基于WGAN-GP网络与光流法的卫星云图预测方法技术

本发明专利技术提出了一种基于双判别器WGAN

【技术实现步骤摘要】
基于WGAN
‑
GP网络与光流法的卫星云图预测方法


[0001]本专利技术涉及图像处理领域，具体涉及一种基于双判别器WGAN
‑
GP与光流 法的卫星云图预测方法。

技术介绍

[0002]太阳能储量丰富，分布广泛，是当前最有发展潜力的可再生能源之一。相较 于传统的火电、水电等发电方式，太阳能受到昼夜变化、季节交替和地球大气层 变化的影响，因而具有波动性和随机性，光伏发电的输出功率也呈现出不稳定的 特点。在诸多气象要素的影响中，短时间内高空间分辨率的云运动预测是光伏功 率预测与波动性预测的核心问题。
[0003]卫星云图在气象预测中发挥着重要的作用，传统的卫星云图预测方法包括基 于数值天气预报的方法和基于循环神经网络的方法。基于数值天气预报的方法需 要大量的气象数据，消耗资源多运算量大，难以满足短时间卫星云图预测的需要； 基于循环神经网络的方法有着较深的网络层数，梯度难以传播到深层，随着预测 时间增长，生成的预测结果会不断模糊；同时上述方法在处理卫星云图数据时， 都容易受到地面背景信息的干扰导致预测结果不准确。本专利技术利用光流提取卫星 云图运动信息，并使用双判别器WGAN
‑
GP网络进行预测模型训练。光流法能 够计算出一个连续运动图像序列中相邻两帧图像像素的运动信息，即每个像素移 动的方向和距离；WGAN
‑
GP网络作为一种无监督学习方法，经过生成器与判别 器的对抗训练能够学习到真实样本的潜在特征并生成与之极为相似的伪样本。通 过训练WGAN
‑
GP网络生成预测光流，再利用空间判别器与时间判别器分别对 生成样本与真实样本的空间相似度与时间相似度进行评价，通过对抗训练使双判 别器WGAN
‑
GP网络达到纳什均衡，最后将预测光流与历史卫星云图融合得到 预测卫星云图，有效避免了地面背景信息对预测结果的干扰，并使生成的预测图 像具有和原图像相近的清晰度。

技术实现思路

[0004]专利技术目的：针对上述问题，本申请提供了一种卫星云图预测方法，该方法利 用光流与双判别器WGAN
‑
GP网络能有效地排除地面背景对预测任务的干扰， 更好的提取卫星云图的时空特征实现对未来云运动的预测。
[0005]技术方案：基于双判别器WGAN
‑
GP与光流法的卫星云图预测方法，包括 以下步骤：
[0006]步骤S1：获取历史卫星云图序列数据；
[0007]步骤S2：对卫星云图进行直方图均衡化预处理；
[0008]步骤S3：对经过预处理的图像，取t张卫星云图序列作为历史数据，第t+1 张卫星云图为预测目标；
[0009]步骤S4：构建双判别器WGAN
‑
GP网络，每次训练以t张连续卫星云图序 列输入生成器，每相邻两张卫星云图进行计算得到一张光流图，共得到t
‑
1张光 流图，令光流序列经过编码器解码器结构输出预测光流，将预测光流与第t时刻 卫星云图融合生成第t+1时刻卫星云图的预测；
[0010]步骤S5：将生成卫星云图与真实卫星云图一并输入判别器中训练，空间判 别器与时间判别器分别对生成样本与真实样本的空间相似度与时间相似度进行 评价，通过多次迭代对抗训练使双判别器WGAN
‑
GP网络达到纳什均衡；
[0011]步骤S6：将历史卫星云图数据输入已训练好的双判别器WGAN
‑
GP网络生 成器得到卫星云图预测图像，将生成的卫星云图预测图像加入序列，迭代地执行 生成器算法，得到第t+1至2t张卫星云图预测图像。
[0012]所述步骤S2对图像进行直方图均衡化预处理的公式为：
[0013][0014][0015]其中round()表示对结果取整，cdf(i)表示值为i的像素的累计分布函数，p
x
(i)代 表值为i的像素的出现概率，L为灰度级数，v为原始图像像素值，h(v)为进行 直方图均衡化操作后的像素值。
[0016]所述步骤S4包括以下步骤：
[0017]步骤S41，对输入生成器的t张连续卫星云图序列，每相邻两张卫星云图进 行计算得到一张光流图，共得到t
‑
1张光流图；
[0018]步骤S42，构建双判别器WGAN
‑
GP网络中的生成器，生成器网络的结构依 次有：输入层
→
光流提取层
→
三维卷积层1
→
三维卷积层2
→
三维卷积层3
→
三 维卷积层4
→
上采样层1
→
上采样层2
→
上采样层3
→
上采样层4
→
融合层
→
输出 层，三维卷积层1、三维卷积层2、三维卷积层3、三维卷积层4属于编码器部 分，上采样层1、上采样层2、上采样层3、上采样层4属于解码器部分；
[0019]步骤S43，构建双判别器WGAN
‑
GP网络中的判别器，判别器网络包括空间 判别器与时间判别器，其中空间判别器网络的结构依次有：输入层
→
二维卷积层 1
→
二维卷积层2
→
二维卷积层3
→
二维卷积层4
→
全连接层1
→
全连接层2
→
全 连接层3
→
输出；
[0020]步骤S44，构建双判别器WGAN
‑
GP网络中的判别器，其中时间判别器网络 的结构依次有：输入层
→
三维卷积层1
→
三维卷积层2
→
三维卷积层3
→
三维卷 积层4
→
全连接层1
→
全连接层2
→
全连接层3
→
输出；
[0021]步骤S45，将t
‑
1张光流图输入到生成器中，通过三维卷积层进行编码处理， 再通过上采样层进行解码处理生成第t张光流图的预测；
[0022]步骤S46，使用第t张光流图对第t张卫星云图进行重映射处理，生成第t+1 张卫星云图的预测，重映射运算的公式为：
[0023]p
t+1
(x,y)＝p
t
(x
‑
u,y
‑
v)
[0024]其中p
t
为t时刻位于卫星云图点(x,y)处的像素值，u和v即光流图中的信息， 分别代表像素在x方向和y方向上的运动分量。
[0025]所述步骤S42中上采样层先使用双线性插值法令特征图大小翻倍，再利用卷 积使通道数减半；在三维卷积层1、三维卷积层2和三维卷积层3后加入了三个 跳跃连接，分别连接到上采样层1、上采样层2、上采样层3后，将在编码器中 经过三维卷积处理的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于WGAN
‑
GP网络与光流法的卫星云图预测方法，其特征在于，包括以下步骤：步骤S1：获取历史卫星云图序列数据；步骤S2：对卫星云图进行直方图均衡化预处理；步骤S3：对经过预处理的图像，取t张卫星云图序列作为历史数据，第t+1张卫星云图为预测目标；步骤S4：构建双判别器WGAN
‑
GP网络，每次训练以t张连续卫星云图序列输入生成器，每相邻两张卫星云图进行计算得到一张光流图，共得到t
‑
1张光流图，令光流序列经过编码器解码器结构输出预测光流，将预测光流与第t时刻卫星云图融合生成第t+1时刻卫星云图的预测；步骤S5：将生成卫星云图与真实卫星云图一并输入判别器中训练，空间判别器与时间判别器分别对生成样本与真实样本的空间相似度与时间相似度进行评价，通过多次迭代对抗训练使双判别器WGAN
‑
GP网络达到纳什均衡；步骤S6：将历史卫星云图数据输入已训练好的双判别器WGAN
‑
GP网络生成器得到卫星云图预测图像，将生成的卫星云图预测图像加入序列，迭代地执行生成器算法，得到第t+1至2t张卫星云图预测图像。2.根据权利要求1所述的基于WGAN
‑
GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S2对图像进行直方图均衡化预处理的公式为：于，所述步骤S2对图像进行直方图均衡化预处理的公式为：其中round()表示对结果取整，cdf(i)表示值为i的像素的累计分布函数，p
x
(i)代表值为i的像素的出现概率，L为灰度级数，v为原始图像像素值，h(v)为进行直方图均衡化操作后的像素值。3.根据权利要求1所述的基于WGAN
‑
GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S4包括以下步骤：步骤S41，对输入生成器的t张连续卫星云图序列，每相邻两张卫星云图进行计算得到一张光流图，共得到t
‑
1张光流图；步骤S42，构建双判别器WGAN
‑
GP网络中的生成器，生成器网络的结构依次有：输入层
→
光流提取层
→
三维卷积层1
→
三维卷积层2
→
三维卷积层3
→
三维卷积层4
→
上采样层1
→
上采样层2
→
上采样层3
→
上采样层4
→
融合层
→
输出层，三维卷积层1、三维卷积层2、三维卷积层3、三维卷积层4属于编码器部分，上采样层1、上采样层2、上采样层3、上采样层4属于解码器部分；步骤S43，构建双判别器WGAN
‑
GP网络中的判别器，判别器网络包括空间判别器与时间判别器，其中空间判别器网络的结构依次有：输入层
→
二维卷积层1
→
二维卷积层2
→
二维卷积层3
→
二维卷积层4
→
全连接层1
→
全连接层2
→
全连接层3
→
输出；步骤S44，构建双判别器WGAN
‑
GP网络中的判别器，其中时间判别器网络的结构依次有：
输入层
→
三维卷积层1
→
三维卷积层2
→
三维卷积层3
→
三维卷积层4
→
全连接层1
→
全连接层2
→
全连接层3
→
输出；步骤S45，将t
‑
1张光流图输入到生成器中，通过三维卷积层进行编码处理，再通过上采样层进行解码处理生成第t张光流图的预测；步骤S46，使用第t张光流图对第t张卫星云图进行重映射处理，生成第t+1张卫星云图的预测，重映射运算的公式为：p
t+1
(x,y)＝p
t
(x
‑
u,y
‑

【专利技术属性】
技术研发人员：谈玲，康瑞星，夏景明，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：