(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210976310.1 (22)申请日 2022.08.15 (71)申请人 山东电力建 设第三工程有限公司 地址 266100 山东省青岛市崂山区同安路 882-1号鸿泰大厦 (72)发明人 谢宇　代增丽　王仁宝　宋秀鹏　 韩兆辉　王东祥　李涛　江宇　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 专利代理师 赵梅 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/507(2017.01) G06T 7/80(2017.01) G06N 20/00(2019.01) (54)发明名称 一种全场精细化DN I预测方法 (57)摘要 本发明涉及塔式光热站技术领域， 具体地 说， 涉及一种全场精细化DNI预测方法。 使用至少 两个全天空成像仪来确定云的实际位置， 再根据 太阳角来确定阴影位置； 通过云的成像亮度来确 定云的厚度， 进而预测DNI值； 具体包括如下步 骤： 云识别， 云图像速度计算， 云实际位置计算， 云/阴影实际速度计算， 阴影位置预测， 云厚度提 取， DNI映射， DNI预测。 本发明设计采用至少两个 全天空成像仪或针孔相机来进行DNI预测操作， 整体方法清晰明了、 预测精度较高； 可 以准确预 测镜场每一个具体位置的DNI变化， 塔式光热站 运行过程中只需要操作DNI剧烈变化区域的定日 镜就可以避免损伤吸热器， 同时保持其它定日镜 的正常工作， 提高发电效率。 权利要求书5页 说明书14页 附图3页 CN 115423758 A 2022.12.02 CN 115423758 A 1.一种全场精细化DNI预测方法， 其特征在于： 使用至少两个全天空成像仪来确定云的 实际位置， 再根据太阳角来确定阴影位置； 通过云的成像亮度来确定云的厚度， 进而预测 DNI值； 具体包括如下步骤： S1、 云识别： 在全天空成像仪的图像中准确识别云团； S2、 云图像速度计算： 采用Farneback 算法计算每 个云像素点的速度大小和方向； S3、 云实际位置计算： 以其中一个全天空成像仪的坐标系为标准， 通过计算指定点与两 个全天空成像仪中的距离关系来确定云实际位置； S4、 云/阴影实际速度计算： 由步骤S2可知云上一点的图像速度， 通过确认云上的相同 点， 由步骤S 3计算两个不同时刻的云上同一点的坐标， 并证明阴影速度与云速度是相同的， 从而得出云/阴影实际速度； S5、 阴影位置预测： 通过计算不同时间段阴影点的坐标变化来预测一段时间后的阴影 位置， 进而确定阴影下哪些定日镜会被遮挡； S6、 云厚度提取： 采用机器学习方法对采集的红蓝比、 云 ‑太阳的图像距离、 太阳高度角 数据进行拟合， 得出云厚与红蓝比、 云 ‑太阳的图像距离、 太阳高度角之 间的函数关系， 得到 拟合模型后， 即可用其预测云厚； S7、 DNI映射： 使用机器学习方法对云厚和太阳高度角进行拟合， 通过辐照计测量获得 DNI值， 得到拟合模型后即可用其预测DN I； S8、 DNI预测： 采用步骤S5预测的阴影位置， 步骤S6得到 的云厚或者红蓝比、 云 ‑太阳的 图像距离、 太阳高度角， 结合 步骤S7得到的映射关系来预测当前 阴影位置的DN I值。 2.根据权利 要求1所述的全场精细化DNI预测方法， 其特征在于： 所述S1云识别中， 在全 天空成像仪的图像中准确识别云团的具体方法为： 首先， 在全天空图像中蓝天表现为蓝色通道灰度值较大， 红色通道灰度值较小； 厚云则 表现为蓝色通道灰度值和红色通道灰度值相 差不大； 薄云往往介于两者之间； 因此可以根 据物体在红蓝通道不同的表现来判断是否为薄 云、 厚云及蓝天； 其次， 采用通道比值的阈值判断方法， 先设定三个 阈值， 当红蓝比小于第 一阈值认为是 蓝天， 大于第一阈值且小于第二阈值为薄云， 大于第二阈值为厚云， 三通道均值大于第三阈 值为太阳； 其中， 三个阈值可以通过采集天空数据 统计确定， 厚云、 薄云的认定以人为标定 为准； 同时， 云识别判断的方法包括但不 限于通道比值的阈值判断方法、 机器学习方法或深 度学习方法， 且多个方法彼此之间可以结合； 此外， 还需要考虑晴天背景拟合， 采用背景扣除进行太阳区域的云检测， 用于避 免图像 中太阳附近被识别成云团。 3.根据权利要求2所述的全场精细化DNI预测方法， 其特征在于： 所述S2云图像速度计 算中， 采用Farneback 算法计算每 个云像素点的速度大小和方向具体如下： 首先， 将图像进行灰度化处理： 将图像进行线性变换， 转换为HSV颜色空间， 使用该颜色 空间的亮度维度V作为灰度信息， 即： V＝max(R,G,B)； 其中， R、 G、 B分别代 表RGB颜色空间中的红、 绿、 蓝三色的亮度值； 然后， 将图像像素点的灰度值看成是一个二维变量的函数f(x,y)， 以感兴趣 的像素点权　利　要　求　书 1/5 页 2 CN 115423758 A 2为中心， 构建一个局部坐标系， 对函数进行二项 展开， 表示 为： f(x,y)＝f(x)＝xTAx+bTx+c； 式中， x为二维列向量， A为2 ×2的对称矩阵， b为2 ×1的矩阵， f(x)与f(x,y)等价， 表示 像素点的灰度值， c表示二次展开的常数项； 如果这个像素点移动了， 整个多项式就会发生 变化， 位移为d； 位移前后A不变， 则变化前后分别表示 为 f1(x)＝xTAx+b1Tx+c1； f2(x)＝xTAx+b2Tx+c2； 其中， b1和b2分别表示变化前后的2 ×1矩阵， c1和c2分别表示变化前后的常数项； 从而得到约束条件： Ad＝Δb； 其中， 最后， 建立目标函数： ‖Ad ‑b‖2， 通过最小化目标函数求解出位移d， 位移d除以发生位移 的时间就是速度矢量。 4.根据权利要求3所述的全场精细化DNI预测方法， 其特征在于： 所述S3云实际位置计 算中， 具体算法如下： 设两个全天空成像仪均带有鱼眼相机， 两个相机分别 命名为相机1和相机2， 以相机1坐 标系为标准， 相机2的坐标为(xcam,ycam2,0)； 则相机1坐标系下某一指定点(x,y,z)在相机2 坐标系下为(x ‑xcam,y‑ycam2,z)； 点(x,y,z)在相机1中投影为： 其中， u、 v分别是相机1的图像横纵坐标， fx、 fy分别是相机的x和y方向的焦距， d是相机1 与点(x,y,z)的距离； 同时， 点(x,y,z)在相机2中投影为： 其中， u2、 v2分别是相机1的图像横纵坐标， fx、 fy分别是相机的x和y方的焦距， d2是相机2 与点(x,y,z)的距离； 进 而： 若该点与两相机的距离远大于相机间距离， 则可以认为d≈d2， 则： 同理有： 进而可以迭代求 解， 具体求 解过程为：权　利　要　求　书 2/5 页 3 CN 115423758 A 3