融合表面网格模型和深度学习的城市光伏潜力计算方法技术

本发明专利技术公开了一种融合表面网格模型和深度学习的城市光伏潜力计算方法，根据城市建筑物的倾斜摄影测量影像构建表面网格模型，处理速度快且能够提高太阳辐射计算的精度，由于表面网格模型中三角形面片之间的空间关系明显，深度神经网络模型可以更好地学习和捕捉三角形面片之间的相互关系，再结合从气候区数据、天气数据提取的特征，能够准确地预测每个三角形面片的太阳辐射量，实现目标城市内所有建筑物的太阳辐射值的计算从而获得城市光伏利用潜力。计算效率高、准确性高。准确性高。准确性高。

【技术实现步骤摘要】
融合表面网格模型和深度学习的城市光伏潜力计算方法


[0001]本专利技术涉及光伏发电
，尤其涉及的是一种融合表面网格模型和深度学习的城市光伏潜力计算方法及系统。

技术介绍

[0002]城市是一个复杂的环境，高层建筑越来越多，太阳辐射分布非常不均匀，尤其是建筑表面的动态阴影对太阳能利用影响很大，量化建筑表面可用的太阳辐射量，评估城市建筑上分布式光伏能源的发电潜力，对城市提高能源效率，优化能源结构有着重要的作用。
[0003]准确快速地获取建筑表面太阳辐射值对于计算城市光伏利用潜力至关重要。传统上，辐射量测算的方式是采用总辐射传感器获取，但由于真实的城市街区屋面难以大规模安装传感器，同时实地测量的方法耗时耗力，难以大规模开展；而基于物理的仿真模型计算建筑表面的太阳辐射，计算量大，受到其复杂模型开发和工程条件的约束，计算效率低，且仿真模型难以准确反映实际建筑，计算结果不够准确。
[0004]因此，现有技术有待改进和提高。

