【技术实现步骤摘要】
一种地表太阳辐射预测方法及系统
[0001]本专利技术涉及一种地表太阳辐射预测方法及系统,属于数据预测
技术介绍
[0002]太阳能资源的间歇性与波动性直接导致光伏发电具有间歇性和不稳定性。高精度光伏电站的输出功率预测,可以为电网调度决策提供数据支持,保障光伏消纳,助力区域“3060”目标实现。而云对太阳的遮挡是造成地表太阳辐射随机衰减的最主要因素,称为云辐射强迫。结合地基云图与地表辐射观测来研究云对地面太阳辐射的衰减,是建立基于地基云图的光伏功率高精度预测模型的必要环节。
[0003]基于卷积神经网络方法的新一代图像识别方法近年来在各个产业领域得到广泛的研究和应用。首先利用已经在大规模图像集预训练过的卷积神经网络模型作为特征提取器,提取云图的特征向量,然后将某个时间段内多张云图图像提取的特征向量时间序列数据以及太阳辐射时序数据输入到循环神经网络,最终输出未来时刻太阳辐射成为可行的方案。现有的基于卷积神经网络的云图特征提取方法,充分利用了深度学习在提取图像深层特征方面的优势,在训练集足够大的情况下,可以自动提取稳定的云图图像特征。然而云图图像序列除了具有单张图片所具有的形状、色彩、纹理等静态特征,还存在云的移动、生消、形变等随时间变化的特征。虽然上述算法采用了时间连续的云图特征向量序列作为后端预测模型的输入,对于云的移动特征有比较好的刻画,但对于云的生消、形变等场景,通过2D卷积神经网络提取的多时刻云图特征向量之间相关性很弱,无法为后端预测模型提供有效的时变特征描述,预测精度降低。
[000 ...
【技术保护点】
【技术特征摘要】
1.一种地表太阳辐射预测方法,其特征在于,包括:获取用于预测的云图图像集,对云图图像集进行白天图像筛选、鱼眼畸变矫正和去除背景杂物预处理,得到云图时序序列;通过天文学规律计算大气层顶辐射,获取地表水平辐射测量值,根据预先构建的云辐射衰减率计算模型以及大气层顶辐射和地表水平辐射测量值确定云图时序序列对应的云辐射衰减时间序列数据;将云图时序序列和云辐射衰减时间序列数据输入到预先训练好的基于3D卷积神经网络构造的云辐射衰减预测模型,输出未来时刻的云辐射衰减预测,利用所述云辐射衰减率计算模型计算出未来地表水平辐射预测值。2.根据权利要求1所述的地表太阳辐射预测方法,其特征在于,所述获取用于预测的云图图像集,对云图图像集进行白天图像筛选、鱼眼畸变矫正和去除背景杂物预处理,得到云图时序序列,包括:步骤1.1,对全天空成像仪采集的带时标的云图图像集进行筛选,根据当地的经纬度查询每日的日出日落时间,从云图图像集中将日出日落时间之外的图像筛除出去;步骤1.2,使用黑白交替的方块棋盘作为标识物体,使用全天空成像仪在不同角度对其拍摄,调用OpenCV的摄像头标定函数对全天空成像仪的鱼眼镜头进行参数标定,得到镜头畸变矫正参数{k_1,k_2,p_1,p_2,k_3},其中,k_1,k_2,k_3为径向畸变矫正参数,p_1,p_2为切向畸变矫正参数;步骤1.3,利用镜头畸变矫正参数对所有的白天的云图图像进行畸变矫正,先对图像进行径向畸变矫正,然后对图像进行切向畸变矫正;其中,径向畸变矫正采用公式(1)和公式(2),切向畸变矫正采用公式(3)和公式(4);x
corr
=x(1+k1r2+k2r4+k3r6)(1)y
corr
=y(1+k1r2+k2r4+k3r6)
ꢀꢀ
(2)x
corr
=x+(2p1y+p2(r2+2x2))
ꢀꢀ
(3)y
corr
=y+(2p2x+p1(r2+2y2))
ꢀꢀ
(4)步骤1.4,其中,(x,y)为畸变点在云图图像中的原始坐标,(x
corr
,y
corr
)为矫正之后的坐标,r是畸变点到图像中心的径向距离;对畸变矫正后的云图图像中外圈被遮挡的像素点用黑色像素点替换;步骤1.5,将经过步骤1.1~步骤1.4处理后的云图图像的尺寸更改为224*224以满足卷积神经网络模型对输入的需求,得到云图时序序列。3.根据权利要求1所述的地表太阳辐射预测方法,其特征在于,所述通过天文学规律计算大气层顶辐射,获取地表水平辐射测量值,根据预先构建的云辐射衰减率计算模型以及大气层顶辐射和地表水平辐射测量值确定云图时序序列对应的云辐射衰减时间序列数据,包括:利用天文学规律,计算大气层顶太阳辐射I0,如公式(5);I0=I
sc
·
(1+0.033cos(2π
·
d/365))
·
cos(θ
z
)
ꢀꢀ
(5)其中,I
sc
为太阳常数,d为一年中当...
【专利技术属性】
技术研发人员:郁云,杨波,
申请(专利权)人:南京信息职业技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。