EP4732425A2 - Vorrichtung und verfahren zur bestimmung von wenigstens einer komponente hemisphärischer bestrahlungsstärke solarer strahlung in einer beliebigen ebene - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren (S100, S200, S300, S400, S500) zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene, wobei die wenigstens eine Komponente eine diffuse Bestrahlungsstärke (122) und/oder eine direkte Bestrahlungsstärke (124) umfasst, umfassend folgende Schritte: (i) Ermitteln von Messdaten der hemisphärischen Bestrahlungsstärke (120); mit einer Strahlungssensoreinheit (12) in einem Sichtfeld (26) über einer Ebene (46) der Strahlungssensoreinheit (12); (ii) Erfassen eines Bildes (110) des Himmels (50) mit einer Kamera (14); in einem Sichtfeld (32) über einer Ebene (48) der Kamera (14); (iii) Extrahieren (S130, S230, S330, S430, S530) von Merkmalen aus dem Bild (110) des Himmels (50) mittels eines ersten Maschinenlern-Modells und Erzeugen eines Ergebnisdatensatzes; (iv) Zusammenführen (S140, S240, S340, S440, S540) der Messdaten zu einem gemeinsamen Datensatz; (v) Bestimmen (S150, S250, S350, S450, S550) der wenigstens einen Komponente der hemisphärischen Bestrahlungsstärke (120) in der beliebigen Ebene, aus dem Datensatz mittels eines zweiten Maschinenlern-Modells.

Description

Beschreibung

Vorrichtung und Verfahren zur Bestimmung von wenigstens einer Komponente hemisphärischer Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene

Stand der Technik

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene. Ferner betrifft die Erfindung ein Verfahren zum Trainieren eines ersten Maschinenlern-Modells zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild des Himmels einer Kamera sowie ein Computerprogramm zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene, eine Datenverarbeitungsvorrichtung, ein trainiertes erstes Maschinenlern-Modell zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild des Himmels und ein trainiertes zweites Maschinenlern-Modell zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene.

Große solartechnische Anlagen, beispielsweise Solarkraftwerke und Photovoltaik-Anlagen, die in unterschiedlichen Breitengraden der Erde installiert sind oder geplant werden, gewinnen zunehmend an wirtschaftlicher Bedeutung für die Energieversorgung. Hierbei tritt die Wirtschaftlichkeit des Betriebs der solartechnischen Anlage in den Vordergrund bei der Entscheidung für oder gegen deren Installation. Auf Grund unterschiedlich starker Sonneneinstrahlung in den verschiedenen Breitengraden sind der Standort und der Wirkungsgrad der solartechnischen Anlage für einen wirtschaftlichen Betrieb der solartechnischen Anlage von großer Bedeutung. Zur Planung des Standortes für die Installation und den wirtschaftlichen Betrieb der Photovoltaik-Anlage beispielsweise muss eine Bestrahlungsstärke der solaren Strahlung an dem jeweiligen Standort bekannt sein oder gemessen werden können. Als Bestrahlungsstärke solarer Strahlung, auch bezeichnet als solare Bestrahlungsstärke, wird die Intensität und damit die Lichtleistung der solaren Strahlung bezeichnet, die senkrecht auf einen Quadratmeter eines Solarpanels der zu installierenden Photovoltaik-Anlage trifft. Um die Einstrahlung der Sonne auf die Solarpaneele und den Wirkungsgrad bestmöglich zu optimieren, werden die Solarpaneele häufig nachgeführt, um den Azimuth und den Neigungswinkel zu verändern. In bifazialen Photovoltaik-Anlagen wird neben einer Vorderseite der Solarpaneele auch die solare Strahlung auf der Rückseite des Solarpanels genutzt. Da die solare Strahlung einzelne Komponenten, wie beispielsweise diffuse Strahlung in der horizontalen Ebene (DHI), am Boden reflektierte Strahlung, direkte Normalstrahlung (DNI), aufweist und diese auf unterschiedliche Art und Weise zur gesamten erbrachten Leistung einer solartechnischen Anlage beitragen, ist es notwendig, dass neben der hemisphärischen solaren Bestrahlungsstärke auch die einzelnen Komponenten der solaren Bestrahlungsstärke zugänglich sind. Es ist von Interesse, die hemisphärische Bestrahlungsstärke und deren Komponenten in beliebigen Ebenen zu messen und zu kennen.

Es ist bekannt, dass zur Messung der solaren Bestrahlungsstärke eine Strahlungssensoreinheit, typischerweise ein Pyranometer, verwendet wird. Gemessen wird immer in einem Sichtfeld eines Halbraums über der installierten Ebene der Strahlungssensoreinheit, typischerweise des Pyranometers. Der Halbraum beschreibt eine Halbkugel, also Hemisphäre, entsprechend einem Raumwinkel von zumindest annähernd 2TT Steradianten. Ferner ist bekannt, einen Bedeckungsgrad des Himmels mit einer Überwachungskamera oder Wolkenkamera zu erfassen. Zur Bestimmung der diffusen Horizontalstrahlung und der direkten Normalstrahlung hingegen ist ein großer Messaufwand notwendig. Hierbei können beispielsweise ein der Sonne nachgeführtes Pyrheliometer und ein der Sonne nachgeführtes Pyranometer eingesetzt werden. Die Analyse der gemessenen Daten erfolgt über Transpositions- und Dekompositionsmodelle, die allerdings mit großen Fehlern behaftet sind.

Aus der WO 2021/219570 A1 ist eine Messvorrichtung bekannt, die eine Strahlungssensoreinheit, beispielsweise ein Pyranometer, und eine Kamera aufweist. Aus der Messvorrichtung können mit einem Verfahren Aussagen über die hemisphärische solare Bestrahlungsstärke in beliebigen Ebenen durch die Analyse der gemessenen Daten getroffen werden. Ferner kann mittels der Messvorrichtung und des Verfahrens auch eine Radianzverteilung des Himmels und daraus Anteile diffuser Strahlung bestimmt werden.

Offenbarung der Erfindung

Die Aufgabe der Erfindung ist es, ein verbessertes Verfahren und eine verbesserte Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene bereitzustellen.

Ferner ist es die Aufgabe der Erfindung, ein verbessertes Verfahren zum Trainieren eines ersten Maschinenlern-Modells zum Extrahieren von Merkmalen, insbesondere Strukturen, aus dem Bild des Himmels anzugeben.

Ferner ist es die Aufgabe der Erfindung, ein verbessertes Computerprogramm zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene anzugeben. Ferner ist es die Aufgabe der Erfindung, eine Datenverarbeitungsvorrichtung für eine Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene anzugeben.

Ferner ist es die Aufgabe der Erfindung, ein verbessertes trainiertes erstes Maschinenlern-Modell zum Extrahieren von Merkmalen, insbesondere Strukturen, aus dem Bild des Himmels sowie ein verbessertes trainiertes zweites Maschinenlern-Modell zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene bereitzustellen.

Die Aufgaben werden durch die Merkmale der unabhängigen Ansprüche gelöst. Günstige Ausgestaltungen und Vorteile der Erfindung ergeben sich aus den weiteren Ansprüchen, der Beschreibung und der Zeichnung.

Die in den Patentansprüchen einzeln aufgeführten Merkmale sind in technologisch sinnvoller Weise miteinander kombinierbar und können durch erläuternde Sachverhalte aus der Beschreibung und durch Details aus den Figuren ergänzt werden, wobei weitere Ausführungsvananten der Erfindung aufgezeigt werden.

Nach einem ersten Aspekt der Erfindung wird ein Verfahren zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene vorgeschlagen, wobei die wenigstens eine Komponente eine diffuse Bestrahlungsstärke und/oder eine direkte Bestrahlungsstärke umfasst. Das Verfahren umfasst die folgenden Schritte:

(i) Ermitteln von Messdaten der hemisphärischen Bestrahlungsstärke mit einer Strahlungssensoreinheit in einem Sichtfeld über einer Ebene der Strahlungssensoreinheit;

(ii) Erfassen eines Bildes des Himmels mit einer Kamera in einem Sichtfeld über einer Ebene der Kamera; (iii) Extrahieren von Merkmalen, insbesondere Strukturen, aus dem Bild des Himmels mittels eines ersten Maschinenlern-Modells und Erzeugen eines Ergebnisdatensatzes;

(iv) Zusammenführen der Messdaten der Strahlungssensoreinheit und des Ergebnisdatensatzes der Kamera zu einem gemeinsamen Datensatz;

(v) Bestimmen der wenigstens einen Komponente der hemisphärischen Bestrahlungsstärke in der beliebigen Ebene, insbesondere der diffusen Bestrahlungsstärke und/oder der direkten Bestrahlungsstärke, aus dem Datensatz mittels eines zweiten Maschinenlern-Modells.

Unter einer beliebigen Ebene soll eine horizontale Ebene oder eine geneigte Ebene verstanden werden.

Die Strahlungssensoreinheit und die Kamera bilden eine Messeinheit, die Grundlage des vorgeschlagenen Verfahrens ist. Die Messeinheit kann somit einen ersten Messdatensatz der Strahlungssensoreinheit liefern, der die hemisphärische Bestrahlungsstärke aufweist, die in einem Sichtfeld von einem Halbraum oberhalb der Strahlungssensoreinheit gemessen ist. Der Halbraum kann eine Halbkugel und/oder Hemisphäre entsprechend einem Raumwinkel von zumindest annähernd 2TT Steradianten sein. Die Messeinrichtung kann einen zweiten Messdatensatz liefern, der von der Kamera gemessene Messdaten aufweist. Der Messdatensatz der Kamera weist ein Bild des Himmels auf, welches den Himmel in einem Sichtfeld von einem Halbraum oberhalb der Kamera abbildet. Somit ist die Grundlage des Verfahrens zwei Messdatensätze von zwei unterschiedlichen Instrumenten, der Strahlungssensoreinheit und der Kamera. Die Strahlungssensoreinheit kann beispielsweise ein Pyranometer sein. Die Kamera kann eine Wolkenkamera oder eine Überwachungskamera sein. Der Vorteil hierbei ist, dass eine verbesserte Genauigkeit bei der Bestimmung einer der Komponenten der hemisphärischen Bestrahlungsstärke erfolgen kann. Insbesondere können Messungenauigkeiten und/oder Messfehler der Strahlungssensoreinheit oder der Kamera ausgeglichen werden. Der Grund dafür ist, dass die Kamera im Allgemeinen die Bestrahlungsstärke nicht so genau messen kann wie die Strahlungssensoreinheit. Somit ist im Vergleich zum Stand der Technik, bei dem typischerweise nur eine Kamera verwendet wird, die Genauigkeit verbessert.

Das Bild des Himmels weist typischerweise die Sonne und Strukturen um die Sonne herum wie beispielsweise eine Wolkenbedeckung und eine Anordnung der Wolken, eine Verschattung der Sonne, Verwischungen durch Schleierwolken und/oder Bildartefakte, welche durch den Einfluss der Direktstrahlung auf das Kamerabild entstehen, auf. Somit weist das Bild des Himmels Strukturen und Texturen auf. Die Strukturen und Texturen ergeben die Bildmerkmale, die das erste Maschinenlern-Modell extrahiert. Insbesondere die Bildmerkmale um die Sonne können verwendet werden. Das erste Maschinenlern-Modell kann aus dem Bild des Himmels die Bildmerkmale extrahieren. Dadurch können Effekte wie Linsenbrechung und Bildsättigung erkannt werden. Es kann eine Art spektraler Korrektur erfolgen. Bei der nachfolgenden Analyse des gemeinsamen Datensatzes mittels des zweiten Maschinenlern-Modells können diese Bildmerkmale verwendet werden.

Das Bild des Himmels kann auf Grund der pixelweise abgelegten Informationen, insbesondere der gemessenen Intensitäten, die Strukturen und die Texturen jeweils als winkelaufgelöste Informationen beinhalten. Die Strukturen und Texturen können als Bildmerkmale zur Analyse der Messdaten durch das erste Maschinenlern-Modell verwendet werden und den Ergebnisdatensatz bilden. Das erste Maschinenlern-Modell kann beispielsweise ein sogenanntes faltungsneuronales Netzwerk (im Englischen CNN = convolutional neural network) sein. Der CNN-Algorithmus ist ein weitverbreiteter Algorithmus, der in einem großen Anwendungsbereich verwendet wird und insbesondere zuverlässige Iterationsergebnisse liefert.

Im Stand der Technik wird im Unterschied zur Analyse des Bildes des Himmels mit dem ersten Maschinenlern-Modell in dem vorgeschlagenen Verfahren, ein physikalisches Modell, dem physikalische Annahmen und Korrekturen zu Grunde liegen, verwendet. Das erste Maschinenlern-Modell hingegen kann die im Bild des Himmels vorhandenen Bildmerkmale der Strukturen und Texturen direkt analysieren. Somit kann der Vorteil darin liegen, dass keine Informationen verloren gehen.

Das zweite Maschinenlern-Modell kann die Messfehler einer kamerabasierten Strahlungsmessung korrigieren, da eine unabhängige Strahlungsmessung mittels der Strahlungssensoreinheit erfolgt und zusätzlich Bildmerkmale verwendet werden. Das zweite Maschinenlern- Modell bestimmt den Beitrag der Diffusstrahlung zur hemisphärischen Bestrahlungsstärke basierend auf der diffusen Bestrahlungsstärke in der horizontalen Ebene (DHI) und/oder der direkten Bestrahlungsstärke (DNI). Somit übernimmt das zweite Maschinenlern-Modell in dem vorliegenden Verfahren die Aufgabe eines Dekompositionsmodels des Verfahrens im dem Stand der Technik.

Die diffuse Bestrahlungsstärke kann in der horizontalen Ebene und/oder in einer geneigten Ebene bestimmt werden. Die direkte Bestrahlungsstärke kann in der horizontalen Ebene und/oder der geneigten Ebene bestimmt werden. Hierbei können bevorzugt für die geneigte Ebene die Korrekturen verwendet werden, die auch in der horizontalen Ebene angewendet werden. Nach einer günstigen Ausgestaltung des Verfahrens können in einer Bildanalyse unter Verwendung des Bildes der Kamera Merkmale extrahiert werden, wobei ein physikalisches Kameramodell angewendet wird.

Das Kameramodell kann hierbei ein mathematisches Modell sein, welches die Abbildungseigenschaften der Kamera, insbesondere der verwendeten Kamera beschreibt. Das Kameramodell kann insbesondere der exakten mathematischen Beschreibung der Abbildungsverhältnisse der verwendeten Kameras dienen. Das Kameramodell kann auch als physikalisches Kameramodell bezeichnet werden, da physikalische Eigenschaften beinhaltet sind. Beispielsweise können die wichtigsten Berechnungsvorschriften für die Entfernungsberechnung, insbesondere für einen nicht achsenparallelen Stereoaufbau, hergeleitet werden.

Das Kameramodell kann in der einfachsten Ausführung ein einfaches Lochkameramodell sein. Es kann in einer verbesserten Version auch ein Kollinearitätsmodell umfassen. Hierbei kann ein kameraexternes Bezugskoordinatensystem berücksichtigt werden. Das Kameramodell kann typischerweise einen hohen algorithmischen Aufwandes für Stereoanalysesysteme aufweisen. Dies hat den Vorteil, dass da durch eine schielende Kameraanordnung mit einer Genauigkeitssteigerung erreicht werden kann. Beispielsweise kann das Kameramodell auch eine Bildtransformation, wie Bildrotationen und/oder Bildentzerrung enthalten. Hierbei kann durch das Kameramodell eine nachführende Kamera simuliert werden. Es kann beispielsweise eine verbesserte Analyse der Bilder von Wolken im Bild erzielt werden, insbesondere eine genauere Unterscheidung zwischen Wolkenbestandteilen und diffusem Himmel. Ferner kann hierdurch die Sonnenscheibe immer im Bildmittelpunkt angeordnet werden.

Das Kameramodell kann eine nichtlineare Gammakorrektur umfassen, die auf jeden Kanal (R, G, B) unabhängig angewendet wird. Das Kameramodell kann eine konstante Mischmatrix, insbesondere eine Vollmatrix der Größe 3 x 3 umfassen. Das Kameramodell kann die spektralen Empfindlichkeiten der Kamera pro Farbkanal berücksichtigen. Das Kameramodell kann die von jedem Pixel abgedeckte Fläche berücksichtigen. Das Kameramodell kann das Intervall der Wellenlängen, in dem die Kamera auf die spektrale Bestrahlungsstärke reagiert, berücksichtigen. Das Kameramodell kann das Dunkelsignal der Kamera berücksichtigen.

Durch die Anwendung des physikalischen Kameramodells kann der Vorteil entstehen, dass die diffuse Bestrahlungsstärke in der horizontalen Ebene, als DHI bezeichnet, genauer bestimmt werden kann. Das Kameramodell kann in dem ersten Maschinenlern-Modell und/oder dem zweiten Maschinenlern-Modell ein Parameter des Algorithmus sein und/oder in diesem enthalten sein und/oder mit dem Kameramodell erzielte Ergebnisse können als Eingangsdaten für das ersten Maschinenlern-Modell verwendet werden.

In einer Ausgestaltung des Verfahrens kann das Bild der Kamera über das physikalische Kameramodell ausgewertet werden und eine vorläufige Messung der diffusen Bestrahlungsstärke in der horizontalen oder in einer geneigten Ebene erhalten werden, wobei diese vorläufige Messung der diffusen Bestrahlungsstärke oder eine daraus berechnete Direktstrahlung als Merkmal vom zweiten Maschinenlern-Modell einbezogen wird und/ oder wobei mit Hilfe des Kameramodells und der Messung der hemisphärischen Bestrahlungsstärke eine Direktstrahlung ermittelt wird und wobei dieser Parameter als Merkmal vom zweiten Maschinenlern-Modell einbezogen wird. In einer weiteren Ausgestaltung des Verfahrens kann das Bild der Kamera über das physikalisches Kameramodell ausgewertet werden und wobei mit Hilfe des Kameramodells eine zirkumsolare Strahlung und/oder eine Beleuchtungsstärke oder eine Strahlungsinformation je Farbkanal und/ oder ein Verhältnis der Beleuchtungsstärken oder Strahlungsinformationen für zwei verschiedene Farbkanäle und/oder eine Anzahl gesättigter Bildpixel ermittelt wird und wobei diese Parameter als Merkmale vom zweiten Maschinenlern-Modell einbezogen werden. Unter zirkumsolarer Strahlung (englisch: circum solar radiation) wird die Strahlung verstanden, die aus einem Bereich unmittelbar um die Sonnenscheibe emittiert wird. Es kann vorteilhaft sein, die zirkumsolare Strahlung aus dem Bilde der Kamera zu ermitteln, da die Strahlung aus der unmittelbaren Nähe der Sonnenscheibe zur DNI beträgt. Insbesondere die zirkumsolare diffuse Strahlung, die ein Resultat der Streuung der Strahlung in der Atmosphäre ist, kann zur DNI betragen. Es kann ebenfalls vorteilhaft sein, die Beleuchtungsstärke pro Farbkanal zu kennen, da die Verteilung der Beleuchtungsstärke auf die Farbkanäle die spektrale Verteilung des solaren Spektrums widerspiegelt. Es kann vorteilhaft sein, die Anzahl der gesättigten Bildpixel aus dem Bilde der Kamera zu ermitteln, da eine Aussage über die Intensität der auf die Kamera treffenden Strahlung, insbesondere deren Verteilung im Bild der Kamera getroffen werden kann.

Nach einer günstigen Ausgestaltung des Verfahrens können die nachfolgend aufgeführten Verfahrensschritte durchgeführt werden:

(i) Bildpixeln beobachtete Himmelsbereiche können zugeordnet werden;

(ii) und/oder eine situationsangepasste Breitbandkorrektur kann angewendet werden, welche eine Funktion einer über die verschiedenen Farbkanäle der Kamera berechneten Strahlung, insbesondere der diffusen Bestrahlungsstärke, ist; (iii) und/oder die Radianz kann in verschiedenen Himmelsbereichen aufintegriert bzw. summiert werden, insbesondere um daraus zirkumsolare Strahlung oder die diffuse Bestrahlungsstärke in der horizontalen Ebene zu bestimmen;

(iv) und/oder Intensitätswerte der Farbkanäle oder daraus abgeleitete Parameter können gewichtet summiert werden;

(i) und/oder Bildmetadaten können einbezogen werden, um einen Einfluss der Belichtungssteuerung der Kamera auszugleichen;

(ii) und/oder eine Kalibrierung der Kamera mit Hilfe der Messungen der hemisphärischen Bestrahlungsstärke (120) der Strahlungssensoreinheit kann durchgeführt wird.

Nach einerweiteren Ausgestaltung des Verfahrens können die nachfolgend aufgeführten Verfahrensschritte durchgeführt werden:

(i) eine Schätzung der Strahldichte des Himmels aus dem Bild der Kamera auf der Grundlage eines Kameramodells kann ermittelt werden;

(ii) und/oder das Kameramodell kann die spektrale Sensitivität der Kamera je Farbkanal oder dem verwendeten Farbraum angepasste Farbabgleichsfunktionen berücksichtigen;

(iii) und/oder eine intrinsische und externe geometrische Kalibration der Kamera kann verwendet werden.

Nach einer günstigen Ausgestaltung des Verfahrens kann das zweite Maschinenlern-Modell von dem ersten Maschinenlern-Modell verschieden sein, wobei das erste Maschinenlern-Modell mit ersten Trainingsdatensätzen trainiert ist, und wobei das zweite Maschinenlern- Modell mit zweiten Trainingsdatensätzen trainiert ist. Die ersten Trainingsdatensätze können bevorzugt Referenzdaten enthalten. Das zweite Maschinenlern-Modell umfasst typischerweise einen anderen Algorithmus als das erste Maschinenlern-Modell. Das zweite Maschinenlern-Modell kann einen sogenannten Viellagen-Perzeption- Algorithmus (im Englischen MLP: Multilayer-Perceptron) aufweisen. Der dem zweiten Maschinenlern-Modell zugrunde liegende Datensatz umfasst sowohl den Messwert der hemisphärischen Bestrahlungsstärke der Strahlungssensoreinheit also auch den Ergebnisdatensatz des mit dem ersten Maschinenlern-Modell analysierten Bildes des Himmels. Der Datensatz wird auch als Datenvektor oder Vektordatensatz bezeichnet.

