CN117437230B - 基于图像修复的光伏电站功率预测方法及系统 - Google Patents

基于图像修复的光伏电站功率预测方法及系统 Download PDF

Info

Publication number
CN117437230B
CN117437230B CN202311763137.8A CN202311763137A CN117437230B CN 117437230 B CN117437230 B CN 117437230B CN 202311763137 A CN202311763137 A CN 202311763137A CN 117437230 B CN117437230 B CN 117437230B
Authority
CN
China
Prior art keywords
image
cloud
loss
photovoltaic
generator
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.)
Active
Application number
CN202311763137.8A
Other languages
English (en)
Other versions
CN117437230A (zh
Inventor
孟祥剑
石欣羽
张会敏
王伟琦
张玉敏
高峰
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202311763137.8A priority Critical patent/CN117437230B/zh
Publication of CN117437230A publication Critical patent/CN117437230A/zh
Application granted granted Critical
Publication of CN117437230B publication Critical patent/CN117437230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及光伏电站功率预测技术领域，具体为基于图像修复的光伏电站功率预测方法及系统，利用光伏阵列辐照度与输出功率之间的关系，和光伏阵列辐照度与光伏阵列被云团遮挡产生的像素变化之间的关系，将光伏阵列输出功率映射至云团特征，并构建能够描述云团特征的虚拟云图，利用图像修复模型对虚拟云图进行修复，使得光伏阵列被云团遮挡导致虚拟云图的残缺部分进行修复，利用修复后的虚拟云图结合光伏电站的实际输出功率，实现在动态云团遮挡下的光伏功率预测，能够将预测的分辨率提升至秒级。

Description

基于图像修复的光伏电站功率预测方法及系统
技术领域
本发明涉及光伏电站功率预测技术领域，具体为基于图像修复的光伏电站功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
光伏发电系统的出力受太阳辐照强度、温度、湿度等参数的影响较大，导致其具有间歇性、随机性和波动性的特征，将对电网稳定性造成较大冲击，因此需要对光伏电站的功率进行预测，从而提前应对其带来的冲击，维持电网稳定。
传统的光伏出力预测方法可分为三类，包括物理方法、统计方法和人工智能方法。
物理方法通过构建气象参数-输出功率物理模型，结合气数值天气预报对光伏功率进行直接预测。若物理模型和数据精度较低，其功率预测精度将难以保证。
统计方法通过收集和整合历史气象数据和历史出力数据，建立气象数据与电站出力的函数关系，进而实现光伏功率预测。此类方法所需数据量较大，且部分气象参数与光伏出力呈高度非线性关系，导致函数构建难度较大，预测精度较低。
人工智能算法具有较强的非线性映射能力，此类方法预测精度高度依赖于数据质量，且无法对瞬变的光伏功率进行精准的预测。与此同时，光伏电站会受到动态云团的遮挡，导致辐照度瞬变，这类遮挡带来的变化时间很短，导致光伏发电系统功率出现秒级的瞬变，从而导致目前的预测方法难以应对此类问题，从而难以提供调度部门在开展二次调频时所需的实时功率预测结果。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供基于图像修复的光伏电站功率预测方法及系统，基于光伏阵列辐照度与输出功率之间的线性关系，将光伏阵列输出功率转化为辐照度，并映射至云团厚度特征，构建能够描述云团特征的虚拟云图；基于图像修复模型对光伏阵列间隔区域导致的虚拟云图残缺部分进行修复，利用修复后的虚拟云图结合光伏电站模型实现在动态云团遮挡下的秒级光伏功率预测。
本发明的第一个方面提供基于图像修复的光伏电站功率预测方法，包括以下步骤：
获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；
得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；
确定虚拟云图修复前的像素深浅变化与光伏电站输出功率的线性关系，利用该线性关系确定虚拟云图修复前和修复后对应的光伏阵列集群输出功率，得到目标光伏电站当前时刻的输出功率和下一时刻的预测功率。
进一步的，云团特征包括云团的形状、大小、层次和厚度中的至少一种。
进一步的，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图包括，像素值由0到255变化期间，光伏阵列输出功率增大，光伏阵列上空的云团厚度减小。
进一步的，图像修复模型的训练过程，包括：
将缺损图像输入至生成器，生成器对缺损图像进行修复；
将修复图像和目标图像一起输入至多尺度判别器中，通过卷积层和池化层对图像进行不同尺度的下采样，对不同分辨率下的修复图像进行多尺度判别，计算对抗损失；
通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新。
进一步的，将缺损图像输入至生成器，生成器对缺损图像进行修复，具体为：将经过掩码处理的随机缺损云图输入至生成器，得到修复图像。
进一步的，计算对抗损失；具体为：；其中，M表示训练批次中样本的数量，G(I)表示生成器生成的修复图像，D(G(I))是判别器对修复图像的评价，D(T)是判别器对目标图像的评价，判别器的目标是最小化L D，使其能够更好的区分修复图像和目标图像。
进一步的，通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新，包括：
根据生成器对抗损失、绝对值损失和特征匹配损失更新生成器的权重和偏差，得到样本中的平均损失，并基于批次中所有样本的平均损失再次更新模型参数。
进一步的，生成器对抗损失，如下式所示：；绝对值损失，如下式所示：/>；其中，N表示修复图像与目标图像的像素总数，I ij表示修复图像第i行第j列的像素值，T ij表示目标图像第i行第j列的像素值，L L1通过对像素差异进行计算，使生成器参数朝向像素差异降低的方向进行迭代更新。
进一步的，特征匹配损失，如下式所示：；其中，T是总层数；N i表示第i层的特征元素数量；D k (i)(T)表示目标图像在第k个判别器尺度下第i层的特征表示；D k (i)(G(I))表示修复图像在第k个判别器尺度下第i层的特征表示，特征匹配损失的目标是最小化修复图像和目标图像的特征差异，提高修复图像的特征匹配度。
本发明的第二个方面提供基于图像修复的光伏电站功率预测系统，包括：
数据准备模块，被配置为：获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；
图像修复模块，被配置为：得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；
预测结果输出模块，被配置为：确定虚拟云图修复前的像素深浅变化与光伏电站输出功率的线性关系，利用该线性关系确定虚拟云图修复前和修复后对应的光伏阵列集群输出功率，得到目标光伏电站当前时刻的输出功率和下一时刻的预测功率。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
利用光伏阵列辐照度与输出功率之间的关系，和光伏阵列辐照度与光伏阵列被云团遮挡产生的像素变化之间的关系，将光伏阵列输出功率映射至云团特征，并构建能够描述云团特征的虚拟云图，利用图像修复模型对虚拟云图进行修复，使得光伏阵列被云团遮挡导致虚拟云图的残缺部分进行修复，利用修复后的虚拟云图结合光伏电站的实际输出功率，实现在动态云团遮挡下的光伏功率预测，能够将预测的分辨率提升至秒级。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的光伏电站功率预测流程示意图；
图2是本发明一个或多个实施例提供的光伏电站功率预测系统中光伏发电系统与数据终端的连接结构示意图；
图3是本发明一个或多个实施例提供的光伏电站功率预测系统中数据终端与在线预测部分和离线训练部分的连接结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
正如背景技术中所介绍的，在出现动态云团时，会引起光伏电站的出力功率的秒级变化导致预测精度下降。为了解决这一问题，现有技术存在两类基于云图分析的光伏功率预测方案：第一类是基于地基云图的光伏功率预测方法；第二类是基于卫星云图的光伏功率预测方法。
以上两类方法均利用图像处理技术对云图进行分析，通过对云团进行特征提取实现辐照度的预测，进而实现光伏功率预测。基于云图分析的功率预测方法能够将时间分辨率提升至分钟级，但其中的二维云图无法准确映射云团厚度，难以保证辐照度预测精度。此外，将辐照度转化为光伏功率的过程存在一定误差，导致功率预测精度降低。
综上，目前的光伏电站功率预测方案，无法处理光伏阵列输出功率突变的情况，无法实现更小时间分辨率光伏功率预测。
因此，以下实施例给出基于图像修复的光伏电站功率预测方法及系统，基于光伏阵列辐照度与输出功率之间的线性关系，对逆变器集群的功率数据进行深入挖掘，将光伏阵列输出功率转化为辐照度，并映射至云团厚度特征，构建能够描述云团特征的虚拟云图；基于生成对抗网络中的pix2pixHD图像修复算法对光伏阵列间隔区域导致的虚拟云图残缺部分进行修复，实现虚拟云图的精确构建；结合光伏电站模型实现在动态云团遮挡下的秒级光伏功率预测。
实施例一：
如图1所示，基于图像修复的光伏电站功率预测方法，包括以下步骤：
获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；
得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；
确定虚拟云图修复前的像素深浅变化与光伏电站输出功率的线性关系，利用该线性关系确定虚拟云图修复前和修复后对应的光伏阵列集群输出功率，得到目标光伏电站当前时刻的输出功率和下一时刻的预测功率。
离线训练期间，通过构建目标光伏电站模型，设置待预测云团特征。
本实施例中，以某光伏电站为目标电站，构建光伏电站模型，并设置待预测云团特征，包括云团的形状、大小、层次和厚度，要求设置的云团大小相对于目标光伏电站规模合理，使该云团能够在目标光伏电站运行至少10秒。
离线训练期间，根据光伏阵列的间隔，构造随机缺损云图。具体为：根据光伏阵列的规则排列产生的空缺和由于地势和变电站分布原因产生的不规则空缺，构造随机缺损云图。
本实施例中，光伏阵列被云团遮挡会产生功率变化，因此在线预测阶段可以根据光伏功率的变化来映射电站上空云团遮挡的范围和程度，通过还原云团的大小、形状和厚度，预测云团的真实样貌，然后通过云团去预测下一时刻该云团对光伏阵列的遮挡，达到光伏功率预测的目的。
而基于地势和变电站分布产生的光伏阵列空缺区域以及由于光伏阵列的规则排列产生的间隔区域，是没有光伏输出功率信息的，导致该区域云团信息缺失，没有办法进行准确的云团预测。因此，在训练图像修复模型时，需要考虑由于地势和变电站分布以及光伏阵列规则排列时产生的间隔，确保后续在线预测阶段，图像修复算法能够对间隔区域(即缺损云图)进行智能化的修复，得到完整的可供预测的云团信息。
本实施例中，构建了包含2000组图像元素的数据集，其中包括2000张缺损云图以及对应的2000张拟定的完整云图，每张缺损云图具有随机长度、大小和粗细的缺损掩码。将2000组样本分为20个批次，每个批次中100组样本，每组样本中分别有一张缺损虚拟云图和一张拟定的完整云图。验证集包括100张随机缺损的云图及对应的完整云图。
基于缺损云图和预设的完整云图构建训练集，对pix2pixHD模型进行训练。具体为：将缺损图像输入至生成器，生成器对缺损图像进行修复；将修复图像和目标图像一起输入至多尺度判别器中，通过内部的卷积层和池化层对图像进行不同尺度的下采样，对不同分辨率下的修复图像进行多尺度判别，计算对抗损失；通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新。
（1）本实施例中，将同一批次的样本数据同时进行训练。初始化模型的权重和偏差，将第一批次的100组样本同时输入生成器以生成修复图像，将生成器生成的修复图像和目标图像输入至多尺度判别器中，通过内部的卷积层和池化层对图像进行不同尺度的下采样，对不同分辨率下的修复图像进行多尺度判别，基于三个尺度的判别器分别计算对抗损失，通过反向传播分别更新三个判别器的权重和偏差。
具体的，判别器的对抗损失公式为：；其中，M表示训练批次中样本的数量，G(I)表示生成器生成的修复图像，D(G(I))是判别器对修复图像的评价。D(T)是判别器对目标图像的评价。判别器的目标是最小化L D，使其能够更好的区分修复图像和目标图像。
（2）根据生成器对抗损失、绝对值损失和特征匹配损失更新生成器的权重和偏差，并计算本批次100组样本的平均损失，并基于批次中所有样本的平均损失再次更新模型参数。
生成器对抗损失公式：。
绝对值损失公式：。
其中，N表示修复图像与目标图像的像素总数，I ij表示修复图像第i行第j列的像素值，T ij表示目标图像第i行第j列的像素值。L L1通过对像素差异进行计算，使生成器参数朝向像素差异降低的方向进行迭代更新。
特征匹配损失公式：；其中，T是总层数；N i表示第i层的特征元素数量；D k (i)(T)表示目标图像在第k个判别器尺度下第i层的特征表示；D k (i)(G(I))表示修复图像在第k个判别器尺度下第i层的特征表示，特征匹配损失的目标是最小化修复图像和目标图像的特征差异，提高修复图像的特征匹配度。
（3）在进行第二批次的训练时，模型参数与上一个批次结束时的参数一致，继续通过前向传播和反向传播更新生成器和判别器的权重和偏差，获取当前批次的平均损失，并更新模型参数。
（4）重复步骤（1）-（3）直至衰减学习率处于稳态或直到完成所有迭代次数。
将若干不同的缺损云图放进测试集测试，对比图像修复精度。本实施例中，将随机缺损的虚拟云图输入至训练好的pix2pixHD网络中，获取修复后的虚拟云图，将其与原始拟定的虚拟云图进行像素点的逐个对比，评估图像修复精度。
本实施例中，通过比较云团移动至光伏电站上空前几秒(视电站和云团性质而定)的区域缺损情况和对应的修复图像，观察图像修复效果并评估图像修复精度，筛选出符合需求的图像。
在线预测期间，通过获取某地区光伏发电系统的图像信息，图像中能够展示光伏发电阵列的位置和对应的逆变器集群的输出功率，图像中像素深浅表示光伏阵列输出功率的差异，进而映射出云团厚度差异，结合光伏阵列集群位置的信息构建虚拟云图；将虚拟云图放进训练好的pix2pixHD模型中，对光伏阵列集群间隔区域造成的虚拟云图缺损进行修复，输出完整的虚拟云图；通过分析修复前虚拟云图的像素与逆变器输出功率的线性关系，将完整的虚拟云图转换为光伏阵列集群输出功率，获取功率预测结果。
本实施例中，像素深浅表示的含义包括：像素值为0(全黑)时，光伏阵列辐照度为200W/m2，光伏阵列输出功率为2880W，阵列上空云团较厚；像素值为255（全白）时，光伏阵列辐照度为1000W/m2，光伏阵列输出功率为14400W，阵列上空云团较薄。
上述过程通过光伏阵列输出功率、辐照度信息和虚拟云图像素值三者之间的线性映射关系，构建了能够描述云团特征的虚拟云图，通过pix2pixHD图像修复技术对虚拟云图进行了进一步修复，利用修复后的完整云图实现了光伏电站出力的精准预测，能够将预测时间分辨率提高至秒级，从而应对动态云团的短时间遮挡带来的功率瞬变问题。
图像修复的方式不依赖气象卫星数据，无需对云图进行特征提取，基于逆变器集群的功率数据即可实现光伏电站的功率预测。由于目前广泛应用的商用逆变器具备秒级的数据采集和传输功能，因此所提方法的预测时间分辨率同样能够达到秒级，实现了高时间分辨率光伏功率预测。
修复图像的目的是弥补由缺损云图造成的信息缺失，根据相关测试，修复后的完整图像通过跟目标图像进行图像修复的精确度对比，能够达到97.16%，可见修复图像能够高精度还原真实云图的信息。修复的图像不再有信息缺失，能够应对后续时刻任何的光伏阵列分布情况，从而提高功率预测的精确度。
实施例二：
基于图像修复的光伏电站功率预测系统，包括：
数据准备模块，被配置为：获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；
图像修复模块，被配置为：得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；
预测结果输出模块，被配置为：确定虚拟云图修复前的像素深浅变化与光伏电站输出功率的线性关系，利用该线性关系确定虚拟云图修复前和修复后对应的光伏阵列集群输出功率，得到目标光伏电站当前时刻的输出功率和下一时刻的预测功率。
如图2-图3所示，本实施例中的系统包含三部分：光伏发电系统数据检测部分、在线预测部分和离线训练部分，其中光伏发电系统数据检测部分包括相连接的光伏发电系统和数据终端。
光伏发电系统通过数据终端实时监测光伏阵列逆变器集群的输出功率；一旦数据终端检测到逆变器集群的输出功率发生突变，就可以进行在线预测；利用像素深浅表示光伏阵列输出功率的差异，进而映射出云团厚度差异，结合光伏阵列集群位置信息构建缺损虚拟云图；将缺损虚拟云图输入至离线训练部分，缺损虚拟云图经过pix2pixHD模型的测试集输出完整的虚拟云图，通过分析虚拟云图的像素与逆变器输出功率的线性关系，将虚拟云图转换为光伏阵列集群输出功率，获取功率预测结果。
利用前几秒的修复图像，获取基于图像融合技术的虚拟云图，通过计算该融合云图之后时刻在光伏电站的位置，获取之后时刻该云图对于电站的遮挡情况，提前调整光伏逆变器运行状态，达到光伏功率秒级预测的目的。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于图像修复的光伏电站功率预测方法，其特征在于，包括以下步骤：
获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；所述云团特征包括云团的形状、大小和厚度；
得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；
分析修复前虚拟云图的像素与光伏电站输出功率的线性关系，基于得到的线性关系，将修复后的完整虚拟云图转换为光伏阵列集群输出功率，获取功率预测结果。
2.如权利要求1所述的基于图像修复的光伏电站功率预测方法，其特征在于，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图包括，像素值由0到255变化期间，光伏阵列输出功率增大，光伏阵列上空的云团厚度减小。
3.如权利要求1所述的基于图像修复的光伏电站功率预测方法，其特征在于，图像修复模型的训练过程，包括：
将缺损图像输入至生成器，生成器对缺损图像进行修复；
将修复图像和目标图像一起输入至多尺度判别器中，通过卷积层和池化层对图像进行不同尺度的下采样，对不同分辨率下的修复图像进行多尺度判别，计算对抗损失；
通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新；所述绝对值损失为，修复图像像素值和目标图像像素值的绝对值损失。
4.如权利要求3所述的基于图像修复的光伏电站功率预测方法，其特征在于，将缺损图像输入至生成器，生成器对缺损图像进行修复，具体为：将经过掩码处理的随机缺损云图输入至生成器，得到修复图像。
5.如权利要求3所述的基于图像修复的光伏电站功率预测方法，其特征在于，计算对抗损失；具体为：
；
其中，M表示训练批次中样本的数量，G(I)表示生成器生成的修复图像，D(G(I))是判别器对修复图像的评价，D(T)是判别器对目标图像的评价，判别器的目标是最小化L D，使其能够更好的区分修复图像和目标图像。
6.如权利要求3所述的基于图像修复的光伏电站功率预测方法，其特征在于，通过反向传播对判别器的参数依据对抗损失进行更新，并进一步结合生成器计算的对抗损失、绝对值损失和特征匹配损失，通过反向传播对生成器参数进行梯度下降更新，包括：
根据生成器对抗损失、绝对值损失和特征匹配损失更新生成器的权重和偏差，得到样本中的平均损失，并基于批次中所有样本的平均损失再次更新模型参数。
7.如权利要求6所述的基于图像修复的光伏电站功率预测方法，其特征在于，生成器对抗损失，如下式所示：
；
绝对值损失，如下式所示：
；
其中，N表示修复图像与目标图像的像素总数，I ij表示修复图像第i行第j列的像素值，T ij表示目标图像第i行第j列的像素值，L L1通过对像素差异进行计算，使生成器参数朝向像素差异降低的方向进行迭代更新。
8.如权利要求6所述的基于图像修复的光伏电站功率预测方法，其特征在于，特征匹配损失，如下式所示：
；
其中，T是总层数；N i表示第i层的特征元素数量；D k (i)(T)表示目标图像在第k个判别器尺度下第i层的特征表示；D k (i)(G(I))表示修复图像在第k个判别器尺度下第i层的特征表示，特征匹配损失的目标是最小化修复图像和目标图像的特征差异，提高修复图像的特征匹配度。
9.基于图像修复的光伏电站功率预测系统，其特征在于，包括：
数据准备模块，被配置为：获取目标光伏电站当前时刻的输出功率和对应时刻的光伏阵列图像信息，根据图像中像素的深浅变化情况，得到含有云团特征的虚拟云图；所述云团特征包括云团的形状、大小和厚度；
图像修复模块，被配置为：得到的虚拟云图基于训练完毕的图像修复模型，得到修复后的完整虚拟云图；
预测结果输出模块，被配置为：分析修复前虚拟云图的像素与光伏电站输出功率的线性关系，基于得到的线性关系，将修复后的完整虚拟云图转换为光伏阵列集群输出功率，获取功率预测结果。
CN202311763137.8A 2023-12-21 2023-12-21 基于图像修复的光伏电站功率预测方法及系统 Active CN117437230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311763137.8A CN117437230B (zh) 2023-12-21 2023-12-21 基于图像修复的光伏电站功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311763137.8A CN117437230B (zh) 2023-12-21 2023-12-21 基于图像修复的光伏电站功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN117437230A CN117437230A (zh) 2024-01-23
CN117437230B true CN117437230B (zh) 2024-04-05

Family

ID=89558616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311763137.8A Active CN117437230B (zh) 2023-12-21 2023-12-21 基于图像修复的光伏电站功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN117437230B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971169A (zh) * 2014-04-14 2014-08-06 国家电网公司 一种基于云量模拟的光伏超短期发电功率的预测方法
CN115238967A (zh) * 2022-06-29 2022-10-25 中国华能集团清洁能源技术研究院有限公司 一种结合云图和相邻电站集群的光伏功率预测方法及装置
CN115393731A (zh) * 2022-08-12 2022-11-25 中国人民解放军93213部队 一种基于交互想定和深度学习生成虚拟云图的方法和系统
CN115760642A (zh) * 2022-12-07 2023-03-07 南京林业大学 一种用于太阳辐射预测的地基云图修复方法
EP4180187A1 (en) * 2021-11-10 2023-05-17 Siemens Aktiengesellschaft A computer-implemented operating method for handling work-pieces by an inpainting model reconstruction of occluded parts

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220156492A1 (en) * 2020-11-18 2022-05-19 Satsure Analytics India Private Limited System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971169A (zh) * 2014-04-14 2014-08-06 国家电网公司 一种基于云量模拟的光伏超短期发电功率的预测方法
EP4180187A1 (en) * 2021-11-10 2023-05-17 Siemens Aktiengesellschaft A computer-implemented operating method for handling work-pieces by an inpainting model reconstruction of occluded parts
CN115238967A (zh) * 2022-06-29 2022-10-25 中国华能集团清洁能源技术研究院有限公司 一种结合云图和相邻电站集群的光伏功率预测方法及装置
CN115393731A (zh) * 2022-08-12 2022-11-25 中国人民解放军93213部队 一种基于交互想定和深度学习生成虚拟云图的方法和系统
CN115760642A (zh) * 2022-12-07 2023-03-07 南京林业大学 一种用于太阳辐射预测的地基云图修复方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Cloud Feature Extraction and Fluctuation Pattern Recognition Based Ultrashort-Term Regional PV Power Forecasting";F. Wang等;《IEEE Transactions on Industry Applications》;20221031;第58卷(第5期);全文 *
光伏系统中地基云图的预处理;朱想;周海;朱婷婷;金山红;魏海坤;;电力系统自动化;20171201(第06期);全文 *

Also Published As

Publication number Publication date
CN117437230A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN111815038B (zh) 一种光伏超短期预测方法及系统
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN107742171B (zh) 基于移动阴影图像识别的光伏电站发电功率预测方法
CN113538391A (zh) 一种基于Yolov4和热红外图像的光伏缺陷检测方法
CN114297947B (zh) 基于深度学习网络的数据驱动风电系统孪生方法及系统
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN115908407B (zh) 基于红外图像温度值的电力设备缺陷检测方法及装置
CN111985678A (zh) 一种光伏功率短期预测方法
CN114117886A (zh) 一种用于多光谱遥感水深反演方法
CN112700104A (zh) 一种基于多模态分类的震区滑坡易发性评价方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN115761303A (zh) 基于机载激光雷达点云和遥感影像数据的地物分类方法
CN115032720A (zh) 基于随机森林的多模式集成预报在地面气温预报中的应用
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN117437230B (zh) 基于图像修复的光伏电站功率预测方法及系统
CN115392137B (zh) 一种基于岩溶塌陷水土耦合作用的三维模拟系统
CN113779892B (zh) 一种风速和风向的预测方法
Zhang et al. Graph Neural Network Based Short-Term Solar Irradiance Forcasting Model Considering Surrounding Meteorological Factors
Huang et al. Hybrid Intra-hour Solar PV Power Forecasting using Statistical and Skycam-based Methods
CN112561181A (zh) 一种基于Unet网络和地基云图的光伏发电预测系统
CN106897481B (zh) 利用空间多点功率预测特征的风功率集成预测方法及装置

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