一种基于地基云图的超短期太阳辐射预测方法和系统与流程

1.本发明属于太阳辐射预测领域，尤其是涉及一种基于地基云图的超短期太阳辐射预测方法和系统。


背景技术：

2.由于到达地表的太阳辐射受季节、大气质量和天气状况等因素的影响使其在时间上具有较强的间歇性和波动性。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，可以为区域电网的调度计划决策提供重要的数据支持，促进区域光伏消纳。而光伏发电输出功率的准确预测主要依赖于对地表太阳辐射的准确预测。而气象因素如云、大气气溶胶、沙尘等对太阳辐射能量的衰减是导致地表太阳辐射能量的间歇性与波动性的因素，其中云对太阳的遮挡是造成地表太阳辐射随机衰减的主要因素。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全天空云图的地面太阳辐射预测模型的核心环节。
3.现有的较成熟的基于地基云图的太阳辐射预测方法，主要是根据云辐射衰减对云图进行分类，分析和提取了诸多色彩特征和纹理特征，包括相关性、边界频率、中心距等组成特征向量对云图进行分类。然后通过对未来不同种类云遮挡太阳的预测，实现对太阳辐射的预测。此类方法在一些学者的实验，取得了很好的效果。但由于地域差异所提取的特征未必有普遍适用性。对于大多数地区，不同季节可能受到不同程度的雾霾、高湿度天气的影响，导致云图上拍摄的高空云其色彩特征和纹理特征等均不稳定，仅仅依靠人工方法进行特征提取，不具备普适应，一旦气象条件发生变化，导致复杂背景与待识别目标云之间的轮廓特征、纹理特征差异性降低，最终可能导致目标识别精度的快速下降。


技术实现要素：

4.为克服上述现有技术的不足，本发明提出一种基于地基云图的超短期太阳辐射预测方法，包括：
5.获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；
6.将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；
7.将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；
8.基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；
9.其中，所述卷积神经网络模型是基于历史地基云图图像时序数据集训练得到的，所述循环神经网络模型是基于历史太阳辐射时序数据集和云图特征向量时序数据集训练得到的。
10.优选的，所述卷积神经网络模型的训练，包括：
11.将所述历史图像时序数据集中的图像按要求进行缩放后构造训练图像数据集；
12.对卷积神经网络模型的参数进行设置；
13.并利用设置好的卷积神经网络模型的参数对多个类型的卷积神经网络模型进行训练，根据训练集输出的精度确定卷积神经网络模型类型；
14.将所述训练图像数据集输入选定的卷积神经网络模型中，提取得到云图特征向量时序数据集。
15.优选的，所述卷积神经网络模型的参数，包括：
16.卷积神经网络的学习率、迭代次数、批处理大小、最后一个全连接层的输出以及卷积神经网络的交叉熵损失函数。
17.优选的，所述卷积神经网络的交叉熵损失函数包括如下计算式：
[0018][0019]
式中，l
cnn
为卷积神经网络的交叉熵损失函数，y为卷积神经网络输入数据的真实分类值，为卷积神经网络的输入数据的分类概率值。
[0020]
优选的，所述循环神经网络模型的训练，包括：
[0021]
设置循环神经网络模型的参数；
[0022]
将云图特征向量时序数据集中预测时刻之前一段时间对应的图像特征向量，以及太阳辐射时序数据集预测时刻之前一段时间对应的太阳水平总辐射值作为太阳辐射时间序列数据集；
[0023]
基于所述太阳辐射时间序列训练数据集，利用所述循环神经网络模型的参数进行训练，得到预测时刻太阳能辐射数据。
[0024]
优选的，所述循环神经网络模型的参数，包括：
[0025]
循环神经网络的学习率、迭代次数、批处理大小、序列长度、隐藏层节点数、网络层数以及循环神经网络的损失函数。
[0026]
优选的，所述循环神经网络的损失函数包括如下计算式：
[0027][0028]
式中，l
rnn
为循环神经网络的损失函数，y是循环神经网络输入数据的真实值，是循环神经网络输出数据的预测值，n是循环神经网络训练样本数量。
[0029]
优选的，所述获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集，包括：
[0030]
利用全天空成像仪采集预测时刻之前的地基云图图像数据以及利用测光设备采集预测时刻之前的太阳辐射数据；
