云层监测方法和装置、光伏功率预测方法和装置

技术领域

本发明涉及气象数据分析技术领域，具体涉及一种云层监测方法、一种光伏功率预测方法、一种云层监测装置和一种光伏功率预测装置。

背景技术

在国家政策以及环境保护原因的激励下，近十年来光伏发电产业大力发展，成本进一步降低，全国各地涌现出大量的集中式与分布式光伏电站。随着光伏电站的大力发展，其波动性与不可控性对电网造成的压力愈发增长，致使电网已对各光伏电站提出硬性规定，将光伏预测作为考核项。目前的光伏功率预测策略根据时间尺度与空间尺度可分别划分为短期、中期、长期以及大规模集中式光伏电站和中小型分布式光伏电站，且预测所需参数依赖于对辐照度的观测以及大量气象历史数据的收集。

对局域光伏系统，例如家庭光伏系统、楼宇光伏系统等来说，适用于短期以及小尺度的光伏功率预测策略。短期光伏功率预测的准确性取决于云层运动的不确定性，然而目前对于云层运动的观测依赖于结构复杂的设备，成本相对较高。

发明内容

本发明为解决上述技术问题，提供了一种云层监测方法和装置、光伏功率预测方法和装置，能够简单方便地实现云层情况的监测，从而能够简单方便地实现光伏功率的预测，成本较低，准确率较高。

本发明采用的技术方案如下：

一种云层监测方法，包括：基于机器学习算法建立云层指数模型；基于计算机视觉建立气象云图检测模型；采集目标位置的天气参数，并根据所述天气参数和所述云层指数模型得到所述目标位置的云层指数；采集所述目标位置的气象云图，并根据所述气象云图和所述气象云图检测模型得到所述目标位置的云层影响概率。

所述云层指数模型为决策树模型，所述云层指数模型通过包含天气参数与对应的云层指数的数据样本训练得到。

其中，将采集的所述天气参数输入所述云层指数模型，以输出所述云层指数。

所述天气参数包括天气标签、温度、体感温度、降雨概率、湿度和风力中的一个或多个。

所述云图检测模型通过对所述气象云图进行图像格式转换、无效像素点过滤和阈值法提取特征点后，输出所述云层影响概率。

所述云图检测模型输出所述云层影响概率的过程如下：将所述气象云图的图像颜色标准从RGB转换为HSV；对转换后的气象云图进行滤波处理，以滤除干扰项和无效信息；使用大津阈值法对滤波处理后的气象云图进行背景像素与前景像素的区分，以凸显所述目标位置；以所述目标位置确定采样范围，并根据采样结果输出所述云层影响概率。

一种光伏功率预测方法，包括：上述云层监测方法；和根据所述云层指数和所述云层影响概率得到所述目标位置的光伏功率预测结果。

一种云层监测装置，包括：第一建立模块，所述第一建立模块用于基于机器学习算法建立云层指数模型；第二建立模块，所述第二建立模块用于基于计算机视觉建立气象云图检测模型；第一采集模块，所述第一采集模块用于采集目标位置的天气参数；第一获取模块，所述第一获取模块用于根据所述天气参数和所述云层指数模型得到所述目标位置的云层指数；第二采集模块，所述第二采集模块用于采集所述目标位置的气象云图；第二获取模块，所述第二获取模块用于根据所述气象云图和所述气象云图检测模型得到所述目标位置的云层影响概率。

一种光伏功率预测装置，包括：上述云层监测装置；和预测模块，所述预测模块用于根据所述云层指数和所述云层影响概率得到所述目标位置的光伏功率预测结果。

本发明的有益效果：

本发明通过采集目标位置的天气参数和气象云图，并分别结合云层指数模型得到目标位置的云层指数和结合气象云图检测模型得到目标位置的云层影响概率，以及根据云层指数和云层影响概率得到目标位置的光伏功率预测结果，由此，能够简单方便地实现云层情况的监测，从而能够简单方便地实现光伏功率的预测，成本较低，准确率较高。

附图说明

图1为本发明实施例的云层监测方法的流程图；

图2为本发明一个实施例的决策树模型的结构示意图；

图3为本发明实施例的光伏功率预测方法的流程图；

图4为本发明实施例的云层监测装置的方框示意图；

图5为本发明实施例的光伏功率预测装置的方框示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例的云层监测方法包括以下步骤：

