基于最大類間方差法的天空?qǐng)D像云空識(shí)別模型

蘇 適，李紅萍，楊 洋，甄 釗，任 惠，王 飛，，孫宏斌

(1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650217；2.華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003；3.清華大學(xué) 電力系統(tǒng)及發(fā)電設(shè)備控制和仿真國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100084)

?

基于最大類間方差法的天空?qǐng)D像云空識(shí)別模型

蘇 適1，李紅萍2，楊 洋1，甄 釗2，任 惠2，王 飛2，3，孫宏斌3

(1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650217；2.華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003；3.清華大學(xué) 電力系統(tǒng)及發(fā)電設(shè)備控制和仿真國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100084)

準(zhǔn)確的云空辨識(shí)對(duì)提高光伏發(fā)電功率超短期預(yù)測(cè)精度具有重要意義。首先針對(duì)由全天空成像儀采集的一系列天空?qǐng)D像進(jìn)行預(yù)處理，然后提取樣本圖像的灰度矩陣，最后根據(jù)所提取的灰度矩陣建立基于最大類間方差法的天空?qǐng)D像云空識(shí)別模型。為驗(yàn)證本文提出的云空辨識(shí)模型的有效性，利用云南地區(qū)光伏電站中全天空成像儀(Total Sky Imager, TSI)采集的圖像進(jìn)行測(cè)試驗(yàn)證，與固定閾值法處理效果對(duì)比的結(jié)果表明，在復(fù)雜天氣情況下面對(duì)不同分布特性的云團(tuán)，本文提出的基于最大類間方差法的云空辨識(shí)模型更為準(zhǔn)確、高效。

最大類間方差；云空識(shí)別；TSI；灰度圖像

0 引 言

光伏電站發(fā)電功率因受諸多氣象因素和環(huán)境因素影響而呈現(xiàn)出固有的隨機(jī)性和波動(dòng)性，大規(guī)模光伏發(fā)電接入電網(wǎng)會(huì)給系統(tǒng)的功率平衡和電網(wǎng)安全運(yùn)行帶來(lái)挑戰(zhàn)。因此，亟需對(duì)并網(wǎng)型光伏電站進(jìn)行輸出功率的精確預(yù)測(cè)，這將更加有利于電網(wǎng)調(diào)度決策，有利于保障電網(wǎng)安全和經(jīng)濟(jì)運(yùn)行[1]。目前，已有多篇文獻(xiàn)對(duì)光伏電站功率預(yù)測(cè)算法展開(kāi)了研究，例如文獻(xiàn)[2]對(duì)功率預(yù)測(cè)的方法進(jìn)行綜述，文獻(xiàn)[3]中采用基于遺傳算法進(jìn)行光伏發(fā)電功率預(yù)測(cè)。但是，光伏發(fā)電系統(tǒng)的輸出功率在很大程度上取決于光伏面板所能接收到的太陽(yáng)輻射量，容易受到天氣因素的影響，造成其輸出功率不穩(wěn)定且難以預(yù)測(cè)[4]。光伏發(fā)電超短期預(yù)測(cè)由于無(wú)法捕捉因云團(tuán)瞬時(shí)遮擋造成輸出功率的瞬時(shí)大幅度波動(dòng),導(dǎo)致預(yù)測(cè)精度有限，而已有文獻(xiàn)在相關(guān)研究方面仍有所欠缺。因此需要針對(duì)天空云團(tuán)進(jìn)行觀測(cè)以獲得相應(yīng)數(shù)據(jù)，并對(duì)云團(tuán)的運(yùn)動(dòng)過(guò)程進(jìn)行識(shí)別、追蹤以及預(yù)測(cè)，從而分析云團(tuán)運(yùn)動(dòng)對(duì)光伏發(fā)電功率的影響。地基天空?qǐng)D像是一種有效的云團(tuán)觀測(cè)手段，能夠提供云團(tuán)的形狀、位置以及類型等多種信息。為了實(shí)現(xiàn)對(duì)天空?qǐng)D像中的云團(tuán)信息的有效提取與分析，準(zhǔn)確的云空辨識(shí)是非常必要的。文獻(xiàn)[5]利用TSI-440全天空成像儀和輻射計(jì)的測(cè)量數(shù)據(jù)，通過(guò)云圖像素的紅藍(lán)比閾值分割進(jìn)行云識(shí)別，再利用交叉相關(guān)法得到云運(yùn)動(dòng)矢量，實(shí)現(xiàn)輻照度的分鐘級(jí)預(yù)測(cè)。文獻(xiàn)[6]基于TSI全天空成像儀，對(duì)影響太陽(yáng)直接輻射的云團(tuán)路徑進(jìn)行預(yù)測(cè)從而實(shí)現(xiàn)輻照度的預(yù)測(cè)。國(guó)內(nèi)在此領(lǐng)域的研究尚處起步階段，主要集中于地基云圖云空辨識(shí)。

