CN111815038A

CN111815038A - 一种光伏超短期预测方法及***

Info

Publication number: CN111815038A
Application number: CN202010589499.XA
Authority: CN
Inventors: 杨明; 司志远; 于一潇; 刘洋
Original assignee: Jinan Ruineng Electric Power Design Consulting Co ltd; Shandong Hansi Information Technology Co ltd; Shandong University
Current assignee: Jinan Ruineng Electric Power Design Consulting Co ltd; Shandong Hansi Information Technology Co ltd; Shandong University
Priority date: 2020-06-24
Filing date: 2020-06-24
Publication date: 2020-10-23
Anticipated expiration: 2040-06-24
Also published as: CN111815038B

Abstract

本公开提出了一种光伏超短期预测方法,包括：对卫星可见光云图进行像素标准化处理，将标准化云图进行去底操作，获得只包含云信息的图像；利用只包含云信息的图像对未来超短期时刻目标区域的云图进行预测；将预测云图输入至卷积神经网络，获得云遮挡因子；融合云遮挡因子及与光伏功率或辐照度进行相关的影响因素，建立和光伏功率或辐照度的映射关系，利用该关系对待预测量进行预测。卫星可见光云图数据获取途径比较简单且广泛，同时覆盖范围及视野较大，可以反映云层移动以及厚薄情况。卷积神经网络特别适合于图像特征的提取及学习，将卷积神经网络与卫星云图相融合能够更好的捕捉云对于辐射光线的遮挡影响。

Description

一种光伏超短期预测方法及***

技术领域

本公开属于电网新能源预测领域，尤其涉及一种光伏超短期预测方法及***。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

全球变暖和能源危机推动了可持续性和清洁能源的使用和发展。太阳能被认为是最有前途的可再生能源之一，发展以光伏为代表的新能源已成为世界各国的共识。然而，光伏发电作为一种间歇性能源，给智能电网带来了巨大的波动，给***稳定性、电力平衡、无功补偿、频率响应等带来了严峻的挑战。为了确保光伏安全、经济地融入智能电网，准确的光伏发电预测已成为能源管理***的关键要素。同时由于光伏发电输出与地面的太阳辐照度直接相关，因此太阳辐照度预测对于智能电网的能源管理也同样重要。

在新能源预测技术方面，目前使用最多的是物理法和统计法。物理模型多是基于数值天气预报(NWP)或云图图像，来预测太阳辐照度和光伏发电量。NWP是一种通过数值计算求解描述天气演变过程的流体力学的方程组来预测未来一定时间范围内的大气运动状态和天气现象的方法。由于天气状态的演化规律十分复杂，仅仅依靠NWP来建立和光伏功率或者太阳辐照度的数学预测模型并不能准确模拟相关关系。云图图像包含了丰富的表征云以及辐射的特征信息，因此成为用于光伏预测的一种信息来源。

目前基于云图光伏预测的研究多集中于地基云图，但其拍摄范围有限，因此多用于小时内预测；同时地基摄像设备价格昂贵，大范围推广方面存在困难。统计法目前大致使用回归分析法和时间序列法，基于光伏功率或辐照度的历史数据，建立描述其随时间变化的数学模型，并在此基础上确定出预测的表达式，从而完成预测。上述方法模型简单同时运算速度快，但是无法深入挖掘影响光伏功率或辐照度变化的因素，无法保证较高精度。

近年来，人工智能方法开始运用于新能源预测领域，例如人工神经网络、随机森林等方法逐步融入至光伏预测技术中，但是传统的人工智能方法多依赖于大量历史数据，在图像特征提取以及深度学习方面并不具有优势。

发明内容

为克服上述现有技术的不足，本公开提供了一种光伏超短期预测方法,基于卫星可见光云图和改进卷积神经网络实现光伏超短期预测。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

一方面，公开了一种光伏超短期预测方法,包括：

对卫星可见光云图进行像素标准化处理，将标准化云图进行去底操作，获得只包含云信息的图像；

利用只包含云信息的图像对未来超短期时刻目标区域的云图进行预测；

将预测云图输入至卷积神经网络，获得云遮挡因子；

融合云遮挡因子及与光伏功率或辐照度进行相关的影响因素，建立和光伏功率或辐照度的映射关系，利用该关系对待预测量进行预测。

另一方面，公开了一种光伏超短期预测***,包括：

可见光云图处理模块，被配置为：对卫星可见光云图进行像素标准化处理，将标准化云图进行去底操作，获得只包含云信息的图像；

云图预测模块，被配置为：利用只包含云信息的图像对未来超短期时刻目标区域的云图进行预测；

预测模块，被配置为：将预测云图输入至卷积神经网络，获得云遮挡因子；

以上一个或多个技术方案存在以下有益效果：

本公开技术方案相比于地基云图，卫星可见光云图数据获取途径比较简单且广泛，同时覆盖范围及视野较大，可以反映云层移动以及厚薄情况。卷积神经网络特别适合于图像特征的提取及学习，将卷积神经网络与卫星云图相融合能够更好的捕捉云对于辐射光线的遮挡影响。同时考虑历史数据以及太阳高度角等一系列物理因素的影响，从而达到更好的精度效果。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的基于卫星可见光云图和改进卷积神经网络的光伏超短期预测方法流程图；

图2为本公开实例验证中可见光云图处理结果图；

图3为本公开实例验证中云图预测流程示意图；

图4为本公开实例验证中云遮挡因子数量与预测误差的关系图；

图5为本公开实例验证中卷积神经网络深度广度与预测误差的关系图；

图6为本公开实例验证中池化方式与预测误差的关系图；

图7为本公开实例验证中影响变量与辐照度的相关系数结果图；

图8为本公开实例验证中的预测结果图；

图9为本公开的基于卫星可见光云图和改进卷积神经网络的光伏超短期预测***的结构示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了一种光伏超短期预测方法，基于卫星可见光云图和改进卷积神经网络实现光伏超短期预测，包括：

对卫星可见光云图进行像素标准化处理，减少由于太阳高度角造成的日内差异，同时将标准化云图进行去底操作，获得只包含云信息的图像；

根据处理后的云图图像，对未来时刻目标区域的云图进行预测；

将预测云图输入改进的卷积神经网络，寻求最优网络结构；

对众多的影响因素和光伏功率或辐照度进行相关分析，筛选出相关性较高的影响变量，与卷积神经网络的输出融合建立和光伏功率或辐照度的映射关系，得到待预测量的预测结果。

在具体实施例子中，以地面反射图像为标准确定最优参数A进而对卫星可见光云图进行像素标准化处理；根据对应时间将云图集分类，并将标准化云图与地面反射图像作差进而得到只包含云信息的图像。

具体的，卫星可见光云图的标准化与去底化处理如下：

可见光云图的像素值与太阳高度角之间的相关关系用公式来表示：

E＝Kρ(cos(θ))^A (1)

其中E为像素强度值，K为太阳常数，ρ为反照率，θ为太阳天顶角，A为实验系数，这与卫星与观测站所处的相对位置有关。为了减少太阳高度角对于云图像素值大小的影响，对相关关系进行变换：

式(2)的左侧相当于反映图像亮度的一个变量，因此将其命名为E'，由它构成了云图像的初级处理。同时由于灰度图像的取值范围为0-255，因此需要缩小初处理云图的取值范围，形成标准化云图：

其中E'_max和E'_min分别表示初级处理云图中所有像素的最大值和最小值。

针对不同卫星所拍摄到的不同位置的图像对应不同的A值问题，提出了一种求取相应最优参数A值的方法。选取一个时间范围内目标区域所对应的全部云图，按照整点时间(8:00-16:00)划分云图集，时间间隔为一小时。给A赋一初值，每个时间点的云图集经过标准化的处理可以获得相应的图像集。遍历每个图像集内的所有图像，选取每个像素点处所对应的最小像素值。所有像素点所对应的最小像素值构成了该时间点的地面反射图像，也即该时间点目标区域无云状态下的呈现情况。

不同时间点的地面反射图像之间进行相似度匹配，以量化标准化程度。不断地变化参数A的取值，重复上述步骤。当(cos(θ))^A很小时，不可避免地会出现像素强度值E较大的情况，从而导致较大的E'max。像素值范围的压缩导致信息的重叠和丢失。因此，在处理卫星图像时，还应综合考虑像素值取值的范围。当不同时间点的地面反射图像之间最相似且取值范围适中时，此时对应的A即为最优参数。利用最优参数A进行云图的标准化处理，大大减小了可见光云图的日内差异性。

紧接着是提取云特征信息。经过第一步，太阳高度角对云图像素值的日内差异性影响减小。然而标准化图像不仅包含云的信息，还包含来自地面的反射。同时由于地形的影响，某些地区的地面反射图像在不同时间点会呈现出不同的亮暗情况。因此，将标准化的云图按时间点划分为若干个标准云图集。在每个标准云图集中，得到每个像素的最小值，形成最小像素矩阵(即地面反射图像)。从标准云图集中减去相应的最小像素矩阵，得到只包含云信息的图像。

P_ij'＝P_ij-P_ground，i (4)

其中P为图像的像素值矩阵，i为对应的时间点，j为标准云图集里面的某云图，P_ground，i代表时间点i所对应的地面反射图像像素矩阵，P_ij和P_ij'分别代表时间点i所对应的初级云图和标准化云图。通过上述步骤，获得仅包含云信息且可以反映云层移动及厚薄情况的云图图像。

本公开实施例子提出了以地面反射图像为衡量标准的最优试验参数选取方法，规避了根据经验设置参数时所带来的巨大偏差；模型在处理过程中考虑了不同时间点地形等因素对地面反射图像产生的影响，从而更好的提取并保留云信息；同时提出了一种的云图物理预测方法，充分考虑了云移动驱动因素风速的影响。

在获得只包含云信息的图像基础上，利用预报风速和云顶温度提出一种卫星图像预报方法，对超短时间云层运动进行预测。

在只包含云信息的图像中以目标区域所在范围为中心区域，选取一个更大的区域。大区域中建立一个长宽规格与中心区域相同的矩形区域，命名为待测区域。寻找待测区域中每一个格点所对应的云顶高度，同时为每一格点处匹配与云顶高度所对应的未来时刻预测风速，将待测区域中的所有风速进行均值化，得到待测区域的总风速矢量：

其中，N为待测区域长宽的格点数，S为总风速矢量，S_ij为某一格点出的风速矢量。

利用总风速矢量进行外推，获得下一时刻云图所在位置。下一时刻云图所在位置与中心区域重合越多，代表预测云图更为准确。不断变换待测区域，寻求与下一时刻云图所在位置与中心区域重合最多的区域。将其选取为下一时刻的预测云图，同时以下一时刻的预测云图为中心，重复上述步骤，即可得到未来多个时刻的预测云图。

通过选择不同数量的中间变量、不同卷积神经网络的深度和广度以及不同的池化方法进行最优结构的选取。

首先通过卷积神经网络从处理好的只包含云信息的历史图像中提取不同数量的云层遮挡因子，探讨其性能随云层遮挡因子数量的变化。

其次通过不断改变卷积神经网络的深度和广度，探讨其性能随网络深度和广度的变化。卷积网络的深度指的是连接层的数量，广度指的是每一连接层中神经元的数量。

再者通过改变池化方式，探究其性能随池化方式的变化。目前，最常见的池类型包括最大池化和平均池化。然而，理论和经验都表明，这两种方法并不是最优的池化方法。最大池化虽保留了更好的边缘特性，但忽略了全局信息，而平均池化则相反。这里提出了基于秩的平均池化方法。原则是在池域中按降序排列所有值，然后按大小顺序选择部分值并将其平均作为池化结果。这种类型的池化方式减少了最大池化和平均池化导致的有用信息丢失。基于秩的平均池化方程如下：