Das zweite Maschinenlern-Modell schätzt die diffuse Bestrahlungsstärke in der horizontalen Ebene (DHI) und/oder die direkte Bestrahlungsstärke (DNI) aus dem gemeinsamen Datensatz, insbesondere dem Datenvektor, in Abhängigkeit der verwendeten zweiten Trainingsdaten. Typischerweise kann das zweite Maschinenlern-Modell für die diffuse Bestrahlungsstärke in der horizontalen Ebene (DHI) trainiert werden. Die hemisphärische Horizontalstrahlungsstärke (GHI) und die diffuse Bestrahlungsstärke in der horizontalen Ebene (DHI) und die direkte Bestrahlungsstärke (DNI) sind über eine bekannte Gleichung verknüpft, die lautet: GHI-DHI=DNI x sin(Sonnenelevationswinkel). Hierbei ist der Sonnenelevationswinkel zu jeder Uhrzeit bekannt. Somit können aus der DHI, die aus dem Bild des Himmels mittels des zweiten Maschinenlern-Modells extrahiert wird und der gemessenen GHI beispielsweise die DNI bestimmt werden.

Mit dem zweiten Maschinenlern-Modell können ferner neben der Messung der hemisphärischen Bestrahlungsstärke mit der Strahlungssensoreinheit und den Bildmerkmalen aus der Struktur und Textur des Himmels auch folgende Merkmale zur Schätzung der diffusen Bestrahlungsstärke in der horizontalen Ebene (DHI) und/oder der direkten Bestrahlungsstärke (DNI) verwendet werden: Sonnenelevation, Anzahl der gesättigten Pixel im durch die Kamera aufgenommenen Bild, DHI-Messung aus der klassischen Analyse mittels physikalischem Modell, DNI-Messung aus der klassischen Analyse mittels physikalischem Modell, Bestrahlungsstärke in der horizontalen Ebene aus einem Winkelbereich von beispielsweise 25° um die Sonne, Zwischenergebnisse aus der klassischen Analyse mittels physikalischem Modell, insbesondere eine DHI-Messung je Farbkanal der Kamera und Verhältnisse dieser DHI-Messungen je Farbkanal. Hierbei ist vorteilhaft, dass Messfehler beispielsweise durch Linsenfehler, Überbelichtung und/oder Linsenbrechungseffekte erkannt werden können.

Die ersten Trainingsdatensätze zum Trainieren des ersten Maschinenlern- Modells können vorteilhaft um die oben aufgezählten zusätzlichen Merkmale erweitert werden.

Nach einer weiteren günstigen Ausgestaltung des Verfahrens können in der Bildanalyse unter Verwendung des Bildes der Kamera Merkmale aus den Intensitäten der Bildpixel abgeleitet werden, wobei eine Anzahl gesättigter Pixel zur Extraktion von Merkmalen einbezogen werden. Aus der Anzahl der gesättigten Pixel kann eine Aussage über eine Bestrahlungsstärke, insbesondere über eine Verteilung der Bestrahlungsstärke über das Bild abgeleitet werden. Hierbei kann auf eine Schwellenwertsetzung verzichtet werden.

Nach einer weiteren günstigen Ausgestaltung des Verfahrens können in einer Bildanalyse unter Verwendung des Bildes der Kamera Merkmale extrahiert werden. Insbesondere können optional auch Merkmale aus den Messdaten der Strahlungssensoreinheit extrahiert werden. Die Bildanalyse kann Informationen, die in den Bildpixel des Bildes enthalten sind verwenden. Beispielsweise können aus den Intensitäten der Bildpixel Merkmale berechnet werden. Diese können beispielsweise eine Anzahl gesättigter Bildpixel, gewichtete Summen der Intensitäten der Bildpixel über das gesamte Bild und/oder über den Bildbereich um die Sonne herum und Verhältnisse dieser Summen sein.

Nach einer weiteren günstigen Ausgestaltung des Verfahrens können in der Bildanalyse unter Verwendung des Bildes der Kamera Merkmale aus den Intensitäten der Bildpixel abgeleitet werden. Insbesondere kann dabei ein physikalisches Kameramodell angewendet werden. Alternativ oder zusätzlich können eine Anzahl gesättigter Pixel und/oder zumindest eine Summe und/oder gewichtete Summe der Intensitäten der Bildpixel und/oder zumindest ein Verhältnis von Summen und/oder von gewichteten Summen der Intensitäten der Bildpixel zur Extraktion von Merkmalen einbezogen werden. Hierdurch können insbesondere für das zweite Maschinenlern- Modell vorteilhafte Merkmale gewonnen werden: Sonnenelevation, Anzahl der gesättigten Pixel im durch die Kamera aufgenommenen Bild, DHI- Messung aus der klassischen Analyse mittels physikalischem Modell, DNI- Messung aus der klassischen Analyse mittels physikalischem Modell, Bestrahlungsstärke in der horizontalen Ebene aus einem Winkelbereich von beispielsweise 25° um die Sonne, Zwischenergebnisse aus der klassischen Analyse mittels physikalischem Modell, insbesondere eine DHI-Messung je Farbkanal der Kamera und Verhältnisse dieser DHI-Messungen je Farbkanal.

Nach einer günstigen Ausgestaltung des Verfahrens können die aus dem Bild der Kamera und/oder aus den Messdaten der Strahlungssensoreinheit extrahierten Merkmale an ein drittes Maschinenlern-Modell übergeben werden und mittels des dritten Maschinenlern-Modells verarbeitet werden sowie ein Strahlungssensoreinheitsdatensatz erzeugt werden. Der Strahlungssensoreinheitsdatensatz und der Ergebnisdatensatz der Kamera können zusammengeführt werden, bevor das zweite Maschinenlern-Modell angewendet wird. Das zweite Maschinenlern-Modell kann auf einen gemeinsamen Datensatz aus mit dem dritten Maschinenlern-Modell extrahierten Merkmalen aus den Messdaten der Strahlungssensoreinheit und mit dem ersten Maschinenlern-Modell analysierten Messdaten der Kamera angewendet werden. Der gemeinsame Datensatz kann auch als Datenvektor oder Vektordatensatz bezeichnet werden.

Nach einer günstigen Ausgestaltung des Verfahrens kann vor der Anwendung des ersten Maschinenlern-Modells eine Bildtransformation des Bildes des Himmels erfolgen. Das hat den Vorteil, dass dem ersten Maschinenlern-Modell lediglich Bildbereiche mit hohem Informationsgehalt die Direktstrahlung betreffend übermittelt werden. Dies ist bei beschränktem Ressourceneinsatz von Bedeutung.

Dabei wird ein Rohbild des Bildes des Himmels, welches durch die Kamera aufgenommen wurde, einer Bildtransformation unterworfen. Das Rohbild enthält die Messdaten der Kamera vor jeglicher Analyse. Dadurch kann ein transformiertes Bild des Himmels erzeugt werden. Das hat den Vorteil, dass dem ersten Maschinenlern-Modell lediglich Bildbereiche mit hohem Informationsgehalt, insbesondere die Direktstrahlung betreffend übermittelt werden. Dies ist bei beschränktem Ressourceneinsatz von Bedeutung. Zusätzlich können auch Fehler der Diffusstrahlungsmessung an das erste Maschinenlern-Modell übergeben werden. Als Bildtransformation können einer oder mehrere der folgenden Schritte durchgeführt werden: (i) Anwendung einer Bildentzerrung und Bildrotation und Bildverzerrung gemäß einem Kameramodell derart, dass sich die Sonnenscheibe immer in einer Bildmitte befindet. Diese Bildtransformation kann eine Nachführung der Kamera simulieren, (ii) Durchführen eines Bildzuschnittes auf einen quadratischen Bereich um die Sonne, wobei Winkelabstände von etwa 25° um die Sonne umfasst werden, (iii) Herunterskalieren der Auflösung des Kamerabildes. Hierbei kann beispielsweise eine Größe von 224x224 Pixel verwendet werden. Dies ist ein übliches Größenmaß und hat den Vorteil, dass bekannte vortrainierte erste Maschinenlern-Modelle aus anderen Anwendungen verwendet werden können.

Nach einer günstigen Ausgestaltung des Verfahrens können das erste Maschinenlern-Modell und/oder das zweite Maschinenlern-Modell mit Referenzdaten wenigstens einer der Komponenten der hemisphärischen Bestrahlungsstärke, insbesondere der diffusen Bestrahlungsstärke in der horizontalen Ebene (DHI), insbesondere von Solartrackern und/oder der direkten Bestrahlungsstärke (DNI), insbesondere von einem der Sonne nachgeführten Pyrheliometer, und/oder mit regulären Eingangsdaten insbesondere mit Bildern der Kamera, Daten der hemisphärischen Bestrahlungsstärke und/oder von Zwischenergebnissen trainiert werden.

Zwischenergebnisse können dabei Analyseergebnisse von Messdaten sein, die mit der Messeinrichtung bestehend aus der Strahlungssensoreinheit und der Kamera aufgenommen sind, wobei die Messdaten dann unter Verwendung eines physikalischen Modell wie beispielsweise in der WO 2021/219570 A1 beschrieben ausgewertet sind.

Nach einer günstigen Ausgestaltung des Verfahrens kann das erste Maschinenlern-Modell vortrainiert werden, wobei wenigstens einer der nachfolgenden Schritte verwendet wird:

(i) Nutzen öffentlich verfügbarer Gewichte;

(ii) Trainieren mittels wenigstens eines unüberwachten oder selbstüberwachten Trainingsansatzes, beispielsweise mittels einer DeepCluster-v2-Methode nach CARON, Mathilde et al., insbesondere mit einer Anzahl von k=30 Clustern/Gruppen;

(iii) Erweitern von Daten mit Gaußschen Weichzeichnern und/oder Verzerren der Bildfarben und/oder Spiegeln der Bilder;

(iv) Trainieren mit mittels der Kamera aufgenommenen Bildern des

Himmplq Die Anzahl k=30 ist beispielhaft zu verstehen. Es können auch weniger Cluster/Gruppen verwendet werden, beispielsweise k=25. Es können auch mehr Cluster/Gruppen verwendet werden, beispielsweise k= 35 oder k=40. Die Anzahl der Cluster/Gruppen ist so zu verstehen, dass es die Größenordnung der Cluster/Gruppen angibt.

Der Vorteil, insbesondere von Schritt (iii), kann dabei in der Gewinnung zusätzlicher Trainingsdaten liegen.

Unter Vortrainieren des ersten Maschinenlern-Modells wird typischerweise verstanden, dass das erste Maschinenlern-Modell mit bekannten Datensätzen trainiert wird. Die bekannten Datensätze enthalten dabei bevorzugt Strukturen und Texturen, die denen in den mit der Kamera gemessenen Bildern des Himmels ähnlich oder gleich sind.

Nach einer günstigen Ausgestaltung des Verfahrens kann in dem ersten Maschinenlern-Modell ein sogenannter faltungsneuronaler Algorithmus, insbesondere ein faltungsneuronales Netzwerk, (im Englischen convolutional neural network = CNN), verwendet werden. Bevorzugt können dabei Bildmerkmale extrahiert werden, die um den Bereich der Sonne herum auftreten. Beispielsweise können Artefakte wie Strahlen und/oder Kreise um die Sonnenscheibe herum im Bild des Himmels ein Hinweis auf das Auftreten von Linsenbrechungseffekten sein.

Nach einer günstigen Ausgestaltung des Verfahrens kann in dem zweiten Maschinenlern-Modell wenigstens ein Algorithmus von einem Multilayer- Perceptron (MLP), Random-Forest-Algorithmus, Recurrent-Neural-Network (RNN), LSTM Long-Short-Term-Memory (LSTM)-Algorithmus, Transformer-Modell Algorithmus, k-Nearest Neighbour (k-NN) Algorithmus, und/oder Support-Vector-Machine (SVM) verwendet werden. Nach einer günstigen Ausgestaltung des Verfahrens können die ersten Trainingsdatensätze und/oder die zweiten Trainingsdatensätze so gefiltert werden, dass unterschiedliche atmosphärische Bedingungen ähnlich stark vertreten sind. Die atmosphärischen Bedingungen können beispielsweise sein: Wolkenbedeckung, Schleierwolken, Teilbedeckung mit Wolken.

Vorteilhaft können als Zeitauflösung zur Verarbeitung von Messdaten nach dem Verfahren Ein-Minuten-M ittelwerte verwendet werden.

Nach einer günstigen Ausgestaltung des Verfahrens können das erste Maschinenlern-Modell, das zweite Maschinenlern-Modell und/oder das dritte Maschinenlern-Modell überwacht trainiert werden, wobei Eingangsdaten und/oder korrekte Referenzdaten von wenigstens einer der Komponenten der hemisphärischen Bestrahlungsstärke verwendet werden. Die wenigstens eine Komponente kann eine diffuse Bestrahlungsstärke in der horizontalen Ebene (DHI) oder direkte Bestrahlungsstärke (DNI) sein.

Nach einer günstigen Ausgestaltung des Verfahrens können das erste Maschinenlern-Modell, das zweite Maschinenlern-Modell und das dritte Maschinenlern-Modell auch gemeinsam, insbesondere überwacht, trainiert werden, Dies wird als Fine-Tuning bezeichnet. Das gemeinsame Trainieren kann hierbei insbesondere nach dem Einzeltraining des ersten Maschinenlern-Modells, des zweiten Maschinenlern-Modells und des dritten Maschinenlern-Modells erfolgen.

Es kann auch vorgesehen sein, das erste Maschinenlern-Modell unüberwacht zu trainieren. Hierbei können typischerweise vorhandene Bilder einer Wolkenkamera verwendet werden. Beim unüberwachten Training können beispielsweise nur Eingangsdaten verwendet werden und keine Referenzdaten. Nach einer günstigen Ausgestaltung des Verfahrens können Bildmerkmale aus dem Bild des Himmels unter Verwendung von Schätzwerten eines Rot- Kanals, und/oder eines Blau-Kanals, und/oder eines Grün-Kanals aus den Messdaten des Bildes des Himmels als zusätzliche Eingangsdaten des dritten Maschinenlern-Modells oder des Zusammenführens verwendet werden. Vorteilhaft können Intensitätswerte des Rot-Kanals, des Blau- Kanals und/oder des Grün-Kanals verwendet werden.

Nach einem weiteren Aspekt der Erfindung wird eine Vorrichtung vorgeschlagen zur Durchführung eines Verfahrens, zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene, wobei die Komponente eine diffuse Bestrahlungsstärke und/oder eine direkte Bestrahlungsstärke umfasst. Die Vorrichtung umfasst wenigstens eine Strahlungssensoreinheit, eine Kamera, sowie eine Auswerteeinheit, welche zur Auswertung von Messdaten der Strahlungssensoreinheit und der Kamera vorgesehen ist. Die Strahlungssensoreinheit bestimmt die Bestrahlungsstärke solarer Strahlung in einem Sichtfeld von 180° über einer Ebene, wobei die Ebene eine horizontale Ebene oder eine geneigte Ebene ist. Die Kamera erfasst ein Bild des Himmels aufweisende Messdaten in einem Sichtfeld von 180° über einer Ebene, wobei die Ebene eine horizontale Ebene oder eine geneigte Ebene ist. Die Auswerteeinheit weist wenigstens ein erstes Maschinenlern-Modell und ein zweites Maschinenlern-Modell auf. Dabei ist die Auswerteeinheit wenigstens ausgebildet, die folgenden Schritte durchzuführen:

(i) Extrahieren von Merkmalen, insbesondere Strukturen, aus dem Bild des Himmels mittels eines ersten Maschinenlern-Modells und Erzeugen eines Ergebnisdatensatzes;

(ii) Zusammenführen der Messdaten der Strahlungssensoreinheit und des Ergebnisdatensatzes der Kamera zu einem gemeinsamen Datensatz; (iii) Bestimmen der wenigstens einen Komponente der hemisphärischen Bestrahlungsstärke in der beliebigen Ebene, insbesondere der diffusen Bestrahlungsstärke und/oder der direkten Bestrahlungsstärke, aus dem Datensatz mittels eines zweiten Maschinenlern-Modells.

Das Bild des Himmels umfasst ein Bild des Himmels im Sichtfeld von bis zu 180° oberhalb der Kamera. Die Kamera kann insbesondere eine Überwachungskamera oder eine Wolkenkamera sein. Das Bild des Himmels kann auch als Himmelsbild bezeichnet werden.

Auf Grund der Analyse mit dem ersten Maschinenlern-Modell können eine oder mehrere Komponenten der hemisphärischen Bestrahlungsstärke aus den Ergebnissen der hemisphärischen Bestrahlungsstärke gemessen mit der Strahlungssensoreinheit und dem Bild des Himmels der Kamera ermittelt werden. Insbesondere kann ein Anteil der jeweiligen Komponenten ermittelt werden.

Die wenigstens eine Komponente kann in einer beliebigen Ebene bestimmt werden. Der Vorteil liegt darin, dass die ermittelten Komponenten jeweils eine hohe Genauigkeit aufweisen. Dies insbesondere im Vergleich mit Verfahren im Stand der Technik, bei denen die verwendete hemisphärische Bestrahlungsstärke nur mit der Kamera bestimmt wird.

Nach einer günstigen Ausgestaltung der Vorrichtung können die Messdaten der Kamera eine winkelaufgelöste Strahlungsinformation enthalten. Die Strukturen und die Texturen im Bild des Himmels können jeweils als winkelaufgelöste Informationen vorliegen. Die Strukturen und Texturen können als Bildmerkmale zur Analyse der Messdaten durch das erste Maschinenlern-Modell der Kamera verwendet werden und den Ergebnisdatensatz bilden. Nach einem weiteren Aspekt der Erfindung wird ein Verfahren zum Trainieren eines ersten Maschinenlem-Modells zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild des Himmels vorgeschlagen, umfassend die folgenden Schritte:

(i) Ermitteln oder Verwendung von Datensätzen von Bildern des Himmels, die mit einer Kamera, insbesondere Wolkenkamera aufgenommen wurden

(ii) Trainieren des ersten Maschinenlem-Modells mit den Datensätzen von Bildern des Himmels oder

(iii) Trainieren des ersten Maschinenlem-Modells mit bekannten Bildern des Himmels, die an anderen Standorten ausgenommen wurden.

Auf diese Weise kann das erste Maschinenlern-Modell effizient trainiert werden und zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild des Himmels verwendet werden.

Nach einer günstigen Ausgestaltung des Verfahrens kann zum Trainieren des ersten Maschinenlem-Modells ein Vortraining mit wenigstens einem der nachfolgenden Schritte verwendet werden:

(i) Nutzen öffentlich verfügbarer Gewichte;

(ii) Trainieren mittels wenigstens eines unüberwachten oder selbstüberwachten T rainingsansatzes;

(iii) Erweitern von Daten mit Gaußschen Weichzeichnern und/oder Verzerren von Bildfarben und/oder Spiegeln der Bilder;

(iv) Trainieren mit mittels der Kamera aufgenommenen Bildern des Himmels. Beim Trainieren mittels wenigstens eines unüberwachten oder selbstüberwachten Trainingsansatzes kann beispielsweise DeepCIuster- v2, eine Methode nach CARON, Mathilde et al, insbesondere mit einer Anzahl von k=30 Clustern/Gruppen verwendet werden.

Auf diese Weise kann das erste Maschinenlern-Modell effizient trainiert werden und zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem der Bilder des Himmels verwendet werden.

Die im vorstehenden Verfahren beschriebene Breitbandkorrektur und/oder die Anwendung des Kameramodells, insbesondere des physikalischen Kameramodells, wird nachfolgend in detaillierten Schritten beschrieben.

Es wird die vorgeschlagene physikalische Methode zur Messung von GHI, DHI, DNI und schließlich GTI in einem kombinierten Aufbau aus ASI (All Sky Imager, Wolkenkamera) und Pyranometer beschrieben. Diese Methode kann verwendet werden, um Parameter bzw. Merkmale zu erzeugen, welche als Eingangsdaten für die Maschinellen Lernmodelle genutzt werden. Das Messverfahren besteht aus aufeinanderfolgenden Schritten, die im Folgenden erläutert werden. Zunächst wird die Strahldichte des Himmels (im Folgenden als Radianz bezeichnet) aus dem ASI-Bild auf der Grundlage eines Kameramodells berechnet. Danach werden die Radianz und die vom Pyranometer gemessene GHI kombiniert, um alle interessierenden Bestrahlungsstärkekomponenten zu erhalten. Der letztgenannte Schritt wird durch eine Reihe von Korrekturen unterstützt, die sich auf die GHI und Informationen über die Bildverarbeitung der ASI stützen. Schließlich werden diese Korrekturen parametrisiert und die Selbstkalibrierung der ASI-basierten DHI auf die Pyranometer-basierte GHI eingeführt, die auf Bedingungen mit vernachlässigbarer direkter Bestrahlungsstärke beruht. 1 ) Schätzung der Strahldichte aus ASI-RGB-Bildern (Bilder der Wolkenkamera):

Im Folgenden wird das Verfahren zur Schätzung der Radianz auf der Grundlage eines von einer Wolkenkamera (engl. All-Sky Imager, kurz ASI) aufgenommenen RGB (Rot-Grün-Blau)-Bildes beschrieben. Zunächst liefert das Kameramodell die Beziehung zwischen der spektralen Bestrahlungsstärke, die auf ein Pixel fällt, und der Intensität im ASI-Bild. Schätzungen der spektralen Zusammensetzung des Tageslichts ermöglichen dann eine pixelweise Schätzung der breitbandigen Bestrahlungsstärke. Schließlich werden durch die Kenntnis der Kameraoptik, Raumwinkel des Himmels und Pixel in Beziehung gesetzt und so die Strahldichte des Himmels bestimmt.