S1，基于机器学习算法建立云层指数模型。

S2，基于计算机视觉建立气象云图检测模型。

S3，采集目标位置的天气参数，并根据天气参数和云层指数模型得到目标位置的云层指数。

S4，采集目标位置的气象云图，并根据气象云图和气象云图检测模型得到目标位置的云层影响概率。

需要说明的是，图1中步骤S1～S4的执行顺序仅为示例性的，在实际实施时S1在S3之前，S2在S4之前即可。

在本发明的一个实施例中，云层指数模型为决策树模型，云层指数模型通过包含天气参数与对应的云层指数的数据样本训练得到。其中，天气参数包括天气标签、温度、体感温度、降雨概率、湿度和风力中的一个或多个，云层指数可分为三项：0-无云或轻微有云、1-中度有云、2-重度有云。

应当理解的是，云层指数模型的准确度与训练样本的量、训练样本中参数的细分程度成正比。

在本发明的一个具体实施例中，共有表1所示的16个数据样本。

表1

使用表1中各样本训练出决策树模型。如图2所示，某一决策树模型中的判断条件A、B、C、D为阈值，具体数值由大量数据的训练决定，最终阈值的确定可使得分类的错误率最低。

进一步地，可将采集的天气参数输入云层指数模型，以输出云层指数。

在本发明的一个具体实施例中，可获取某一目标位置，例如某一家庭、某一楼宇所处的经纬度，并通过云平台实时采集该经纬度的天气参数，例如采集到表2所示的天气参数。

表2

然后将表2的天气参数输入上述训练好的云层指数模型，得到云层指数为1-中度有云。

在本发明的一个实施例中，云图检测模型可通过对气象云图进行图像格式转换、无效像素点过滤和阈值法提取特征点后，输出云层影响概率。

云图检测模型输出云层影响概率的过程如下：

首先可将气象云图的图像颜色标准从RGB转换为HSV，转换算法如下：

V＝max(R,G,B)

A＝min(R,G,B)

S＝(V-A)/V

H＝

{(G-B)/(V-A)*60,when(R＝max)；

120+(B-R)/(V-A)*60,when(G＝max)；

240+(R-G)/(V-A)*60,when(B＝max)；}

H＝H+360,when(H＜0)；

再对转换后的气象云图进行滤波处理，以滤除干扰项和无效信息。具体可定义需要保留的像素点颜色空间范围，过滤的像素点使用周围点的颜色空间均值代替。像素点用P表示，像素点的横纵坐标分别使用P

P＝P,when(P∈R)

滤波后还需对图像进行灰度级处理。

然后，使用大津阈值法对滤波处理后的气象云图进行背景像素与前景像素的区分，以凸显目标位置。对于图像l(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数所占比例为ω

N

ω

μ＝μ

g＝ω

g＝ω

采用遍历法得到使类间方差最大的阈值T，即为所求。

最后以目标位置确定采样范围，并根据采样结果输出云层影响概率。分析图像像素点，有云部分记为1，无云部分记为0，对目标及周围像素点进行采样，最后根据采样结果输出云层影响概率。具体可以目标采样点X为中心，若采样范围为以L个像素点为边长的正方形，则N为采样范围边长上限，以L为边长的采样范围中采样到0的个数为ZL，那么概率P

在本发明的一个具体实施例中，可通过云平台实时采集包括上述目标位置的一地理范围的气象云图，并将图像颜色标准从红(R)、绿(G)、蓝(B)转换为色调(H)、饱和度(S)、明度(V)，然后过滤图中黑色部分，例如城市名称等干扰项，并进行灰度级处理。再使用大津阈值法识别乌云区域，以上述经纬度为采样中心，以采样范围为3进行计算，根据经纬度定位图中的像素点信息及周边像素点信息，输出云层影响概率为91.96％。

根据本发明实施例的云层监测方法，通过采集目标位置的天气参数和气象云图，并分别结合云层指数模型得到目标位置的云层指数和结合气象云图检测模型得到目标位置的云层影响概率，由此，能够简单方便地实现云层情况的监测。

基于上述云层监测方法，本发明还提出一种光伏功率预测方法。

本发明实施例的光伏功率预测方法包括上述云层监测方法。可在接收到预测服务器的预测请求后，先执行上述云层监测方法以得到目标位置的云层指数和云层影响概率。

如图3所示，本发明实施例的光伏功率预测方法还包括：

S5，根据云层指数和云层影响概率得到目标位置的光伏功率预测结果。

光伏功率与云层指数和云层影响概率之间具有对应关系，因此在通过上述实施例的云层监测方法得到云层指数和云层影响概率后，可进一步得到光伏功率预测结果。

举例而言，可预先根据包含云层指数、云层影响概率、光伏功率的数据样本训练预测模型，该预测模型可为神经网络模型。在得到目标位置的云层指数和云层影响概率后，将云层指数和云层影响概率输入训练好的预测模型，即可输出目标位置的光伏功率预测结果。

根据本发明实施例的光伏功率预测方法，通过采集目标位置的天气参数和气象云图，并分别结合云层指数模型得到目标位置的云层指数和结合气象云图检测模型得到目标位置的云层影响概率，以及根据云层指数和云层影响概率得到目标位置的光伏功率预测结果，由此，能够简单方便地实现光伏功率的预测，成本较低，准确率较高。

本发明实施例的光伏功率预测方法尤其适用于局域光伏系统。在得到局域光伏系统的光伏功率预测结果后，可将预测结果进一步应用于域内能量管理系统，与域内负载、储能、电动汽车充电桩等协同使用，能够大大提高能量管理效率。

对应上述实施例的云层监测方法，本发明还提出一种云层监测装置。

如图4所示，本发明实施例的云层监测装置10包括第一建立模块11、第二建立模块12、第一采集模块13、第一获取模块14、第二采集模块15和第二获取模块16。其中，第一建立模块11用于基于机器学习算法建立云层指数模型；第二建立模块12用于基于计算机视觉建立气象云图检测模型；第一采集模块13用于采集目标位置的天气参数；第一获取模块14用于根据天气参数和云层指数模型得到目标位置的云层指数；第二采集模块15用于采集目标位置的气象云图；第二获取模块16用于根据气象云图和气象云图检测模型得到目标位置的云层影响概率。

在本发明的一个实施例中，云层指数模型为决策树模型，第一建立模块11通过包含天气参数与对应的云层指数的数据样本训练得到云层指数模型。其中，天气参数包括天气标签、温度、体感温度、降雨概率、湿度和风力中的一个或多个，云层指数可分为三项：0-无云或轻微有云、1-中度有云、2-重度有云。

应当理解的是，云层指数模型的准确度与训练样本的量、训练样本中参数的细分程度成正比。

第一获取模块14可将采集的天气参数输入云层指数模型，以输出云层指数。

在本发明的一个实施例中，第二获取模块16可基于云图检测模型，通过对气象云图进行图像格式转换、无效像素点过滤和阈值法提取特征点后，输出云层影响概率。具体地，可将气象云图的图像颜色标准从RGB转换为HSV，并对转换后的气象云图进行滤波处理，以滤除干扰项和无效信息，然后使用大津阈值法对滤波处理后的气象云图进行背景像素与前景像素的区分，以凸显目标位置，最后以目标位置确定采样范围，并根据采样结果输出云层影响概率。

根据本发明实施例的云层监测装置，通过采集目标位置的天气参数和气象云图，并分别结合云层指数模型得到目标位置的云层指数和结合气象云图检测模型得到目标位置的云层影响概率，由此，能够简单方便地实现云层情况的监测。

基于上述云层监测装置，本发明还提出一种光伏功率预测装置。

如图5所示，本发明实施例的光伏功率预测装置包括上述云层监测装置10和预测模块20，预测模块20用于根据云层指数和云层影响概率得到目标位置的光伏功率预测结果。

云层监测装置10可与预测服务器进行通信以接收预测请求，在获取预测请求后，云层监测装置10可与云平台进行通信以接收云平台采集的目标位置的天气参数和气象云图，并得到目标位置的云层指数和云层影响概率。预测模块20可在云层监测装置10得到目标位置的云层指数和云层影响概率后，将云层指数和云层影响概率输入训练好的预测模型，即可输出目标位置的光伏功率预测结果。

根据本发明实施例的光伏功率预测装置，通过采集目标位置的天气参数和气象云图，并分别结合云层指数模型得到目标位置的云层指数和结合气象云图检测模型得到目标位置的云层影响概率，以及根据云层指数和云层影响概率得到目标位置的光伏功率预测结果，由此，能够简单方便地实现光伏功率的预测，成本较低，准确率较高。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。