CN112989709B - 一种基于地基云图的太阳能资源超短时预报方法 - Google Patents
一种基于地基云图的太阳能资源超短时预报方法 Download PDFInfo
- Publication number
- CN112989709B CN112989709B CN202110397919.9A CN202110397919A CN112989709B CN 112989709 B CN112989709 B CN 112989709B CN 202110397919 A CN202110397919 A CN 202110397919A CN 112989709 B CN112989709 B CN 112989709B
- Authority
- CN
- China
- Prior art keywords
- cloud
- sky
- historical
- time
- model
- 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.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 230000005855 radiation Effects 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims description 15
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种基于地基云图的太阳能资源超短时预报方法,所述太阳能资源超短时预报方法包括:基于全天空成像仪获得的过去预定时间段内的多张原始地基云图确定历史云信息;根据所述历史云信息建立云量预报模型;根据所述云量预报模型确定预报云量,所述预报云量为未来预定时间段内的云量;根据过去预定时间段内的历史晴空辐射数据建立晴空辐射预报模型;根据所述历史云信息建立云衰减模型;根据所述晴空辐射预报模型和所述云衰减模型确定云天辐射模型;根据所述预报云量利用所述云天辐射模型确定所述未来预定时间段内的太阳能辐射输出。
Description
技术领域
本发明涉及太阳能资源预报领域,具体地,涉及一种基于地基云图的太阳能资源超短时预报方法、一种计算机可读存储介质和一种电子设备。
背景技术
近年来,随着环境和能源问题的日益突出,光伏发电作为新能源发展尤为迅速。地表太阳辐照度是影响光伏发电功率的最直接气候因素,但是,地表太阳辐照度随季节和天气呈周期性和随机性变化,因此,光伏发电功率具有明显的间歇性和波动性。
影响地表太阳辐照度的因素有云、气溶胶、水汽含量等,其中云是影响到达地表太阳辐照度的最主要因素,其生成蒸发和移动变化是地面太阳辐照度不确定性的根本原因。
目前,太阳能辐射预报主要基于卫星云图和物理数值天气预报模型。由于卫星云图的时间分辨率和空间分辨率低,利用卫星云图进行辐射预报时,需要对卫星云图进行降尺度处理,预报精度受到限制。
因此,如何精确地对太阳能辐射进行预报成为本领域亟待解决的技术问题。
发明内容
本发明的目的在于提供一种基于地基云图的太阳能资源超短时预报方法、一种计算机可读存储介质和一种电子设备。
作为本公开的一个方面,提供一种基于地基云图的太阳能资源超短时预报方法,其中,所述太阳能资源超短时预报方法包括:
基于全天空成像仪获得的过去预定时间段内的多张原始地基云图确定历史云信息,多张所述原始地基云图分别对应多个不同的历史时间段;
根据所述历史云信息建立云量预报模型;
根据所述云量预报模型确定预报云量信息,所述预报云量信息为未来预定时间段内的云量信息;
根据过去预定时间段内的历史晴空辐射数据建立晴空辐射预报模型;
根据所述历史云信息建立云衰减模型;
根据所述晴空辐射预报模型和所述云衰减模型确定云天辐射模型;
根据选定的原始地基云图利用所述云天辐射模型确定相对于所述选定的原始地基云图的未来预定时间段内的太阳能辐射输出,其中,所述选定的原始地基云图的图像信息为所述云天辐射模型的输入量,所述云天辐射模型的输出量为相对于所述选定的原始地基云图未来预定时间段内的太阳能辐射输出。
可选地,所述原始地基云图包括实时全天空云图,所述历史云信息包括每张实时全天空云图对应的历史时间段的总云量、每张实时全天空云图对应的历史时间段的云形状、每张实时全天空云图对应的历史时间段的太阳遮挡等级,所述未来预定时间段内的云量信息包括未来预定时间段内的云量和未来预定时间段内的太阳遮挡等级;
所述基于全天空成像仪获得的多张原始地基云图确定历史云信息的步骤包括:
分别提取多张所述实时全天空云图的云覆盖区域;
根据各张所述实时全天空云图的云覆盖区域分别计算各张实时全天空云图对应的历史时间段的总云量、各张实时全天空云图对应的历史时间段的云形状、各张实时全天空云图对应的历史时间段的太阳遮挡等级。
可选地,所述全天空成像仪的镜头为鱼眼镜头,对于任一张所述实时全天空云图而言,根据所述云覆盖区域计算该实时全天空云图对应的历史时间段的总云量的步骤包括:
根据以下公式计算当前实时全天空云图的云覆盖区域中每个像素单元的面积权重:
通过当前实时全天空云图的云覆盖区域中各个像素单元的面积比例确定当前实时全天空云图对应的历史时间段的历史总云量,
其中,以所述实时全天空云图的图像中心为原点构建坐标系,以原点向右为水平方向的正方向、以原点向上为竖直方向的正方向, i为像素单元水平方向坐标值,j为像素单元垂直方向坐标值。
可选地,对于任一张所述实时全天空云图而言,根据当前实时全天空云图的云覆盖区域确定历史太阳遮挡等级的步骤包括:
确定太阳在当前实时全天空云图中的位置;
对当前实时全天空云图中太阳的周边区域进行分析,以确定所述历史太阳遮挡等级。
可选地,在根据所述历史总云量建立所述云量预报模型的步骤中,基于时空序列模型建立所述云量预报模型。
可选地,根据过去预定时间段内的历史晴空辐射数据建立晴空辐射预报模型的步骤中,利用SMARTS模型对所述历史晴空辐射数据进行处理,以获得晴空辐射预报模型。
可选地,在根据所述历史云信息建立云衰减模型的步骤中,利用SMARTS模型对所述历史云信息进行处理,以确定云衰减模型。
可选地,根据所述晴空辐射预报模型和所述云衰减模型确定云天辐射模型的步骤中,利用以下公式表示所述云天辐射模型:
其中,D GHI 为云辐射衰减率,不同遮挡等级对应不同云辐射衰减率;
I real 为实际水平面总辐射度;
I clear 为利用SMARTS模型获得晴空辐射强度。
作为本公开的第二个方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质上存储又可执行程序,当所述可执行程序被调用时,能够实现本公开第一个方面所述的太阳能资源超短时预报方法。
作为本公开的第三个方面,提供一种电子设备,其中,所述电子设备包括:
存储模块,其上存储有可执行程序;
一个或多个处理器,当所述一个或多个处理器调用所述可执行程序时,能够实现本公开第一个方面所述的太阳能资源超短时预报方法。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明所提供的于地基云图的太阳能资源超短时预报方法的一种实施方式的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
作为本发明的第一个方面,提供一种基于地基云图的太阳能资源超短时预报方法,如图1所示,所述太阳能资源超短时预报方法包括:
在步骤S110中,基于全天空成像仪获得的过去预定时间段内的多张原始地基云图确定历史云信息,其中,多张所述原始地基云图分别对应多个不同的历史时间段;
在步骤S120中,根据所述历史云信息建立云量预报模型;
在步骤S130中,根据所述云量预报模型确定预报云量信息,所述预报云量信息为未来预定时间段内的云量;
在步骤S140中,根据过去预定时间段内的历史辐射数据建立晴空辐射预报模型;
在步骤S150中,根据所述历史云信息建立云衰减模型;
在步骤S160中,根据所述晴空辐射预报模型和所述云衰减模型确定云天辐射模型;
在步骤S170中,根据选定的原始地基云图利用所述云天辐射模型确定相对于所述选定的原始地基云图的未来预定时间段内的太阳能辐射输出,其中,所述选定的原始地基云图为所述云天辐射模型的输入量,所述云天辐射模型的输出量为相对于所述选定的原始地基云图未来预定时间段内的太阳能辐射输出。
全天空成像仪安装在地面上,可以自动记录全天空云量分布数据和云底高度数据,并获得包括全天空云量分布数据页云底高度数据的地基云图。鉴于上述“安装在地面上”、以及“自动记录”这两个特点,利用全天空成像仪获得的地基云图具有高时间分辨率和高空间分辨率两个特点。
在本发明所提供的方法中,通过全天空成像仪获得的原始地基云图建立云量预报模型,由于原始地基云图的时间分辨率和空间分辨率都较高,因此,所述云量预报模型能够较为精确地预报未来预定时间段内的云量。
在本公开中,对所述“未来预定时间段”不做特殊的限定,例如,所述“未来预定时间段”可以为未来5min~4h中的任意一个时刻。
晴空辐射预报模型可以得到晴空状态下的太阳辐照度,晴空辐射预报模型结合云衰减模型可以得到云天辐射模型。
得到了所述云天辐射模型后,将选定的原始地基云图的图像信息作为输入量即可得到所述未来预定时间段内的辐射输出。如选定的原始地基云图为A时刻的原始地基云图,则所述云天辐射模型输出的数据为A+“未来预定时间段”的云量信息。
在本发明所提供的太阳能资源超短时预报方法,不仅使用时间分辨率、以及空间分辨率均较高的原始地基云图建立了精确的云量预报模型,还结合历史辐射数据和历史云信息建立了云天辐射模型,综合考虑了云变化对太阳能辐照度的影响,可以更加准确地确定未来预定时间段内的辐射输出。
在本公开中,所述原始地基云图可以为通过全天空成像仪获得的实时全天空云图。相应地,所述历史云信息包括每张实时全天空云图对应的历史时间段的总云量、每张实时全天空云图对应的历史时间段的云形状、每张实时全天空云图对应的历史时间段的太阳遮挡等级。相应地,所述未来预定时间段内的云量信息包括未来预定时间段内的云量和未来预定时间段内的太阳遮挡等级。
相应地,所述基于全天空成像仪获得的多张原始地基云图确定历史云信息的步骤S110可以包括:分别提取多张所述实时全天空云图的云覆盖区域;根据各张所述实时全天空云图的云覆盖区域分别计算各张实时全天空云图对应的历史时间段的总云量、各张实时全天空云图对应的历史时间段的云形状、各张实时全天空云图对应的历史时间段的太阳遮挡等级。
