云团运动预测方法
【技术领域】
[0001] 本发明设及图像处理和光伏功率预测技术领域，具体设及一种云团运动预测方 法，更具体地，设及一种最优化理论框架下的云团运动预测方法。
【背景技术】
[0002] 光伏发电与风力发电一样均属于波动性和间歇性电源，由于光伏发电系统受光照 强度和环境溫度等气候因素的影响，其输出功率的变化具有不确定性，输出功率的扰动将 有可能影响电网的稳定，因此，需要加强光伏发电功率预测的研究，预先获得光伏发电系统 的曰发电量曲线，从而协调电力系统制定发电计划，减少光伏发电的随机化问题对电力系 统的影响。地表福照度预测是光伏发电功率分步预测的首要环节，其准确性是保证功率预 测精度的关键。然而多云天气下的地表福照度受云团生消与运动的影响，其变化有时呈随 机、快速、剧烈等特点，严重影响了传统预测算法的精度。因此，为了提高多云天气下地表福 照度的预测精度，须对天空中的云团进行直接观测W获取相应数据，研究云团位移识别W 及运动预测的方法。
【发明内容】
[0003] 有鉴于此，本发明提供一种云团运动预测方法，W根据天空图像对云团运动进行 较为精确的预测。
[0004] 本发明的一种云团运动预测方法包括：
[0005] 在第一时刻获取第一天空图像，在第二时刻获取第二天空图像，所述第二时刻相 对于所述第一时刻滞后第一预定时间；
[0006] 获取表征所述第一天空图像中云团图像边缘的第一点集合和表征所述第二天空 图像中云团图像边缘的第二点集合；
[0007]计算所述第一点集合到所述第二点集合的距离矩阵，所述距离矩阵的元素\i为 所述第一点集合的第i个点到所述第二点集合的第j个点的距离；
[0008]W最小化云团图像边缘的所有像素点的位移距离之和且最小化云团图像边缘的 所有像素点的位移距离方差为优化目标，基于最优化算法求取位移矩阵；
[0009] 所述位移矩阵用于表征所述第一点集合与所述第二点集合的对应关系，为二值逻 辑矩阵；所述位移矩阵的元素Ei, ,值为1时表明所述第一点集合的第i个点与所述第二点 集合的第j个点相对应，所述位移矩阵的元素Ei, ,值为0时表明所述第一点集合的第i个 点与所述第二点集合的第j个点无对应关系；
[0010] 根据所述第一点集合、所述第二点集合和所述位移矩阵获取第=点集合，所述第 =点集合用于表征第=时刻云团图像边缘的预测位置，所述第=时刻相对于所述第二时刻 滞后第二预定时间。
[0011] 优选地，获取表征所述第一天空图像中云团图像边缘的第一点集合包括：
[0012] 将第一天空图像二值化获得二值化的第一天空图像；
[0013] 对二值化的第一天空图像进行平滑处理获取第一平滑图像；
[0014] 对于第一平滑图像，W预定方式遍历图像边缘像素点W获取边缘像素点坐标并计 入第一点集合，直至所有像素点被遍历或第一点集合中的点构成闭合图形，所述边缘像素 点为灰度值为0且四周至少存在一个灰度值为1的像素点。
[0015] 优选地，获取表征所述第二天空图像中云团图像边缘的第二点集合包括：
[0016] 将第二天空图像二值化获得二值化的第二天空图像；
[0017] 对二值化的第二天空图像进行平滑处理获取第二平滑图像；
[0018] 对于第二平滑图像，W预定方式遍历图像边缘像素点W获取边缘像素点坐标并计 入第二点集合，直至所有像素点被遍历或第一点集合构成闭合图形，所述边缘像素点为灰 度值为0且四周至少存在一个灰度值为1的像素点。
[0019] 优选地，所述最优化算法为遗传算法，其目标函数为：
[0020]
[002。 其中，E为所述位移矩阵，为所述位移矩阵的元素，D为所述距离矩阵，D。为所 述距离矩阵的元素，var(￡*Dj,j为巧.Diji= =l，2，...，n}中所 \ 't'j ' 'i',j ' 有不为0值的数的方差，a和P为权重系数，m为第一点集合中像素点的数量，n为第二点 集合中像素点的数量。
[0022] 优选地，所述基于最优化算法求取位移矩阵包括：
[002引 ^若61,，=1，则614,.评1,,+冲41,,+1=1，为约束条件基于遗传算法求取位移矩阵， 其中，若i=m则令i+1 = 1，若j=n则令j+1 = 1。
[0024] 优选地，基于所述第一点集合、所述第二点集合和所述位移矩阵获取第=点集合 包括：
[0025] 根据位移矩阵获取所述第一点集合和第二点集合中的像素点的对应关系；
[0026] 遍历所述第二点集合中的像素点，计算获取对应的预测像素点的位置，并将所述 预测像素点计入第=点集合；
[0027] 其中，如果第二点集合的像素点仅对应于一个第一点集合的像素点，则基于如下 公式计算预测像素点位置：
[0028]
[0029] 其中，每为第二点集合中的像素点坐标，公;为与今2对应的第一点集合中的像素 点坐标，旬为所述第=点集合中的所述预测像素点坐标，i、j、k为各像素点坐标在对应点 集合中的序号；Ati为所述第一预定时间，A12为所述第二预定时间；
[0030] 如果该第二点集合的像素点对应于至少两个第一点集合中的像素点，则基于如下 公式计算预测像素点位置：
[0031]
[003引其中，L为与对应的第一点集合的像素点的数量，瑪为与A;对应的L个第一点 集合像素点中第i个像素点的坐标，roundO为四舍五入取整函数。
[0033] 优选地，所述方法还包括：
[0034] 根据所述第=点集合生成二值化的第=天空图像W表征预测的云团边缘。
[0035] 通过先获取不同时刻的天空图像中云团边缘的像素点集合，基于预定的优化目标 通过最优化算法来求解不同时刻的天空图像中云团边缘的像素点的对应关系，基于该对应 关系W及对应的像素点的位置，对于云团图像边缘的后续运动位置进行预测。由此，可W对 于云团运动进行较为精确的预测，为光伏发电功率分钟级预测提供数据支持。
【附图说明】
[0036] 通过W下参照附图对本发明实施例的描述，本发明的上述W及其它目的、特征和 优点将更为清楚，在附图中：
[0037] 图1是本发明实施例的云团运动预测方法的流程图；
[003引图2是本发明实施例的第一天空图像和第二天空图像的示意图；
[0039] 图3是本发明实施例的第一平滑图像和第二平滑图像的示意图；
[0040] 图4是基于本发明实施例获取的第=天空图像和相同时刻实际测量的天空图像 轮廓的对比图。
【具体实施方式】
[0041]W下基于实施例对本发明进行描述，但是本发明并不仅仅限于运些实施例。在下 文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有 运些细节部分的描述也可W完全理解本发明。为了避免混淆本发明的实质，公知的方法、过 程、流程、元件和电路并没有详细叙述。
[0042] 此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且 附图不一定是按比例绘制的。
[0043] 除非上下文明确要求，否则整个说明书和权利要求书中的"包括"、"包含"等类似 词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是"包括但不限于"的含 义。
[0044] 在本发明的描述中，需要理解的是，术语"第一"、"第二"等仅用于描述目的，而不 能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，"多个"的含义 是两个或两个W上。
[0045] 在本发明中，将云团整体的非线性运动分解为构成云团集合的各个点的线性运动 的组合，通过最优化的算法求解云团边缘各点的对应关系，基于该对应关系W及已有的运 动情况来预测云团下一步的移动和变化情况。
[0046] 图1是本发明实施例的云团运动预测方法的流程图。
[0047] 如图1所示，所述云团运动预测方法包括：
[0048]步骤100、在第一时刻ti获取第一天空图像，在第二时刻12获取第二天空图像，所 述第二时刻t2相对于所述第一时刻t1滞后第一预定时间At1。
[0049] 应理解，不同时刻获取的天空图像为基于相同的位置和参数通过地基观察设备获 得，运样才有可能进行后续处理。
[0050] 所述第一天空图像和第二天空图像为灰度图像。优选地，第二时刻相对于第一时 刻的滞后时间Ati限制在10分钟W内。
[0051] 步骤200、获取表征所述第一天空图像中云团图像边缘的第一点集合Bi和表征所 述第二天空图像中云团图像边缘的第二点集合B2。
[0052] 通过对