基于面积校正的光伏电站地基云图云团移动预测方法

李　卫，　陈彦君，　席　林

1.上海电气集团股份有限公司输配电技术中心　上海　200240 2.上海交通大学图像通信与网络工程研究所　上海　200240



基于面积校正的光伏电站地基云图云团移动预测方法

李卫1，陈彦君2，席林1

1.上海电气集团股份有限公司输配电技术中心上海200240 2.上海交通大学图像通信与网络工程研究所上海200240

利用地基云图进行太阳辐照度估计，是对光伏电站输出功率进行准确预测的一种有效方法。针对地基云图图像的特点，提出一种基于粒子图像速度(Particle Image Velocity， PIV)约束和面积校正的云团移动预测方法，即基于云团计算位移矢量和云团面积伸缩因数，对识别出的云团运动趋势提供一种更加准确的预测方法，为光伏电站发电功率超短期准确预测提供了前提条件。基于地基云图图像的试验结果表明，这一方法在预测精度方面高于传统的PIV等云团移动预测方法。

光伏发电系统； 地基； 云图； 面积； 校正； 预测

对光伏电站的输出功率进行准确预测，能为电力调度提供重要的决策支持，统筹安排常规电源和光伏发电的协调配合，降低电力系统运行成本。地面辐照度作为光伏电站输出功率的主要影响因素之一，它的不确定性直接导致输出功率的随机性和波动性；而云作为影响太阳地面辐照度的主要气象要素，其生消和移动变化是地面辐照度变化不确定性的根本原因之一[1,2]。利用数字图像处理技术对地基云图进行分析，从而估计云团的移动，相当于将云这一主要气象要素从众多影响辐照度的随机因素中单独分离出来进行建模。从某种意义上讲，实现对云团移动的准确预测是实现光伏功率超短期准确预测的前提[2]。

通常而言，对云团运动趋势的估计基于对全局运动矢量的估计。陈志宝等[2]找出前后两帧图像相对应的云团，再计算云团质心的变化来决定云团的位移矢量。里卡多·马克斯和卡洛斯·科因布拉[3]提出一种PIV技术： 将图像序列中的每一帧图像分成子块，对当前帧中的每一块到前一帧某一给定搜索区域内所有候选块进行比较，基于累积灰度差异值最小原则找出与当前块最相似的块，即匹配块；当前块与其匹配块之间的位移即为该块的位移矢量；通过对所有块的位移矢量统计聚类得到全局运动矢量，由此预测未来云团的位置，并通过确定同一时刻太阳所在位置，预测遮挡的发生。Chow Chi Wai等[4]提出的技术是基于归一化互相关系数最大化原则的块匹配，同样可以得到全局运动矢量，并结合太阳运动轨迹预测遮挡的发生。Huang Hao等[5]通过定义子帧来找到最大交叉的匹配块。

上述方法在实际应用中都有一些局限性。第一种局限性是假设全天空成像仪(Total Sky Imager， TSI)采集到图像中的云团可以一一对应，这仅在天空中云团较少的情况下是可行的。第二种局限性是以上几种方法假设全部云团向一个方向运动，这也仅在天气情况单一的状况下是可行的。实际上天空的情况比较复杂，受到不同方向的风力作用，不同云团的运动情况不尽相同，并且云团除了位移，还会消散，这对精确描述云团运动趋势提出了新的挑战。笔者针对上述现有技术的不足，提出一种基于PIV约束和面积校正的地基云图云团移动预测方法，通过对云团位置和面积变化的分析，分别对每个云团求位移矢量和面积伸缩因数，从而更加精细地预测云团的运动趋势。

1　基于PIV约束和面积校正的地基云图云团移动预测

笔者所提出的基于PIV约束和面积校正的地基云图云团移动预测方法，通过PIV约束来对运动估计的搜索空间进行精简，一方面降低运算复杂度，另一方面通过全局运动矢量参考来排除不可能的运动方向空间，降低运动估计的出错概率。同时，在对一个云块进行搜索匹配时，增加了对云块面积的校正： 利用历史数据测算当前时段云块面积的变化规律(面积伸缩因数)，并根据该规律对当前面积进行缩小或放大校正，使运动搜索匹配更加精确。

