一種天空圖像云團位移矢量計算方法技術

本發明專利技術公開了一種天空圖像云團位移矢量計算方法，通過對樣本天空圖像進行處理獲取多個組合優化計算模型，并根據多個組合優化計算模型對新的天空圖像云團位移矢量進行計算。從而可以獲得更加準確的云團矢量計算。本發明專利技術提供的天空圖像云團位移矢量計算方法能夠面對云團的不同運動模式，選擇相應的不同計算策略，即在組合計算模型中分別設置三種方法的各個權重。通過算例驗證，它可以改善傳統單一方法在適用范圍上的局限性，能夠適用于大多數云場景的、具有較高魯棒性。

A Method for Calculating Cloud Cluster Displacement Vector in Sky Images

The invention discloses a method for calculating cloud cluster displacement vector of sky image, obtains multiple combinatorial optimization calculation models by processing sample sky image, and calculates new cloud cluster displacement vector of sky image according to multiple combinatorial optimization calculation models. Thus, more accurate cloud cluster vector calculation can be obtained. The cloud displacement vector calculation method of sky image provided by the invention can face different motion modes of cloud clusters and select corresponding different calculation strategies, i.e. setting each weight of the three methods in the combined calculation model. Examples show that it can improve the limitation of the traditional single method in the scope of application, and can be applied to most cloud scenarios with high robustness.

【技術實現步驟摘要】
一種天空圖像云團位移矢量計算方法
本專利技術涉及圖像處理和光伏功率預測
，特別是一種天空圖像云團位移矢量計算方法。
技術介紹
光伏發電與風力發電一樣均屬于波動性和間歇性電源，由于光伏發電系統受光照強度和環境溫度等氣候因素的影響，其輸出功率的變化具有不確定性，輸出功率的擾動將有可能影響電網的穩定。因此，需要加強光伏發電功率預測的研究，預先獲得光伏發電系統的日發電量曲線，從而協調電力系統制定發電計劃，減少光伏發電的隨機化問題對電力系統的影響。使用蓄電池來穩定光伏發電功率輸出是一種可行的方法，但需要追加成本，而且廢舊蓄電池還會導致環境污染。因此需要對光伏系統的發電功率進行準確預測，以便了解大規模的太陽能光伏并網系統的發電運行特性，以及與電網調度、電力負荷等的匹配問題。這樣有助于整個電力系統的規劃和運行，從而減少光伏發電隨機性對電力系統的影響，提高系統的安全性和穩定性，因此對光伏系統進行功率預測是很有必要的。準確的光伏功率預測能夠為電網調度決策行為提供依據，并為多種電源時空互補與協調控制提供支撐，可降低旋轉備用容量和運行成本，對保證系統的安全穩定、促進電網的優化運行具有重要意義。目前，光伏發電功率預測主要包括針對未來72小時的短期預測和針對未來4小時的超短期預測兩個時間尺度，時間分辨率均為15分鐘。在光伏發電功率分步預測方法中，對于短期預測和更長時間尺度的中期預測，一般采用以數值天氣預報數據為輸入的輻照度預測模型；對于針對未來4小時的超短期預測，則多采用基于衛星云圖和智能模型的輻照度預測方法。地表輻照度預測是光伏發電功率分步預測的首要環節，其準確性是保證功率預測精度的關鍵。然而多云天氣下地表輻照度受云團生消與運動的影響，其變化呈現出隨機、快速、劇烈的特點，變化速率達分鐘級，波動范圍高達對應晴空數值的80％，這種情況下現有方法預測誤差很大，預測結果不能使用。由以上分析可知，未直接考慮云團的快速、復雜運動和過低的時間分辨率(15分鐘)是造成現有方法多云條件下預測精度急劇下降的主要原因。此外，15分鐘的時間分辨率也不能滿足電網實時調度的需求。因此，為了提高多云天氣下的預測精度，須針對天空中的云團進行直接觀測以獲取相應數據，研究高時間分辨率下(分鐘級)對云團運動進行準確追蹤與位置預測的方法。目前計算云團位移矢量的常用方法主要有粒子圖像測速(ParticleImageVelocimetry)、LK光流法(Lucas-KanadeOpticalFlow)以及SURF特征匹配算法。然而，作為一種剛性配準方法，粒子圖像測速法不能獲得與云團變形和旋轉相關的參數；基于圖像灰度不變假設的光流法的精度容易被圖像噪聲所干擾；當圖像紋理信息不夠豐富時，特征匹配法的精度也會降低。也就是說，目前計算云團位移矢量的常用方法在不同程度上都缺乏足夠的魯棒性。目前計算云團位移矢量的常用方法主要有粒子圖像測速(ParticleImageVelocimetry)、LK光流法(Lucas-KanadeOpticalFlow)以及SURF特征匹配算法。然而，作為一種剛性配準方法，粒子圖像測速法不能獲得云的非剛性運動參數，比如旋轉、變形和生消；基于圖像灰度恒定假設的光流法的精度很容易受到圖像噪聲的干擾，比如在光照不均、鏡頭存在污漬等情況下，計算精度較低；而對于特征匹配算法，由于其對特征點的定位和描述通常需要大量的信息，因此在紋理信息不夠豐富的區域，其匹配性較差。也就是說，目前計算云團位移矢量的常用方法在不同程度上都缺乏足夠的魯棒性。因為天空中的云團可能具有各種各樣的運動模式，當我們對所有類型的云團使用相同的位移矢量計算方法時，上述算法低精度的情況會必然發生。
技術實現思路
有鑒于此，本專利技術的目的之一是提供一種計算精度更高的天空圖像云團位移矢量計算方法。本專利技術提供一種天空圖像云團位移矢量計算方法，所述計算方法包括以下步驟：步驟一：獲取訓練樣本，所述訓練樣本包括多個樣本天空圖像；步驟二：生成與樣本天空圖像對應的多個灰度矩陣；步驟三：對每幅所述樣本天空圖像灰度矩陣進行處理，生成多個灰度共生矩陣；步驟四：基于每個所述灰度共生矩陣構建第一統計量；步驟五：基于所述第一統計量生成多個所述樣本天空圖像的特征向量；步驟六：基于多對樣本天空圖像的所述多個特征向量對所述樣本天空圖像進行聚類操作，獲取聚類數目K；步驟七：計算每對所述樣本天空圖像的云團位移矢量；步驟八：基于每對所述樣本天空圖像的云團位移矢量建立組合優化計算模型，并獲取每對所述樣本天空圖像的初始云團位移矢量；步驟九：基于每對樣本天空圖像的所述初始位移矢量對所述樣本天空圖像進行裁剪，并生成裁剪后的初始圖像和裁剪后的位移圖像；步驟十：對所述組合優化計算模型中的權值進行優化調整；步驟十一：建立起對應于K類樣本天空圖像對的K個組合優化計算模型；步驟十二：根據K個所述組合優化計算模型計算天空圖像云團位移矢量。優選地，所述樣本天空圖像的分辨率為X*Y，相鄰兩個幅所述樣本天空圖像之間的采樣時間間隔為0.5-3分鐘。優選地，生成基于n+1幅所述樣本天空圖像對應的共n+1個所述灰度矩陣：f1(x，y)，f2(x，y)，…，fn+1(x，y)，其中，(x，y)表示所述灰度矩陣中像素的坐標，x＝0，1，2，…，X-1；y＝0，1，2，…，Y-1；基于每幅所述樣本天空圖像的所述灰度矩陣，生成灰度共生矩陣。優選地，所述第一統計量包括：熵：能量：相關性：對比度：其中，Pij為所述的灰度共生矩陣中的元素，L＝X，或L＝Y。優選地，基于每幅所述樣本天空圖像，共生成4*4個所述第一統計量，分別為：f1，1，f1，2，f1，3，f1，4，f2，1，f2，2，f2，3，f2，4，…，f4，1，f4，2，f4，3，f4，4，其中，f的下標的第一部分表示灰度共生矩陣的序號，第二部分表示統計量的序號；基于每幅所述樣本天空圖像的所述的4*4個所述第一統計量，取其中同名統計量的平均值，生成4個第二統計量：…，基于每幅所述樣本天空圖像的所述的4個所述第二統計量，將其串聯起來，作為每幅所述樣本天空圖像的特征向量：f1＝[f1，f2，f3，f4]，最終共生成基于n+1幅所述樣本天空圖像的n+1個特征向量：f1，f2，…，fn+1，基于n+1幅所述樣本天空圖像的所述的n+1個特征向量，依次取其平均值，得到n對所述樣本天空圖像的n個特征向量：…，優選地，對n個所述樣本天空圖像進行聚類操作，獲取所述聚類數目K。優選地，計算云團位移矢量，所述組合優化計算模型如下：V＝aVPIV+bVLKOF+cVSURF，其中a、b和c計算結果的權值，V為所述組合優化計算模型所確定的所述樣本天空圖像對的云團位移矢量。優選地，對所述樣本天空圖像進行裁剪包括：當計算所得所述云團在水平方向移動p個像素，在豎直方向上移動q個像素，則在圖像對的初始樣本天空圖像灰度矩陣中，去掉其移動方向上的前p列像素和前q行像素，在圖像對的位移樣本天空圖像灰度矩陣中，去掉移動方向的后p列像素和后q行像素。優選地，基于裁剪后的所述樣本天空圖像，對權值a、b和c進行優化調整，獲取最終權值，建立組合優化計算模型。優選地，基于所述的K個組合優化計算模型，面對天空圖像對時，先提取其所述的特征向量f＝[f1，f2，f3，f本文檔來自技高網...

【技術保護點】
1.一種天空圖像云團位移矢量計算方法，其特征在于，所述計算方法包括以下步驟：步驟一：獲取訓練樣本，所述訓練樣本包括多個樣本天空圖像；步驟二：生成與樣本天空圖像對應的多個灰度矩陣；步驟三：對每幅所述樣本天空圖像灰度矩陣進行處理，生成多個灰度共生矩陣；步驟四：基于每個所述灰度共生矩陣構建第一統計量；步驟五：基于所述第一統計量生成多個所述樣本天空圖像的特征向量；步驟六：基于多對樣本天空圖像的所述多個特征向量對所述樣本天空圖像進行聚類操作，獲取聚類數目K；步驟七：計算每對所述樣本天空圖像的云團位移矢量；步驟八：基于每對所述樣本天空圖像的云團位移矢量建立組合優化計算模型，并獲取每對所述樣本天空圖像的初始云團位移矢量；步驟九：基于每對樣本天空圖像的所述初始位移矢量對所述樣本天空圖像進行裁剪，并生成裁剪后的初始圖像和裁剪后的位移圖像；步驟十：對所述組合優化計算模型中的權值進行優化調整；步驟十一：建立起對應于K類樣本天空圖像對的K個組合優化計算模型；步驟十二：根據K個所述組合優化計算模型計算天空圖像云團位移矢量。

【技術特征摘要】
1.一種天空圖像云團位移矢量計算方法，其特征在于，所述計算方法包括以下步驟：步驟一：獲取訓練樣本，所述訓練樣本包括多個樣本天空圖像；步驟二：生成與樣本天空圖像對應的多個灰度矩陣；步驟三：對每幅所述樣本天空圖像灰度矩陣進行處理，生成多個灰度共生矩陣；步驟四：基于每個所述灰度共生矩陣構建第一統計量；步驟五：基于所述第一統計量生成多個所述樣本天空圖像的特征向量；步驟六：基于多對樣本天空圖像的所述多個特征向量對所述樣本天空圖像進行聚類操作，獲取聚類數目K；步驟七：計算每對所述樣本天空圖像的云團位移矢量；步驟八：基于每對所述樣本天空圖像的云團位移矢量建立組合優化計算模型，并獲取每對所述樣本天空圖像的初始云團位移矢量；步驟九：基于每對樣本天空圖像的所述初始位移矢量對所述樣本天空圖像進行裁剪，并生成裁剪后的初始圖像和裁剪后的位移圖像；步驟十：對所述組合優化計算模型中的權值進行優化調整；步驟十一：建立起對應于K類樣本天空圖像對的K個組合優化計算模型；步驟十二：根據K個所述組合優化計算模型計算天空圖像云團位移矢量。2.根據權利要求1所述的天空圖像云團位移矢量計算方法，其特征在于，所述樣本天空圖像的分辨率為X*Y，相鄰兩個幅所述樣本天空圖像之間的采樣時間間隔為0.5-3分鐘。3.根據權利要求2所述的天空圖像云團位移矢量計算方法，其特征在于，生成基于n+1幅所述樣本天空圖像對應的共n+1個所述灰度矩陣：f1(x，y)，f2(x，y)，…，fn+1(x，y)，其中，(x，y)表示所述灰度矩陣中像素的坐標，x＝0，1，2，…，X-1；y＝0，1，2，…，Y-1；基于每幅所述樣本天空圖像的所述灰度矩陣，生成灰度共生矩陣。4.根據權利要求3所述的天空圖像云團位移矢量計算方法，其特征在于，所述第一統計量包括：熵：能量：相關性：對比度：其中，Pij為所述的灰度共生矩陣中的元素，L＝X，或L＝Y。5.根據權利要求4所述的天空圖像云團位移矢量計算方法，其特征在于，基于每幅所述樣本天空圖像，共生成4*4個所述第一統計量，分別為：f1，1，f1，2，f1，3，f1，4，f2，1，f...

【專利技術屬性】
技術研發人員：王飛，龐帥杰，甄釗，米增強，王錚，王勃，
申請(專利權)人：華北電力大學保定，中國電力科學研究院有限公司，國網山東省電力公司電力科學研究院，
類型：發明
國別省市：河北,13