進(jìn)行云空辨識(shí)多采用閾值分割技術(shù)，其基本原理為：針對(duì)灰度圖像，通過(guò)設(shè)定特定的灰度閾值，將構(gòu)成圖像的各個(gè)像素點(diǎn)按灰度劃分成若干類，從而達(dá)到圖像分割的效果。該方法的關(guān)鍵在于尋找合適的閾值，目前閾值選取的方法非常多，包括迭代法、最小誤差法、最大類間方差法[7]等。文獻(xiàn)[8]對(duì)RGB圖像進(jìn)行處理選取紅藍(lán)波段比值0.6為分割閾值，即大于0.6為云，小于0.6為天空。文獻(xiàn)[9]用不同的紅藍(lán)波段比值閾值0.77進(jìn)行云提取，較選取閾值為0.6可以獲得更好的云檢測(cè)效果。上述這種單一閾值法對(duì)光學(xué)厚度較大的云檢測(cè)效果較好，而對(duì)于光學(xué)厚度較薄的云層并不適用，且此方法識(shí)別云在高能見(jiàn)度大氣條件下具有較高的準(zhǔn)確性以及判斷效率，但在低能見(jiàn)度條件下，這一方法將受氣溶膠增多影響,局限性越來(lái)越明顯。因此，使用閾值分割技術(shù)對(duì)全天空?qǐng)D像進(jìn)行云空辨識(shí)需要建立一種自適應(yīng)算法以滿足不同天氣情況下的云空辨識(shí)要求。同時(shí)，由于對(duì)云空辨識(shí)結(jié)果缺乏統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，因此很難對(duì)辨識(shí)結(jié)果的優(yōu)劣進(jìn)行說(shuō)明，這是云空辨識(shí)面對(duì)的一個(gè)巨大難題與挑戰(zhàn)。

本文采用的最大類間方差法(Otsu算法)應(yīng)用廣泛。文獻(xiàn)[10]將最大類間方差法應(yīng)用于汽車牌照識(shí)別，把牌照?qǐng)D像空間分布特性與最大類間方差的統(tǒng)計(jì)特性有機(jī)結(jié)合，大大加快了最大類間方差模式分類速度。文獻(xiàn)[11]和文獻(xiàn)[12]分別改進(jìn)了這種方法。本文通過(guò)對(duì)真彩圖像灰度矩陣的提取，使用Otsu算法選取灰度圖像的最優(yōu)閾值。用最優(yōu)閾值分割圖像，白色標(biāo)記目標(biāo)區(qū)域的云，黑色標(biāo)記背景區(qū)域的天空,并用此圖像為光伏發(fā)電功率預(yù)測(cè)做好準(zhǔn)備。

