李　衛(wèi)，　陳彥君，　席　林

1.上海電氣集團股份有限公司輸配電技術中心　上?！?00240 2.上海交通大學圖像通信與網(wǎng)絡工程研究所　上?！?00240

?

基于面積校正的光伏電站地基云圖云團移動預測方法

李衛(wèi)1，陳彥君2，席林1

1.上海電氣集團股份有限公司輸配電技術中心上海200240 2.上海交通大學圖像通信與網(wǎng)絡工程研究所上海200240

利用地基云圖進行太陽輻照度估計，是對光伏電站輸出功率進行準確預測的一種有效方法。針對地基云圖圖像的特點，提出一種基于粒子圖像速度(Particle Image Velocity， PIV)約束和面積校正的云團移動預測方法，即基于云團計算位移矢量和云團面積伸縮因數(shù)，對識別出的云團運動趨勢提供一種更加準確的預測方法，為光伏電站發(fā)電功率超短期準確預測提供了前提條件?；诘鼗茍D圖像的試驗結(jié)果表明，這一方法在預測精度方面高于傳統(tǒng)的PIV等云團移動預測方法。

光伏發(fā)電系統(tǒng)； 地基； 云圖； 面積； 校正； 預測

對光伏電站的輸出功率進行準確預測，能為電力調(diào)度提供重要的決策支持，統(tǒng)籌安排常規(guī)電源和光伏發(fā)電的協(xié)調(diào)配合，降低電力系統(tǒng)運行成本。地面輻照度作為光伏電站輸出功率的主要影響因素之一，它的不確定性直接導致輸出功率的隨機性和波動性；而云作為影響太陽地面輻照度的主要氣象要素，其生消和移動變化是地面輻照度變化不確定性的根本原因之一[1,2]。利用數(shù)字圖像處理技術對地基云圖進行分析，從而估計云團的移動，相當于將云這一主要氣象要素從眾多影響輻照度的隨機因素中單獨分離出來進行建模。從某種意義上講，實現(xiàn)對云團移動的準確預測是實現(xiàn)光伏功率超短期準確預測的前提[2]。

通常而言，對云團運動趨勢的估計基于對全局運動矢量的估計。陳志寶等[2]找出前后兩幀圖像相對應的云團，再計算云團質(zhì)心的變化來決定云團的位移矢量。里卡多·馬克斯和卡洛斯·科因布拉[3]提出一種PIV技術： 將圖像序列中的每一幀圖像分成子塊，對當前幀中的每一塊到前一幀某一給定搜索區(qū)域內(nèi)所有候選塊進行比較，基于累積灰度差異值最小原則找出與當前塊最相似的塊，即匹配塊；當前塊與其匹配塊之間的位移即為該塊的位移矢量；通過對所有塊的位移矢量統(tǒng)計聚類得到全局運動矢量，由此預測未來云團的位置，并通過確定同一時刻太陽所在位置，預測遮擋的發(fā)生。Chow Chi Wai等[4]提出的技術是基于歸一化互相關系數(shù)最大化原則的塊匹配，同樣可以得到全局運動矢量，并結(jié)合太陽運動軌跡預測遮擋的發(fā)生。Huang Hao等[5]通過定義子幀來找到最大交叉的匹配塊。

上述方法在實際應用中都有一些局限性。第一種局限性是假設全天空成像儀(Total Sky Imager， TSI)采集到圖像中的云團可以一一對應，這僅在天空中云團較少的情況下是可行的。第二種局限性是以上幾種方法假設全部云團向一個方向運動，這也僅在天氣情況單一的狀況下是可行的。實際上天空的情況比較復雜，受到不同方向的風力作用，不同云團的運動情況不盡相同，并且云團除了位移，還會消散，這對精確描述云團運動趨勢提出了新的挑戰(zhàn)。筆者針對上述現(xiàn)有技術的不足，提出一種基于PIV約束和面積校正的地基云圖云團移動預測方法，通過對云團位置和面積變化的分析，分別對每個云團求位移矢量和面積伸縮因數(shù)，從而更加精細地預測云團的運動趨勢。

