[发明专利]一种天空图像云团位移矢量计算方法

说明书

本发明公开了一种天空图像云团位移矢量计算方法，通过对样本天空图像进行处理获取多个组合优化计算模型，并根据多个组合优化计算模型对新的天空图像云团位移矢量进行计算。从而可以获得更加准确的云团矢量计算。本发明提供的天空图像云团位移矢量计算方法能够面对云团的不同运动模式，选择相应的不同计算策略，即在组合计算模型中分别设置三种方法的各个权重。通过算例验证，它可以改善传统单一方法在适用范围上的局限性，能够适用于大多数云场景的、具有较高鲁棒性。

技术领域

本发明涉及图像处理和光伏功率预测技术领域，特别是一种天空图像云团位移矢量计算方法。

背景技术

光伏发电与风力发电一样均属于波动性和间歇性电源，由于光伏发电系统受光照强度和环境温度等气候因素的影响，其输出功率的变化具有不确定性，输出功率的扰动将有可能影响电网的稳定。因此，需要加强光伏发电功率预测的研究，预先获得光伏发电系统的日发电量曲线，从而协调电力系统制定发电计划，减少光伏发电的随机化问题对电力系统的影响。使用蓄电池来稳定光伏发电功率输出是一种可行的方法，但需要追加成本，而且废旧蓄电池还会导致环境污染。因此需要对光伏系统的发电功率进行准确预测，以便了解大规模的太阳能光伏并网系统的发电运行特性，以及与电网调度、电力负荷等的匹配问题。这样有助于整个电力系统的规划和运行，从而减少光伏发电随机性对电力系统的影响，提高系统的安全性和稳定性，因此对光伏系统进行功率预测是很有必要的。

准确的光伏功率预测能够为电网调度决策行为提供依据，并为多种电源时空互补与协调控制提供支撑，可降低旋转备用容量和运行成本，对保证系统的安全稳定、促进电网的优化运行具有重要意义。目前，光伏发电功率预测主要包括针对未来72小时的短期预测和针对未来4小时的超短期预测两个时间尺度，时间分辨率均为15分钟。在光伏发电功率分步预测方法中，对于短期预测和更长时间尺度的中期预测，一般采用以数值天气预报数据为输入的辐照度预测模型；对于针对未来4小时的超短期预测，则多采用基于卫星云图和智能模型的辐照度预测方法。

地表辐照度预测是光伏发电功率分步预测的首要环节，其准确性是保证功率预测精度的关键。然而多云天气下地表辐照度受云团生消与运动的影响，其变化呈现出随机、快速、剧烈的特点，变化速率达分钟级，波动范围高达对应晴空数值的80％，这种情况下现有方法预测误差很大，预测结果不能使用。由以上分析可知，未直接考虑云团的快速、复杂运动和过低的时间分辨率(15分钟)是造成现有方法多云条件下预测精度急剧下降的主要原因。此外，15分钟的时间分辨率也不能满足电网实时调度的需求。因此，为了提高多云天气下的预测精度，须针对天空中的云团进行直接观测以获取相应数据，研究高时间分辨率下(分钟级)对云团运动进行准确追踪与位置预测的方法。

目前计算云团位移矢量的常用方法主要有粒子图像测速(Particle ImageVelocimetry)、LK光流法(Lucas-Kanade Optical Flow)以及SURF特征匹配算法。然而，作为一种刚性配准方法，粒子图像测速法不能获得与云团变形和旋转相关的参数；基于图像灰度不变假设的光流法的精度容易被图像噪声所干扰；当图像纹理信息不够丰富时，特征匹配法的精度也会降低。也就是说，目前计算云团位移矢量的常用方法在不同程度上都缺乏足够的鲁棒性。目前计算云团位移矢量的常用方法主要有粒子图像测速(ParticleImage Velocimetry)、LK光流法(Lucas-Kanade Optical Flow)以及SURF特征匹配算法。然而，作为一种刚性配准方法，粒子图像测速法不能获得云的非刚性运动参数，比如旋转、变形和生消；基于图像灰度恒定假设的光流法的精度很容易受到图像噪声的干扰，比如在光照不均、镜头存在污渍等情况下，计算精度较低；而对于特征匹配算法，由于其对特征点的定位和描述通常需要大量的信息，因此在纹理信息不够丰富的区域，其匹配性较差。也就是说，目前计算云团位移矢量的常用方法在不同程度上都缺乏足够的鲁棒性。因为天空中的云团可能具有各种各样的运动模式，当我们对所有类型的云团使用相同的位移矢量计算方法时，上述算法低精度的情况会必然发生。

发明内容