1 基本方法

本文首先使用地基天空觀測(cè)設(shè)備全天空成像儀Total Sky Imager VIS-J1006采集實(shí)時(shí)天空彩色圖像，Total Sky Imager VIS-J1006是EKO Instruments公司研制的自動(dòng)、全彩色天空成像系統(tǒng)，能夠滿足各種天氣下對(duì)局部地區(qū)天空的觀測(cè)需要[13]，然后將樣本圖像的灰度矩陣，最后根據(jù)所提取的像素點(diǎn)特征建立基于最大類間方差法的天空?qǐng)D像云空識(shí)別模型。圖1為T(mén)SI-VIS-J1006的外觀及其所拍攝的原始天空?qǐng)D像示例。該設(shè)備使用最新的攝云機(jī)Total Sky Camera J1006拍攝天空?qǐng)D像，此攝云機(jī)使用魚(yú)眼鏡頭和專用的數(shù)字圖像處理器。在攝云機(jī)上有一半球形遮光屏，用于避免陽(yáng)光直射入鏡頭，起到保護(hù)TSI的作用。

圖1 TSI及其所拍攝的原始天空?qǐng)D像Fig.1 TSI and the original sky images taken by TSI

2 基于Otsu算法的云空辨識(shí)方法

2.1 圖像預(yù)處理處理

本文首先使用地基天空觀測(cè)設(shè)備采集實(shí)時(shí)天空彩色圖像，并對(duì)圖像進(jìn)行形變矯正、灰度化以及圖像增強(qiáng)等預(yù)處理操作得到預(yù)處理圖像，然后提取預(yù)處理圖像灰度矩陣。TSI-VIS-J1006系統(tǒng)內(nèi)置軟件可實(shí)現(xiàn)對(duì)所拍攝圖像的形變矯正與太陽(yáng)位置標(biāo)識(shí)等操作。為了提高提取結(jié)果的精確度，在對(duì)圖像進(jìn)行云提取之前，需要對(duì)這些圖像進(jìn)行對(duì)比度增強(qiáng)處理。對(duì)比度指的是一幅圖像中明暗區(qū)域最亮的白和最暗的黑之間不同亮度層級(jí)的測(cè)量，即一幅圖像灰度反差的大小。本文采用灰度變換的方法增強(qiáng)對(duì)比度?；叶茸儞Q增強(qiáng)對(duì)比度不改變?cè)瓐D像中像素的位置，只改變像素點(diǎn)的灰度值，并逐點(diǎn)進(jìn)行，和周圍其他的像素點(diǎn)無(wú)關(guān)。假設(shè)一幅圖像的灰度值主要集中在70～150之間，則圖像是比較模糊的。若能將70～150的灰度值均勻的分布在0～255之間，圖像會(huì)變得清晰。同時(shí)將小于70的灰度值賦值為0；大于150的灰度值賦值為255。MATLAB軟件中提供可以獲取最佳輸入?yún)^(qū)間stretchlim的函數(shù)，使得圖像對(duì)比度最大。

若地基天空?qǐng)D像中太陽(yáng)光線較強(qiáng)，周圍天空在強(qiáng)光的影響下顏色變淺，極易被錯(cuò)誤辨識(shí)為云。因此在進(jìn)行對(duì)比度增強(qiáng)處理前，需要計(jì)算與天空?qǐng)D像拍攝時(shí)間相匹配的太陽(yáng)位置坐標(biāo)，將天空?qǐng)D像中太陽(yáng)所在區(qū)域去除，以解決太陽(yáng)強(qiáng)光對(duì)云空辨識(shí)精確度的影響。

2.2 Otsu算法原理

最大類間方差法是在灰度直方圖的基礎(chǔ)上采用最小二乘法的原理推導(dǎo)出來(lái)的，具有統(tǒng)計(jì)意義上的最佳分割。它的基本原理是以最佳閾值將圖像的灰度分割成兩部分，使兩部分之間的方差最大，即具有最大的分離性。其基本思想如下：

