CN117498314A - 屋顶光伏资源评估方法、装置、计算机设备和存储介质 - Google Patents
屋顶光伏资源评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117498314A CN117498314A CN202311437683.2A CN202311437683A CN117498314A CN 117498314 A CN117498314 A CN 117498314A CN 202311437683 A CN202311437683 A CN 202311437683A CN 117498314 A CN117498314 A CN 117498314A
- Authority
- CN
- China
- Prior art keywords
- roof
- area
- segmentation
- solar radiation
- density distribution
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 278
- 230000005855 radiation Effects 0.000 claims abstract description 178
- 238000000034 method Methods 0.000 claims abstract description 106
- 238000010248 power generation Methods 0.000 claims abstract description 98
- 238000003709 image segmentation Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 42
- 238000003708 edge detection Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000052 comparative effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000014759 maintenance of location Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (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
本申请涉及一种屋顶光伏资源评估方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:采用卷积多层感知器图像分割网络方法获得初始屋顶分割图像集;设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集划分屋顶高密度分布区域和屋顶低密度分布区域;采用时间序列密集编码器预测方法获得太阳辐射预测数据集;经过目标时长后,获得对照屋顶分割图像集;并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。采用本方法能够有效对屋顶光伏发电量进行动态监控,优化光伏资源的排布。
Description
技术领域
本申请涉及电力系统的光伏发电领域,特别是涉及一种屋顶光伏资源评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
光伏资源评估技术是用于评估特定地区的太阳能资源潜力和可利用性的方法和工具,这些评估技术可以帮助确定光伏发电系统的适宜位置、容量和发电潜力,从而支持可再生能源规划和项目开发。
常用的光伏资源评估技术有太阳能辐射测量、气象数据分析、数值模拟和地理信息系统和基于数据驱动的方法。其中,基于数据驱动的光伏资源评估方法通过利用历史的太阳辐射和光伏发电数据,结合机器学习和数据挖掘技术,建立预测模型和优化算法,用来评估光伏资源和优化光伏系统的设计和运营。但传统的基于数据驱动的方法通常需要大量的历史数据进行模型的训练和验证,难以在应用端进行轻量化部署。另外,传统的基于数据驱动的光伏资源评估方法所需的历史数据中会存在偏差和不确定性,这会降低预测结果准确性,造成光伏资源的浪费。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效对屋顶光伏发电量进行动态监控、提高屋顶光伏资源的利用率、优化光伏资源的排布的屋顶光伏资源评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种屋顶光伏资源评估方法,包括:
获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;
设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;
基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;
对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
在其中一个实施例中,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积包括:
在滑动窗口内对初始屋顶分割图像集中的像素点进行高斯滤波,获得初始屋顶分割融合图像集;
对初始屋顶分割融合图像集进行拉普拉斯运算,得到边缘检测图像的像素值;在边缘检测图像的像素值为零的情况下,认定为边缘标记点;
确定边缘标记点内像素点行索引和像素点列索引的最大值和最小值,利用格林公式获得边缘标记点包围的面积值;
根据边缘标记点包围的面积值得到初始屋顶分割图像集内滑动窗口的初始屋顶分割面积,并对滑动窗口的初始屋顶分割面积求和,获得初始屋顶分割图像集的初始屋顶分割总面积。
在其中一个实施例中,采用时间序列密集编码器预测方法获得太阳辐射预测数据集包括:
将原始太阳辐射数据集以第一时间尺度划分为第一时间尺度数据集,将原始太阳辐射数据集以第二时间尺度划分为第二时间尺度数据集;
使用第一时间尺度数据集以目标时间步长预测第一未来时间的太阳辐射数据,使用第二时间尺度数据集以目标时间步长预测第二未来时间的太阳辐射数据;
将第二时间尺度的太阳辐射预测数据拼接在第一时间尺度的太阳辐射预测数据之后,形成太阳辐射预测数据集。
在其中一个实施例中,划分屋顶增量高密度分布区域和屋顶增量低密度分布区域包括:
