CN110929845A - 一种模型训练方法、装置、预估辐射强度的方法及装置 - Google Patents
一种模型训练方法、装置、预估辐射强度的方法及装置 Download PDFInfo
- Publication number
- CN110929845A CN110929845A CN201911100864.XA CN201911100864A CN110929845A CN 110929845 A CN110929845 A CN 110929845A CN 201911100864 A CN201911100864 A CN 201911100864A CN 110929845 A CN110929845 A CN 110929845A
- Authority
- CN
- China
- Prior art keywords
- radiation intensity
- matrix
- satellite cloud
- intensity
- network
- 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.)
- Withdrawn
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 238
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 248
- 238000005286 illumination Methods 0.000 claims abstract description 152
- 238000013528 artificial neural network Methods 0.000 claims abstract description 86
- 238000011176 pooling Methods 0.000 claims description 83
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
一种模型训练方法、装置、预估辐射强度的方法及装置,预估辐射强度的方法包括:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。本发明实施例通过卫星云图进行光照辐射强度的获取,降低了物理设备的部署数量,提升了光照辐射强度的获取效率。
Description
技术领域
本文涉及但不限于光伏发电技术,尤指一种模型训练方法、装置、预估辐射强度的方法及装置。
背景技术
光伏发电行业对当日的太阳光照辐射强度要求较高;目前,为了可以有效的获得一些区域的光照辐射强度信息,需要在当地建立观测站点,通过专业的测量设备来计算光照辐射强度。由于光照辐射强度受限于观测站点上空的云层状态,目前没有一种有效的可以确定光照辐射强度的方法。
相关技术中,光照辐射强度需要通过在测量区域建立观测站点后,基于专业的测量设备计算获得,需测量区域越多,所需部署物理设备越多;此外,上述光照辐射强度计算只能实时计算,无法对光照辐射强度做出预测,获取光照辐射强度的效率较低。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种模型训练方法、装置、预估辐射强度的方法及装置,能够降低物理设备的部署数量,提升光照辐射强度的获取效率。
本发明实施例提供了一种模型训练方法,包括:
获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;
通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,所述通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,包括:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
在一种示例性实施例中,所述对各卫星云图的所述颜色强度值矩阵进行处理,包括:对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
在一种示例性实施例中,所述通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,包括:
基于所述第一一维矩阵建立所述辐射强度预估模型;
初始化所述辐射强度预估模型的相关参数;
通过所述神经网络,通过所述辐射强度预估模型运算获得的光照辐射强度预估值,通过光照辐射强度预估值与光照辐射强度实际值的比对结果对所述相关参数校正,获得用于预估光照辐射强度的辐射强度预估模型。
在一种示例性实施例中,所述辐射强度预估模型包括由以下函数构建的模型:
yi=w*Oi+b;
其中,所述yi表示所述光照辐射强度预估值;所述相关参数包括:所述Oi和所述b;所述Oi表示所述第一一维矩阵,所述b表示调整参数。
另一方面,本发明实施例还提供一种预估辐射强度的方法,包括:
获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;
通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,所述对各卫星云图的所述颜色强度值矩阵进行处理,包括:对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
再一方面,本发明实施例还提供一种模型训练装置,包括:获取单元、生成单元和神经网络单元;其中,
获取单元用于:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;生成单元用于:分别生成各卫星云图的颜色强度值矩阵;
神经网络单元用于:通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
还一方面,本发明实施例还提供一种预估辐射强度的装置,包括:获取单元、生成单元、神经网络单元及预估单元;其中,其中,
获取单元用于:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;生成单元用于:分别生成各卫星云图的颜色强度值矩阵;
神经网络单元用于:通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
预估单元用于:将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,所述神经网络单元具体用于:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
与相关技术相比,本申请技术方案包括:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。本发明实施例通过卫星云图进行光照辐射强度的获取,降低了物理设备的部署数量,提升了光照辐射强度的获取效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例模型训练方法的流程图;
图2为本发明实施例第一四维矩阵的局部数据;
图3为本发明实施例池化操作的操作结果示意图;
图4为本发明实施例预估辐射强度的方法的流程图;
图5为本发明实施例模型训练装置的结构框图;
图6为本发明实施例预估辐射强度的装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明实施例模型训练方法的流程图,如图1所示,包括:
步骤101、获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
在一种示例性实施例中,卫星云图可以包括:已通过相关技术确定光照辐射强度的区域的卫星云图;
本发明实施例,可以按照预设周期(例如、1分钟)获取上述卫星云图,卫星云图可以通过以下方式获取:获得已建立的用于确定光照辐射强度的观测站点经纬度,设置观测站点经纬度在卫星云图上的像素点的坐标为(x0, y0);以(x0,y0)为中心,抠取确定光照辐射强度的区域大小的卫星云图;假设、抠取的确定光照辐射强度的区域的卫星云图包含201*201个像素点。本发明实施例可以获取最少一个光照辐射强度变化周期(一般为一天)的卫星云图作为样本;为了提升辐射强度预估模型的准确度,可以由本领域技术人员根据经验获取较多的卫星云图;获取卫星云图及对应的光照辐射强度实际值,一部分可以用于训练辐射强度预估模型,一部分可以用于验证辐射强度预估模型;训练和验证辐射强度预估模型的卫星云图的比例,可以由本领域技术人员分析确定,例如、3比7。
步骤102、分别生成各卫星云图的颜色强度值矩阵;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,本发明实施例颜色通道包括:红色通道、蓝色通道、绿色通道。
步骤103、通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
在一种示例性实施例中,所述通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,包括:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
在一种示例性实施例中,预设的神经网络可以包括:深度神经网络。
在一种示例性实施例中,所述对各卫星云图的所述颜色强度值矩阵进行处理,包括:对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
为便于理解本发明实施例获得第一一维矩阵过程,以下以获取的卫星云图为201*201个像素点的像素块为例,对获得第一一维矩阵过程进行示例:
由于每一幅卫星云图都包含201*201=40401个像素点的图像,每个一个像素点都是由(红(red)、绿(green)、蓝(blue))三个颜色综合组成,(红 (red)、绿(green)、蓝(blue))的颜色通道的强度值范围都在[0-255],对于卫星云图,本发明实施例的可以用颜色通道的强度值的矩阵表示,即通过以下像素点三个颜色通道颜色强度值部分组成的矩阵表示:卫星云图中各像素点的红色通道的强度值,卫星云图中各像素点的绿色通道的强度值,卫星云图中各像素点的蓝色通道的强度值;矩阵中,强度值按照像素点分布位置排列。像素点三个颜色通道颜色强度值的矩阵组成卫星云图的颜色强度值矩阵;
将卫星云图的颜色强度值矩阵输入至神经网络后,通过神经网络进行以下处理:
第一网络卷积层:
第一网络卷积层中包含初始化的20个卷积核,每个卷积核可以是一个 4*4大小的矩阵,本发明实施例设置卷积核的滑动步长为1,不进行补齐操作;卷积核内部的数值可以随机在0附近的数值中产生。利用20个卷积核对卫星云图中包含的像素点的每个颜色通道的矩阵进行卷积操作,可以获得一个第一四维矩,第一四维矩的大小是3*20*(201-4+1)*(201-4+1)=3*20*198*198;其中,20代表20个卷积核每一个卷积核和原图像卷积一次都会生成一个 198*198的矩阵;
第一网络池化层:
将第一网络卷积层的输出作为输入,初始化2*2的过滤核,本发明实施例可以设置过滤核的步长为2,对上述3*20*198*198的矩阵做池化操作,池化是指通过2*2的过滤核在201*201的图像上滑动;图2为本发明实施例第一四维矩阵的局部数据分布图,如图2所示,局部数据为4*4的矩阵,通过 2*2的过滤核,设置步长为2进行过滤后,可以获得图3所示的池化操作结果;第一网络池化层池化操作后输出的矩阵大小为:3*20*(198/2)*(198/2)=3*20*99*99。
第二网络卷积层:
第二网络卷积层与第一网络卷积层的卷积核大小相同,本发明实施例第二网络卷积层初始化10个卷积核。输出矩阵大小为3*20*10*(99-4+1)* (99-4+1)=3*20*10*96*96。
第二网络池化层:
第二网络池化层采用第一网络池化层相同的参数,输出矩阵大小为3*20*10*(96/2)*(96/2)=3*20*10*48*48。
网络全连接层:
将第二网络池化层池化操作获得的3*20*10*48*48矩阵变到一维,得到一个1*1382400的第二一维矩阵,同时将第一网络卷积层的输入3*201*201 的矩阵边化到一维,得到一个1*121203的第三一维矩阵,将1*1382400的第二一维矩阵和1*121203的第三一维矩阵进行拼接,获得一个1*1503603的第一一维矩阵,本发明实施例将第一一维矩阵表示为Oi。
在一种示例性实施例中,所述通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,包括:
基于所述第一一维矩阵建立所述辐射强度预估模型;
初始化所述辐射强度预估模型的相关参数;
通过所述神经网络,通过所述辐射强度预估模型运算获得的光照辐射强度预估值,通过光照辐射强度预估值与光照辐射强度实际值的比对结果对所述相关参数校正,获得用于预估光照辐射强度的辐射强度预估模型。
在一种示例性实施例中,本发明实施例获得光照辐射强度预估值与光照辐射强度实际值的比对结果后,可以通过深度学习的误差反向传播算法进行训练,实现相关参数的校正及确定。本发明实施例可以通过训练集进行辐射强度预估模型进行训练,通过验证集对辐射强度预估模型进行验证,当验证结果满足本领域技术人员的预期时,获得辐射强度预估模型。在一种示例性实施例中,所述辐射强度预估模型包括由以下函数构建的模型:
yi=w*Oi+b;
其中,所述yi表示所述光照辐射强度预估值;所述相关参数包括:所述Oi和所述b;所述Oi表示所述第一一维矩阵,所述b表示调整参数。
表1为本发明实施例实验效果比对数据,如表1所示,基于观测站点获得的光照辐射强度实际值和基于本发明实施例获得的光照辐射强度预估值,两者之间的差值,可以满足需要获取光照辐射强度信息的相关应用,因此,基于本发明实施例获取的光照辐射强度预估值,可以替换采用观测站点方式获得的光照辐射强度实际值;通过本发明实施例获取光照辐射强度值,无需在各个区域分别不是观测站点,只需获取卫星云图即可。
时间 | 光照辐射强度实际值 | 光照辐射强度预估值 |
2019-07-31-06 | 94 | 98 |
2019-07-31-07 | 277 | 249 |
2019-07-31-08 | 480 | 438 |
2019-07-31-09 | 660 | 486 |
2019-07-31-10 | 789 | 800 |
2019-07-31-11 | 886 | 872 |
2019-07-31-12 | 927 | 912 |
2019-07-31-13 | 911 | 900 |
2019-07-31-14 | 846 | 864 |
2019-07-31-15 | 776 | 781 |
2019-07-31-16 | 379 | 371 |
2019-07-31-17 | 298 | 319 |
2019-07-31-18 | 42 | 45 |
表1
本申请技术方案包括:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。本发明实施例实现了用于获取光照辐射强度的模型的训练,为降低获取光照辐射强度是物理设备的部署数量和提升光照辐射强度的获取效率,提供了技术支持。
图4为本发明实施例预估辐射强度的方法的流程图,如图4所示,包括:
步骤401、获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
在一种示例性实施例中,卫星云图可以包括:已通过相关技术确定光照辐射强度的区域的卫星云图;
步骤402、分别生成各卫星云图的颜色强度值矩阵;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,本发明实施例颜色通道包括:红色通道、蓝色通道、绿色通道。
步骤403、通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
步骤404、将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;
在一种示例性实施例中,所述通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,包括:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
在一种示例性实施例中,预设的神经网络可以包括:深度神经网络。
在一种示例性实施例中,所述对各卫星云图的所述颜色强度值矩阵进行处理,包括:对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
在一种示例性实施例中,所述通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,包括:
基于所述第一一维矩阵建立所述辐射强度预估模型;
初始化所述辐射强度预估模型的相关参数;
通过所述神经网络,通过所述辐射强度预估模型运算获得的光照辐射强度预估值,通过光照辐射强度预估值与光照辐射强度实际值的比对结果对所述相关参数校正,获得用于预估光照辐射强度的辐射强度预估模型。
在一种示例性实施例中,所述辐射强度预估模型包括由以下函数构建的模型:
yi=w*Oi+b;
其中,所述yi表示所述光照辐射强度预估值;所述相关参数包括:所述Oi和所述b;所述Oi表示所述第一一维矩阵,所述b表示调整参数。
与相关技术相比,本申请技术方案包括:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。本发明实施例通过卫星云图进行光照辐射强度的获取,降低了物理设备的部署数量,提升了光照辐射强度的获取效率。
图5为本发明实施例模型训练装置的结构框图,如图5所示,包括:获取单元、生成单元和神经网络单元;其中,
获取单元用于:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
在一种示例性实施例中,卫星云图可以包括:已通过相关技术确定光照辐射强度的区域的卫星云图;
生成单元用于:分别生成各卫星云图的颜色强度值矩阵;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,本发明实施例颜色通道包括:红色通道、蓝色通道、绿色通道。
神经网络单元用于:通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
在一种示例性实施例中,所述神经网络单元具体用于:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
在一种示例性实施例中,预设的神经网络可以包括:深度神经网络。
在一种示例性实施例中,所述神经网络单元用于对各卫星云图的所述颜色强度值矩阵进行处理,包括:
对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
在一种示例性实施例中,所述神经网络单元用于通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,包括:
基于所述第一一维矩阵建立所述辐射强度预估模型;
初始化所述辐射强度预估模型的相关参数;
通过所述神经网络,通过所述辐射强度预估模型运算获得的光照辐射强度预估值,通过光照辐射强度预估值与光照辐射强度实际值的比对结果对所述相关参数校正,获得用于预估光照辐射强度的辐射强度预估模型。
在一种示例性实施例中,所述辐射强度预估模型包括由以下函数构建的模型:
yi=w*Oi+b;
其中,所述yi表示所述光照辐射强度预估值;所述相关参数包括:所述Oi和所述b;所述Oi表示所述第一一维矩阵,所述b表示调整参数。
图6为本发明实施例预估辐射强度的装置的结构框图,如图6所示,包括:获取单元、生成单元、神经网络单元及预估单元;其中,
获取单元用于:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
在一种示例性实施例中,卫星云图可以包括:已通过相关技术确定光照辐射强度的区域的卫星云图;
生成单元用于:分别生成各卫星云图的颜色强度值矩阵;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
在一种示例性实施例中,本发明实施例颜色通道包括:红色通道、蓝色通道、绿色通道。
神经网络单元用于:通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
预估单元用于:将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;
在一种示例性实施例中,所述神经网络单元具体用于:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
在一种示例性实施例中,预设的神经网络可以包括:深度神经网络。
在一种示例性实施例中,所述神经网络单元用于对各卫星云图的所述颜色强度值矩阵进行处理,包括:
对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
在一种示例性实施例中,所述神经网络单元用于通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,包括:
基于所述第一一维矩阵建立所述辐射强度预估模型;
初始化所述辐射强度预估模型的相关参数;
通过所述神经网络,通过所述辐射强度预估模型运算获得的光照辐射强度预估值,通过光照辐射强度预估值与光照辐射强度实际值的比对结果对所述相关参数校正,获得用于预估光照辐射强度的辐射强度预估模型。
在一种示例性实施例中,所述辐射强度预估模型包括由以下函数构建的模型:
yi=w*Oi+b;
其中,所述yi表示所述光照辐射强度预估值;所述相关参数包括:所述Oi和所述b;所述Oi表示所述第一一维矩阵,所述b表示调整参数。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练方法。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述预估辐射强度的方法。
本发明实施例还提供一种终端,包括:存储器和处理器,所述存储中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如上述模型训练方法。
本发明实施例还提供一种终端,包括:存储器和处理器,所述存储中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如预估辐射强度的方法。
“本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质”。
Claims (10)
1.一种模型训练方法,包括:
获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
分别生成各卫星云图的颜色强度值矩阵;
通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
2.根据权利要求1所述的模型训练方法,其特征在于,所述通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,包括:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
3.根据权利要求2所述的模型训练方法,其特征在于,所述对各卫星云图的所述颜色强度值矩阵进行处理,包括:对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
4.根据权利要求2或3所述的模型训练方法,其特征在于,所述通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,包括:
基于所述第一一维矩阵建立所述辐射强度预估模型;
初始化所述辐射强度预估模型的相关参数;
通过所述神经网络,通过所述辐射强度预估模型运算获得的光照辐射强度预估值,通过光照辐射强度预估值与光照辐射强度实际值的比对结果对所述相关参数校正,获得用于预估光照辐射强度的辐射强度预估模型。
5.根据权利要求4所述的模型训练方法,其特征在于,所述辐射强度预估模型包括由以下函数构建的模型:
yi=w*Oi+b;
其中,所述yi表示所述光照辐射强度预估值;所述相关参数包括:所述Oi和所述b;所述Oi表示所述第一一维矩阵,所述b表示调整参数。
6.一种预估辐射强度的方法,包括:
获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;分别生成各卫星云图的颜色强度值矩阵;
通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
7.根据权利要求6所述的方法,其特征在于,所述对各卫星云图的所述颜色强度值矩阵进行处理,包括:对各卫星云图的所述颜色强度值矩阵:
通过所述神经网络的第一网络卷积层中的卷积核,对所述颜色强度值矩阵进行卷积操作,获得第一四维矩阵;
第一网络池化层将获得的所述第一四维矩阵进行池化操作;
第二网络卷积层对所述第一网络池化层池化操作的结果进行卷积操作,获得第二四维矩阵;
第二网络池化层对获得的所述第二四维矩阵进行池化操作;
网络全连接层将所述第二网络池化层的池化结果转换为第二一维矩阵,将所述第一四维矩阵边化为第三一维矩阵,将所述第二一维矩阵和所述第三一维矩阵进行拼接,获得所述第一一维矩阵;
其中,所述第一网络卷积层中包括:初始化获得的第一预设数量的卷积核;所述第二网络卷积层中包括:初始化获得的第二预设数量的卷积核;所述第一网络池化层和所述第二网络池化层参数相同。
8.一种模型训练装置,包括:获取单元、生成单元和神经网络单元;其中,
获取单元用于:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
生成单元用于:分别生成各卫星云图的颜色强度值矩阵;
神经网络单元用于:通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
9.一种预估辐射强度的装置,包括:获取单元、生成单元、神经网络单元及预估单元;其中,
获取单元用于:获取预设数量的卫星云图及对应的卫星云图的光照辐射强度实际值;
生成单元用于:分别生成各卫星云图的颜色强度值矩阵;
神经网络单元用于:通过预设的神经网络对生成的卫星云图的颜色强度值矩阵和对应的光照辐射强度实际值进行训练,获得用于预估光照辐射强度的辐射强度预估模型;
预估单元用于:将需确定光照辐射强度的区域的卫星云图,输入至所述辐射强度预估模型中,获得光照辐射强度预估值;
其中,所述颜色强度值矩阵包括:由卫星云图包含的像素点中各颜色通道的强度值组成的矩阵。
10.根据权利要求9所述的装置,其特征在于,所述神经网络单元具体用于:
通过所述神经网络对各卫星云图的所述颜色强度值矩阵进行处理,获得各卫星云图对应于所述颜色强度值矩阵的第一一维矩阵;
通过所述神经网络对获得的各卫星云图的第一一维矩阵及对应的光照辐射强度实际值进行训练,获得所述辐射强度预估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100864.XA CN110929845A (zh) | 2019-11-12 | 2019-11-12 | 一种模型训练方法、装置、预估辐射强度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100864.XA CN110929845A (zh) | 2019-11-12 | 2019-11-12 | 一种模型训练方法、装置、预估辐射强度的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929845A true CN110929845A (zh) | 2020-03-27 |
Family
ID=69852657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911100864.XA Withdrawn CN110929845A (zh) | 2019-11-12 | 2019-11-12 | 一种模型训练方法、装置、预估辐射强度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929845A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208029A (zh) * | 2013-03-11 | 2013-07-17 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
CN106897998A (zh) * | 2017-02-24 | 2017-06-27 | 深圳市昊睿智控科技服务有限公司 | 太阳能直射辐射强度信息预测方法和*** |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
JP2019015517A (ja) * | 2017-07-03 | 2019-01-31 | 株式会社東芝 | 日射強度推定装置、日射強度推定システム及び日射強度推定方法 |
-
2019
- 2019-11-12 CN CN201911100864.XA patent/CN110929845A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208029A (zh) * | 2013-03-11 | 2013-07-17 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
CN106897998A (zh) * | 2017-02-24 | 2017-06-27 | 深圳市昊睿智控科技服务有限公司 | 太阳能直射辐射强度信息预测方法和*** |
JP2019015517A (ja) * | 2017-07-03 | 2019-01-31 | 株式会社東芝 | 日射強度推定装置、日射強度推定システム及び日射強度推定方法 |
Non-Patent Citations (1)
Title |
---|
HOU JIANG 等: "A deep learning algorithm to estimate hourly global solar radiation from geostationary satellite data", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brooks et al. | Unprocessing images for learned raw denoising | |
US9444991B2 (en) | Robust layered light-field rendering | |
CN110163808B (zh) | 一种基于卷积神经网络的单帧高动态成像方法 | |
CN110795976B (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN102682446B (zh) | 使用自适应联合双边滤波器生成稠密深度图的设备和方法 | |
CN110278346A (zh) | 视频除雾处理装置及方法 | |
KR101361644B1 (ko) | 영상 처리 장치 및 영상 내의 안개 제거 방법 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN107993189B (zh) | 一种基于局部分块的图像色调动态调节方法和装置 | |
CN110166684B (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
CN109829868B (zh) | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 | |
CN110335221B (zh) | 一种基于无监督学习的多曝光图像融合方法 | |
US11244426B2 (en) | Method for image super resolution imitating optical zoom implemented on a resource-constrained mobile device, and a mobile device implementing the same | |
Jaroensri et al. | Generating training data for denoising real rgb images via camera pipeline simulation | |
CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN111383232A (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN109785242B (zh) | 一种基于逐波段广义双线性模型的高光谱图像的解混方法 | |
Singh et al. | Weighted least squares based detail enhanced exposure fusion | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
WO2021051382A1 (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
US20190172226A1 (en) | System and method for generating training images | |
CN111951373B (zh) | 一种人脸图像的处理方法和设备 | |
CN113706400A (zh) | 图像矫正方法、装置、显微镜图像的矫正方法及电子设备 | |
US9286664B2 (en) | System and method for blind image deconvolution | |
CN110570376B (zh) | 一种图像去雨方法、装置、设备和计算机可读存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200327 |
|
WW01 | Invention patent application withdrawn after publication |