CN107133685A - 光伏发电***发电量的预测方法及预测*** - Google Patents

光伏发电***发电量的预测方法及预测*** Download PDF

Info

Publication number
CN107133685A
CN107133685A CN201610109906.6A CN201610109906A CN107133685A CN 107133685 A CN107133685 A CN 107133685A CN 201610109906 A CN201610109906 A CN 201610109906A CN 107133685 A CN107133685 A CN 107133685A
Authority
CN
China
Prior art keywords
sky
predetermined time
ratio
picture
shared
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610109906.6A
Other languages
English (en)
Other versions
CN107133685B (zh
Inventor
蔡涛
刘方诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201610109906.6A priority Critical patent/CN107133685B/zh
Publication of CN107133685A publication Critical patent/CN107133685A/zh
Application granted granted Critical
Publication of CN107133685B publication Critical patent/CN107133685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种光伏发电***发电量的预测方法及***，该预测方法先利用第一预设时刻对应的天空图片中云层面积所占天空面积的比例，估算第二预设时刻对应的天空中云层面积所占天空面积的比例，再利用第二预设时刻对应的天空中云层面积所占天空面积的比例计算第二预设时刻的太阳总辐射，最后利用第二预设时刻的天阳总辐射和温度，预测第二预设时刻光伏发电***的发电量。本发明实施例所提供的光伏发电***发电量的预测方法在误差允许范围内，延长了可以预测的时间。

Description

光伏发电***发电量的预测方法及预测***
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种光伏发电***发电量的预测方法和预测***。
背景技术
近年来，越来越多的光伏发电***接入电网运行，然而其发电功率的随机性和间歇性对电力***的经济、安全和可靠运行产生的负面影响也日益突出，因此，迫切需要对光伏发电***发电量进行准确预测，以便于可以采取相应的技术措施抑制或补偿光伏发电功率的波动，来保证电力***的经济、安全和可靠运行。
目前光伏发电***发电量短期预测方法主要采用间接预测法，即先利用光伏发电站处历史气象观测数据预测太阳辐照度，然后借助神经网络或工程计算公式预测光伏发电站的输出功率或发电量。其中，所述太阳辐照度的预测方法均是通过天空成像***采集天空图片，对天空图片进行二值化处理，获得当前时刻天空图片中云层的质心，再通过对比邻近时刻天空图片中云层的质心来判断云层的运动轨迹，从而分析云层在未来一段时间内对光伏发电***的遮挡情况，并以此预测未来时刻的太阳辐照度。
但是，由于云层在较长时间内的形状和运动轨迹有可能发生比较大的改变，当某一片云层未进入或者已经离开天空成像***的当前视野时，会对其出现前后的云层运动轨迹分析产生阶跃影响，增大预测误差，使得无法通过天空成像***来预测这段时间内云层的运动轨迹，从而导致上述预测方法中通过天空成像***获取的云层运动轨迹较为有限，造成现有技术中光伏发电***发电量的预测方法在预测误差允许范围内，可以预测的时间较为有限，即只能预测未来较短时间内(如2个小时以内)的光伏发电***的发电量，而无法预测较长时间内(如2个小时以外)的光伏发电***的发电量。
发明内容
为解决上述技术问题，本发明实施例提供了一种光伏发电***发电量的预测方法，以延长可以预测光伏发电***发电量的时间。
为解决上述问题，本发明实施例提供了如下技术方案：
第一方面，本发明实施例提供了一种光伏发电***发电量的预测方法，包括：
设置至少一个第一预设时刻；
采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例；
根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射；
根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
结合第一方面，在第一方面的第一种可能的实现方式中，需要指出的是，所述预设云量预测函数关系式的获取方法包括：
按照时间顺序采集至少两个时刻的天空图片，获得所述至少两个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例；
根据所述至少两个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积的比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数；
根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
结合第一方面第一种可能的实现方式，在第二种可能的实现方式中，需要指出的是，所述预设云量预测函数关系式的获取方法还包括：
对所述预设云量预测函数关系式的预测结果进行验证；
当所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正。
结合第一方面第二种可能的实现方式，在第三种可能的实现方式中，需要指出的是，所述对所述预设云量预测函数关系式的预测结果进行验证包括：
采集至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积比例，记为第一比例；
采集第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；
计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内。
结合第一方面上述任一种可能的实现方式，在第四种可能的实现方式中，需要指出的是，根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射包括：
根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。
结合第一方面上述任一种可能的实现方式，在第五种可能的实现方式中，需要指出的是，所述根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量之前还包括：
采集预设位置至少一个第一预设时刻的温度；
将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。
可选的，所述预设温度预测函数关系式的获取方法包括：
按照时间顺序采集预设位置至少两个时刻的温度，统计不同时刻对应的温度之间的关系，获得温度的时间序列函数；
根据所述温度的时间序列函数，建立预设温度预测函数关系式。
可选的，所述建立预设温度预测函数关系式之后，所述预测方法还包括：
对所述预设温度预测函数关系式的预测结果进行验证；
当所述预设温度预测函数关系式的预测结果与实际测量结果的误差超出第二预设误差范围时，对所述预设温度预测函数关系式进行修正。
可选的，所述对所述预设温度预测函数关系式的预测结果进行验证，包括：
采集预设位置至少一个第五预设时刻的温度；
将所述第五预设时刻对应的温度代入所述预设温度预测函数关系式，预测第六预设时刻的温度；
采集第六预设时刻的实际温度，计算所述第六时刻的预测温度和实际温度之间的误差。
结合第一方面上述任一种可能的实现方式，在第六种可能的实现方式中，需要指出的是，所述根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量包括：
将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。
第二方面，本发明实施例提供了一种光伏发电***发电量的预测***，该***包括：
第一采集模块，用于预先设置至少一个第一预设时刻，采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
第一计算模块，用于将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例；
第二计算模块，用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射；
第三计算模块，用于根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
结合第二方面，在第二方面第一种可能的实现方式中，需要指出的是，该***还包括：建立模块，所述建立模块包括：
第一采集单元，用于按照时间顺序采集多个时刻的天空图片，获得所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例；
第一统计单元，用于根据所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积的比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数；
第一建立单元，用于根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
结合第二方面第一种可能的实现方式，在第二种可能的实现方式中，需要指出的是，所述建立模块还包括：
验证单元，用于对所述预设云量预测函数关系式的预测结果进行验证，并在所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正。
结合第二方面第二种可能的实现方式，在第三种可能的实现方式中，需要指出的是，所述验证单元用于对所述预设云量预测函数关系式的预测结果进行验证时具体用于：
采集至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积比例，记为第一比例；
采集第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；
计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内。
结合第二方面上述任一种可能的实现方式，在第四种可能的实现方式中，需要指出的是，所述第二计算模块用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。
结合第二方面上述任一种可能的实现方式，在第五种可能的实现方式中，需要指出的是，该***还包括：
第二采集模块，用于采集预设位置至少一个第一预设时刻的温度；
第四计算模块，用于将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。
可选的，所述建立模块还包括：
第二采集单元，用于按照时间顺序采集预设位置多个时刻的温度；
第二统计单元，用于统计不同时刻对应的温度之间的关系，获得温度的时间序列函数；
第二建立单元，用于根据所述温度的时间序列函数，建立预设温度预测函数关系式。
可选的，所述建立模块还包括：
验证单元，用于对所述预设温度预测函数关系式的预测结果进行验证，当所述预设温度预测函数关系式的预测结果与实际测量结果的误差超出第二预设误差范围时，对所述预设温度预测函数关系式进行修正。
可选的，所述验证单元用于对所述预设温度预测函数关系式的预测结果进行验证时具体用于：
采集预设位置至少一个第五预设时刻的温度；
将所述第五预设时刻对应的温度代入所述预设温度预测函数关系式，预测第六预设时刻的温度；
采集第六预设时刻的实际温度，计算所述第六时刻的预测温度和实际温度之间的误差，判断所述第六时刻的预测温度和实际温度之间的误差是否在第二预设误差范围内。
结合第二方面上述任一种可能的实现方式，在第六种可能的实现方式中，需要指出的是，
所述第三计算模块用于将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。
与现有技术相比，上述技术方案具有以下优点：
本发明实施例所提供的光伏发电***发电量的预测方法，是先利用第一预设时刻对应的天空图片中云层面积所占天空面积的比例，估算第二预设时刻对应的天空中云层面积所占天空面积的比例，再利用第二预设时刻对应的天空中云层面积所占天空面积的比例计算第二预设时刻的太阳总辐射，最后利用所述第二预设时刻的天阳总辐射和温度，预测第二预设时刻光伏发电***的发电量。在本实施例中，由于天空图片中云层面积所占天空面积的比例具有平均化的特性，因此，即便有云层突然出现或离开天空成像***的当前视野，所述天空图片中云层面积所占面积比例也是发生连续的变化，而不会发生大幅的阶跃，从而使得利用本发明实施例所提供的光伏发电***发电量的预测方法在预测第二预设时刻的太阳总辐射时，当有云层突然出现或离开天空成像***的当前视野，不会发生瞬间增大误差的情况，提高了该太阳总辐射预测方法的准确度，即在相同误差允许范围内，延长了本发明实施例所提供的预测方法可以预测的时间，即延长了预测光伏发电***发电量的时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的光伏发电***发电量预测方法的流程示意图；
图2为本发明一个实施例所提供的光伏发电***发电量预测方法中，采集的第一预设时刻对应的天空图片；
图3为将图2中第一预设时刻对应的天空图片由RGB色彩空间转换到HSI色彩空间后的图片；
图4为本发明一个实施例所提供的光伏发电***发电量的预测***的结构示意图；
图5为本发明另一个实施例所提供的光伏发电***发电量的预测***的结构示意图；
图6为本发明又一个实施例所提供的光伏发电***发电量的预测***的结构示意图；
图7为本发明另一个实施例所提供的光伏发电***发电量的预测***的结构示意图；
图8为本发明又一个实施例所提供的光伏发电***发电量的预测***的结构示意图。
具体实施方式
正如背景技术部分所述，现有技术中光伏发电***发电量的预测方法在误差允许范围内，可以预测光伏发电***发电量的时间较为有限。
有鉴于此，本发明实施例提供了一种光伏发电***发电量的预测方法，该方法包括：
设置至少一个第一预设时刻；
采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例；
根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射；
根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
在本发明实施例中，由于天空图片中云层面积所占天空面积的比例具有平均化的特性，因此，即便有云层突然出现或离开天空成像***的当前视野，所述天空图片中云层面积所占面积比例也是发生连续的变化，而不会发生大幅的阶跃，从而使得利用本发明实施例所提供的光伏发电***发电量的预测方法在预测第二预设时刻的太阳总辐射时，当有云层突然出现或离开天空成像***的当前视野，不会发生瞬间增大误差的情况，提高了该太阳总辐射预测方法的准确度，即在相同误差允许范围内，延长了本发明实施例所提供的预测方法可以预测的时间，即延长了预测光伏发电***发电量的时间。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明实施例提供了一种光伏发电***发电量的预测方法，如图1所述，该预测方法包括：
S10：设置至少一个第一预设时刻。需要说明的是，在本发明实施例中，所述光伏发电***发电量的预测方法在具体使用时，可以设置一个第一预设时刻，也可以设置多个第一预设时刻，本发明对此并不做限定，具体视情况而定。还需要说明的是，在本发明实施例中，所述第一预设时刻为当前时刻之前的某时刻。
S11：采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌。
在上述实施例的基础上，在本发明的一个实施例中，所述天空图片通过天空成像***拍摄获得。由于所述天空成像***的拍摄范围有限，在本发明的一个实施例中，当所述天空成像***拍摄的单张图片中对应的天空区域能够完全覆盖所述光伏发电***中的光伏发电站的全貌时，所述天空图片为所述天空成像***拍摄的单张图片；当所述天空成像***拍摄的单张图片中对应的天空区域仅能覆盖所述光伏发电***中光伏发电站全貌的局部结构时，所述天空图片为利用所述天空成像***拍摄的单张图片拼接而得，本发明对此并不做限定，只要保证所述天空图片中对应的天空区域能够完全覆盖所述光伏发电***中光伏发电站的全貌即可。
在上述任一实施例的基础上，在本发明的一个实施例中，所述获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例包括：
将所述天空图片由RGB色彩空间转换为HSI色彩空间，其中，HSI(Hue，Saturation，Intensity)色彩空间是从人的视觉***出发，用色调(Hue)、色饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来描述色彩。
利用K均值聚类方法将所述天空图片中的像素划分为白云、蓝天和背景三类，计算所述第一预设时刻对应的天空图片中白云面积所占白云面积和蓝天面积之和的比例，即所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例。其中，背景是指所述天空图片中除了白云和蓝天外的其他景色，如建筑物、树木等。需要说明的是，所述背景对应的区域属于现场干扰，在对所述天空图片进行处理的过程中是需要去除的。
具体的，在本发明的一个实施例中，对于白云、蓝天和背景三类的划分可以通过像素色彩来进行识别，首先对各像素的亮度进行判断，设定亮度阈值，若某像素的亮度低于亮度阈值，则该像素所在的区域为背景。若某像素的亮度大于亮度阈值，则对其进行RGB分离，设定红蓝比例阈值，若该像素中所包含的红色分量与蓝色分量的比值大于红蓝比例阈值，则该像素表示为云层，若该像素中红色分量与蓝色分量比值小于红蓝比例阈值，则该像素表示蓝天。
还需要说明的是，在上述实施例中，K均值聚类算法具有简洁、高效的特点，是所有聚类算法中最广泛使用、最著名的划分聚类算法。具体的，在给定一个数据点集合和需要的聚类数目K的前提下，K均值算法根据某个距离函数反复把数据分入K个聚类中。其中，K为聚类数目，由用户指定。在本发明实施例中，将天空图片中的像素分为白云、蓝天和背景三类，故在本发明实施例中，K为3。
如图2和图3所示，其中，图2为所述天空成像***拍摄的天空图片，图3为所述天空图片由RGB色彩空间转换为HSI色彩空间后的图片，从图3中可以看出，转换后的图片中，除去黑色的图片背景外，该图片分为三类，其中，白色区域B对应白云，蓝色区域A对应蓝天，深褐色区域C对应背景，从而可以根据该图片很容易的区分白云、蓝天和背景对应的区域，进而计算出该图片中云层面积所占天空面积的比例，即所述天空图片中云层面积占云层面积与蓝天面积之和的比例。
需要说明的是，由于基于色彩分割方法中没有考虑图像邻域相关性，属于对各像素进行独立辨识，使得辨识后的图像结果容易受到噪声影响，例如，对图像进行分割之后，很可能在大片白云区域内出现若干蓝色像素斑点，或是大片蓝色区域内出现若干白色像素斑点，从而扩大噪声对于图像辨识结果的影响。为降低拍摄噪声对图像辨识结果的干扰，在上述实施例的基础上，在本发明的一个实施例中，结合Markov随机场理论，在传统模糊C均值(FCM)聚类分割中引入关于空间相邻信息的统计特性，建立相邻像素之间的色彩概率关联，根据空间连续性约束的FCM方法对初始分割图像再次分割，降低相邻像素点出现色彩大幅变化的几率，从而抑制噪声的影响，最终得到白云、蓝天和背景3类空间连续的区域，并根据色彩特性识别出白云，最后计算出白云对应区域所占蓝天对应区域和白云对应区域之和的比例。
还需要说明的是，由于Markov随机场理论和传统模糊C均值(FCM)聚类分割技术已为本领域人员所公知，本发明对此不再详细赘述。
具体的，在本发明的一个实施例中，将所述天空图片由RGB色彩空间转换为HSI色彩空间的图片后，将其划分成多个小方格，并统计出该图片中白云对应区域所占方格数以及该图片中蓝天对应区域和白云对应区域所占方格总数，从而利用该图片中白云对应区域所占方格数/该图片中蓝天对应区域和白云对应区域所占方格总数，计算出该图片中云层面积所占天空面积的比例。
需要说明的是，在本发明实施例中，将所述天空图片由RGB色彩空间转换为HSI色彩空间的图片后，划分成的方格数目越多，每个方格的面积越小，所计算出该图片中云层面积所占天空面积的比例越精确，相应的，其计算量也相应大一些，本发明对此并不做限定，具体视情况而定。
S12：将所述第一预设时刻对应的天空图片中云层面积所占天空面积比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例。其中，所述第二预设时刻为当前时刻之后的某时刻，即未来某时刻。
需要说明的是，在本发明的一个实施例中，所述第一预设时刻的数量为一个，相应的，所述预设云量预测函数关系式具有一个输入参数和一个输出结果，将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式后获得一个第二预设时刻天空中云层面积所占天空面积的比例；在本发明的另一个实施例中，所述第一预设时刻的数量为N个，相应的，所述预设云量预测函数关系式具有N个输入参数和N个输出结果，将N个所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式后获得N个第二预设时刻天空中云层面积所占天空面积的比例，其中，所述N个第一预设时刻为N个不同时刻点的预设时刻，所述N个第二预设时刻为N个不同时刻点的预设时刻，N为大于1的正整数。
还需要说明的是，当所述预设云量预测函数关系式具有N个输入参数和N个输出结果时，所述N个输出结果与所述N个输入参数并不一定一一对应，具体视所述预设云量预测函数关系式而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述预设云量预测函数关系式的获取方法包括：
按照时间顺序采集至少两个时刻的天空图片，获得所述至少两个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例；
根据所述至少两个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数；
根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
在上述实施例的基础上，在本发明的一个实施例中，根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式为根据所述天空图片中云层面积所占天空面积比例的时间序列函数，采用自回归(AR)模型，建立预设云量预测函数关系式。
需要说明的是，所述天空图片中云层面积所占天空面积比例的时间序列是指按照时间先后顺序排列而成的天空图片中云层面积所占天空面积的比例数列。由于天空中云层所占比例数列并不是一个平稳随机的过程，而是既可以表现出日周期性，又可以表现出季周期性。而且，使用时间序列是以连续性原理为依据的。所述连续性原理是指客观事物的发展具有合乎规律的连续性，事物发展是按照它本身固有的规律进行的，即在一定条件下，只要该规律赖以发生的条件不发生质的变化，则事物的基本发展趋势在未来就还会延续下去。因此，在本发明实施例中，建立所述天空图片中云层面积所占天空面积比例的时间序列的目的就是通过数学方法找出天空图片中云层面积所占天空面积比例的时间序列的规律，并通过已记录的历史天空中云层面积所占天空面积的比例数据来计算未来某时间的天空中云层面积所占天空面积的比例。
具体的，在本发明实施例中，xt＝φ1xt-1+φ2xt-2+...+φnxt-n+ut是可以利用的数学方法，方程左边的xt即是未来某时间的待预测的天空中云层面积所占天空面积的比例，即第二预设时刻对应的天空中云层面积所占天空面积的比例；xi(i＝t-n,...,t-1)是已记录或已预测的天空中云层面积所占天空面积的比例，即第一预设时刻对应的天空中云层面积所占天空面积的比例；φi(i＝1,2,...,n)是回归参数，即表示已记录或已预测的天空中云层面积所占天空面积比例对待预测值的影响。其具体使用过程分为两步：第一步，通过矩估计、极大似然估计或最小二乘法等统计学方法来获取回归参数的值；第二步，将已记录或已预测的天空中云层面积所占天空面积比例带入自回归模型，来计算待预测时刻的天空中云层面积所占天空面积的比例。
在上述任一实施例的基础上，在本发明的一个实施例中，所述预设云量预测函数关系式的获取方法还包括：对所述预设云量预测函数关系式的预测结果进行验证，当所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正，以提高利用所述预设云量预测函数关系式预测第二预设时刻天空中云层所占比例的准确度。
具体的，在上述实施例的基础上，在本发明的一个实施例中，对所述预设云量预测函数关系式的预测结果进行验证包括：采集至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积的比例，记为第一比例；采集第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内，当所述第一比例和所述第二比例的误差在第一预设误差范围内时，表明所述预设云量预测函数关系式满足第一预设精度要求；当所述第一比例和所述第二比例的误差超出第一预设误差范围内时，对所述预设云量预测函数关系式进行修正，以提高利用所述预设云量预测函数关系式预测第二预设时刻天空中云层面积所占天空面积比例的准确度，使其满足第一预设精度要求。
需要说明的是，本发明实施例对所述第一预设误差范围和所述第一预设精度的具体数值不做限定，所述第一预设精度越高，所述第一预设误差范围越小，所述第一预设精度越低，所述第一预设误差范围越大，具体视情况而定。
还需要说明的是，在上述任一实施例中，所述预设云量预测函数关系式与其获取过程中采集的数据有关，当所述预设云量预测函数关系式获取过程中采集的数据为全年的数据时，所述预设云量预测函数关系式为全年通用的云量预测函数关系式；当预设云量预测函数关系式获取过程中采集的数据为某一季度的数据时，所述预设云量预测函数关系式为该季度通用的云量预测函数关系式；当预设云量预测函数关系式获取过程中采集的数据为某一月的数据时，所述预设云量预测函数关系式为该月通用的云量预测函数关系式，即在本发明实施例中，可以全年采用统一预设云量预测函数关系式，也可以不同季度对应不同的预设云量预测函数关系式，还可以不同月份对应不同的预设云量预测函数关系式或不同星期对应不同的预设云量预测函数关系式等，本发明对此并不做限定，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个优选实施例中，所述第二预设时刻与所述第一预设时刻有关，当所述预设云量预测函数关系式的输入参数为N个第一预设时刻的云层面积所占天空面积的比例，所述预设云量预测函数关系式的输出结果为N个第二预设时刻的云层面积所占天空面积的比例时，若所述N个第一预设时刻中相邻第一预设时刻之间的时间间隔为一小时时，则所述N个第二预设时刻中相邻第二预设时间之间的时间间隔也为一小时；所述N个第一预设时刻中相邻第一预设时刻之间的时间间隔为15分钟时，则所述N个第二预设时刻中相邻第二预设时间之间的时间间隔也为15分钟，即所述N个第一预设时刻中相邻第一预设时刻之间的时间间隔与所述N个第二预设时刻中相邻第二预设时间之间的时间间隔相同。但本发明对此并不做限定，具体视情况而定。
S13：根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射。
在本发明的一个实施例中，根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射包括：根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。在本发明的其他实施例中，还可以根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用神经网格或或工程计算公式，计算第二预设时刻的太阳总辐射，本发明对此并不做限定，具体视情况而定。
下面以根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型计算第二预设时刻的太阳总辐射为例，对所述第二预设时刻的太阳总辐射的计算进行说明。
地面接收的太阳辐射与天空中云层面积所占天空面积的比例直接相关，其关系式为：
其中，N是根据okta的定义方法，将天空中云层面积所占天空面积比例量化到0～8等级的数值；G(N)是天空中云层面积所占天空面积比例为N等级时，地面能够接收到的太阳辐射强度；G(0)是天空中云层面积所占天空面积比例为0等级时，地面能够接收到的太阳辐射强度。其中，okta的定义方法如表1所示：
表1：
天空中云层面积所占天空面积比例％ 等级
0≤％≤0.01 0
0.02≤％＜18.75 1
18.75≤％＜31.25 2
31.25≤％＜43.75 3
43.75≤％＜56.25 4
56.25≤％＜68.75 5
68.75≤％＜81.25 6
81.25≤％＜99.00 7
99.00≤％≤100.00 8
需要说明的是，在本发明实施例中，G(0)与所述光伏发电***所在地的地理位置和太阳与地球的天体特性有关，可利用晴空模型来计算，其具体计算公式参考如下：
地外辐射的计算公式为：
其中，D是计算日期的积日数，Gsc是太阳常数，其数值为1367W/m2；
所述光伏发电***中的光伏阵列斜面上的直接辐射分量的计算公式为：
GbT＝Gonτbcosθs (2)
所述光伏发电***中的光伏光伏阵列斜面上的散射辐射分量的计算公式为：
所述光伏发电***中的光伏光伏阵列斜面上的反射辐射分量的计算公式为：
所述光伏发电***中的光伏光伏阵列斜面上的总辐射的计算公式为：
GT＝GbT+GdT+GrT (5)
需要说明的是，在上述任一计算公式中，各项系数的如下所示：
其中，r0，r1和rk取值如表2，与光伏电站所处的地理位置信息有关,A为所述光伏发电***所在地的海拔高度(km)。
还需要说明的是，地外辐射也称大气层外太阳辐射，是指地球大气顶部接收到的太阳辐射功率。另外，考虑到太阳辐射的变化和发电效率，通常将所述光伏发电***中的光伏电池板的安装角度与地面倾斜一大于零且小于90°的角度，并非水平或垂直放置，而倾斜安装的多块光伏电池板的表面称为所述光伏发电***中的光伏阵列斜面。
表2：
气候类型 r0 r1 rk
热带 0.95 0.98 1.02
中纬度夏季 0.97 0.99 1.02
亚北极夏季 0.99 0.99 1.01
中纬度冬季 1.03 1.01 1.00
太阳光线与所述光伏阵列斜面的法线之间的夹角记为入射角θS；太阳中心直射到当地的光线与当地水平面的夹角记为高度角θZ，其值在-90°到90°之间变化。日出日落时，太阳高度角为0°；接近正午时，太阳高度角为90°；而若-90°≤θZ<0°，表明夜晚时候，太阳在地平线以下。
具体的，高度角θZ和入射角θS计算如下：
cosθZ＝cosδcosφcosω+sinδsinφ (6)
其中δ太阳赤纬角，φ是所述光伏发电***中光伏发电站的纬度,ω是时角(即地球自转的角度，规定正午时角为0°，上午时角为负值，下午时角为正值。具体的，地球自转一周为360°，对应的时间为24小时，即每小时对应的时角为15°，每4分钟对应的时角为1°)，α是光伏阵列的方位角(即所述光伏阵列斜面与正南方向的夹角)；
赤纬角计算：
时角计算：
其中，LMT(0-24h)为当地时间，TZ和LL分别是时区和经度，而ET是时差公式，计算如下：
式中
由此可见，在本发明实施例中，只要获知所述光伏发电***中光伏发电站的所在位置，即可通过上述公式计算获得晴天时，所述光伏发电***中光伏发电站的所在位置处可接收到的太阳辐照度G(0)，再获取天空中云层面积所占天空面积的比例，即可计算出所述光伏发电***中光伏发电站的所在位置处实际接收的太阳辐照度G(N)。
S14：根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
需要说明的是，在上述任一实施例的基础上，在本发明的一个实施例中，所述第二预设时刻的温度可以通过天气预报获得，在本发明的另一个实施例中，所述第二预设时刻的温度也可以自己计算预测。具体的，在本发明的一个实施例中，当所述第二预设时刻的温度自己计算预测时，所述根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量之前还包括：
采集预设位置至少一个第一预设时刻的温度；
将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。
需要说明的是，在本发明实施例中，所述预设位置优选为所述光伏发电***中光伏发电站所在地的温度，以提高所述光伏发电***发电量的预测方法的预测结果的准确度，但本发明对此并不做限定，具体视情况而定。
还需要说明的是，在本发明实施例中，所述采集预设位置至少一个第一预设时刻的温度为采集预设位置处一个第一预设时刻的温度，相应的，所述预设温度预测函数关系式具有一个输入参数和一个输出结果，将所述第一预设时刻的温度输入所述预设温度预测函数关系式获得所述第二预设时刻的温度；在本发明的另一个实施例中，所述采集预设位置至少一个第一预设时刻的温度为采集预设位置处N个第一预设时刻的温度，相应的，所述预设温度预测函数关系式具有N个输入参数和N个输出结果，将所述N个第一预设时刻的温度输入所述预设温度预测函数关系式获得N个所述第二预设时刻的温度，其中，所述N个第一预设时刻为N个不同时刻点的预设时刻，所述N个第二预设时刻为N个不同时刻点的预设时刻，N为大于1的正整数。
进一步需要说明的是，当所述预设温度预测函数关系式具有N个输入参数和N个输出结果时，所述N个输出结果与所述N个输入参数并不一定一一对应，具体视所述预设温度预测函数关系式而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述预设温度预测函数关系式的获取方法包括：
按照时间顺序采集预设位置至少两个时刻的温度，统计不同时刻对应的温度之间的关系，获得温度的时间序列函数；
根据所述温度的时间序列函数，建立预设温度预测函数关系式。
在上述实施例的基础上，在本发明的一个实施例中，根据所述温度的时间序列函数，建立预设温度预测函数关系式优选为：根据所述温度的时间序列函数，利用自回归(AR)模型，建立预设温度预测函数关系式。
需要说明的是，所述温度的时间序列是指按照时间先后顺序排列而成的温度数列。由于温度数列并不是一个平稳随机的过程，而是既可以表现出日周期性，又可以表现出季周期性。另外，使用时间序列是以连续性原理为依据的。所述连续性原理是指客观事物的发展具有合乎规律的连续性，事物发展是按照它本身固有的规律进行的，即在一定条件下，只要该规律赖以发生的条件不发生质的变化，则事物的基本发展趋势在未来就还会延续下去。在本发明实施例中，建立所述温度的时间序列的目的就是通过数学方法找出温度的时间序列的规律，并通过已记录的历史温度数据来计算预测未来某时间的温度。
具体的，在本发明实施例中，xt＝φ1xt-1+φ2xt-2+...+φnxt-n+ut是可以利用的数学方法，方程左边的xt即是未来某时间的待预测的温度，即第二预设时刻对应的温度；xi(i＝t-n,...,t-1)是已记录或已预测的温度，即第一预设时刻对应的温度；φi(i＝1,2,...,n)是回归参数，即表示已记录或已预测的温度对待预测值的影响。其具体使用过程分为两步：第一步，通过矩估计、极大似然估计或最小二乘法等统计学方法来获取回归参数的值；第二步，将已记录或已预测的温度带入自回归模型，来计算待预测时刻的温度。
在上述任一实施例的基础上，在本发明的一个实施例中，所述预设温度预测函数关系式的获取方法还包括：
对所述预设温度预测函数关系式的预测结果进行验证，当所述预设温度预测函数关系式的预测结果与实际测量结果的误差超出第二预设误差范围时，对所述预设温度预测函数关系式进行修正，以提高利用所述预设温度预测函数关系式预测第二预设时刻温度的准确度。
具体的，在上述实施例的基础上，在本发明的一个实施例中，所述对所述预设温度预测函数关系式的预测结果进行验证包括：
采集预设位置至少一个第五预设时刻的温度；
将所述第五预设时刻对应的温度代入所述预设温度预测函数关系式，预测第六预设时刻的温度；
采集第六预设时刻的实际温度，计算所述第六时刻的预测温度和实际温度之间的误差，判断所述第六时刻的预测温度和实际温度的误差是否在第二预设误差范围内。
当所述第六时刻的预测温度和实际温度之间的误差在第二预设误差范围内时，表明所述预设温度预测函数关系式满足第二预设精度要求；当所述第六时刻的预测温度和实际温度之间的误差超出第二预设误差范围内时，对所述预设温度预测函数关系式进行修正，以提高利用所述预设温度预测函数关系式预测第二预设时刻温度的准确度，使其满足第二预设精度要求。
需要说明的是，本发明实施例对所述第二预设误差范围和所述第二预设精度的具体数值不做限定，所述第二预设精度越高，所述第二预设误差范围越小，所述第二预设精度越低，所述第二预设误差范围越大，具体视情况而定。
还需要说明的是，在上述任一实施例中，所述预设温度预测函数关系式与其获取过程中采集的数据有关，当所述预设温度预测函数关系式获取过程中采集的数据为全年的数据时，所述预设温度预测函数关系式为全年通用的温度预测函数关系式；当预设温度预测函数关系式获取过程中采集的数据为某一季度的数据时，所述预设温度预测函数关系式为该季度通用的温度预测函数关系式；当预设温度预测函数关系式获取过程中采集的数据为某一月的数据时，所述预设温度预测函数关系式为该月通用的温度预测函数关系式，即在本发明实施例中，可以全年采用统一预设温度预测函数关系式，也可以不同季度对应不同的预设温度预测函数关系式，还可以不同月份对应不同的预设温度预测函数关系式或不同星期对应不同的预设温度预测函数关系式等，本发明对此并不做限定，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个优选实施例中，所述第二预设时刻与所述第一预设时刻有关，当所述预设温度预测函数关系式的输入参数为N个第一预设时刻的温度，所述预设温度预测函数关系式的输出结果为N个第二预设时刻的温度时，若所述N个第一预设时刻中相邻第一预设时刻之间的时间间隔为一小时时，则所述N个第二预设时刻中相邻第二预设时间之间的时间间隔也为一小时；所述N个第一预设时刻中相邻第一预设时刻之间的时间间隔为15分钟时，则所述N个第二预设时刻中相邻第二预设时间之间的时间间隔也为15分钟，即所述N个第一预设时刻中相邻第一预设时刻之间的时间间隔与所述N个第二预设时刻中相邻第二预设时间之间的时间间隔相同。但本发明对此并不做限定，具体视情况而定。
在本发明实施例中，所述根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量具体包括：将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。由于所述光伏阵列的光电物理模型已为本领域人员所公知，具体应用时，只需将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，即可输出第二预设时刻光伏发电***的发电量，本发明对此不再详细赘述。
由上所述可知，本发明实施例所提供的光伏发电***发电量的预测方法中，是先利用第一预设时刻对应的天空图片中云层面积所占天空面积的比例，估算第二预设时刻对应的天空中云层面积所占天空面积的比例，再利用第二预设时刻对应的天空中云层面积所占天空面积的比例计算第二预设时刻的太阳总辐射，最后利用所述第二预设时刻的天阳总辐射和温度，预测第二预设时刻光伏发电***的发电量。在本实施例中，由于天空图片中云层面积所占天空面积的比例具有平均化的特性，因此，即便有云层突然出现或离开天空成像***的当前视野，所述天空图片中云层面积所占面积比例也是发生连续的变化，而不会发生大幅的阶跃，从而使得利用本发明实施例所提供的光伏发电***发电量的预测方法在预测第二预设时刻的太阳总辐射时，当有云层突然出现或离开天空成像***的当前视野，不会发生瞬间增大误差的情况，提高了该太阳总辐射预测方法的准确度，即在相同误差允许范围内，延长了本发明实施例所提供的预测方法可以预测的时间，即延长了预测光伏发电***发电量的时间。
相应的，本发明实施例还提供了一种光伏发电***发电量的预测***，应用于上述任一实施例所提供的光伏发电***发电量的预测方法，如图4所示，该预测***包括：
第一采集模块100，用于预先设置至少一个第一预设时刻，采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
第一计算模块200，用于将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例；