1.1基于PIV约束的搜索空间精简

第一步，由于地基天空云图是通过TSI采集的，采集到的图像为天空图像的凸镜镜面成像(图1)，存在畸变，需要先经过投影变换。笔者采用文献[4]中的投影方法，首先将TSI图像进行投影变换，由天空坐标转换为矩形栅格坐标。

图1　TSI及其采集到的天空云图图像

第二步，对投影后的图像进行预处理。先将当前帧和前一帧经过云团区域识别的图像二值化，使云团区域用1表示，背景区域用0表示;然后对二值化图像用边长为3个像素的方块进行开运算，以将较小的云块和细小的连接消除；根据8连通规则，对开运算后的图像进行连通分量检测，每检测完一个连通分量就相应作一标记；每个连通分量中的像素被分配给一个唯一的整数，该整数的范围为从1到连通分量总数；每个连通分量被认为是一个云团，同时可以获得该云团的几何特征，包括面积，以及包含该云团的最小矩形位置和大小。图2(a)为经过投影变换的TSI图像，图2(b)为对图2(a)中图像进行连通分量检测的结果，其中绿色矩形框为包含云团的最小矩形，红色点标注了矩形框的中心。

图2　TSI图像及连通分量检测结果

第三步，针对当前帧中的每一个云团在前一帧某一给定搜索区域内根据累积灰度差异值最小原则搜寻最佳匹配区域，即寻找最佳匹配云团。搜索框的尺寸放大为原来的2倍或者缩小为原来的50%，寻找多尺寸条件下的最佳匹配区域和移动矢量。累积灰度差异值的计算式为：

(1)

式中： C(Δx,Δy)为累积灰度差异值矩阵，(Δx,Δy)为搜索框相对于待匹配云团中心的偏移；ft(xi,yj)为当前帧中中心在(xi,yj)，搜索框大小为包含待匹配云团的最小矩形子图区域；ft-1(xi+Δx,yj+Δy)为前一帧中中心在(xi+Δx,yj+Δy)，大小与ft(xi,yj)相等的子图区域；N为横纵方向上的搜索范围。

若累积灰度差异值越小，则表明两幅子图像之间的差异越小，可以近似认为这两幅子图像中的云团为同一云团在不同时刻的形态。

对某一云团而言，令其相应的搜索框大小为包含该云团的最小矩形，标记该云团的位置为该矩形的中心，并设置横纵方向最大的搜索半径(本文设为20个像素)。首先按照搜索框的大小和位置对当前帧待识别云图像取相应的子图像，即为包含该云团的最小矩形区域；然后在前一帧图像中，提取所有中心在由该云团中心和搜索半径限定的范围内的搜索框区域，并计算它们与当前帧所提取出的子图像的累积灰度值差异；最后找到满足累积灰度值差异为最小累积灰度值差异1.1倍的搜索框，计算它们的中心相对于该云团位置偏移的平均距离，即为该云团的位移矢量。

图3(a)为t-dt时刻的TSI原图，图3(b)为图3(a)的投影图，图3(b)中绿框是包含一个云宽的最小矩形框，红色的箭头为PIV速率，蓝框为未受PIV约束的搜索区域，黄框为受PIV约束的搜索区域。图3(b)中的每一个云团都在图3(c)中黄色区域内搜索得到与其最匹配的云块。

图3　云图匹配过程

传统云块匹配方法，要在以当前云块为中心的一个较大范围内[图3(b)中的蓝色框]进行搜索，不仅运算复杂度较高，而且容易出现匹配错误，即有可能在错误的方向上，因灰度值相近而导致与一个累积灰度差异值很小的错误云块匹配。笔者针对这个问题，提出了一种基于PIV约束的搜索空间精简方法： 对前一帧图像中利用PIV方法计算得到的每个云块的运动矢量进行聚类(本文采用K-means聚类方法)，将属于最大类别的云块平均运动矢量作为当前时刻天空云团的全局运动矢量；利用这个全局矢量，对当前云块的搜索空间进行约束；把整个运动方向空间分为四个方向空间，即右上角(0～90°)、左上角(90～180°)、左下角(180～270°)、右下角(270～360°)；判断利用PIV得到的全局运动矢量落在哪个空间[如图3中，全局运动矢量落在左下角空间，即图3(b)中的红色线段]；将搜索空间限定在该方向空间[图3(b)中的黄色框]。通过这一约束，一方面可以减小搜索空间的范围，减少运算量；另一方面也能根据全局运动矢量来排除一些不可能的运动方向，降低匹配错误概率。