1　基于PIV約束和面積校正的地基云圖云團移動預測

筆者所提出的基于PIV約束和面積校正的地基云圖云團移動預測方法，通過PIV約束來對運動估計的搜索空間進行精簡，一方面降低運算復雜度，另一方面通過全局運動矢量參考來排除不可能的運動方向空間，降低運動估計的出錯概率。同時，在對一個云塊進行搜索匹配時，增加了對云塊面積的校正： 利用歷史數(shù)據(jù)測算當前時段云塊面積的變化規(guī)律(面積伸縮因數(shù))，并根據(jù)該規(guī)律對當前面積進行縮小或放大校正，使運動搜索匹配更加精確。

1.1基于PIV約束的搜索空間精簡

第一步，由于地基天空云圖是通過TSI采集的，采集到的圖像為天空圖像的凸鏡鏡面成像(圖1)，存在畸變，需要先經(jīng)過投影變換。筆者采用文獻[4]中的投影方法，首先將TSI圖像進行投影變換，由天空坐標轉(zhuǎn)換為矩形柵格坐標。

圖1　TSI及其采集到的天空云圖圖像

第二步，對投影后的圖像進行預處理。先將當前幀和前一幀經(jīng)過云團區(qū)域識別的圖像二值化，使云團區(qū)域用1表示，背景區(qū)域用0表示;然后對二值化圖像用邊長為3個像素的方塊進行開運算，以將較小的云塊和細小的連接消除；根據(jù)8連通規(guī)則，對開運算后的圖像進行連通分量檢測，每檢測完一個連通分量就相應作一標記；每個連通分量中的像素被分配給一個唯一的整數(shù)，該整數(shù)的范圍為從1到連通分量總數(shù)；每個連通分量被認為是一個云團，同時可以獲得該云團的幾何特征，包括面積，以及包含該云團的最小矩形位置和大小。圖2(a)為經(jīng)過投影變換的TSI圖像，圖2(b)為對圖2(a)中圖像進行連通分量檢測的結(jié)果，其中綠色矩形框為包含云團的最小矩形，紅色點標注了矩形框的中心。

圖2　TSI圖像及連通分量檢測結(jié)果

第三步，針對當前幀中的每一個云團在前一幀某一給定搜索區(qū)域內(nèi)根據(jù)累積灰度差異值最小原則搜尋最佳匹配區(qū)域，即尋找最佳匹配云團。搜索框的尺寸放大為原來的2倍或者縮小為原來的50%，尋找多尺寸條件下的最佳匹配區(qū)域和移動矢量。累積灰度差異值的計算式為：

(1)

式中： C(Δx,Δy)為累積灰度差異值矩陣，(Δx,Δy)為搜索框相對于待匹配云團中心的偏移；ft(xi,yj)為當前幀中中心在(xi,yj)，搜索框大小為包含待匹配云團的最小矩形子圖區(qū)域；ft-1(xi+Δx,yj+Δy)為前一幀中中心在(xi+Δx,yj+Δy)，大小與ft(xi,yj)相等的子圖區(qū)域；N為橫縱方向上的搜索范圍。

若累積灰度差異值越小，則表明兩幅子圖像之間的差異越小，可以近似認為這兩幅子圖像中的云團為同一云團在不同時刻的形態(tài)。

對某一云團而言，令其相應的搜索框大小為包含該云團的最小矩形，標記該云團的位置為該矩形的中心，并設置橫縱方向最大的搜索半徑(本文設為20個像素)。首先按照搜索框的大小和位置對當前幀待識別云圖像取相應的子圖像，即為包含該云團的最小矩形區(qū)域；然后在前一幀圖像中，提取所有中心在由該云團中心和搜索半徑限定的范圍內(nèi)的搜索框區(qū)域，并計算它們與當前幀所提取出的子圖像的累積灰度值差異；最后找到滿足累積灰度值差異為最小累積灰度值差異1.1倍的搜索框，計算它們的中心相對于該云團位置偏移的平均距離，即為該云團的位移矢量。

圖3(a)為t-dt時刻的TSI原圖，圖3(b)為圖3(a)的投影圖，圖3(b)中綠框是包含一個云寬的最小矩形框，紅色的箭頭為PIV速率，藍框為未受PIV約束的搜索區(qū)域，黃框為受PIV約束的搜索區(qū)域。圖3(b)中的每一個云團都在圖3(c)中黃色區(qū)域內(nèi)搜索得到與其最匹配的云塊。

圖3　云圖匹配過程

傳統(tǒng)云塊匹配方法，要在以當前云塊為中心的一個較大范圍內(nèi)[圖3(b)中的藍色框]進行搜索，不僅運算復雜度較高，而且容易出現(xiàn)匹配錯誤，即有可能在錯誤的方向上，因灰度值相近而導致與一個累積灰度差異值很小的錯誤云塊匹配。筆者針對這個問題，提出了一種基于PIV約束的搜索空間精簡方法： 對前一幀圖像中利用PIV方法計算得到的每個云塊的運動矢量進行聚類(本文采用K-means聚類方法)，將屬于最大類別的云塊平均運動矢量作為當前時刻天空云團的全局運動矢量；利用這個全局矢量，對當前云塊的搜索空間進行約束；把整個運動方向空間分為四個方向空間，即右上角(0～90°)、左上角(90～180°)、左下角(180～270°)、右下角(270～360°)；判斷利用PIV得到的全局運動矢量落在哪個空間[如圖3中，全局運動矢量落在左下角空間，即圖3(b)中的紅色線段]；將搜索空間限定在該方向空間[圖3(b)中的黃色框]。通過這一約束，一方面可以減小搜索空間的范圍，減少運算量；另一方面也能根據(jù)全局運動矢量來排除一些不可能的運動方向，降低匹配錯誤概率。

1.2基于面積校正的云團移動估計

云團在運動的過程中，除了位置的偏移，還有面積的膨脹和縮小，對云團進行面積校正是很有必要的。當前幀與前一幀中相匹配云團的面積比定義為面積伸縮因數(shù)Kt，Kt定義式如下：

Kt=St/St-1

(2)

式中：St為當前幀中待匹配云團的面積；St-1為前一幀中匹配的云團面積；若Kt>1，表示云團面積膨脹，若Kt<1，表示云團面積壓縮。

對于標注的每一個云團，令當前幀和前一幀相匹配的云團面積相比，得到所有云團的面積伸縮因數(shù)。預測時，假定云團面積的膨脹或壓縮是均勻變化的，即云團面積的變化服從：

St0+t=Kt0St0

(3)

式中：St0為當前時刻云團的面積；St0+t為預測t時刻后云團的面積；Kt0為當前時刻所求得的該云團的面積伸縮因數(shù)。

如上所述，通過面積校正得到對云團面積變化更加準確的描述。然后可以進行移動預測。根據(jù)獲得的運動矢量和面積伸縮因數(shù)，對上述面積校正之后的云團運動進行預測。假定云團的運動為勻速直線運動，即云團質(zhì)心的運動服從：

(xt0+t,yt0+t)=(xt0+dx×t,yt0+dy×t)

(4)

式中： (xt0,yt0)為當前時刻云團質(zhì)心；(xt0+t,yt0+t)為預測t時刻后云團質(zhì)心；dx、dy為該云團在橫縱方向上的位移。

2　試驗結(jié)果與分析

筆者利用架設在上海市區(qū)某樓頂?shù)腡SI設備，采集了一系列地基天空云圖，利用這些云圖對本文提出的算法進行了驗證試驗。選擇兩個序列的TSI云圖，其中包括單個、多個云塊，以及云塊分裂、合并等情況，以驗證算法的魯棒性。在第一個搜索階段，即利用PIV算法搜索全局運動矢量階段，將搜索的范圍設定為28像素×28像素，并對得到的全局運動矢量在時域中進行中值濾波，以消除短期或瞬間擾動干擾。對PIV方法、PIV+中值濾波方法、本文算法的運動估計結(jié)果進行了比較，見表1。

表1　三種運動估計方法的試驗結(jié)果比較

表1中的數(shù)值采用的是國際通用的Cap Error(Cloud-advection-versus-persistence Error[6,7])。該度量指標能夠較為魯棒地評估預測結(jié)果與實際情況的吻合誤差，數(shù)值越小說明方法越準確。通過表1可以看到，筆者提出的方法在兩個序列和三個時間段上優(yōu)于目前主流的PIV方法及其改進方法(PIV+中值濾波方法)。圖4給出了利用本文方法得到的運動矢量估計的太陽遮擋因數(shù)與實際遮擋因數(shù)的比較圖，通過圖4可以直觀地看到，利用預測的運動矢量估計的太陽遮擋因數(shù)(紅色)與實際值(藍色)非常吻合，證明了本方法的有效性。

圖4　本文方法得到的運動矢量估計值與實際值的比較

3　結(jié)論

筆者提出的基于PIV約束和面積校正的地基云圖云團移動預測方法，通過PIV約束實現(xiàn)了運動估計搜索空間的精簡，在降低運算復雜度的同時降低了運動估計的出錯概率。同時，在對云塊進行搜

索匹配時增加了對云塊面積的校正，使運動搜索匹配更加精確。試驗證明了本方法在估計誤差等方面取得了優(yōu)于目前主流PIV方法的性能指標，提供了一種更精確的云圖云團移動估計方法。

[1] 曹瀟，陳志寶，周海，等.基于地基云圖分析的光伏功率預測系統(tǒng)設計[J].電力信息化,2013，11(3)： 1-6.

[2] 陳志寶，李秋水，程序，等,基于地基云圖的光伏功率超短期預測模型[J].電力系統(tǒng)自動化,2013,37(19)：20-25.

[3] MARQUEZ R, COIMBRA C F M. Intra-hour DNI Forecasting Based on Cloud Tracking Image Analysis[J]. Solar Energy, 2013,91(5)： 327-336.

[4] CHOW C W, URQUHART B, LAVE M, et al. Intra-hour Forecasting with a Total Sky Imager at the UC San Diego Solar Energy Testbed[J]. Solar Energy, 2011,85 (11)： 2881-2893.

[5] HUANG H, YOO S, YU D T, et al. Cloud Motion Detection for Short Term Solar Power Prediction[R]. Washington： ICML 2011 Workshop on Machine Learning for Global Challenges, 2011.

[6] HAMILL T M, NEHRKORN T. A Short-term Cloud Forecast Scheme Using Cross Correlations[J]. Weather and Forecasting, 1993,8(4)： 401-411.

[7] HUANG H, XU J, PENG Z Z, et al. Cloud Motion Estimation for Short Term Solar Irradiation Prediction[C].Smart Grid Communications, 2013 IEEE International Conference on,2013, Vancouver,Canada.

An effective method for accurate prediction of the output of PV power plant is realized by using ground-based cloud images to estimate solar irradiance. Aiming at the features of ground-based cloud images,a prediction method was proposed based on Particle Image Velocity (PIV) that may constrain the cloud cluster movement with area correction. Based on the computation of the displacement vector and area stretching factor of the cloud cluster,a more accurate prediction method was proposed to identify the movement trend of the cloud cluster which could provide the preconditions for accurate ultra-short-term prediction of power generation of PV power plant. The test results of the ground-based cloud images show that the prediction accuracy of this method is better than the traditional PIV method in prediction of the movement of cloud cluster.

PV Generating System； Ground Base； Cloud Image； Area； Correction； Predication

2016年1月

李衛(wèi)(1979—)，男，博士，高級工程師，主要從事新能源發(fā)電與并網(wǎng)相關技術研究工作，

E-mail： liwei5@shanghai-electric.com

TM615

A

1674-540X(2016)02-045-04