在本公开中,可以通过深度学习的方式对所述原始地基云图进行处理,并获得各张所述实时全天空云图的云覆盖区域。
作为一种可选实施方式,可以基于语义分割进行云覆盖区域提取。在所述实时全天空云图中,云覆盖区域的识别受到光线、干扰物的影响较大,可以通过深度学习分割算法总结和归纳云覆盖区域的纹理、颜色和亮度等特征,自动且准确地提取每一张实时全天空云图中的云覆盖区域。具体地,通过深度学习分割算法总结和归纳云覆盖区域的纹理、颜色和亮度等特征的步骤包括:
数据集准备:由专业观测员对批量全天空云图进行标注,将云图中的云覆盖的区域通过闭环多边形勾选出来,形成与云图一一对应的二值化的掩模图
深度学习模型构建:通过空间的卷积模块建立云图的空间位置关联,利用长短时记忆网络模块建立时序云图的时间关联,利用梯度高速公路方法确保模型的可训练性,综合以上特点构建深度学习模型
模型训练;在GPU服务器上对深度学习进行训练。
模型评估:利用测试数据集对模型的表现进行评估。
在本公开中,所述深度学习分割算法是在像素尺度上实现的,因此,分割的结果能够做到精细化,能够对云的边缘进行有效提取,并且,该方法不受太阳和其他干扰物的影响,可以准确自动地将这类干扰因素排除,并且,这种方法不需要人工手动标注等方式去除干扰物,不受早晚或者阴晴等光线变化的影响,一定程度上可以自动剔除镜头表面污渍。
作为一种可选实施方式,所述全天空成像仪的镜头为鱼眼镜头,从而可以对更大面积的天空进行拍照成像。在这种情况下,全天空成像仪获得的实时全天空云图中图像存在畸变,图像中各个像素单元对应的实际天空面积并不相同,所述实时全天空云图的图像中心的像素对应的实际天空面积较小,图像边缘的像素单元代表的实际天空面积较大。相应地,对于任一张所述实时全天空云图而言,根据所述云覆盖区域计算该实时全天空云图对应的历史时间段的总云量的步骤包括:
根据公式(1)计算当前实时全天空云图的云覆盖区域中每个像素单元的面积权重:
通过当前实时全天空云图的云覆盖区域中各个像素单元的面积比例确定当前实时全天空云图对应的历史时间段的历史总云量。
其中,以所述实时全天空云图的图像中心为原点构建坐标系,以原点向右为水平方向的正方向、以原点向上为竖直方向的正方向, i为像素单元水平方向坐标值,j为像素单元垂直方向坐标值。
全天空成像仪观测的变量包括时间、云量、云状和太阳遮挡情况。通常,太阳遮挡情况分为四类遮挡等级,4级代表没有遮挡(遮挡率为小于0.1),3级代表轻度遮挡(遮挡率为0.1~0.5),2级代表较重遮挡(遮挡率为0.5~0.9),1级代表完全遮挡(遮挡率为0.9~1)。
在本公开中,对如何根据云覆盖区域确定历史太阳遮挡等级不做特殊的限定。分析太阳的遮挡情况,需要根据总云量的情况进行判断,在全天无云的情况下则默认太阳无遮挡。在识别到天空中有云的情况下,可以通过确定太阳的位置、以及太阳周边的情况来确定太阳遮挡等级。作为一种可选实施方式,
对于任一张所述实时全天空云图而言,根据当前实时全天空云图的云覆盖区域确定历史太阳遮挡等级的步骤包括:
确定太阳在当前实时全天空云图中的位置;
对当前实时全天空云图中太阳的周边区域进行分析,以确定所述历史太阳遮挡等级。
在本公开中,对如何计算太阳在所述实时全天空云图中的位置不做特殊的限定。例如,可以通过全天空成像仪的镜头安装位置、方位信息、安装所述全天空成像仪的地区的时间信息以及鱼眼镜头图片的畸变投影函数来计算太阳在所述实时全天空云图中的位置。
为了综合考虑各种因素的影响,可以利用深度学习算法(例如,公式(2)所表示的算法)对太阳周边子区域进行自动分析,按照无遮挡、遮挡较少、遮挡较多和完全遮挡四个等级来评估太阳的遮挡情况。
S=f(sub(img)) (2)
其中,S为遮挡等级的估计值;
sub(img)为根据经纬度和时间计算的全天空云图中太阳所在位置周围的子区域图。
天空中的云存在着较为强烈的位置变化、生消变化、以及形态变化。尤其是云的位置和生消,可以在几分钟之内使得云图产生较为明显地变化。在本公开中,根据所述历史总云量、所述历史云形状和所述历史太阳遮挡等级,基于时空序列模型建立所述云量预报模型,其中,所述时空序列模型为基于时空神经网络的编码-解码结构的时序模型,如公式(3)所示:
作为一种可选实施方式,基于时空序列模型建立所述云量预报模型的步骤包括:
准备输入数据:将分割的云图按照顺序读取并合并为一个时序数组,并归一化。
加载模型并预报:加载深度学习模型,并利用上面步骤的输入数据进行未来云图的预报。
预报数据后处理:根据预报得到的卫星云图,提取得到云量值。
在本发明中,对如何建立晴空辐射预报模型不做特殊的限定。作为一种可选实施方式,根据过去预定时间段内的历史晴空辐射数据建立晴空辐射预报模型的步骤中,利用SMARTS模型(Simple Model for Atmospheric Transmission of Sunshine,简单的阳光大气辐射传输模型)对所述历史晴空辐射数据进行处理,以获得晴空辐射预报模型。
SMARTS模型是一种基于Fortran语言的光谱模式,可预告入射到地表任意平面上的太阳直射、散射和总日射辐照度。
在根据所述历史云信息建立云衰减模型的步骤中,利用SMARTS模型对所述历史云信息进行处理,以确定云衰减模型。
根据所述晴空辐射预报模型和所述云衰减模型确定云天辐射模型的步骤中,利用以下公式表示所述云天辐射模型:
其中,D GHI 为云辐射衰减率,不同遮挡等级对应不同云辐射衰减率;
I real 为实际水平面总辐射度;
I clear 为利用SMARTS模型获得晴空辐射强度。
如上文中所述,太阳遮挡情况分为四类遮挡等级,4级代表没有遮挡,3级代表轻度遮挡,2级代表较重遮挡,1级代表完全遮挡。
在本公开中,可以预先设定云辐射衰减率D GHI ,表1中所示的是不同遮挡等级下的D GHI :
表1
所述预报云量信息包括遮挡等级,根据预设的遮挡等级对应的云辐射衰减率、以及通过SMARTS模式计算获得的晴空辐射强度,利用公式(4)可以获得实际水平面总辐射度,该实际水平面总辐射度即为所述未来预定时间段内的太阳能辐射输出。
作为本公开的第二个方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储又可执行程序,当所述可执行程序被调用时,能够实现本公开第一个方面所述的太阳能资源超短时预报方法。
作为本公开的第三个方面,提供一种电子设备,其中,所述电子设备包括:
存储模块,其上存储有可执行程序;
一个或多个处理器,当所述一个或多个处理器调用所述可执行程序时,能够实现本公开第一个方面所述的太阳能资源超短时预报方法。
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。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、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、程序模块或其它数据)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、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、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它的介质。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它传输机制之类的调制数据信号中的其它数据,并且可包括任何信息递送介质。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种基于地基云图的太阳能资源超短时预报方法,其特征在于,所述太阳能资源超短时预报方法包括:
基于全天空成像仪获得的过去预定时间段内的多张原始地基云图确定历史云信息,多张所述原始地基云图分别对应多个不同的历史时间段;
根据所述历史云信息建立云量预报模型;
根据所述云量预报模型确定预报云量信息,所述预报云量信息为未来预定时间段内的云量信息;
根据过去预定时间段内的历史晴空辐射数据建立晴空辐射预报模型;
根据所述历史云信息建立云衰减模型;
根据所述晴空辐射预报模型和所述云衰减模型确定云天辐射模型;
根据选定的原始地基云图利用所述云天辐射模型确定相对于所述选定的原始地基云图的未来预定时间段内的太阳能辐射输出,其中,所述选定的原始地基云图为所述云天辐射模型的输入量,所述云天辐射模型的输出量为相对于所述选定的原始地基云图未来预定时间段内的太阳能辐射输出,
所述原始地基云图包括实时全天空云图,所述历史云信息包括每张实时全天空云图对应的历史时间段的总云量、每张实时全天空云图对应的历史时间段的云形状、每张实时全天空云图对应的历史时间段的太阳遮挡等级,所述未来预定时间段内的云量信息包括未来预定时间段内的云量和未来预定时间段内的太阳遮挡等级;
所述基于全天空成像仪获得的多张原始地基云图确定历史云信息的步骤包括:
分别提取多张所述实时全天空云图的云覆盖区域;
根据各张所述实时全天空云图的云覆盖区域分别计算各张实时全天空云图对应的历史时间段的总云量、各张实时全天空云图对应的历史时间段的云形状、各张实时全天空云图对应的历史时间段的太阳遮挡等级;
所述全天空成像仪的镜头为鱼眼镜头,对于任一张所述实时全天空云图而言,根据所述云覆盖区域计算该实时全天空云图对应的历史时间段的总云量的步骤包括:
根据以下公式计算当前实时全天空云图的云覆盖区域中每个像素单元的面积权重:
通过当前实时全天空云图的云覆盖区域中各个像素单元的面积比例确定当前实时全天空云图对应的历史时间段的历史总云量,
其中,以所述实时全天空云图的图像中心为原点构建坐标系,以原点向右为水平方向的正方向、以原点向上为竖直方向的正方向, i为像素单元水平方向坐标值,j为像素单元垂直方向坐标值。
2.根据权利要求1所述的太阳能资源超短时预报方法,其特征在于,对于任一张所述实时全天空云图而言,根据当前实时全天空云图的云覆盖区域确定历史太阳遮挡等级的步骤包括:
确定太阳在当前实时全天空云图中的位置;
对当前实时全天空云图中太阳的周边区域进行分析,以确定所述历史太阳遮挡等级。
3.根据权利要求1所述的太阳能资源超短时预报方法,其特征在于,在根据所述历史总云量建立所述云量预报模型的步骤中,基于时空序列模型建立所述云量预报模型。
4.根据权利要求1至3中任意一项所述的太阳能资源超短时预报方法,其特征在于,根据过去预定时间段内的历史晴空辐射数据建立晴空辐射预报模型的步骤中,利用SMARTS模型对所述历史晴空辐射数据进行处理,以获得晴空辐射预报模型。