[0031]
基于所述预测时刻之前的地基云图图像数据和预测时刻之前的太阳辐射数据获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集。
[0032]
优选的，利用全天空成像仪采集预测时刻之前的地基云图图像数据，包括：
[0033]
利用全天空成像仪采集原始云图图像数据；
[0034]
基于所述原始云图图像数据利用参数标定得到的镜头畸变矫正参数进行畸变矫正；
[0035]
将畸变矫正后的原始云图图像数据将预测时刻之前的进行归一化处理，得到预测时刻之前的地基云图图像数据；
[0036]
其中，所述畸变矫正，包括：径向畸变矫正和切向畸变矫正。
[0037]
基于同一发明构思，本发明还提供了一种基于地基云图的超短期太阳辐射预测系统，包括：获取模块、提取模块、预测模块和结果模块；
[0038]
获取模块，用于获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；
[0039]
提取模块，用于将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；
[0040]
预测模块，用于将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；
[0041]
结果模块，用于基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；
[0042]
其中，所述卷积神经网络模型是基于历史地基云图图像时序数据集训练得到的，所述循环神经网络模型是基于历史太阳辐射时序数据集和云图特征向量时序数据集训练得到的。
[0043]
与最接近的现有技术相比，本发明具有的有益效果如下：
[0044]
本发明实现了一种基于地基云图的超短期太阳辐射预测方法和系统，包括：获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；其中，所述卷积神经网络模型是基于历史地基云图图像时序数据集训练得到的，所述循环神经网络模型是基于历史太阳辐射时序数据集和云图特征向量时序数据集训练得到的；本发明不受地区和气象条件的影响，可以提高实时性和预测的精度，与此同时利用机器学习的方法进行特征提取，改善了人工提取的缺点，具有了较强的抗干扰性和鲁棒性，提高了复杂背景与待识别目标云之间的轮廓特征和纹理特征差异性的识别，提高了目标识别的精度。
附图说明
[0045]
图1为本发明提供的一种基于地基云图的超短期太阳辐射预测方法流程示意图；
[0046]
图2为本发明提供的实施例中的一种基于地基云图深度学习的超短期太阳辐射预测方法示意图；
[0047]
图3为本发明提供的一种基于地基云图的超短期太阳辐射预测系统结构示意图。
具体实施方式
[0048]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0049]
实施例1：
[0050]
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
[0051]
一种基于地基云图的超短期太阳辐射预测方法，如图1所示，包括：
[0052]
步骤1：获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；
[0053]
步骤2：将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；
[0054]
步骤3：将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；
[0055]
步骤4：基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；
[0056]
其中，所述卷积神经网络模型是基于历史地基云图图像时序数据集训练得到的，所述循环神经网络模型是基于历史太阳辐射时序数据集和云图特征向量时序数据集训练得到的。
[0057]
本发明要解决的技术问题是现有的基于地基云图的太阳辐射预测方法对云图图像质量、亮度等要求高，预测的精确性地区差异很大，受不同气象条件影响很大，导致推广价值不高的问题。为了解决上述技术问题，本发明提供了一种基于地基云图深度学习的超短期太阳辐射预测方法。整个方法包括预处理阶段、特征提取阶段和时间序列预测阶段。
[0058]
预处理阶段的任务是将用于预测的云图图片时序集进行畸变矫正，去除背景杂物等预处理。特征阶段通过将预处理后的云图图像集输入已经预训练的卷积神经网络模型进行特征向量提取。时间序列阶段将应用卷积神经网络模型提取的特征向量时间序列，结合太阳辐射的历史时间序列数据，输入到循环神经神经网络中，实现超短期太阳辐射预测。
[0059]
本实施例中整体流程如图2所示，包括如下内容：
[0060]
步骤1具体包括：
[0061]
步骤1
‑
1对全天空成像仪采集的云图图像首先进行筛选，挑选出白天的云图图像进行畸变矫正，然后去除图像中的建筑物、杆塔、树木等影响图像训练的障碍物。
[0062]
步骤1
‑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。在实际实施中，由于日出日落的首小时辐照度绝对值较小，可以根据各地的经纬度选择较宽的固定时间段，如5点～19点，也可满足算法要求。云图图像的采集频率至少5分钟/次，推荐频率1分钟/次。
[0063]
步骤1
‑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{k1，k2，p1，p2，k3}，其中，k1，k2，k3为径向畸变矫正参数，p1，p2为切向畸变矫正参数。在实际实施中，需要利用全天空成像仪拍摄至少10～15张不同角度的方块棋盘图片，要求棋盘面积不能超过图片视野面积的80％。
[0064]
步骤1
‑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)。
[0065]
x
corr
＝x(1 k1r2 k2r4 k3r6)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0066]
y
corr
＝y(1 k1r2 k2r4 k3r6)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0067]
x
corr
＝x (2p1y p2(r2 2x2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0068]
y
corr
＝y (2p2x p1(r2 2y2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0069]
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。
[0070]
步骤1
‑1‑
4，畸变矫正后的云图图像中外圈仍然存在建筑物、树木、杆塔等遮挡，将这些遮挡的像素点用黑色像素点(rgb值为(0，0，0))替换。
[0071]
步骤1
‑1‑
5，基于上述预处理步骤的云图图像历史数据构造图像
‑
时间序列数据集g
t_time
＝{(g
t
，time)}，其中g
t
为已预处理的云图图像，time是对应时标。在实际实施中，用于模型训练的g
t_time
中的云图图片数量不能少于10000张，时间跨度至少6个月。
[0072]
步骤1
‑
2利用测光设备采集太阳辐射数据。
[0073]
步骤2具体包括：将预处理云图图像历史数据输入经过imagenet公共训练集预训练的卷积神经网络，对模型进行权重微调。然后将预处理云图图像时序数据输入经过微调的卷积神经网络进行特征提取，输出云图特征向量时序数据。
[0074]
步骤2
‑
1，卷积神经网络模型的训练过程为：将图像
‑
时间序列数据集g
t_time
根据卷积神经网络模型m的输入要求，将图像宽高缩放为w*h，构造训练图像数据集g
c_time
＝{(g
c
，time)}，其中g
c
为已缩放的云图图像，time是对应时标。在实际实施中，考虑模型计算复杂度和精度的平衡，主流卷积神经网络模型要求的输入图片宽/高通常在200～300像素之间。例如resnet系列模型要求的输入图片尺寸是224*224。
[0075]
步骤2
‑
2，设置经过imagenet公共训练集预训练的卷积神经网络模型m的损失函数为交叉熵损失函数如公式(5)，根据实验效果，通常设置模型的学习率lr在0.01～0.001之间，根据计算资源的丰富程度迭代次数epoch设置为100次～500次之间，批处理大小batch_size根据gpu显存尺寸设置为8～32之间，为了保证模型收敛性，批处理大小不能低于8。将模型m的最后一个全连接层的输出设置为1000，表示经过模型训练输出1000维的特征向量。
[0076][0077]
其中，l
cnn
为卷积神经网络的交叉熵损失函数，y是训练样本的真实分类值(卷积神经网络输入数据的真实分类值)，是模型预测的分类概率值(卷积神经网络的输入数据的分类概率值)。
[0078]
步骤2
‑
3，将卷积神经网络模型m中除最后一个全连接层之外的网络权重进行冻结，然后将训练图像数据集g
c_time
输入到模型m利用步骤2
