CN109416413A - 太阳能预报 - Google Patents

Abstract

一种用于确定兴趣点(POI)处的太阳辐射水平的方法。多个天空图像由数码相机的分布式网络捕获。确定太阳定位参数。基于天空图像生成三维(3D)天空模型。生成3D天空模型包括基于天空图像生成3D对象数据，以对天空区域中的一个或多个对象进行建模，以及生成位置数据，以对天空区域中的所述一个或多个对象的位置进行建模。基于位置数据和3D天空模型的3D对象数据以及太阳定位参数来确定POI处的太阳辐射水平。

Description

太阳能预报

相关申请的交叉引用

本申请要求于2016年5月11日提交的澳大利亚临时专利申请No.2016901760和于2016年5月24日提交的PCT申请No.PCT/AU2016/050396的优先权，其内容通过引用并入本文。

技术领域

本公开涉及预测太阳辐射水平，诸如太阳辐照度或能量。例如，预测的太阳辐照度可以用于控制太阳能***。

背景技术

太阳辐照度是通常使用太阳光伏或太阳热***收获的自然资源。这种自然资源是高度间歇性的，主要是由于云遮挡了太阳。当前***常常不处于最佳操作点，因为难以预测太阳辐照度。

对本说明书中包含的文档、行为(act)、材料、设备、物品等的任何讨论不应由于它在本申请的每项权利要求的优先权日之前存在而被视为承认任何或所有这些事项构成现有技术基础的一部分或者是与本公开相关的领域中普通的一般知识。

发明内容

一种用于确定兴趣点(POI)处的太阳辐射水平的方法，该方法包括：

通过数码相机的分布式网络捕获多个天空图像；

确定太阳定位参数；

基于天空图像生成三维(3D)天空模型，其中生成3D天空模型包括：

基于天空图像生成3D对象数据，以对天空的区域中的一个或多个对象进行建模；以及

生成位置数据，以对该天空区域中的这一个或多个对象的位置进行建模；

基于位置数据和3D天空模型的3D对象数据以及太阳定位参数来确定POI处的太阳辐射水平。

确定POI处的太阳辐射水平可以包括：

基于太阳定位参数计算POI与太阳定位之间的光路；

确定在3D天空模型中建模的一个或多个对象是否遮挡光路；以及

基于这一个或多个对象对光路的遮挡水平来确定POI处的太阳辐射水平。

对于一个或多个对象中的每一个，3D对象数据可以包括关于以下当中的一个或多个的信息：

对象的连续3D表面网格；

对象的连续3D体积网格；

对象的厚度；

对象的3D形状；

对象的体积；

对象的光学深度。

数码相机的分布式网络可以包括捕获天空区域的天空图像的多对或多个集合的数码相机。

每对或每个集合的数码相机中的数码相机可以间隔从100米到2千米之间的距离。

每对或每个集合的数码相机可以与数码相机的分布式网络中的其它对或其它集合的数码相机间隔从2到20千米之间之间的距离。

生成3D对象数据可以包括基于由多对或多个集合的数码相机捕获的天空图像来确定一个或多个对象中的每一个的3D信息。

生成3D对象数据可以包括基于太阳定位参数对准天空图像。

数码相机的分布式网络中的数码相机可以包括广角或鱼眼镜头。

生成3D对象数据可以包括通过在鱼眼空间中3D旋转天空图像来对准天空图像。

生成3D对象数据可以包括基于由每对或每个集合的数码相机捕获的天空图像生成单独的3D模型。

生成单独的3D模型可以包括基于由每对或每个集合的数码相机捕获的天空图像生成单独的3D点云。

生成3D对象数据还可以包括对准和合并单独的3D模型，以生成天空区域的3D天空模型。

合并单独的3D模型可以包括在单独的3D点云之间匹配特征。

单独的3D模型可以是稀疏模型，并且生成3D对象数据可以包括根据需要合并单独的稀疏模型，以便为POI与太阳之间的天空区域生成表面或体积贴片(patch)。

生成3D对象数据还可以包括解析单独的3D模型的重叠区域中的冲突数据。

生成位置数据可以包括基于由多个数码相机捕获的天空图像来确定天空区域中的一个或多个对象中的每一个对象的基部的定位和海拔。

生成位置数据可以包括基于天空图像之间每个对象的像素移位来确定一个或多个对象中的每一个对象的海拔。

生成位置数据可以包括捕获天空区域的LiDAR测量。

生成3D天空模型可以包括组合位置数据和3D对象数据。

生成3D天空模型可以包括：

确定天空图像中低于地平线的像素；以及

掩蔽天空图像中低于地平线的像素。

生成3D天空模型可以包括：

确定天空图像中与固定对象对应的像素；以及

掩蔽天空图像中与固定对象对应的像素。

确定太阳定位参数可以包括：

存储捕获的天空图像；以及

基于所存储的在一天的不同时间捕获的天空图像来确定太阳定位参数。

确定太阳定位参数可以包括：

通过从天空图像确定的太阳定位点(location point)来拟合平滑的曲线，使得太阳定位点与太阳旋转的太阳方位/天顶(zenith)模型之间的误差最小化。

确定POI处的太阳辐射水平可以包括：

通过外推对象的过去位置、体积、光学深度和/或速度来估计一个或多个对象中的每一个对象的未来位置；以及

预测POI处的未来太阳辐射水平。

数码相机的分布式网络可以跨城市或地理区域分布。

数码相机的分布式网络可以包括经由对等网络彼此通信的数码相机。

该方法可以包括基于所确定的POI处的太阳辐射水平来生成控制太阳能***的控制信号。

生成控制信号可以包括以下当中的一个或多个：

生成控制逆变器输出以调节电网中的斜坡率(ramp-rate)的控制信号；

控制能量存储装置充电和放电速率以及定时；

控制电气设备能量消耗的速率和时间；

控制电气设备为电网提供电压、频率和网络服务；以及

控制发电机补偿由于降低太阳能***的太阳辐射水平的云覆盖而造成的性能降低。

捕获的多个天空图像可以使得所确定的太阳辐射水平的准确性足以生成补偿电力需求与预测的太阳能性能之间的差异的控制信号。

捕获天空图像可以包括以不同的曝光参数捕获多个图像并将这多个图像组合成单个天空图像。

对象是云。

该方法还可以包括：

基于3D天空模型确定云形成和/或平流参数；以及

基于云形成和/或平流参数确定太阳辐射水平。

确定POI处的太阳辐射水平还可以基于以下当中的一个或多个：

卫星图像；

数值天气预报；

天气观测；以及

分布式太阳能发电的测量。

一种用于确定估计太阳能***的性能的数码相机的网络的方法，该方法包括：

执行如本文所述的确定预测的太阳辐射水平的方法；

基于预测的太阳辐射水平来确定太阳能***的预测性能；

接收指示太阳能***的实际性能的测量数据；

确定预测性能与实际性能之间的差异；以及

通过减小预测性能与实际性能之间的差异来确定数码相机的网络。

确定数码相机的网络可以包括确定减小预测性能与实际性能之间的差异的数码相机的数量和定位。

一种***，包括：

捕获多个天空图像的数码相机的分布式网络；以及

处理器：

从数码相机的分布式网络接收天空图像；

基于天空图像生成包括高程(elevation)数据和3D表面数据的三维(3D)天空模型，以对天空区域中的一个或多个对象进行建模；

确定太阳定位参数；以及

基于高程数据和3D天空模型的3D表面数据以及太阳定位参数确定兴趣点(POI)处的太阳辐射水平。

一种用于预测太阳辐照度的方法，包括：

由图像传感器捕获多个训练天空图像；

接收与这多个训练天空图像有关的对象定位数据，对象定位数据指示训练天空图像中可以影响太阳辐照度的对象的定位；

基于对象定位数据来确定一个或多个参数值，参数值指示对象的定位与太阳辐照度之间的关系；以及

基于参数值来确定预测的太阳辐照度值。

捕获多个训练天空图像可以是以图像传感器的预定定位、朝向和透镜配置。图像传感器的预定定位、朝向和透镜配置可以是图像传感器的一个恒定定位、朝向和透镜配置。

接收对象定位数据可以包括：

生成多个训练天空图像的显示；以及

接收对象定位数据作为与这多个训练天空图像有关的用户输入数据，用户输入数据指示训练天空图像中可以影响太阳辐照度的对象的定位。

捕获多个训练天空图像可以包括针对太阳的不同位置捕获多个训练天空图像。可以影响太阳辐照度的对象可以是太阳，并且对象定位数据指示太阳在多个训练天空图像中的定位。一个或多个参数值可以指示图像传感器的定位、朝向和透镜配置。确定预测的太阳辐照度值可以包括基于参数值确定太阳在预测时间的预测位置，并基于预测的太阳位置确定预测的太阳辐照度。

有利的是，可以使用少量识别出的太阳定位来确定参数值，从而允许快速且准确地设置用于任意鱼眼特性、倾斜和朝向的相机的模型。

可以影响太阳辐射的对象可以是云覆盖，并且对象定位数据可以指示多个训练天空图像的像素的分类，该分类与天空图像中的云覆盖有关。一个或多个参数值可以是基于用户输入数据的监督学习分类器的参数值。确定预测的太阳辐照度值可以包括：

捕获测试天空图像；

将监督学习分类器应用于测试天空图像的像素，以确定与像素的云覆盖有关的分类，以及

基于分类来确定预测的太阳辐照度值。

有利的是，监督学习分类器准确地对云进行分类。特别地，监督学习分类器对云边缘及薄云和远处的云准确地分类。基于人的训练进一步允许使用具有低动态范围、有损压缩和低分辨率的廉价相机。

与云覆盖有关的分类可以基于三个标签的集合，包括厚、中和薄，或者两个标签的集合，包括云和晴空。

监督学习分类器可以是包括多个子分类器的集成分类器(ensembleclassifier)，并且确定分类可以包括将集成分类器应用于测试天空图像的像素，以针对多个子分类器中的每一个计算输出分类，并且基于多个子分类器中的每一个的输出分类来确定像素的分类。

集成分类器可以是决策森林，并且子分类器是决策树。

确定集成分类器可以包括确定决策森林的节点和边。

确定与像素的云覆盖有关的分类可以包括基于红-蓝比率分类器来确定分类。

有利的是，红-蓝比率分类器对多云和乌云准确地分类。因此，将红-蓝比率分类器与集成分类器相结合可以实现大多数云的准确分类。

该方法还可以包括：

捕获多个测试天空图像；以及

将监督学习分类器应用于多个测试天空图像的像素，以针对这多个测试天空图像中的每一个确定与云覆盖有关的分类；

其中确定预测的太阳辐照度值包括确定云像素的移动并基于云像素的移动来确定预测的太阳辐照度值。

确定云移动的优点是可以准确地预测未来的阴影事件。

确定移动可以包括确定被分类为具有高于预定阈值的云层的像素的运动向量。

该方法还可以包括基于运动向量确定时间外推，其中确定预测性能包括基于该外推来确定预测的太阳遮挡事件。

确定预测的太阳遮挡事件可以包括为预测的太阳遮挡事件确定预测的时间值或预测的幅度值或两者。

确定像素的运动向量可以包括单独为每个像素确定运动向量。

单独为每个像素确定运动向量的优点在于该方法可以捕获任意数量的独立移动的云/云层并分别预测它们对辐照度的影响。

该方法还可以包括：

捕获多个测试天空图像；以及

将监督学习分类器应用于这多个测试天空图像的像素，以针对这多个测试天空图像中的每一个的像素确定天空图像中与云覆盖有关的分类，

其中确定预测的太阳辐照度值包括基于该分类确定云形成并基于云形成确定预测的太阳辐照度值。

有利的是，当云形成警告可用时，可以准确地预测由新形成的云造成的阴影事件。

该方法还可以包括：

基于捕获的测试天空图像确定云海拔；

确定由在该云海拔处的云投射的影子(shadow)的特征值，

其中确定预测的太阳辐照度值包括基于影子确定预测的太阳辐照度值。

确定预测的太阳辐照度值可以包括确定以下当中的一个或多个：

在预定的太阳视角内存在云；

阴影时间预测；以及

太阳能发电。

一种用于操作多个相机的网络以预测辐照度的方法，包括：

对网络的多个相机中的每一个相机执行上述方法；以及

组合分类或预测，以生成指示由多个相机覆盖的区域的云覆盖和云特性的定位数据。

该方法还可以包括基于预测的太阳能辐照度值来确定太阳能***的预测性能。

该方法还可以包括基于预测的性能生成控制太阳能***的控制信号。

该方法还可以包括：

接收指示太阳能***的实际性能的测量数据；

确定预测性能与实际性能之间的差异；

确定***的配置参数，以减少预测性能与实际性能之间的差异。

配置参数可以包括图像传感器的位置和朝向。

生成控制信号可以包括以下当中的一个或多个：

生成控制逆变器输出以调节电网中的斜坡率的控制信号；

控制能量存储装置充电和放电速率以及定时；

控制电气设备能量消耗的速率和时间；

控制电气设备以为电网提供电压、频率和网络服务；以及

控制发电机以补偿由于降低太阳能***的太阳辐射水平的云覆盖而造成的性能降低。

现有方法的一个问题是，太阳能***的性能改变与电网响应于该性能改变而进行的适应之间存在延迟。因此，有利的是，在太阳能***的实际性能改变之前，当发电机被起动或逆变器受限时，可以提高电网的整体稳定性和可靠性。即，基于预测的性能而不是实际性能来控制发电机和逆变器。类似地，可以优化电池存储充电和放电速率，可以采取需求-响应动作，并且可以使用预测的太阳性能更有效地向市场提供辅助服务。

捕获训练天空图像可以包括以不同的曝光参数捕获多个图像并将这多个图像组合成单个训练天空图像。

确定太阳能***的预测性能可以包括基于历史性能数据来确定太阳能***的预测性能。

图像传感器可以以8位或更小的模拟到数字分辨率生成训练天空图像或测试天空图像或两者。

有利的是，8位相机比高动态范围相机便宜并且，即使在8位或更低的低分辨率下捕获训练天空图像以确定预测性能也产生令人满意的准确性。另一个优点是来自8位相机的压缩图像尺寸较小并且可以比来自高动态范围相机的图像更快速且更便宜地发送或存储。

图像传感器可以以1024×768像素或更小的空间分辨率生成训练天空图像或测试天空图像或两者。

该方法还可以包括重复捕获多个训练天空图像、生成显示、接收用户输入以及为跨预测区域定位的多个图像传感器确定一个或多个参数值的步骤，其中确定预测的太阳辐照度包括基于为多个图像传感器中的每一个确定的参数值来确定在预测区域内的预测定位处预测的太阳辐照度。

相机网络是有利的，因为它将大约30分钟的单相机预报范围扩展到几个小时，并使用多个相机将被覆盖的区域从10km半径扩展到数百平方公里，从而允许网络胜出诸如卫星云预测之类的长期方案，只需要一小部分的资本成本，但具有更高的空间分辨率和时间频率。优选地，相机网络每1秒以10m网格分辨率收集图像，而卫星通常将以大约10km网格每15分钟提供图像。

确定预测的太阳辐照度值可以包括为太阳热设施中的各个收集器，包括定日镜、线性菲涅耳、抛物线槽或碟形收集器，确定预测的直接法向辐照度，并且该方法还可以包括依据收集器选择和目标控制来优化接收器表面上的辐照度控制和辐照度转换速率。

确定预测的太阳辐照度值可以包括为太阳热设施中的各个收集器，包括定日镜、线性菲涅耳、抛物线槽或碟形收集器，确定预测的直接法向辐照度，并且该方法可以包括自动或手动控制以优化电站输出、短期可操作性或长期可操作性。

软件当由计算机执行时使计算机执行上述方法。

一种用于预测太阳辐照度的计算机***，包括：

第一输入端口，用于从图像传感器接收捕获的多个第一训练天空图像；

第二输入端口，用于接收与多个第一训练天空图像有关的对象定位数据，该对象定位数据指示训练天空图像中可以影响太阳辐照度的对象的位置；

处理器

基于对象定位数据来确定一个或多个参数值，参数值指示对象的定位与太阳辐照度之间的关系，以及

基于参数值来确定预测的太阳辐照度值。

计算机***还可以包括显示设备，以生成多个第一训练天空图像的显示，其中第二输入端口将接收对象定位数据作为与多个第一训练天空图像有关的用户输入数据，用户输入数据指示训练天空图像中可以影响太阳辐照度的对象的位置。

图像传感器可以被配置为生成以8位或更小的模拟到数字分辨率的训练天空图像或测试天空图像或两者。

图像传感器可以被配置为生成以1024×768像素或更小的空间分辨率的训练天空图像或测试天空图像或两者。

图像传感器可以被配置为使用有损压缩来生成图像。

相机用于捕获训练天空图像以确定预测的太阳辐照度值，其中相机被配置为生成以8位或更小的模拟到数字分辨率的训练天空图像。

被配置为生成以8位或更小的模拟到数字分辨率的图像的相机用于捕获训练天空图像，并且用于接收与训练天空图像有关的用户输入数据的显示和输入设备，用户输入数据指示训练天空图像中可以影响太阳辐照度的对象的定位，以基于多个训练天空图像和用户输入数据来确定预测的太阳辐照度值。

捕获的训练天空图像的数量可以使得预测性能的准确性足以生成补偿电力需求与预测的太阳能性能之间的差异的控制信号。

被配置为生成以8位或更小的模拟到数字分辨率的图像的相机用于捕获天空图像，该天空图像用作监督学习分类器的测试输入以预测太阳辐照度。

监督学习分类器可以是集成分类器。

相机还可以被配置为生成以1024×768像素或更小的空间分辨率的图像。

相机可以被配置为使用有损压缩来生成图像。

如上所述，可以在跨预测区域定位的相机的网络中使用多个相机，以便为预测区域周围的定位确定预测的太阳辐照度值。

优选地，网络包括多于5个相机。更优选地，网络包括多于10个相机。甚至更优选地，网络包括10到20个相机，覆盖数百平方公里或更多的可见地面区域。

相机可以被配置为生成具有以下当中的一个或多个的训练天空图像：

8位或更小的模拟到数字分辨率；

1024×768或更小的像素分辨率；以及

有损压缩的使用。

一种用于确定估计太阳能***的性能的图像传感器的网络的方法，包括：

执行上述方法以确定预测的太阳辐照度；

基于预测的太阳辐照度来确定太阳能***的预测性能；

接收指示太阳能***的实际性能的测量数据；

确定预测性能与实际性能之间的差异；以及

通过减小预测性能与实际性能之间的差异来确定图像传感器的网络。

确定图像传感器的网络可以包括确定减小预测性能与实际性能之间的差异的图像传感器的数量和位置。

一种用于太阳辐照度预测的方法，包括：

由相机捕获天空图像；以及

基于训练天空图像来确定预测的太阳辐照度值，

其中相机具有8位或更小的模拟到数字分辨率。

一种用于太阳辐照度预测的方法，包括：

由具有8位或更小的模拟到数字分辨率的相机捕获多个训练天空图像；

从显示器和输入设备接收与多个训练天空图像有关的用户输入数据，用户输入数据指示训练天空图像中可以影响太阳辐照度的对象的定位；以及

基于多个训练天空图像和用户输入数据来确定预测的太阳辐照度值。

一种用于太阳辐照度预测的方法，包括：

由具有8位或更小的模拟到数字分辨率的相机捕获天空图像；以及

将天空图像应用于监督学习分类器的测试输入，以预测太阳辐照度。

一种用于估计太阳能发电***的性能的方法，包括：

由图像传感器为不同的太阳位置捕获多个第一训练天空图像；

生成多个第一训练天空图像的显示；

接收与多个第一训练天空图像有关的用户输入数据，用户输入数据指示多个第一训练天空图像中太阳的定位；

基于用户输入数据确定一个或多个参数值，参数值指示图像传感器的定位、朝向和透镜配置；

基于参数值确定太阳在预测时间的预测位置；

基于预测的太阳位置来确定太阳能发电***的预测性能；以及

基于预测性能来生成控制太阳能***的控制信号。

一种太阳能发电***，包括：

局部太阳定位模型的监督训练模块；

太阳位置的预测模块；

太阳能发电***的性能预测模块；以及

太阳能发电***的输出的控制模块。

一种用于估计太阳能发电***的性能的方法，包括：

由图像传感器为不同的云覆盖捕获多个第二训练天空图像；

生成多个第二训练天空图像的显示；

接收指示多个第二训练天空图像的像素的分类的用户输入数据，该分类与天空图像中的云覆盖有关；

基于用户输入数据来确定集成分类器，该集成分类器包括多个子分类器；

捕获测试天空图像；

将集成分类器应用于测试天空图像的像素，以针对多个子分类器中的每一个计算输出分类；

基于多个子分类器中的每一个的输出分类，确定像素的分类为云或晴空；

基于云或晴空的分类来确定太阳能发电***的预测性能；以及

基于预测性能来生成控制太阳能***的控制信号。

一种太阳能发电***，包括：

使用集成分类器的云像素分类模型的监督训练模块；以及

基于分类的性能预测模块。

训练天空图像是由相机拍摄的天空图像的子集，其被用于训练和校准各种模型和参数，这些模型和参数允许预测***更准确地操作或预测。例如，可以显示训练天空图像以允许用户手动识别感兴趣的对象，因此可以训练全自动对象标识符以识别其它图像中的类似对象。

测试天空图像是由***自动处理的图像，以使用从训练处理获得的数据和模型来提供预测和其它信息。

以上关于方法、***、软件和用途的一个或多个方面描述的可选特征也是其它方面的可选特征。

贯穿本说明书，词语“包括”或者诸如“包含”之类的变体将被理解为暗示包括所述元素、整数或步骤，或者元素、整数或步骤的组，但是不排除任何其它元素、整数或步骤，或者元素、整数或步骤的组。

附图说明

现在将参考附图描述示例：

图1a图示了太阳***。

图1b图示了太阳能***。

图2更详细地图示了图1a和2b中的控制器。

图3图示了用于预测太阳辐照度的方法。

图4图示了示例显示。

图5a图示了未处理的天空测试图像。

图5b图示了图5a中的天空测试图像上的覆盖图，其中被红-蓝比率(RBR)分类器分类为云的区域被遮蔽。

图5c图示了图5a中的天空测试图像上的覆盖图，其中被随机森林(RF)分类器分类为云的区域被遮蔽。

图5d图示了组合的RBR和RF分类器，其中加阴影指示两个模型一致的区域，而黑色指示仅一个模型检测到云的区域。

图6图示了输出图表。

图7图示了输出直方图。

图8a图示了用于运动向量估计的测试天空图像。

图8b图示了测试天空图像上的覆盖图，以示出云的预计未来路径。

图8c图示了输出图表。

图9图示了针对高卷云类型云的云前定时预测的图表和天空图像。

图10a、10b、10c和10d图示了测试天空图像的序列。

图11a和11b分别图示了覆盖Canberra和Newcastle(澳大利亚)的相机网络。

图12图示了用于确定一个或多个兴趣点(POI)处的太阳辐射水平的方法。

图13图示了包括第一相机和第二相机以捕获天空的图像的示例***。

图14图示了包括第一相机、第二相机、第三相机和第四相机以捕获天空的图像的示例***。

图15图示了用于确定POI处的太阳辐射水平的方法。

图16图示了用于生成3D对象数据的方法。

图17图示了POI处的太阳辐射水平的确定。

图18图示了太阳能收集***。

图19A图示了示例阈值化天空图像。

图19B图示了由处理器在天空图像中识别出的单独对象。

图20A图示来自相机的天空图像。

图20B图示了相机10秒后捕获的第二图像。

图21A至21E图示了在五个帧(图像)上的示例对象跟踪。

图22图示了由处理器定义的用于确定太阳定位的像素坐标。

图23图示了太阳定位的确定。

图24图示了在一天内定义的具有太阳定位点的太阳定位的跟踪。

图25图示了地平线和地面对象的示例掩蔽。

具体实施方式

本公开提供了太阳定位模型和优化算法，从而使得能够在天空图像中准确地跟踪太阳的定位。该模型可以使用少量人类识别出的或计算机识别出的太阳定位进行训练和优化，从而允许快速且准确地设置用于具有任意鱼眼特性、倾斜和朝向的相机的模型。本公开还提供了透镜失真和校准算法，从而对失真的相机图像中的定位和移动进行建模。

本公开还提供了一种云分类模型，该模型允许使用监督机器学习模型来识别天空图像中的云，该模型是在少量人类识别出的云和天空像素上训练的。这种模型可以与标准像素红-蓝比率模型相结合，以提高分类准确性超出单独任一模型的性能，尤其是对于低分辨率、有损压缩、有限动态范围的图像，诸如来自廉价的相机硬件(诸如包括8位颜色分辨率的硬件)，包括JPEG相机和其它格式。

云存在评估聚合云像素分类数据并提供指示云的存在或不存在的特征并且估计在不久的将来发生阴影事件的可能性。

云移动识别允许从一系列图像中估计云运动向量。这可以使用光流算法和密集光流算法来在天空图像的两帧之间比较云的位置并估计它们的移动。

云投影算法允许预测云的未来位置和要进行的速度。这些自定义(custom)算法使用云运动向量(来自前一步骤)来跨失真校正的鱼眼空间地高效地估计在未来给定时间处图像中每个像素的未来位置。它识别将在太阳的给定距离内通过并因此可能造成阴影的阴天分类像素，并从中提取许多预报特征。这些特征被存储并在未来的步骤中使用，以提供辐照度和阴影定时预报。

阴影事件定时警告提供即将到来的阴影事件和时间的二元(bianry)预报。这些警告可以以一系列可调节的偏差给出，以允许一系列预报，从非常保守(避免阴影事件漏掉)到非常激进(仅预测高概率的阴影事件)。

在阴影事件期间，辐照度预测可以预报辐照度减小的定时和幅度。

云形成(平流)检测使用计算机视觉技术来检测在太阳附近的云形成(即，从晴朗的天空出现而不是跨图像移入)。可以使用这个信息提供云形成的概率警告。这些警告是云移动向量信息的重要补充，其一般不能预测由从晴朗的天空形成的云造成的阴影事件。

云高度立体摄影使用来自间隔适当距离的两个或更多个相机的并发图像，以匹配所有图像中的云像素信息并使用立体摄影确定它们的高度。

广域阴影投影和预报使用云高度测量来构建要构建的云定位的3D模型，并使用射线追踪技术来推断地面上阴影的位置。

多相机预报组合将上述技术相结合，并将它们应用于来自跨越一个区域(如城市)的skycam网络的多个并发实时图像，以提供无缝的区域范围预报，从而提供非常高分辨率的预报，它具有比单个相机长得多的时间范围和高得多的准确性。

光伏逆变器输出整形和斜坡率限制可以使用skycam观测和预报(即，预测的辐照度值)来控制多个太阳逆变器，从而限制它们的输出以最小化电网中的斜坡率。

本文提供了一种工具，其评估单相机和多相机辐照度预报的性能简档，并且允许多相机网络中的相机的最佳放置和间隔，以确保区域在所有云条件下被充分覆盖，并且所选区域中的预报错误可以被评估。

该工具可以采用阴影、辐照度和/或太阳能预报，以及可选的负载预报，并使用它们确定在电网或迷你电网中需要的最佳旋转备用量(amount of spinning reserve)(基本负载生成的附加能力以覆盖负载中可能出现的意外改变和间歇性生成)。

一些技术通过组合来自同一相机的不同曝光下或者来自彼此靠近的具有不同曝光的多个相机的多个图像在全天空图像中使太阳耀斑的影响最小化并使太阳附近的云更加可见。

一些算法检测云的形成和散开，具体而言是旨在检测从太阳附近的晴朗天空形成的云，这些云很可能在不久的将来遮蔽太阳。

监督学习技术可以使用像素数据和云移动预报信息来预测太阳辐照度和/或太阳能产量。这些模型在历史天空图像和来自相同或不同定位的数据上进行训练。

该技术的潜在用途包括：

具有光伏(PV)和化石燃料备用的远程区域能量***

分布式PV-住宅/商业屋顶PV

大型并网PV-PV太阳能发电场

大型聚和太阳热-定日镜场太阳能发电场

小型太阳热-住宅太阳能热水、太阳能空调

能源市场-发电机调度和维护计划

商业/工业建筑高峰电荷避免

电气网络管理和计划

太阳能资源评估和预报验证-

向天气预报机构销售数据

家庭安全

图1a图示了太阳***100，其包括穿过云102照到镜子103上的太阳101。镜子103将太阳光反射到太阳塔104上，其中日光被转换成热量，其最终生成电力。控制器105移动镜子103以跟随太阳101，以最大化到达塔104的日光量。当不足的日光到达塔104时，控制器105可以起动柴油发电机106或其它替代发电机，以补偿由于太阳101被云102遮挡而引起的由塔104生成的电力的减少。要注意的是，在大多数实际应用中，将存在大量的镜子，诸如在Ivanpah太阳能发电***的情况下为173500个镜子。这些镜子中的每一个可以由控制器105单独控制。

控制器105面临镜子103、塔104和柴油发电机106的***在控制决策与控制效果之间呈现显著时间滞后的困难。例如，一旦云102遮挡太阳101，所生成的电力就下降得比发电机106启动时还快。在另一个示例中，使用多个镜子并且旨在维持恒定的电力输出，这意味着在高照度的有些时候，一些镜子需要将日光指引到其它地方。测量塔104中的温度可能太慢以至于不能执行镜子的高效控制。

为了解决***中的时间滞后，控制器105预测太阳辐照度。例如，控制器105针对整个镜子场或单独的每个镜子预测太阳辐照度。特别是对于大型镜子阵列，一些镜子可以被云102遮蔽，而其它镜子被完全照亮。通过预测太阳辐照度，控制器105可以更准确地确定如何控制***，包括何时启动发电机106、是否停止发电机106或使其对于下一次遮挡保持运行，或者是否调节镜子103的朝向。

三个相机107、108和109支持控制器105对太阳辐照度的预测。特别地，相机107、108和109捕获天空图像并将这些图像呈现给用户。用户通过在天空图像上指示可以影响太阳辐照度的对象(诸如云102、太阳101或人造对象(包括飞机、直升机和飞艇))来辅助控制器105。这意味着用户识别出如果位于正确的定位(诸如遮挡太阳)那么将影响太阳辐照度的对象。但是，为了学习那些对象的到来，当前显示的对象实际上可能不会遮挡太阳，而是相同类型的类似对象可能在以后遮挡太阳。基于这些分类辅助，控制器105学习分类另外的图像并预测在由相机107、108和109覆盖的区域内的任何定位处的太阳辐射。

图1b图示了太阳能***，其中诸如图1a中的镜子103之类的镜子由光伏太阳能收集器110的阵列代替，该光伏太阳能收集器110直接发电而不首先将辐射转换成热能。类似于图1a，控制器105控制如本文所述的各个光伏太阳能收集器110和发电机106。

图2更详细地图示了控制器105。控制器105基本上是计算机***，其包括连接到程序存储器202、数据存储器203、通信端口204和用户端口204的处理器201。程序存储器202是非瞬态计算机可读介质，诸如硬盘驱动器、固态硬盘或CD-ROM。软件(即，存储在程序存储器202上的可执行程序)使处理器201执行图3中的方法，即，处理器201通过经由通信端口204从相机107接收图像数据来捕获天空图像。处理器201接收对象定位数据，该对象定位数据指示训练天空图像中可以影响太阳辐照度的对象的定位。这个对象定位数据可以由自动检测图像中的对象的计算机视觉算法生成。处理器201还可以在屏幕106上生成显示207，以从用户218接收指示可以影响太阳辐照度的对象的用户输入。处理器201然后确定对象的定位与太阳辐照度之间的关系，并基于该关系来预测太阳辐照度。

然后，处理器201可以将预测的太阳辐照度值存储在数据存储器203上，诸如存储在RAM或处理器寄存器上。处理器201还可以经由通信端口204将所确定的预测太阳辐照度值发送到服务器220(诸如天气服务提供商)。

处理器201可以从数据存储器203以及从通信端口204和用户端口205接收数据(诸如天空图像数据)，用户端口205连接到向用户116示出测试天空图像的视觉表示207以及潜在预测的太阳辐照度的显示206。在一个示例中，处理器201经由通信端口204(诸如通过使用根据IEEE 802.11的Wi-Fi网络)从相机107、108和109接收图像数据。Wi-Fi网络可以是分散式特设网络使得不需要专用的管理基础设施(诸如路由器)或具有管理网络的路由器或接入点的集中式网络。

在一个示例中，处理器201实时接收并处理测试天空图像。这意味着处理器201在每次从相机107、108和109中的一个或多个接收到图像数据时确定预测的太阳辐照度值，并在相机107、108和109发送下一个图像数据更新之前完成这个计算。

虽然通信端口204和用户端口205被示为不同的实体，但是应当理解的是，可以使用任何种类的数据端口来接收数据，诸如网络连接、存储器接口、处理器201的芯片封装的引脚，或逻辑端口(诸如IP套接字或存储在程序存储器202上并由处理器201执行的功能的参数)。这些参数可以存储在数据存储器203上，并且可以在源代码中按值或按引用(即，作为指针)处理。

处理器201可以通过所有这些接口接收数据，这包括易失性存储器(诸如高速缓存或RAM)或非易失性存储器(诸如光盘驱动器、硬盘驱动器、存储服务器或云存储装置)的存储器访问。控制器105还可以在云计算环境中实现，诸如托管动态数量的虚拟机的互连服务器的受管理组。

应当理解的是，在任何接收步骤之前，处理器201可以确定或计算稍后接收的数据。例如，处理器201通过预过滤或其它图像处理来确定图像，并将图像存储在数据存储器203(诸如RAM或处理器寄存器)中。然后，处理器201从数据存储器203请求数据，诸如通过与存储器地址一起提供读信号。数据存储器203在物理位线上提供数据作为电压信号，并且处理器201经由存储器接口接收图像数据。

应当理解的是，除非另有说明，否则贯穿本公开中，节点、边、图形、解决方案、变量、值等是指数据结构，其物理地存储在数据存储器203上或由处理器201处理。另外，为简洁起见，当对特定的变量名称(诸如“时间段”或“太阳辐照度”)进行引用时，这应当被理解为是指作为物理数据存储在控制器105中的变量的值。

图3图示了由处理器201执行的用于预测太阳辐照度的方法300。图3应当被理解为软件程序的蓝图，并且可以逐步实现，使得图3中的每个步骤由编程语言(诸如C++或Java)中的函数表示。然后将结果所得的源代码编译并存储为程序存储器202上的计算机可执行指令。

方法300开始于处理器201通过图像传感器(诸如通过相机107、108和109)捕获301多个训练天空图像。捕获图像可以包括从相机107、108和109请求(拉取)图像数据或接收未请求的(推送)图像数据。捕获还可以包括由半导体设备执行的实际处理，同时在光照射半导体以使电子以可检测的方式移动的同时保持光圈打开的，包括CMOS和CCD原理。在捕获多个训练图像期间，图像传感器可以保持在恒定的定位、朝向和透镜配置。定位包括纬度、经度、海拔或其它坐标，朝向包括定义图像传感器的视线的角度。透镜配置包括焦距。恒定的定位、朝向和透镜配置意味着这些参数在捕获多个训练图像之间不会发生显著变化。换句话说，对于所有多个训练图像，不移动的对象的定位出现在相同的像素定位处。因此，快门和光圈不是透镜配置的一部分，因此，快门速度和光圈尺寸可以在不同的训练图像之间变化，以适应不同的光照条件而不影响在图像中对象的像素定位。

在其它示例中，预先确定定位、朝向和透镜配置。例如，图像传感器的朝向可以根据太阳的不同方位随季节而变化。在确定太阳和云的位置时，在处理器201可以从数据存储器检索当前值以将该当前值考虑在内的意义上预定义这种改变。在又一个示例中，在传感器平台不稳定的情况下(诸如在车辆、船舶、无人机等上)，可以通过包括惯性传感器的传感器测量当前位置和朝向。

接下来，处理器201生成多个训练天空图像的显示。图4图示了示例显示，其中显示了多个训练天空图像中的一个。该显示器示出了太阳401以及云402和403。但是，难以自动准确地检测太阳和云。因此，用户208在触摸屏206上轻击以将某些像素分类为云、晴空或太阳。

处理器201接收与多个训练天空图像有关的这个用户输入数据。用户输入数据是指示训练天空图像中可以影响太阳辐照度的对象的定位的对象定位数据。对象包括云和太阳。例如，用户输入数据包括一对值(150,100)，其指示用户208已将列150和行100处的像素分类为云。在这个示例中，处理器201在设备总线上经由来自触摸屏控制器的中断的激活来接收数据。在其它示例中，设备206在控制器105外部，并且处理器201通过互联网或者包括Wifi和蓝牙的其它数据连接来接收用户输入数据。

可替代地，或除上述之外，处理器201还可以通过执行计算机视觉算法来自动检测对象、将结果存储在数据存储器203上并从数据存储器203接收对象定位数据来接收对象定位数据。例如，处理器201可以通过搜索在图像中形成大致圆形区域的高度饱和的像素来自动识别晴空条件下的太阳的定位。

基于对象定位数据，处理器201确定一个或多个参数值。参数值指示对象的定位与太阳辐照度之间的关系。

在太阳401的情况下，处理器201可以计算相机107的朝向，例如，因为朝向指示图像中太阳的像素定位与太阳辐照度之间的关系。通过使用多个训练图像以及拍摄那些图像之间的时间差，处理器201可以确定图像传感器的鱼眼镜头几何形状、位置和朝向。由于这些参数指示太阳的定位与太阳辐照度之间的关系，因此处理器201可以利用这个信息预测太阳在图像上的移动。在一个示例中，处理器201对棋盘图案的多张照片使用来自苏黎世大学的用于Matlab的全方位相机校准工具箱(OCamLib)。在计算出这个经校准的鱼眼模型之后，处理器201可以使用标准的太阳方位/天顶模型来计算天空中太阳的粗略角度，并使用鱼眼模型来确定对应于哪个鱼眼图像像素。除非相机是完全平坦的且朝向真实的北方，否则这个定位可能是不准确的，因此处理器201执行优化，以将用户输入的真实太阳定位的模型拟合到计算出的太阳定位，从而允许旋转和平移误差。例如，一旦像这样处理了10个图像，处理器201就可能已经计算出来自这个相机的图像中的任何其它时间戳的太阳像素坐标的准确估计(假设固定位置和固定透镜配置)。

例如，使用为已知纬度、经度和时间确定方位和天顶的太阳定位模型，处理器201可以针对给定的时刻计算a)太阳的计算出的方位和天顶角与b)图像中用户输入的太阳坐标401之间的误差。通过在晴天的不同时间拍摄的图像中的许多这样的计算，通过将模型拟合到最小化定位误差的标准模型，可以针对具体的相机朝向校正标准太阳定位模型。该校正模型允许在任何时间高度准确地预测来自这个相机的天空图像中的太阳定位。

在一个时刻t₁，处理器201在两个图像中具有一对太阳定位，比如说(v₁,v′₁)，并且在另一个时刻t₂，处理器201在两个图像中具有另一个对太阳定位，比如说(v₂,v′₂)。要注意的是，这些向量中的每一个都在3D空间中。处理器201可以计算以下两步闭合形式解，以基于两对或更多对匹配的太阳定位获得相对旋转信息：首先估计旋转轴，然后估计围绕这个轴的旋转角。

旋转轴

对于两个向量(v₁,v′₁)，处理器201找到垂直于由v₁和v′₁形成的平面并且平分v₁和v′₁的平面π₁。类似地，处理器201找到用于(v₂,v′₂)的平面π₂。然后，处理器201找到平面π₁和平面π₂的交叉线。这条交叉线的方向是处理器201要获得的旋转轴并表示为v_axis。

旋转角

一旦获得了旋转轴，就可以获得围绕这个轴的旋转角。对于向量v，它可以被分解为两个分量：一个平行于v_axis，另一个垂直的或正交于v_axis。在这个示例中，v_n表示v的法向分量。类似地，v′_n表示v′的法向分量。旋转角θ是两个向量v_n与v′_n之间的角度并且可以通过θ＝获得。

然后可以使用旋转轴和旋转角信息基于以下公式构造旋转矩阵R：

R＝I+(sinθ)H+(1-cosθ)H²

其中I是单位矩阵，并且H是由旋转轴的元素组成的斜对称矩阵。

如果可以获得天空的公共区域的两个或更多个图像中的多对或多个集合的远距离对象定位，那么对于每两对或两个集合的对象定位信息，可以获得旋转轴和旋转角。在一个示例中，在获得旋转轴和旋转角时考虑的远距离对象可以包括太阳、月亮、明亮的恒星或卫星。可以通过简单平均或者通过更复杂的健壮估计来组合多种此类测量，以获得更准确和/或可靠的旋转信息。

图像变换

利用为来自相机的两个图像获得的旋转信息，可以旋转其中一个图像，使得其与另一个图像更好地对准。这是将原始鱼眼图像中的一个变换为经变换的鱼眼图像的处理，该经变换的鱼眼图像应当与另一个原始图像具有相同的成像角度。如果需要，那么还可以使用相机校准参数获得未失真的图像。

相机平移

给定可用的相机旋转信息，还可以使用图像特征匹配信息来获得两个相机之间的平移。这个特征匹配信息可以通过自动稀疏特征匹配或密集光流估计处理获得。可以从光流估计结果中选择良好的特征匹配。

云高度计算

利用所获得的相机几何信息，其包括旋转和平移以及可以通过特征匹配、密集立体匹配或光流估计获得的图像测量，可以使用立体摄影技术获得云高度和关于天空中的对象的其它3D信息，即，通过测量具有重叠视场的两个或更多个图像中的可见云的表观相对平移(以像素或子像素为单位)。

相机的网络可以由紧密间隔(100m-2km)相机的集合(对、三元组、四边形等)组成。每个集合可以与其它集合隔开2-20km。这允许使用立体摄影在每个紧密间隔的集合内进行使用立体***的准确的3D云建模，以产生准确的3D点云或对象的网格，同时还通过使用与其它集合具有少量重叠的多个集合来允许宽覆盖，以使用少量相机提供最大的宽区域覆盖。

在云402和403的情况下，处理器201从用户识别出的云和天空区域检索像素颜色和移动值以及纹理信息，并训练分类器。然后可以将分类器应用于测试图像，以确定测试图像中云的定位。在多个测试图像上，处理器201可以确定云的移动(诸如速度)，并且预测云何时将在预测的太阳定位遮挡太阳。以这种方式，处理器201基于参数值确定预测的太阳辐照度值。在一个示例中，结果是二元的。即，结果或者指示阴影水平或者晴空辐照度中的任一个。在另一个示例中，结果是连续的辐照度值(例如，从0到1000W/m2)。

用户输入数据指示多个训练天空图像的像素的分类，该分类与天空图像中的云覆盖有关。例如，用户接口400可以包括给用户的指令，诸如“请轻击云”。每次用户轻击图像的像素时，处理器201接收一组像素的RGB颜色值。处理器201使用这个RGB颜色值作为被肯定地分类为“云”(TRUE)的训练样本。用户接口400可以将显示的指令改变为“请轻击晴空”。然后，处理器201可以使用接收到的RGB值作为否定分类(即，蓝天(FALSE))的训练样本。在另一个示例中，可以要求用户在一系列图像中单独对薄云和厚云进行分类。

处理器201重复接收训练样本的步骤，直到处理器201学习到足够准确的模型。换句话说，处理器201基于用户输入数据计算参数值，并且这些参数值是云模型的参数值，因此指示云的定位与太阳辐照度之间的关系。虽然在一些示例中处理器201计算云402和403的当前位置，但是重复这种计算可以导致移动估计，因此，该位置指示云402和403的定位与太阳辐照度之间的关系。

在一个示例中，一个或多个参数值是基于用户输入数据的监督学习分类器的参数值。在那种情况下，处理器201可以使用稍后捕获的测试天空图像的像素作为输入来评估将分类输出为云或晴空(或如本文所述的另外的类)的分类器。然后，处理器201基于所有像素相对于太阳定位的分类和投影移动来确定预测的太阳辐照度值。特别地，处理器201对于后续测试图像重复分类步骤，以确定云的移动以及何时该移动与太阳的移动相交。

在一个示例中，分类器是监督学习分类器，并且优选地，是包括多子分类器的集成分类器。处理器201通过将集成分类器应用于测试天空图像的像素来确定分类，以针对多个子分类器中的每一个计算输出分类。然后，处理器201基于多个子分类器中的每一个的输出分类来确定像素的分类。对于贝叶斯最优分类器的示例，处理器计算其中y是预测的类，C是所有可能类的集合(诸如“云”和“晴空”或其间的更多类)。H是假想空间，P是指概率，并且T是训练数据，即，由用户从训练天空图像标记的训练像素值。

在另一个示例中，集成分类器是随机森林，并且子分类器是决策树，如在Breiman，Leo(2001)“Random Forests”Machine Learning 45(1):5–32中所述，其通过引用包含于此。处理器201通过使用树形学习器并应用自举聚合或装袋来训练随机森林，即，处理器201选择随机样本并替换训练像素值。处理器201将树拟合到这些样本：

对于b＝1，...，B：

采样，有替换，来自X，Y的n个训练示例；称这些为X_b，Y_b。

在X_b，Y_b上训练决策或回归树f_b。

然后，处理器201将经训练的分类器应用于测试图像的像素，并对每个像素将来自x′上的所有单体回归树的预测求平均：

处理器201还可以随机地为每个决策树选择特征的子集。在决策树中考虑的特征可以包括来自多个先前图像的这些值的变化的加权和。在另一个示例中，特征可以包括来自周围像素的纹理信息，红色、绿色、蓝色(RGB)通道。在另一个示例中，特征可以包括在图像中从该像素到太阳的定位的距离，色调、饱和度、亮度(HSV)通道，来自多个先前图像的这些值的变化的加权和，来自周围像素的纹理信息。在另一个示例中，特征可以包括在图像中从该像素到太阳的定位的距离，色调、饱和度、亮度(HSV)通道，来自多个先前图像的这些值的变化的加权和，来自周围像素的纹理信息，红色：蓝色比率(RBR)，红色、绿色、蓝色(RGB)通道，红色-蓝色差异(RBD)，来自多个先前图像的估计移动量，或太阳的当前方位和天顶角。在另一个示例中，特征可以包括来自周围像素的纹理信息，来自多个先前图像的估计移动量。在另一个示例中，特征可以包括红色-蓝色差异(RBD)，色调、饱和度、亮度(HSV)通道，太阳的方位和天顶角，来自周围像素的纹理信息，红色、绿色、蓝色(RGB)通道，来自多个先前图像的这些值的变化的加权和，关键点定位，Viola-Jones矩形特征。在另一个示例中，特征可以包括太阳的方位和天顶角，Viola-Jones矩形特征，红色、绿色、蓝色(RGB)通道。在另一个示例中，特征可以包括在图像中从该像素到太阳的定位的距离，色调、饱和度、亮度(HSV)通道，尺度不变特征变换(SIFT)特征。在另一个示例中，特征可以包括在图像中从该像素到太阳的定位的距离，色调、饱和度、亮度(HSV)通道，红色：蓝色比率(RBR)，Viola-Jones矩形特征，红色、绿色、蓝色(RGB)通道，来自多个先前图像的估计移动量。在另一个示例中，特征可以包括在图像中从该像素到太阳的定位的距离，Viola-Jones矩形特征，色调、饱和度、亮度(HSV)通道，红色-蓝色差异(RBD)，关键点定位，红色：蓝色比率(RBR)，太阳的方位和天顶角，红色、绿色、蓝色(RGB)通道，尺度不变特征变换(SIFT)特征。在另一个示例中，特征可以包括在图像中从该像素到太阳的定位的距离，来自多个先前图像的这些值的变化的加权和，红色：蓝色比率(RBR)，关键点定位，来自多个先前图像的估计移动量，来自周围像素的纹理信息，红色-蓝色差异(RBD)。在另一个示例中，特征可以包括红色：蓝色比率(RBR)，来自多个先前图像的这些值的变化的加权和，红色-蓝色差异(RBD)，来自周围像素的纹理信息，尺度不变特征变换(SIFT)特征，色调、饱和度、亮度(HSV)通道。在另一个示例中，特征可以包括关键点定位，来自多个先前图像的估计移动量，色调、饱和度、亮度(HSV)通道，来自多个先前图像的这些值的变化的加权和，红色、绿色、蓝色(RGB)通道，Viola-Jones矩形特征，尺度不变特征变换(SIFT)特征。

在这个意义上，在基于训练图像的训练期间，处理器201通过确定随机森林的节点和边来确定集成分类器。即，如果这些特征指示分类(叶子/终端节点)，那么处理器201学习到某些特征(节点)是连接的(边)。换句话说，从顶部节点到分类输出的路径指示哪些特征对那个分类有贡献。例如，像素的亮度通道(V)中的高值可能有助于“云”分类，因为云一般是更亮(白色)的像素。

在一个示例中，处理器201还使用红-蓝比率对每个图像像素进行分类。即，如果红-蓝比率高于预定阈值，那么处理器201将那个像素分类为云。在一个示例中，如果RBR>0.95，那么处理器201被分类为云。在其它示例中，阈值测试是RBR>1.0，如果传感器或JPEG压缩产生大量图像噪声，那么这是特别有用的。如果红-蓝比率低于阈值，那么处理器201评估集成分类器并且，如果集成分类器输出云分类，那么将像素分类为云。换句话说，最终的云像素是由于红-蓝比率阈值的云像素和由于集成分类器的云像素的并集。

如上面所提到的，处理器201可以捕获多个测试天空图像并将监督学习分类器应用于多个测试天空图像的像素。然后，处理器201针对多个测试天空图像中的每一个确定与云覆盖有关的分类。然后，处理器201可以通过确定云像素的移动并基于云像素的移动确定预测的太阳辐照度值来确定预测的太阳辐照度值。例如，处理器201可以确定被分类为具有高于预定阈值的云覆盖的像素的运动向量，例如通过遵循H.264/MPEG-4AVC标准。在另一个示例中，处理器201使用Farneback算法。在这个意义上，处理器201计算后续图像之间云像素的定位的差异，并使用这个差异来为每个云像素确定移动方向和速度。

在一个示例中，处理器201将测试天空图像划分为块并最小化后续图像之间块匹配的误差。在另一个示例中，处理器201使用云像素的连续区域作为一个对象，并且在较早的帧中移位那个云对象，直到被位的对象最小化与后一帧的差异。于是，位移的方向的量与两个图像之间云的移动完全相同。

类似地，处理器201可以将除移位之外的变换应用于云对象。例如，处理器201增加云对象的大小，直到与后一图像的差异最小化。这允许处理器201考虑云形成，即，新云的生成或增长的云。在这个意义上，处理器201通过基于分类确定云形成并基于云形成确定预测的太阳辐照度值来确定预测的太阳辐照度值。

然后，处理器201可以使用运动向量来计算预测的太阳遮挡事件的预测时间值或预测幅度值或两者。即，处理器201基于当前云的速度和方向以及到太阳的距离来计算云到达太阳所需的时间。

在另一个示例中，处理器201确定云海拔，诸如通过另外的传感器，包括激光、雷达、卫星或者来自两个或更多个单独相机的立体视觉。基于海拔，处理器201然后可以通过应用射线追踪或其它影子构造技术、或者使用来自具有已知透镜几何形状的相机的分类云图像的几何变换来计算云将如何在地球上投射影子。处理器201还可以在确定影子定位时考虑地形数据。影子的特征值可以是影子的轮廓或影子的定位。处理器201可能已经存储预报区域的地图或其它表示，诸如地球表面上的点网格。处理器201可以确定网格的每个点的遮蔽程度，其表示网格的那点处预测的辐照度值。处理器201可以使用从一个或多个并发云图像提取的预测特征和云类型分类以及来自若干定位的对应过去辐照度或能量测量值来建模和预测每个网格点处的遮蔽程度。一旦构建了云层的三维模型，处理器201就可以通过检查预测与太阳和感兴趣的地面位置之间的线相交的云来确定遮蔽的定时。例如，薄云(诸如中卷云)只会投射弱影子，这会将照射降低到晴空值的90％。相反，厚厚的深灰色积云可以投射强烈的影子，使照射降低到晴空值的10％。

栅格的点也可以是非规则的，而是单个收集器(诸如太阳热设施方法中的定日镜、线性菲涅耳、抛物线槽或碟形收集器)的定位。因此，处理器201确定太阳辐照度值，诸如每个收集器的直接法向辐照度。这允许依据收集器选择和目标控制在接收器表面(诸如塔104)上优化辐照度控制和辐照度转换速率。例如，处理器201维护收集器列表，该列表按辐射以降序排序并从列表的顶部选择收集器，直到达到收集器所需的总太阳辐射量。在这个意义上，处理器201执行自动控制以优化电站(plant)输出。由于更高效地利用接收器表面，因此所提出的控制还优化了短期可操作性和/或长期可操作性。

利用以上数据，处理器201可以确定以下当中的一个或多个：

在预定的太阳视角内云的存在；

遮蔽时间预测；以及

太阳能发电。

如图1a和1b中所示，多个相机107、108和109可以形成相机网络。处理器201可以从相机网络中的多个相机接收捕获的测试天空图像。相机网络可以包括多于5个相机、多于10个相机，或10到20个相机之间。在其它示例中，相机网络包括超过100个相机或甚至数千个相机，这在经济上是可能的，因为所公开的方法允许使用低成本的相机和低质量的有损压缩图像，这些图像的传送和存储成本较低。

因此，处理器201可以组合各个相机像素的分类以生成指示由多个相机覆盖的区域的云覆盖和云特性的定位数据。例如，处理器201可以已经存储关于来自相邻相机的图像的重叠的信息，并且因此可以确定由多于一个相机看到哪些云。处理器201还可以将鱼眼图像变换为线性图像(即，执行透镜失真的校正)，然后将图像缝合在一起，以获得由相机网络覆盖的整个区域的单个图像。然后，处理器201可以在这单个图像上应用上述方法以预测太阳辐射并且可以预测光伏性能，诸如以kW/h为单位的电能生成。

随着时间的推移，处理器201可以收集实际产生的能量的测量数据并将该测量数据与预测数据进行比较。然后，处理器201可以执行优化方法，以调节图像传感器的配置参数。例如，处理器201可以计算图像传感器的优化定位，使得预测与测量之间的差异最小化。

以下是多相机朝向算法的描述。相机网络中所有相机之间的对准(倾斜和朝向)，因此它们相应的图像可以准确对准，这对于经由三角测量、太阳跟踪、3D云建模和地面影子投影来估计云高度是重要的：

多相机自动朝向校准

公开了一种用于估计任何两个相机的相对旋转参数的封闭形式的解决方案。该算法仅使用来自两个或更多个相机在多个时间实例拍摄的同时图像的两对或更多对太阳定位信息。它不需要使用可以通过使用相机的时间和定位获得的绝对太阳定位信息。但是，如果绝对太阳定位信息可用，那么也可以使用它。该算法简单、直接且非迭代。这种获得的旋转参数可以用于生成未失真的图像或者以不同的视角生成虚拟鱼眼图像。

一旦获得了旋转参数，就也可以使用来自匹配的图像特征点的线性算法来获得两个相机之间的平移参数。用于旋转和平移参数的估计的分离有助于实现更好的参数估计。在获得旋转和平移参数之后，可以使用来自两个或更多个相机的立体图像特征匹配来测量云高度。

该算法可以应用于安装在城市中的多个相机，以获得这些相机的所有朝向参数。可以选择可选的主相机作为参考点。还可以执行对参数的健壮估计的进一步处理，以移除不良图像匹配。非线性参数优化也可以用于参数精炼。

同样的算法也可以用于使用相对于地球的太阳朝向和图像中太阳的像素定位来估计鱼眼相机与地球或太阳的绝对定位之间的相对朝向。需要最少两对这样的测量。一旦获得了相机与地球/太阳之间的这种相对朝向，就可以对图像或人造/合成鱼眼图像进行校正。有时在特征匹配或太阳定位估计处理中可以发生显而易见的(gross)错误和不匹配。为了改进参数估计处理，可以使用健壮的估计方法(诸如随机样本一致性(RANSAC)、最小中值平方或其它方法)来移除显而易见的错误或不良匹配。只有好的数据用于参数估计。使用或不使用健壮的估计步骤从封闭形式的解决方案获得的参数可以使用基于从封闭形式解决方案获得的初始参数的非线性优化处理来进一步改进。这个优化处理可以包括所有良好的数据点(如果包括这个处理，那么在健壮的估计处理之后)。

在一个示例中，图像传感器应用曝光包围(bracketing)来提供用于不同曝光的多个天空图像，诸如在+3到-3光圈分档位之间的范围内的五个图像。这允许处理器201将这些图像组合成单个HDR图像，这解决了低成本图像传感器通常遭受的有限动态范围的问题。

本公开中使用的相机可以被配置为生成具有8位或更少的数字分辨率的图像。数字分辨率可以指芯片中A/D转换器的实际输出位数或写在相机存储器上的输出文件中的位数。这意味着相机可以采用更高的内部分辨率或动态范围，并且当数据写入存储器时降低数据的分辨率或动态范围，这也称为下采样。8位的使用允许使用廉价的相机，而上述分类方法甚至基于劣质图像数据也提供准确的预测。一些低成本相机还被配置为生成具有1024×768像素或更小像素分辨率的图像数据，并且再次，虽然图像信息量低，但上述方法仍然实现了良好的准确性。例如，相机可以包括图像处理器，该图像处理器从具有12位动态范围的700万像素CCD或CMOS传感器接收原始传感器数据，执行图像处理(诸如去转向(De-Bayering)、去噪、色彩平衡、以及可选地将像素分辨率下采样为1024×768和将动态范围下采样为8位)。然后，图像处理器将结果所得的图像作为文件存储在存储器上(诸如JPEG图像文件)，或者将文件发送到控制器105。

捕获的训练天空图像的数量使得预测性能的准确性足以生成补偿功率需求与预测的光伏性能之间的差异的控制信号。在一个示例中，两个连续图像可以至少足以给出辐照度或阴影的预报。四个或五个图像(以10秒间隔)可以给出更好的性能，因为可以平滑或滤除运动向量中的噪声。

相机网络是有用的，因为它将大约30分钟的单相机预报范围(horizon)扩展到几个小时，并使用多个相机将覆盖范围从大约10公里半径扩展到数百平方公里，从而允许网络胜出诸如卫星云预测之类的长期方案，只需要一小部分的资本成本，但具有更高的空间分辨率和时间频率。例如，相机网络每1秒以10m网格分辨率收集图像，而卫星通常将以大约10km网格每15分钟提供图像。

这个网络提供的高空间和时间分辨率预报数据在天气和电力预报、能量网络优化和控制、电力需求管理、电存储管理领域中具有许多应用。其次，收集的图像也可以用于其它应用，如森林火灾检测和定位、家庭/企业安全、风暴和闪电跟踪和保险、飞机跟踪等。

图5a图示了未经处理的天空测试图像。

图5b图示了图5a中的天空测试图像上的覆盖图，其中由红-蓝比率(RBR)分类器分类为云的区域被遮蔽。这对多云的天空和乌云示出良好的性能。但是，在诸如511处所指示的太阳附近，RBR分类器错误分类，并且漏掉了如512和513处所指示的薄云和近地平线云。

图5c图示了图5a中的天空测试图像上的覆盖图，其中被随机森林(RF)分类器分类为云的区域被遮蔽。这对云边缘并且对薄和遥远的云示出敏感性。图5c还示出了良好的近太阳性能。但是，RF分类器漏掉了如521和522所指示的乌云和非纹理化的云区域。

图5d图示了组合的RBR和RF分类器，其中阴影指示两个模型一致的区域，而黑色指示仅一个模型检测到云的区域。这示出两种模型是如何互补的。

图6图示了可以由所提出的***和方法输出的图表600。该图表包括直接法向辐照度(DNI)601、全局水平辐照度(GHI)602和光伏(PV)能量603。当前时间在604处指示，并且当前时间604的右侧的值是预测值。这示出云覆盖的急剧增加导致605处预测的辐照度急剧下降。警告时间约为7分钟，这足以使***准备好。

图7图示了可以由所提出的***和方法输出的直方图700。直方图包括示出围绕太阳的同心环中的云百分比的条。即，x轴表示距太阳的距离增加。在一个示例中，这种云存在数据可以由控制***用于起动发电机以补偿可能即将到来的光伏阵列的遮蔽。

图8a图示了用于运动向量估计的测试天空图像800。测试天空图像800包括太阳801和远处的云802。云802朝着太阳801移动并且目标是预测云802何时将减少太阳辐射。图8b图示了在测试天空图像800上的覆盖810，以示出云的投影的未来路径811，其中黑色区域基于预测的太阳位置和云像素的当前运动向量的投影指示未来云802的可能路径。在这个示例中，在接下来的半小时内的模拟以10秒的时间步长运行，采用从所有当前图像的像素中提取的所有运动向量，并在鱼眼图像上外推它们，以计算多云像素未来将采取的可能路径811。如果在这个模拟期间这些路径中的任何路径穿过太阳801周围的区域，那么标记路径及其始发云像素812以供进一步分析。这个模拟导致直到这些多云像素中的每一个可能遮蔽太阳的时间的估计，并且从始发云像素812提取的特征用于估计它们可能造成的阴影量。因为这种方法在每像素级别上操作，所以它可以考虑以任意数量的不同速度移动的任意数量的云像素、云和云层。因为模拟完全在鱼眼空间中执行，所以它在计算上是高效的，并且可以单独考虑每个像素。

图8c图示了包括DNI 801、GHI 822、PV能量833、有效云像素834(它是图8b中的阴影区域812中的像素数量)的图表800。图8c进一步示出了由图8a中的云802造成的835处的遮挡事件。

图9图示了针对高卷云类型云的云前定时预测的图表900和天空图像901。这个示例基于来自地平线附近的接近云的像素903的外推运动向量902，示出了对遮蔽事件的预测时间的准确性。图表900示出了预测的遮蔽时间(垂直轴)与实际测得的遮蔽时间(水平轴)。虚线910表示完美的预报。另外的线911、912和913分别示出了云像素直方图的开始的第1、第2和第5百分位数。这些表示直到云的前边缘进入太阳区域914的估计时间。这些估计是从所示图像的时间起每隔10秒计算的，直到遮蔽事件开始的时间。图表900图示了在事件发生前大约33分钟首次检测到云，并且预报的遮蔽时间非常准确(其它曲线接近蓝色点线)，从事件前大约22分钟减小到大约3分钟。

图10a、10b、10c和10d图示了测试天空图像的序列。这个序列示出了云1001，其在3个顺序帧上(图10a、10b和10c)在太阳1002附近形成，然后跳跃4分钟，以示出形成的云1001遮蔽太阳1002(图10d)。这个特定的云1001在其形成时似乎正在远离太阳1002移动，因此可能不会被基于运动向量的检测方法检测到。但是，它朝着太阳1002的形成速率比其离开的移动快，因此它实际上造成遮蔽事件。从这个形成检测算法生成的警告提供了足够的时间来在事件之前采取行动，这对于仅使用基于运动向量的方法是不可能的。

图11a和11b分别图示了覆盖Canberra和Newcastle(澳大利亚)的相机网络。圆圈指示网络中每个相机的视场(具有低云层)的较低值，定位成提供城市的重叠覆盖。图显示，少量相机可以提供整个城市的视觉覆盖。特别地，Canberra和Newcastle周围的15个地点被用于广域遮蔽和辐照度预报。

提供了一种用于计划相机网络的定位的方法，其中考虑到：

·相机的空间范围，

·每个相机的空间误差函数的计算，

·识别各种云高度的常见云特征的能力，

·地形特征对预报准确性和可见范围的影响，

·相机地点的可用物理定位，以及

·期望的预报定位的分布。

人通过使用工具来训练云分类模型，该工具被开发用于在少量图像中手动识别云和天空(通过将它们着色)。他们还可以识别云类型(从薄到厚的多个级别)。

所公开方法的优点是：

1.单独使用RBR模型进行准确的云分类可以涉及晴空库(其估计没有云或浮质的天空颜色)，其建立可能耗费大量时间(需要在很长一段时间内各种条件下的大量晴空图像)。训练RF模型仅需要为被训练的模型手动分类大约10个图像，以自动地对所有云进行准确分类。

2.它比我们正在使用的廉价硬件的低质量图像的传统方法执行要好得多。这些图像可以是有损压缩的、视觉上有噪声的、具有低动态(亮度)范围、具有更多的透镜和太阳耀斑伪像，并且分辨率低于通常使用的硬件。

在一个示例中，处理器201生成控制逆变器输出以调节电网中的斜坡率的控制信号。没有存储或备用发电机的标准PV电站可以表现出高达每分钟90％的电力变化，超过例如10％的典型顺应性极限。斜坡率基本上是发电机可以增加(斜升)或减少(斜降)发电的速度。发电机具有不同的特性，从而使一些发电机更适合供应某些所需的功能。由于处理器201预测太阳辐照度，因此可以更早地发起发电机的斜升，这意味着可以使用具有更低斜坡率的更经济的发电机。处理器201还可以在遮蔽事件之前逐渐减少太阳能的输出，以匹配发电机的斜升。这可以通过处理器201控制逆变器来实现，该逆变器将来自太阳能面板的DC电力转换成用于电网的AC电力。

处理器201还可以生成控制能量存储装置充电和放电速率和定时的控制信号。例如，当处理器201预测未来有高太阳辐射时，能量存储装置(诸如电池)可以预先更深地放电。相反，如果预测到较长时间的低太阳辐射，那么处理器201控制***在能量存储装置中维持足够的电荷。

处理器201可以生成控制电气设备的能量消耗的速率和定时的控制信号。例如，处理器201可以通过互联网将控制信号发送到可能不是时间关键的电气设备(诸如洗衣机、中央热水器、游泳池泵、电动汽车充电器等)。这控制了这些设备的能量消耗，使得能量消耗对于预测的高太阳辐射时间增加，并且对于预测的低太阳辐射时间减少能量消耗。

处理器201还可以控制电气设备向电网提供电压、频率和网络服务，诸如无功功率补偿。最后，如上面所提到的，处理器201可以控制发电机补偿由降低光伏***的辐照度(斜升)的云覆盖造成的性能降低。

图12图示了用于确定一个或多个兴趣点(POI)处的太阳辐射水平的方法1200。例如，太阳辐射水平可以是太阳辐照度、能量或任何其它适当的太阳辐射测量。

在1210处，方法1200包括通过数码相机的分布式网络捕获多个天空图像。例如，数码相机的分布式网络可以包括分布在城市或地理区域上的相机。数码相机的分布式网络中的相机可以将数据传送到处理器(例如，互联网连接的服务器)，处理器执行3D天空建模并产生对兴趣的点或地点的预报。相机可以直接互联网连接以与处理器通信，可以使用对等网络(诸如基于多跳对等网格的联网)以在没有直接互联网连接的情况下从远程相机(诸如在远程位点的相机)传送信号。在数据网络变得不可用的情况下，对等网络还可以提供冗余。数码相机可以包括如上所述的图像传感器。可以基于如上所述由数码相机捕获的图像中的太阳或另一个远处对象定位来确定数码相机的对准。数码相机可以包括例如广角或鱼眼镜头，以允许覆盖大的天空区域。数码相机可以每个具有耐风雨性。在一些实施例中，捕获天空图像可以包括以不同的曝光参数捕获多个图像并将这多个图像组合成单个天空图像。

在1220处，方法1200包括确定太阳定位参数。在一些实施例中，可以如上所述确定太阳定位参数。在一些实施例中，确定太阳定位参数可以包括存储捕获的天空图像，并且基于在一天的不同时间捕获的存储的天空图像确定太阳定位参数，和/或通过从天空图像确定的太阳定位点拟合平滑的曲线，使得太阳定位点与太阳旋转的太阳方位/天顶模型之间的误差最小化。

方法1200包括基于天空图像生成三维(3D)天空模型。在1230处，生成3D天空模型包括基于天空图像生成3D对象数据，以对天空区域中的一个或多个对象进行建模。在步骤1240处，生成3D天空模型包括生成位置数据，以对天空区域中的一个或多个对象的位置进行建模。生成3D天空模型还可以包括组合位置数据和3D对象数据。对象可以是例如云，或天空中的其它感兴趣的对象。

在一个示例中，天空区域可以是由数码相机的分布式网络中的数码相机的视场的并集所覆盖的区域。在一个示例中，天空区域可以是具有至少三个数码相机的视场的区域。在一个示例中，天空区域可以是其中可以从数码相机的分布式网络确定3D天空模型中的一个或多个对象的任何区域。

3D对象数据可以包括关于对象的3D表面的信息。3D表面可以是连续的3D表面。例如，3D对象数据对于一个或多个对象中的每一个对象可以包括关于以下当中的一个或多个的信息：对象的连续3D表面网格、对象的连续3D体积网格、对象的厚度、对象的3D形状、对象的体积、对象的光学深度、对象的透射光谱、对象的偏振或折射特性。

在一些实施例中，基于来自多个相机的天空图像经由立体摄影技术来确定位置数据，以估计对象在3D空间中的定位。例如，确定位置数据可以包括基于由多个数码相机捕获的天空图像来确定天空区域中一个或多个对象中的每个对象的基部的定位和/或海拔。处理器可以基于来自多个数码相机中的不同相机的天空图像之间每个对象的像素移位来确定一个或多个对象中的每个对象的海拔。在确定像素移位之前，处理器可以对准天空图像和/或移除透镜失真。

在一些实施例中，位置数据通过其它装置确定。例如，在一个实施例中，处理器与LiDAR***通信。处理器接收由LiDAR***捕获的天空区域的LiDAR测量，并基于LiDAR测量生成位置数据。

在1250处，方法1200包括基于位置数据和/或3D天空模型的3D对象数据以及太阳定位参数来确定一个或多个POI处的太阳辐射水平。POI可以是例如地面上的单点(诸如已知的光伏定位)、多个不规则分布的点、多边形边界方框的顶点，或覆盖感兴趣区域或用于确定太阳辐射水平的相机总视场的规则网格点。在一些实施例中，确定一个或多个POI处的太阳辐射水平包括生成二元云覆盖(遮挡/非遮挡)图。在一个示例中，太阳辐射水平是在给定太阳位置的情况下那个POI处那个时间的最大太阳辐射的比率。例如，当云对象阻挡POI与太阳之间的路径时，确定的太阳辐射水平相对小。在那种情况下，为简单起见，太阳辐射水平可以被认为是零。在不同的示例中，太阳辐射水平是基于衰减参数的云厚度(或者更准确地，POI与位于云对象内的太阳之间的路径的长度)的函数。

方法1200的优点在于，通过数码相机的分布式网络捕获多个天空图像可以使得能够确定关于一个或多个对象的3D位置的信息，以及关于一个或多个对象的形状和尺寸的3D信息。这可以使得能够在远离捕获天空图像的数码相机的定位处确定太阳辐射水平。相比之下，由单个相机捕获的图像只能提供对靠近相机的区域的准确预报，例如，在几百米内。超出这个范围，预报准确性会迅速降级，因为在单个相机与太阳之间的直线上观察到的云仅在该单个相机的定位上和其近周围投射影子。另外，特别是当使用具有有限动态范围的低端相机时，由于修剪常常难以捕获靠近太阳的云。由于网络中的相机可以具有重叠的视场，因此可能简单地忽略一个相机的这些修剪像素，因为它们可能被不同的相机覆盖。

在一些实施例中，数码相机的分布式网络可以包括捕获天空区域的天空图像的一对或多对或多个集合的数码相机。例如，每对或每个集合的数码相机中的数码相机可以间隔在例如100米到2千米之间的间距，以在典型的云高度处提供足够的视差，以确定位置数据。例如，数码相机对或集合可以与其它数码相机对或集合相隔例如在2到20千米之间的间距，以使相机能够捕获云的侧视图，使得可以为云确定3D对象数据。这可以允许在每对或每个集合的数码相机内使用立体***进行准确的3D对象建模，以及通过使用多对或多个集合的数码相机的宽覆盖，其中集合之间存在少量重叠视场。

图13图示了示例***1300，其包括第一相机1320和第二相机1322以捕获天空的图像。例如，***1300可以用于执行方法1200的各方面。虚线图示了通过第一相机1320和第二相机1322中的每一个的云1310的视图。

***1300可以包括处理器1350，其直接或间接地连接到第一相机1320和第二相机1322中的每一个。处理器1350可以被配置为从第一相机1320和第二相机1322接收天空图像，并基于天空图像确定云1310的位置和范围。然后，处理器1350可以基于太阳101的位置以及云1310的位置和范围来确定POI 1330处的太阳辐射水平。

在图13所示的示例中，影子1340遮蔽POI 1330。如虚拟云1312和虚拟云1314所示，仅由第一相机1320捕获的云1310的图像可能无法提供足够的信息来准确确定云1310的位置和范围。例如，如果云1310被不正确地确定为具有虚拟云1314的位置和范围，那么处理器1350可以已经确定云1310没有遮蔽POI。如果云1310被不正确地确定为虚拟云1314，那么处理器1350还可以已经对POI 1330处的太阳辐射水平做出不正确的预报，因为云1310的其它细节(诸如其速度或类型)可能已被不正确地确定。

图14图示了示例***1400，其包括第一相机1420、第二相机1422、第三相机1424和第四相机1426以捕获天空的图像。例如，***1400可以用于执行方法1200的各方面。虚线图示了通过第一相机1420、第二相机1422、第三相机1424和第四相机1426中的每一个的云1410的视图。

***1400可以包括处理器1350，其直接或间接地连接到第一相机1420、第二相机1422、第三相机1424和第四相机1426中的每一个。处理器1350可以被配置为接收来自第一相机1420、第二相机1422、第三相机1424和第四相机1426的天空图像，并基于天空图像确定云1410的位置。处理器1350还可以被配置为基于天空图像为云确定3D对象数据，诸如云的连续3D表面网格、云的连续3D体积网格、云的厚度、云的3D形状、云的体积和/或云的光学深度。

处理器1350可以基于估计的太阳101的位置、云1410的位置和尺寸以及3D对象数据来确定POI 1430处的太阳辐射水平。在图14所示的示例中，云1410遮蔽POI 1430。

使用多对或多个集合的相机的优点在于，3D对象数据使得云的厚度维度能够被包括在3D天空模型中。这可以允许更准确的光线追踪和POI处太阳辐射水平的确定，特别是在云是高云并且云不直接在相机和太阳之间的情况下。这也可以提高预报准确性，因为多对或多个集合的相机提供相同对象的不同视角。例如，高薄云(或任何基本上三维对象)的厚度难以从其下方的一对相机准确地确定。这种不准确性可能导致使用3D天空模型的光线追踪的误差。但是，当通过更远离的第二对或集合的相机从侧面观察时，可以准确地确定云的厚度，从而允许将更多信息添加到3D天空模型，从而提高预报准确性。添加另外的相机对或集合可以提高3D模型的准确性，并因此进一步提高预报POI处的太阳辐射水平的准确性。

虽然在图14中示出了云作为示例，但是可以应用类似的技术来对天空中的其它对象进行应用，以确定POI处的太阳辐射水平。例如，在一些应用中，可以跟踪烟云以对丛林火灾进行建模。

下面详述捕获的天空图像的图像处理的示例。这种图像处理可以用在本文描述的实施例中。

透镜失真

如果使用鱼眼镜头，那么会难以从天空图像直接计算尺寸相关的量。这种量的两个示例是云的维度以及云与太阳之间的表观水平距离。在一些实施例中，处理器不使用相机的透镜特性来对图像进行失真，使得可以直接从图像计算尺寸相关的量。可替代地，可以使用鱼眼镜头的参数导出尺寸相关的量，以确定图像中每个像素的尺寸，并进而使用查找表计算尺寸相关的量。在一个示例中，用于相机透镜的鱼眼失真由球面失真方程表征。例如，可以通过拍摄棋盘的图像、确定网格角落并使用它们来估计未失真空间中的直线的方程来确定模拟透镜失真的参数。

过滤

可以将未失真的天空图像转换成强度或亮度的图像。强度变换形成色调、饱和度和亮度(HSV)变换的一部分，该变换常常用于颜色量化和图像编辑。对于图像中的每个像素，强度被定义为3个颜色通道(红色、绿色和蓝色)的平均值。变换成这单个通道表示允许处理器使用关于强度值的阈值来区分亮云与天空。虽然乌云可以与天空混淆，但太阳附近的云可能会有被太阳照射的明亮的云边缘。

处理器可以将模糊滤波器应用于单通道图像。这个过滤阶段从图像压缩中去除伪像并平滑强度水平，使得在阈值化处理中不会破坏局部像素邻域。在一个示例中，处理器通过将单通道图像与2D高斯函数卷积来应用模糊滤波器。可替代地，处理器可以应用盒式滤波器，其中每个像素由其邻居的平均值代替。但是，盒式滤波器往往会影响天空图像中对象的形态。在一些实施例中，因为高斯模糊在处理时间方面可能是昂贵的操作，所以处理器可以对高斯模糊应用近似，诸如在Deriche(Deriche，R.(1993).Recursively implementingthe Gaussian and its derivatives.INRIA)中所描述的。这种滤波器由高斯函数的标准偏差参数化。在一个示例中，处理器可以应用具有2个像素的标准偏差的Deriche滤波器来平衡噪声的移除和可以遮蔽太阳的最小云的保存。

阈值化

处理器可以确定图像中比背景更亮的对象(即，具有更高的像素值)。例如，如果像素的值大于预定阈值，那么处理器可以将该像素指定为对象的一部分。将不符合此标准的像素指派给背景。存在许多算法基于图像内容自动确定阈值，诸如在Otsu(Otsu，N.(1979)Athreshold selection method from gray-level histograms.IEEE Transactions onSystems,Man and Cybernetics,62–66)中所描述的。

由于天空图像可以从没有云到完全云覆盖变化，因此在一些实施例中，处理器可以基于天空图像确定阈值。在一些实施例中，使用固定阈值。例如，固定阈值可以是200并且可以应用于上面“过滤”一节中描述的模糊强度图像。通过检查许多天空图像的输出，凭经验确定这个阈值。但是，阈值可以是用户可调节的参数，其可以在校准期间被调节，以适应相机特性和应用需求。

要注意的是，虽然阈值化可以排除不满足阈值标准的乌云，但是检测朝着太阳的这种云的亮边缘可以足以用于云检测目的，尤其是给定最感兴趣的云形成只发生在具体的天气条件集合下(即，靠近太阳坐标的区域中相对晴朗的天空)。

对准

在一些实施例中，生成3D对象数据和/或位置数据包括经由处理器1350基于太阳定位参数和/或天空图像来对准天空图像。例如，处理器1350可以基于天空图像中太阳的识别和太阳定位参数旋转来自其中一个相机3D天空图像，以使它们与来自另一个相机的天空图像对准。这可以补偿不完美的相机安装(例如，倾斜和朝向)和透镜眩光(flare)(来自透镜上的污迹和灰尘)。处理器可以使用太阳方位/天顶模型和数值优化来分别在来自两个相机的天空图像中将平滑曲线精确地拟合到太阳的定位。例如，处理器可以基于一天捕获的存储图像来确定太阳的路径。然后，处理器可以如上所述确定相机的相对对准。处理器可以对天空图像应用几何变换，以基于来自两个相机的图像精确地对准曲线。在相机包括鱼眼镜头的情况下，处理器可以在鱼眼空间中3D旋转和/或处理天空图像，或者如上所述变换图像。

图15图示了用于确定POI处的太阳辐射水平的方法1500。

在1510处，方法1500包括基于太阳定位参数计算POI与太阳的定位之间的光路。

在1520处，方法1500包括确定在3D天空模型中建模的一个或多个对象是否遮挡光路。

在1530处，方法1500包括基于一个或多个对象对光路的遮挡水平来确定POI处的太阳辐射水平。

图16图示了根据一些实施例的用于生成3D对象数据的方法1600。

在1610处，方法1600包括基于由每对或每个集合的数码相机捕获的天空图像生成单独的3D模型。例如，可以基于来自相应的相机对或集合的天空图像经由立体摄影生成每个模型。模型可以在3D空间中定义并且基于天空图像的对准来确定。还可以基于诸如相机的相对位置和/或朝向之类的其它因素和/或相机的其它特性来确定模型。在一个示例中，模型包括3D点云或3D网格。

在1620处，方法1600包括经由处理器合并单独的3D模型，以生成天空区域的3D天空模型。合并单独的3D模型可以包括处理器匹配单独的3D模型之间的特征并且如果需要那么对准3D模型。当合并3D模型时，处理器可以解析单独3D模型的重叠区域中的冲突数据，例如，通过丢弃与从其它相机对或集合生成的模型不一致的数据。

在一个示例中，单独的3D模型是稀疏模型，并且生成3D对象数据包括处理器根据需要合并单独的稀疏模型以生成POI与太阳之间的天空区域的表面或体积贴片。然后，处理器可以基于表面或体积贴片经由光线轨迹确定POI处的太阳辐射水平。

稀疏模型可以是稀疏分布的数据点的集合，它们是通过精炼从相机对或集合导出的云高度数据来确定的。在没有任何云的情况下，处理器可以将云高度设置为具体的(例如，负)值。生成表面或体积贴片可以包括处理器将3D表面映射到模型上。通过不将计算能力花费在提前以高分辨率为整个天空区域计算表面上，在按需的基础上执行这种映射减少了所需的计算量。处理器上降低的负担还可以使表面或体积贴片能够以更高的分辨率生成，因为处理器可能仅需要为POI与估计的太阳位置之间的投射光线将拦截模型的小贴片生成表面。在LiDAR外推的情况下，可以仅需要处理器确定单个点处的云高度。

在一些实施例中，使用3D网格而不是3D点云。可以关于3D网格使用与方法1600类似的方法，并且可以基于3D网格创建表面或体积贴片。

确定3D点云或3D网格可以包括处理器接收通过卫星测量捕获的数据(诸如对象厚度、对象的光谱测量或对象反射率)。

3D点云或3D网格可以包括指示对象上的许多点的3D坐标的高分辨率连续表面或体积。生成连续3D表面点云或3D网格表面或体积的优点在于，由于所提供的对象的分辨率增加，可以更准确地确定对象在地面上的影子位置。3D点云或3D网格的使用不同于仅为整个对象或大量对象确定在水平面上的平均对象基部海拔的方法。在确定影子定位时，可以考虑所提供的附加3D信息(诸如高云和厚云的厚度和体积)。这些特征对于远离相机集合的POI处的准确太阳辐照度和能量预报尤其重要。

图17图示了POI 1740处的太阳辐射水平的确定。处理器在一个或多个POI 1740与估计的太阳定位1701之间的虚拟线1730上生成表面贴片1710。处理器在从POI 1740朝着太阳1701的估计定位的相反方向上执行光线轨迹1720，并且基于光线轨迹1720和表面贴片1710确定POI 1740处的太阳辐射水平。如果处理器确定光线与表面贴片1710相交(即，预测是POI与太阳之间的对象)，那么处理器确定地面上的POI处于影子中。

在相机距离POI很远的地方(例如，当从不同的城镇观察天空时)，处理器可以通过将3D天空模型或交叉点在相反方向上平移等效距离来应用校正。

在一些实施例中，处理器基于所确定的POI处的太阳辐射水平生成控制太阳能***(诸如光伏***或太阳热***)的控制信号。例如，处理器可以生成控制逆变器输出以调节电网中的斜坡率、控制能量存储装置充电和放电速率和定时、控制一个或多个电气设备的能量消耗的速率和定时、控制一个或多个电气设备向电网提供电压、频率和网络服务，和/或控制发电机补偿由于降低太阳能发电***的太阳辐射水平的云覆盖造成的性能降低的控制信号。在一些实施例中，由分布式数码相机的网络捕获的天空图像的数量可以使得所确定的太阳辐射水平的准确性足以生成补偿电力需求与预测的太阳能性能之间的差异的控制信号。

在一些实施例中，处理器基于如上所述预测的太阳辐射水平来确定数码相机的网络以估计太阳能***的性能。例如，处理器可以至少通过确定减小太阳能***的预测性能与实际性能之间的差异的数码相机的数量和/或定位来确定数码相机的网络。这允许数码相机的分布式网络被优化以控制太阳能***。

图18图示了太阳能收获***1800，其包括数码相机1801的分布式网络、具有数据库接口1803并连接到数码相机的分布式网络的图像数据库1802、连接到数据库接口1803的3D对象数据生成单元1804、连接到数据库接口1803的位置数据生成单元1805、太阳定位生成单元1806、太阳辐射确定单元1806以及控制单元1807。

当使用时，数码相机1801的分布式网络捕获多个天空图像，如本文所述。图像数据库1802从数码相机1061的分布式网络接收天空图像、存储天空图像并在数据库接口1803上提供天空图像。数据库1802可以是SQL或其它关系数据库或仅仅是具有存储在其上的jpg文件或其它格式的文件的文件***。在后一种情况下，数据库接口1803将是文件***接口，诸如由操作***提供的用于访问硬盘驱动器上的文件的接口。数据库1802可以完全驻留在RAM中以增加存储器访问速度。

3D对象数据生成单元1804检索多个天空图像并且包括3D对象数据输出接口1807。3D对象数据生成单元1804还基于天空图像确定描述天空区域中的一个或多个对象的3D对象数据，并且在3D对象数据输出接口1808上提供3D对象数据。

位置数据生成单元1805包括位置数据输出接口1809。位置数据生成单元1805还通过接口1803从图像数据库检索多个天空图像，并生成位置数据以对该天空区域中的一个或多个对象的位置进行模拟，并在位置数据输出接口1809上提供位置数据。

太阳定位生成单元1806包括太阳定位输出接口1810并在太阳定位输出接口1810上提供太阳定位数据。

太阳辐射确定单元1806连接到3D对象数据输出接口1808、连接到位置数据输出接口1809并连接到太阳定位输出接口1810。太阳辐射确定单元1806还包括太阳辐射水平输出接口1811，并且被配置为基于位置数据、3D对象数据和太阳定位参数来确定POI处的太阳辐射水平，并且在太阳辐射水平输出接口1811上提供太阳辐射水平。

控制单元1807连接到太阳辐射水平输出接口1811并且包括控制输出端1812。控制单元1807基于所确定的太阳辐射水平在控制输出端1812上生成控制信号。

在本公开中提供的描述适用于图18中的元件的意义上，***1800的结构实现了本文描述的功能。单元1804-1807可以以各种不同的方式实现，这些方式也影响接口1808-1812的实现。例如，单元1804-1807可以被实现为通过导线彼此连接的专用集成电路。在那个示例中，接口1808-1812可以是总线驱动器或者放大由电路提供的逻辑值的其它输出驱动器。在其它示例中，单元1804-1807是软件模块，诸如面向对象的编程语言的类。在那个示例中，接口1808-1812可以是类接口，诸如提供对类属性的访问的函数。实现***1800的其它方式也在本公开的范围内。

在一些实施例中，数码相机中的一个或多个可以与以下当中的一个或多个共同定位并被配置为控制它们：屋顶太阳能电池阵列；光伏场；太阳能热场。在一些实施例中，数码相机中的一个或多个可以与以下当中的一个或多个共同定位并从其接收数据：LIDAR；辐照度传感器；天气传感器。

预测天空模型的演变

在一些实施例中，3D天空模型基于天空图像演变，以预测POI处的未来太阳辐射水平。在一个示例中，处理器通过外推对象的过去位置、体积、光学深度和/或速度来估计一个或多个对象中的每个对象的未来位置、尺寸和/或形状。然后，处理器预测POI处的未来太阳辐射水平。在使用点云的情况下，处理器可以确定点云的估计演变。

在一些实施例中，处理器基于3D天空模型确定云形成和/或平流参数。例如，处理器执行如上所述的云形成检测算法。该检测算法可以检测在晴空区域中云形成或散开的外观(称为平流的过程)。这种云常常直接在太阳上方形成，并且不能以其它方式通过云运动的投影来预测。如果不加以考虑，那么这些云会是预测误差的来源。

然后，处理器可以基于云形成和/或平流参数以及天空模型中的其它数据来确定太阳辐射水平。例如，处理器可以基于3D天空模型识别云的类型和/或云的变化，并且使用这种知识来确定天空中云的演变。在一些实施例中，处理器可以附加地基于卫星图像、数值天气预报、天气观测来确定POI处的太阳辐射水平；以及分布式太阳能发电的测量。例如，处理器可以基于一个地点处太阳能发电的测量来确定存在在太阳处于某些定位时将遮蔽POI的对象(诸如树)。

合并和加标签

处理器可以识别天空图像中的单独对象，并用唯一标识符标记天空图像中的每个单独对象。图19A图示了示例阈值化天空图像1900。阈值化天空图像1900示出了靠近较大云部分1920的小云部分1910。给定天空图像中的可变亮度，常常在较大云部分附近识别出这种小云部分。给予这些小对象唯一标识符并通过后续处理阶段跟踪它们会给处理器带来不必要的负担，并且对于检测云形成只有可忽略的目的。因此，处理器可以通过用半径为例如10个像素的多边形结构元素在形态上闭合对象之间的间隙来将这样的“卫星”对象合并到附近的较大云中。在小对象被空间定位的情况下，闭合处理将对象合并在一起以形成单个对象。

图19B图示了由处理器在图像1900中识别出的单独对象，例如，经由将触摸前景像素组合在一起的连接组成部分处理。处理器已经识别出标记为“1”的第一对象，该第一对象包括大云部分和周围的小云部分，以及标记为“2”的第二对象，该第二对象包括一组小云部分。

对象跟踪

被检测和标记的云提供了评估各个云的演变的框架，用于生成针对太阳上方的云形成的警告。用于这种评估的关键组成部分是基于天空图像随时间逐帧跟踪单个云的能力。处理器可以通过从一帧到下一帧地搜索标记图像中的重叠像素来逐帧跟踪云。

图20A图示了包括标记为“1”到“4”的对象的第一帧，其中标记为“1”的对象是太阳，并且标记为“2”-“4”的对象是云。图20B图示了10秒后捕获的第二帧。图20C图示了每个对象在帧之间重叠，因此被处理器认为是相同的对象。通过扫描重叠区域，处理器可以确定每个后续帧中的对象之间的父子关系并跟踪对象的演变。

如果对象融合在一起，那么处理器可以将融合中涉及的最大对象的标签指派给新融合对象。处理器可以经由属于每个重叠区域内的标签对的像素的共现的双变量直方图来确定融合对象的父对象。如果对象被拆分开，那么处理器可以为拆分后的对象指派新标签并将这些对象链接到其父对象。

处理器可以通过简单地存储来自先前帧对的关系将父子关系的跟踪扩展到多个帧。

图21A至21E图示了在五个帧(图像)上的示例对象跟踪。每个图像中的对象都标记有值，当对象从图像中出现或消失，或者在帧之间合并或拆分时，可以重新指派这些值。表1中示出了对每个对象的跟踪，其中每行表示在图像中演变的对象的标签，并且每列表示帧。

标签帧(i-4)	标签帧(i-3)	标签帧(i-2)	标签帧(i-1)	标签帧(i)
					1	1	1	1	1
2	2	2	2	2
					2	2	2	2	3
4	4	4	3	4
					0	0	0	4	5

表1：在图21A至21E中所示的帧上跟踪的对象的标签

每帧中标记为“1”的对象是太阳。在帧i-4中标记为“2”的对象(如图21A中所示)是云，并且在它在帧i中被拆分成标记为“2”和“3”的两个云(如图21E中所示)之前，在前四帧(i-4到i-1)中尺寸增加。这种演变在表1的第二行和第三行中表示。表1的第二行在每个单元格中具有标签“2”，指示每帧中的对象“2”从前一帧中的对象“2”降临(descended)。第三行示出帧i中的对象“3”也从帧i-1中的对象2降临。

在帧i-4(如图21A中所示)中标记为“4”的对象是云并且在帧i-2(图21C中所示)与帧i-1(如图21D中所示)之间与标记为“3”的也是云的对象合并。这在表的第4行中示出。在表1所示的示例中，合并之前两个对象的演变不传播到合并发生的帧之外。只有合并前最大云的标签才会保留在族历史中。帧i(如图21E中所示)中的对象“5”从帧i-1(如图21D中所示)中的对象“4”降临，并且在此之前，它不可见。如果对象不可见，那么在表1中指派标签“0”。

属性测量

在一些实施例中，处理器基于对象的属性跟踪图像中的对象。处理器可以测量尺寸属性，该尺寸属性表示例如相机的视图中对象的范围(extent)。处理器可以对图像应用变换以调节透镜失真，使得每个像素表示相同尺寸的方形区域，如上面所讨论的。然后，处理器可以基于识别出的对象内的像素的计数来估计对象的尺寸，包括对象边界。由于每个对象的尺寸是以像素为单位测量的，因此处理器可能不需要将测得的尺寸转换为真实世界距离(诸如米)。处理器可以存储每个对象的测得的尺寸，使得它与相应图像中该对象的标签相关联。

处理器可以基于多个帧中的尺寸测量来确定增长属性。增长属性可以用于捕获对象(诸如云)是正在增长还是缩小。例如，处理器可以将增长属性确定为子对象的尺寸除以其父对象的尺寸。如果增长属性大于1，那么对象的尺寸在增加，而如果增长属性小于1，那么对象的尺寸在减小。

处理器可以为每个对象确定“距太阳的距离”属性。太阳可以由处理器识别，例如，通过确定帧中围绕从太阳定位参数预测的太阳中心位置具有预定像素半径(诸如50个像素)的对象。处理器可以基于太阳对象与独特云对象之间的边缘到边缘距离(例如，以像素为单位)来确定“距太阳的距离”属性。这可以允许确定何时可变尺寸的云可能首先遮挡太阳。

在一个示例中，确定“距太阳的距离”属性包括确定太阳对象的距离变换，该距离变换指派从图像中不属于太阳对象的每个像素到太阳对象的距离。在一些实施例中，处理器可以首先确定在优先级队列上触摸太阳的像素，并基于距离从队列中“弹出”相继的像素。处理器可以基于从太阳对象到对象的像素的最小距离来确定每个对象的距离。

处理器可以确定寿命参数是通过***跟踪个体云的时间。处理器可以通过搜索对象的最后零值帧来确定已经针对其跟踪每个对象的帧的数量。处理器可以使用已针对其跟踪个体云的帧的数量来筛选出有噪声的、非持久的云检测事件。处理器可以基于已针对其跟踪对象的帧的数量来对对象进行阈值化。例如，一旦云持续了阈值数量的帧，那么处理器就可以仅将该主题云视为平流事件。这样做的意外收获(by-product)是处理器可能仅需要为该帧数量加1保留对象的族谱系。

做决定

处理器可以基于以上属性确定帧是否包含可以报告给电网中的控制装备的云形成事件。在一个示例中，处理器为每个帧应用两个决定规则。第一个规则使用四个阈值：size_a、track_l、growth_t和dist_s。size_a阈值是要考虑的云的最小可接受尺寸，并被设置为125像素。track_l阈值是在可以考虑云之前在其上跟踪云的帧的数量，并被设置为5，这与以每秒10帧的图像收集的50秒对应。growth_l阈值设置为1，并且云增长属性需要大于这个值以供处理器考虑。最后，dist_s是云到太阳的距离的阈值。这个值被设置为400像素，并且个体云到太阳的距离需要小于这个值，以供处理器考虑。如果满足所有这些要求，那么处理器向电网报告云形成事件。

第二个规则被设计为在大型云快速形成时发出早期警告。实质上，如果云大，那么处理器可以忽略关于已针对其跟踪云的帧数的要求。在一个示例中，处理器应用第二个基于尺寸的阈值size_b。如果满足growth_l、dist_s阈值以及云的尺寸大于size_b(其被设置为450像素)，那么处理器确定已经发生了形成事件。

处理器对这些规则的应用可以对指导电网中的直接做决定是有用的，例如在可能的太阳能损失的情况下，并且提供警告难以用传统的天空相机预报方法进行检测的条件的透明方法。可以使用云形成决定做出的控制决定可以包括例如：起动可控(通常是化石燃料)发电机或增加自旋备用、缩减太阳能发电、缩减可控负载和/或在阴影事件之前为能量存储设备充电。

太阳的定位

处理器可以被配置为自动检测帧中的太阳定位。在一些实施例中，处理器可以被配置为仅针对晴天帧自动检测太阳定位。这可以避免由于使用包含大量与太阳相互作用的云的帧而引入的错误。

在一个示例中，处理器将天空图像转换成强度的单通道表示，并应用如上所述的高斯模糊。然后，处理器可以应用具有大标准偏差(例如，等于图像中的行数除以60)的高斯模糊。将这个操作对照图像尺寸进行参数化可以使其对于针对不同硬件改变图像分辨率是健壮的，因为对于鱼眼镜头，行数可以大致与地平线到地平线的距离对应。使用重模糊可以移除噪音和其它伪像。它还将太阳保留为图像的主要明亮特征，在像素强度方面具有单个最大点。处理器将最大图像强度的质心确定为太阳位置的初始估计。处理器可以通过其像素坐标来定义质心，例如，图22中所示的(例如，ey)。质心不保证是单个像素，而是具有相同强度值的连接像素的集合。

在一些实施例中，在相机将太阳的中心渲染为较暗的斑点的情况下，处理器基于暗斑点的定位确定地面实况太阳位置(gx，gy)。虽然太阳定位的估计通常对于夏季中午的太阳是正确的，但在其它时间它们可能是不准确的，至少由于鱼眼镜头的透镜失真。发现可以使用到图像中心(cx，cy)的距离相对于从地平线到图像中心的距离(dec)来调节估计。dec可以由处理器计算如下：

其中rad是从地平线到图像中心的距离，该距离被计算为图像中的行数除以2。处理器还可以如下计算(gx，gy)与(cx，cy)之间的相对距离dgc：

使用我们的地面实况数据，处理器然后可以如下对太阳定位进行建模：

(dgc)²＝α*(dec)²

这近似于透镜失真的球形本质。

然后，处理器可以如下计算最终太阳位置(sx，sy)与(cx，cy)之间的相对距离dsc：

(dsc)²＝α*(dec)²

最后，位置(sx，sy)被确定为沿着(cx，cy)和(ex，exy)之间的线距离(cx，cy)dsc像素单位。

然后，使用这种确定单个图像中太阳位置的方法来自动化上文所述的太阳位置跟踪方法的校准。通过自动确定图像中太阳的定位，处理器可以自动处理图像而无需用户输入。

如前面所提到的，太阳的位置可以从晴空图像确定，但是云或其它意外对象的存在会造成不正确的输出。处理器可以通过对上面确定的太阳定位点应用过滤来解决这个问题。

在第一示例中，观察到鱼眼镜头的最边缘处的失真使得难以准确识别太阳的定位。处理器可以被配置为移除被确定为在地平线附近的点，例如，处理器可以排除从天顶多于预定角度的点。在一个示例中，根据经验确定，移除距离天顶超过75度的点足以移除受这个问题影响的大多数点。

在第二个示例中，观察到即使在所谓的晴空日，云暂时覆盖太阳也是相当普遍的，从而造成错误地识别太阳位置。处理器可以被配置为基于一天中形成平滑曲线(如图24中所示)的太阳的路径来分析作为时间序列的点。处理器在运行优化器以优化曲线之前可以去除偏离平滑曲线太远的异常点，如上所述。被移除的异常点在图24中所示的时间序列中留下了空格。

处理器可以通过比较点与相邻点之间的角度来检测否则将在晴空上由小云造成的异常点。如果处理器确定角度的变化大于阈值，那么该点可以被标记为异常点。在测试中，这是足够准确的，以便在晴朗的日子里移除大多数异常点。

上述移除异常点的方法也可以由处理器用于检测多云的日子。例如，在多云的日子，处理器可以基于图片中的其它亮点错误地检测太阳定位。如果处理器确定大于阈值数量的点被标记为异常值，那么处理器可以丢弃当天的所有点，因为假设该天是多云并且因此不适合于映射太阳的定位。

如上面所详述的，一旦处理器确定了太阳定位，处理器就可以通过用半径为50像素的多边形结构元素在形态上扩展太阳定位处的像素来近似每个图像中太阳的边界。这个操作近似以太阳定位为中心的圆，并且处理器可以将其用作掩模以从进一步的处理步骤中排除像素。

掩蔽

在一些实施例中，处理器可以在生成点云和/或太阳定位数据之前掩蔽天空图像中不想要的特征。这可以消除天空图像中不是天空的区域的处理。例如，在一些情况下，数码相机的分布式网络中的数码相机可以在其视场中具有地面或从地面延伸的固定对象的部分。处理器可以分析在一段时间(诸如一天)期间捕获的存储的天空图像。然后，处理器可以应用黑/白掩模，该掩模移除被确定为低于地平线的像素或固定对象(诸如树和天线)。在一个示例中，处理器确定天空图像中的第一组像素在地平线下方，于是处理器掩蔽天空图像中的该第一组像素。在另一个示例中，处理器确定天空图像中的第二组像素与固定对象对应。于是处理器掩蔽天空图像中的第二组像素，例如，以防止像素被解释为天空中的对象。

在一个示例中，处理器如下执行对个体帧的掩蔽。首先，处理器产生背景图像，该背景图像通过利用半径为天空图像的行数的一半的多边形结构元素执行形态学闭合来估计背景天空信号。然后，处理器从背景图像中减去原始天空图像，以产生具有平坦背景的经背景校正的图像。其次，处理器使用由以经背景校正的图像的中间为中心的区域中的最大值确定的阈值来对经背景校正的图像进行阈值化。应用这个阈值构成了掩蔽地平线和对象(诸如树和建筑物)的第一遍。第三，处理器通过执行标记引导的分水岭处理来精炼掩模。这个处理可以包括处理器通过指派表示对于天空和地平线已知的种子来播种图像。例如，天空种子是阈值化图像的形态侵蚀版本。地平线种子可以是距图像中心的距离大于图像高度1.08倍的像素集。分水岭操作还可以需要梯度图像，该梯度图像表示两类掩蔽(即，天空和地平线)之间的边界，并指导未分配的像素(不属于天空或地平线的像素)如何分配给这两个类。梯度可以是具有尺寸为5×5像素的方形结构元素的原始天空图像的形态膨胀与原始天空图像本身之间的差异。处理器可以将分水岭的结果确定为相应帧的掩模。

有两个主要问题会影响结果所得掩模的准确性。第一个问题是天空与地平线、建筑物和树木之间的图像对比。第二个问题是云的存在。处理器可以通过将分析限制到来自清晨和傍晚的帧来解决第一个问题。这将允许建筑物和树侧面的影子可靠地使它们比天空更暗。在一个示例中，被分析用于掩蔽的帧是来自每天第一个和最后一个小时捕获并以1分钟间隔采样的天空图像。一天当中这个时候云的存在是有问题的，因为它们常常比天空更暗，因此被错误地分类为地平线。由于处理器每天从许多图像计算掩模并且云移动，因此当存在影响掩模的云时，掩模会发生变化。处理器可以计算每个像素在这些掩模中的每一个当中出现的次数，当该次数是可变的时进行标记，并且如果该次数的变化例如由于云的存在而超过阈值，那么排除当天的掩模。示例掩模在图25中示出。

本领域技术人员将认识到的是，在不脱离权利要求限定的范围的情况下，可以对具体实施例进行多种变化和/或修改。

应当理解的是，可以使用各种技术来实现本公开的技术。例如，本文描述的方法可以通过驻留在合适的计算机可读介质上的一系列计算机可执行指令来实现。合适的计算机可读介质可以包括易失性存储器(例如，RAM)和/或非易失性存储器(例如，ROM、盘)、载波和传输介质。示例性载波可以采用沿着本地网络或诸如互联网之类的公共可访问网络传送数字数据流的电信号、电磁信号或光信号的形式。

还应当理解的是，除非明确阐述或从以下讨论中另外显而易见，否则应当认识到的是，贯穿本描述，利用诸如“估计”或“处理”或“计算”、“优化”或“确定”或“显示”或“最大化”等之类的术语进行的讨论是指将表示为计算机***的寄存器和存储器内的物理(电子)量的数据处理和变换成类似地表示为计算机***存储器或寄存器或其它此类信息存储、传输或显示设备内的物理量的其它数据的计算机***或类似电子计算设备的动作和处理。

因此，本发明的实施例在所有方面都被认为是说明性而非限制性的。

Claims (36)

1.一种用于确定兴趣点(POI)处的太阳辐射水平的方法，该方法包括：

通过数码相机的分布式网络捕获多个天空图像；

确定太阳定位参数；

基于天空图像生成三维(3D)天空模型，其中生成3D天空模型包括：

基于天空图像生成3D对象数据，以对天空区域中的一个或多个对象进行建模；以及

生成位置数据，以对该天空区域中的所述一个或多个对象的位置进行建模；

基于3D天空模型的位置数据和3D对象数据以及太阳定位参数来确定POI处的太阳辐射水平。

2.如权利要求1所述的方法，其中确定POI处的太阳辐射水平包括：

基于太阳定位参数计算POI与太阳定位之间的光路；

确定在3D天空模型中建模的所述一个或多个对象是否遮挡光路；以及

基于所述一个或多个对象对光路的遮挡水平来确定POI处的太阳辐射水平。

3.如权利要求1或2所述的方法，其中，对于所述一个或多个对象中的每一个对象，3D对象数据包括关于以下当中的一个或多个的信息：

对象的连续3D表面网格；

对象的连续3D体积网格；

对象的厚度；

对象的3D形状；

对象的体积；

对象的光学深度。

4.如前述权利要求中任一项所述的方法，其中数码相机的分布式网络包括捕获天空区域的天空图像的多对活多个集合的数码相机。

5.如权利要求4所述的方法，其中每对或每个集合的数码相机中的数码相机被从100米到2千米之间的距离间隔。

6.如权利要求4或5所述的方法，其中每对或每个集合的数码相机与数码相机的分布式网络中的其它对或其它集合的数码相机被从2到20千米之间的距离间隔。

7.如权利要求4至6中任一项所述的方法，其中生成3D对象数据包括基于由多对或多个集合的数码相机捕获的天空图像来确定所述一个或多个对象中的每一个对象的3D信息。

8.如权利要求4至7中任一项所述的方法，其中生成3D对象数据包括基于太阳定位参数将天空图像对准。

9.如权利要求4至8中任一项所述的方法，其中数码相机的分布式网络中的数码相机包括广角或鱼眼镜头。

10.如权利要求9所述的方法，其中生成3D对象数据包括通过在鱼眼空间中3D旋转天空图像来对准天空图像。

11.如权利要求4至10中任一项所述的方法，其中生成3D对象数据包括基于由每对或每个集合的数码相机捕获的天空图像来生成单独的3D模型。

12.如权利要求11中所述的方法，其中生成单独的3D模型包括基于由每对或每个集合的数码相机捕获的天空图像生成单独的3D点云或3D网格。

13.如权利要求10至12中任一项所述的方法，其中生成3D对象数据还包括对准和合并单独的3D模型，以生成天空区域的3D天空模型。

14.如权利要求13所述的方法，其中合并单独的3D模型包括在单独的3D模型之间匹配特征。

15.如权利要求10至14中任一项所述的方法，其中单独的3D模型是稀疏模型，并且生成3D对象数据包括根据需要合并单独的稀疏模型，以便为POI与太阳之间的天空区域生成表面贴片。

16.如权利要求10至15中任一项所述的方法，其中生成3D对象数据还包括解析单独的3D模型的重叠区域中的冲突数据。

17.如前述权利要求中任一项所述的方法，其中生成位置数据包括基于由数码相机的分布式网络中的多个数码相机捕获的天空图像来确定天空区域中的所述一个或多个对象中的每一个对象的基部的定位和海拔。

18.如前述权利要求中任一项所述的方法，其中生成位置数据包括基于在天空图像之间每个对象的像素移位来确定所述一个或多个对象中的每一个对象的海拔。

19.如前述权利要求中任一项所述的方法，其中生成3D天空模型包括组合位置数据和3D对象数据。

20.如前述权利要求中任一项所述的方法，生成3D天空模型包括：

确定天空图像中低于地平线的像素；以及

掩蔽天空图像中低于地平线的像素。

21.如前述权利要求中任一项所述的方法，生成3D天空模型包括：

确定天空图像中与固定对象对应的像素；以及

掩蔽天空图像中与固定对象对应的像素。

22.如前述权利要求中任一项所述的方法，其中确定太阳定位参数包括：

存储捕获的天空图像；以及

基于所存储的在一天的不同时间捕获的天空图像来确定太阳定位参数。

23.如权利要求于22所述的方法，其中确定太阳定位参数包括：

通过从天空图像确定的太阳定位点来拟合平滑的曲线，使得太阳定位点与太阳旋转的太阳方位/天顶模型之间的误差最小化。

24.如前述权利要求中任一项所述的方法，其中确定POI处的太阳辐射水平包括：

通过外推对象的过去位置、体积、光学深度和/或速度来估计所述一个或多个对象中的每一个对象的未来位置；以及

预测未来POI处的太阳辐射的未来水平。

25.如前述权利要求中任一项所述的方法，其中数码相机的分布式网络跨城市或地理区域分布。

26.如前述权利要求中任一项所述的方法，其中数码相机的分布式网络包括经由对等网络彼此通信的数码相机。

27.如前述权利要求中任一项所述的方法，包括基于所确定的POI处的太阳辐射水平来生成控制太阳能***的控制信号。

28.如权利要求27所述的方法，其中生成控制信号包括以下当中的一个或多个：

生成控制逆变器输出以调节电网中的斜坡率的控制信号；

控制能量存储装置充电和放电速率和定时；

控制电气设备能量消耗的速率和定时；

控制电气设备为电网提供电压、频率和网络服务；以及

控制发电机来补偿由于降低太阳能***的太阳辐射水平的云覆盖而造成的性能降低。

29.如权利要求27或28所述的方法，其中捕获的多个天空图像使得所确定的太阳辐射水平的准确性足以用来生成补偿电力需求和预测的太阳能性能之间的差异的控制信号。

30.如前述权利要求中任一项所述的方法，其中捕获天空图像包括以不同的曝光参数捕获多个图像并将所述多个图像组合成单个天空图像。

31.如前述权利要求中任一项所述的方法，其中对象是云。

32.如权利要求31所述的方法，还包括：

基于天空图像确定云形成和/或平流参数；以及

基于云形成和/或平流参数确定太阳辐射水平。

33.如前述权利要求中任一项所述的方法，其中确定POI处的太阳辐射水平还基于以下当中的一个或多个：

卫星图像；

数值天气预报；

天气观测；以及

分布式太阳能发电的测量。

34.一种用于确定估计太阳能***的性能的数码相机的网络的方法，该方法包括：

执行如权利要求1至31中任一项所述的方法来确定预测的太阳辐射水平；

基于预测的太阳辐射水平来确定太阳能***的预测性能；

接收指示太阳能***的实际性能的测量数据；

确定预测性能与实际性能之间的差异；以及

通过减小预测性能与实际性能之间的差异来确定数码相机的网络。

35.如权利要求34所述的方法，其中确定数码相机的网络包括确定减小预测性能与实际性能之间的差异的数码相机的数量和定位。

36.一种***，包括：

捕获多个天空图像的数码相机的分布式网络；以及

处理器：

从数码相机的分布式网络接收多个天空图像；

基于天空图像生成三维(3D)天空模型，其中生成3D天空模型包括：

基于天空图像生成3D对象数据，以对天空区域中的所述一个或多个对象进行建模；以及

生成位置数据，以对该天空区域中的一个或多个对象的位置进行建模；

确定太阳定位参数；

基于3D天空模型的位置数据和3D对象数据以及太阳定位参数来确定POI处的太阳辐射水平。