CN106897998A - 太阳能直射辐射强度信息预测方法和*** - Google Patents

Abstract

本发明涉及一种太阳能直射辐射强度信息预测方法和***，包括以下步骤：获取目标区域内云层信息图像和目标区域内太阳辐射值，提取目标区域内云层信息图像的图像特征值，根据目标区域内太阳辐射值和目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；利用实测的目标区域内的云层信息图像的图像特征值以及直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。上述该预测方法能预测太阳能直射辐射强度信息，并能大大提高太阳能直射辐射强度信息的准确性。

Description

太阳能直射辐射强度信息预测方法和***

技术领域

本发明涉及太阳能直射辐射强度信息预测技术，特别是涉及一种太阳能直射辐射强度信息预测方法和***。

背景技术

太阳能光伏发电技术是目前大力推广的新能源发电方式。正当光伏热在新能源产业领域高歌猛进之际，光伏发电产业在全球范围内如雨后春笋，在中国的发展更是如火如荼。例如，2010到2015的五年间，中国光伏装机量增长了50倍，预计到2020中国太阳能产业的年度总投资额将达到2000亿人民币，太阳能发电将达到150GW，将达到电网总发功率的10％。伴随着分布式光伏发电***对配电网渗透率日益提升，其对配电网经济及电能质量所产生的负面影响越来越大，已经成为迫切需要解决的问题。由于太阳能发电受到天气的影响，光伏发电企业需要对太阳能进行预测。

目前，常用的太阳能预测方法主要是预测太阳能辐射值，太阳能辐射值预测方法主要分为三大类分别为：基于历史气象数据和光伏发电数据的研究然后利于统计学方法进行分析建模、基于卫星云图资料数据和店面监测资料数据，通过卫星、雷达图像处理，计算出实时太阳能辐射的预报方法和基于天气预报的预测方法；然而太阳能包括直射和辐射强度信息，上述的预测方法难以预测太阳的直射轻强度信息，并且辐射强度预测不准确、误差很大。

发明内容

基于此，有必要针对现如今预测方法难以预测太阳直射强度信息且辐射预测不准确问题，提供一种太阳能直射辐射强度信息预测方法和***。

一种太阳能直射辐射强度信息预测方法，包括以下步骤：

获取目标区域内云层信息图像和目标区域内太阳辐射值；

提取所述目标区域内云层信息图像的图像特征值；

根据所述目标区域内的太阳辐射值和所述目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；

利用实测的目标区域内的云层信息图像的图像特征值以及所述直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。

一种太阳能直射辐射强度信息预测***，包括：

信息获取模块，用于获取目标区域内云层信息图像和目标区域内太阳辐射值；

特征值提取模块，用于提取所述目标区域内云层信息图像的图像特征值；

预测模型获取模块，用于根据所述目标区域内的太阳辐射值和所述目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；

直射辐射强度信息确定模块，用于利用实测的目标区域内的云层信息图像的图像特征值以及所述直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。

上述太阳能直射辐射强度信息预测方法和***，利用天空成像技术获取天空云层信息图像，以云层信息图像的图像特征值为核心，并以云层信息图像的图像特征值和太阳辐射值为样本进行训练学习获得直射辐射强度预测模型，然后利用实测的云层信息图像的图像特征值通过直射辐射强度预测模型预测目标区域内未来某时间段的太阳能直射辐射强度信息。上述该预测方法能预测太阳能直射辐射强度信息，并能大大提高太阳能直射辐射强度信息的准确性。

附图说明

图1是本发明的太阳能直射辐射强度信息预测方法在一个实施例中的流程示意图；

图2为本发明实施例中提取目标区域内云层信息图像的图像特征值的流程示意图；

图3为本实施例中利用实测的目标区域内的云层信息图像的图像特征值以及直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息的流程示意图；

图4为本发明的太阳能直射辐射强度信息预测方法在另一实施例中的流程示意图；

图5为本发明的太阳能直射辐射强度信息预测法方法整个过程的流程示意；

图6为本发明的太阳能直射辐射强度信息预测***在一个实施例中的结构示意图。

具体实施方式

下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然，下文所描述的实施例仅用于解释本发明，而非对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

图1是本发明的太阳能直射辐射强度信息预测方法在一个实施例中的流程示意图。如图1所示，本实施例中的太阳能直射辐射强度信息预测方法包括以下步骤：

步骤S110，获取目标区域内云层信息图像和目标区域内太阳辐射值。

在本实施例中，目标区域可以是任意区域，通常情况下，为光伏发电站所在位置区域。在获取目标区域内云层信息图像和目标区域内太阳辐射值之前，要采集相关的数据。在本实施例中，主要采集目标区域内的云层信息图像以及目标区域内的太阳辐射值。其中，采集目标区域内的云层信息图像，主要采集目标区域内天空图像，天空图像中包含大量云层信息，主要利用相机对准天顶角拍摄天空图像，进而从天空图像中采集云层信息。在图像拍摄过程中，要选择目标区域内不同的拍摄空间并且要拍摄多组图像。在测量目标区域内太阳辐射值是利用通用辐射测量设备对准目标区域内所需要的测量方向测量太阳的辐射强度信息。另外，在图像采集和太阳辐射值测量过程中要获取多个小时的数据，往往要采集不少于300小时数据。另外，在采集图像可以采用普通相机，在测量太阳能辐射值时可以采用任意的测量设备。

步骤S120，提取所述目标区域内云层信息图像的图像特征值。

提取图像特征值，即图像特征提取，可以是指使用计算机提取图像信息，也就是对图像进行一个运算处理，确定每个图像的点是否属于一个图像特征，图像特征提取往往是许多计算机算法分析的基础。常见的图像特征有颜色特征、文理特征、形状特征、空间关系特征。常用的特征提取方法有Fourier变换法、窗口Fourier变换(Gabor)、小波变换法、最小二乘法、边界方向直方图法、基于Tamura纹理特征提取等。在本实施例中，可以利用图像特征提取法提取目标区域内云层信息图像的图像特征值。在图像特征提取过程中，可以采用常用的特征提取方法，例如Fourier变换法、窗口Fourier变换(Gabor)、小波变换法、最小二乘法等。

步骤S130，根据所述目标区域内的太阳辐射值和所述目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；

训练学习，就是利用已经创建的数据集建立模型算法，并设置算法对应的参数，对整个算法进行评估。在本实施例中，主要以目标区域内的历史太阳辐射值和目标区域内历史云层信息的图像特征值为样本，进行训练学习，训练完成后获得直射辐射强度预测模型。

步骤S140，利用实测的目标区域内的云层信息图像的图像特征值以及直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。

在本实施例中，根据直射辐射强度预测模型，可以分析得出目标区域内的云层图像的图像特征值与太阳能直射辐射强度信息的对应的关系，因此将实时测量的目标区域内的云层信息图像的图像特征值输入直射辐射预测模型，就可以计算得到目标区域内太阳能直射辐射强度信息。

本发明中一种太阳能直射辐射强度信息预测方法，利用天空成像技术获取天空云层信息图像，以云层信息图像的图像特征值为核心，并以云层信息图像的图像特征值和太阳辐射值为样本进行训练学习，获得直射辐射强度预测模型，然后利用实测的云层信息图像的图像特征值通过直射辐射强度预测模型预测目标区域内未来某时间段的太阳能直射辐射强度信息。上述该预测方法操作过程简单易行，数据处理迅速、能预测太阳能直射辐射强度信息，得到的数据精确。此外，利用预测方法计算太阳能直射辐射强度信息时可以预测超短期(例如几分钟等)的太阳直射辐射强度信息，能有效克服现有预测方法中无法预测太阳能辐射强度在短时间内(几个小时甚至是几天内)的变化情况，并且实时性良好不会出现延迟。另外，本发明中采用图像特征提取方法提取天空中云层信息图像的图像特征值，该方法精度高，对图片的质量要求低，因此可以采用各类型的普通相机进行图像的采集，不依赖与昂贵的天空成像仪，大大节约成本。