‑
2设置的参数进行训练，对模型m进行微调，仅训练最后一个全连接层的网络权重，输出经过微调的模型m
cnn
。对于卷积神经网络模型，通常会利用备选的几个主流模型如resnet50，resnet101，inceptionnet等，通过设定迭代次数100，先分别用几个备选模型对训练数据集进行试算，根据训练集输出的精度对比来选择合适的模型。
[0079]
步骤2
‑
4，将g
c_time
输入到模型m
cnn
，输出图像特征向量
‑
时间序列数据集f
c_time
＝{(f
c
，time)}。其中为云图图像g
c
对应的1000维特征向量，time是对应时标。
[0080]
步骤3具体包括：将云图特征向量时序数据和太阳能辐射时序数据输入循环神经网络(lstm)进行网络训练，训练目标是输出未来太阳能辐射数据。
[0081]
步骤3
‑
1，循环神经网络模型的训练过程为：设置循环神经网络模型lstm的参数，包括设置模型的学习率lr设置为0.01～0.001之间，迭代次数epoch根据计算资源情况设置为50～200之间，批处理大小batch_size至少为8，序列长度seq_len表示以过去几个时间点的值来预测未来的值，根据实验结果设置为5～10之间，隐藏层节点数hidden_size根据输
入层节点数量和输出层节点数据确定，通常设置在两者之间，网络层数num_layer为保证模型收敛性通常设为2以上等。设置循环神经网络lstm的损失函数为平方和损失函数如公式(6)。
[0082][0083]
其中，l
rnn
为循环神经网络的损失函数，y是训练样本的真实值(循环神经网络输入数据的真实值)，是模型输出的预测值(循环神经网络输出数据的预测值)。n是训练样本数量，通常训练样本数量不能低于10000。
[0084]
步骤3
‑
2，按照lstm的输入数据要求构造模型训练数据集。首先重构f
c_time
为其中，s即步骤3
‑
1中定义的序列长度。为从t
‑
s时刻到t
‑
1时刻对应的图像特征向量，t为对应时标。构造太阳辐射
‑
时间序列训练数据集其中，为从t
‑
s时刻到t
‑
l时刻对应的太阳水平总辐射值，t为对应时标。构造太阳辐射
‑
时间序列验证数据集其中为t时刻对应的太阳水平总辐射值，t为对应时标。对于回归问题，为保证模型精度，太阳水平总辐射值在作为输入前，需要预处理为归一化的值，即
[0085]
步骤3
‑
3，将f
train_time
，r
train_time
以及r
t_time
输入到lstm模型中进行训练，输出训练好的lstm模型m
rnn
。
[0086]
步骤3
‑
4将待预测的云图时间序列数据以及太阳辐射时间序列数据按照步骤3
‑
3之前的所有步骤构造模型预测输入数据集f
pred_time
和r
pred_time
，将预测输入数据集f
pred_time
和r
pred_time
中从t
‑
s时刻到t
‑
l时刻的云图图像特征向量和对应的水平总辐射值输入模型m
rnn
输出t时刻太阳辐射预测结果其中为t时刻对应的太阳水平总辐射预测值。
[0087]
实施例2：
[0088]
基于同一发明构思，本发明还提供了一种基于地基云图的超短期太阳辐射预测系统，由于这些设备解决技术问题的原理与一种基于地基云图的超短期太阳辐射预测方法相似，重复之处不再赘述。
[0089]
该系统，如图3所示，包括：
[0090]
获取模块、提取模块、预测模块和结果模块；
[0091]
获取模块，用于获取预测时刻之前的地基云图图像时序数据集和太阳辐射时序数据集；
[0092]
提取模块，用于将所述地基云图图像时序数据集输入到预先训练的卷积神经网络模型中提取云图特征向量时序数据集；
[0093]
预测模块，用于将所述太阳辐射时序数据集和所述云图特征向量时序数据集输入到预先建立的循环神经网络模型中，得到预测时刻太阳能辐射数据；
[0094]
结果模块，用于基于所述预测时刻太阳能辐射数据作为超短期太阳辐射预测结果；
[0095]
其中，所述卷积神经网络模型是基于历史地基云图图像时序数据集训练得到的，所述循环神经网络模型是基于历史太阳辐射时序数据集和云图特征向量时序数据集训练
得到的。
[0096]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0097]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0098]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0099]
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。