1.2基于面积校正的云团移动估计

云团在运动的过程中，除了位置的偏移，还有面积的膨胀和缩小，对云团进行面积校正是很有必要的。当前帧与前一帧中相匹配云团的面积比定义为面积伸缩因数Kt，Kt定义式如下：

Kt=St/St-1

(2)

式中：St为当前帧中待匹配云团的面积；St-1为前一帧中匹配的云团面积；若Kt>1，表示云团面积膨胀，若Kt<1，表示云团面积压缩。

对于标注的每一个云团，令当前帧和前一帧相匹配的云团面积相比，得到所有云团的面积伸缩因数。预测时，假定云团面积的膨胀或压缩是均匀变化的，即云团面积的变化服从：

St0+t=Kt0St0

(3)

式中：St0为当前时刻云团的面积；St0+t为预测t时刻后云团的面积；Kt0为当前时刻所求得的该云团的面积伸缩因数。

如上所述，通过面积校正得到对云团面积变化更加准确的描述。然后可以进行移动预测。根据获得的运动矢量和面积伸缩因数，对上述面积校正之后的云团运动进行预测。假定云团的运动为匀速直线运动，即云团质心的运动服从：

(xt0+t,yt0+t)=(xt0+dx×t,yt0+dy×t)

(4)

式中： (xt0,yt0)为当前时刻云团质心；(xt0+t,yt0+t)为预测t时刻后云团质心；dx、dy为该云团在横纵方向上的位移。

2　试验结果与分析

笔者利用架设在上海市区某楼顶的TSI设备，采集了一系列地基天空云图，利用这些云图对本文提出的算法进行了验证试验。选择两个序列的TSI云图，其中包括单个、多个云块，以及云块分裂、合并等情况，以验证算法的鲁棒性。在第一个搜索阶段，即利用PIV算法搜索全局运动矢量阶段，将搜索的范围设定为28像素×28像素，并对得到的全局运动矢量在时域中进行中值滤波，以消除短期或瞬间扰动干扰。对PIV方法、PIV+中值滤波方法、本文算法的运动估计结果进行了比较，见表1。

表1　三种运动估计方法的试验结果比较

表1中的数值采用的是国际通用的Cap Error(Cloud-advection-versus-persistence Error[6,7])。该度量指标能够较为鲁棒地评估预测结果与实际情况的吻合误差，数值越小说明方法越准确。通过表1可以看到，笔者提出的方法在两个序列和三个时间段上优于目前主流的PIV方法及其改进方法(PIV+中值滤波方法)。图4给出了利用本文方法得到的运动矢量估计的太阳遮挡因数与实际遮挡因数的比较图，通过图4可以直观地看到，利用预测的运动矢量估计的太阳遮挡因数(红色)与实际值(蓝色)非常吻合，证明了本方法的有效性。

图4　本文方法得到的运动矢量估计值与实际值的比较

3　结论

笔者提出的基于PIV约束和面积校正的地基云图云团移动预测方法，通过PIV约束实现了运动估计搜索空间的精简，在降低运算复杂度的同时降低了运动估计的出错概率。同时，在对云块进行搜

索匹配时增加了对云块面积的校正，使运动搜索匹配更加精确。试验证明了本方法在估计误差等方面取得了优于目前主流PIV方法的性能指标，提供了一种更精确的云图云团移动估计方法。

[1] 曹潇，陈志宝，周海，等.基于地基云图分析的光伏功率预测系统设计[J].电力信息化,2013，11(3)： 1-6.

[2] 陈志宝，李秋水，程序，等,基于地基云图的光伏功率超短期预测模型[J].电力系统自动化,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

李卫(1979—)，男，博士，高级工程师，主要从事新能源发电与并网相关技术研究工作，

E-mail： liwei5@shanghai-electric.com

TM615

A

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