对比初始屋顶分割总面积和对照屋顶分割总面积;
在初始屋顶分割总面积和对照屋顶分割总面积不相等的情况下,对比对照屋顶分割图像集内滑动窗口的对照屋顶分割面积和目标阈值;
在滑动窗口的对照屋顶分割面积大于目标阈值的情况下,滑动窗口属于屋顶增量高密度分布区域;在滑动窗口的对照屋顶分割面积小于目标阈值的情况下,滑动窗口属于屋顶增量低密度分布区域。
在其中一个实施例中,划分屋顶增量高密度分布区域和屋顶增量低密度分布区域还包括:
在初始屋顶分割总面积和对照屋顶分割总面积相等的情况下,经过目标时长后再次获取目标区域的遥感图像。
在其中一个实施例中,对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果包括:
在光伏发电预测量不大于光伏发电量预测的情况下,则评估目标区域无需增加光伏资源;在光伏发电预测量大于光伏发电量预测的情况下,则评估目标区域增加光伏资源。
第二方面,本申请还提供了一种屋顶光伏资源评估装置,包括:
初始屋顶分割图像集获取模块,用于获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;
滑动窗口初始数据处理模块,用于设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
太阳辐射预测数据集获取模块,用于获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
对照屋顶分割图像集获取模块,用于经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;
滑动窗口对照数据处理模块,用于基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
太阳辐射预测增量数据集获取模块,用于获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
光伏发电数据获取模块,用于根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;
光伏资源评估模块,用于对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;
设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;
基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;
对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;
设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;
基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;
对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;
设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;
基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;
对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
上述屋顶光伏资源评估方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果,通过多时空耦合的原始数据和增量数据完成屋顶图像的分割和光伏发电量的计算,动态监控屋顶光伏资源,提高光伏资源评估的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中屋顶光伏资源评估方法的流程示意图;
图2为一个实施例中卷积多层感知器图像分割网络的框架示意图;
图3为一个实施例中卷积多层感知器图像分割网络中深度可分离卷积模块的框架示意图;
图4为一个实施例中卷积多层感知器图像分割网络中卷积多层感知器模块的框架示意图;
图5为一个实施例中卷积多层感知器图像分割网络中信息保留及跳跃模块的框架示意图;
图6为一个实施例中时间序列密集编码器预测网络的框架示意图;
图7为一个实施例中时间序列密集编码器预测网络中特征投影模块的框架示意图;
图8为一个实施例中时间序列密集编码器预测网络中编码器模块的框架示意图;
图9为一个实施例中时间序列密集编码器预测网络中解码器模块的框架示意图;
图10为一个实施例中时间序列密集编码器预测网络中时间解码器模块的框架示意图;
图11为一个实施例中高精度多时空耦合的增量动态屋顶光伏资源评估方法的流程示意图;
图12为一个实施例中多时空尺度模块的框架示意图;
图13为另一个实施例中屋顶光伏资源评估方法的流程示意图;
图14为一个实施例中屋顶光伏资源评估装置的装置示意图;
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
本申请属于电力系统的光伏发电领域,涉及多种深度学习方法,适用于电力系统的光伏资源评估。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种屋顶光伏资源评估方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集。
示例性地,通过地理信息系统获取公开的遥感图像数据库并获得指定区域像素大小为256×256的遥感图像,即为原始遥感图像集。原始遥感图像集的每个像素点为p(i,j),i=1,2,...256;j=1,2,...,256;将原始遥感图像集输入进卷积多层感知器图像分割网络进行建筑物屋顶区域分割,并设置识别为屋顶的像素点p(i,j)的像素值为0,非屋顶的像素点p(i,j)的像素值为1;最终得到遥感建筑物指定区域的屋顶分割图像F(i,j),i=1,2,...256;j=1,2,...,256,即初始屋顶分割图像集。
示例性地,如图2所示,卷积多层感知器图像分割网络框架包括进入一个输入层,经过第一个深度可分离模块,经过四个卷积多层感知器模块,经过第二个深度可分离模块,经过一个上采样层,经过一个信息保留及跳跃模块;第四层卷积多层感知器模块旁侧有一个分支,经过一个信息保留及跳跃模块,经过一个上采样层,经过一个信息保留及跳跃模块,经过一个上采样层,经过一个信息保留及跳跃模块,经过一个上采样层,经过一个信息保留及跳跃模块,经过一个上采样层,经过一个信息保留及跳跃模块;第三层的卷积多层感知器模块的旁侧分支与第二级信息保留及跳跃模块相连接;第二层的卷积多层感知器模块的旁侧分支与第三级信息保留及跳跃模块相连接;第一层的卷积多层感知器模块的旁侧分支与第四级信息保留及跳跃模块相连接;第一个深度可分离模块的旁侧分支与第五级信息保留及跳跃模块相连接;经过一个卷积多层感知器模块,经过一个1×1卷积层,经过一个输出层;每个上采样层之前都有一个卷积多层感知器模块。
进一步地,每个模块的具体内容包括:
如图3所示,进入深度可分离卷积模块,经过第一个1×1卷积层,经过3×3深度卷积层,经过挤压激励层,经过第二个1×1卷积层;
如图4所示,进入卷积多层感知器模块,经过第一个1×1卷积层,经过3×3深度卷积层,经过挤压激励层,经过第二个1×1卷积层,分为两路:
第一路经过局部池化层,分为两路:
第一路经过一个前馈神经网络层,经过一个激活函数层;
第二路与第一路合并;
经过反向局部池化层;
第二路经过一个全局池化层,分为两路:
第一路经过一个前馈神经网络层,经过一个激活函数层;
第二路与第一路合并;
经过一个反向全局池化层;
第一路与第二路合并,经过一个1×1卷积层;
如图5所示,进入信息保留及跳跃模块,分为两路:
第一路经过译码补丁合并层,经过补丁反转层;
第二路经过译码器层,经过上采样层;
第一路与第二路合并。
步骤104,设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域。
示例性地,设置一个大小16×16的滑动窗口,横向滑动步长为16,竖向滑动步长为16。
步骤106,获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集。
示例性地,获取屋顶高密度分布区域和屋顶低密度分布区域对应24小时的太阳辐射数据T(t),t=tstart,tstart+1,...,tstart+23,即为原始太阳辐射数据集,其中tstart为太阳辐射数据采样的第一个小时。
示例性地,使用时间序列密集编码器预测方法预测未来24小时的太阳辐射预测数据K(t)={K1(t),K2(t)},t=tstart+24,tstart+25,...,tstart+59,即太阳辐射预测数据集;其中K1(t)为第一时间尺度数据集获得的太阳辐射预测数据;K2(t)为第二时间尺度数据集获得的太阳辐射预测数据。
示例性地,如图6所示,时间序列密集编码器的网络框架包括:进入输入层,经过特征投影模块,分为三路:
第一路经过一个1×1卷积层;
第二路经过一个时间解码器模块;
第三路经过一个编码器模块,经过一个解码器模块后与第二路的输入合并;
第一路与第二路合并。
进一步地,每个模块的具体内容包括:
如图7所示,进入特征投影模块,分为两路:
第一路经过激活函数层,经过第一个线性层,经过过拟合层;
第二路经过第二个线性层后与第一路合并;
经过归一化层。
如图8所示,进入编码器模块,经过堆叠层,经过扁平层,分为两路:
第一路经过第一个激活函数层,经过第一个线性层,经过第一个过拟合层;
第二路经过第二个线性层后与第一路合并;
经过第一个归一化层,分为两路:
第一路经过第二个激活函数层,经过第三个线性层,经过第二个过拟合层;
第二路经过第四个线性层后与第一路合并;
经过第二个归一化层。
如图9所示,进入解码器模块,经过3×3卷积层,分为两路:
第一路经过激活函数层,经过第一个线性层,经过过拟合层;
第二路经过第二个线性层后与第一路合并;
经过归一化层,经过重构层。
如图10所示,进入时间解码器模块,经过时间序列展开层,分为两路:
第一路经过激活函数层,经过第一个线性层,经过过拟合层;
第二路经过第二个线性层后与第一路合并;
经过归一化层,经过第一个全连接层,经过第二个全连接层,经过回归输出层。
步骤108,经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集。
具体地,目标时长为168小时。
示例性地,经过168小时后重新获取一张指定区域像素大小为256×256的新遥感图像,即为目标区域的对照遥感图像集,新遥感图像的每个像素点为p′(i,j),i=1,2,...256;j=1,2,...,256;将新遥感图像输入进卷积多层感知器图像分割网络进行建筑物屋顶区域分割,并设置识别为屋顶的像素点p′(i,j)的像素值为0,非屋顶的像素点p′(i,j)的像素值为1;最终得到新遥感建筑物指定区域的屋顶分割图像F′(i,j),i=1,2,...256;j=1,2,...,256,即为对照屋顶分割图像集。
步骤110,基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域。
示例性地,滑动窗口大小依旧为16×16,横向滑动步长为16,竖向滑动步长为16。
步骤112,获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集。
示例性地,获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应24小时的太阳辐射数据T'(t),t=tstart,tstart+1,...,tstart+23,即为对照太阳辐射数据集,其中tstart为太阳辐射数据采样的第一个小时。
示例性地,使用时间序列密集编码器预测方法预测未来24小时的太阳辐射预测数据K′(t)={K1′(t),K2′(t)},t=tstart+24,tstart+25,...,tstart+59,即为太阳辐射预测增量数据集;其中K1′(t)为第一时间尺度增量数据集获得的太阳辐射预测增量数据;K2′(t)第二时间尺度增量数据集获得的太阳辐射预测增量数据。
步骤114,根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测。
具体地,计算太阳辐射预测数据集K(t)={K1(t),K2(t)},t=tstart+24,tstart+25,...,tstart+59的总太阳辐射HA如公式(1)所示:
计算总太阳辐射HA所能产生的光伏发电预测量Ep如公式(2)所示:
Ep=HA×PAZ×K (2)
其中,Ep为光伏发电预测量;HA为根据太阳辐射预测数据集计算获得的总太阳辐射;PAZ为光伏系统安装总容量;K为光伏系统的综合效率系数,一般取15%。
进一步地,计算太阳辐射预测增量数据集K′(t)={K1′(t),K2′(t)},t=tstart+24,tstart+25,...,tstart+59的总太阳辐射HA′如公式(3)所示:
计算总太阳辐射HA′所能产生的光伏发电量预测Ep′如公式(4)所示:
Ep′=HA′×PAZ×K (4)
其中,Ep′为光伏发电量预测;HA′为根据太阳辐射预测增量数据集计算获得的总太阳辐射。
步骤116,对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
具体地,根据光伏发电预测量和光伏发电量预测的对比结果评估指定区域是否需要增加光伏资源。
上述屋顶光伏资源评估方法中,通过获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果,将卷积多层感知器图像分割网络方法、多时空尺度模块和时间序列密集编码器预测方法进行结合,用于增量动态屋顶光伏资源评估,能够有效对屋顶光伏发电量进行动态监控,提高屋顶光伏资源的利用率,优化光伏资源的排布。通过卷积多层感知器图像分割网络方法对遥感图像内的建筑物屋顶进行分割,能够更快的进行建筑物屋顶区域的分割,更好的捕捉全局特征,降低计算成本。
在其中一个实施例中,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积包括:
在滑动窗口内对初始屋顶分割图像集中的像素点进行高斯滤波,获得初始屋顶分割融合图像集;对初始屋顶分割融合图像集进行拉普拉斯运算,得到边缘检测图像的像素值;在边缘检测图像的像素值为零的情况下,认定为边缘标记点;确定边缘标记点内像素点行索引和像素点列索引的最大值和最小值,利用格林公式获得边缘标记点包围的面积值;根据边缘标记点包围的面积值得到初始屋顶分割图像集内滑动窗口的初始屋顶分割面积,并对滑动窗口的初始屋顶分割面积求和,获得初始屋顶分割图像集的初始屋顶分割总面积。
示例性地,在每个滑动窗口内对遥感建筑物指定区域的屋顶分割图像F(i,j),i=1,2,...256;j=1,2,...,256的每个像素点F(i,j)进行高斯滤波,如公式(5)所示:
式中,G(i,j)为高斯滤波函数;σ为标准差;i为像素点的行索引;j为像素点的列索引。
将遥感建筑物指定区域的初始屋顶分割图像集F(i,j)与高斯滤波函数进行卷积计算,得到高斯滤波后的建筑物屋顶分割融合图像,即初始屋顶分割融合图像集g(i,j),i=1,2,...256,j=1,2,...,256,计算方法如公式(6)所示:
g(i,j)=F(i,j)*G(i,j),i=1,2,...256,j=1,2,...,256 (6)
对高斯滤波后的建筑物屋顶分割融合图像g(i,j)进行Laplacian运算,得到边缘检测图像的像素值h(i,j),i=1,2,...256,j=1,2,...,256,如公式(7)所示:
进一步地,当边缘检测图像像素点的像素值h(i,j)为0时,则认定为边缘标记点H(i,j),i=1,2,...256,j=1,2,...,256;寻找边缘标记点H(i,j)内像素点的行索引i和像素点的列索引j的最大值和最小值,利用格林公式计算边缘标记点H(i,j)包围的面积值Ac,c=1,2,...,16,计算方法如公式(8)所示:
其中,c为滑动窗口的滑动次数。
最终得到遥感建筑物指定区域的初始屋顶分割图像集F(i,j)内16个滑动窗口的屋顶分割面积Ac,c=1,2,...,16,即初始屋顶分割面积;将16个滑动窗口的屋顶分割面积Ac,c=1,2,...,16求和,得到当前遥感建筑物指定区域的屋顶分割图像F(i,j)的屋顶分割总面积A,即初始屋顶分割图像集的初始屋顶分割总面积,计算方法如公式(9)所示:
示例性地,基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积包括:
在每个滑动窗口内对遥感建筑物指定区域的对照屋顶分割图像集F′(i,j)的每个像素点进行高斯滤波,如公式(10)所示:
将新的遥感建筑物指定区域的屋顶分割图像F′(i,j)与高斯滤波函数进行卷积计算,得到高斯滤波后的新建筑物屋顶分割融合图像g′(i,j),i=1,2,...256,j=1,2,...,256,计算方法如公式(11)所示:
g′(i,j)=F′(i,j)*G(i,j),i=1,2,...256,j=1,2,...,256 (11)
对高斯滤波后的新建筑物屋顶分割融合图像g′(i,j)进行Laplacian运算,得到边缘检测图像像素值h′(i,j),i=1,2,...256,j=1,2,...,256,计算方法如公式(12)所示:
当边缘检测图像像素点的像素值h′(i,j)为0时,则认定为边缘标记点H′(i,j),i=1,2,...256,j=1,2,...,256;寻找边缘标记点H′(i,j)内像素点的行索引i和像素点的列索引j的最大值和最小值,利用格林公式计算边缘标记点H′(i,j)包围的面积值Ac′,c=1,2,...,16,计算方法如公式(13)所示:
式中,c为滑动窗口的滑动次数。
最终得到新的遥感建筑物指定区域的屋顶分割图像F′(i,j)内16个滑动窗口的屋顶分割面积Ac′;将16个滑动窗口的屋顶分割面积Ac′求和,得到新的遥感建筑物指定区域的屋顶分割图像F′(i,j)的屋顶分割总面积A′,计算方法如公式(14)所示:
本实施例中,通过对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并以同样的思路对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,为分割屋顶区域提供数据支撑,能够更加合理地划分屋顶区域,提高光伏资源评估结果的合理性。
在其中一个实施例中,采用时间序列密集编码器预测方法获得太阳辐射预测数据集包括:将原始太阳辐射数据集以第一时间尺度划分为第一时间尺度数据集,将原始太阳辐射数据集以第二时间尺度划分为第二时间尺度数据集;使用第一时间尺度数据集以目标时间步长预测第一未来时间的太阳辐射数据,使用第二时间尺度数据集以目标时间步长预测第二未来时间的太阳辐射数据;将第二时间尺度的太阳辐射预测数据拼接在第一时间尺度的太阳辐射预测数据之后,形成太阳辐射预测数据集。
