[发明专利]一种基于深度学习的区域云图预测方法

说明书

本发明提供了一种基于深度学习的区域云图预测方法，用于实现未来一段时间内分钟级别的全天空云图预测；所述方法包括以下步骤：获取镜场上方全天空图像、图像预处理、训练序列云图预测模型，将待预测的图像输入序列图像预测模型得到预测图像。流程图如附图1所示。本发明提供的技术方案摆脱了在云预测中关于特征工程的依赖，可以实现端到端地完成相关预测，且预测时间相对更长，精度较高，具有良好的预测效果。

技术领域

本申请涉及云图处理和云图预测领域，具体涉及一种基于深度学习的区域云图预测方法，且应用在太阳能光热发电领域。

背景技术

对塔式太阳能光热发电系统来说，云层的突然出现和离开是导致辐射量变化的最重要因素。当云团突然离场时，镜场接收到的法向辐照度发生突变，吸热器内温度骤降致使熔融盐凝固，可能导致堵管甚至停机，这大大降低了系统的能量利用率。另外堵管处壁面温度急剧升高，会对吸热器造成损害。因此，对云团变化趋势进行预测，提前采取措施应对多变天气对塔式太阳能光热发电系统意义重大。

目前关于云预测主要是基于全天空图像利用云识别结合云运动矢量实现云预测，因为云团跟踪高度依赖于特定的云图像，而云团变化较快且无规律，所以这种方法的预测时间通常较短，多为3-10分钟。使用深度神经网络的方法还未有效应用于太阳能领域的云图预测。

发明内容

为了解决现有技术在云图预测上的缺点，摆脱在云预测中关于特征工程的依赖，以实现端到端地完成相关预测。本发明提出了一种基于深度学习的区域云图预测方法。

本发明解决其技术问题所采用的技术方案如下：

步骤1，实时拍摄全天空图像，并记录每张图像的拍摄时间；

步骤2，图像预处理：将图像处理为时间上连续、间隔自定义的n+m帧的序列云图；

步骤3，建立序列云图预测模型，使用步骤2处理后的序列云图对序列云图预测模型进行训练；在训练过程中，将前n帧图像作为输入，后m帧图像作为输出标签；

步骤4，将待预测的n帧序列云图输入至步骤3得到的训练好的序列云图预测模型中，输出预测结果。

本发明申请的优点是：

本发明提出了一种基于深度学习的区域云图预测方法，基于3D-LSTM的序列云图预测模型，将短时记忆信息流与基于注意力机制的长时记忆信息流相结合，增强了长距离信息感知力，可准确预测20分钟甚至更长时的全天空云图。

本发明的云预测相关工作均不使用进行特征工程，克服了传统的神经网络方法对特征工程的依赖，可实现端到端地预测。

附图说明

图1是本发明方法流程图。

图2是云图预测模型所使用的单元结构。

图3是云图预测模型。

具体实施方式

下面结合实施例对本发明做进一步的说明。

本实施例的处理流程如图1所示。

一种基于深度学习的区域云图预测方法，包括如下步骤：

步骤1，以浙江大学青山湖能源基地实验平台为数据采集基地，利用鱼眼全景相机拍摄某时刻全天空图像，并记录该时刻。图片为每分钟采集一帧。

步骤2，对拍摄的图像预处理。将图像整理为时间上连续、间隔自定义的n+m帧的序列(未指定连续序列的帧数，输入输出的间隔与帧数可根据实际需求进行选择，步骤3中模型均可处理)。

步骤3，将步骤2处理所得的图像序列，送入序列图像预测模型中，训练模型时前n帧用作输入，后m帧作为输出标签。序列图像预测模型及其使用到的单元结构分别如图2、图3所示。