CN111582555B - 基于地基云图图像特征的光伏功率预测方法 - Google Patents

Abstract

本发明公开了一种基于地基云图图像特征的光伏功率预测方法，包括：S1，基于地基云图提取光照强度、高频分量、透射率、天顶距离和云因子特征；S2、建立GBDT预测模型，将从地基云图中提取出的光照强度、高频分量、透射率、天顶距离以及云因子等图像特征作为对光伏功率影响的重要特征量，构建GBDT光伏功率预测模型，实现对光伏功率的准确预测。本方法得到的光伏功率预测结果具有较高的精度和一定的稳定性，且该方法简单、易于实现。

Description

基于地基云图图像特征的光伏功率预测方法

技术领域

本发明涉及数字图像处理技术和光伏功率预测领域，具体涉及一种通过从地基云图中获取图像特征来对光伏功率进行较为准确预测的方法。

背景技术

近年来，以太阳能为主的可再生能源越来越受到世界各国的关注和应用。其中对太阳能资源利用的最主要方式是进行光伏发电，而太阳辐照度是影响光伏输出功率的重要因素之一。太阳辐照度受云团运动的影响，表现出随机性和波动性，光伏输出功率因此也存在这些性质。光伏输出功率的骤然衰减导致的爬坡事件不但损耗太阳能电池的寿命，而且会影响主网***的稳定运行。因此，通过对太阳辐照度的研究准确预测光伏功率对电力***和太阳能生产具有十分现实的意义。

光伏输出功率主要受太阳辐照度的影响，而天空中云的生成、运动以及消融会使太阳辐照度呈现出随机性和波动性。地基云图可实时记录天空状况，因此获取地基云图的图像特征是光伏功率准确预测的关键步骤。

但是，目前未见利用地基云图的图像特征对光伏功率进行准确预测的报导。

发明内容

为克服现有技术的不足，本发明旨在利用从地基云图中获取影响太阳辐照度的图像特征实现对光伏功率的准确预测。

为此，本发明采取以下技术方案：

一种基于地基云图图像特征的光伏功率预测方法，包括以下步骤：

S1，基于地基云图提取光照强度、高频分量、透射率、天顶距离和云因子特征；

S2、建立GBDT预测模型：

设训练模型的输入为训练集样本X＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，m为样本数量，最大迭代次数N，损失函数L(y,f(x))，输出强学习器f(x)，

1)初始化弱学习器：

式中：

x为样本特征，包括步骤S1提取的光照强度、高频分量、透射率、天顶距离和云因子特征；

y_i为第i个样本的实际值；

c为样本均值；

2)对迭代轮数n＝1,2,...,N有：

a)对样本i＝1,2,...,m，计算负梯度：

b)利用(x_i,r_ni)(i＝1,2,...,m)，拟合出第n棵回归树，其对应的叶节点区域为R_nj,j＝1,2,...,J，J为回归树n的叶节点的个数；

c)对叶节点j＝1,2,...,J计算最佳拟合值：

d)更新强学习器：

3)得到强学习器f(x)的表达式为；

其中，选择的损失函数为均方差损失函数，计算公式为：

式中y-f(x)为负梯度误差，

强学习器得到的f(x)即为输出的预测值。

其中，步骤S1中，根据HSV颜色空间模型，利用亮度值对光照强度的变化进行准确评价，HSV模型各分量计算公式如下：

S＝(max-min)/max

V＝max(R,G,B)

其中：

max＝max(R,G,B)，min＝min(R,G,B)，R、G、B为RGB模型中的红、绿、蓝三个颜色通道的值；H为色调；S为饱和度；V为亮度。

步骤S1中，所述高频分量通过傅里叶变换提取，对于一个有限长序列{f(x)}(0≤x≤N-1)，其傅里叶变换表示为：

式中，N表示序列的长度，u＝0,1,...,N-1，W_N＝e^-2πj/N。

步骤S1中，所述透射率通过何凯明去雾算法进行计算：

式中，

表示透射率的预估值；C表示R、G、B三个通道其中一个；J^C表示输入图像J的某一个颜色通道；Ω(x)是一正方形区域，其中心点为x；A是全球大气光成分；y是Ω(x)区域中的某一点；A^C为大气光成分中C对应的通道值。

步骤S1中，使用全天空成像仪和太阳中心点分别对应在地基云图中的点的像素距离来计算天顶距离，其计算公式为：

式中，(x_o,y_o)表示全天空成像仪在地基云图中对应的位置，(x_s,y_s)表示太阳在地基云图中对应的位置。

步骤S1中，所述云因子计算公式为：

式中，n代表选定区域中所提取的云的像素点个数，g_i代表图像中某点i的灰度值，d_1i代表选定区域中点i到太阳中心点的像素距离，d_2i代表选定区域中点i到全天空成像仪所对应的图像中心点的像素距离。

本发明针对全天空成像仪采集的地基云图展开研究，利用图像处理技术提取影响太阳辐照度变化的图像特征，包含光照强度、高频分量、透射率、天顶距离以及云因子特征；将图像特征作为输入数据，光伏功率作为输出数据，利用梯度提升决策树(GBDT，GradientBoosting Decision Tree)算法构建光伏功率预测模型，实现光伏功率的预测。

本发明具有以下有益效果：

本发明提供了一种对光伏功率进行准确预测的方法，将从地基云图中提取出的光照强度、高频分量、透射率、天顶距离以及云因子等图像特征作为对光伏功率影响的重要特征量，构建GBDT光伏功率预测模型，实现对光伏功率的准确预测。本方法得到的测试集的均方根误差值在1％以下，R²值可达93％以上，其光伏功率预测结果具有较高的精度和一定的稳定性。本发明的方法简单、易于实现，前期需要现有的地基云图采集设备和训练已有的光伏功率数据，后期仅需地基云图采集设备以及训练好的模型即可实现光伏功率的预测。

本方法适用于使用全天空成像仪(TSI，Total Sky Imager)设备采集的地基云图对光伏功率的预测。

附图说明：

图1是基于地基云图图像特征的光伏功率预测方法的流程图；

图2是云因子计算示意图；

图3是GBDT模型；

图4是本发明实施例中晴天日GBDT太阳辐照度预测结果；

图5是本发明一个实施例的GBDT光伏功率预测结果。

具体实施方式

本发明是在光伏功率主要受太阳辐照度影响的背景下，通过对全天空成像仪采集的地基云图展开研究，利用图像处理技术提取影响太阳辐照度变化的图像特征，包含光照强度、高频分量、透射率、天顶距离和云因子特征，将图像特征作为输入数据，将光伏功率作为输出数据，利用梯度提升决策树(GBDT)算法构建光伏功率预测模型，实现光伏功率的预测。该预测方法的流程图如图1所示，包括以下步骤：

S1、基于地基云图的特征提取：

1)提取光照强度：

根据HSV(Hue，Saturation，Value)颜色空间模型，利用V(亮度)值对光照强度的变化进行准确评价。HSV模型各分量可以根据下面公式计算得到：

S＝(max-min)/max

V＝max(R,G,B)

其中：max＝max(R,G,B)，min＝min(R,G,B)，R、G、B为RGB模型中的红、绿、蓝三个颜色通道的值；H为色调；S为饱和度；V为亮度。

2)提取高频分量：

地基云图中云量的变化属于图像细节，可以用高频分量反映地基云图的细节部分作为地基云图的特征，高频分量可通过傅里叶变换提取。

对于一个有限长序列{f(x)}(0≤x≤N-1)，它的傅里叶变换表示为：

式中，N表示序列的长度，u＝0,1,...,N-1，W_N＝e^-2πj/N。

3)提取透射率：

使用何凯明去雾算法(He K，Sun J.Fast Guided Filter[J].Computer Science，2015)中对透射率的计算，其计算公式为：

式中，

表示透射率的预估值；C表示R、G、B三个通道其中一个；J^C表示输入图像J的某一个颜色通道；Ω(x)是一正方形区域，其中心点为x；A是全球大气光成分；y是Ω(x)区域中的某一点；A^C为大气光成分中C对应的通道的值。

4)提取天顶距离：

使用全天空成像仪和太阳中心点分别对应在地基云图中的点的像素距离来计算天顶距离，其计算公式为：

式中，(x_o,y_o)表示全天空成像仪在地基云图中对应的位置，(x_s,y_s)表示太阳在地基云图中对应的位置。

5)提取云因子：

本发明用云因子来表示统计区域内所包含的云量情况对全天空成像仪所在位置的太阳辐照度的影响情况，其计算公式为：

式中，n代表选定区域中所提取的云的像素点个数，g_i代表图像中某点i的灰度值，d_1i代表选定区域中点i到太阳中心点的像素距离，d_2i代表选定区域中点i到全天空成像仪所对应的图像中心点的像素距离。云因子计算的示意图如图2所示。

S2、建立GBDT预测模型：

设训练模型的输入为训练集样本X＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，m为样本数量，x_i代表第i个训练样本的所有特征的集合，即光照强度、高频分量、透射率、天顶距离和云因子特征的集合；y_i代表对应训练样本的标签；最大迭代次数N，损失函数L(y,f(x))，输出强学习器f(x)，其GBDT模型如图3所示。

1)初始化弱学习器：

式中，x为样本特征，y_i为第i个样本的实际值，c为样本均值。

2)对迭代轮数n＝1,2,...,N有：

a)对样本i＝1,2,...,m，计算负梯度：

b)利用(x_i,r_ni)(i＝1,2,...,m)，拟合出第n棵回归树，其对应的叶节点区域为R_nj,j＝1,2,...,J，J为回归树n的叶节点的个数。

c)对叶节点j＝1,2,...,J计算最佳拟合值：

d)更新强学习器：

其中I表示当x属于区域R_nj时返回的R_nj的值。

3)得到强学习器f(x)的表达式为；

此发明中选择的损失函数为均方差损失函数，计算公式为：

式中，y-f(x)为负梯度误差。

强学习器所得到的f(x)即为输出的预测值。

对本发明预测方法有效性的验证：

太阳辐照度是影响光伏输出功率的重要因素之一，为了验证本发明方法的有效性，使用某光伏电站2018年2月、3月、4月期间的地基云图以及太阳辐照度数据进行验证。对晴天这种典型天气情况，选取其中两天作为预测日。训练集选取与预测日比较接近的5个晴天日。按1：4的比例将实验过程中使用的数据集随机拆分为测试集与训练集，进行评价指标RMSE和R²的计算。计算公式为：

式中，y_i为实际值，

为预测值，

为期望的预测值。

验证过程中得到的测试集的评价指标RMSE和R²的值分别为0.002131和0.943475。由此可以看出本方法误差足够小，精度较高。

用训练好的GBDT模型去测试选好的两天预测日，将预测值与太阳辐照度的实际值相比较，得到这两天的预测曲线如图4所示，从图中可以看出，预测值与实际值吻合得较好。

上验证表明，从地基云图提取出来的特征可以对太阳辐照度进行精准计算，因此可以将地基云图提取出来的特征作为GBDT模型的输入对光伏功率进行预测。

实施例一

建模样本来自天津大学光伏电站2019年7月、8月、9月期间的输出功率及与之对应的地基云图，共计2979条样本，对样本进行归一化处理后，选择其中的80％作为训练集，剩下的20％作为测试集。设学习率为0.02，树的最大深度为6，最大迭代次数为1000，得到的测试集的均方根误差为0.003472，R²值为0.933471。结果表明，该方法对光伏功率进行预测能够达到较小的误差和较高的精度。

上述测试集中，前100条数据的实际值与预测值的对比结果如图5所示。由图5的结果可得知，预测值与实际值吻合得较好，证明从地基云图提取出来的特征可以对光伏功率进行预测。

Claims (4)

1.一种基于地基云图图像特征的光伏功率预测方法，包括以下步骤：

S1，对基于全天空成像仪采集的地基云图提取光照强度、高频分量、透射率、天顶距离和云因子特征，其中，

所述透射率通过何凯明去雾算法进行计算：

式中，

表示透射率的预估值；C表示R、G、B三个通道其中一个；J^C表示输入图像J的某一个颜色通道；Ω(x)是一正方形区域，其中心点为x；A是全球大气光成分；y是Ω(x)区域中的某一点；A^C为大气光成分中C对应的通道值；

所述云因子的计算公式为：

式中，n代表选定区域中所提取的云的像素点个数，g_i代表图像中某点i的灰度值，d_1i代表选定区域中点i到太阳中心点的像素距离，d_2i代表选定区域中点i到全天空成像仪所对应的图像中心点的像素距离；

S2、建立GBDT预测模型：

设训练模型的输入为训练集样本X＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，m为样本数量，最大迭代次数N，损失函数L(y,f(x))，输出强学习器f(x)，

1)初始化弱学习器：

式中：

x为样本特征，包括步骤S1得到的光照强度、高频分量、透射率、天顶距离和云因子；

y_i为第i个样本的实际值；

c为样本均值；

2)对迭代轮数n＝1,2,...,N有：

a)对样本i＝1,2,...,m，计算负梯度：

b)利用(x_i,r_ni)(i＝1,2,...,m)，拟合出第n棵回归树，其对应的叶节点区域为R_nj,j＝1,2,...,J，J为回归树n的叶节点的个数；

c)对叶节点j＝1,2,...,J计算最佳拟合值：

d)更新强学习器：

3)得到强学习器f(x)的表达式为；

其中，选择的损失函数为均方差损失函数，计算公式为：

式中y-f(x)为负梯度误差，

强学习器得到的f(x)即为输出的预测值。

2.根据权利要求1所述的光伏功率预测方法，其特征在于：步骤S1中，根据HSV颜色空间模型，利用亮度值对光照强度的变化进行准确评价，HSV模型各分量计算公式如下：

S＝(max-min)/max

V＝max(R,G,B)

其中：

max＝max(R,G,B)，min＝min(R,G,B)，R、G、B为RGB模型中的红、绿、蓝三个颜色通道的值；

H：色调；

S：饱和度；

V：亮度。

3.根据权利要求1所述的光伏功率预测方法，其特征在于：步骤S1中，所述高频分量通过傅里叶变换提取，对于一个有限长序列{f(x)}(0≤x≤N-1)，其傅里叶变换表示为：

式中，N表示序列的长度，u＝0,1,...,N-1，W_N＝e^-2πj/N。

4.根据权利要求1所述的光伏功率预测方法，其特征在于：步骤S1中，使用全天空成像仪和太阳中心点分别对应在地基云图中的点的像素距离来计算天顶距离，其计算公式为：

式中，(x_o,y_o)表示全天空成像仪在地基云图中对应的位置，(x_s,y_s)表示太阳在地基云图中对应的位置。

Images