具体地,获取屋顶高密度分布区域和屋顶低密度分布区域对应24小时的太阳辐射数据T(t),t=tstart,tstart+1,...,tstart+23,即原始太阳辐射数据集;将太阳辐射数据T(t)以2小时为时间尺度划分成第一时间尺度数据集T1(t),t=tstart,tstart+2,...,tstart+23;将太阳辐射数据T(t)以8小时为时间尺度划分成第二时间尺度数据集T2(t),t=tstart,tstart+8,...,tstart+23;使用第一时间尺度数据集以1小时时间步长预测未来24个小时的太阳辐射数据K1(t),t=tstart+24,tstart+25,...,tstart+47;使用第二时间尺度数据集以1小时时间步长预测未来36个小时的太阳辐射数据K2(t),t=tstart+24,tstart+25,...,tstart+59;将第二时间尺度的太阳辐射预测数据K2(t),t=tstart+48,tstart+25,...,tstart+59拼接在第一时间尺度的太阳辐射预测数据K1(t),t=tstart+24,tstart+25,...,tstart+47之后形成新的太阳辐射预测数据K(t)={K1(t),K2(t)},t=tstart+24,tstart+25,...,tstart+59,即太阳辐射预测数据集。
进一步地,获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应24小时的太阳辐射增量数据T′(t),t=tstart,tstart+1,...,tstart+23,即对照太阳辐射数据集;将太阳辐射增量数据T′(t)以2小时为时间尺度划分成第一时间尺度增量数据集T1′(t),t=tstart,tstart+2,...,tstart+23;将太阳辐射增量数据T′(t)以8小时为时间尺度划分成第二时间尺度增量数据集T2′(t),t=tstart,tstart+8,...,tstart+23;使用第一时间尺度增量数据集以1小时时间步长预测未来24个小时的太阳辐射增量数据K1′(t),t=tstart+24,tstart+25,...,tstart+47;使用第二时间尺度增量数据集以1小时时间步长预测未来36个小时的太阳辐射增量数据K2′(t),t=tstart+24,tstart+25,...,tstart+59;将第二时间尺度的太阳辐射预测增量数据K2′(t),t=tstart+48,tstart+25,...,tstart+59拼接在第一时间尺度的太阳辐射预测增量数据K1′(t),t=tstart+24,tstart+25,...,tstart+47之后形成新的太阳辐射预测增量数据K′(t)={K1′(t),K2′(t)},t=tstart+24,tstart+25,...,tstart+59,即太阳辐射预测增量数据集。
本实施例中,通过多时空尺度模块对数据进行多时空耦合预处理,能够获得不同空间不同时间尺度下的数据,得到更完备的太阳辐射数据信息。再通过时间序列密集编码器预测方法进行太阳辐射预测,能够提前获得太阳辐射的未来信息,完成对建筑物屋顶区域的太阳辐射的监控。
在其中一个实施例中,划分屋顶增量高密度分布区域和屋顶增量低密度分布区域包括:对比初始屋顶分割总面积和对照屋顶分割总面积;在初始屋顶分割总面积和对照屋顶分割总面积不相等的情况下,对比对照屋顶分割图像集内滑动窗口的对照屋顶分割面积和目标阈值;在滑动窗口的对照屋顶分割面积大于目标阈值的情况下,滑动窗口属于屋顶增量高密度分布区域;在滑动窗口的对照屋顶分割面积小于目标阈值的情况下,滑动窗口属于屋顶增量低密度分布区域。
具体地,目标阈值为192。
示例性地,在滑动窗口内的初始屋顶分割面积Ac≥192的情况下,则滑动窗口属于屋顶高密度分布区域;在滑动窗口内的初始屋顶分割面积Ac<192,则滑动窗口属于屋顶低密度分布区域。
示例性地,比较遥感建筑物指定区域的初始屋顶分割图像集F(i,j)的初始屋顶分割总面积A和新的遥感建筑物指定区域的对照屋顶分割图像集F′(i,j)的屋顶分割总面积A′。若A′≠A,则说明指定区域的建筑物屋顶面积有所增加,则对新的遥感建筑物指定区域的屋顶分割图像F′(i,j)进行新的屋顶高密度分布区域和屋顶低密度分布区域的划分。若滑动窗口内的对照屋顶分割面积Ac′≥192,则滑动窗口属于屋顶高密度分布区域;若滑动窗口内的对照屋顶分割面积Ac′<192,则滑动窗口属于屋顶低密度分布区域;并将新的屋顶高密度分布区域和屋顶低密度分布区域作为屋顶增量高密度分布区域和屋顶增量低密度分布区域。
本实施例中,通过增量模块实现动态更新指定区域的屋顶信息,优化光伏资源评估方法。
在其中一个实施例中,划分屋顶增量高密度分布区域和屋顶增量低密度分布区域还包括在初始屋顶分割总面积和对照屋顶分割总面积相等的情况下,经过目标时长后再次获取目标区域的遥感图像。
具体地,比较遥感建筑物指定区域的初始屋顶分割图像集F(i,j)的初始屋顶分割总面积A和新的遥感建筑物指定区域的对照屋顶分割图像集F′(i,j)的屋顶分割总面积A′;若A′=A,则说明指定区域的建筑物屋顶面积没有改变,则继续经过168小时获取一张指定区域像素大小为256×256的新遥感图像。
本实施例中,还将指定区域建筑物屋顶面积没有改变的情况纳入考虑范围,能够更加全面地评估光伏资源。
在其中一个实施例中,对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果包括在光伏发电预测量不大于光伏发电量预测的情况下,则评估目标区域无需增加光伏资源;在光伏发电预测量大于光伏发电量预测的情况下,则评估目标区域增加光伏资源。
示例性地,比较光伏发电预测量Ep和光伏发电量预测Ep′的大小;若Ep≤Ep',则评估该指定区域无需增加光伏资源;若Ep>Ep',则评估该指定区域可以增加光伏资源。
本实施例中,通过分析光伏发电预测量和光伏发电量预测的对比结果,能够更加快捷准确地评估目标区域的光伏资源情况,快速做出相应的判断,从而提高光伏资源评估的准确率和效率。
在一个实施例中,如图11所示,提供一种高精度多时空耦合的增量动态屋顶光伏资源评估方法,首先,获取某地区的遥感图像,采用卷积多层感知器图像分割方法对指定区域的遥感图像进行屋顶区域分割,获得初始屋顶分割图像集,实现对指定区域屋顶资源的评估。进入多时空尺度原始数据模块,获得初始屋顶分割面积以及初始屋顶分割总面积,再采用时间序列密集编码器预测方法对太阳辐射进行预测,进入多时空尺度预测数据模块,获得太阳辐射预测数据集。相隔168小时后,获取某地区的遥感图像,采用卷积多层感知器图像分割方法对指定区域的遥感图像进行屋顶区域分割,获得对照屋顶分割图像集,进入多时空尺度增量数据模块,获得对照屋顶分割面积以及对照屋顶分割总面积,再采用时间序列密集编码器预测方法对太阳辐射进行预测,从而动态监控指定区域的屋顶光伏资源;进入多时空尺度增量预测模块,获得太阳辐射预测增量数据集;最后进入多时空尺度光伏资源评估模块,评估屋顶的光伏资源。其中,多时空尺度原始模块和多时空尺度预测数据模块均为多时空尺度模块,多时空尺度模块对数据进行多时空耦合预处理,得到更完备的预测输入数据;增量模块能够提高屋顶光伏资源评估准确性,优化屋顶光伏资源评估方法,从而得到高精度的屋顶光伏资源评估结果。
进一步地,如图12所示,多时空尺度模块包含屋顶高密度分布区域和屋顶低密度分布区域;屋顶高密度分布区域中又分为以2小时为时间尺度和以8小时为时间尺度的采样区域对太阳辐射进行采样;屋顶低密度分布区域中又分为以2小时为时间尺度和以8小时为时间尺度的采样区域对太阳辐射进行采样。
在另一个实施例中,如图13所示,提供一种屋顶光伏资源评估方法,包括:
步骤1302,获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集。
步骤1304,设置目标规格的滑动窗口。
步骤1306,在滑动窗口内对初始屋顶分割图像集中的像素点进行高斯滤波,获得初始屋顶分割融合图像集。
步骤1308,对初始屋顶分割融合图像集进行拉普拉斯运算,得到边缘检测图像的像素值;在边缘检测图像的像素值为零的情况下,认定为边缘标记点。
步骤1310,确定边缘标记点内像素点行索引和像素点列索引的最大值和最小值,利用格林公式获得边缘标记点包围的面积值。
步骤1312,根据边缘标记点包围的面积值得到初始屋顶分割图像集内滑动窗口的初始屋顶分割面积,并对滑动窗口的初始屋顶分割面积求和,获得初始屋顶分割图像集的初始屋顶分割总面积。
步骤1314,划分屋顶高密度分布区域和屋顶低密度分布区域。
步骤1316,获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集。
步骤1318,将原始太阳辐射数据集以第一时间尺度划分为第一时间尺度数据集,将原始太阳辐射数据集以第二时间尺度划分为第二时间尺度数据集。
步骤1320,使用第一时间尺度数据集以目标时间步长预测第一未来时间的太阳辐射数据,使用第二时间尺度数据集以目标时间步长预测第二未来时间的太阳辐射数据。
步骤1322,将第二时间尺度的太阳辐射预测数据拼接在第一时间尺度的太阳辐射预测数据之后,形成太阳辐射预测数据集。
步骤1324,经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集。
步骤1326,基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积。
步骤1328,对比初始屋顶分割总面积和对照屋顶分割总面积。
步骤1330,在初始屋顶分割总面积和对照屋顶分割总面积不相等的情况下,对比对照屋顶分割图像集内滑动窗口的对照屋顶分割面积和目标阈值。
步骤1332,在滑动窗口的对照屋顶分割面积大于目标阈值的情况下,滑动窗口属于屋顶增量高密度分布区域;在滑动窗口的对照屋顶分割面积小于目标阈值的情况下,滑动窗口属于屋顶增量低密度分布区域。
步骤1334,在初始屋顶分割总面积和对照屋顶分割总面积相等的情况下,经过目标时长后再次获取目标区域的遥感图像。
步骤1336,获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集。
步骤1338,根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测。
步骤1340,在光伏发电预测量不大于光伏发电量预测的情况下,则评估目标区域无需增加光伏资源;在光伏发电预测量大于光伏发电量预测的情况下,则评估目标区域增加光伏资源。
本实施例中,通过将卷积多层感知器图像分割网络方法、多时空尺度模块、时间序列密集编码器预测方法和增量模块进行结合,用于多时空耦合的增量动态屋顶光伏资源评估,能够有效对屋顶光伏发电量进行动态监控,提高屋顶光伏资源的利用率,优化光伏资源的排布。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的屋顶光伏资源评估方法的屋顶光伏资源评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个屋顶光伏资源评估装置实施例中的具体限定可以参见上文中对于屋顶光伏资源评估方法的限定,在此不再赘述。
在一个示例性的实施例中,如图14所示,提供了一种屋顶光伏资源评估装置,包括:初始屋顶分割图像集获取模块1402、滑动窗口初始数据处理模块1404、太阳辐射预测数据集获取模块1406、对照屋顶分割图像集获取模块1408、滑动窗口对照数据处理模块1410、太阳辐射预测增量数据集获取模块1412、光伏发电数据获取模块1414和光伏资源评估模块1416,其中:
初始屋顶分割图像集获取模块1402,用于获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于原始遥感图像集获得初始屋顶分割图像集;
滑动窗口初始数据处理模块1404,用于设置目标规格的滑动窗口,基于滑动窗口对初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
太阳辐射预测数据集获取模块1406,用于获取屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
对照屋顶分割图像集获取模块1408,用于经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于对照遥感图像集获得对照屋顶分割图像集;
滑动窗口对照数据处理模块1410,用于基于滑动窗口对对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
太阳辐射预测增量数据集获取模块1412,用于获取屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
光伏发电数据获取模块1414,用于根据太阳辐射预测数据集获得光伏发电预测量;根据太阳辐射预测增量数据集获得光伏发电量预测;
光伏资源评估模块1416,用于对比光伏发电预测量和光伏发电量预测,获得光伏资源的评估结果。
在一个实施例中,滑动窗口初始数据处理模块1404还包括:
初始屋顶分割融合图像集获取模块,用于在滑动窗口内对初始屋顶分割图像集中的像素点进行高斯滤波,获得初始屋顶分割融合图像集;
边缘标记点认定模块,用于对初始屋顶分割融合图像集进行拉普拉斯运算,得到边缘检测图像的像素值;在边缘检测图像的像素值为零的情况下,认定为边缘标记点;
边缘标记点包围面积计算模块,用于确定边缘标记点内像素点行索引和像素点列索引的最大值和最小值,利用格林公式获得边缘标记点包围的面积值;
初始屋顶分割总面积获取模块,用于根据边缘标记点包围的面积值得到初始屋顶分割图像集内滑动窗口的初始屋顶分割面积,并对滑动窗口的初始屋顶分割面积求和,获得初始屋顶分割图像集的初始屋顶分割总面积。
在其中一个实施例中,太阳辐射预测数据集获取模块1406还包括:
原始太阳辐射数据集划分模块,用于将原始太阳辐射数据集以第一时间尺度划分为第一时间尺度数据集,将原始太阳辐射数据集以第二时间尺度划分为第二时间尺度数据集;
太阳辐射数据预测模块,用于使用第一时间尺度数据集以目标时间步长预测第一未来时间的太阳辐射数据,使用第二时间尺度数据集以目标时间步长预测第二未来时间的太阳辐射数据;
太阳辐射预测数据集生成模块,用于将第二时间尺度的太阳辐射预测数据拼接在第一时间尺度的太阳辐射预测数据之后,形成太阳辐射预测数据集。
在其中一个实施例中,滑动窗口对照数据处理模块1410还包括:
总面积对比模块,用于对比初始屋顶分割总面积和对照屋顶分割总面积;
对照屋顶分割面积对比模块,用于在初始屋顶分割总面积和对照屋顶分割总面积不相等的情况下,对比对照屋顶分割图像集内滑动窗口的对照屋顶分割面积和目标阈值;
屋顶增量区域划分模块,用于在滑动窗口的对照屋顶分割面积大于目标阈值的情况下,滑动窗口属于屋顶增量高密度分布区域;在滑动窗口的对照屋顶分割面积小于目标阈值的情况下,滑动窗口属于屋顶增量低密度分布区域。
在其中一个实施例中,该装置还包括:
遥感图像再次获取模块,用于在初始屋顶分割总面积和对照屋顶分割总面积相等的情况下,经过目标时长后再次获取目标区域的遥感图像。
在其中一个实施例中,光伏资源评估模块1416包括:
光伏数据对比模块,用于在光伏发电预测量不大于光伏发电量预测的情况下,则评估目标区域无需增加光伏资源;在光伏发电预测量大于光伏发电量预测的情况下,则评估目标区域增加光伏资源。
上述屋顶光伏资源评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图15所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种屋顶光伏资源评估方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种屋顶光伏资源评估方法,其特征在于,所述方法包括:
获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于所述原始遥感图像集获得初始屋顶分割图像集;
设置目标规格的滑动窗口,基于所述滑动窗口对所述初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
获取所述屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于所述对照遥感图像集获得对照屋顶分割图像集;
基于滑动窗口对所述对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
获取所述屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
根据所述太阳辐射预测数据集获得光伏发电预测量;根据所述太阳辐射预测增量数据集获得光伏发电量预测;
对比所述光伏发电预测量和所述光伏发电量预测,获得光伏资源的评估结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述滑动窗口对所述初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积包括:
在所述滑动窗口内对所述初始屋顶分割图像集中的像素点进行高斯滤波,获得初始屋顶分割融合图像集;
对所述初始屋顶分割融合图像集进行拉普拉斯运算,得到边缘检测图像的像素值;在所述边缘检测图像的像素值为零的情况下,认定为边缘标记点;
确定所述边缘标记点内像素点行索引和像素点列索引的最大值和最小值,利用格林公式获得边缘标记点包围的面积值;
根据所述边缘标记点包围的面积值得到初始屋顶分割图像集内滑动窗口的初始屋顶分割面积,并对所述滑动窗口的初始屋顶分割面积求和,获得初始屋顶分割图像集的初始屋顶分割总面积。
3.根据权利要求1所述的方法,其特征在于,所述采用时间序列密集编码器预测方法获得太阳辐射预测数据集包括:
将原始太阳辐射数据集以第一时间尺度划分为第一时间尺度数据集,将原始太阳辐射数据集以第二时间尺度划分为第二时间尺度数据集;
使用第一时间尺度数据集以目标时间步长预测第一未来时间的太阳辐射数据,使用第二时间尺度数据集以目标时间步长预测第二未来时间的太阳辐射数据;
将第二时间尺度的太阳辐射预测数据拼接在第一时间尺度的太阳辐射预测数据之后,形成太阳辐射预测数据集。
4.根据权利要求1所述的方法,其特征在于,所述划分屋顶增量高密度分布区域和屋顶增量低密度分布区域包括:
对比初始屋顶分割总面积和对照屋顶分割总面积;
在所述初始屋顶分割总面积和对照屋顶分割总面积不相等的情况下,对比对照屋顶分割图像集内滑动窗口的对照屋顶分割面积和目标阈值;
在滑动窗口的对照屋顶分割面积大于目标阈值的情况下,滑动窗口属于屋顶增量高密度分布区域;在滑动窗口的对照屋顶分割面积小于目标阈值的情况下,滑动窗口属于屋顶增量低密度分布区域。
5.根据权利要求4所述的方法,其特征在于,所述划分屋顶增量高密度分布区域和屋顶增量低密度分布区域还包括:
在所述初始屋顶分割总面积和对照屋顶分割总面积相等的情况下,经过目标时长后再次获取目标区域的遥感图像。
6.根据权利要求1所述的方法,其特征在于,所述对比所述光伏发电预测量和所述光伏发电量预测,获得光伏资源的评估结果包括:
在所述光伏发电预测量不大于所述光伏发电量预测的情况下,则评估目标区域无需增加光伏资源;在所述光伏发电预测量大于所述光伏发电量预测的情况下,则评估目标区域增加光伏资源。
7.一种屋顶光伏资源评估装置,其特征在于,所述装置包括:
初始屋顶分割图像集获取模块,用于获取目标区域的原始遥感图像集,并采用卷积多层感知器图像分割网络方法基于所述原始遥感图像集获得初始屋顶分割图像集;
滑动窗口初始数据处理模块,用于设置目标规格的滑动窗口,基于所述滑动窗口对所述初始屋顶分割图像集进行数据处理,获得初始屋顶分割图像集内滑动窗口的初始屋顶分割面积以及初始屋顶分割总面积,并划分屋顶高密度分布区域和屋顶低密度分布区域;
太阳辐射预测数据集获取模块,用于获取所述屋顶高密度分布区域和屋顶低密度分布区域对应时段内的原始太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测数据集;