进一步地，本实施例中，在以目标区域内的太阳辐射值和目标区域内云层信息的图像特征值为样本进行训练学习时，可以采用人工神经网络模型、支持向量机模型或最近邻居法模型。

人工神经网络(Artificial Neural Network，ANN)，主要从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。人工神经网络具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

支持向量机(Support Vector Machine，SVM)是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值，该算法简单，运行快，结果精确。

最近邻居法(K-Nearest Neighbor，KNN)，又叫K近邻算法，采用向量空间模型来分类，概念相同类别的案例，彼此的相似度高，从而可以借由计算与已知类别案例之相似度，来评估未知类别案列可能的分类，主要是通过计算样本个体间的距离或者相似度寻找与每个样本个体最相近的K个个体。该算法能运用范围非常广泛、训练资料容易建立，容易得出预测结果。

作为一种可选的实施方式，参照图2所示，提取目标区域内云层信息图像的图像特征值的过程中，包括以下步骤：

步骤S121，提取目标区域内云层信息图像的所有像素的红蓝比值。

在本实施例中，利用图像特征提取法，提取目标区域内云层信息图像的图像特征。在彩色图像中，每个像素点中除了包含图像的亮度信息还有图像的色彩信息，而图像中每个像素点都是由红、绿、蓝原色组成。因此，在本实施例中首先提取图像中所有像素的红蓝比值，根据图像中像素的红蓝比值确定图像的特征，提取的数据非常精确。

步骤S122，根据所有像素的红蓝比值确定云层信息图像的图像特征值，云层信息图像的图像特征值包括所有像素的红蓝比值的平均值、方差值以及熵值。

提取图像所有像素的红蓝比值，并对这些像素的红蓝比值进行计算，得到这些比值的平均值、方差以及熵值，并将这些比值的平均值、方差和熵值记为图像特征值。对图像特征值进行分析，从而提取出影响太阳辐射变化的信息，最后根据影响太阳辐射变化信息预测太阳直射辐射强度信息。利用图像特征提取法运行速度快，以图像像素红蓝比值作为图像特征，结果精确。

作为一种可选的实施方式，参照图3所示，利用实测的目标区域内的云层信息图像的图像特征值以及直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息的过程中，包括以下步骤：

所述太阳能直射辐射强度信息包括目标区域内目标时间段的太阳能直射辐射强度值、直射辐射强度方差、太阳能直射辐射强度概率分布以及太阳能直射辐射强度概率分布的置信区间；

步骤S141，将实测的目标区域内的云层信息图像的图像特征值输入直射辐射强度预测模型计算目标区域内目标时间段的太阳能直射辐射强度值和直射辐射强度方差。

步骤S142，根据目标区域内目标时间段的太阳能直射辐射强度值和直射辐射强度方差利用高斯分布模型确定太阳能辐射强度概率分布和太阳能直射辐射强度概率分布的置信区间。

在本实施例中，所述目标区域内目标时间段可以是未来任意时间段，例如是未来1h、30min、10h等。本发明中的预测方法主要是根据实测的目标区域内的云层信息图像的图像特征值输入直射辐射强度预测模型预测未来某个时间段太阳能直射辐射强度信息。

在本实施例中，可以采用MATLAB、python、java、C++IDE等平台加载学习模型，以目标区域内的云层信息图像的图像特征值和目标区域内的太阳辐射值为样本，进行训练学习。训练学习完成后得到直射辐射预测模型，输入新的目标区域内图像特征值到直射辐射预测模型可以计算出目标区域内目标时间太阳能直射辐射值及太阳能直射辐射值方差，并利用计算后的太阳直射辐射值和方差可采用高斯分布构建太阳能直射辐射强度的概率分布以及太阳能直射辐射强度的概率分布的置信区间。常用的太阳能预测方法得到的太阳能辐射值通常都是一个单独的点值，而天气变化是一个混沌***，影响因素较多，单纯预测一个点值误差非常大(方差常超过绝对值的50％)，本发明中的太阳能直射辐射预测方法可以计算出太阳能直射辐射强度的概率分布以及概率分布的置信区间，从而能有效检测该预测方法的准确性。

作为一种可选的实施方式，参照图4所示，获取目标区域内云层信息图像和目标区域内太阳辐射值之前，还包括以下步骤：

步骤S123，同步化目标区域内云层信息图像和所述目标区域内太阳辐射值，并组建统一的时间序列。

提取所述目标区域内云层信息图像的图像特征值的步骤包括：

步骤S124，根据时间序列提取目标区域内云层信息图像的图像特征值。

在获取目标区域内云层信息图像和目标区域内太阳辐射值之前，要对数据进行预处理，云层信息和太阳辐射值在实际过程中会根据时间序列的改变发生变化，因此要同步化目标区域内的云层信息图像和目标区域内的太阳辐射值，并组建统一的时间序列，减少了时间序列对数据的影响，保证了预测结果的有效性、准确性。

图5为本发明的太阳能直射辐射强度信息预测法方法整个过程的流程示意，由图5可知，本发明太阳能直射辐射强度信息预测法方法具体步骤为：拍摄天空图片、提取图像特征值；测量太阳辐射数据；将图像特征值和太阳辐射值为训练样本进行训练学习，训练完成后得到直射辐射预测模型；输入新的图像特征值到直射辐射预测模型，确定太阳直射辐射值、直射辐射方差以及预测直射辐射概率分布与置信区间。

根据上述本发明的短时期太阳能直射辐射强度信息预测方法，本发明还提供短时期太阳能直射辐射强度信息预测***，下面结合附图及较佳实施例对本发明的短时期太阳能直射辐射强度信息预测***进行详细说明。

图6为短时期太阳能直射辐射强度信息预测***在一个实施例中的结构示意图。如图6所示，该实施例中的短时期太阳能直射辐射强度信息预测***，包括：

信息获取模块10，用于获取目标区域内云层信息图像和目标区域内太阳辐射值；

特征值提取模块20，用于提取目标区域内云层信息图像的图像特征值；

预测模型获取模块30，用于根据目标区域内的太阳辐射值和目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；

直射辐射强度信息确定模块40，用于利用实测的目标区域内的云层信息图像的图像特征值以及直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。

进一步地，所述特征值确定模块20还包括：

像素比值提取模块21，用于提取目标区域内云层信息图像的所有像素的红蓝比值；

特征值计算模块22，用于根据所有像素的红蓝比值确定云层信息图像的图像特征值，所述云层信息图像的图像特征值包括所有像素的红蓝比值的平均值、方差值以及熵值。

进一步地，所述太阳能直射辐射强度信息包括目标区域内目标时间段的太阳能直射辐射强度值、直射辐射强度方差、太阳能直射辐射强度概率分布以及太阳能直射辐射强度概率分布的置信区间，所述直射辐射强度信息确定模块40包括：

强度值及方差确定模块41，用于将实测的目标区域内的云层信息图像的图像特征值输入直射辐射强度预测模型计算目标区域内目标时间段的太阳能直射辐射强度值和直射辐射强度方差。

概率分布及置信区间确定模块42，用于根据目标区域内目标时间段的太阳能直射辐射强度值和直射辐射强度方差利用高斯分布模型确定太阳能辐射强度概率分布和太阳能直射辐射强度概率分布的置信区间。

作为一种可选的实施方式，太阳能直射辐射强度信息预测***，还包括：还包括信息同步模块50，信息同步模块50，用于同步化所述目标区域内云层信息图像和目标区域内太阳辐射值，并组建统一的时间序列。

另外，特征值提取模块20根据时间序列提取目标区域内云层信息图像的图像特征值。

上述太阳能直射辐射强度信息预测***可执行本发明实施例所提供的太阳能直射辐射强度信息预测方法，具备执行方法相应的功能模块和有益效果。至于其中各个功能模块所执行的处理方法，例如像素比值提取模块21、特征值计算模块22、信息同步模块50等的处理方法，可参照上述方法实施例中的描述，此处不再进行赘述。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种太阳能直射辐射强度信息预测方法，其特征在于，包括以下步骤：

获取目标区域内云层信息图像和目标区域内太阳辐射值；

提取所述目标区域内云层信息图像的图像特征值；

根据所述目标区域内太阳辐射值和所述目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；

利用实测的目标区域内的云层信息图像的图像特征值以及所述直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。

2.根据权利要求1所述的太阳能直射辐射强度信息预测方法，其特征在于，提取所述目标区域内云层信息图像的图像特征值的过程中，包括以下步骤：

提取目标区域内云层信息图像的所有像素的红蓝比值；

根据所有像素的红蓝比值确定云层信息图像的图像特征值，所述云层信息图像的图像特征值包括所有像素的红蓝比值的平均值、方差值以及熵值。

3.根据权利要求1所述的太阳能直射辐射强度信息预测方法，其特征在于，所述太阳能直射辐射强度信息包括目标区域内目标时间段的太阳能直射辐射强度值、直射辐射强度方差、太阳能直射辐射强度概率分布以及太阳能直射辐射强度概率分布的置信区间。

4.根据权利要求3所述的太阳能直射辐射强度信息预测方法，其特征在于，利用实测的目标区域内的云层信息图像的图像特征值以及直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息的过程中，包括以下步骤：

将实测的目标区域内的云层信息图像的图像特征值输入直射辐射强度预测模型计算所述目标区域内目标时间段的太阳能直射辐射强度值和所述直射辐射强度方差；

根据所述目标区域内目标时间段的太阳能直射辐射强度值和所述直射辐射强度方差利用高斯分布模型确定所述太阳能辐射强度概率分布和太阳能直射辐射强度概率分布的置信区间。

5.根据权利要求1所述的太阳能直射辐射强度信息预测方法，其特征在于，在提取所述目标区域内云层信息图像的图像特征值之前，还包括以下步骤：

同步化所述目标区域内云层信息图像和所述目标区域内太阳辐射值，并组建统一的时间序列；

提取所述目标区域内云层信息图像的图像特征值的步骤包括：

根据时间序列提取目标区域内云层信息图像的图像特征值。

6.一种太阳能直射辐射强度信息预测***，其特征在于，包括：

信息获取模块，用于获取目标区域内云层信息图像和目标区域内太阳辐射值；

特征值提取模块，用于提取所述目标区域内云层信息图像的图像特征值；

预测模型获取模块，用于根据所述目标区域内的太阳辐射值和所述目标区域内云层信息的图像特征值进行训练学习，获取直射辐射强度预测模型；

直射辐射强度信息确定模块，用于利用实测的目标区域内的云层信息图像的图像特征值以及所述直射辐射强度预测模型确定目标区域内太阳能直射辐射强度信息。

7.根据权利要求6所述的太阳能直射辐射强度信息预测***，其特征在于，所述特征值提取模块还包括：

像素比值提取模块，用于提取目标区域内云层信息图像的所有像素的红蓝比值；

特征值计算模块，用于根据所有像素的红蓝比值确定云层信息图像的图像特征值，所述云层信息图像的图像特征值包括所有像素的红蓝比值的平均值、方差值以及熵值。

8.根据权利要求6所述的太阳能直射辐射强度信息预测***，其特征在于，所述太阳能直射辐射强度信息包括目标区域内目标时间段的太阳能直射辐射强度值、直射辐射强度方差、太阳能直射辐射强度概率分布以及太阳能直射辐射强度概率分布的置信区间，所述直射辐射强度信息确定模块包括：

强度值及方差确定模块，用于将实测的目标区域内的云层信息图像的图像特征值输入直射辐射强度预测模型计算所述目标区域内目标时间段的太阳能直射辐射强度值和所述直射辐射强度方差；

概率分布及置信区间确定模块，用于根据所述目标区域内目标时间段的太阳能直射辐射强度值和所述直射辐射强度方差利用高斯分布模型确定所述太阳能辐射强度概率分布和太阳能直射辐射强度概率分布的置信区间。

9.根据权利要求6所述的太阳能直射辐射强度信息预测***，其特征在于，还包括信息同步模块：

所述信息同步模块，用于所述同步化所述目标区域内云层信息图像和所述目标区域内太阳辐射值，并组建统一的时间序列

所述特征值提取模块根据时间序列提取目标区域内云层信息图像的图像特征值。