第二计算模块300，用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射；
第三计算模块400，用于根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
需要说明的是，在本发明实施例中，所述第一采集模块100可以设置一个第一预设时刻，也可以设置多个第一预设时刻，本发明对此并不做限定，具体视情况而定。还需要说明的是，在本发明实施例中，所述第一预设时刻为当前时刻之前的某时刻，所述第二预设时刻为当前时刻之后的某时刻。
在上述实施例的基础上，在本发明的一个实施例中，所述第一预设时刻的数量为一个，相应的，所述预设云量预测函数关系式具有一个输入参数和一个输出结果，将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式后获得一个第二预设时刻天空中云层面积所占天空面积的比例；在本发明的另一个实施例中，所述第一预设时刻的数量为N个，相应的，所述预设云量预测函数关系式具有N个输入参数和N个输出结果，将N个所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式后获得N个第二预设时刻天空中云层面积所占天空面积的比例，其中，所述N个第一预设时刻为N个不同时刻点的预设时刻，所述N个第二预设时刻为N个不同时刻点的预设时刻，N为大于1的正整数。
在上述实施例的基础上，在本发明的一个实施例中，所述天空图片通过天空成像***拍摄获得。由于所述天空成像***的拍摄范围有限，在本发明的一个实施例中，当所述天空成像***拍摄的单张图片中对应的天空区域能够完全覆盖所述光伏发电***中的光伏发电站的全貌时，所述天空图片为所述天空成像***拍摄的单张图片；当所述天空成像***拍摄的单张图片中对应的天空区域仅能覆盖所述光伏发电***中光伏发电站全貌的局部结构时，所述天空图片为利用所述天空成像***拍摄的单张图片拼接而得，本发明对此并不做限定，只要保证所述天空图片中对应的天空区域能够完全覆盖所述光伏发电***中光伏发电站的全貌即可。
在上述任一实施例的基础上，在本发明的一个实施例中，所述获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例包括：
将所述天空图片由RGB色彩空间转换为HSI色彩空间，其中，HSI(Hue，Saturation，Intensity)色彩空间是从人的视觉***出发，用色调(Hue)、色饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来描述色彩。
利用K均值聚类方法将所述天空图片中的像素划分为白云、蓝天和背景三类，计算所述第一预设时刻对应的天空图片中白云面积所占白云面积和蓝天面积之和的比例，即所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例。其中，背景是指所述天空图片中除了白云和蓝天外的其他景色，如建筑物、树木等。需要说明的是，所述背景对应的区域属于现场干扰，在对所述天空图片进行处理的过程中是需要去除的。
具体的，在本发明的一个实施例中，对于白云、蓝天和背景三类的划分可以通过像素色彩来进行识别，首先对各像素的亮度进行判断，设定亮度阈值，若某像素的亮度低于亮度阈值，则该像素所在的区域为背景。若某像素的亮度大于亮度阈值，则对其进行RGB分离，设定红蓝比例阈值，若该像素中所包含的红色分量与蓝色分量的比值大于红蓝比例阈值，则该像素表示为云层，若该像素中红色分量与蓝色分量比值小于红蓝比例阈值，则该像素表示蓝天。
需要说明的是，由于基于色彩分割方法中没有考虑图像邻域相关性，属于对各像素进行独立辨识，使得辨识后的图像结果容易受到噪声影响，例如，对图像进行分割之后，很可能在大片白云区域内出现若干蓝色像素斑点，或是大片蓝色区域内出现若干白色像素斑点，从而扩大噪声对于图像辨识结果的影响。为降低拍摄噪声对图像辨识结果的干扰，在上述实施例的基础上，在本发明的一个实施例中，结合Markov随机场理论，在传统模糊C均值(FCM)聚类分割中引入关于空间相邻信息的统计特性，建立相邻像素之间的色彩概率关联，根据空间连续性约束的FCM方法对初始分割图像再次分割，降低相邻像素点出现色彩大幅变化的几率，从而抑制噪声的影响，最终得到白云、蓝天和背景3类空间连续的区域，并根据色彩特性识别出白云，最后计算出白云对应区域所占蓝天对应区域和白云对应区域之和的比例。
还需要说明的是，由于Markov随机场理论和传统模糊C均值(FCM)聚类分割技术已为本领域人员所公知，本发明对此不再详细赘述。
具体的，在本发明的一个实施例中，将所述天空图片由RGB色彩空间转换为HSI色彩空间的图片后，将其划分成多个小方格，并统计出该图片中白云对应区域所占方格数以及该图片中蓝天对应区域和白云对应区域所占方格总数，从而利用该图片中白云对应区域所占方格数/该图片中蓝天对应区域和白云对应区域所占方格总数，计算出该图片中云层面积所占天空面积的比例。
需要说明的是，在本发明实施例中，将所述天空图片由RGB色彩空间转换为HSI色彩空间的图片后，划分成的方格数目越多，每个方格的面积越小，所计算出该图片中云层面积所占天空面积的比例越精确，相应的，其计算量也相应大一些，本发明对此并不做限定，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，如图5所示，所述预测***还包括：建立模块500，所述建立模块500包括：
第一采集单元，用于按照时间顺序采集至少两个时刻的天空图片，获得所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例；
第一统计单元，用于根据所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积的比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数；
第一建立单元，用于根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
在上述实施例的基础上，在本发明的一个实施例中，所述第一建立单元具体用于根据所述天空图片中云层面积所占天空面积比例的时间序列函数，采用自回归(AR)模型，建立预设云量预测函数关系式。
在上述任一实施例的基础上，在本发明的一个实施例中，所述建立模块500还包括：
验证单元，用于对所述预设云量预测函数关系式的预测结果进行验证，并在所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正，以提高利用所述预设云量预测函数关系式预测第二预设时刻天空中云层所占比例的准确度。
具体的，在上述实施例的基础上，在本发明的一个实施例中，所述验证单元用于对所述预设云量预测函数关系式的预测结果进行验证时具体用于：
采集至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积比例，记为第一比例；
采集第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；
计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内。当所述第一比例和所述第二比例的误差在第一预设误差范围内时，表明所述预设云量预测函数关系式满足第一预设精度要求；当所述第一比例和所述第二比例的误差超出第一预设误差范围内时，对所述预设云量预测函数关系式进行修正，以提高利用所述预设云量预测函数关系式预测第二预设时刻天空中云层面积所占天空面积比例的准确度，使其满足第一预设精度要求。
需要说明的是，本发明实施例对所述第一预设误差范围和所述第一预设精度的具体数值不做限定，所述第一预设精度越高，所述第一预设误差范围越小，所述第一预设精度越低，所述第一预设误差范围越大，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述第二计算模块300用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。在本发明的其他实施例中，所述第二计算模块300还可以用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用神经网格或或工程计算公式，计算第二预设时刻的太阳总辐射，本发明对此并不做限定，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述第二预设时刻的温度可以通过天气预报获得，在本发明的另一个实施例中，所述第二预设时刻的温度也可以自己计算预测。具体的，在本发明的一个实施例中，当所述第二预设时刻的温度自己计算预测时，如图6所示，该预测***还包括：
第二采集模块600，用于采集预设位置至少一个第一预设时刻的温度；
第四计算模块700，用于将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。
需要说明的是，在本发明实施例中，所述预设位置优选为所述光伏发电***中光伏发电站所在地的温度，以提高所述光伏发电***发电量的预测方法的预测结果的准确度，但本发明对此并不做限定，具体视情况而定。
还需要说明的是，在本发明实施例中，所述采集预设位置至少一个第一预设时刻的温度为采集预设位置处一个第一预设时刻的温度，相应的，所述预设温度预测函数关系式具有一个输入参数和一个输出结果，将所述第一预设时刻的温度输入所述预设温度预测函数关系式获得所述第二预设时刻的温度；在本发明的另一个实施例中，所述采集预设位置至少一个第一预设时刻的温度为采集预设位置处N个第一预设时刻的温度，相应的，所述预设温度预测函数关系式具有N个输入参数和N个输出结果，将所述N个第一预设时刻的温度输入所述预设温度预测函数关系式获得N个所述第二预设时刻的温度，其中，所述N个第一预设时刻为N个不同时刻点的预设时刻，所述N个第二预设时刻为N个不同时刻点的预设时刻，N为大于1的正整数。
在上述任一实施例的基础上，在本发明的一个实施例中，所述建立模块500还包括：
第二采集单元，用于按照时间顺序采集预设位置至少两个时刻的温度；
第二统计单元，用于统计不同时刻对应的温度之间的关系，获得温度的时间序列函数；
第二建立单元，用于根据所述温度的时间序列函数，建立预设温度预测函数关系式。
在上述实施例的基础上，在本发明的一个实施例中，所述第二建立单元用于根据所述温度的时间序列函数，利用自回归(AR)模型，建立预设温度预测函数关系式。
