | |
Su et al. | Faster and better instance segmentation for large scene remote sensing imagery | |
Shi et al. | CloudFU-Net: A Fine-grained Segmentation Method For Ground-based Cloud Images Based On An Improved Encoder-Decoder Structure | |
Zhang et al. | Research and Application of GAN-GRU in Bridge Monitoring Data Cleaning | |
Cao et al. | Candidate box fusion based approach to adjust position of the candidate box for object detection | |
Olaofe | Assessment of LSTM, Conv2D and ConvLSTM2D Prediction Models for Long-Term Wind Speed and Direction Regression Analysis |
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 |