技术摘要：
本发明公开了一种基于地基云图图像特征的光伏功率预测方法，包括：S1，基于地基云图提取光照强度、高频分量、透射率、天顶距离和云因子特征；S2、建立GBDT预测模型，将从地基云图中提取出的光照强度、高频分量、透射率、天顶距离以及云因子等图像特征作为对光伏功率影  全部
背景技术：
近年来，以太阳能为主的可再生能源越来越受到世界各国的关注和应用。其中对 太阳能资源利用的最主要方式是进行光伏发电，而太阳辐照度是影响光伏输出功率的重要 因素之一。太阳辐照度受云团运动的影响，表现出随机性和波动性，光伏输出功率因此也存 在这些性质。光伏输出功率的骤然衰减导致的爬坡事件不但损耗太阳能电池的寿命，而且 会影响主网系统的稳定运行。因此，通过对太阳辐照度的研究准确预测光伏功率对电力系 统和太阳能生产具有十分现实的意义。 光伏输出功率主要受太阳辐照度的影响，而天空中云的生成、运动以及消融会使 太阳辐照度呈现出随机性和波动性。地基云图可实时记录天空状况，因此获取地基云图的 图像特征是光伏功率准确预测的关键步骤。 但是，目前未见利用地基云图的图像特征对光伏功率进行准确预测的报导。
技术实现要素：
为克服现有技术的不足，本发明旨在利用从地基云图中获取影响太阳辐照度的图 像特征实现对光伏功率的准确预测。 为此，本发明采取以下技术方案： 一种基于地基云图图像特征的光伏功率预测方法，包括以下步骤： S1，基于地基云图提取光照强度、高频分量、透射率、天顶距离和云因子特征； S2、建立GBDT预测模型： 设训练模型的输入为训练集样本X＝{(x1,y1) ,(x2,y2) ,...,(xm,ym)}，m为样本数 量，最大迭代次数N，损失函数L(y,f(x))，输出强学习器f(x)， 1)初始化弱学习器： 式中： x为样本特征，包括步骤S1提取的光照强度、高频分量、透射率、天顶距离和云因子 特征； yi为第i个样本的实际值； c为样本均值； 2)对迭代轮数n＝1,2,...,N有： a)对样本i＝1,2,...,m，计算负梯度： 5 CN 111582555 A 说　明　书 2/6 页 b)利用(xi,rni)(i＝1,2,...,m)，拟合出第n棵回归树，其对应的叶节点区域为Rnj, j＝1,2,...,J，J为回归树n的叶节点的个数； c)对叶节点j＝1,2,...,J计算最佳拟合值： d)更新强学习器： 3)得到强学习器f(x)的表达式为； 其中，选择的损失函数为均方差损失函数，计算公式为： 式中y-f(x)为负梯度误差， 强学习器得到的f(x)即为输出的预测值。 其中，步骤S1中，根据HSV颜色空间模型，利用亮度值对光照强度的变化进行准确 评价，HSV模型各分量计算公式如下： S＝(max-min)/max V＝max(R,G,B) 其中： max＝max(R,G,B)，min＝min(R,G,B)，R、G、B为RGB模型中的红、绿、蓝三个颜色通 道的值；H为色调；S为饱和度；V为亮度。 步骤S1中，所述高频分量通过傅里叶变换提取，对于一个有限长序列{f(x)}(0≤x ≤N-1)，其傅里叶变换表示为： 式中，N表示序列的长度，u＝0,1,...,N-1，W -2πj/NN＝e 。 6 CN 111582555 A 说　明　书 3/6 页 步骤S1中，所述透射率通过何凯明去雾算法进行计算： 式中， 表示透射率的预估值；C表示R、G、B三个通道其中一个；JC表示输入图像J 的某一个颜色通道；Ω(x)是一正方形区域，其中心点为x；A是全球大气光成分；y是Ω(x)区 域中的某一点；AC为大气光成分中C对应的通道值。 步骤S1中，使用全天空成像仪和太阳中心点分别对应在地基云图中的点的像素距 离来计算天顶距离，其计算公式为： 式中，(xo,yo)表示全天空成像仪在地基云图中对应的位置，(xs,ys)表示太阳在地 基云图中对应的位置。 步骤S1中，所述云因子计算公式为： 式中，n代表选定区域中所提取的云的像素点个数，gi代表图像中某点i的灰度值， d1i代表选定区域中点i到太阳中心点的像素距离，d2i代表选定区域中点i到全天空成像仪 所对应的图像中心点的像素距离。 本发明针对全天空成像仪采集的地基云图展开研究，利用图像处理技术提取影响 太阳辐照度变化的图像特征，包含光照强度、高频分量、透射率、天顶距离以及云因子特征； 将图像特征作为输入数据，光伏功率作为输出数据，利用梯度提升决策树(GBDT，Gradient  Boosting  Decision  Tree)算法构建光伏功率预测模型，实现光伏功率的预测。 本发明具有以下有益效果： 本发明提供了一种对光伏功率进行准确预测的方法，将从地基云图中提取出的光 照强度、高频分量、透射率、天顶距离以及云因子等图像特征作为对光伏功率影响的重要特 征量，构建GBDT光伏功率预测模型，实现对光伏功率的准确预测。本方法得到的测试集的均 方根误差值在1％以下，R2值可达93％以上，其光伏功率预测结果具有较高的精度和一定的 稳定性。本发明的方法简单、易于实现，前期需要现有的地基云图采集设备和训练已有的光 伏功率数据，后期仅需地基云图采集设备以及训练好的模型即可实现光伏功率的预测。 本方法适用于使用全天空成像仪(TSI，Total  Sky  Imager)设备采集的地基云图 对光伏功率的预测。 附图说明： 图1是基于地基云图图像特征的光伏功率预测方法的流程图； 图2是云因子计算示意图； 图3是GBDT模型； 图4是本发明实施例中晴天日GBDT太阳辐照度预测结果； 图5是本发明一个实施例的GBDT光伏功率预测结果。 7 CN 111582555 A 说　明　书 4/6 页