在上述实施例的基础上，在本发明的一个优选实施例中，所述验证单元还用于对所述预设温度预测函数关系式的预测结果进行验证，当所述预设温度预测函数关系式的预测结果与实际测量结果的误差超出第二预设误差范围时，对所述预设温度预测函数关系式进行修正，以提高利用所述预设温度预测函数关系式预测第二预设时刻温度的准确度。
具体的，在上述实施例的基础上，在本发明的一个实施例中，所述对所述预设温度预测函数关系式的预测结果进行验证包括：
采集预设位置至少一个第五预设时刻的温度；
将所述第五预设时刻对应的温度代入所述预设温度预测函数关系式，预测第六预设时刻的温度；
采集第六预设时刻的实际温度，计算所述第六时刻的预测温度和实际温度之间的误差，判断所述第六时刻的预测温度和实际温度的误差是否在第二预设误差范围内。
当所述第六时刻的预测温度和实际温度之间的误差在第二预设误差范围内时，表明所述预设温度预测函数关系式满足第二预设精度要求；当所述第六时刻的预测温度和实际温度之间的误差超出第二预设误差范围内时，对所述预设温度预测函数关系式进行修正，以提高利用所述预设温度预测函数关系式预测第二预设时刻温度的准确度，使其满足第二预设精度要求。
需要说明的是，本发明实施例对所述第二预设误差范围和所述第二预设精度的具体数值不做限定，所述第二预设精度越高，所述第二预设误差范围越小，所述第二预设精度越低，所述第二预设误差范围越大，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述第三计算模块400用于将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。
由于所述光伏阵列的光电物理模型已为本领域人员所公知，具体应用时，只需将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，即可输出第二预设时刻光伏发电***的发电量，本发明对此不再详细赘述。
此外，本发明实施例还提供了另一种光伏发电***发电量的预测***，如图7所示，该预测***包括：图片采集装置10和处理器20，其中，所述图片采集装置10用于预先设置至少一个第一预设时刻，采集所述第一预设时刻的天空图片，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
所述处理器20用于根据所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例，并根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射，最后根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
需要说明的是，在本发明实施例中，所述图片采集装置10可以设置一个第一预设时刻，也可以设置多个第一预设时刻，本发明对此并不做限定，具体视情况而定。还需要说明的是，在本发明实施例中，所述第一预设时刻为当前时刻之前的某时刻，所述第二预设时刻为当前时刻之后的某时刻。
在上述实施例的基础上，在本发明的一个实施例中，所述图片采集装置10为天空成像***，在本发明的另一个实施例中，所述图片采集装置10还可以为照相机等拍照或摄像装置，本发明对此并不做限定，只要其能够用于采集天空图片即可。下面以所述图片采集装置10为天空成像***为例，对本发明实施例所提供的光伏发电***发电量的预测***进行描述。
由于所述天空成像***的拍摄范围有限，在上述实施例的基础上，在本发明的一个实施例中，当所述天空成像***拍摄的单张图片中对应的天空区域能够完全覆盖所述光伏发电***中的光伏发电站的全貌时，所述天空图片为所述天空成像***拍摄的单张图片；当所述天空成像***拍摄的单张图片中对应的天空区域仅能覆盖所述光伏发电***中光伏发电站全貌的局部结构时，所述天空图片为利用所述天空成像***拍摄的单张图片拼接而得，本发明对此并不做限定，只要保证所述天空图片中对应的天空区域能够完全覆盖所述光伏发电***中光伏发电站的全貌即可。由于所述天空成像***的具体结构和使用方法已为本领域人员所熟知，本发明对此不再详细赘述。
在上述任一实施例的基础上，在本发明的一个实施例中，所述图片采集装置10还用于按照时间顺序采集至少两个时刻的天空图片；所述处理器20还用于：根据所述至少两个时刻的天空图片，获得所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，根据所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积的比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数，根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
在上述实施例的基础上，在本发明的一个实施例中，所述处理器20用于根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式时具体用于根据所述天空图片中云层面积所占天空面积比例的时间序列函数，采用自回归(AR)模型，建立预设云量预测函数关系式。
在上述任一实施例的基础上，在本发明的一个实施例中，所述处理器20还用于对所述预设云量预测函数关系式的预测结果进行验证，并在所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正，以提高利用所述预设云量预测函数关系式预测第二预设时刻天空中云层所占比例的准确度。
具体的，在上述实施例的基础上，在本发明的一个实施例中，所述处理器20用于对所述预设云量预测函数关系式的预测结果进行验证时具体用于：
根据所述图片采集装置10采集的至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积比例，记为第一比例；
根据所述图片采集装置10采集的第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；
计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内。当所述第一比例和所述第二比例的误差在第一预设误差范围内时，表明所述预设云量预测函数关系式满足第一预设精度要求；当所述第一比例和所述第二比例的误差超出第一预设误差范围内时，对所述预设云量预测函数关系式进行修正，以提高利用所述预设云量预测函数关系式预测第二预设时刻天空中云层面积所占天空面积比例的准确度，使其满足第一预设精度要求。
需要说明的是，本发明实施例对所述第一预设误差范围和所述第一预设精度的具体数值不做限定，所述第一预设精度越高，所述第一预设误差范围越小，所述第一预设精度越低，所述第一预设误差范围越大，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述处理器20用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算第二预设时刻的太阳总辐射时具体用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。在本发明的其他实施例中，所述处理器20用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算第二预设时刻的太阳总辐射时还可以用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用神经网格或或工程计算公式，计算第二预设时刻的太阳总辐射，本发明对此并不做限定，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述第二预设时刻的温度可以通过天气预报获得，在本发明的另一个实施例中，所述第二预设时刻的温度也可以自己计算预测，或通过其他方式获得，本发明对此并不做限定，具体视情况而定。具体的，在本发明的一个实施例中，当所述第二预设时刻的温度自己计算预测时，如图8所示，该预测***还包括：温度采集装置30，所述温度采集装置30用于采集预设位置至少一个第一预设时刻的温度。在本实施例中，所述处理器20还用于将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。其中，温度采集装置30可以是温度传感器，能够采集温度的器件很多，在此不一一例举。
需要说明的是，在本发明实施例中，所述预设位置优选为所述光伏发电***中光伏发电站所在地的温度，以提高所述光伏发电***发电量的预测方法的预测结果的准确度，但本发明对此并不做限定，具体视情况而定。
还需要说明的是，在上述实施例中，所述温度采集装置30可以为温度计，也可以为温度传感器，还可以为其他温度采集装置，本发明对此并不做限定，只要能够采集所述预设位置的温度即可。
具体的，在上述任一实施例的基础上，在本发明的一个实施例中，所述处理器20还用于：按照时间顺序采集预设位置至少两个时刻的温度；统计不同时刻对应的温度之间的关系，获得温度的时间序列函数；根据所述温度的时间序列函数，建立预设温度预测函数关系式。
在上述实施例的基础上，在本发明的一个实施例中，所述处理器20用于根据所述温度的时间序列函数，建立预设温度预测函数关系式具体用于根据所述温度的时间序列函数，利用自回归(AR)模型，建立预设温度预测函数关系式。
在上述实施例的基础上，在本发明的一个优选实施例中，所述处理器20还用于对所述预设温度预测函数关系式的预测结果进行验证，当所述预设温度预测函数关系式的预测结果与实际测量结果的误差超出第二预设误差范围时，对所述预设温度预测函数关系式进行修正，以提高利用所述预设温度预测函数关系式预测第二预设时刻温度的准确度。
具体的，在上述实施例的基础上，在本发明的一个实施例中，所述处理器20用于对所述预设温度预测函数关系式的预测结果进行验证时具体用于：采集预设位置至少一个第五预设时刻的温度；将所述第五预设时刻对应的温度代入所述预设温度预测函数关系式，预测第六预设时刻的温度；采集第六预设时刻的实际温度，计算所述第六时刻的预测温度和实际温度之间的误差，判断所述第六时刻的预测温度和实际温度的误差是否在第二预设误差范围内。当所述第六时刻的预测温度和实际温度之间的误差在第二预设误差范围内时，表明所述预设温度预测函数关系式满足第二预设精度要求；当所述第六时刻的预测温度和实际温度之间的误差超出第二预设误差范围内时，对所述预设温度预测函数关系式进行修正，以提高利用所述预设温度预测函数关系式预测第二预设时刻温度的准确度，使其满足第二预设精度要求。