对照屋顶分割图像集获取模块,用于经过目标时长后,获取目标区域的对照遥感图像集,并采用卷积多层感知器图像分割网络方法基于所述对照遥感图像集获得对照屋顶分割图像集;
滑动窗口对照数据处理模块,用于基于滑动窗口对所述对照屋顶分割图像集进行数据处理,获得对照屋顶分割图像集内滑动窗口的对照屋顶分割面积以及对照屋顶分割总面积,并划分屋顶增量高密度分布区域和屋顶增量低密度分布区域;
太阳辐射预测增量数据集获取模块,用于获取所述屋顶增量高密度分布区域和屋顶增量低密度分布区域对应时段内的对照太阳辐射数据集,并采用时间序列密集编码器预测方法获得太阳辐射预测增量数据集;
光伏发电数据获取模块,用于根据所述太阳辐射预测数据集获得光伏发电预测量;根据所述太阳辐射预测增量数据集获得光伏发电量预测;
光伏资源评估模块,用于对比所述光伏发电预测量和所述光伏发电量预测,获得光伏资源的评估结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311437683.2A CN117498314A (zh) | 2023-10-31 | 2023-10-31 | 屋顶光伏资源评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311437683.2A CN117498314A (zh) | 2023-10-31 | 2023-10-31 | 屋顶光伏资源评估方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117498314A true CN117498314A (zh) | 2024-02-02 |
Family
ID=89682095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311437683.2A Pending CN117498314A (zh) | 2023-10-31 | 2023-10-31 | 屋顶光伏资源评估方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117498314A (zh) |
-
2023
- 2023-10-31 CN CN202311437683.2A patent/CN117498314A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | A spatiotemporal deep learning approach for citywide short-term crash risk prediction with multi-source data | |
Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
Chowdhury et al. | Electricity consumption patterns within cities: application of a data-driven settlement characterization method | |
Li et al. | Short‐term traffic congestion prediction with Conv–BiLSTM considering spatio‐temporal features | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN111861028A (zh) | 一种基于时空数据融合的犯罪数量预测方法 | |
CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN116432861A (zh) | 一种综合能源系统源荷价多任务联合预测方法及系统 | |
CN114077912A (zh) | 数据预测方法以及数据预测装置 | |
CN114822033A (zh) | 基于特征金字塔网络的路网交通流量数据修复方法及系统 | |
CN112990530B (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
CN117498314A (zh) | 屋顶光伏资源评估方法、装置、计算机设备和存储介质 | |
CN114821248A (zh) | 面向点云理解的数据主动筛选标注方法和装置 | |
Suhartono et al. | Hybrid Machine Learning for Forecasting and Monitoring Air Pollution in Surabaya | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
Mohammadzadeh et al. | Spatiotemporal integration of GCN and E-LSTM networks for PM2. 5 forecasting | |
CN115810012B (zh) | 输电杆塔倾斜检测方法、装置、设备和存储介质 | |
CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
Zhou et al. | A maps-to-maps approach for simulating urban land expansion based on convolutional long short-term memory neural networks | |
Banda et al. | Energy Consumption Prediction for Multi-functional Buildings Using Convolutional Bidirectional Recurrent Neural Networks | |
CN117520881A (zh) | 基于细粒度感知数据的天气预测方法、装置、设备和介质 | |
CN117893006A (zh) | 电网风险评估方法、装置、设备、介质和程序产品 | |
Suresh | An Analysis of Short-Term Load Forecasting on Residential Buildings Using Deep Learning Models |
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 |