[发明专利]一种基于云成像的新能源发电预测方法及装置

权利要求书

1.一种基于云成像的新能源发电预测方法，其特征在于：具体包括如下步骤：

（1）利用采集装置采集天空图像数据以及周围环境数据，对拍摄到的图像进行裁剪，去掉背景物体的干扰，让图像只包含天空信息；

（2）对处理后的图像应用深度学习算法对云量进行识别，得到天空图像云量的占比；

（3）基于WRF-3DVAR的同化方法，利用云量百分比数据，每隔3h循环同化，对数值天气预报结果进行修正；

（4）用修正的数值天气预报进行超短期预测；

所述步骤（1）中，具体包括如下步骤：

（11）对采集到的图像应用小波分析进行去噪处理；

（12）初次拍摄图像时，计算相邻两幅图像的差值，提取10组差值结果，然后统计这10组结果中，同一位置为0的个数，当个数大于8时，认为该位置为背景物体，根据区域连通性形成一个闭合区域形成一个掩码图像，然后统计同一行中像素0的个数，当个数大于0.9倍的图像宽度且为第一个符合要求的行时，则将此行作为上边界的位置，最后将边界以下部分图像裁减掉；

（13）对于裁剪后的图像，根据上边确定的掩码图像，确定天空中背景物体所在图像的位置，然后用周边像素八邻域的均值来代替背景物体所在位置的像素值，得到只包含云的图像；

（14）对于只包含云的图像，分别提取R、G和B通道的数据进行滤波处理，选取‘DB5’小波，对图像数据进行分解，对分解后的系数，设计一个窗口大小为5*5的二维自适应维纳滤波进行滤波，对滤波后的数据进行图像重构，然后将滤波后各个通道的数据进行合成，得到滤波后的彩色图像。

2.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤（1）中，所述采集装置包括支架及设置在支架上的气压传感器、雨量传感器、风速风向传感器和温度传感器中的任意一种或几种、和170°的超广角摄像头。

3.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤（2）中具体包括：

（21）构建深度学习训练模型的样本库；

（22）建立十一层深度学习网络模型，对于建立好的网络模型，应用caffe的开源架构对网络模型参数进行训练，得到对云识别的模型；

（23）将预处理后的图像，带入到训练好的神经网络模型中，得到预测结果。

4.根据权利要求3所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤（22）中建立十一层深度学习网络模型具体过程如下：

建立十一层深度学习网络结构，第一层为卷阶层，用128个大小为11*11的卷积核，以5个像素为步长，以“relu”函数为激活函数，经过pooling层处理，来提取天空彩色图像的特征；

第二、三层采取与第一层类似的结构，分别将卷积核个数修改为256和512，大小修改为7*7和5*5；

第四层以1024个大小为3*3的卷积核，用“relu”函数为激活函数，对上一层的卷积图像结果进行滤波操作，提取新的特征；

第五层与第四层的结构一样；

第六层与第四层结构类似，但是将卷积核修改为512个；

第七层为全连接层，设置1024个神经元，以“relu”函数为激活函数，应用dropout算法来减少过拟合的情况；

第八、九和十层与第七层结构类似，但是将神经元分别设置为512、256和128；

第十一层为输出层。

5.根据权利要求1所述的一种基于云成像的新能源发电预测方法，其特征在于：所述步骤（3）具体包括，由WRFDA模块中的两个模块WPS和REAL产生首次同化所需的初始场，把拍照反演的云量数据当做观测文件，并输入背景误差协方差文件，根据初始场、观测文件以及误差文件进行同化；同化后新的边界条件和初始条件用来驱动WRF，WRF向前积分的结果作为下一次同化的初始场，如此循环，最后得到循环同化后的数据。