需要说明的是，本发明实施例对所述第二预设误差范围和所述第二预设精度的具体数值不做限定，所述第二预设精度越高，所述第二预设误差范围越小，所述第二预设精度越低，所述第二预设误差范围越大，具体视情况而定。
在上述任一实施例的基础上，在本发明的一个实施例中，所述处理器20用于根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量时具体用于将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。
由于所述光伏阵列的光电物理模型已为本领域人员所公知，具体应用时，只需将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，即可输出第二预设时刻光伏发电***的发电量，本发明对此不再详细赘述。
综上所述，本发明实施例所提供的光伏发电***发电量的预测***在预测发电量时，利用天空中云层面积所占天空面积的比例去预测太阳总辐射，而天空图片中云层面积所占天空面积的比例具有平均化的特性，因此，即便有云层突然出现或离开图片采集装置的当前视野，所述天空图片中云层面积所占面积比例也是发生连续的变化，而不会发生大幅的阶跃，从而使得利用本发明实施例所提供的光伏发电***发电量的预测方法在预测第二预设时刻的太阳总辐射时，当有云层突然出现或离开图片采集装置的当前视野，不会发生瞬间增大误差的情况，提高了该太阳总辐射预测方法的准确度，即在相同误差允许范围内，延长了本发明实施例所提供的预测方法可以预测的时间，进而延长了预测光伏发电***发电量的时间。
本说明书中各个部分采用递进的方式描述，每个部分重点说明的都是与其他部分的不同之处，各个部分之间相同相似部分互相参见即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (14)

1.一种光伏发电***发电量的预测方法，其特征在于，包括：
设置至少一个第一预设时刻；
采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例；
根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射；
根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
2.根据权利要求1所述的预测方法，其特征在于，所述预设云量预测函数关系式的获取方法包括：
按照时间顺序采集至少两个时刻的天空图片，获得所述至少两个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例；
根据所述至少两个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积的比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数；
根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
3.根据权利要求2所述的预测方法，其特征在于，所述预设云量预测函数关系式的获取方法还包括：
对所述预设云量预测函数关系式的预测结果进行验证；
当所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正。
4.根据权利要求3所述预测方法，其特征在于，所述对所述预设云量预测函数关系式的预测结果进行验证包括：
采集至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积比例，记为第一比例；
采集第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；
计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内。
5.根据权利要求1至4任一所述的预测方法，其特征在于，根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射包括：
根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。
6.根据权利要求1-5任一项所述的预测方法，其特征在于，所述根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量之前还包括：
采集预设位置至少一个第一预设时刻的温度；
将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。
7.根据权利要求1-6任一项所述的预测方法，其特征在于，所述根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量包括：
将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。
8.一种光伏发电***发电量的预测***，其特征在于，该***包括：
第一采集模块，用于预先设置至少一个第一预设时刻，采集所述第一预设时刻的天空图片，获得所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
第一计算模块，用于将所述第一预设时刻对应的天空图片中云层面积所占天空面积的比例代入预设云量预测函数关系式，预测第二预设时刻天空中云层面积所占天空面积的比例；
第二计算模块，用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，计算所述第二预设时刻的太阳总辐射；
第三计算模块，用于根据所述第二预设时刻的太阳总辐射和第二预设时刻的温度，预测第二预设时刻光伏发电***的发电量。
9.根据权利要求8所述的预测***，其特征在于，该***还包括：建立模块，所述建立模块包括：
第一采集单元，用于按照时间顺序采集多个时刻的天空图片，获得所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例；
第一统计单元，用于根据所述多个时刻中每个时刻对应的天空图片中云层面积所占天空面积的比例，统计不同时刻对应的天空图片中云层面积所占天空面积的比例之间的关系，获得天空图片中云层面积所占天空面积比例的时间序列函数；
第一建立单元，用于根据所述天空图片中云层面积所占天空面积比例的时间序列函数，建立预设云量预测函数关系式。
10.根据权利要求9所述的预测***，其特征在于，所述建立模块还包括：
验证单元，用于对所述预设云量预测函数关系式的预测结果进行验证，并在所述预设云量预测函数关系式的预测结果与实际测量结果的误差超出第一预设误差范围时，对所述预设云量预测函数关系式进行修正。
11.根据权利要求10所述的预测***，其特征在于，所述验证单元用于对所述预设云量预测函数关系式的预测结果进行验证时具体用于：
采集至少一个第三预设时刻的天空图片，获得所述第三预设时刻对应的天空图片中云层面积所占天空面积的比例，所述天空图片中对应的天空区域完全覆盖所述光伏发电***中光伏发电站的全貌；
将所述第三预设时刻对应的天空图片中云层面积所占天空面积比例代入所述预设云量预测函数关系式，预测第四预设时刻的天空中云层面积所占天空面积比例，记为第一比例；
采集第四预设时刻的天空图片，获得所述第四预设时刻对应的天空图片中云层面积所占天空面积的实际比例，记为第二比例；
计算所述第一比例和所述第二比例的误差，判断所述第一比例和所述第二比例的误差是否在第一预设误差范围内。
12.根据权利要求8-11任一项所述的预测方法，其特征在于，所述第二计算模块用于根据所述第二预设时刻天空中云层面积所占天空面积的比例，利用晴空辐照模型，计算第二预设时刻的太阳总辐射。
13.根据权利要求8-12任一项所述的预测***，其特征在于，该***还包括：
第二采集模块，用于采集预设位置至少一个第一预设时刻的温度；
第四计算模块，用于将所述第一预设时刻的温度代入预设温度预测函数关系式，预测第二预设时刻的温度。
14.根据权利要求8-13任一项所述的预测***，其特征在于，所述第三计算模块用于将所述第二预设时刻的温度和所述第二预设时刻的太阳总辐射代入光伏阵列的光电物理模型，预测第二预设时刻光伏发电***的发电量。
CN201610109906.6A 2016-02-26 2016-02-26 光伏发电***发电量的预测方法及预测*** Active CN107133685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610109906.6A CN107133685B (zh) 2016-02-26 2016-02-26 光伏发电***发电量的预测方法及预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610109906.6A CN107133685B (zh) 2016-02-26 2016-02-26 光伏发电***发电量的预测方法及预测***

Publications (2)

Publication Number Publication Date
CN107133685A true CN107133685A (zh) 2017-09-05
CN107133685B CN107133685B (zh) 2020-07-28

Family

ID=59721667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610109906.6A Active CN107133685B (zh) 2016-02-26 2016-02-26 光伏发电***发电量的预测方法及预测***

Country Status (1)

Country Link
CN (1) CN107133685B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764548A (zh) * 2018-05-18 2018-11-06 杭州电子科技大学 基于天空亮度信息动态关联的光伏发电在线短期预测方法
CN110083642A (zh) * 2019-04-28 2019-08-02 河北建投能源投资股份有限公司 发电数据的多维度分析方法