其中t为秩阈值。R_j是特征图中的池化区域j，i是其中每个激活的索引。r_i和a_i分别表示激活i的秩和激活i的值。

基于改进卷积神经网络的预测方法，该方法利用卷积神经网络从卫星可见光图像中获取云遮挡因子，可以更好地提取云图中的信息；通过对于卷积神经网络结构的寻优改进以获得最优结构，展现出更精确的性能；同时将三张连续时刻的云图作为输入，可以提高预测精度。

通过Person相关系数对众多的影响因素和光伏功率或辐照度进行相关分析，筛选出相关性较高的影响变量，将多种影响变量和云遮挡因子构成影响因素向量，建立该向量和光伏功率或辐照度的映射关系，得到光伏功率或辐照度的预测结果。

在以往的研究中，已经证明气象因素、历史数据以及一些物理因素对光伏功率或辐照度有显著的影响。然而，在众多的影响因素中，可能存在着大量的冗余和重复信息。为了选择与光伏功率或辐照度相关程度更高的变量，利用Person相关系数(PCC)进行相关分析，筛选出相关性较高的影响变量：

其中X为影响变量，Y为全球地平线辐照度测量值，N为采样集个数，r为相关系数。

紧接着，将卷积神经网络输出的云遮挡因子和筛选出来的高相关变量融合，输入进多层感知机，建立和光伏量的映射关系，实现对于待预测量的预测。

作为一种混合预测方法，该方法除了云遮挡因素外，充分考虑了历史数据、气象数据和太阳天顶角对预测光伏功率或辐照度的影响。将影响因素融合建立深度学习模型，具有更好的预测性能。

基于同样的发明构思，本公开实施例子还公开了一种基于卫星可见光云图和改进卷积神经网络的光伏超短期预测***，图9为本发明的基于卫星可见光云图和改进卷积神经网络的光伏超短期预测***的结构示意图。

包括：

可见光云图处理模块，其用于对卫星可见光云图进行像素标准化处理，减少由于太阳高度角造成的日内差异，同时将标准化云图进行去底操作，获得只包含云信息的图像；

云图预测模块，其用于根据处理后的云图图像，对未来时刻目标区域的云图进行预测；

结构改进寻优模块，其用于将预测云图输入改进的卷积神经网络，寻求最优网络结构；

预测模块，其用于对众多的影响因素和光伏功率或辐照度进行相关分析，筛选出相关性较高的影响变量，与卷积神经网络的输出融合建立和光伏功率或辐照度的映射关系，得到待预测量的预测结果。

在所述可见光云图处理模块中，以地面反射图像为标准来确定最优参数A，进而对卫星可见光云图进行像素标准化处理；根据对应时间将云图集分类，并将标准化云图与地面反射图像作差进而得到只包含云信息的图像。

在所述云图预测模块中，利用预报风速和云顶温度提出一种卫星图像预报方法，该方法用于对超短时间云层运动进行预测。

在所述结构改进寻优模块中，通过选择不同数量的中间变量、不同卷积神经网络的深度和广度以及不同的池化方法进行最优结构的选取。

在预测模块中，通过Person相关系数对众多的影响因素和光伏功率或辐照度进行相关分析，筛选出相关性较高的影响变量，与卷积神经网络的输出的云遮挡因子融合，建立和光伏功率或辐照度的映射关系，得到待预测量的预测结果。

本公开实施例对山东地区潍坊某光伏电站的辐照度进行了未来4小时的超短期预测，下面结合附图与实施例对本发明作进一步说明。

如图1所示，基于卫星可见光云图和改进卷积神经网络的光伏超短期预测方法，主要包括如下步骤：

步骤(1)：以地面反射图像为标准确定最优参数A进而对卫星可见光云图进行像素标准化处理；根据对应时间将云图集分类，并将标准化云图与地面反射图像作差进而得到只包含云信息的图像。

对可见光云图像素值的进行标准化处理。具体地，首先，将目标区域所对应的全部云图，按照整点时间(8:00-16:00)划分成九个云图集，时间间隔为一小时。其次，给参数A赋任意一初值，每个时间点的云图集经过标准化、归一化的处理后可以获得相应的图像集。再者，遍历每个图像集内的所有图像，选取每个像素点处所对应的最小像素值。所有像素点所对应的最小像素值构成了该时间点的地面反射图像。不断变换A的取值，重复上述步骤，不同时间点之间的地面反射图像相似度最为接近时，认为此时参数A最优。

对标准化云图进行云特征信息的提取。由上述步骤获得不同时间点所对应的标准化云图集。在每个标准云图集中，得到每个像素的最小值，形成该云图集的最小像素矩阵(即地面反射图像)。每一标准云图集中所有图像减去相应的最小像素矩阵，得到只包含云信息的图像。

图2显示了一天中8、12和16小时对应的原始云图、标准化云图和地面反射图像的像素值分布情况，此时设A＝0.65。X和Y坐标表示地理位置，Z坐标表示像素值。第一行展示了原始云图一天中的变化情况，可见原始云图呈现明显的日变化趋势，早晚像素值总体低于中午。第二行展示了标准化云图一天中的变化情况，可见标准化云图未呈现出明显的日变化趋势，早中晚像素值的取值范围较为固定，说明标准化云图较好地削弱了由于太阳高度角带来的日内差异。同时图像像素值范围约在30-200之间，这意味着可以保留原始信息。第三行展示了地面反射图像一天中的变化情况，可见早中晚时刻地面反射图像像素取值非常相似，验证了参数A所取值的有效性与可靠性。

步骤(2)：利用预报风速和云顶温度提出一种卫星图像预报方法，对超短时间云层运动进行预测。

图3是基于预报风速和云顶温度的卫星图像预报方法的示意图。预测步骤具体如下：

首先，以观测点A为中心，选择150像素×150像素的区域作为大区域W，选择50像素×50像素的区域作为中心区域C。在W区域内随机选取由50像素×50像素组成的正方形待测区域B。

其次，对于待测区域B中的每个像素，找到实际温度最接近云顶温度的特定高度。然后，记录特定高度的1h预测风速矢量。将试验区域B的所有风速矢量平均，得到总风速矢量。假设云执行平移运动，待测区域B在一小时后移动到区域B'。记录并观察点A和待测区域B的中心点A'之间的距离。

再者，以1像素为步长在W区域内连续移动测试区域B，可以建立101×101个测试区域。对于每个测试区域B，重复上述步骤，以获得A'和观测点A之间的距离矢量。移动后中心点A'最接近观测点A的测试区域B(即移动后与区域C重叠最大)即为下一小时的预测卫星图像。

最后，以上述步骤得到的预测图像重新作为中心区域C，重复以上步骤，即可得到未来1-4小的预测卫星图像。

选择结构相似性指数(SSIM)作为评价两幅图像相似性的标准。取值范围从0到1。值越大，说明两个图像越相似。

SSIM(X,Y)＝L(X,Y)·C(X,Y)·S(X,Y) (8)

其中，X，Y代表两站图像，L、C以及S函数分别代表亮度、对比度和结构部分。基于上述方法，将预测的卫星图像与真实的卫星图像进行了比较。在1小时、2小时、3小时和4小时的时间范围内，预测卫星图像和真实卫星图像之间的SSIM系数分别为0.879、0.842、0.801和0.756。结果表明，预测得到的卫星图像与真实卫星图像之间相似度高。云图预测方法指出了基于卫星图像的超短期预测的未来可能用途。

步骤(3)：通过选择不同数量的中间变量、不同卷积神经网络的深度和广度以及不同的池化方法进行卷积神经网络最优结构的选取。

为了优化模型的鲁棒性，通过选择不同数量的云遮挡因子和不同的池化方法进行灵敏度分析。同时，通过改变深度卷积神经网络的深度和广度，调整最终连接层数量和各层神经元数量，寻找最优模型。在此，利用提前一小时预报结果的误差进行敏感性分析。选用均方误差作为损失函数：

其中N表示样本集的大小，pi为真值，yi为预测值，S为样本集。

图4验证了云遮挡因子数量与预测误差的关系。本试验通过卷积神经网络从卫星云图中提取不同数量的云层遮挡因子，探讨其性能随云层遮挡因子数量的变化。测试了不同的模型结构。当云遮挡因子为零时，表示将卷积池层与气象因子直接结合后的结果放入第二个完全连通层。从图4可以看出，当云遮挡因子的个数为零或较大时，性能明显低于当云遮挡因子的个数为数时的性能。这可以解释为，经过卷积池层后的大量信息中会包含较多混杂和不相关的内容，从而误导预测结果。因此选取了8个云遮挡因子。

图5验证了卷积神经网络深度广度与预测误差的关系。不同数量的连接层和每一层不同数量的神经元将产生不同的影响。通过从0到5变换连接层数，研究了每种情况下的误差变化。同时，每层神经元数量用32到1024个不断变化研究性能的改变。显然，随着最终连接层数的增加，误差趋于减小，这验证了连接层的重要性。当连接层数从0增加到1时，误差显著减小，而当连接层数从1增加到更大时，误差变化不再显著。每一层中不同数量的神经元对结果有相似的影响。当神经元数目为32个时，误差较大。随着每层神经元数目的增加，误差逐渐减小，但趋势变缓。这说明该模型不需要太深和太密，因此选择了两层连接层，每层包含256个神经元。

图6验证了池化方式与预测误差的关系。为了更好地比较三种池化方法的性能，分别在晴天、少云和多云的情况下采用了不同的池化方法。可见，少云和多云天气下最大池化和平均池化的误差大于基于秩等级的平均池化方法。由于少云和多云天的云层分布和厚度是不规则的，这种现象是可以理解的。最大池化选择本地最大值，忽略云分布的整体情况。而在少云的情况下，平均池化很难捕捉云的边界。基于秩的平均池化综合了这些优点，能够更好地保留图像中的有用信息。在晴天条件下，云层覆盖较少，甚至无云，所包含的信息较少。因此，三种池化方法对结果的影响差别不大。

步骤(4)：通过Person相关系数对众多的影响因素和光伏辐照度进行相关分析，筛选出相关性较高的影响变量，与卷积神经网络的输出的云遮挡因子融合，建立和光伏辐照度的映射关系，得到待预测量的预测结果。

采用Person相似度方法对和光伏辐照度相关的众多的影响因素进行相关分析。图7说明了影响变量与辐照度的相关系数结果。影响变量分为两部分。一部分是气象变量，选取了温度(T)、湿度(H)、气压(P)、风速(WS)、降雨量(RF)、太阳天顶角(θ)和气溶胶光学厚度(AOD)7个气象变量。第二部分为历史数据变量，选取了预测时间之前三个时刻的历史辐照度数据(Ir1、Ir2和Ir3)三个变量。Person相关系数的绝对值反映了变量间的相关强度，因此本文选取前两个时刻(Ir1，Ir2)的辐照度、温度、湿度、气溶胶光学厚度、太阳天顶角作为输入。

为了综合比较预测模型的性能，建立了其他三个基准模型。为了方便起见，所提出的预测模型称为M0，采用连续三个时刻的卫星图像和其他气象数据作为输入。模型M1为只使用一个卫星图像和其他气象数据作为输入。M2模型将原始卫星图像和其他气象数据作为输入。与M0相比，M3直接以观测点附近的云量预测值作为输入，而不是通过改进的CNN中提取云变量。图9为预测结果图。第一行和第二行中分别对应于1h和3h预测结果。