技术实现思路

[0005]本专利技术的主要目的在于提供一种融合表面网格模型和深度学习的城市光伏潜力计算方法、系统、智能终端及存储介质，能够解决目前计算城市光伏利用潜力时计算效率低、计算结果不够准确的问题。
[0006]为了实现上述目的，本专利技术第一方面提供一种融合表面网格模型和深度学习的城市光伏潜力计算方法，所述方法包括：
[0007]获取目标城市建筑物的倾斜摄影测量影像；
[0008]基于所述倾斜摄影测量影像，根据三角法构建目标城市建筑物的表面网格模型；
[0009]根据所述表面网格模型获得所述目标城市每个街区的气候区数据；
[0010]获取天气数据；
[0011]将所述表面网格模型的模型数据、所述天气数据和所述气候区数据输入预先训练好的深度神经网络模型，获得每个三角形面片的太阳辐射强度，所述三角形面片用于组成建筑物的表面网格模型；
[0012]根据所有三角形面片的太阳辐射强度，获得目标城市内所有建筑物的太阳辐射值；
[0013]根据所述太阳辐射值，获得城市光伏利用潜力。
[0014]可选的，基于经验模型针对不同时刻生成目标城市建筑物太阳辐射场景的数据集作为训练深度神经网络模型的样本数据，根据样本数据训练所述深度神经网络模型，包括：
[0015]计算样本数据对应时刻的太阳位置，获得太阳高度角和太阳方位角；
[0016]计算太阳光辐射能量在不同波长下的分布，获得太阳光谱信息；
[0017]根据大气条件计算大气光传输的系数；
[0018]计算太阳光从空气到介质表面的反射率；
[0019]根据所述太阳高度角和所述太阳方位角、所述太阳光谱信息、所述大气光传输的系数、所述反射率计算各个三角形面片的年太阳辐射值；
[0020]将所述样本数据和所述年太阳辐射值输入所述深度神经网络模型以训练所述深度神经网络模型。
[0021]可选的，所述计算样本数据对应时刻的太阳位置，获得太阳高度角和太阳方位角，包括：
[0022]根据样本数据对应时刻的天数，计算黄道坐标系中太阳的平黄经和平黄纬；
[0023]将所述平黄经和平黄纬转换为赤道坐标系中的赤经和赤纬；
[0024]将所述赤经和赤纬转换为所述太阳高度角和所述太阳方位角。
[0025]可选的，所述根据所述表面网格模型获得所述目标城市每个街区的气候区数据，包括：
[0026]将所述表面网格模型输入预先训练好的随机森林分类器，获得所述目标城市每个街区的类别，根据各个街区的类别获得所述目标城市每个街区的气候区数据。
[0027]可选的，训练所述随机森林分类器，包括：
[0028]根据城市中的道路，将所述目标城市划分为若干个街区；
[0029]根据所述表面网格模型的附加属性信息获得每个街区的形态数据；
[0030]根据所述形态数据和气候区的分类标准，获得所述街区的类别；
[0031]根据所述类别标注训练样本，将标注后的训练样本输入所述随机森林分类器进行训练。
[0032]本专利技术第二方面提供融合表面网格模型和深度学习的城市光伏潜力计算系统，其中，上述系统包括：
[0033]影像获取模块，用于获取目标城市建筑物的倾斜摄影测量影像；
[0034]表面网格模型模块，用于基于所述倾斜摄影测量影像，根据三角法构建目标城市建筑物的表面网格模型；
[0035]气候区数据模块，用于根据所述表面网格模型获得所述目标城市每个街区的气候区数据；
[0036]天气数据模块，用于获取天气数据；
[0037]太阳辐射强度模块，用于将所述表面网格模型的模型数据、所述天气数据和所述气候区数据输入预先训练好的深度神经网络模型，获得每个三角形面片的太阳辐射强度，所述三角形面片用于组成建筑物的表面网格模型；
[0038]太阳辐射值模块，用于根据所有三角形面片的太阳辐射强度，获得目标城市内所有建筑物的太阳辐射值；
[0039]光伏利用潜力模块，用于根据所述太阳辐射值，获得城市光伏利用潜力。
[0040]可选的，还包括训练模块，所述训练模块用于将基于经验模型针对不同时刻生成的目标城市建筑物太阳辐射场景的数据集作为训练深度神经网络模型的样本数据，并根据样本数据训练所述深度神经网络模型，所述训练模块包括：
[0041]计算样本数据对应时刻的太阳位置，获得太阳高度角和太阳方位角；
[0042]计算太阳光辐射能量在不同波长下的分布，获得太阳光谱信息；
[0043]根据大气条件计算大气光传输的系数；
[0044]计算太阳光从空气到介质表面的反射率；
[0045]根据所述太阳高度角和所述太阳方位角、所述太阳光谱信息、所述大气光传输的系数、所述反射率计算各个三角形面片的年太阳辐射值；
[0046]将所述样本数据和所述年太阳辐射值输入所述深度神经网络模型以训练所述深度神经网络模型。
[0047]可选的，还包括随机森林分类器，所述随机森林分类器用于根据输入的表面网格模型获得所述目标城市每个街区的类别并根据各个街区的类别获得所述目标城市每个街区的气候区数据。
[0048]本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的融合表面网格模型和深度学习的城市光伏潜力计算程序，上述融合表面网格模型和深度学习的城市光伏潜力计算程序被上述处理器执行时实现任意一项上述融合表面网格模型和深度学习的城市光伏潜力计算方法的步骤。
[0049]本专利技术第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有融合表面网格模型和深度学习的城市光伏潜力计算程序，上述融合表面网格模型和深度学习的城市光伏潜力计算程序被处理器执行时实现任意一项上述融合表面网格模型和深度学习的城市光伏潜力计算方法的步骤。
[0050]由上可见，与现有技术相比，本专利技术根据城市建筑物的倾斜本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合表面网格模型和深度学习的城市光伏潜力计算方法，其特征在于，所述方法包括：获取目标城市建筑物的倾斜摄影测量影像；基于所述倾斜摄影测量影像，根据三角法构建目标城市建筑物的表面网格模型；根据所述表面网格模型获得所述目标城市每个街区的气候区数据；获取天气数据；将所述表面网格模型的模型数据、所述天气数据和所述气候区数据输入预先训练好的深度神经网络模型，获得每个三角形面片的太阳辐射强度，所述三角形面片用于组成建筑物的表面网格模型；根据所有三角形面片的太阳辐射强度，获得目标城市内所有建筑物的太阳辐射值；根据所述太阳辐射值，获得城市光伏利用潜力。2.如权利要求1所述的融合表面网格模型和深度学习的城市光伏潜力计算方法，其特征在于，基于经验模型针对不同时刻生成目标城市建筑物太阳辐射场景的数据集作为训练深度神经网络模型的样本数据，根据样本数据训练所述深度神经网络模型，包括：计算样本数据对应时刻的太阳位置，获得太阳高度角和太阳方位角；计算太阳光辐射能量在不同波长下的分布，获得太阳光谱信息；根据大气条件计算大气光传输的系数；计算太阳光从空气到介质表面的反射率；根据所述太阳高度角和所述太阳方位角、所述太阳光谱信息、所述大气光传输的系数、所述反射率计算各个三角形面片的年太阳辐射值；将所述样本数据和所述年太阳辐射值输入所述深度神经网络模型以训练所述深度神经网络模型。3.如权利要求2所述的融合表面网格模型和深度学习的城市光伏潜力计算方法，其特征在于，所述计算样本数据对应时刻的太阳位置，获得太阳高度角和太阳方位角，包括：根据样本数据对应时刻的天数，计算黄道坐标系中太阳的平黄经和平黄纬；将所述平黄经和平黄纬转换为赤道坐标系中的赤经和赤纬；将所述赤经和赤纬转换为所述太阳高度角和所述太阳方位角。4.如权利要求1所述的融合表面网格模型和深度学习的城市光伏潜力计算方法，其特征在于，所述根据所述表面网格模型获得所述目标城市每个街区的气候区数据，包括：将所述表面网格模型输入预先训练好的随机森林分类器，获得所述目标城市每个街区的类别，根据各个街区的类别获得所述目标城市每个街区的气候区数据。5.如权利要求4所述的融合表面网格模型和深度学习的城市光伏潜力计算方法，其特征在于，训练所述随机森林分类器，包括：根据城市中的道路，将所述目标城市划分为若干个街区；根据所述表面网格模型的附加属性信息获得每个街区的形态数据；根据所述形态数据和气候区的分类标准，获得所述街区的类别；根据所述类别标注训练样本，将标注后的训练样本输入所述随机森林分类器进行训练。6.融合表面网格模型和深度学习的城市光伏潜力计算系统，其特征...

【专利技术属性】
技术研发人员：涂伟，陈夏娜，余俊娴，夏吉喆，贺彪，贺弢，李清泉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：