5.根据权利要求4所述的太阳能资源超短时预报方法,其特征在于,在根据所述历史云信息建立云衰减模型的步骤中,利用SMARTS模型对所述历史云信息进行处理,以确定云衰减模型。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储又可执行程序,当所述可执行程序被调用时,能够实现权利要求1至6中任意一项所述的太阳能资源超短时预报方法。
8.一种电子设备,其特征在于,所述电子设备包括:
存储模块,其上存储有可执行程序;
一个或多个处理器,当所述一个或多个处理器调用所述可执行程序时,能够实现权利要求1至6中任意一项所述的太阳能资源超短时预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110397919.9A CN112989709B (zh) | 2021-04-14 | 2021-04-14 | 一种基于地基云图的太阳能资源超短时预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110397919.9A CN112989709B (zh) | 2021-04-14 | 2021-04-14 | 一种基于地基云图的太阳能资源超短时预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989709A CN112989709A (zh) | 2021-06-18 |
CN112989709B true CN112989709B (zh) | 2021-08-24 |
Family
ID=76338360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110397919.9A Active CN112989709B (zh) | 2021-04-14 | 2021-04-14 | 一种基于地基云图的太阳能资源超短时预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989709B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971169A (zh) * | 2014-04-14 | 2014-08-06 | 国家电网公司 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
CN107644416A (zh) * | 2017-09-15 | 2018-01-30 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN112578478A (zh) * | 2021-01-05 | 2021-03-30 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8581212B2 (en) * | 2009-01-23 | 2013-11-12 | Chimei Innolux Corporation | Portable UV monitoring device |
CN107133685B (zh) * | 2016-02-26 | 2020-07-28 | 华为技术有限公司 | 光伏发电***发电量的预测方法及预测*** |
US10692013B2 (en) * | 2016-06-07 | 2020-06-23 | International Business Machines Corporation | Solar irradiation modeling and forecasting using community based terrestrial sky imaging |
-
2021
- 2021-04-14 CN CN202110397919.9A patent/CN112989709B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971169A (zh) * | 2014-04-14 | 2014-08-06 | 国家电网公司 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
CN107644416A (zh) * | 2017-09-15 | 2018-01-30 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN112578478A (zh) * | 2021-01-05 | 2021-03-30 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
Non-Patent Citations (4)
Title |
---|
FluxDataONE: An Integrated Solution for the Management, Visualization, and Analysis of Flux Data for Agricultural and Ecological Studies;An Yan等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20141130;第7卷(第11期);第4523-4529页 * |
