一种基于图像识别技术的超短期预测方法与流程

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。

技术特征：

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。

技术总结
本发明涉及自然科学研究预测技术领域，公开了一种基于图像识别技术的超短期预测方法，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；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；通过实时监测云层数据，预测未来太阳辐照度；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。该基于图像识别技术的超短期预测方法，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，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，提高了预测的效率和准确性。

技术研发人员：冷昆,袁晨,李朝新,夏晓玲,谢蔚,陶勇,刘安国,吴昌航,田维青,陈清乐,景柏林,郑座发,朱学,吴胜刚
受保护的技术使用者：贵州北盘江电力股份有限公司马马崖光伏分公司
技术研发日：
技术公布日：2024/1/15