申请/专利权人：河海大学常州校区

申请日：2020-07-15

公开（公告）日：2022-08-30

公开（公告）号：CN112016390B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/762;G06K9/62;G06N3/08;G01J1/12

优先权：

专利状态码：有效-授权

法律状态：2022.08.30#授权;2020.12.18#实质审查的生效;2020.12.01#公开

摘要：本发明公开了一种基于云量和神经网络的辐照波动计算方法，包括：S1搭建地基云图采集传输系统，每隔一段固定时间采集一次云空图像和辐照强度数据，并实时传输至后端系统并储存，建立原始数据库；S2根据所建立的原始数据库，提取出云层特征，建立云空数据库；S3建立神经网络模型，对超短期内，计算未来某个时刻下的晴空指数；S4对步骤S3得到的未来某个时刻下的晴空指数进行修正，基于晴空辐照模型，计算未来某时刻下的水平面太阳辐照强度。本发明在预测未来太阳辐照强度时引入当前时刻以及未来预测时刻的云量，评估云层扰动对短期内辐照波动的影响，可以有效提高对未来云层引起辐照波动预判的准确性，对短期内太阳辐照强度的精确预测有着指导意义。

主权项：1.一种基于云量和神经网络的辐照波动计算方法，其特征在于，包括以下步骤：S1搭建地基云图采集传输系统，每隔一段固定时间采集一次云空图像和辐照强度数据，并实时传输至后端系统并储存，建立原始数据库；S2根据所建立的原始数据库，提取出云层特征，建立云空数据库，其中，所述云空数据库包括采集的辐照强度，提取的云层特征和未来时刻云量预测值，其中，所述云层特征包括云层移动速度大小、运动方向、和当前云量；且所述云层特征的具体提取步骤如下：S2-1：在电脑处理终端对每张地基云图进行预处理，包括畸变校正和掩模；S2-2：提取当前云量，具体步骤如下：S2-21：根据步骤S2-1预处理后的地基云图，提取出地基云图中RGB三通道值，计算特征量λ，如式1所示： S2-22：将特征量λ与阈值th进行比较，设置灰度等级，如式2所示： 其中，g表示像素点灰度值，1代表白，0代表黑，将地基云图转为黑白二值图像，白色像素点代表云层，黑色像素点代表天空；S2-23：遍历二值图像后，计算二值图像的白色像素点个数，作为当前时刻云量cloudcover_n，如式3所示：cloudcover_n＝nN3；其中，n表示白色像素点总个数，N表示图像像素点的总个数，且掩模部分不计入N；S2-3：提取云层速度矢量特征，利用k均值聚类法提取出云层移动速度矢量，即移动方向和速度大小，具体步骤如下：S2-31：利用稠密光流法捕获对预处理后的地基云图的像素点运动踪迹，电脑处理终端调用OpenCV库中的calcOpticalFlowFarneback函数求解光流场；S2-32：根据得到的光流场，设置k个类别数目，自动随机选取k个数据作为类别的聚类中心；S2-33：分别计算除去聚类中心点的其余像素点到k个聚类中心的距离以及这些距离的误差平方和，所述误差平方和的计算公式如下所示： 其中，k为类别数目，nk为第k个聚类的数据总个数，xj为第k类的第j个数据，pk为该类的聚类中心；S2-34：根据距离远近重新将数据划分成k类，并更新聚类中心，重复步骤S2-33，当误差平方和在误差范围内，迭代便终止，此时即为最佳聚类；S2-4：根据步骤S2-2和步骤S2-3提取的云层特征，未来时刻云量预测值，具体步骤如下：S2-41：根据步骤S2-3中提取的云层速度矢量，在当前时刻下对应的预处理后的地基云图中，以太阳中心为起点，云层移动方向反向上，以L为距离处作为中心，建立一个矩形方格，其中距离L的计算公式如下：L＝v×tt5；其中，v为云层运动速度，单位为像素分钟，tt为预测时间尺度，单位为分钟；S2-42：以矩形方格为对象，遍历矩形方格像素点，计算白色像素点占比作为未来某时刻下的云量cloudcoverf，如式6所示：cloudcover_f＝n_fN_f6；其中，n_f表示白色像素点总个数，N_f表示图像像素点的总个数；S3建立神经网络模型，对超短期内，计算未来某个时刻下的晴空指数；S4对步骤S3得到的未来某个时刻下的晴空指数进行修正，基于晴空辐照模型，计算未来某时刻下的水平面太阳辐照强度。

全文数据：

权利要求：

百度查询： 河海大学常州校区 一种基于云量和神经网络的辐照波动计算方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD