[發明專利]一種基于深度學習的區域云圖預測方法

在審

• 申請號: 202110565641.1
• 申請日: 2021-05-24
• 公開（公告）號: CN113486919A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 倪東;孫允允
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 鄭海峰

本發明提供了一種基于深度學習的區域云圖預測方法，用于實現未來一段時間內分鐘級別的全天空云圖預測；所述方法包括以下步驟：獲取鏡場上方全天空圖像、圖像預處理、訓練序列云圖預測模型，將待預測的圖像輸入序列圖像預測模型得到預測圖像。流程圖如附圖1所示。本發明提供的技術方案擺脫了在云預測中關于特征工程的依賴，可以實現端到端地完成相關預測，且預測時間相對更長，精度較高，具有良好的預測效果。

技術領域

本申請涉及云圖處理和云圖預測領域，具體涉及一種基于深度學習的區域云圖預測方法，且應用在太陽能光熱發電領域。

背景技術

對塔式太陽能光熱發電系統來說，云層的突然出現和離開是導致輻射量變化的最重要因素。當云團突然離場時，鏡場接收到的法向輻照度發生突變，吸熱器內溫度驟降致使熔融鹽凝固，可能導致堵管甚至停機，這大大降低了系統的能量利用率。另外堵管處壁面溫度急劇升高，會對吸熱器造成損害。因此，對云團變化趨勢進行預測，提前采取措施應對多變天氣對塔式太陽能光熱發電系統意義重大。

目前關于云預測主要是基于全天空圖像利用云識別結合云運動矢量實現云預測，因為云團跟蹤高度依賴于特定的云圖像，而云團變化較快且無規律，所以這種方法的預測時間通常較短，多為3-10分鐘。使用深度神經網絡的方法還未有效應用于太陽能領域的云圖預測。

發明內容

為了解決現有技術在云圖預測上的缺點，擺脫在云預測中關于特征工程的依賴，以實現端到端地完成相關預測。本發明提出了一種基于深度學習的區域云圖預測方法。

本發明解決其技術問題所采用的技術方案如下：

步驟1，實時拍攝全天空圖像，并記錄每張圖像的拍攝時間；

步驟2，圖像預處理：將圖像處理為時間上連續、間隔自定義的n+m幀的序列云圖；

步驟3，建立序列云圖預測模型，使用步驟2處理后的序列云圖對序列云圖預測模型進行訓練；在訓練過程中，將前n幀圖像作為輸入，后m幀圖像作為輸出標簽；

步驟4，將待預測的n幀序列云圖輸入至步驟3得到的訓練好的序列云圖預測模型中，輸出預測結果。

本發明申請的優點是：

本發明提出了一種基于深度學習的區域云圖預測方法，基于3D-LSTM的序列云圖預測模型，將短時記憶信息流與基于注意力機制的長時記憶信息流相結合，增強了長距離信息感知力，可準確預測20分鐘甚至更長時的全天空云圖。

本發明的云預測相關工作均不使用進行特征工程，克服了傳統的神經網絡方法對特征工程的依賴，可實現端到端地預測。

附圖說明

圖1是本發明方法流程圖。

圖2是云圖預測模型所使用的單元結構。

圖3是云圖預測模型。

具體實施方式

下面結合實施例對本發明做進一步的說明。

本實施例的處理流程如圖1所示。

一種基于深度學習的區域云圖預測方法，包括如下步驟：

步驟1，以浙江大學青山湖能源基地實驗平臺為數據采集基地，利用魚眼全景相機拍攝某時刻全天空圖像，并記錄該時刻。圖片為每分鐘采集一幀。

步驟2，對拍攝的圖像預處理。將圖像整理為時間上連續、間隔自定義的n+m幀的序列(未指定連續序列的幀數，輸入輸出的間隔與幀數可根據實際需求進行選擇，步驟3中模型均可處理)。

步驟3，將步驟2處理所得的圖像序列，送入序列圖像預測模型中，訓練模型時前n幀用作輸入，后m幀作為輸出標簽。序列圖像預測模型及其使用到的單元結構分別如圖2、圖3所示。