本发明涉及自然科学研究预测,具体为一种基于图像识别技术的超短期预测方法。
背景技术:
1、随着光伏发电的广泛应用,光伏电站的运营和管理已成为研究热点。由于太阳辐射的不稳定性,光伏电站的发电功率受到严重影响。因此,对光伏电站的发电预测进行研究,以提高其运营效率和管理水平具有重要意义。
2、然而,现有的预测方法主要集中于中长期预测,对于超短期预测的研究较少,且预测准确率有待提高,预测的效率和准确性低,人工干预多,操作成本高。为此,需要设计相应的技术方案给予解决。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了一种基于图像识别技术的超短期预测方法,解决了现有的预测方法主要集中于中长期预测,对于超短期预测的研究较少,且预测准确率有待提高,预测的效率和准确性低,人工干预多,操作成本高的技术问题。
3、(二)技术方案
4、为实现以上目的,本发明通过以下技术方案予以实现:一种基于图像识别技术的超短期预测方法,方法步骤包括如下:
5、s1、建立晴空库:使用全天空成像仪采集晴空图像,通过图像识别技术识别天空区域,并计算太阳辐射通量,建立晴空库;
6、s2、监测天空云量:通过全天空成像仪对天空进行持续自动监测,利用图像识别技术识别云层,并计算云层厚度;
7、通过实时监测云层数据,预测未来太阳辐照度;
8、s3、建立预测模型:利用神经网络的机器学习方法建立预测模型,对未来光伏电站的发电功率进行预测。
9、优选的,步骤s1中,采集晴空图像控制在夏季,用于接近太阳高度角最大值和大气透射率最高值;对拍摄区域内的地面建筑进行裁剪并进行插值修复,用于保证图像质量。
10、优选的,步骤s1中,使用全天空成像仪采集晴空图像的具体方法步骤包括如下:
11、安装全天空成像仪:将全天空成像仪安装在光伏电站的周围,并且手动调节对准天空,用于捕捉到大面积的天空图像;
12、采集晴空图像:将全天空成像仪安装成功后,启动设备自动采集晴空图像;
13、数据预处理:将原始的晴空图像数据进行预处理步骤,包括噪声消除、亮度和对比度调整,用于后续的图像识别处理;
14、图像分割:利用图像识别技术对预处理后的晴空图像进行天空区域分割,使用深度学习的方法,训练分割网络准确识别和分割出天空区域和非天空区域;
15、计算太阳辐射通量:根据天空区域和非天空区域的分割结果,计算太阳辐射通量,使用已知的天空区域的图像数据,计算出该区域的太阳辐射通量;
16、建立晴空库:将计算出的太阳辐射通量与原始的晴空图像共同存储,建立晴空库。
17、优选的,通过图像识别技术识别天空区域的方法包括如下:
18、使用具有偏振滤光片的天空成像仪,过滤大部分阳光直射,减少阳光干扰,准确捕捉天空中的云层和其它大气现象,同时,偏振滤光片减少天空中的散射光,提高成像对比度,精确识别天空区域;
19、采用多角度、多频次拍摄方式,在不同时间段和不同角度对天空进行拍摄,捕捉到天空在不同时间段和不同光线条件下的变化,准确识别出天空区域;
20、采用深度学习算法通过对大量的数据进行学习,自动识别图像中的各种特征,识别天空中的云层、大气现象和太阳位置的特征,准确地识别出天空区域。
21、优选的,步骤s2中,利用图像识别技术识别云层的方法为:
22、采用多尺度卷积神经网络的深度学习算法进行云层识别;收集大量的晴空和有云层的图像数据,并将其划分为训练集和测试集;利用训练集训练深度学习模型,使其能够自动识别图像中的云层,在训练过程中,采用数据增强、正则化的技术手段来提高模型的准确性;
23、计算云层厚度的方法为:采用基于图像处理的算法来计算云层厚度,采用边缘检测算法来检测云层的边缘,并计算云层的面积和形状;利用灰度梯度算法或纹理分析算法来计算云层的密度和分布;结合上述信息估算出云层的厚度。
24、优选的,利用图像识别技术识别云层的方法还包括有:
25、结合时域信息进行识别,在全天空成像仪采集的图像中,利用短时傅里叶变换或小波变换方法对图像序列进行时域分析,提取出时间序列中的云层运动特征;