設(shè)f(x,y)為圖像IM*N于(x,y)處的灰度值，灰度級(jí)為L(zhǎng)，則f(x,y)∈[0,L-1]。若灰度級(jí)i所有的像素個(gè)數(shù)為fi，則第i等級(jí)出現(xiàn)的概率為

其中i=0,1,2，…,L-1并且

將圖像中的像素值用閾值t劃分為兩類，即背景C0和目標(biāo)C1。背景C0的灰度級(jí)為0到t-1，目標(biāo)C1的灰度等級(jí)為t到L-1。背景區(qū)域C0對(duì)應(yīng)的像素是{f(x，y)

背景C0部分出現(xiàn)的概率為

背景C1部分出現(xiàn)的概率為

其中ω0+ω1=1，背景C0部分的平均灰度值為

目標(biāo)C1部分的平均灰度值為

約翰·克里1984年代表馬薩諸塞州當(dāng)選聯(lián)邦參議員，20年后在黨內(nèi)初選中幾乎所向披靡，尤其是在3月份的“超級(jí)星期二”，一天內(nèi)拿下10個(gè)州的初選，順利獲得民主黨候選人提名。然后，在最后與時(shí)任總統(tǒng)布什的對(duì)決中，還是以微弱劣勢(shì) (252：286)輸給了布什。

圖像總的平均灰度值為

圖像中背景和目標(biāo)的類間方差為

令t取值從0到L-1變化，計(jì)算不同t值下的類間方差δ2(t)，使得δ2(t)最大時(shí)的灰度等級(jí)t為最優(yōu)閾值k。Otsu算法處理地基云圖，通過(guò)選取最優(yōu)閾值k，將處理圖像像素值大于k的區(qū)域顯示白色，像素值小于等于k的區(qū)域顯示黑色。這樣就實(shí)現(xiàn)了地基天空?qǐng)D像中云的提取，提取結(jié)果中云為白色，天空為黑色。Otsu算法的通過(guò)最優(yōu)閾值將灰度級(jí)分為兩類，用此算法處理少云、多云類型的地基天空?qǐng)D像時(shí)因云空像素點(diǎn)數(shù)量的不平衡導(dǎo)致辨識(shí)結(jié)果誤差很大。因此，使用Otsu算法處理少云、多云類型的地基天空?qǐng)D片時(shí)，需在預(yù)處理圖像左側(cè)添加一幅附加圖像以降低云空像素點(diǎn)數(shù)量偏差較大導(dǎo)致的云空辨識(shí)誤差。

3 仿 真

3.1 數(shù) 據(jù)

本文天空?qǐng)D像數(shù)據(jù)由云南某光伏電站的TSI-VIS-J1006設(shè)備采集，并進(jìn)行形變矯正及太陽(yáng)位置的標(biāo)識(shí)，然后使用MATLAB中imadjust函數(shù)進(jìn)行圖像增強(qiáng)操作，該函數(shù)將預(yù)處理圖像的灰度值均勻的分布在0至255之間，所得圖像預(yù)處理結(jié)果示例如圖2所示，圖中黑色圓形區(qū)域?yàn)樘?yáng)所在位置。

圖2 圖像預(yù)處理結(jié)果示例Fig.2 Example of image processing result

3.2 仿真計(jì)算

圖3 附加圖像Fig.3 Additional images

為驗(yàn)證所提出算法的有效性，本文從云南地區(qū)2015年7月22日至8月16日地基天空?qǐng)D像中選取的每種類型的地基天空?qǐng)D像各50幅進(jìn)行云空辨識(shí)。在本文中每種類型的地基天空?qǐng)D像選只選取較有代表性的仿真示例。圖4(a)-(b)是少云類型的地基天空?qǐng)D像。圖4(a)中無(wú)云，是少云類型地基天空的特例。圖4(c)是云量適中類型的地基天空?qǐng)D像。圖4(d)-(e)是多云類型的地基天空?qǐng)D像。圖4(e)中全部為云，是多云類型地基天空?qǐng)D像的特例。