可见M0中的大多数对分布在y＝x线附近，但仍有一些对误差较大。与其他模型相比，M0的频带总体较窄。M0的预测结果优于M1，说明以多时刻卫星图像作为输入有利于提高预测性能。M0与M2的对比结果表明，对原始卫星云图进行预处理是必要的。M3的整体性能比M0差。特别是在多云地区(对应的辐照度很小)，M0的误差较小，说明利用改进的CNN从卫星图像中提取云遮挡因子对于提高预报精度是必不可少的。在晴天和多云的情况下，M0在一小时的预报层位中，对y＝x线的聚类更为紧密。对于3小时的预测情况，M3的分布最为分散，M1和M2的预测性能很难直观区分哪个更好。但是M0的分布仍然比其他的窄。

均方根误差(RMSE)用于评估模型的性能：

其中，G(t)表示辐照度的观测值，而

表示辐照度的预测值。m表示测试集的个数。

表1为山东省潍坊地区两个光伏电站不同季节下的RMSE。总的来说，M0模型的RMSE比其他三个模型的RMSE要小，这说明本文提出的M0模型可以得到更准确的预测未来辐照度。在提前1小时的预测中，M0的RMSE值分别比M1、M2和M3的数据低10％、10％和30％。随着前瞻时间的增加，M1和M2的RMSE值逐渐接近，但仍比M0的预测结果高出约9％、6％和5％，以及。M3模型的RMSE值最高，表明其性能最差。从上面的描述可以看出，与直接采用预测云量的预测模型相比，该方法具有更好的预测效果。同时，对原始卫星云图进行预处理是提高卫星云图预报性能的必要手段。与单一云图相比，采用三幅连续的卫星云图作为输入可以观察到更有利的效果。

采用本发明方法的预测结果如表1所示：

基于同样的发明构思，本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时执行上述实施例子中方法的具体步骤。

基于同样的发明构思，本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述实施例子中方法的具体步骤。

以上实施例装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。

本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种光伏超短期预测方法,其特征是，包括：

将预测云图输入至卷积神经网络，获得云遮挡因子；

2.如权利要求1所述的一种光伏超短期预测方法,其特征是，对卫星可见光云图进行像素标准化处理时，以地面反射图像为标准确定最优参数A，利用最优参数A进行云图的标准化处理，以减小可见光云图的日内差异性，其中，A为实验系数，与卫星与观测站所处的相对位置有关。

3.如权利要求1所述的一种光伏超短期预测方法,其特征是，将标准化云图进行去底操作，具体为：将标准化云图与地面反射图像作差进而得到只包含云信息的图像。

4.如权利要求2或3所述的一种光伏超短期预测方法,其特征是，地面反射图像的获取为：将标准化的云图按时间点划分为若干个标准云图集，在每个标准云图集中，得到每个像素的最小值，形成最小像素矩阵即地面反射图像。

5.如权利要求2所述的一种光伏超短期预测方法,其特征是，最优参数A获取为：当不同时间点的地面反射图像之间最相似且取值范围适中时，此时对应的A即为最优参数。

6.如权利要求2所述的一种光伏超短期预测方法,其特征是，云图进行预测：

建立待测区域，寻找待测区域中每一个格点所对应的云顶高度，同时为每一格点处匹配与云顶高度所对应的未来时刻预测风速，将待测区域中的所有风速进行均值化，得到待测区域的总风速矢量；

利用总风速矢量进行外推，获得下一时刻云图所在位置，不断变换待测区域，选取下一时刻的预测云图。

7.如权利要求6所述的一种光伏超短期预测方法,其特征是，建立待测区域时，以目标区域所在范围为中心区域，选取大区域，大区域中建立长宽规格与中心区域相同的矩形区域，即为待测区域；

不断变换待测区域，寻求与下一时刻云图所在位置与中心区域重合最多的区域，将其选取为下一时刻的预测云图。

8.一种光伏超短期预测***,其特征是，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行权利要求1-7任一所述的方法的步骤。

10.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现权利要求1-7任一所述的方法的步骤。