基于地基云图的云跟踪与太阳辐照度超短期预报方法研究;蒋俊霞等;《太阳能学报》;20200528(第05期);第357-364页 * |
天文、气象环境因子与散射比关系的建模分析;李芬等;《太阳能学报》;20200228(第02期);第209-215页 * |
面向光热发电的太阳能短期预报技术;张悦等;《电力***自动化》;20161010(第19期);第163-172页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112989709A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020100323A4 (en) | Solar Power Forecasting | |
Alonso-Montesinos et al. | Solar irradiance forecasting at one-minute intervals for different sky conditions using sky camera images | |
US20170031056A1 (en) | Solar Energy Forecasting | |
Narasimhan et al. | All the images of an outdoor scene | |
US10839212B2 (en) | Systems and methods for detecting imaged clouds | |
KR101890673B1 (ko) | 일사량 추정을 위해 전천사진으로부터 운량을 계산하는 방법, 상기 계산한 운량을 이용한 태양광 발전량 예측 장치 | |
WO2015104281A1 (en) | Solar irradiance forecasting | |
JP4678649B2 (ja) | 画像処理装置 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
KR20130027356A (ko) | 전천사진으로부터 운량을 계산하는 방법, 그 계산한 운량을 이용하여 태양광 발전량을 예측하는 방법 및 그 방법을 이용하는 구름 관측 장치 | |
WO2017193172A1 (en) | "solar power forecasting" | |
CN107133685B (zh) | 光伏发电***发电量的预测方法及预测*** | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
CN112989709B (zh) | 一种基于地基云图的太阳能资源超短时预报方法 | |
Song et al. | Cloud detection method based on clear sky background under multiple weather conditions | |
Tapakis et al. | Monitoring cloud motion in cyprus for solar irradiance prediction | |
Schulz et al. | Automatic cloud top height determination in mountainous areas using a cost-effective time-lapse camera system | |
US20230298144A1 (en) | Infra-red contrast enhancement filter | |
Cañadillas et al. | First Results of a Low Cost All-Sky Imager for Cloud Tracking and Intra-Hour Irradiance Forecasting serving a PV-based Smart Grid in La Graciosa Island | |
CN118018112B (zh) | 星地激光通信任务能力分析方法、装置、***及介质 | |
Peng et al. | Incorporating cloud distribution in sky representation | |
Kharat et al. | Atmospheric Image Correction and Removal of Cloud Cover for Satellite Images | |
CN116682013A (zh) | 一种光源故障点识别方法、装置、设备及存储介质 | |
CN117691592A (zh) | 光伏出力预测方法、装置、电子设备及存储介质 | |
CN117808708A (zh) | 云雾遥感影像的处理方法、装置、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |