【技术实现步骤摘要】
本专利技术涉及光伏，具体涉及一种基于图片识别的分布式光伏短期功率预测方法。
技术介绍
1、在当今能源领域，分布式光伏电站的发展日益受到重视。随着对可再生能源需求的不断增长，提高分布式光伏电站的发电效率和可靠性成为关键问题。准确预测光伏功率对于电力系统的稳定运行、能源调度以及经济效益都具有重要意义。
2、传统的光伏功率预测方法主要依赖于气象数据和历史功率数据，然而这些方法往往忽略了光伏板自身状态以及周边环境的实时视觉信息对功率输出的影响。光伏板的性能会受到多种因素的综合作用，如光伏板表面的灰尘积累、阴影遮挡、老化等情况，以及周边环境的光照强度变化、温度、湿度、风速等气象条件的动态变化。仅仅依靠历史数据进行预测，难以准确捕捉到这些复杂因素的实时影响，从而导致预测精度有限。
3、例如，在实际运行中，光伏板表面可能会因为灰尘的逐渐堆积而降低其光电转换效率，但传统方法可能无法及时反映这种变化对功率输出的影响。同样，当光伏电站周边的建筑物或树木在不同时间段对光伏板造成阴影遮挡时，也会显著影响光伏功率的产生，而仅依靠常规的气象和历史功率数据难以精确预测这种情况下的功率变化。
4、因此，为了更准确地预测分布式光伏电站的功率输出，需要一种综合考虑多种因素，尤其是结合光伏板及周边环境图像信息的预测方法。
技术实现思路
1、本专利技术的目的在于提供一种基于图片识别的分布式光伏短期功率预测方法，解决了
技术介绍
中所提出的技术问题。
2、本专利技术的目的可以通过
3、一种基于图片识别的分布式光伏短期功率预测方法，包括以下步骤：
4、步骤一、数据采集
5、通过安装在分布式光伏电站周边的高清摄像头，按照指定的时间间隔采集光伏板及周边环境对应的图像及其对应的图像数据特征；同时采集分布式光伏电站的历史气象数据和历史光伏功率数据；历史气象数据包括但不限于气温、湿度、光照强度、风速；
6、步骤二、图像预处理
7、对采集到的图像进行灰度化处理和图像去噪处理；
8、步骤三、特征提取
9、依据灰度化处理和图像去噪处理后的图像提取光伏板的边缘特征和纹理特征；
10、步骤四、功率预测
11、将提取的图像特征、历史气象数据和历史光伏功率数据构建功率预测模型，并通过功率预测模型进行预测分析，依据分析结果得到未来指定时间段内预测的光伏功率；
12、步骤五、结果输出
13、将功率预测模块得到的预测结果进行反归一化处理，并得到实际的功率值范围，随之将其展示给相关人员。
14、作为本专利技术进一步的方案：其中，图像数据特征包括图像的分辨率、色彩信息、光照强度，且图像数据特征涵盖不同的天气条件和不同的时间段。
15、作为本专利技术进一步的方案：灰度化处理为将rgb三通道的图像转换为灰度图像。
16、作为本专利技术进一步的方案：图像去噪方式如下：
17、对于图像中的每个像素点，以其为中心选取一个3×3的邻域窗口，将窗口内的像素值从小到大排序，取中间值作为该像素点的新值。
18、作为本专利技术进一步的方案：其中，使用canny边缘检测算法进行边缘特征提取，边缘特征提取方式如下：
19、stepd1.1、对预处理后的图像进行高斯滤波，并计算出各个像素点的卷积值，随之对图像中的每个像素点，用其邻域内像素与高斯函数的卷积值来更新该像素点的值；
20、高斯函数如下：
21、
22、其中，g(x，y)为相应像素点的卷积值，(x，y)为相应像素点的像素坐标，σ为高斯标准差，其取值为1.4；
23、stepd1.2、使用sobel算子分别计算图像的水平方向和垂直方向的梯度tx和ty；
24、随之通过计算出图像的梯度幅值t；
25、同时通过计算出图像的方向θ；
26、stepd1.3、对梯度幅值进行非极大值抑制，将局部最大值以外的梯度值置为0。
27、stepd1.4、提取预设的高阈值tg和低阈值td，其中，tg＝2×td；
28、将梯度幅值t大于高阈值tg的像素点，定为强边缘；
29、将梯度幅值介于低阈值和高阈值之间的像素点，定为弱边缘；
30、stepd1.5、通过连接强边缘和与之相连的弱边缘，得到最终的边缘图像；
31、stepd1.6、依据最终的边缘图像，提取的边缘特征，其包括但不限于光伏板的轮廓、边缘的长度。
32、作为本专利技术进一步的方案：更新像素点的值的方式如下：
33、当对图像进行高斯滤波时，选定图像中的一个像素点(i，j)，(i，j)表示该像素点的坐标；
34、随之(i，j)为中心，并选取一个3×3的邻域；
35、然后，将该邻域内的各个像素点(m，n)的像素值与高斯函数在相应位置(m-i，n-j)的值相乘，再把所有乘积相加，得到的结果就是用邻域内像素与高斯函数卷积后的值来更新原始像素点的值；
36、在3×3的邻域中，m的取值为i-1，i，i+1中的任意一个，n的取值为j-1，j，j+1中的任意一个；
37、其公式如下：
38、式中，l1表示为用来更新原始像素点的值，lm，n表示邻域内相应像素点的像素值，gm-i，n-j表示高斯函数在相应位置的值。
39、作为本专利技术进一步的方案：采用灰度共生矩阵方法提取光伏板的纹理特征，纹理特征提取方式如下：
40、stepd2.1、将预处理后的图像的灰度值量化到预先设定的灰度级k个级别；
41、stepd2.2、选择一个位移向量(dx，dy)，计算图像中所有满足该位移向量的像素对的灰度值组合出现的次数，并得到灰度共生矩阵z(w，v)，其中w＝0、1、……k-1，v＝0、1、……k-1；
42、stepd2.3、依据灰度共生矩阵，分别计算出能量特征、对比度特征、相关性特征、熵特征。
43、作为本专利技术进一步的方案：能量特征的计算公式为：
44、
45、式中，asm表示能量特征；
46、对比度特征的计算公式为：
47、
48、式中，con表示对比度特征；
49、相关性特征的计算公式为：
50、
51、式中，cor表示相关性特征；
52、熵特征的计算公式如下：
53、式中，ent表示熵特征。
54、作为本专利技术进一步的方案：预测分析方式如下：
55、stepy1、对历史气象数据和历史光伏功率数据进行归一化处理，归一化处理方式如下：
56、将历史数据和历史光伏功率数据中一种属性的多个数据参数用q作为向量；
57、并在该属性的数据参数中选定值最大的数据参数，并将其标记qm本文档来自技高网...
【技术保护点】
1.一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，灰度化处理为将RGB三通道的图像转换为灰度图像；
3.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，其中，使用Canny边缘检测算法进行边缘特征提取，边缘特征提取方式如下：
4.根据权利要求3所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，更新像素点的值的方式如下：
5.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，采用灰度共生矩阵方法提取光伏板的纹理特征，纹理特征提取方式如下：
6.根据权利要求5所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，能量特征的计算公式为：
7.根据权利要求5所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，对比度特征的计算公式为：
8.根据权利要求5所述的一种基于图片识别的分布式光伏短期功率预测方法，其
9.根据权利要求5所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，熵特征的计算公式如下：
10.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，预测分析方式如下：
...【技术特征摘要】
1.一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，灰度化处理为将rgb三通道的图像转换为灰度图像；
3.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，其中，使用canny边缘检测算法进行边缘特征提取，边缘特征提取方式如下：
4.根据权利要求3所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，更新像素点的值的方式如下：
5.根据权利要求1所述的一种基于图片识别的分布式光伏短期功率预测方法，其特征在于，采用灰度共生矩阵方法提取光...
【专利技术属性】
技术研发人员：赵建军，孔乾坤，杨小龙，鲁浩男，王冲，高孟可，梁雨婷，
申请(专利权)人：国网冀北电力有限公司智能配电网中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。