CN110717592A (zh) * 2019-10-11 2020-01-21 华北电力大学 一种计算光伏电站地表辐照度空间分布的方法
CN111245016A (zh) * 2020-03-05 2020-06-05 宁***新能源科技有限公司 一种新能源光伏发电自稳态输出调整方法及装置
CN112989709A (zh) * 2021-04-14 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种基于地基云图的太阳能资源超短时预报方法
CN115441447A (zh) * 2022-10-24 2022-12-06 佛山职业技术学院 一种新能源发电功率预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007184354A (ja) * 2006-01-05 2007-07-19 Mitsubishi Electric Corp 太陽光発電システム
JP2013068429A (ja) * 2011-09-20 2013-04-18 Kansai Electric Power Co Inc:The 太陽光発電エリア出力推定装置、太陽光発電エリア出力推定システム及び太陽光発電エリア出力推定方法
US20130258068A1 (en) * 2012-03-30 2013-10-03 General Electric Company Methods and Systems for Predicting Cloud Movement
CN103353952A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种基于地基云图的光伏功率预测方法
CN103886616A (zh) * 2014-02-25 2014-06-25 国家电网公司 一种基于全天空成像数据的光伏发电功率超短期预测方法
CN103971167A (zh) * 2013-01-31 2014-08-06 国际商业机器公司 预测光伏发电设备的发电功率的方法和***
JP2015141438A (ja) * 2014-01-27 2015-08-03 株式会社 日立産業制御ソリューションズ 太陽光発電量予測装置及び領域分割マップ表示方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007184354A (ja) * 2006-01-05 2007-07-19 Mitsubishi Electric Corp 太陽光発電システム
JP2013068429A (ja) * 2011-09-20 2013-04-18 Kansai Electric Power Co Inc:The 太陽光発電エリア出力推定装置、太陽光発電エリア出力推定システム及び太陽光発電エリア出力推定方法
US20130258068A1 (en) * 2012-03-30 2013-10-03 General Electric Company Methods and Systems for Predicting Cloud Movement
CN103971167A (zh) * 2013-01-31 2014-08-06 国际商业机器公司 预测光伏发电设备的发电功率的方法和***
CN103353952A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种基于地基云图的光伏功率预测方法
JP2015141438A (ja) * 2014-01-27 2015-08-03 株式会社 日立産業制御ソリューションズ 太陽光発電量予測装置及び領域分割マップ表示方法
CN103886616A (zh) * 2014-02-25 2014-06-25 国家电网公司 一种基于全天空成像数据的光伏发电功率超短期预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764548A (zh) * 2018-05-18 2018-11-06 杭州电子科技大学 基于天空亮度信息动态关联的光伏发电在线短期预测方法
CN108764548B (zh) * 2018-05-18 2021-06-29 杭州电子科技大学 基于天空亮度信息动态关联的光伏发电在线短期预测方法
CN110083642A (zh) * 2019-04-28 2019-08-02 河北建投能源投资股份有限公司 发电数据的多维度分析方法
CN110717592A (zh) * 2019-10-11 2020-01-21 华北电力大学 一种计算光伏电站地表辐照度空间分布的方法
CN110717592B (zh) * 2019-10-11 2023-09-15 华北电力大学 一种计算光伏电站地表辐照度空间分布的方法
CN111245016A (zh) * 2020-03-05 2020-06-05 宁***新能源科技有限公司 一种新能源光伏发电自稳态输出调整方法及装置
CN112989709A (zh) * 2021-04-14 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种基于地基云图的太阳能资源超短时预报方法
CN115441447A (zh) * 2022-10-24 2022-12-06 佛山职业技术学院 一种新能源发电功率预测方法

Also Published As

Publication number Publication date
CN107133685B (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN109416413B (zh) 太阳能预报
Assouline et al. Large-scale rooftop solar photovoltaic technical potential estimation using Random Forests
CN107133685A (zh) 光伏发电***发电量的预测方法及预测***
Nguyen et al. Incorporating shading losses in solar photovoltaic potential assessment at the municipal scale
Hu et al. A new ultra-short-term photovoltaic power prediction model based on ground-based cloud images
Lukač et al. Economic and environmental assessment of rooftops regarding suitability for photovoltaic systems installation based on remote sensing data
CN103971169A (zh) 一种基于云量模拟的光伏超短期发电功率的预测方法
CN103353952A (zh) 一种基于地基云图的光伏功率预测方法
CN106779130A (zh) 一种基于全天空云图的光伏电站辐射预测方法
Jiang et al. Geospatial assessment of rooftop solar photovoltaic potential using multi-source remote sensing data
Li Using GIS and remote sensing techniques for solar panel installation site selection
JPWO2019155594A1 (ja) 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置
WO2017193172A1 (en) &#34;solar power forecasting&#34;
Dissawa et al. Sky Image‐Based Localized, Short‐Term Solar Irradiance Forecasting for Multiple PV Sites via Cloud Motion Tracking
CN104217259A (zh) 一种区域地表辐照度分布预测方法
CN110781458A (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
Dissawa et al. Cross-correlation based cloud motion estimation for short-term solar irradiation predictions
Li et al. Study of models for predicting the diffuse irradiance on inclined surfaces
Muhammed et al. Building rooftops extraction for solar PV potential estimation using gis-based methods
CN108008633A (zh) 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法
Assouline et al. A machine learning methodology for estimating roof-top photovoltaic solar energy potential in Switzerland
CN113160311A (zh) 太阳能电池板调节方法及调节装置、追日***和存储设备
CN116192005A (zh) 基于微时空尺度辐照预测的光伏跟踪方法、***及介质
Samak Geospatial multi-criteria analysis for solar and wind power modelling for Kingdom of Saudi Arabia’s population using GIS: A case study for the cities of Makkah and Jeddah
CN114782880A (zh) 用于离网光伏发电***的监测***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant