CN117392451A - 一种使用月亮来预测太阳聚光比分布的方法 - Google Patents

一种使用月亮来预测太阳聚光比分布的方法 Download PDF

Info

Publication number
CN117392451A
CN117392451A CN202311392800.8A CN202311392800A CN117392451A CN 117392451 A CN117392451 A CN 117392451A CN 202311392800 A CN202311392800 A CN 202311392800A CN 117392451 A CN117392451 A CN 117392451A
Authority
CN
China
Prior art keywords
moon
spot
sun
solar
image
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
Application number
CN202311392800.8A
Other languages
English (en)
Inventor
郭明焕
王健
王志峰
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.)
Institute of Electrical Engineering of CAS
Original Assignee
Institute of Electrical Engineering of CAS
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 Institute of Electrical Engineering of CAS filed Critical Institute of Electrical Engineering of CAS
Priority to CN202311392800.8A priority Critical patent/CN117392451A/zh
Publication of CN117392451A publication Critical patent/CN117392451A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/147—Details of sensors, e.g. sensor lenses
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Vascular Medicine (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提出了一种使用月亮来预测太阳聚光比分布的方法。该方法可以考虑到定日镜场的跟踪误差、表面误差、场地的反射几何以及大气传输偏差等因素，并具有可靠地预测太阳能流密度分布的潜力。文中还讨论了太阳聚光比分布与月球聚光比分布之间的数学关系。在中国北京的一个CSP站点设计并进行了实验，初步结果显示，使用GAN学习的模型输出的聚光比分布图像与基于月球聚光比分布图像的原始太阳聚光比分布图像的分布非常接近。

Description

一种使用月亮来预测太阳聚光比分布的方法
技术领域
本发明将深度学习与传统太阳能热发电技术相结合，用生成对抗网络(GAN)来预测太阳能流密度分布，具体涉及一种使用月亮来预测太阳聚光比分布的方法。
背景技术
能源是支撑所有人类活动和工业发展的基础。在半个世纪的时间里，可再生能源的应用一直是吸引全球关注的主要问题之一。在所有可行的可再生能源资源中，太阳能占据了总量的约99.98％。在过去的两十年里，集中式太阳能发电(CSP)技术迅速发展，并显示出巨大的潜力，可以用来补充光伏(PV)电力系统或成为混合可再生能源系统的一部分。目前，有两种主要类型的CSP系统：槽式聚光系统和塔式聚光系统。对于塔式聚光系统，大量的平面反射太阳能镜追踪太阳的运动，并将阳光同时反射到位于塔上的接收器上，形成了高强度的太阳辐射分布在接收器的光圈上。接收器吸收进入的光能并将其转化为热能，可以直接储存或用来驱动斯特林机以产生电力。
太阳能流密度分布对于研究太阳热电站中聚光集热器性能至关重要，获得整个定日镜场的综合效率需要对能量辐射分布进行准确测量和预测分析。然而，测量定日镜场的能流密度涉及到许多挑战，其中包括复杂的高温测试。准确测量能量辐射分布是在聚光集热器系统的实际应用中迫切需要解决的问题。
目前测量太阳辐射分布的主要方法有两种：一是通过热流传感器阵列直接测量目标表面特征点的能流密度分布。直接测量只能测量少数特征点的能流密度，其应用范围有限。第二种方法是使用CCD相机拍摄目标表面上的聚光点，并使用少量热流传感器获取整个目标表面的能流密度分布。这种间接方法由于测试过程简单且具有相对较高的空间分辨率而被广泛使用。然而，测量的误差相当大。高目标表面温度也不适合安装热流传感器和捕捉清晰完整的灰度太阳辐射图像。
利用月亮作为光源来测量能流密度是一种巧妙的方法。月亮是一种冷光源，即使许多定日镜集中了月光到中央塔的目标表面上，也不会产生高温。利用月光法来测量能流密度分布避免了高温问题，操作简单，不需要水冷却机制，并且测试可以在晚上进行，不会干扰白天定日镜的正常运行。太阳和月亮的聚光比分布之间的数学函数非常复杂，涉及许多因素，如定日镜的跟踪误差、反射表面误差等，以及环境因素，如大气温度、大气湿度、环境光照等。建立太阳聚光分布与月球聚光分布之间的确定性数学模型太过困难。
发明内容
因此，我们提出了一种使用月亮来预测太阳聚光比分布的方法来克服这些限制。我们使用生成对抗网络来训练一个模型，该模型在同一方向上放置两个光源，分别代表月球聚光和太阳聚光，来建立月球聚光分布和太阳聚光分布之间的关系。实验结果证明了这种方法的有效性。
本发明的目的在于提出一种使用月亮来预测太阳聚光比分布的方法，使用月光聚光比分布图就可以预测相同光源位置下的太阳聚光比分布图。
为了实现上述目的，本发明采取了如下的技术方案：
一种使用月亮来预测太阳聚光比分布的方法，具体包括以下步骤：
步骤1：采用CCD相机+长焦镜头+三脚架+数采系统的方式，在具体目标点150m左右的距离进行光斑的采集，同时做到了光斑细节的保留。
步骤2：对提取光斑的图像进行处理，对图像中光斑位置进行精准定位、采集和提取，同时能够将光斑能量最高点留在中央位置，保证了日月光斑的对应关系，提高了后续模型训练的精度。
步骤3：对日月光斑图像数据进行处理，通过对日月轨迹进行匹配和分段，再结合图像的时间参数进行配对，从而得到日月光斑图在相同光源位置下的匹配数据。
步骤4：对两张光斑图进行结构性差异对比的图像处理，可以直观的展示出两张图片的差异区域，采用了高斯加权来计算每对图像块的均值、方差和协方差。结合图像处理中的阈值分割和边缘提取操作，用绿框对两张图片的结构性差异区域进行框选。结构相似性指数(SSIM)相对于余弦方法能够更好地描述两个图像之间的相似性。
步骤5：分别采用cyclegan和pix2pix模型进行模型的训练和搭建，最终模型的效果为输入月亮光斑图，输出与其在相同光源位置下的太阳光斑图，经过直方图相似度、SSIM结构性相似度等多维度的评测，证明该发明可以通过月亮光斑图来较为准确的预测太阳光斑图。
本发明具有以下有益技术效果：
通过这项发明，可以在训练出预测模型后提前预测出未来的太阳能流密度分布，从而提前做好准备，降低发电成本，并且提高安全性。
附图说明
图1是本发明中定日镜反射光源示意图，a：0光源；b：定日镜；c：塔式聚光器；
图2是本发明中日月轨迹匹配示意图，(a)：4月6日的太阳轨迹和3月1日的月亮轨迹；(b)：4月6日的月亮轨迹和3月2日的太阳轨迹；(c)：4月6日的月亮轨迹和3月3日的太阳轨迹；(d)：4月6日的月亮轨迹和3月4日的太阳轨迹。
图3是本发明中提取光斑的图像的示意图，(a)是原始图像，(b)是光斑提取后的图像；
图4是本发明中对月光斑、日光斑和cyclegan生成光斑的结构性差异对比。(a)为月光斑、(b)为与月光斑在相同光源位置下的日光斑、(c)通过cyclegan模型生成出来的日光斑、(d)为月光斑和日光斑的结构性差异区域、(e)为cyclegan模型生成的光斑与真实日光斑之间的结构性差异区域。
具体实施方式
下面结合附图对本发明的实施方式作详细说明。
1)实验设备介绍
1、7.0#定日镜：
选取的单面定日镜为八达岭太阳能热发电实验电站定日镜场中的7.0定日镜，该定日镜位于镜场的中间位置，状态良好。
2、CCD相机：
选用MV-EM120M型号相机，MV-EM120M采用CCD传感器，单色图像，灵敏度高，图像清晰、噪声小。
3、长焦镜头：
长焦镜头的选取采用AF VR尼克尔80-400mm f长焦镜头，该镜头的直径x长度(从镜头卡口伸出的延伸段)为91x 171毫米；最小f/stop为32；镜头结构(片/组)为17/11(3个ED镜片)；重量大约为1360克；80焦段最大光圈是4.5，400焦段最大光圈5.6，长焦镜头与CCD相机一同安装在三脚架上。
具体的实验方案如图1所示，图1中的各个部分为，a：0光源；b：定日镜；c：塔式聚光器。光源通过定日镜的反射，将光斑打到塔式聚光器上的纠偏白靶上，从而使得CCD相机+长焦镜头的组合可以准确的拍摄到光斑。
2)实验设计
1、对日月轨迹段落段进行匹配分析，从而确定实验采集时间，对2023.3.1的太阳轨迹与2023.4.6的月亮轨迹进行对比分析，如图2所示，(a)：4月6日的太阳轨迹和3月1日的月亮轨迹；(b)：4月6日的月亮轨迹和3月2日的太阳轨迹；(c)：4月6日的月亮轨迹和3月3日的太阳轨迹；(d)：4月6日的月亮轨迹和3月4日的太阳轨迹。
2、因为7.0定日镜的跟踪系统为跟日系统，因此为了能够准确跟踪月亮，采用修改时间的方式进行跟踪实验，轨迹间较小的偏差通过修改纠偏值或者手动跟踪的方式来进行纠偏。
3、在下方位置进行光斑的图像采集，采集频率为2s一张，白天光斑采集过程中，根据实际情况，保留更多的光斑细节，要不断修改CCD相机曝光时间，否则会出现过曝的情况，夜间则需要将增益以及曝光时间调到最大，才能够保留光斑细节。
3)数据处理
根据阶段的轨迹匹配，结合图像的时间参数，将日月光斑数据在相同光源位置下的图片进行一一配对，整理出日月光斑数据集。处理日月光斑图像数据，具体处理方式为，首先对日月轨迹进行匹配，日轨时间为6：00—20：00，月轨时间为18：00—次日7：00；然后根据阶段的轨迹匹配，将数据进行配对，整理出日月光斑数据集；截取时段1：2023.4.6的21:12-22:12的一小时时段的月光光斑图，和2023.3.2的9:00-10:00的一小时时段的太阳光斑图；截取时段2：2023.4.7的凌晨3:00-4:00的一小时时段的月光光斑图，和2023.3.1的14:54-15:54的一小时时段的太阳光斑图；截取时段3：2023.4.6的23:18-次日00:18的一小时时段的月光光斑图，和2023.3.2的11:00-12:00的一小时时段的太阳光斑图。截取时段4：2023.4.7的00:54-01:54的月光光斑图，和2023.3.1的12:45-13:45的日光光斑图。最后经过筛选，剔除掉异常数据，最终的数据集为时段1：207对数据集；时段2：173对数据集；时段3：249对数据集；时段4：236对数据集。共1730张，也就是865对日月在相同位置下的日月光斑图。
通过图像处理的方式，对光斑进行提取采集。首先通过高斯拟合剔除掉椒盐噪声，其次遍历图像中所有像素点，记录像素点最大值位置信息，以此为中心，进行400*400大小的图像切割，该方法能保证将光斑的温度核心确定在图像中心，强化日月光斑的对应关系，实验发现该提取方法对日月光斑的提取准确率均达到100％。如图3所示，(a)是拍摄的原始图像，(b)是经过图像处理光斑提取后的图像。
4)模型训练
将处理后的图像数据作为数据集，分别用cyclegan和pix2pix两种模型进行训练，输入月亮光斑图，输出为相同光源位置下的太阳光斑图，将生成图与真实相同光源位置下的太阳光斑图进行对比，再将月亮光斑图与真实相同光源位置下的太阳光斑图进行对比，根据这种方式对50个测试集的数据进行统一的处理，实验结果证明经过pix2pix模型的处理，直方图相似度提升约18％，结构性相似度提升约21％；经过cyclegan模型的处理，直方图相似度提升约16％，结构性相似度提升约19％。
通过图像处理来对结构性进行对比，cyclegan模型和pix2pix模型所产生的太阳光斑与真实太阳光斑之间的结构性差异区域面积与相同光源下的月亮光斑和太阳光斑的结构性差异区域面积比起来有很大的降低，值得注意的是，这些结构性差异较大的区域主要集中在中间区域和四个角，这是因为靶面上四个标定点对模型的预测产生了干扰，如果能够排除标定点，那么模型生成效果会更好，图像中的差异性区域用白框圈出，如图4所示，(a)为月光斑、(b)为与月光斑在相同光源位置下的日光斑、(c)通过cyclegan模型生成出来的日光斑、(d)为月光斑和日光斑的结构性差异区域、(e)为cyclegan模型生成的光斑与真实日光斑之间的结构性差异区域。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种使用月亮来预测太阳聚光比分布的方法，使用月亮光斑的分布图来预测在相同光源位置下太阳光斑的分布图；该方法包括以下步骤，
步骤1，采用采集塔式聚光器采集日月光斑图像：通过7.0#定日镜将日月反射的光斑打到塔式聚光器的纠偏白靶上，再通过使用CCD相机、长焦镜头、三脚架和数据采集系统，在距离塔式聚光器的纠偏白靶约150米的地方进行光斑采集，采集频率为1张/s，同时白天太阳光强变化范围大，需要不断修改曝光时间来确保光斑细节的保留，而夜间月亮光较弱，需要调高采集系统的增益和曝光时间来确保光斑细节的保留；
步骤2，对采集的日月光斑图像进行处理，用于精确定位、采集和提取图像中的光斑位置；
步骤3、处理日月光斑图像数据，通过匹配和分段日月轨迹，并结合图像的时间参数进行配对，以获取在相同光源位置下的日月光斑图的匹配数据；
步骤4、通过对比两张光斑图的结构性差异的图像处理方式，直观展示出两张图像的不同区域；
步骤5、使用CycleGAN和Pix2Pix模型进行模型的训练和构建；最终模型能够接受月亮光斑图作为输入，并生成与其在相同光源位置下的太阳光斑图作为输出。
2.根据权利要求1所述的方法，其特征在于，步骤2中，对采集的日月光斑图像进行处理，具体的处理方式为，首先对光斑图像进行中值滤波，来剔除掉光斑图像中的椒盐噪声，然后遍历全部像素点，记录像素值信息，同时要保留像素值最大像素点的位置信息，最后以该像素点位置作为中心点，进行400*400大小的图片裁剪；保证光斑最亮位置位于图像中间，且能够剔除掉其他无关的环境影响因子。
3.根据权利要求1所述的方法，其特征在于，步骤3中，处理日月光斑图像数据，处理日月光斑图像数据，具体处理方式为，首先对日月轨迹进行匹配，日轨时间为6：00—20：00，月轨时间为18：00—次日7：00；然后根据阶段的轨迹匹配，将数据进行配对，整理出日月光斑数据集；截取时段1的一小时时段的月光光斑图和对应的一小时时段的太阳光斑图；截取时段2的一小时时段的月光光斑图和对应的一小时时段的太阳光斑图；截取时段3的一小时时段的月光光斑图和对应的一小时时段的太阳光斑图；截取时段4的一小时的月光光斑图和对应的日光光斑图；最后经过筛选，剔除掉异常数据，最终获得多对日月在相同位置下的日月光斑图。
CN202311392800.8A 2023-10-25 2023-10-25 一种使用月亮来预测太阳聚光比分布的方法 Pending CN117392451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311392800.8A CN117392451A (zh) 2023-10-25 2023-10-25 一种使用月亮来预测太阳聚光比分布的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311392800.8A CN117392451A (zh) 2023-10-25 2023-10-25 一种使用月亮来预测太阳聚光比分布的方法

Publications (1)

Publication Number Publication Date
CN117392451A true CN117392451A (zh) 2024-01-12

Family

ID=89462666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311392800.8A Pending CN117392451A (zh) 2023-10-25 2023-10-25 一种使用月亮来预测太阳聚光比分布的方法

Country Status (1)

Country Link
CN (1) CN117392451A (zh)

Similar Documents

Publication Publication Date Title
CN113538391B (zh) 一种基于Yolov4和热红外图像的光伏缺陷检测方法
US20190158011A1 (en) Solar power forecasting
CN109458951B (zh) 一种定日镜面形现场检测系统及方法
US20140083413A1 (en) Method and apparatus for mapping cloud shading on the ground in a large area
CN109596212B (zh) 定日镜聚光效率的检测系统及检测方法
CN108225552B (zh) 塔式电站定日镜场聚光能流密度分布测量方法
CN102980313A (zh) 太阳能塔式光热电站的定日镜误差校正系统和方法
CN101936771A (zh) 红外成像测温式能流密度测量装置
El Jaouhari et al. Dual-axis solar tracker design based on a digital hemispherical imager
Chauvin et al. Cloud motion estimation using a sky imager
CN105806253A (zh) 一种定日镜面形检测装置及检测方法
CN102915040B (zh) 用于太阳能发电预测的高层云动态特征实时监测装置
KR20210043388A (ko) 태양광 발전량 예측 장치 및 이를 이용한 태양광 발전량 예측 방법
Schubnell Sunshape and its influence on the flux distribution in imaging solar concentrators
US8327838B1 (en) Solar parabolic trough mirror/receiver alignment
CN103712685A (zh) 光伏阵列辐照度测量辨识方法
CN108291742A (zh) 校准热电太阳能发电厂的定日镜
CN113936031A (zh) 一种基于机器视觉的云影轨迹预测方法
CN117392451A (zh) 一种使用月亮来预测太阳聚光比分布的方法
Stynes et al. Slope error measurement tool for solar parabolic trough collectors
CN114021442B (zh) 一种用于塔式光热电站的dni预测方法
CN116339394A (zh) 一种倾角与方位角自动对焦的光伏发电方法及装置
CN109357664B (zh) 一种碟式镜面三维结构实时监控的方法
Xu et al. Prediction of Solar Concentration Flux Distribution for a Heliostat Based on Lunar Concentration Image and Generative Adversarial Networks
CN112923589B (zh) 外置式太阳能吸热器表面热流密度分布的实时测量方法

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