26、将这些特征作为输入,利用深度学习算法训练模型进行云层识别。
27、优选的,步骤s2中,通过实时监测云层数据预测未来太阳辐照度的方法包括如下:
28、建立云量时间序列模型:利用全天空成像仪采集的连续图像数据,建立云量时间序列模型,通过该模型预测未来的云量;
29、建立太阳辐射通量预测模型:基于已建立的晴空库和实时监测的云层数据,利用机器学习方法建立太阳辐射通量预测模型,预测未来的太阳辐射通量;
30、结合云量和太阳辐射通量预测未来太阳辐照度:将上述两个模型的预测结果结合,根据云量对太阳辐射通量进行修正,预测未来的太阳辐照度。
31、优选的,步骤s3中,利用神经网络的机器学习方法建立预测模型包括以下步骤:
32、收集历史的全天空成像仪图像数据和与之对应的光伏电站功率数据,获取天气预报数据、太阳辐照度观测数据以及其他相关气象数据,将这些数据进行预处理和标准化,用于神经网络的训练和预测;
33、设计用于超短期光伏功率预测的神经网络架构,采用卷积神经网络和循环神经网络的组合结构,提取图像特征和捕捉时间序列信息;
34、利用历史数据对神经网络模型进行训练,并通过反向传播算法不断优化网络参数;
35、在进行预测时,将实时获取的全天空成像仪图像作为动态输入,图像随着时间的推移而变化,其中包含了最新的云量和云层厚度信息,通过将动态云图作为输入,神经网络根据最新的观测数据实时更新预测结果;
36、利用训练好的神经网络模型,将动态云图作为输入,进行超短期光伏功率预测,神经网络通过学习历史数据中的模式和趋势,结合实时的云量、云层厚度和太阳辐照度信息,生成对未来光伏功率的预测结果。
37、优选的,所述神经网络架构包括但不限于光伏电站功率与云量、云层厚度、太阳辐照度因素之间的复杂非线性关系。
38、优选的,在训练过程中,优化技术包括有批量归一化和正则化技术。
39、(三)有益效果
40、与现有技术相比,本发明的有益效果:通过建立晴空库和监测天空云量,并结合神经网络的机器学习方法建立预测模型,可以对未来光伏电站的发电功率进行更准确的预测,从而提高预测准确率;通过全天空成像仪对天空进行持续自动监测,可以实时获取云层数据,从而及时预测未来太阳辐照度,为光伏电站的运行管理提供了更加科学和高效的依据;使用神经网络的机器学习方法可以快速处理大量数据,并自动建立预测模型,大大提高了预测的效率和准确性,减少了人工干预和操作成本。
1.一种基于图像识别技术的超短期预测方法,其特征在于,方法步骤包括如下:
2.根据权利要求1所述的一种基于图像识别技术的超短期预测方法,其特征在于:步骤s1中,采集晴空图像控制在夏季,用于接近太阳高度角最大值和大气透射率最高值;对拍摄区域内的地面建筑进行裁剪并进行插值修复,用于保证图像质量。
3.根据权利要求1所述的一种基于图像识别技术的超短期预测方法,其特征在于:步骤s1中,使用全天空成像仪采集晴空图像的具体方法步骤包括如下:
4.根据权利要求3所述的一种基于图像识别技术的超短期预测方法,其特征在于:通过图像识别技术识别天空区域的方法包括如下:
5.根据权利要求1所述的一种基于图像识别技术的超短期预测方法,其特征在于:步骤s2中,利用图像识别技术识别云层的方法为:
6.根据权利要求5所述的一种基于图像识别技术的超短期预测方法,其特征在于:利用图像识别技术识别云层的方法还包括有:
7.根据权利要求1所述的一种基于图像识别技术的超短期预测方法,其特征在于:步骤s2中,通过实时监测云层数据预测未来太阳辐照度的方法包括如下:
8.根据权利要求1所述的一种基于图像识别技术的超短期预测方法,其特征在于:步骤s3中,利用神经网络的机器学习方法建立预测模型包括以下步骤:
9.根据权利要求8所述的一种基于图像识别技术的超短期预测方法,其特征在于:所述神经网络架构包括但不限于光伏电站功率与云量、云层厚度、太阳辐照度因素之间的复杂非线性关系。
10.根据权利要求8所述的一种基于图像识别技术的超短期预测方法,其特征在于:在训练过程中,优化技术包括有批量归一化和正则化技术。