Das Kameramodell setzt die auf die Pixel des Chips einfallende spektrale Bestrahlungsstärke und die Intensitäten in den Farbkanälen R, G, B jedes Pixels im Kamerabild in Beziehung. Das radiometrische Kameramodell entspricht dem von Kuhn et al. (2017) (siehe Kuhn, P., Wilbert, S., Prahl, C., Schüler, D., Haase, T., Hirsch, T., Wittmann, M., Ramirez, L, Zarzalejo, L, Meyer, A., Vuilleumier, L, Blanc, P., Pitz-Paal, R., 2017. Shadow camera system for the generation of solar irradiance maps. Sol. Energy 157, 157- 170. http://dx.doi.Org/10.1016/j.solener.2017.05.074) verwendeten Modell. Das Kameramodell umfasst eine nichtlineare Gammakorrektur, die auf jeden Kanal (R, G, B) unabhängig angewendet wird.

Das Kameramodell umfasst eine konstante Mischmatrix, eine Vollmatrix der Größe 3 x 3. Das Kameramodell berücksichtigt die spektralen Empfindlichkeiten der Kamera pro Farbkanal. Das Kameramodell berücksichtigt die von jedem Pixel abgedeckte Fläche. Das Kameramodell berücksichtigt das Intervall der Wellenlängen, in dem die Kamera auf die spektrale Bestrahlungsstärke reagiert. Das Kameramodell berücksichtigt das Dunkelsignal der Kamera. Das Kameramodell wurde auf den verwendeten ASI-Typ, insbesondere den Fischaugenkamera-Typ angepasst.

Die Gamma-Korrektur wurde nach dem Verfahren von Grossberg und Nayar (2002) (siehe Grossberg, M.D., Nayar, S.K., 2002. What can be known about the radiometric response from images? In: Computer Vision — ECCV 2002 Proceedings, Part IV/ 7th European Conference on Computer Vision. Copenhagen, Denmark, 28-31 May 2002. pp. 189-205. http://dx.doi.org/10.1007/3-540-47979-1_13) bestimmt, indem Bilder mit unterschiedlichen Belichtungszeiten verglichen wurden. Auf dieser Grundlage wird die von der Kamera angewendete Gamma-Korrektur rückgängig gemacht. Damit werden Intensitäten des linearisierten RGB- Bildes berechnet. Es wird erwartet, dass das Dunkelsignal einen positiven Offset der empfangenen Bildintensität verursacht. Aufnahmen unter komplett dunklen Bedingungen werden verwendet, um das Dunkelsignal für die verwendeten Aufnahmeeinstellungen zu charakterisieren. Die Belichtungszeit wird durch die verwendeten Kameraeinstellungen über die Zeit konstant gehalten. In einer verfeinerten Version des Verfahrens werden Bildserien mit verschiedenen, genau definierten Belichtungszeiten aufgenommen.

Es wird angenommen, dass die spektralen Empfindlichkeiten der Kamera proportional zu den Quanteneffizienzen des Kamerachips über der Wellenlänge sind. Es wird angenommen, dass die konstante Mischmatrix von der Kamera-Firmware angewendet wird. Sie korrigiert Abweichungen zwischen den tatsächlichen spektralen Empfindlichkeiten des Kamerachips pro Kanal und der spektralen Empfindlichkeit, die durch den Farbraum des gelieferten Bildes bedingt sind, der in der Regel sRGB ist. Die spektralen Empfindlichkeiten und die Mischmatrix werden in der Regel vom Hersteller nicht offengelegt. In der Digitalfotografie wird jedoch in der Regel eine Mischmatrix verwendet, die ein sRGB-Bild ergibt. Vorteilhaft kann dann das Produkt aus spektralen Empfindlichkeiten und Mischmatrix durch sRGB-konforme spektralen Empfindlichkeiten ersetzen.

Die verwendete Kamera ist im Wellenlängenbereich des sichtbaren Lichts empfindlich. Auf der Grundlage der Spezifikationen der jeweiligen Kamera wird zweckmäßigerweise der empfindliche Wellenlängenbereich festgelegt, auf z.B. den Bereich zwischen 390 nm und 700 nm. Es ist zu erwarten, dass Strahlung außerhalb dieses Wellenlängenbereichs durch einen optischen Filter unterdrückt wird. Daher integriert das verwendete Kameramodell über diesen Wellenlängenbereich, um eine Bestrahlungsstärke im Bereich der sichtbaren Wellenlängen zu erhalten. Jedes Pixel mn deckt eine Fläche auf dem Sensorchip ab. Es wird davon ausgegangen, dass die Bestrahlungsstärke innerhalb dieser kleinen Fläche homogen verteilt ist. Insgesamt ergeben diese Überlegungen eine angepasste Version des Kameramodells.

Als nächstes wird die Bestrahlungsstärke im Bereich der sichtbaren Wellenlängen Emn, isible auf der Grundlage der drei Farbkanäle des Bildes, die das sichtbare Spektrum beschreiben, geschätzt. Dazu wird zunächst ein Graubild berechnet, das möglichst gleichmäßig auf alle Wellenlängen des sichtbaren Spektrums reagiert.

ASI-Bilder werden mit einer Weißabgleichseinstellung entsprechend einer konstanten Farbtemperatur aufgenommen. Je nach der für den Weißabgleich eingestellten Farbtemperatur gibt es eine bestimmte Form des Bestrahlungsspektrums, auf die die Pixel in jedem Farbkanal c mit identischer Intensität reagieren. Der Weißabgleich wird rückgängig gemacht, um ein Bild S" zu erhalten, in welchem das Verhältnis der Intensitäten der Farbkanäle dem Verhältnis der jeweils empfangenen Energie entspricht. Das Bild S" wird durch Gewichtung jedes Farbkanals mit einem Faktor ßc gewonnen. Der Faktor ßc gibt das Verhältnis der Antwort des Kanals c bei Bestrahlung mit einem Standard-Tageslichtspektrum E , CT einer bestimmten Farbtemperatur CT gegenüber seiner Reaktion auf Beleuchtung mit weißer Bestrahlungsstärke EX, white, gekennzeichnet durch eine konstante spektrale Bestrahlungsstärke über alle X.

Nur das Verhältnis der Antworten der Kanäle c ist von Interesse. Dementsprechend kann die Konstante EX, white willkürlich gewählt werden. Es wird EX, CT durch das Spektrum eines Schwarzkörperstrahlers mit entsprechender (Farb-)Temperatur approximiert. So wird ß für die von der Kamera verwendete Farbtemperatur bestimmt.

Um Emn, visible genau aus dem Messwert eines Pixels S" mn zu messen, wäre eine große Anzahl von Farbkanälen c mit jeweils bekannter und eindeutiger spektraler Empfindlichkeit erforderlich. Auf der Grundlage der drei verfügbaren Kanäle wird Emn, isible durch Summierung der Kanalintensitäten des jeweiligen Pixels im Bild S" und Skalierung mit einem pixelweisen Kalibrierungsfaktor kmn gemessen.

Der pixelweise Kalibrierungsfaktor wird in der Regel durch eine radiometrische Kalibrierung bestimmt und für alle Szenen als konstant angenommen. In dem verwendeten Aufbau wird er nur auf der Grundlage der ASI und des Pyranometers in einer automatischen Selbstkalibrierung durch Vergleich des von der ASI abgeleiteten DHI und der GHI-Messung des Pyranometers unter Bedingungen mit verschwindender DNI bestimmt. Dies wird später noch näher erläutert. Eine weitere Annäherung ist erforderlich, um die breitbandige Bestrahlungsstärke zu erhalten. Entsprechend der Spezifikation von Thermopile-Pyranometern wird die Breitbandbestrahlungsstärke hier als Integral der spektralen Bestrahlungsstärke über Wellenlängen im Bereich [0,3 pm, 3 pm] definiert. Folglich wird die im sichtbaren Spektrum empfangene Bestrahlungsstärke, für die die Kamera empfindlich ist, mit einem Breitbandkorrekturfaktor skaliert, um die Breitbandbestrahlungsstärke zu schätzen.

Mit Hilfe des SMARTS-Modells (Gueymard, 2005) (siehe Gueymard, C.A., 2005. SMARTS Code, Version 2.9.5: Users Manual. Technical Report, Solar Consulting Services, URL: https://www.solarconsultingservices.com/ SMARTS295_Users_Manual_PC.pdf) wird das Spektrum der diffusen Bestrahlungsstärke bei klarem Himmel berechnet und der Breitband- Korrekturfaktor bestimmt. Für die von Wilbert et al. (2016) (siehe Wilbert, S., Kleindiek, S., Nouri, B., Geuder, N., Habte, A., Schwandt, M., Vignola, F., 2016. Uncertainty of rotating shadowband irradiometers and si- pyranometers including the spectral irradiance error. AIP Conf. Proc. 1734 (1 ), 150009. http: //dx.doi.org/10.1063/1.4949241 ) verwendeten

Kalibrierungsbedingungen mit einer Luftmasse von 1 ,4 in einer Höhe von 500 m über dem Meeresspiegel, einer optischen Aerosoltiefe von 0,1 bei einer Wellenlänge von 500 nm und einer ausfällbaren Niederschlagswassersäule von 1,45 cm ergibt sich ein Wert von 1,56. Der Parameter wird für alle Himmelsbedingungen konstant gesetzt. In den nachfolgenden Verarbeitungsschritten wird dieser Breitbandkorrekturfaktor durch einen situationsabhängigen Breitbandkorrekturfaktor ersetzt.

Schließlich wird die Strahldichte aus dem RGB-Bild des ASI geschätzt, indem jedes Pixel einem Himmelsbereich zugeordnet wird, den es beobachtet. ASIs werden im Allgemeinen durch eine intrinsische und eine externe Kalibrierung geometrisch kalibriert. Diese Kalibrierungen ermöglichen es, jedes Pixel einem Sichtfeld zuzuordnen, das durch Intervalle des Zenit- und Azimutwinkels definiert ist. Die über den Raumwinkel, der das Sichtfeld des Pixels beschreibt, integrierte Radianz entspricht für den verwendeten Kameratyp der von einem Pixel empfangenen Bestrahlungsstärke.

Es wird angenommen, dass die Radianz über den kleinen Raumwinkel, den ein Pixel abdeckt, konstant ist. Daher wird eine diskrete Darstellung der Strahldichte des Himmels anhand der vom Pixel registrierten Bestrahlungsstärke approximiert. Wird nicht nur eine einzelne Bildaufnahme, sondern eine Belichtungsreihe pro Zeitstempel erfasst, wird das oben beschriebene Verfahren für jede einzelne Aufnahme durchgeführt.

Anschließend werden die Strahldichtematrizen aller Aufnahmen kombiniert, um ein HDR (High Dynamic Range) -Bild der Radianz zu erstellen. Als Grundlage für diesen Schritt werden HDR-Algorithmen aus der Fotografie verwendet. Die Kombination wird beispielhaft als pixelweise gewichtete Summe der Einzelaufnahmen realisiert, welche die einzelnen Belichtungszeiten und die Intensität des jeweiligen Pixels in jeder Aufnahme berücksichtigt. Auf diese Weise schließt die Kombination Informationen von Pixeln aus, die in den Einzelbildern unter- oder überbelichtet sind.

2) Diffusstrahlung:

Die diffuse Bestrahlungsstärke des Himmels in einer horizontalen und möglicherweise geneigten Ebene wird berechnet, indem die Strahldichte des Himmels in die Ebene projiziert wird und diese projizierte Strahldichte über den Teil der Himmelskuppel integriert wird, der im Sichtfeld der Ebene liegt (siehe z. B. Li, D.H., Lam, J.C., 2004. Predicting solar irradiance on inclined surfaces using sky radiance data. Energy Convers. Manage. 45 (11-12), 1771-1783. http://dx.doi. org/10.1016/j.enconman.2003.09.020). Die ausgewertete Ebene wird durch den Neigungswinkel der Ebene bzw. den Azimutwinkel über Nord charakterisiert. Die Projektion wird durch den Einfallswinkel zwischen dem jeweiligen Punkt in der Himmelskuppel und der Ebenennormalen bestimmt, wie z. B. von Westbrook (2015) (siehe Westbrook, O.W., 2015. A sky radiance-based approach to diffuse irradiance transposition. In: 2015 IEEE 42nd Photovoltaic Specialist Conference (PVSC). New Orleans, LA, USA 14-19 June 2015. pp. 1-5. http://dx.doi.org/10.1109/PVSC.2015. 7356210) definiert. Der Teil der Himmelskuppel, über den integriert wird, schließt den Raumwinkel der Sonnenscheibe und der zirkumsolaren Region aus.

Die zirkumsolare Region ist in diesem speziellen Fall definiert als ein Bereich des Himmels mit einem maximalen Sonnenabstandswinkel a < 2,5°, der den Öffnungswinkel üblicher Pyrheliometer und den Bereich darstellt, der durch einen Schattenball über abgeschatteten Pyranometern blockiert wird.

Einfallswinkel und Strahldichte werden als konstant über den durch das Pixel repräsentierten Raumwinkel angenähert. In Übereinstimmung mit Li und Lam (2004) (siehe Li, D.H., Lam, J.C., 2004. Predicting solar irradiance on inclined surfaces using sky radiance data. Energy Convers. Manage. 45 (11-12), 1771-1783. http://dx.doi. org/10.1016/j.enconman.2003.09.020) wird die Integration über die Himmelskuppel in erfindungsgemäßen Fall durch eine gewichtete Summe ersetzt.

Der vom Pixel abgedeckte Einfallswinkel ist durch die intrinsische und externe Kalibrierung bekannt. Die diffuse Bestrahlungsstärke des Himmels kann somit in jeder beliebigen Ebene gemessen werden. Die diffuse horizontale Bestrahlungsstärke (DHI) wird in dem speziellen Fall der diffusen Bestrahlungsstärke des Himmels in einer Ebene mit einem Neigungswinkel von Null ermittelt. Die Messung der diffusen Bestrahlungsstärke des Himmels beruht auf dem pixelweisen Kalibrierungsfaktor. In früheren Studien wurde er für jedes Pixel einzeln durch eine radiometrische Kalibrierung bestimmt und als unabhängig von der beobachteten Szene angenommen. Dementsprechend kann in einer sehr vereinfachten Version der vorgeschlagenen Methode der pixelweise Kalibrierungsfaktor für alle Pixel einheitlich so angepasst werden, dass die Abweichung zwischen der von einem ASI und einem schattierten Referenzpyranometer gemessenen DHI minimiert werden. In durchgeführten Tests führte dies zu Abweichungen, die nur für einige Anwendungen akzeptabel sein dürften. In dieser vereinfachten Version ist die Korrelation zwischen der Referenz-DHI und der vorgeschlagenen DHI- Messung noch nicht zufriedenstellend. Daher werden, wie im Folgenden beschrieben, weitere Korrekturterme eingeführt.

3) Korrektur und Kalibrierung der Messungen:

Um die Genauigkeit gegenüber dem bisher beschriebenen Basismodell zu verbessern und ein Modell zu erhalten, das besser zwischen Zeiten, Standorten und Instrumenten übertragbar ist, wird die Modellgleichung angepasst. In der bisher beschriebenen einfachen Version des erfindungsgemäßen Verfahrens wird eine relativ breite Streuung der Messungen beobachtet, insbesondere bei niedriger DHI, und eine Nichtlinearität der beobachteten Messabweichungen.

Zunächst wird ein situationsabhängiger Breitband-Korrekturfaktor angewandt, der den oben genannten statischen Faktor ersetzt. Der spektrale DHI wurde mit Spektroradiometern gemessen. Gleichzeitig wurden das erfindungsgemäße Messsystem und ein Solartracker, der GHI, DHI und DNI misst, betrieben. Dadurch kann die modellierte und die gemessene DHI aus den verschiedenen Quellen verglichen werden. Insbesondere kann eine Funktion bestimmt werden, die das Verhältnis von DHI aus dem roten Kanal des ASI zur DHI aus dem blauen Kanal des ASI auf den anwendbaren Breitband-Korrekturfaktor abbildet. Diese Funktion wurde als stückweise lineare Funktion definiert und ihre Parameter wurden durch Regression bestimmt, wobei das Verhältnis der vom roten Kanal des ASI empfangenen DHI zu der vom blauen Kanal des ASI empfangenen DHI als unabhängige Variable und das Verhältnis von Breitband-DHI zum Anteil der DHI im sichtbaren Wellenlängenbereich als abhängige Variable verwendet wurde. Die Breitband-DHI und der Anteil der DHI im sichtbaren Wellenlängenbereich wurden beide aus den Messungen der Spektroradiometer berechnet.

Der pixelweise Kalibrierungsfaktor wird durch zwei multiplikative Parameter kexp und ksens modelliert, wobei kexp von der Belichtungssteuerung abhängt und die variable Auswirkung der internen Belichtungssteuerung der Kamera-Firmware auf die Empfindlichkeit der Kamera beschreibt, ksens gibt eine statische Empfindlichkeit einer einzelnen Kamera an. Beide Faktoren sind Skalare, die einheitlich auf alle Pixel angewendet werden.

Die Bestimmung von ksens und kexp wird später beschrieben. Diese Vereinfachung vernachlässigt die Vignettierung - die möglicherweise verringerte Empfindlichkeit der Kamera in der Nähe des Randes ihres Sichtfeldes. Frühere Arbeiten, die auf die Messung der Himmelsstrahldichte mit ASIs abzielten, verwendeten in der Regel eine radiometrische Kalibrierung, die auch die Vignettierung kompensierte. Der Argumentation von Chauvin et al. (2015) (siehe Chauvin, R., Nou, J., Thil, S., Grieu, S., 2015. Modelling the clear-sky intensity distribution using a sky imager. Sol. Energy 119, 1-17. http://dx.doi.org/10.1016/ j.solener.2015.06.026) folgend, kann jedoch davon ausgegangen werden, dass die Vignettierung hauptsächlich durch Unterschiede in der Größe der Raumwinkel erklärt wird, die von den Pixeln im Falle eines Fischaugenobjektivs betrachtet werden.

Da dieser Einfluss in dem erfindungsgemäßen Verfahren durch geometrische Kalibrierungen abgedeckt werden kann, wird ein möglicherweise verbleibender Vignettierungseffekt vernachlässigt.

Außerdem kann die Messung um einen additiven Korrekturfaktor kadd erweitert werden, um die endgültige Messung zu erhalten. Um zwei sich überlagernden Mechanismen Rechnung zu tragen, die die Bilderfassung in Sonnennähe beeinflussen dürften, wird die additive Korrektur wie folgt gewählt: kadd - ksat * nsat- kglare*DNI

Die in der Gleichung benötigte DNI wird auf der Grundlage der GHI aus dem Pyranometer und der DHI aus dem Kamerabild nach der grundlegenden Beziehung

DNI = (GHI - DHI) / cos(sun_elevation_angle) berechnet. Für die Korrektur wird DNI anhand der empfangenen DHI ohne Anwendung des additiven Korrekturfaktors berechnet.

Der begrenzte Dynamikunfang der Kamera führt zu einer Sättigung einiger Pixel in der Nähe der Sonne, auch außerhalb der für die Auswertung definierten Zirkumsolarregion. Insbesondere bei „Cloud-Enhancement“- Ereignissen (also im Fall einer Überhöhung der Globalstrahlung durch Wolken im Winkelbereich um die Sonne) wird dann die diffuse Bestrahlungsstärke unterschätzt, ksat berücksichtigt diesen Effekt. Nsat ist die Anzahl der gesättigten Pixel. Andererseits wird durch Linsenbrechung ein Teil der DNI über größere Bereiche des ASI-Bildes verteilt, die hell erscheinen und charakteristische Strahlen aufweisen können. Folglich wird die diffuse Bestrahlungsstärke um einen Bruchteil kglare der DNI überschätzt.

4) On-the-fly-Anpassung der Kameraempfindlichkeitsparameter:

Zur Bestimmung von kexp werden Daten zur Beleuchtungsstärke verwendet.

Die in beispielhaft verwendete Fischaugenkamera liefert, wie viele andere kommerzielle Kameras, die als All-Sky-Imager in Frage kommen, eine Messung der Beleuchtungsstärke. Gleichzeitig kann die Beleuchtungsstärke anhand des ASI-Bildes geschätzt werden. Der Vergleich der beiden Messwerte ermöglicht es, die Auswirkungen der Belichtungssteuerung der Kamera auf die Bildintensität zu verstehen. Darüber hinaus ermöglicht der Vergleich der beiden Messwerte eine dynamische Bestimmung und fortlaufende Aktualisierung von kexp.

Zunächst wird die Beleuchtungsstärke aus dem ASI-Bild berechnet. Analog zur Berechnung der von einem Pixel empfangenen Bestrahlungsstärke wird die von einem Pixel empfangene Beleuchtungsstärke aus der Intensität im ASI-Bild berechnet. In diesem Fall werden die Farbkanäle jedoch mit einer anderen Gewichtung nu_c multipliziert und es wird kein Breitbandkorrekturfaktor angewendet.

Von den Korrekturtermen kexp, ksens, ksat, kglare wird in diesem Schritt nur kexp angewendet. Von der ASI-Firmware wird erwartet, dass sie aus der gemessenen Beleuchtungsstärke Einflüsse korrigiert, die durch ihre interne Belichtungssteuerung und digitale Bildverarbeitung verursacht werden. Diese Korrekturen werden durch kexp dargestellt. Im Gegensatz dazu hängen die übrigen Korrekturparameter mit der optischen und elektronischen Hardware der Kamera zusammen und können von der ASI- Firmware nicht berücksichtigt werden. nu_c gibt die mittlere Lichtausbeute des Farbkanals c in der menschlichen Wahrnehmung an. Unter der Annahme eines sRGB-Bildes und basierend auf der Definition von sRGB zusammen mit der bekannten Farbtemperatur des Bildes wird ein spezieller Satz von nu_c-Werten verwendet. Ähnlich wie zuvor bei der Bestrahlungsstärke wird die von der Kamera registrierte Beleuchtungsstärke als Integral oder in einer einfacheren Implementierung als Summe der Beleuchtungsstärke pro Pixel über das Sichtfeld der Kamera berechnet. Eine Projektion in die Sensorebene ist erforderlich, um die tatsächliche Beleuchtungsstärke für die Ebene zu erhalten, in der die Kamera montiert ist.

Da diese Projektion jedoch von der Kamera-Firmware möglicherweise nicht berücksichtigt wird, kann sie ggf. weggelassen werden. Dies ist bei der beispielhaft verwendeten Kamera der Fall, weshalb die Projektion auch in der Berechnung vernachlässigt wird.

Die aus dem Bild berechnete und die von der Kamera-Firmware bereitgestellte Beleuchtungsstärke werden verglichen.

In Situationen mit hoher Direktstrahlung bleibt das Verhältnis der beiden Beleuchtungsstärkemessungen nahezu konstant. Daraus lässt sich ableiten, dass die Kamerasteuerung nur in geringem Maße in den Bildbelichtungsprozess eingreift.

In bestimmten Situationen hingegen, insbesondere in dunkleren, deutet ein erhöhtes Verhältnis zwischen der berechneten Beleuchtungsstärke und der von der Kamera-Firmware gelieferten Beleuchtungsstärke auf Aufnahmen hin, die in erheblichem Maße von der Belichtungssteuerung der Kamera beeinflusst werden. Es kann insbesondere erkannt werden, wenn die Kamera die Bildhelligkeit künstlich erhöht.

Es wird das Verhältnis der Beleuchtungsstärkemessungen verwendet, um die Bestrahlungsstärkemessung im laufenden Betrieb zu korrigieren. Für jeden Zeitstempel werden automatisch den Korrekturfaktor gesetzt: Kexp=Beleuchtungsstärke_berechnet/Beleuchtungsstärke_von_Firmware. Für diese Korrektur ist es nicht von vorrangiger Bedeutung, wie genau Beleuchtungsstärke_von_Firmware die tatsächliche Beleuchtungsstärke der Szene wiedergibt. Vielmehr dient Beleuchtungsstärke_von_Firmware als Indikator für eine kamerainterne Verstärkung, die bei Dunkelheit erhöht wird. Insgesamt führt dieser situationsabhängige Korrekturfaktor zu einer spürbaren Erhöhung der Genauigkeit der vorgeschlagenen Methode.

5) Online-Bestimmung der Kameraempfindlichkeit durch ein gekoppeltes Pyranometer:

Der kombinierte Aufbau von ASI und Pyranometer ermöglicht eine kontinuierliche Kalibrierung der Sensitivität des ASI: Bei diffusen Bedingungen (DNI = 0 Wfn2) sollte GHI gleich DHI sein. Eine diffuse Situation wird aus dem ASI-Bild erkannt, wenn die Anzahl der gesättigten Pixel kleiner als 100 ist. Bei der Entwicklung wurde festgestellt, dass dieser Schwellenwert Situationen mit DNI > 0 Wfn2 zuverlässig herausfiltert. Der Wert muss für andere Kameratypen voraussichtlich leicht angepasst werden.

Nachdem eine ausreichende Anzahl von Szenen mit verschwindender DNI beobachtet wurde, wird ksens so angesetzt, dass der RMSD (Wurzel der mittleren quadratischen Messabweichung) zwischen GHI und DHI für diesen gefilterten Datensatz minimiert wird. Für diese diffusen Situationen sind die additiven Korrekturen kadd sehr nahe bei Null und werden daher nicht angewendet.

Da diffuse Situationen mit dieser Methode automatisch und ohne weitere Informationen gefunden werden, kann ksens mit dieser Methode für jeden anderen ASI und an jedem beliebigen Standort bestimmt werden. 6) Bildsättigung:

Ein Schwachpunkt handelsüblicher Fischaugen-Überwachungskameras, die als AS Is eingesetzt werden können, liegt im begrenzten Dynamikbereich dieser Kameras. Daher weisen die Bilder häufig eine Sättigung im zirkumsolaren Bereich auf. Hohe Trübung und optisch sehr dünne Wolken erhöhen die Streuung der Strahlungsintensität, was zu dem Eindruck einer großen Sonnenscheibe im Bild führt. Darüber hinaus reflektieren Wolken die Sonneneinstrahlung während der „Cloud-Enhancement“-Ereignisse. Diese Wolken können auch im ASI-Bild gesättigt erscheinen. In Teilen der Himmelskuppel, die solchen gesättigten Pixeln entsprechen, wird die Strahldichte unterschätzt. Folglich kann in Situationen mit Bildsättigung auch die diffuse Bestrahlungsstärke durch das Verfahren unterschätzt werden. Der Effekt kann anhand der relativen Häufigkeit analysiert werden, mit der Paare von DHI-Messabweichungen und einer bestimmten Anzahl von gesättigten Pixeln beobachtet wurden. Diese Untersuchung ergab einen additiven Fehler, der linear mit der Anzahl der gesättigten Pixel nsat skaliert.

Der Parameter ksat wird durch multivariate Regression geschätzt, die gemeinsam für die Parameter ksat und kglare durchgeführt wird. Der RMSD zwischen der ASI-gestützten finalen DHI und der Referenz-DHI wird als zu minimierende Kosten verwendet. Es wird angenommen, dass der Korrekturfaktor ksat zwischen den Standorten konstant ist, solange der Kameratyp unverändert bleibt.

7) Linsenbrechung im Objektiv:

Herkömmliche ASIs erfassen die gesamte Himmelskuppel ohne eine Abschattungsvorrichtung. Dieser Aufbau ist anfällig für Linsenbrechungseffekte bei direkter Bestrahlung. Diese Effekte können zu einer systematischen positiven Messabweichung der gemessenen Strahldichte in Sonnennähe führen, wie von Mejia et al. (2016) (siehe Mejia, F.A., Kurtz, B., Murray, K., Hinkelman, L.M., Sengupta, M., Xie, Y., Kleissl, J., 2016. Coupling sky images with radiative transfer models: a new method to estimate cloud optical depth. Atmos. Meas. Tech. 9 (8), 4151—4165. http://dx. doi.org/10.5194/amt-9-4151 -2016) gezeigt wurde. Es wird erwartet, dass die Linsenbrechung durch eine punktförmige Lichtquelle die Strahldichte von diesem Punkt über einen größeren Bildbereich streut. Es ist schlüssig, dass die gestreute Bestrahlungsstärke linear mit der Bestrahlungsstärke der Lichtquelle skaliert und die eigentliche Himmelsstrahlung überlagert, die von Interesse ist. Es werden zweckmäßigerweise daher die additive Linsenbrechungskorrektur kglare verwendet.

Das Ausmaß der Linsenbrechung hängt von den optischen Eigenschaften des Kameraobjektivs ab. Daher wird versucht, kglare für jedes einzelne Kameramodell und jede einzelne Kamera auf der Grundlage von Zeiträumen mit klarem Himmel zu bestimmen, indem nur die Kombination aus ASI und Pyranometer verwendet werden. Die GHI-Zeitreihen werden auf potenziell klare Perioden überprüft. Im zweiten Schritt werden die ASI- Bilder dieser Zeiträume untersucht und nur die Zeiträume mit sehr geringer Wolkenbedeckung werden berücksichtigt.

Diese Schritte werden manuell durchgeführt, können aber leicht durch Wolkensegmentierungstechniken automatisiert werden, die in der Lage sind, solche klaren Himmel zuverlässig zu erkennen (z. B. Fabel, Y., Nouri, B., Wilbert, S., Blum, N., Triebel, R., Hasenbalg, M., Kuhn, P., Zarzalejo, L.F., Pitz-Paal, R., 2021. Applying self-supervised learning for semantic cloud segmentation of all-sky images. Atmos. Meas. Tech. Discuss. 2021 , 1-20. http://dx.doi.Org/10.5194/amt-2021 -1 ). Für die verbleibenden Perioden mit klarem Himmel werden GHI und DNI und daraus folgend auch DHI durch das Ineichen-Modell für die Bestrahlungsstärke bei klarem Himmel (siehe Ineichen, P., Perez, R., 2002. A new airmass independent formulation for the Linke turbidity coefficient. Sol. Energy 73 (3), 151-157. http://dx.doi.org/10.1016/ S0038- 092X(02)00045-2) modelliert, das sich nur auf die Linke-Trübung, die aktuelle Sonnengeometrie und die Höhe des Standorts stützt. Für jede Periode mit klarem Himmel wird ein numerischer Solver eingesetzt, um ein Paar von Linke-Trübung und kglare zu finden, das die Summe der MADs (mittlerer Betrag der Messabweichung) von gemessener und modellierter GHI, DNI bzw. DHI minimiert. Als Startwert für die Minimierung werden eine Linke-Trübung von 2 und kglare = 0,030 verwendet.

Die DN I, die als Input für die Linsenbrechungskorrektur verwendet wird, wird wie oben beschrieben aus GHI und DHI berechnet, wobei die vorläufige DHI verwendet wird, die noch nicht für Linsenbrechung korrigiert wurde. Bei der anschließenden Messung der endgültigen diffusen Bestrahlungsstärke in einer horizontalen oder geneigten Ebene wird die Berechnung der DNI mit dem korrigierten DHI wiederholt.

Beide additiven Korrekturen zusammen verbessern die Messgenauigkeit erheblich.

In der beschriebenen phsikalischen Methode zur Messung der DNI und DHI werden zahlreiche Parameter gewonnen, welche als wichtige Eingangsparameter für die Maschinellen Lernmodelle dienen. Insbesondere die folgenden mit der oben beschriebenen Methode ermittelten Parameter haben sich als sehr vorteilhaft erwiesen, um mit den maschinellen Lernmodellen eine hohe Genauigkeit zu erreichen:

- Globalstrahlung GHI

- Diffusstrahlung DHI mit oder ohne Anwendung von kadd

- Direktstrahlug DNI mit oder ohne Anwendung von kadd

Zirkumsolare Strahlung. Also Diffusstrahlung empfangen aus einem Himmelsbereich mit Sonnenabstandswinkel von bis zu 10°-25°, bevorzugt 25°, mit oder ohne Anwendung von kadd.

- Aus dem Kamerabild berechnete Strahlungsinformation je Farbkanal insbesondere Beleuchtungsstärke je Farbkanal (Rot, Grün, Blau)

- Verhältnis von aus dem Kamerabild berechneter Beleuchtungsstärke des grünen Farbkanals zu berechneter Beleuchtungsstärke des roten Farbkanals oder Verhältnis von aus dem Kamerabild berechneter Strahlungsinformation des grünen Farbkanals zu berechneter Strahlungsinformation des roten Farbkanals oder

- Verhältnis von aus dem Kamerabild berechneter Beleuchtungsstärke des blauen Farbkanals zu berechneter Beleuchtungsstärke des roten Farbkanals oder Verhältnis von aus dem Kamerabild berechneter Strahlungsinformation des blauen Farbkanals zu berechneter Strahlungsinformation des roten Farbkanals

- Sonnenelevationswinkel

- Anzahl gesättigter Pixel nsat.

Nach einem weiteren Aspekt der Erfindung wird ein Computerprogramm zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene vorgeschlagen, das Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte eines Verfahrens zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene auszuführen. Das Computerprogramm kann vorteilhaft in einem Computer einer Datenverarbeitungsvorrichtung einer Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene eingesetzt werden.

Nach einem weiteren Aspekt der Erfindung wird eine Datenverarbeitungsvorrichtung für eine Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung vorgeschlagen, die wenigstens eine Messdatenerfassungseinheit, eine Auswerteeinheit und einen Computer umfasst.

Die Datenverarbeitungsvorrichtung kann vorteilhaft in einer Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene eingesetzt werden.

Nach einem weiteren Aspekt der Erfindung wird ein trainiertes erstes Maschinenlern-Modell für ein Verfahren zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene vorgeschlagen. Das trainierte erste Maschinenlern-Modell dient zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild des Himmels, und ist gemäß einem Verfahren zum Trainieren des ersten Maschinenlern-Modells trainiert.

Das trainierte Maschinenlern-Modell kann hierbei vorteilhaft mit ersten Trainingsdatensätzen trainiert worden sein, die für ein Bild des Himmels relevante Bildmerkmale aufweisen.

Das trainierte erste Maschinenlern-Modell kann vorteilhaft in einer Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene eingesetzt werden. Nach einem weiteren Aspekt der Erfindung wird ein trainiertes zweites Maschinenlem-Modell für ein Verfahren zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene vorgeschlagen. Das trainierte zweite Maschinenlem-Modell dient zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene. Das trainierte zweite Maschinenlern-Modell kann überwacht trainiert sein, wobei insbesondere Eingangsdaten und/oder Referenzdaten verwendet werden können. Das trainierte zweite Maschinenlem-Modell weist insbesondere einen Multilayer-Perceptron- Algorithmus auf. Das trainierte zweite Maschinenlem-Modell kann hierbei vorteilhaft mit zweiten Trainingsdatensätzen trainiert worden sein. Die zweiten Trainingsdatensätze können Bildmerkmale aufweisen.

Das trainierte zweite Maschinenlem-Modell kann vorteilhaft in einer Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene eingesetzt werden.

Zeichnung

Weitere Vorteile ergeben sich aus der folgenden Zeichnungsbeschreibung. In den Figuren sind Ausführungsbeispiele der Erfindung dargestellt. Die Figuren, die Beschreibung und die Ansprüche enthalten zahlreiche Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen.

Es zeigen beispielhaft:

Fig. 1 einen schematischen Aufbau einer Vorrichtung zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene in einer Draufsicht; Fig. 2 den Aufbau der Vorrichtung nach Figur 1 nach einem Ausführungsbeispiel der Erfindung in einer Seitenansicht;

Fig. 3 den Aufbau der Vorrichtung nach Figur 1 in einer alternativen Aufstellung in einer Seitenansicht, wobei die Ebenen der Strahlungssensoreinheit und der Kamera gegen die horizontale Ebene geneigt sind;

Fig. 4 ein Bild des Himmels aufgenommen mit einer Kamera in schematischer Darstellung;

Fig. 5 ein Ablaufdiagramm einer Ausführungsform des Verfahrens zur Bestimmung wenigsten einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung;

Fig. 6 ein Ablaufdiagramm einer weiteren Ausführungsform des Verfahrens zur Bestimmung wenigsten einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung;

Fig. 7 ein Ablaufdiagramm einer weiteren Ausführungsform des Verfahrens zur Bestimmung wenigsten einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung;

Fig. 8 ein Ablaufdiagramm einer weiteren Ausführungsform des Verfahrens zur Bestimmung wenigsten einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung;

Fig. 9 ein Ablaufdiagramm einer weiteren Ausführungsform des Verfahrens zur Bestimmung wenigsten einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung;

Fig. 10 ein Ablaufdiagramm des Verfahrens nach Figur 9 in einem weiteren Ausführungsbeispiel;

Fig. 11 Parameter zum Trainieren des ersten Maschinenlern-Modells.

Ausführungsformen der Erfindung

In den Figuren sind gleichartige oder gleichwirkende Komponenten mit gleichen Bezugszeichen beziffert. Die Figuren zeigen lediglich Beispiele und sind nicht beschränkend zu verstehen. Bevor die Erfindung im Detail beschrieben wird, ist darauf hinzuweisen, dass sie nicht auf die jeweiligen Bauteile der Vorrichtung sowie die jeweiligen Verfahrensschritte beschränkt ist, da diese Bauteile und Verfahren variieren können. Die hier verwendeten Begriffe sind lediglich dafür bestimmt, besondere Ausführungsformen zu beschreiben und werden nicht einschränkend verwendet. Wenn zudem in der Beschreibung oder in den Ansprüchen die Einzahl oder unbestimmte Artikel verwendet werden, bezieht sich dies auch auf die Mehrzahl dieser Elemente, solange nicht der Gesamtzusammenhang eindeutig etwas Anderes deutlich macht.

Im Folgenden verwendete Richtungsterminologie mit Begriffen wie „links“, „rechts“, „oben“, „unten“, „davor“ „dahinter“, „danach“ und dergleichen dient lediglich dem besseren Verständnis der Figuren und soll in keinem Fall eine Beschränkung der Allgemeinheit darstellen.

Die dargestellten Komponenten und Elemente, deren Auslegung und Verwendung können im Sinne der Überlegungen eines Fachmanns variieren und an die jeweiligen Anwendungen angepasst werden.

Figur 1 zeigt einen schematischen Aufbau der Vorrichtung 5 zur Bestimmung einer hemisphärischen Bestrahlungsstärke solarer Strahlung in einer beliebigen Ebene und ihrer Komponenten direkte Bestrahlungsstärke in einer horizontalen Ebene (GHI), bzw. in einer geneigten Ebene (GTI), diffuse Bestrahlungsstärke in der horizontalen Ebene (DHI), direkte Bestrahlungsstärke (DNI) und am Boden reflektierte Bestrahlungsstärke in einer Draufsicht. Die Vorrichtung 5 weist eine Messeinheit 10 auf, die eine Strahlungssensoreinheit 12 und eine Kamera 14 aufweist. Ferner ist eine Datenverarbeitungsvorrichtung 20 mit einer Messdatenerfassungseinheit 16 und einer Auswerteeinheit 18 vorgesehen. Die Auswerteeinheit 18 ist zur Auswertung von Messdaten der Strahlungssensoreinheit 12 und/oder der Kamera 14 vorgesehen. Die Datenverarbeitungsvorrichtung 20 mit einer Steuer-und Regeleinheit, einer Messdatenerfassungseinheit 16 und einer Auswerteeinheit 18 kann beispielsweise eine synchrone Messdatenerfassung der Strahlungssensoreinheit 12 und der Kamera 14 realisieren.

Die Messdatenerfassungseinheit 16 ist eingerichtet, die Messdaten der Strahlungssensoreinheit 12 und der Kamera 14 zu erfassen. Die

Auswerteeinheit 18 ist eingerichtet, die Messdaten der

Strahlungssensoreinheit 12 und der Kamera 14 auszuwerten. Die

Auswerteeinheit 18 kann wenigstens ein erstes Maschinenlem-Modell, bevorzugt ein zweites und drittes Maschinenlem-Modell aufweisen. Die Datenverarbeitungsvorrichtung 20 oder die Auswerteeinheit 18 weist einen Computer 19 auf. Das wenigstens eine erste Maschinenlem-Modell ist eingerichtet, die Messdaten der Kamera 14 zu analysieren.

Typischerweise ist in der Auswerteeinheit 18 das erste trainierte Maschinenlem-Modell implementiert. Es kann vorgesehen sein, das erste Maschinenlern-Modell in oder mit der Auswerteeinheit 18 zu trainieren. Die jeweilige Ausgestaltung hängt von der Größe und der Struktur der Datenverarbeitungsvorrichtung 20 ab. Die Datenverarbeitungsvorrichtung 20 kann ein Computer mit kleiner Speicherkapazität und niedriger Rechenleistung sein. In diesem Fall kann das Training des ersten Maschinenlern-Modells auf einem Server mit großer Speicherkapazität und hoher Rechenleistung stattfinden und das trainierte erste Maschinenlem- Modell auf dem der Datenverarbeitungsvorrichtung 20 nur gespeichert sein. Bei Bedarf kann die Auswertung der Rohdaten im Messbestrieb ebenfalls auf einem Server erfolgen, um auf dem Computer noch geringere Ressourcen einzusetzen. Die Strahlungssensoreinheit 12 und die Kamera 14 können vorteilhaft in unmittelbarer Nähe zueinander horizontal nivelliert auf gleicher Höhe angeordnet sein. Zusätzlich kann der Aufstellungsort zweckmäßig so gewählt sein, dass weitere Hindernisse in den Sichtfeldern 26, 32 (die Sichtfelder 26, 32 sind in den Figuren 2 und 3 dargestellt) der Strahlungssensoreinheit 12 und der Kamera 14 vermieden werden.

Die Strahlungssensoreinheit 12 und die Kamera 14 können nach einem Ausführungsbeispiel der Erfindung in der horizontalen Ebene 36 angeordnet sein, welches in Figur 2 gezeigt ist. In einem anderen Ausführungsbeispiel, welches in Figur 3 dargestellt ist, sind die Strahlungssensoreinheit 12 und/oder die Kamera 14 jeweils in einer zur horizontalen Ebene geneigten Ebene 46 und 48 angeordnet.

Die Strahlungssensoreinheit 12 umfasst ein Gehäuse 22 und einen Sensor 24. Der Sensor 24 erfasst Strahlung in einem oberen Halbraum mit einem Sichtfeld 26 von 180°.

Die Strahlungssensoreinheit 12 misst die Bestrahlungsstärke solarer Strahlung in einem oberen Halbraum in einem Sichtfeld 26 von 180° über der Ebene 38 in der dieser angeordnet ist.

Der Halbraum bezeichnet eine Halbkugel, auch als Hemisphäre bezeichnet, die einen Raumwinkel von zumindest annähernd 2TT Steradianten abdeckt.

Die Strahlungssensoreinheit 12 kann zur Erfassung solarer Strahlung in einem Wellenlängenbereich von 0,3 pm bis 3 pm ausgebildet sein. Insbesondere kann der Sensor 24 Licht im Wellenlängenbereich von 0,3 pm bis 3 pm erfassen. Die Strahlungssensoreinheit 12 ist beispielsweise als ein Pyranometer, insbesondere ein Thermopile-Pyranometer, ausgebildet. Die Strahlungssensoreinheit 12 kann alternativ auch als Photodiode, oder Photovoltaik-Referenz-Zelle ausgebildet sein, wenn geringere Anforderungen an die Genauigkeit der Bestimmung der hemisphärischen Bestrahlungsstärke gestellt werden.

Die Kamera 14 ist beispielsweise als Fischaugen-Überwachungskamera, insbesondere beispielsweise als Mobotix Q25-Überwachungskamera oder als Wolkenkamera, ausgebildet. Die Kamera 14 umfasst ein Gehäuse 28, über welchem ein Sensor 30 angeordnet ist, um den oberen Halbraum mit einem Sichtfeld 32 von 180° zu erfassen. Die Kamera 14 ist bevorzugt zur Aufnahme des Himmels in dem Sichtfeld 32 ausgebildet. Die Kamera 14 erzeugt ein Bild 110 des Himmels 50 (dies ist in Figur 4 dargestellt). Im Bild 110 des Himmels 50 sind beispielsweise Informationen über Wolken, die Sonnenscheibe, Bereiche um die Sonnenscheibe herum enthalten.

Die Kamera 14 ist vorteilhaft so ausgebildet, dass sie das gesamte Sichtfeld 32 in einer einzigen Aufnahme erfassen kann, ohne dass mechanisch bewegte Teile benötigt werden.

Die Kamera 14, insbesondere die Eigenschaft der Kamera 14 wird in einem Kameramodell beschrieben. Das Kameramodell umfasst typischerweise die Abbildungseigenschaften der Kamera 14 und ist oder umfasst eine mathematische Beschreibung der Eigenschaften, insbesondere der Abbildungseigenschaften der Kamera 14. Das Kameramodell wird bei der Auswertung eines von der Kamera 14 aufgenommenen Bildes verwendet.

Das Kameramodell umfasst eine Gammakorrektur, insbesondere eine nichtlineare Gammakorrektur. Die Gamma-Korrektur wird nach dem Verfahren von Grossberg und Nayar (2002) (siehe Grossberg, M.D., Nayar, S.K., 2002. What can be known about the radiometric response from images? In: Computer Vision — ECCV 2002 Proceedings, Part IV/ 7th European Conference on Computer Vision. Copenhagen, Denmark, 28-31 May 2002. pp. 189-205. http://dx.doi.org/10.1007/3-540-47979-1_13) bestimmt, indem Bilder mit unterschiedlichen Belichtungszeiten verglichen wurden.

Das Kameramodell umfasst ferner eine konstante Mischmatrix, insbesondere eine Vollmatrix der Größe 3 x ß. Das Kameramodell berücksichtigt die spektralen Empfindlichkeiten der Kamera pro Farbkanal.

Das Kameramodell berücksichtigt die von jedem Pixel abgedeckte Fläche. Das Kameramodell berücksichtigt das Intervall der Wellenlängen, in dem die Kamera auf die spektrale Bestrahlungsstärke reagiert. Das Kameramodell berücksichtigt das Dunkelsignal der Kamera.

Das Kameramodell ist auf den verwendeten Kameratyp angepasst, insbesondere auf den Fischaugenkamera-Typ angepasst. Auf dieser Grundlage wird die von der Kamera angewendete Gamma-Korrektur rückgängig gemacht. Damit werden Intensitäten des linearisierten RGB- Bildes berechnet. Es wird erwartet, dass das Dunkelsignal einen positiven Offset der empfangenen Bildintensität verursacht. Aufnahmen unter komplett dunklen Bedingungen werden verwendet, um das Dunkelsignal für die verwendeten Aufnahmeeinstellungen zu charakterisieren.

Die Belichtungszeit wird durch die verwendeten Kameraeinstellungen über die Zeit konstant gehalten. In einer verfeinerten Version des Verfahrens werden Bildserien mit verschiedenen, genau definierten Belichtungszeiten aufgenommen.

Es wird angenommen, dass die spektralen Empfindlichkeiten der Kamera proportional zu den Quanteneffizienzen des Kamerachips über der Wellenlänge sind. Es wird angenommen, dass die konstante Mischmatrix von der Kamera-Firmware angewendet wird. Sie korrigiert Abweichungen zwischen den tatsächlichen spektralen Empfindlichkeiten des Kamerachips pro Kanal und der spektralen Empfindlichkeit, die durch den Farbraum des gelieferten Bildes bedingt sind, der in der Regel sRGB ist. Die spektralen Empfindlichkeiten und die Mischmatrix werden in der Regel vom Hersteller nicht offengelegt. In der Digitalfotografie wird jedoch in der Regel eine Mischmatrix verwendet, die ein sRGB-Bild ergibt. Vorteilhaft kann dann das Produkt aus spektralen Empfindlichkeiten und Mischmatrix durch sRGB-konforme spektralen Empfindlichkeiten ersetzen.

Das Kameramodell integriert über einen festgelegten Wellenlängenbereich aus den nachfolgend aufgeführten Gründen, um eine Bestrahlungsstärke im Bereich der sichtbaren Wellenlängen zu erhalten.

Die verwendete Kamera ist im Wellenlängenbereich des sichtbaren Lichts empfindlich. Auf der Grundlage der Spezifikationen der jeweiligen Kamera wird zweckmäßigerweise der empfindliche Wellenlängenbereich festgelegt, auf z.B. den Bereich zwischen 390 nm und 700 nm. Es ist zu erwarten, dass Strahlung außerhalb dieses Wellenlängenbereichs durch einen optischen Filter unterdrückt wird. Jedes Pixel mn deckt eine Fläche auf dem Sensorchip ab. Es wird davon ausgegangen, dass die Bestrahlungsstärke innerhalb dieser kleinen Fläche homogen verteilt ist. Insgesamt ergeben diese Überlegungen eine angepasste Version des Kameramodells.

Das Kameramodell berücksichtigt ebenfalls einen Weißabgleich, der rückgängig gemacht wird, um ein Bild S" zu erhalten, in welchem das Verhältnis der Intensitäten der Farbkanäle dem Verhältnis der jeweils empfangenen Energie entspricht. Das Bild S" wird durch Gewichtung jedes Farbkanals mit einem Faktor ßc gewonnen. Der Faktor ßc gibt das Verhältnis der Antwort des Kanals c bei Bestrahlung mit einem Standard-Tageslichtspektrum E , CT einer bestimmten Farbtemperatur CT gegenüber seiner Reaktion auf Beleuchtung mit weißer Bestrahlungsstärke EX, white, gekennzeichnet durch eine konstante spektrale Bestrahlungsstärke über alle X. Nur das Verhältnis der Antworten der Kanäle c ist von Interesse. Dementsprechend kann die Konstante EX, white willkürlich gewählt werden. Es wird EX, CT durch das Spektrum eines Schwarzkörperstrahlers mit entsprechender (Farb-)Temperatur approximiert. So wird ß für die von der Kamera verwendete Farbtemperatur bestimmt.

Ferner weist das Kameramodell einen pixelweisen Kalibrierungsfaktor auf. der typischerweise durch eine radiometrische Kalibrierung bestimmt wird. Dies ist interessant, da zur Messung von Emn, visible genau aus dem Messwert eines Pixels S" mn, eine große Anzahl von Farbkanälen c mit jeweils bekannter und eindeutiger spektraler Empfindlichkeit erforderlich wäre. Auf der Grundlage der drei verfügbaren Kanäle wird Emn, visible durch Summierung der Kanalintensitäten des jeweiligen Pixels im Bild S" und Skalierung mit dem pixelweisen Kalibrierungsfaktor gemessen.

Die Strahlungssensoreinheit 12 und die Kamera 14 sind beabstandet angeordnet mit einem Abstand 34, der jeweils von einem Mittelpunkt der Sensoren 24 und 30 aus gemessen ist. Der Abstand 34 beträgt bevorzugt weniger als 3 m. Der minimale Abstand 34 ist durch die Durchmesser der jeweiligen Gehäuse 22 und 28 bestimmt.

Figur 2 zeigt die Vorrichtung 5 in schematischer Darstellung in einer Seitenansicht. Die horizontale Ebene, auf der die Strahlungssensoreinheit 12 und die Kamera 14 angeordnet sind, ist mit der Bezugsziffer 36 bezeichnet. Der Sensor 24 der Strahlungssensoreinheit 12 ist in oder oberhalb einer Ebene 38 angeordnet. Der Sensor 30 der Kamera 14 ist in oder über einer Ebene 40 angeordnet. Die Ebenen 38 und 40 verlaufen in dem in Figur 2 dargestellten Ausführungsbeispiel parallel zur horizontalen Ebene 36. In Figur 3 ist der Aufbau der Vorrichtung 5 nach Figur 1 in einer alternativen Aufstellung dargestellt, bei der die Ebene der Strahlungssensoreinheit 12 und die Ebene der Kamera 14 gegen die horizontale Ebene 36 geneigt sind. Die Kamera 14 ist in der Ebene 48 angeordnet. Die Strahlungssensoreinheit 12 ist in der Ebene 46 angeordnet. Der Sensor 24 der Strahlungssensoreinheit 12 ist in oder oberhalb der Ebene 46 angeordnet. Der Sensor 30 der Kamera 14 ist in oder über der Ebene 48 angeordnet.

Die Vorrichtung 5 umfasst die Strahlungssensoreinheit 12, die Kamera 14, sowie die Datenverarbeitungsvorrichtung 20 mit der Messdatenerfassungseinheit 16 und der Auswerteeinheit 18 (in Figur 1 dargestellt), welche zur Auswertung von Messdaten der Strahlungssensoreinheit 12 und/oder der Kamera 14 vorgesehen ist, und den Computer 19. Die Strahlungssensoreinheit 12 ist zur Bestimmung der Bestrahlungsstärke solarer Strahlung in einem Sichtfeld 26 von 180°, also dem Halbraum über der Ebene 38, 46 vorgesehen, und die Kamera 14 ist ebenfalls zur Erfassung eines Sichtfelds 32 von 180°, also dem Halbraum über der Ebene 40, 48 vorgesehen.

Bei der in Figur 1 dargestellten Aufstellung der Vorrichtung 5 sind die beiden Ebenen 38, 40 in der horizontalen Ebene 36 ausgerichtet und stimmen mit der horizontalen Ebene 36 überein.

Bei der in Figur 3 dargestellten Aufstellung der Vorrichtung 5 sind die Ebenen 46, 48 der Strahlungssensoreinheit 12 und der Kamera 14 jeweils mit einem Winkel 42 und einem Winkel 44 gegen die horizontale Ebene 36 geneigt. Der Winkel 44 kann dabei zwischen 0° und 90° eingestellt werden. Die Strahlungssensoreinheit 12 und die Kamera 14 sind in diesem Ausführungsbeispiel beispielsweise auf einer Nord-Süd-Achse angeordnet, wobei die Strahlungssensoreinheit 12 auf der nördlichen Erd-Hemisphäre nördlich der Kamera 14, wie in Figur 2 dargestellt, angeordnet ist. Auf der südlichen Erd-Hemisphäre wäre die Strahlungssensoreinheit 12 südlich der Kamera 14 angeordnet. Der Sensor 24 der Strahlungssensoreinheit 12 und der Sensor 30 der Kamera 14 sind in der hier dargestellten vorteilhaften Ausführungsform in der horizontalen Ebene 36 jeweils so angeordnet, dass das Sichtfeld 26, 32 der beiden Sensoren 24, 30 jeweils oberhalb der horizontalen Ebene 36 liegt und mit der horizontalen Ebene 36 abschließt.

Der Abstand 34 zwischen der Strahlungssensoreinheit 12 und der Kamera 14 kann so eingestellt sein, dass der Sensor 24 der Strahlungssensoreinheit 12 im Sichtfeld 32 der Kamera 14 mit einer Elevation 43 von höchstens 10° sichtbar ist.

Die Strahlungssensoreinheit 12 und die Kamera 14 sind so gekoppelt, dass eine Messdatenaufnahme von Strahlungssensoreinheit 12 und Kamera 14 zeitlich synchronisiert erfolgt. Eine Auswertung der Messdaten kann zweckmäßig in der Auswerteeinheit 18 erfolgen.

Die Messdatenaufnahme der Strahlungssensoreinheit 12 kann vorteilhaft zeitlich hochaufgelöst erfolgen, insbesondere mit einer zeitlichen Auflösung im Sekundenbereich, insbesondere von kleiner 10 s, bevorzugt kleiner 5 s, besonders bevorzugt kleiner oder gleich 1 s.

Die Kamera 14 kann zweckmäßig so konfiguriert sein, dass eine Aufnahme eines Einzelbildes in einem festen Zeitraster, insbesondere zu jeder halben und vollen Minute erfolgt. Vorteilhaft kann der wenigstens eine Sensor 30 der Kamera 14 eine konstante Farbtemperatur aufweisen. Die Kamera 14 kann günstigerweise eine konstante Belichtungsdauer für jedes Einzelbild aufweisen. Für die Belichtungssteuerung der Kamera 14 kann ein vorgegebener Mindestwert einer mittleren Bildhelligkeit eingestellt werden, wobei die Belichtungsdauer bei einer höheren Bildhelligkeit unverändert bleibt. Insbesondere kann dabei der vorgegebene Mindestwert einer mittleren Bildhelligkeit bevorzugt höchstens 10%, besonders bevorzugt höchstens 8%, ganz besonders bevorzugt mindestens 5% betragen.

Das Bild der Kamera 14 liefert in Echtzeit das Bild 110 des Himmels 50, welches in Figur 4 dargestellt ist. Das Bild 110 des Himmels 50 weist Rohdaten zum Himmel auf.

Dargestellt ist eine typische Aufnahme einer Kamera, insbesondere einer Fischaugenoptik mit einem Sichtfeld 26 von 180° im Halbraum über der Horizontalen. In der Nähe des Zeniths ist die leuchtende Sonnenscheibe 54 zu erkennen, während am Rand des Bildes, also mehr im Horizontbereich, Wolken 52 zu erkennen sind.

Das Bild des Himmels kann vorteilhaft folgende Informationen aufweisen:

- Wolken und Wolkenbedeckung,

- Dünne Zirruswolken,

- Sonnenscheibe, verschattete Sonnenscheibe,

- Linsenbrechungseffekte um die Sonnenscheibe,

- Form der Sonnenscheibe, Trübung der Sonnenscheibe,

- Klarheit des Randes der Sonnenscheibe,

- Helligkeitsabfall in der Umgebung der Sonnenscheibe.

Diese Informationen werden als Bildmerkmale bezeichnet. Wird ein erstes Maschinenlern-Modell auf das Bild 110 des Himmels 50 angewendet, können diese Bildmerkmale erkannt und ausgewertet werden.

Das Bild 110 des Himmels 50 kann als digitales Bild aufgenommen werden. Das digitale Bild 110, welches auch als Himmelsbild 110 bezeichnet wird, weist eine Matrix von Pixeln, bezeichnet als Pixelmatrix, auf, wobei die Informationen als Intensität jedes Pixels, bezeichnet als Pixelintensität, enthalten sind. Jedes Pixel weist einen Rot-Kanal, einen Grün-Kanal und einen Blau-Kanal auf. Jeder der Kanäle hat somit eine eigene Pixelintensität. Somit sind die Informationen des Bildes in den Pixelintensitäten des Rot-Kanal, des Grünkanals und des Blaukanals und in der Pixelposition in der Pixelmatrix enthalten. Die Pixelposition enthält hierbei die Information über die dem jeweiligen Pixel zugeordneten Ort oder Position am Himmel. Somit enthält die Pixelintensität der Pixelmatrix eine Strahlungsinformation. Über die Pixelposition und die Pixelintensität des Pixels in der Pixelmatrix enthält das Bild des Himmels eine winkelaufgelöste Strahlungsinformation.

In den Figuren 5 bis 9 sind Verfahren S100, S200, S300, S400, S500 beschrieben, die Maschinenlern-Modelle zur Analyse von Bildern 110 der Kamera 14 und Messdaten der Strahlungssensoreinheit 12 verwenden. Mit dem Bezugszeichen 122 ist nachfolgend die mit einem der Verfahren S100, S200, S300, S400, S500 extrahierte diffuse Bestrahlungsstärke in der horizontalen Ebene bezeichnet.

Mit dem Bezugszeichen 124 ist nachfolgend die mit einem der Verfahren S100, S200, S300, S400, S500 extrahierte direkte Bestrahlungsstärke bezeichnet. Die diffuse Bestrahlungsstärke in der horizontalen Ebene und die direkte Bestrahlungsstärke, die auf andere Art und Weise ermittelt oder gemessen wurden, werden ohne Bezugszeichen verwendet.

In Figur 5 ist ein Ausführungsbeispiel eines Verfahrens S100 zur Analyse der durch die Vorrichtung 5 aufgenommenen Informationen gezeigt. Die Verfahrensschritte S130 bis S150 sind nachfolgend aufgeführt:

Im Verfahrensschritt S130 wird ein mit der Kamera 14 aufgenommenes Bild 110 mit einem ersten Maschinenlern-Modell analysiert, indem Bildmerkmale, insbesondere Strukturen und Texturen aus dem Bild 110 extrahiert werden. Im Verfahrensschritt S140 werden die Bildmerkmale und ein mit der Strahlungssensoreinheit 12 aufgenommener Wert der hemisphärischen Bestrahlungsstärke 120 konkateniert und ein gemeinsamer Datensatz, insbesondere ein Datenvektor, der auch als Vektordatensatz bezeichnet wird, gebildet.

Im Verfahrensschritt S150 wird der gemeinsame Datensatz mit einem zweiten Maschinenlern-Modell analysiert und so Wert für die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene (DHI) und die direkte Bestrahlungsstärke (DNI) 124 extrahiert.

Das erste Maschinenlern-Modell ist bevorzugt ein vortrainiertes Maschinenlern-Modell. Das erste Maschinenlern-Modell kann beispielsweise ein sogenanntes Convolutional-Neural-Network (CNN) sein. Das CNN ist ein sogenannter Deep-Learning-Algorithmus, der hauptsächlich zur Analyse von Bildern und Videos eingesetzt wird. Hierbei werden aus Bildern visuelle Merkmale - Bildmerkmale - extrahiert.

Die Bildmerkmale liegen in den Bildern als Strukturen und/oder Texturen vor, die ein Muster bilden. Das CNN wird typischerweise mit einer großen Menge von Daten, insbesondere Bildern mit Strukturen und Texturen trainiert, um dann auf neue Bilder angewendet zu werden und diese zu analysieren, insbesondere automatisch zu analysieren.

Der Begriff neuronales Netzwerk bezeichnet eine logische Struktur, die vom menschlichen Gehirn inspiriert ist, und die Grundlage für Deep-Learning- Algorithmen bilden kann. Mit dem Begriff Deep Learning (Deutsch: tiefes Lernen) kann beispielsweise ein mehrschichtiges neuronales Netz bezeichnet werden, welches aus großen Datenmengen und von Bildmerkmalen aus Bildern, die in den Datenmengen abgebildet sind, lernt. Der Begriff convolutional (Deutsch: faltendes) bedeutet, dass Faltungsschichten mit Filtern auf die Eingabedaten angewendet werden, um die Bildmerkmale zu lernen. In der Regel gibt es mehrere Faltungsschichten, die über Pooling-Schichten verbunden sind. Die ersten Faltungsschichten extrahieren allgemeine oder niedrige Merkmale wie Linien und Kanten, während die späteren Schichten feinere Details oder hohe Merkmale wie Sonnenscheibe lernen. Hierbei werden Pooling-Schichten (Deutsch: Vereinigungsschichten) eingesetzt um die Größe der Faltungsmerkmale und damit die Rechenzeiten und damit Rechenkosten zu senken.

Vollständig vernetzte Schichten lernen globale Muster auf der Grundlage der hochrangigen Merkmale, die von den Faltungsschichten und den Pooling-Schichten ausgegeben werden, und erzeugen die globalen Muster, beispielsweise für die Sonnenscheibe oder die Wolken. Nachdem die Eingabedaten die vollständig vernetzte Schicht durchlaufen haben, aktiviert die letzte Schicht das Maschinenlern-Modell, und das neuronale Netz kann seine Vorhersagen abgeben.

Das erste Maschinenlern-Modell kann anders trainiert sein als das zweite Maschinenlern-Modell. Als zweites Maschinenlern-Modell kann beispielsweise ein Multilayer-Perceptron (MLP)-Modell (Deutsch: ein mehrlagiges Perceptron-Modell) eingesetzt werden. Unter anders trainiert wird verstanden, dass andere Datensätze verwendet werden und dass der Algorithmus ein anderer ist.

In Figur 6 ist ein erweitertes Ausführungsbeispiel des in Figur 5 beschriebenen Verfahrens S100 gezeigt, welches als Verfahren S200 bezeichnet wird.

Das Verfahren S200 weist die folgenden Schritte auf:

Im Verfahrensschritt S230 wird das erste Maschinenlern-Modell auf das Kamerabild 110 angewendet und Bildmerkmale aus dem Bild 110 des Himmels 50 extrahiert Im Verfahrensschritt S235 wird eine Bildanalyse unter Verwendung des Bildes 110 der Kamera 14 und/oder sonstigen Informationen analysiert. Dazu können optional Messwerte der hemisphärischen Bestrahlungsstärke 120 mit verwendet werden, um Merkmale zu extrahieren.

Vorteilhaft können in der Bildanalyse im Schritt S235 unter Verwendung des Bildes 110 der Kamera 14 Merkmale aus den Intensitäten der Bildpixel abgeleitet werden. Insbesondere kann dabei ein physikalisches Kameramodell angewendet werden. Alternativ oder zusätzlich können eine Anzahl gesättigter Pixel und/oder Summen und/oder gewichtete Summen der Intensitäten der Bildpixel und/oder Verhältnisse von Summen und/oder gewichtete Summen der Intensitäten der Bildpixel zur Extraktion von Merkmalen einbezogen werden.

Hierdurch können insbesondere für das zweite Maschinenlern-Modell vorteilhafte Merkmale gewonnen werden: Sonnenelevation, Anzahl der gesättigten Pixel im durch die Kamera aufgenommenen Bild, DHI-Messung aus der klassischen Analyse mittels physikalischem Modell, DNI-Messung aus der klassischen Analyse mittels physikalischem Modell, Bestrahlungsstärke in der horizontalen Ebene aus einem Winkelbereich von beispielsweise 25° um die Sonne, Zwischenergebnisse aus der klassischen Analyse mittels physikalischem Modell, insbesondere eine DHI-Messung je Farbkanal der Kamera und Verhältnisse dieser DHI-Messungen je Farbkanal.

Bei der Analyse des Kamerabildes 110 in der Bildanalyse im Verfahrensschritt S235 können vorteilhaft folgende Merkmale gewonnen werden:

- Sonnenelevation,

- Anzahl der gesättigten Pixel im Bild 110,

- Messung der diffusen Bestrahlungsstärke in der horizontalen Ebene unter Verwendung physikalischer Modelle oder analysierte Werte der diffusen Bestrahlungsstärke aus der Analyse des Kamerabildes unter Verwendung des physikalischen Modells,

- Bestimmen der direkten Normalstrahlung unter Verwendung physikalischer Modelle oder analysierter Werte der Direktstrahlung aus der Analyse des Kamerabildes unter Verwendung des physikalischen Modells,

- Messung der Bestrahlungsstärke in der horizontalen Ebene aus einem Winkelbereich von 25° um die Sonne, wobei ausschließlich Direktstrahlung verwendet wird

- Schätzwert der Beleuchtungsstärke (Strahlungsintensität) aus dem Rot- Kanal, dem Grün-Kanal und dem Blau-Kanal des Bildes 110,

- Verhältnis der Schätzwerte der Beleuchtungsstärke basierend auf den einzelnen Kanälen.

Die direkte Normalstrahlung wird dabei ebenso wie die diffuse Bestrahlungsstärke unter Verwendung physikalischer Modelle oder analysierter Werte aus der Analyse des Kamerabildes unter Verwendung des physikalischen Modells bestimmt.

Die oben aufgezählten Merkmale sind besonders geeignet zur Bestimmung der wenigsten einen Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung mittels des zweiten Maschinenlern- Modells, da hierdurch besonders die Fehler einer Auswertung mit physikalischen Modellen bestimmt werden können. Dies deshalb, da ein enger Zusammenhang zwischen den oben aufgezählten Merkmalen und einer solchen Messung der diffusen Bestrahlungsstärke in der horizontalen Ebene besteht. Beispielsweise zeigt die Bestrahlungsstärke in der horizontalen Ebene aus einem Winkelbereich von 25° um die Sonne Messfehler, die durch eine Überbelichtung und/oder einen Linsenbrechungseffekte entstanden sein können. Schätzwerte der Bestrahlungsstärke basiert auf den einzelnen Farbkanälen Rot-Kanal, Grün-Kanal, Blau-Kanal und deren Verhältnissen geben Informationen zur spektralen Zusammensetzung der diffusen Bestrahlungsstärke 122. Die spektrale Zusammensetzung hat einen Einfluss auf die Messwerte der diffusen Bestrahlungsstärke 122, insbesondere die Genauigkeit der Messung der Intensität der diffusen Bestrahlungsstärke 122. Ist die spektrale Zusammensetzung der diffusen Bestrahlungsstärke 122 bekannt, können die Messwerte der diffusen Bestrahlungsstärke 122 damit korrigiert werden.

Im Verfahrensschritt S240 werden die extrahierten Daten aus dem Verfahrensschritt S230 und dem Verfahrensschritt S235 sowie der hemisphärischen Bestrahlungsstärke 120 konkateniert. Merkmale des so entstandenen Datensatzes, der auch als Vektordatensatz bezeichnet wird, enthalten Daten aus S230, S235 und der hemisphärischen Bestrahlungsstärke 120.

Im Verfahrensschritt S250 wird das zweite Maschinenlern-Modell auf den Vektordatensatz angewendet, um die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene und/oder die direkte Bestrahlungsstärke 124 zu extrahieren.

Figur 7 zeigt ein weiteres erweitertes Verfahren S300 mit den nachfolgend aufgeführten Verfahrensschritten:

Im Verfahrensschritt S315 wird mit den Messwerten des mit der Kamera 14 aufgenommenen Bildes 110 eine Bildtransformation ausgeführt. Im Verfahrensschritt S315 werden oder wird eine Bildentzerrung und/oder eine Bildrotation ausgeführt. Die Bildentzerrung und/oder Bildrotation wird gemäß dem Kameramodell angewendet. Dadurch ist im Kamerabild 110 die Sonnenscheibe 54 immer in der Bildmitte angeordnet. Dadurch wird eine der Sonne 54 nachgeführte Kamera 14 simuliert. Ferner wird im Verfahrensschritt S315 der Bildzuschnitt auf einen quasiquadratischen Bereich um die Sonne durchgeführt. Hierbei werden Winkelabstände von bis zu 25° um die Sonne umfasst. Ferner wird die Auflösung des Kamerabildes herunterskaliert, beispielsweise auf ein Format 224x224 Pixel. Dadurch ist es ermöglicht, dass bereits vortrainierte Maschinenlern- Modelle aus anderen Anwendungen zur Analyse der Bilddaten der Kamera 14 verwendet werden. Dadurch können die Zeiten und Kosten zum Vortrainieren des ersten Maschinenlernmodells gespart werden. Außerdem stehen größere Datenmengen zur Verwendung als Trainingsdatensätze zur Verfügung.

Im Verfahrensschritt S330 wird das erste Maschinenlern-Modell auf das Kamerabild 110 angewendet, um Bildmerkmale aus dem Bild 110 des Himmels 50 zu extrahieren.

Im Verfahrensschritt S335 wird das Kamerabild 110 wie bei Verfahrensschritt S235 beschrieben und optional unter Verwendung der hemisphärischen Bestrahlungsstärke 120 und/oder sonstiger Informationen analysiert.

Im Verfahrensschritt S340 werden die extrahierten Daten aus dem Verfahrensschritt S330 und dem Verfahrensschritt S335 sowie der hemisphärischen Bestrahlungsstärke 120 konkateniert und ein Vektordatensatz erzeugt. Merkmale des Datensatzes enthalten Daten aus S330, S335 sowie der hemisphärischen Bestrahlungsstärke 120. Im Verfahrensschritt 350 wird das zweite Maschinenlern-Modell auf den Vektordatensatz angewendet, um die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene und/oder die direkte Bestrahlungsstärke 124 zu extrahieren.

Figur 8 zeigt ein weiteres Ausführungsbeispiel eines Verfahrens S400 zur Bestimmung der diffusen Bestrahlungsstärke 122 in der horizontalen Ebene und/oder der direkten Bestrahlungsstärke 124. Das Verfahren S400 ist ähnlich dem in Figur 7 dargestellten Verfahren S300. Allerdings wird keine Bildanalyse, wie im Schritt S335 beschrieben, durchgeführt. Bildmerkmale werden allein über das erste Maschinenlern-Modell im Verfahrensschritt S430 extrahiert.

Das Verfahren S400 weist die nachfolgend aufgeführten Verfahrensschritte auf:

Im Verfahrensschritt S415 wird eine Bildtransformation ausgeführt, welche der im Verfahrensschritt S315 beschriebenen Bildtransformation entspricht.

Im Verfahrensschritt S430 wird das erste Maschinenlern-Modell auf das Kamerabild 110 nach dem Verfahrensschritt S315 angewendet, um Bildmerkmale aus dem Bild 110 des Himmels 50 zu extrahieren.

Im Verfahrensschritt S440 werden die extrahierten Daten aus dem Verfahrensschritt S430 sowie der hemisphärischen Bestrahlungsstärke 120 konkateniert. Merkmale des Datensatzes enthalten Daten aus S430, sowie Werte der hemisphärischen Bestrahlungsstärke 120.

Im Verfahrensschritt S450 wird das zweite Maschinenlern-Modell auf den Vektordatensatz angewendet, um die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene und/oder die direkte Bestrahlungsstärke 124 zu bestimmen. Figur 9 zeigt ein weiteres Ausführungsbeispiel eines Verfahrens S500, welches die nachfolgend aufgeführten Schritte aufweist. Dabei wird das Verfahren S300 um ein drittes Maschinenlern-Modell im Schritt S538 erweitert.

Im Verfahrensschritt S515 wird eine Bildtransformation des Bildes 110 der Sonne 54 ausgeführt, welche der im Verfahrensschritt S315 beschriebenen Bildtransformation entspricht.

Im Verfahrensschritt S530 wird das erste Maschinenlern-Modell auf das Kamerabild 110 nach dem Verfahrensschritt S515 angewendet, um Bildmerkmale aus dem Bild 110 des Himmels zu extrahieren.

Im Verfahrensschritt S535 wird eine Bildanalyse der Daten des Bildes 110 und optional der hemisphärischen Bestrahlungsstärke 120, die mit der Strahlungssensoreinheit 12 aufgenommen ist, ähnlich dem oben beschriebenen Verfahrensschritt S235 durchgeführt.

Im Verfahrensschritt S538 wird das dritte Maschinenlern-Modell zur Extraktion von Merkmalen aus der hemisphärischen Bestrahlungsstärke 120 und aus den im Verfahrensschritt S535 extrahierten Merkmalen eingesetzt.

In Verfahrensschritt S538 wird das dritte Maschinenlern-Modell auf die Messdaten der hemisphärischen Bestrahlungsstärke 120, die zusammen mit den Informationen des Kamerabildes 110 im Verfahrensschritt S535 analysiert wurden, angewendet. Dies hat zur Folge, dass der Vektordatensatz weniger komplex ist als der Datensatz, der in den Verfahren S100, S200, S300 und S400 an das zweite Maschinenlern-Modell übergeben wird. Dadurch kann ein Trainingsaufwand für das zweite Maschinenlern-Modell reduziert werden. Gleichzeitig kann ein mögliches sogenanntes Overfitting (Deutsch: Überanpassung) zumindest teilweise vermieden werden.

Im Verfahrensschritt S540 werden die extrahierten Daten aus dem Verfahrensschritt S530 und dem Verfahrensschritt S538 der hemisphärischen Bestrahlungsstärke 120 konkateniert und ein Vektordatensatz erzeugt. Merkmale des Datensatzes enthalten Daten aus S530 und S538.

Im Verfahrensschritt S550 wird das zweite Maschinenlern-Modell auf den Vektordatensatz angewendet, um die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene und/oder die direkte Bestrahlungsstärke 124 zu bestimmen.

Es ist möglich die Verfahren S100, S200, S300, S400 und S500 auch anders als in den Figuren dargestellt zu kombinieren. Ferner kann eine Gewichtung der Komponenten jedes der Maschinenlern-Modelle erfolgen. Hierbei wird ein spezielles Training der Maschinenlern-Modelle angewendet.

Die Maschinenlern-Modelle können unterschiedlich trainiert werden, das bedeutet, es werden unterschiedliche Trainingsstrategien und/oder unterschiedliche Trainingsdatensätze verwendet. Auch werden unterschiedliche Algorithmen für die drei Maschinenlern-Modelle eingesetzt.

Das Trainingsverfahren des ersten Maschinenlern-Modells kann überwacht oder nicht überwacht sein. Wenn das erste Maschinenlern-Modell überwacht trainiert wird, können dabei die nachfolgend aufgeführten Schritte und Strategien umfasst sein und Daten verwendet werden, die einen oder mehrere Datensätze aus der nachfolgenden Aufzählung verwenden:

- Daten der diffusen Bestrahlungsstärke in der horizontalen Ebene, beispielsweise von Solartrackern,

- Daten von einer verschatteten Strahlungssensoreinheit 12, insbesondere Pyranometer,

- direkte Normalstrahlung eines von der Sonne nachgeführten Pyrheliometers,

- reguläre Eingangsdaten, beispielsweise Bilder einer Wolkenkamera,

- reguläre Eingangsdaten, beispielsweise Daten der hemisphärischen Bestrahlungsstärke, Zwischenergebnisse einer Auswertung mit physikalischen Modellen, Daten einer Strahlungssensoreinheit 12 , insbesondere Pyranometer.

Wenn das erste Maschinenlern-Modell unüberwacht trainiert wird, werden Bilder 110 der Kamera 14, insbesondere Wolkenkamera, verwendet. Beispielsweise können vorhandene Bilder 110 der Wolkenkamera 14 oder vorhandene Bilder irgendeiner Wolkenkamera verwendet werden. Insbesondere werden Bildmerkmale im Bereich der Sonne 54 extrahiert.

Das Trainieren kann mittels wenigstens eines unüberwachten oder selbstüberwachten Trainingsansatzes, beispielsweise mittels einer DeepCluster-v2-Methode nach CARON, Mathilde et al., insbesondere mit einer Anzahl von k=30 Clustern/Gruppen erfolgen.

Aus den Bildmerkmalen um die Sonne 54, bzw. aus dem Bereich der Sonne 54, können Effekte wie Linsenbrechung und Bildsättigung erkannt werden und bei der Analyse der aktuell aufgenommenen Bilder 110 dann berücksichtigt werden. Es kann somit eine spektrale Korrektur der aufgenommenen Bilder 110 vorgenommen werden. Das zweite Maschinenlern-Modell kann überwacht trainiert werden. Das zweite Maschinenlern-Modell kann je nach Ausführung des Verfahrens insbesondere Messfehler einer Wolkenkamera-basierten Strahlungsmessung mit Hilfe zur Verfügung gestellter Bildmerkmale und Zwischenergebnisse der wolkenbasierten Strahlungsmessung und der hemisphärischen Bestrahlungsstärke 120 korrigieren. Dadurch werden sowohl Daten einer hemisphärischen Strahlungsmessung der Kamera 14 als auch der Strahlungssensoreinheit 12 verwendet. Dies führt zu einer besseren und erhöhten Genauigkeit der Daten der diffusen Bestrahlungsstärke 122 in der horizontalen Ebene und der direkten Bestrahlungsstärke 124, die aus der hemisphärischen Bestrahlungsstärke 120 und dem Kamerabild 110 erhalten werden.

In dem Verfahren S100 nutzt das zweite Maschinenlern-Modell die Bildmerkmale und die hemisphärische Bestrahlungsstärke 120, um die diffusen Bestrahlungsstärke 122 in der horizontalen Ebene und die direkte Bestrahlungsstärke 124 zu schätzen. In dem Verfahren S100 übernimmt das zweite Maschinenlern-Modell somit die Analyse des Beitrages der diffusen Bestrahlungsstärke 122 in der horizontalen Ebene und der direkten Bestrahlungsstärke 124 zur hemisphärischen Bestrahlungsstärke 120. Somit hat das zweite Maschinenlern-Modell die Aufgabe des im Stand der Technik verwendeten Dekompositionsmodells oder des Splitmodells übernommen.

Das zweite Maschinenlern-Modell ist beispielsweise ein Maschinenlern- Modell, welches unter dem Namen Multilayer-Perceptron bekannt ist. Es kann auch ein sogenanntes RNN (recurrent neural network), ein sogenanntes LSTM (long-short term memory) oder sogenannte Transformer-Modelle verwendet werden.

Das Training des ersten Maschinenlern-Modells hat somit das Ziel Bildmerkmale zu extrahieren, welche die Aufgaben des zweiten Maschinenlern-Modells unterstützen. Für das dritte Maschinenlern-Modell, welches im Verfahren S500 im Verfahrensschritt S538 angewendet wird, können prinzipiell dieselben Trainingsdaten wie für das zweite Maschinenlern-Modell verwendet werden. Das dritte Maschinenlern-Modell kann beispielsweise ein Multilayer-Perceptron sein.

Als Trainingsdaten zum Trainieren des ersten Maschinenlern-Modells und des zweiten Maschinenlern-Modells können beispielsweise Referenzdaten aus mehr als einem Jahr und von mehreren Standorten unter sehr unterschiedlichen atmosphärischen Bedingungen verwendet werden. Unter atmosphärischen Bedingungen sind zu verstehen: Bedeckungsgrad des Himmels, Trübung und optische Dicke der Atmosphäre, Sonnenstand.

Die Trainingsdaten werden gefiltert und zwar derart, dass alle Bedingungen ähnlich stark vertreten sind. Als Zeitauflösung können beispielsweise Mittelwerte über eine Minute (Ein-Minuten-Mittelwerte) verwendet werden.

Als Referenzdaten können vorteilhaft hochwertige Messungen der diffusen Bestrahlungsstärke in der horizontalen Ebene sowie der direkten Bestrahlungsstärke verwendet werden, die aus den nachfolgend aufgeführten Messungen und Maßnahmen gewonnen werden:

- ein zweiachsiger Solartracker führt Instrumente und Schattenbälle oder Schattenblenden akkurat der Sonne 54 nach. Der Solartracker ist hierbei akkurat horizontal nivelliert, um zu allen Sonnenständen genaue Messungen zu erhalten;

- ein der Sonne 54 nachgeführtes Pyrheliometer misst die Direktstrahlung in einer Ebene, die senkrecht zur Sonne 54 ausgerichtet ist und erhält Daten zur direkten-normalen Bestrahlungsstärke; - ein Sonnensensor ist am Solartracker angebracht und mit der Steuerung des Solartrackers verbunden. Der Sonnensensor trägt dazu bei, kleine Fehler in der Nachführung des Solartrackers zu reduzieren; eine verschatteter Strahlungssensoreinheit 12, insbesondere Pyranometer, misst die diffuse Bestrahlungsstärke in der horizontalen Ebene. Die Strahlungssensoreinheit 12, insbesondere Pyranometer, erfüllt hierbei die Norm ISO 9060:2018 mit der Genauigkeitsklasse A (spektral flach). Eine Ventilations- und Heizeinheit wird verwendet, um ein Beschlagen durch Tau und eine Verschmutzung und einem Temperatureinfluss zu reduzieren. Bei der Messung ist die Strahlungssensoreinheit 12 auf dem Solartracker montiert und horizontal nivelliert. Der Schattenball oder die Schattenblende verschaffen die Strahlungssensoreinheit 12, insbesondere Pyranometer. Hierbei sind der Schattenball oder die Schattenblende so justiert, dass ein Öffnungswinkel von 2,5° um die Sonne 54 mit einem Neigungswinkel von 1 ° verschaffet ist;

- eine unverschattete horizontal nivellierte Strahlungssensoreinheit 12, insbesondere ein unverschattetes Pyranometer, wird zur Messung der hemisphärischen Bestrahlungsstärke 120 in der horizontalen Ebene (GHI) verwendet, um Messfehler des Pyrheliometers, welches die direkte Normalstrahlung 124 misst, und der verschatteten Strahlungssensoreinheit 12, insbesondere Pyranometers, welches die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene misst, zu erkennen. Mit den Messwerten wird eine Konsistenzprüfung durchgeführt nach der Formel: DNI*sin(Sonnenelevation) + DHI = GHI. Die unverschattete Strahlungssensoreinheit 12, insbesondere das unverschattete Pyranometer, erfüllt die gleichen Voraussetzungen wie die verschattete Strahlungssensoreinheit 12, insbesondere verschattetes Pyranometer; - Innerhalb der Arbeitswoche werden üblicherweise eine tägliche Reinigung und Kontrolle des Messaufbaus und Überprüfung vor Ort durchgeführt, wodurch Messfehler zeitnah erkannt werden können. Die Verschmutzung der Sensoren der Strahlungssensoreinheit 12 und der Kamera 14, und insbesondere des Pyrheliometers und des verschatteten Pyranometers, wird rechtzeitig erkannt und behoben;

Vor-Ort Überprüfung der Nivellierung aller Sensoren (Strahlungssensoreinheit 12 und Kamera 14), Nachführung der Schattenballs und der Schattenblende und des Pyrheliometers;

- Vor-Ort Überprüfung der Verkabelung und des Glasdomes der Strahlungssensoreinheit 12 und des Fensters des Pyrheliometers und aller anderen Instrumente auf Beschädigung und/oder Abnutzung;

- regelmäßige Kalibrierung aller Instrumente und eines verwendeten Datenloggers;

- halbautomatischer Test zur Datenkontrolle, wie es beispielsweise in der Literaturstelle: Geuder, N. et al., Energy Procedia, 2015, Band 69, S. 1989- 1998, beschrieben ist.

Die hemisphärische Bestrahlungsstärke 120 wird verwendet, da die hemisphärische Bestrahlungsstärke 120 in Solaranwendungen sehr häufig ohne zusätzliche Messtechnik zur Verfügung steht. Die diffuse Bestrahlungsstärke in der horizontalen Ebene und die direkte Bestrahlungsstärke sind Bestandteile der hemisphärischen Bestrahlungsstärke 120.

Somit liefert die hemisphärische Bestrahlungsstärke 120 einen Hinweis auf die Werte der diffusen Bestrahlungsstärke in der horizontalen Ebene und der direkten Bestrahlungsstärke im jeweils vorliegenden Fall. Das oben genannte verwendete Pyrheliometer erfüllt die ISO 9060:2018 mit der Genauigkeitsklasse A. Das Pyrheliometer ist hierbei auf dem Solartracker montiert und wird der Sonne akkurat nachgeführt.

Die Bilder 110 der Kamera 14, insbesondere Wolkenkamera, beispielsweise einer Überwachungskamera mit Fischaugenobjektiv, werden verwendet zum Training.

Hierfür werden Kameras ausgewählt, deren Bilder geringe Linsenbrechungseffekte aufweisen, die auf einen Schutzdom möglichst verzichten können, deren Bilder einen möglichst hohen Dynamikumfang aufweisen und deren Belichtungseinstellungen zu den Bilddaten nachvollziehbar sind. Ferner kann auf eine Bildkorrektur unter Umständen verzichtet werden.

Der Dynamikumfang des Bildsensors der Überwachungskamera ist typischerweise 10 Bit pro Farbkanal. Alternativ kann die Möglichkeit bestehen, Belichtungszeitreihen innerhalb von wenigen Sekunden aufzunehmen. Der hohe Dynamikumfang ist von Vorteil, da die hellsten und die dunkelsten Bereiche des Himmels erfasst werden können und es weder zu einer Unterbelichtung, noch zu einer Überbelichtung kommt.

Daten, die automatisch in den Bilddaten gespeichert sind, umfassen typischerweise: Belichtungsdauer, Farbtemperatur, Analogverstärkung, Digitalverstärkung, Gamma-Korrektur. Diese Daten, die Teil der aufgenommenen Bilddaten sind, werden als Metadaten bezeichnet.

Alle Messgeräte sind zeitlich synchronisiert, beispielsweise über ein sogenanntes NTP-Protokoll, wodurch ein Zeitversatz von wenigen Sekunden eingehalten wird. NTP-Protokoll steht für Network Time Protocol. Werden transformierte Kamerabilder aus dem Bereich der Sonne 54 als Eingabe zu dem ersten Maschinenlern-Modell verwendet, wie beispielsweise im Verfahren S300, werden dem ersten Maschinenlern- Modell nur Bildbereiche mit hohem Informationsgehalt übergeben.

Werden Bildmerkmale aus den Kamerabildern 110 und der hemisphärischen Bestrahlungsstärke 120 zum Trainieren verwendet, kann eine Unterschätzung von Strahlung durch zu viele gesättigte Pixel im digitalen Bild 110 vermieden werden.

Eine Kenntnis der Sonnenelevation vermittelt einen allgemeinen Einfluss auf die Solarstrahlungsmessung, insbesondere auf die Bestrahlungsstärke.

Figur 10 zeigt eine detaillierte Ausführung des Verfahrens S500 nach einem weiteren Ausführungsbeispiel. Zunächst werden Bilder 110 und Werte der hemisphärischen Bestrahlungsstärke 120 als Eingabeparameter der Kamera 14 und der Strahlungssensoreinheit 12 eingegeben. Die Eingabeparameter 120 können auch Tabellenwerte aus vorhergehenden Messungen enthalten. Die Eingabeparameter werden unterschiedlichen Verfahrensschritten S538 und S530 zur Modifizierung und zur Analyse unterzogen. S538 kann beispielsweise als Multilayer-Perceptron mit einer einzigen verdeckten Schicht ausgeführt sein. Die analysierten Datensätze werden im Verfahrensschritt S540 in einen gemeinsamen Datensatz zusammengefasst, insbesondere konkateniert. Der gemeinsame Datensatz stellt einen Datenvektor oder Vektordatensatz dar.

Auf den bei dem Ausführungsbeispiel in Figur 9 dargestellten optionalen Verfahrensschritt S535 zur Bildanalyse der hemisphärischen Bestrahlungsstärke 120 und/oder des Bildes 110 der Kamera 14 wird bei dem in Figur 10 dargestellten Ausführungsbeispiel verzichtet. Der Schritt der Bildtransformation S515 kann optional angewendet werden. Der Datenvektor nach dem Verfahrensschritt S540 wird dann an das zweite Maschinenlem-Modell S550 zur Analyse übergeben. Mittels des zweiten Maschinenlern-Modells werden die gewünschten Komponenten der hemisphärischen Strahlung 120 extrahiert. Die extrahierten Komponenten sind die diffuse Bestrahlungsstärke 122 in der horizontalen Ebene und/oder die direkte Bestrahlungsstärke 124. Im Verfahrensschritt S550 sind die versteckten Schichten (hidden layers) des Maschinenlern-Modells zusammengefasst dargestellt. Beispielhaft sind zwei versteckte Schichten 555 und 556 in der Darstellung in Figur 10 eingezeichnet. Es kann aber auch vorgesehen sein, mehr oder weniger versteckte Schichten im Verfahrensschritt S550 zu verwenden.

In den Verfahrensschritten S530 und S516 sind verschiedene Unterschritte des ersten Maschinenlern-Modells zusammenfassend dargestellt. Die Verfahrensschritte S530 und/oder S516 betreffen beispielsweise Faltungsschritte der verwendeten Daten in dem CNN-Algorithmus. Die Verfahrensschritte S530 und/oder S516 können ebenfalls Verfahrensschritte aufweisen, die eine Mittelwerts-Vereinigung (Pooling) mit Berücksichtigung von Maximalwerten (Maximal Pooling) und/oder Minimalwerten (Minimal Pooling) aufweisen. Im Anschluss an diese Verfahrensschritte kann beispielsweise in S538 ein Multilayer-Perceptron insbesondere mit einer einzigen verdeckten Schicht verwendet werden, um die Anzahl extrahierter Bildmerkmale zu reduzieren.

Die Architektur ist eine Standardarchitektur. Beispielsweise wird eine Architektur verwendet, die unter dem Begriff ResNet-18 bekannt ist. ResNet steht für Residual Neural Network (deutsch: Rest-Neuronales-Netzwerk). Das Residual Neural Network ist ein Deep-Learning-Modell, bei dem die Gewichtsschichten Restfunktionen unter Bezugnahme auf die Schichteingaben lernen. Ein Residual Neural Network ist ein Netzwerk mit Sprungverbindungen, die Identitätszuordnungen durchführen und durch Addition mit den Layer-Ausgaben (Schicht-Ausgaben) zusammengeführt werden. Die Zahl „18“ bezeichnet die Anzahl der Schichten (layers). Figur 11 zeigt Parameter, die beim Trainieren des ersten Maschineniem- Modells verwendet werden. Figur 11 ist eine Darstellung, die mit Daten aus fastais OneCycleScheduler Klasse, welche unter https ://fastai1 .fast.ai/callbacks.one_cycle.html#OneCycleScheduler beschrieben ist, erstellt ist. Die Strategie zum Trainieren wird als Ein-Zyklus- Richtlinie und im englischen Sprachgebrauch als One-Cycle-Policy bezeichnet. Die Ein-Zyklus-Richtlinie ist eine Lernstrategie, die über einen Lernzyklus angewendet wird, und ermöglicht ein schnelleres Trainieren eines Modells. Nach dem ersten Zyklus kann die Lernrate wiederholt angewendet werden, um bessere Werte zu erhalten.

Im linken Teil von Figur 11 ist eine Kurve 600 dargestellt. Die Kurve 600 beschreibt einen Verlauf einer Lernrate 630 als Funktion der Anzahl der Iterationen 620 aufgetragen ist. Zu Beginn des Verfahrens des Trainierens des ersten Maschinenlern-Modells steigt bei niedriger Iterationsrate die Lernrate 630 an, und zum Ende des Verfahrens zum Trainieren des ersten Maschinenlern-Modells sinkt die Lernrate 630 wieder ab.

In dem rechten Teilbild von Figur 11 ist eine Kurve 640 eines Impulses 650 als Funktion der Anzahl der Iterationen 620 aufgetragen.

Der Impuls ist ein Parameter, der in die Aktualisierung der Gewichte eingeht. Der Impuls akkumuliert die Gradienten aus den letzten Iterationsschritten, was eine schnellere Konvergenz und die Überwindung von Sattelpunkten und lokalen Minima ermöglicht. Der Impuls 640 sinkt nach einem relativ hohen Wert zu Beginn des Verfahrens auf ein Minimum und steigt zum Ende des Verfahrens zum Trainieren des ersten Maschinenlern-Modells wieder an. Als Merkmale können neben den Strukturen und Texturen des Bildes 110 des Himmels 50 auch Zwischenergebnisse eines Verfahrens zur Bestimmung einer Bestrahlungsstärke solarer Strahlung und/oder deren Komponenten in einer beliebigen Ebene, insbesondere zu einer horizontalen Ebene geneigten Ebene verwendet werden. Das Verfahren verwendet physikalische Modelle, die physikalische Gegebenheiten und Annahmen berücksichtigen. Hierbei können die Zwischenergebnisse eine der nachfolgend aufgezählten Merkmale sein:

- Werte der diffuse Bestrahlungsstärke in der horizontalen Ebene,

- Werte der Direktstrahlung,

- Werte der Bestrahlungsstärke in einer beliebigen Ebene, wobei die beliebige Ebene verschieden von der Ebene ist, in der die Strahlungssensoreinheit 12 und/oder die Kamera 14 angeordnet sind,

- Schätzwerte der Bestrahlungsstärke jeweils in dem Rot-Kanal, im Grün- Kanal und/oder im Blau-Kanal.

Das Verfahren ist ausführlich in der WO 2021/219570 A1 beschrieben. Das Verfahren weist die nachfolgend aufgeführten Verfahrensschritte auf, wobei einer oder mehrere der Verfahrensschritte angewendet werden, um die Zwischenergebnisse zu erhalten. Bei den verwendeten Rohdaten kann es sich um Messdaten der Kamera 14 und der Strahlungssensoreinheit 12 handeln oder um Messdaten, die an anderen Standorten und mit anderen Kameras und/oder Strahlungssensoreinheiten aufgenommen worden sind und beispielsweise in einer Datenbank oder Tabelle abgelegt sind.

Die Rot-Grün-Blau (RGB)-Farbkanäle des Bildes des Himmels werden gewichtet summiert. Die Gewichtung der Kanäle bewirkt dabei eine möglichst gleichmäßige Sensitivität der Kamera im sichtbaren Wellenlängenbereich. Dieser Grauwert wird mit einer Breitbandkorrektur multipliziert, um Strahlung bei Wellenlängen außerhalb des Messbereichs der Kamera zu berücksichtigen. Unter Verwendung einer für Wolkenkameras standardmäßigen geometrischen internen und externen Kalibrierung wird für jedes Pixel des Kamerabilds ein Himmelsbereich angegeben (Azimuth und Zenithwinkel). So ergibt sich eine Schätzung der Radianzverteilung des Himmels.

Analog zur Radianzverteilung wird eine Leuchtdichte-Verteilung berechnet. Hierzu werden die RGB-Farbkanäle vor der Summation entsprechend der Sensitivität des menschlichen Auges gewichtet. Integration der Leuchtdichte-Verteilung über alle Winkelbereiche liefert einen Messwert der Beleuchtungsstärke. Die von der Kamera ausgegebene und über das Kamerabild berechnete Beleuchtungsstärke werden verglichen. Die Radianzverteilung wird entsprechend dem Verhältnis beider Werte skaliert, um einen Einfluss der Kamerasteuerung auf die Sensitivität der Kamera auszugleichen.

Der Bereich der Sonnenscheibe wird maskiert. Für eine ausgewertete Sensorebene wird jeder Himmelsbereich im Radianzbild entsprechend einer Projektion in die Ebene gewichtet. Eine Integration der Radianzverteilung über alle Himmelsbereiche, welche im Sichtfeld der geneigten Ebene liegen, liefert die aus dem Himmel stammende diffuse Bestrahlungsstärke der jeweiligen Ebene.

Die horizontale diffuse Bestrahlungsstärke in der Ebene der Strahlungssensoreinheit wird entsprechend berechnet. Aus dem Vergleich zur mittels Pyranometer gemessenen horizontalen hemisphärischen Bestrahlungsstärke und unter Kenntnis des aktuellen Sonnenstands wird die direkte Normalstrahlung (DNI) berechnet. Zur Korrektur von Brechungseffekten in der Linse der Kamera werden der erste Schätzwert der diffusen Bestrahlungsstärke in der Ebene der Strahlungssensoreinheit sowie alle übrigen berechneten diffusen Bestrahlungsstärken um einen Anteil der DNI reduziert (Linsenbrechungskorrektur). Entsprechend wird die Korrektur zur direkten Strahlungsstärke in der Ebene der Strahlungssensoreinheit hinzuaddiert. Anschließend wird die DNI neu berechnet.

Die GTI in einer ausgewerteten Ebene ergibt sich schließlich aus einem direkten Anteil, einem diffusen Anteil vom Himmel und einem am Boden reflektierten Anteil. Die DNI wird in die ausgewertete Ebene projiziert und ergibt somit den direkten Anteil. Die diffuse Bestrahlungsstärke wird wie oben beschrieben aus dem Kamerabild für diese Ebene berechnet. Der reflektierte Anteil ergibt sich als GHI multipliziert mit der Albedo des Untergrunds und dem Term

(1 - cos(Neigungswinkel der geneigten Ebene gegen die Horizontale))/2.

Gemäß dem angegebenen Verfahren kann zur Umrechnung der mit der Strahlungssensoreinheit bestimmten hemisphärischen Bestrahlungsstärke der Sonnenstrahlung in der Ebene der Strahlungssensoreinheit in die Bestrahlungsstärke und/oder deren jeweilige Komponenten, direkte Strahlungsstärke, diffuse Bestrahlungsstärke, am Boden reflektierte Strahlungsstärke, in der horizontalen Ebene und/oder in der zu der horizontalen Ebene geneigten Ebene, wenigstens eine der Größen von am Boden reflektierter Strahlungsstärke, und/oder diffuser Bestrahlungsstärke, und/oder des Sonnenstands bei der Strahlungsmessung, und/oder eines sensorspezifischen Korrekturfaktors, welcher insbesondere Linsenparameter der Kamera umfasst, herangezogen werden

Hierbei können die Strahlungsmessung beeinflussende Faktoren des Sonnenstands bei der Umrechnung berücksichtigt werden. Weiter kann gemäß dem angegebenen Verfahren zur Umrechnung von Messwerten der Kamera wenigstens eine der Größen von einem Verhältnis einer breitbandigen Strahlung zu von der Kamera registriertem Anteil der Strahlung, und/oder einer spektralen Intensität von RGB-Kanälen der Kamera, und/oder einer internen und/oder externen Kalibration der Kamera, und/oder einer Neigung und Ausrichtung des Sensors der Kamera, und/oder des Sonnenstands bei der Strahlungsmessung und/oder einer Kamerasensitivität, welche aus einer Beleuchtungsstärke der Kamera und/oder der spektralen Sensitivität der RGB-Kanäle und/oder Aufnahmeeinstellungen und/oder dem RGB-Kamerabild und/oder der internen und/oder externen Kalibration der Kamerabestimmt wird, herangezogen werden. Hierbei können die Strahlungsmessung beeinflussende Faktoren des Sonnenstands bei der Umrechnung berücksichtigt werden.

Die einzelnen Schritte zur Bestimmung der hemisphärischen Bestrahlungsstärke der Sonnenstrahlung und/oder deren jeweilige Komponenten, direkte Strahlungsstärke, diffuse Bestrahlungsstärke, am Boden reflektierte Strahlungsstärke, in der horizontalen Ebene sowie in der zur horizontalen Ebene geneigten Ebene beschrieben.

Es wird die am Boden reflektierte Strahlung mittels Albedo, Neigung und Ausrichtung der geneigten Ebene, sowie eines Messwerts der hemisphärischen Bestrahlungsstärke in der Ebene der Strahlungssensoreinheit bestimmt.

Es wird die direkte Strahlung in der Ebene der Strahlungssensoreinheit bestimmt durch Subtraktion des Messwerts der diffusen Bestrahlungsstärke, ausgewertet für die Ebene der Strahlungssensoreinheit von der hemisphärischen Bestrahlungsstärke in der Ebene der Strahlungssensoreinheit. Die diffuse Bestrahlungsstärke in der Ebene der Strahlungssensoreinheit wird, wie nachfolgend noch genauer beschrieben. Darauf wird die direkte Bestrahlungsstärke bestimmt durch Umkehren der Projektion in die Ebene der Strahlungssensoreinheit mittels dem Standort und Uhrzeit berechnetem Sonnenstand.

Es wird die direkte Normalstrahlung multipliziert mit einem Korrekturfaktor, welcher insbesondere Linsenparameter der verwendeten Kamera umfasst. Es ergibt sich eine Linsenbrechungskorrektur.

Es werden die direkte Strahlung in der Ebene der Strahlungssensoreinheit und die Linsenbrechungskorrektur addiert sowie die Projektion in die Ebene der Strahlungssensoreinheit unter Einbezug des berechneten Sonnenstandes umgekehrt. Danach wird diese direkte Normalstrahlung unter Einbezug von Neigung und Ausrichtung der horizontalen und/oder geneigten Ebene in diese projiziert, um den korrigierten Messwert der direkten Strahlung in dieser Ebene zu erhalten.

Es wird die Linsenbrechungskorrektur von der diffusen Bestrahlungsstärke, ausgewertet für die geneigte oder horizontale Ebene, wie beschrieben, subtrahiert. Damit wird ein korrigierter Messwert der diffusen Bestrahlungsstärke in der betreffenden geneigten oder horizontalen Ebene ermittelt.

Danach kann dann die hemisphärische Bestrahlungsstärke in der horizontalen und/oder geneigten Ebene bestimmt werden durch Summieren der am Boden reflektierten Strahlung aus der direkten Strahlung als einer Komponente der hemisphärischen Bestrahlungsstärke in der horizontalen und/oder geneigten Ebene sowie der diffusen Bestrahlungsstärke als einer Komponente der hemisphärischen Bestrahlungsstärke, ausgewertet für die horizontale und/oder geneigte Ebene, und korrigiert. Die Bestimmung der vom Himmel stammenden diffusen Bestrahlungsstärke in der horizontalen oder geneigten Ebene, insbesondere in der Ebene der Strahlungssensoreinheit ist nachfolgend zusammengefasst. Zunächst wird ein Breitband-Korrekturfaktor aus dem Verhältnis breitbandiger Strahlung zu von der Kamera registriertem Anteil mittels des Tageslichtspektrums und der spektralen Sensitivität von RGB-Kanälen der Kamera bestimmt.

Dazu werden Gewichte der RGB-Kanäle entsprechend der inversen Sensitivität mittels der Aufnahmeeinstellungen der Kamera bestimmt.

Damit können die gewichteten RGB-Kanäle des Kamerabilds aufsummiert werden.

Danach werden die summierten RGB-Kanäle mit dem ermittelten Breitband-Korrekturfaktor multipliziert.

Damit können Winkelbereiche des Himmels Bildpixeln der Kamera mittels interner und/oder externer Kalibrationswerte der Kamera zugeordnet werden.

Danach werden diese Bildbereiche entsprechend der Projektion in die horizontale und/oder geneigte Ebene gewichtet.

Parallel kann der Winkelbereich des Sichtfeldes der horizontalen und/oder geneigten Ebene aus Neigung und Ausrichtung dieser Ebene bestimmt werden, während der Winkelbereich der Sonnenscheibe aus Standort und Uhrzeit bestimmt wird.

Damit kann dann der Winkelbereich der Sonnenscheibe aus dem Winkelbereich des Sichtfelds der horizontalen und/oder geneigten Ebene ausgeschlossen werden.

Anschließend können die Bildbereiche über das Sichtfeld der horizontalen oder geneigten Ebene integriert werden. Die diffuse Bestrahlungsstärke in der horizontalen oder geneigten Ebene, insbesondere in der Ebene der Strahlungssensoreinheit, kann dann durch Multiplikation mit dem Korrekturfaktor der Kamerasensitivität berechnet werden, welcher zuvor bestimmt wurde.

Die Berechnung des Korrekturfaktors der Kamerasensitivität basierend auf einem Vergleich der von der Kamera ausgegebenen und berechneten Beleuchtungsstärke kann wie nachfolgend beschrieben erfolgen.

Zunächst werden Gewichte entsprechend der Sensitivität jedes RGB- Kanals der verwendeten Kamera mittels der spektralen Sensitivität der RGB-Kanäle und den Aufnahmeeinstellungen der Kamera bestimmt.

Anschließend werden daraus Gewichte entsprechend der menschlichen Wahrnehmung bestimmt.

Mittels dieser Gewichte können dann RGB-Kanäle aus dem RGB- Kamerabild gewichtet aufsummiert werden.

Parallel dazu werden Winkelbereiche des Himmels Bildpixeln des Kameramittels der internen und/oder externen Kalibrationswerte der Kamera zugeordnet.

Danach werden die gewichteten RGB-Kanäle über die Hemisphäre des Himmels integriert.

Damit kann der Korrekturfaktor der Kamerasensitivität durch Berechnung des Verhältnisses aus der Beleuchtungsstärke der Kamera und dem integrierten gewichteten RGB-Kamerabild bestimmt werden. Das Verfahren umfasst, dass das Bild der Kamera über das physikalische Kameramodell ausgewertet werden kann und eine vorläufige Messung der diffusen Bestrahlungsstärke in der horizontalen oder in einer geneigten Ebene erhalten werden kann, wobei diese vorläufige Messung der diffusen Bestrahlungsstärke oder eine daraus berechnete Direktstrahlung als Merkmal vom zweiten Maschinenlern-Modell einbezogen wird und/ oder wobei mit Hilfe des Kameramodells und der Messung der hemisphärischen Bestrahlungsstärke eine Direktstrahlung ermittelt wird und wobei dieser Parameter als Merkmal vom zweiten Maschinenlern-Modell einbezogen wird.

Ferner kann das Bild der Kamera über das physikalisches Kameramodell ausgewertet werden, wobei mit Hilfe des Kameramodells eine zirkumsolare Strahlung und/oder eine Beleuchtungsstärke oder eine Strahlungsinformation je Farbkanal und/oder ein Verhältnis der Beleuchtungsstärken oder Strahlungsinformationen für zwei verschiedene Farbkanäle und/oder eine Anzahl gesättigter Bildpixel ermittelt wird und wobei diese Parameter als Merkmale vom zweiten Maschinenlern-Modell einbezogen werden. Unter zirkumsolarer Strahlung (englisch: circum solar radiation) wird die Strahlung verstanden, die aus einem Bereich unmittelbar um die Sonnenscheibe emittiert wird.

Es kann vorteilhaft sein, die zirkumsolare Strahlung aus dem Bilde der Kamera zu ermitteln, da die Strahlung aus der unmittelbaren Nähe der Sonnenscheibe zur DNI beträgt. Insbesondere die zirkumsolare diffuse Strahlung, die ein Resultat der Streuung der Strahlung in der Atmosphäre ist, kann zur DNI betragen. Es kann ebenfalls vorteilhaft sein, die Beleuchtungsstärke pro Farbkanal zu kennen, da die Verteilung der Beleuchtungsstärke auf die Farbkanäle die spektrale Verteilung des solaren Spektrums widerspiegelt. Es kann vorteilhaft sein, die Anzahl der gesättigten Bildpixel aus dem Bilde der Kamera zu ermitteln, da eine Aussage über die Intensität der auf die Kamera treffenden Strahlung, insbesondere deren Verteilung im Bild der Kamera getroffen werden kann.

Durchgeführte Verfahrensschritte sind zusammengefasst nachfolgend aufgelistet:

(i) Bildpixeln beobachtete Himmelsbereiche werden zugeordnet; und/oder

(ii) eine situationsangepasste Breitbandkorrektur wird angewendet, welche eine Funktion einer über die verschiedenen Farbkanäle der Kamera berechneten Strahlung, insbesondere der diffusen Bestrahlungsstärke, ist; und/oder

(iii) die Radianz wird in verschiedenen Himmelsbereichen aufintegriert bzw. summiert, insbesondere um daraus zirkumsolare Strahlung oder die diffuse Bestrahlungsstärke in der horizontalen Ebene zu bestimmen; und/oder

(iv) Intensitätswerte der Farbkanäle oder daraus abgeleitete Parameter werden gewichtet summiert; und/oder

(v) Bildmetadaten werden einbezogen, um einen Einfluss der Belichtungssteuerung der Kamera auszugleichen; und/oder

(vi) eine Kalibrierung der Kamera mit Hilfe der Messungen der hemisphärischen Bestrahlungsstärke (120) der Strahlungssensoreinheit wird durchgeführt.

Zusätzlich können die nachfolgend aufgeführten Verfahrensschritte durchgeführt werden

(i) eine Schätzung der Strahldichte des Himmels aus dem Bild der Kamera auf der Grundlage eines Kameramodells kann ermittelt werden;

(ii) und/oder das Kameramodell kann die spektrale Sensitivität der Kamera je Farbkanal oder dem verwendeten Farbraum angepasste Farbabgleichsfunktionen berücksichtigen;

(iii) und/oder eine intrinsische und externe geometrische Kalibration der Kamera kann verwendet werden. Bezugszeichen

5 Vorrichtung

10 Messeinheit

12 Strahlungssensoreinheit

14 Kamera

16 Messdatenerfassungseinheit

18 Auswerteeinheit

19 Computer

20 Datenverarbeitungsvorrichtung

22 Gehäuse

24 Sensor der Strahlungssensoreinheit 12

26 Sichtfeld der Strahlungssensoreinheit 12 und Sichtfeld des Sensors

28 Gehäuse der Kamera

30 Sensor der Kamera

32 Sichtfeld der Kamera 14 und Sichtfeld des Sensors 30

34 Abstand

36 horizontale Ebene

38 Ebene der Strahlungssensoreinheit 12 und Ebene des Sensors 24

40 Ebene der Kamera 14 und Ebene des Sensors 30

42 Elevation, Neigung

43 Elevation

44 Winkel, Neigungswinkel

46 Ebene der Strahlungssensoreinheit 12 und des Sensors 24

48 Ebene der Kamera 14 und des Sensors 30

50 Himmel

52 Wolke

54 Sonne

100 Verfahren

110 mit der Kamera aufgenommenes Bild

120 hemisphärische Bestrahlungsstärke

122 diffuse Bestrahlungsstärke

124 direkte Bestrahlungsstärke 530 verdeckte Schicht

538 verdeckte Schicht

555 verdeckte Schicht

556 verdeckte Schicht

600 Kurve der Lernrate als Funktion der Iterationen 620

620 Iterationen

630 Lernrate

640 Kurve des Impulses aufgetragen als Funktion der Iterationen 620

650 Impuls

S100 Verfahren

S130 Extrahieren von Merkmalen mittels des ersten Maschinenlern- Modells

S140 Konkatenieren, Zusammenführen zu gemeinsamem Datensatz

S150 Bestimmen der diffusen Bestrahlungsstärke in horizontaler Ebene und/oder der direkten Bestrahlungsstärke mittels des zweiten Maschinenlern-Modells

S200 Verfahren

S230 Extrahieren von Merkmalen mittels des ersten Maschinenlern- Modells

S235 Bildanalyse

S240 Konkatenieren, Zusammenführen zu gemeinsamem Datensatz

S250 Bestimmen der diffusen Bestrahlungsstärke in horizontaler Ebene und/oder der direkten Bestrahlungsstärke mittels des zweiten Maschinenlern-Modells

S300 Verfahren

S315 Bildtransformation

S330 Extrahieren von Merkmalen mittels des ersten Maschinenlern-

Modells

S335 Bildanalyse

S340 Konkatenieren, Zusammenführen zu gemeinsamem Datensatz S350 Bestimmen der diffusen Bestrahlungsstärke in horizontaler Ebene und/oder der direkten Bestrahlungsstärke mittels des zweiten Maschinenlern-Modells

S400 Verfahren

S415 Bildtransformation

S430 Extrahieren von Merkmalen mittels des ersten Maschinenlern- Modells

S440 Konkatenieren, Zusammenführen zu gemeinsamem Datensatz

S450 Bestimmen diffuser Bestrahlungsstärke in horizontaler Ebene und/oder direkter Bestrahlungsstärke mittels des zweiten Maschinenlern- Modells

S500 Verfahren

5515 Bildtransformation

5516 Verfahrensschritte, beispielsweise Faltungsschritte

S530 Extrahieren von Merkmalen mittels des ersten Maschinenlern- Modells

S535 Bildanalyse

S538 Verarbeiten von Merkmalen aus der Bildanalyse mittels des dritten Maschinenlern-Modells

S540 Konkatenieren, Zusammenführen zu gemeinsamem Datensatz

S550 Bestimmen der diffusen Bestrahlungsstärke in der horizontalen Ebene und/oder der direkten Bestrahlungsstärke mittels des zweiten Maschinenlern-Modells

Claims

Ansprüche

1. Verfahren (S100, S200, S300, S400, S500) zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene, wobei die wenigstens eine Komponente eine diffuse Bestrahlungsstärke (122) und/oder eine direkte Bestrahlungsstärke (124) umfasst, umfassend die folgenden Schritte:

(i) Ermitteln von Messdaten der hemisphärischen Bestrahlungsstärke (120) mit einer Strahlungssensoreinheit (12) in einem Sichtfeld (26) über einer Ebene (46) der Strahlungssensoreinheit (12);

(ii) Erfassen eines Bildes (110) des Himmels (50) mit einer Kamera (14) in einem Sichtfeld (32) über einer Ebene (48) der Kamera (14);

(iii) Extrahieren (S130, S230, S330, S430, S530) von Merkmalen, insbesondere Strukturen, aus dem Bild (110) des Himmels (50) mittels eines ersten Maschinenlern-Modells und Erzeugen eines Ergebnisdatensatzes;

(iv) Zusammenführen (S140, S240, S340, S440, S540) der Messdaten der Strahlungssensoreinheit (12) und des Ergebnisdatensatzes der Kamera (14) zu einem gemeinsamen Datensatz;

(v) Bestimmen (S150, S250, S350, S450, S550) der wenigstens einen Komponente der hemisphärischen Bestrahlungsstärke (120) in der beliebigen Ebene, insbesondere der diffusen Bestrahlungsstärke (122) und/oder der direkten Bestrahlungsstärke (124), aus dem Datensatz mittels eines zweiten Maschinenlern-Modells.

2. Verfahren nach Anspruch 1 , wobei in einer Bildanalyse (S235, S335, S535) unter Verwendung des Bildes (110) der Kamera (14) Merkmale extrahiert werden, wobei ein physikalisches Kameramodell angewendet wird.

3. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bild (110) der Kamera (14) über das physikalische Kameramodell ausgewertet wird und wobei eine vorläufige Messung der diffusen Bestrahlungsstärke (122) in der horizontalen oder in einer geneigten Ebene erhalten wird und wobei diese vorläufige Messung der diffusen Bestrahlungsstärke oder eine daraus berechnete Direktstrahlung als Merkmal vom zweiten Maschinenlern-Modell einbezogen wird und/oder wobei mit Hilfe des Kameramodells und der Messung der hemisphärischen Bestrahlungsstärke eine Direktstrahlung ermittelt wird und wobei dieser Parameter als Merkmal vom zweiten Maschinenlern-Modell einbezogen wird.

4. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bild

(110) der Kamera (14) über das physikalisches Kameramodell ausgewertet wird und wobei mit Hilfe des Kameramodells eine zirkumsolare Strahlung und/oder eine Beleuchtungsstärke oder eine Strahlungsinformation je Farbkanal und/oder ein Verhältnis der Beleuchtungsstärken oder Strahlungsinformationen für zwei verschiedene Farbkanäle und/oder eine Anzahl gesättigter Bildpixel ermittelt wird und wobei diese Parameter als Merkmale vom zweiten Maschinenlern-Modell einbezogen werden.

5. Verfahren nach einem der vorhergehenden Ansprüche, wobei

(i) Bildpixeln beobachtete Himmelsbereiche zugeordnet werden; und/oder

(ii) eine situationsangepasste Breitbandkorrektur angewendet wird, welche eine Funktion einer über die verschiedenen Farbkanäle der Kamera (14) berechneten Strahlung, insbesondere der diffusen Bestrahlungsstärke, ist; und/oder

(111) die Radianz in verschiedenen Himmelsbereichen aufintegriert bzw. summiert wird, insbesondere um daraus zirkumsolare Strahlung oder die diffuse Bestrahlungsstärke in der horizontalen Ebene zu bestimmen; und/oder

(iv) Intensitätswerte der Farbkanäle oder daraus abgeleitete Parameter gewichtet summiert werden; und/oder (vi) Bildmetadaten einbezogen werden, um einen Einfluss der Belichtungssteuerung der Kamera (14) auszugleichen; und/oder

(vii) eine Kalibrierung der Kamera (14) mit Hilfe der Messungen der hemisphärischen Bestrahlungsstärke (120) der Strahlungssensoreinheit (12) durchgeführt wird.

6. Verfahren nach einem der vorhergehenden Ansprüche, wobei

(i) eine Schätzung der Strahldichte des Himmels aus dem Bild (110) der Kamera (14) auf der Grundlage des Kameramodells ermittelt wird; und/oder

(ii) das Kameramodell die spektrale Sensitivität der Kamera (14) je Farbkanal oder dem verwendeten Farbraum angepasste Farbabgleichsfunktionen berücksichtigt; und/oder

(iii) eine intrinsische und externe geometrische Kalibration der Kamera (14) verwendet wird.

7. Verfahren nach einem der vorhergehenden Ansprüche, wobei das zweite Maschinenlern-Modell von dem ersten Maschinenlern-Modell verschieden ist, wobei das erste Maschinenlern-Modell mit ersten Trainingsdatensätzen trainiert ist, wobei das zweite Maschinenlern-Modell mit zweiten Trainingsdatensätzen trainiert ist.

8. Verfahren nach einem der vorhergehenden Ansprüche, wobei in der Bildanalyse (S235, S335, S535) unter Verwendung des Bildes (110) der Kamera (14) Merkmale aus den Messdaten der Strahlungssensoreinheit (12) extrahiert werden.

9. Verfahren nach einem der vorhergehenden Ansprüche, wobei in der Bildanalyse (S235, S335, S535) unter Verwendung des Bildes (110) der Kamera (14) Merkmale aus den Intensitäten der Bildpixel abgeleitet werden, wobei eine Anzahl gesättigter Pixel zur Extraktion von Merkmalen einbezogen werden.

10. Verfahren nach einem der vorhergehenden Ansprüche, wobei zumindest eine Summe und/oder gewichtete Summe der Intensitäten der Bildpixel und/oder zumindest ein Verhältnis von Summen und/oder von gewichteten Summen der Intensitäten der Bildpixel einbezogen werden.

11 . Verfahren nach einem der vorhergehenden Ansprüche, wobei die aus dem Bild (110) der Kamera (14) und/oder aus den Messdaten der Strahlungssensoreinheit (12) extrahierten Merkmale, an ein drittes Maschinenlern-Modell übergeben werden und mittels des dritten Maschinenlern-Modells verarbeitet werden (S538) und ein Strahlungssensoreinheitsdatensatz erzeugt wird, wobei der Strahlungssensoreinheitsdatensatz und der Ergebnisdatensatz der Kamera (14) zusammengeführt werden (S540), bevor das zweite Maschinenlern- Modell angewendet wird (S550).

12. Verfahren nach einem der vorhergehenden Ansprüche, wobei vor der Anwendung des ersten Maschinenlern-Modells eine Bildtransformation (S315, S415, S515) des Bildes (110) des Himmels (50) erfolgt.

13. Verfahren nach einem der vorhergehenden Ansprüche, wobei das erste Maschinenlern-Modell und/oder das zweite Maschinenlern-Modell mit Referenzdaten wenigstens einer der Komponenten der hemisphärischen Bestrahlungsstärke (120), insbesondere der diffusen Bestrahlungsstärke (122) in der horizontalen und/oder geneigten Ebene, insbesondere von Solartrackern, und/oder der direkten Bestrahlungsstärke (124), insbesondere von einem der Sonne nachgeführten Pyrheliometer, und/oder mit regulären Eingangsdaten, insbesondere mit Bildern (110) der Kamera (14), Daten der hemisphärischen Bestrahlungsstärke (120) und/oder Zwischenergebnissen, die insbesondere aus der Anwendung eines physikalischen Modells gewonnen wurden, trainiert wird.

14. Verfahren nach einem der vorhergehenden Ansprüche, wobei das erste Maschinenlem-Modell vortrainiert wird, wobei wenigstens einer der nachfolgenden Schritte verwendet wird:

(i) Nutzen öffentlich verfügbarer Gewichte,

(ii) Trainieren mittels wenigstens eines unüberwachten oder selbstüberwachten T rainingsansatzes,

(iii) Erweitern von Daten mit Gaußschen Weichzeichnern und/oder Verzerren von Bildfarben und/oder Spiegeln der Bilder (110),

(iv) Trainieren mit mittels der Kamera (14) aufgenommenen Bildern (110) des Himmels (50).

15. Verfahren nach einem der vorhergehenden Ansprüche, wobei in dem ersten Maschinenlem-Modell ein faltungsneuronaler Algorithmus, insbesondere ein faltungsneuronales Netzwerk, verwendet wird.

16. Verfahren nach einem der vorhergehenden Ansprüche, wobei in dem zweiten Maschinenlem-Modell wenigstens ein Algorithmus von einem Multilayer-Perceptron (MLP), Random-Forest-Algorithmus, Recurrent- Neural-Network, Long-Short-Term-Memory-Algorithmus, Transformer- Modell-Algorithmus, k-Nearest Neighbour (k-NN) Algorithmus, und/oder Support-Vector-Machine-Algorithmus verwendet wird.

17. Verfahren nach einem der vorhergehenden Ansprüche, wobei die ersten Trainingsdatensätze und/oder die zweiten Trainingsdatensätze so gefiltert werden, dass unterschiedliche atmosphärische Bedingungen ähnlich stark vertreten sind.

18. Verfahren nach einem der vorhergehenden Ansprüche, wobei das erste Maschinenlem-Modell, das zweite Maschinenlem-Modell und/oder das dritte Maschinenlem-Modell überwacht trainiert werden, wobei Eingangsdaten und/oder korrekte Referenzdaten von wenigstens einer der Komponenten der hemisphärischen Bestrahlungsstärke (120) verwendet werden.

19. Verfahren nach einem der vorhergehenden Ansprüche, wobei das erste Maschinenlern-Modell, das zweite Maschinenlern-Modell und das dritte Maschinenlern-Modell gemeinsam, insbesondere überwacht, trainiert werden, insbesondere nach einem jeweiligen Einzeltraining.

20. Verfahren nach einem der vorhergehenden Ansprüche, wobei Bildmerkmale aus dem Bild (110) des Himmels (50) unter Verwendung von Schätzwerten eines Rot-Kanals, und/oder eines Blau-Kanals, und/oder eines Grün-Kanals aus den Messdaten des Bildes (110) des Himmels (50) als zusätzliche Eingangsdaten des dritten Maschinenlern-Modells oder des Zusammenführens (S140, S240, S340, S440, S540) verwendet werden.

21. Vorrichtung (5) zur Durchführung eines Verfahrens (S100, S200, S300, S400, S500) zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene, nach einem der vorhergehenden Ansprüche, wobei die wenigstens eine Komponente eine diffuse Bestrahlungsstärke (122) und/oder eine direkte Bestrahlungsstärke (124) umfasst, umfassend wenigstens eine Strahlungssensoreinheit (12), eine Kamera (14), sowie eine Auswerteeinheit (18), welche zur Auswertung von Messdaten der Strahlungssensoreinheit (12) und der Kamera (14) vorgesehen ist, wobei die Strahlungssensoreinheit (12) die Bestrahlungsstärke solarer Strahlung (120) in einem Sichtfeld (26) von 180° über einer Ebene (38, 46) bestimmt, wobei die Ebene (38, 46) eine horizontale Ebene oder eine geneigte Ebene ist, wobei die Kamera (14) ein Bild (110) des Himmels (50) aufweisende Messdaten in einem Sichtfeld (32) von 180° über einer Ebene (40, 48) erfasst, wobei die Ebene (40, 48) eine horizontale Ebene oder eine geneigte Ebene ist, wobei die Auswerteeinheit (18) mindestens ein erstes Maschinenlern- Modell und ein zweites Maschinenlem-Modell aufweist, wobei die Auswerteeinheit (18) wenigstens ausgebildet ist, die folgenden Schritte durchzuführen:

(i) Extrahieren (S130) von Merkmalen, insbesondere Strukturen, aus dem Bild (110) des Himmels (50) mittels eines ersten Maschinenlern- Modells und Erzeugen eines Ergebnisdatensatzes;

(ii) Zusammenführen (S140) der Messdaten der Strahlungssensoreinheit (12) und des Ergebnisdatensatzes der Kamera (14) zu einem gemeinsamen Datensatz;

(iii) Bestimmen (S150) der mindestens einen Komponente der hemisphärischen Bestrahlungsstärke (120) in der beliebigen Ebene, insbesondere der diffusen Bestrahlungsstärke (122) und/oder der direkten Bestrahlungsstärke (124), aus dem Datenvektor mittels eines zweiten Maschinenlern-Modells.

22. Vorrichtung nach Anspruch 21 , wobei in einer Bildanalyse (S235, S335, S535) unter Verwendung des Bildes (110) der Kamera (14) Merkmale extrahiert werden, wobei ein physikalisches Kameramodell anwendbar ist.

23. Vorrichtung nach Anspruch 21 oder 22, wobei die Messdaten der Kamera (14) eine winkelaufgelöste Strahlungsinformation enthalten.

24. Verfahren zum Trainieren eines ersten Maschinenlern-Modells zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild (110) des Himmels (50), umfassend wenigstens einen der folgenden Schritte:

(i) Ermitteln oder Verwendung von Datensätzen von Bildern (110) des Himmels (50), die mit einer Kamera (14), insbesondere Wolkenkamera, aufgenommen wurden;

(ii) Trainieren des Maschinenlern-Modells mit den Datensätzen der Bilder (110) des Himmels (50); (iii) Trainieren des ersten Maschinenlern-Modells mit bekannten Bildern (110) des Himmels (50), die an anderen Standorten aufgenommen wurden.

25. Verfahren nach Anspruch 24, wobei ein Vortraining mit wenigstens einem der nachfolgenden Schritte verwendet wird:

(i) Nutzen öffentlich verfügbarer Gewichte;

(ii) Trainieren mittels wenigstens eines unüberwachten oder selbstüberwachten T rainingsansatzes;

(iii) Erweitern von Daten mit Gaußschen Weichzeichnern und/oder Verzerren von Bildfarben und/oder Spiegeln der Bilder;

(iv) Trainieren mit mittels der Kamera (14) aufgenommenen Bildern (110) des Himmels (50).

26. Computerprogramm zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer (19) diesen veranlassen, die Schritte eines Verfahrens (S100, S200, S300, S400, S500) zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke solarer Strahlung nach einem der Ansprüche 1 bis 20 auszuführen.

27. Datenverarbeitungsvorrichtung (20) für eine Vorrichtung (5) zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene, nach einem der Ansprüche 21 bis 23, wenigstens umfassend eine Messdatenerfassungseinheit (16), eine Auswerteeinheit (18) und einen Computer (19).

28. Ein trainiertes erstes Maschinenlern-Modell für ein Verfahren (S100, S200, S300, S400, S500) zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene nach einem der Ansprüche 1 bis 20, zum Extrahieren von Merkmalen, insbesondere Strukturen, aus einem Bild (110) des Himmels (50), welches gemäß einem Verfahren nach Anspruch 24 oder 25 trainiert ist. 29. Ein trainiertes zweites Maschinenlern-Modell für ein Verfahren (S100,

S200, S300, S400, S500) zur Bestimmung von wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene nach einem der Ansprüche 1 bis 20, zur Bestimmung wenigstens einer Komponente einer hemisphärischen Bestrahlungsstärke (120) solarer Strahlung in einer beliebigen Ebene, welches überwacht trainiert wurde, insbesondere wobei Eingangsdaten und Referenzdaten verwendet werden, insbesondere aufweisend einen Multilayer-Perceptron-Algorithmus.