3.3 結(jié)果分析

圖4(a2)-(e2)分別為圖4(a1)-(e1)的云空辨識(shí)結(jié)果圖。在圖4(a2)-(e2)中，白色區(qū)域?yàn)闄z測(cè)出的云，圓內(nèi)黑色區(qū)域?yàn)樘炜铡D4(a2)準(zhǔn)確的檢測(cè)出圖4(a1)中的全部天空，圖4(e2)準(zhǔn)確的檢測(cè)出圖4(e1)中的全部的云，此處理結(jié)果表明：Otsu算法處理無(wú)云類型天空?qǐng)D像和全部為云類型的天空?qǐng)D像時(shí)，由于附加圖像的作用平衡了云空像素?cái)?shù)差，使云空辨識(shí)結(jié)果較理想。

圖4 預(yù)處理圖像及云空辨識(shí)結(jié)果Fig.4 Processed images and results of cloud identification

圖4(b2)-(d2)分別為圖4(b1)-(d1)的云空辨識(shí)結(jié)果圖。對(duì)比預(yù)處理圖像圖4(b1)-(d1)和云空辨識(shí)圖像圖4(b2)-(d2)可以發(fā)現(xiàn)：圖4(b2)-(d2)均不同程度的出現(xiàn)將天空錯(cuò)誤辨識(shí)為云和漏檢云兩種情況的云空辨識(shí)誤差。圖4(b)-(d)中由于薄云云量較少，在灰度矩陣中表現(xiàn)為薄云像素?cái)?shù)量少，且在預(yù)處理圖像中薄云灰度值與藍(lán)天灰度值比較接近，造成Otsu算法計(jì)算的分割閾值偏高從而漏檢少量薄云。圖4(b2)-(d2)出現(xiàn)將天空錯(cuò)誤辨識(shí)為云的情況是由于Otsu算法計(jì)算出的分割閾值較低，而錯(cuò)誤辨識(shí)為云的天空部分的灰度值偏高,因此出現(xiàn)誤檢的情況。

Otsu算法通過(guò)選取最優(yōu)閾值分割地基天空?qǐng)D像，此閾值能使類間方差最大，但不一定能得到最理想的云空辨識(shí)效果。在處理少云類型天空?qǐng)D像和多云類型天空?qǐng)D像時(shí)由于選擇的附加圖像的固定性，導(dǎo)致不能對(duì)全部少云類型天空?qǐng)D像和多云類型天空?qǐng)D像均產(chǎn)生較理想的云空辨識(shí)效果。

4 算法對(duì)比

將Otsu算法與文獻(xiàn)[9]中提到的以紅藍(lán)波段比值0.77作為固定閾值進(jìn)行云空辨識(shí)的方法進(jìn)行比較。本文對(duì)上述圖4(a1)-(e1)以紅藍(lán)波段比值0.77為全局固定閾值的云空辨識(shí)結(jié)果如圖5(a)-(e)。圖5(a)準(zhǔn)確的檢測(cè)出圖4(a)中的云；圖5(e)準(zhǔn)確的檢測(cè)出圖4(e)中全部的天空。圖5(b)-(d)均存在不同程度的誤檢和漏檢，與Otsu算法的云空辨識(shí)結(jié)果中出現(xiàn)的問(wèn)題相同。在云空辨識(shí)結(jié)果的評(píng)價(jià)體系當(dāng)中，由于缺乏統(tǒng)一的云空辨識(shí)結(jié)果的評(píng)判標(biāo)準(zhǔn)造成對(duì)辨識(shí)結(jié)果分析對(duì)比的困難。目前，云空辨識(shí)效果的評(píng)價(jià)主要還是以人為觀測(cè)結(jié)果為基準(zhǔn)，在此基準(zhǔn)的基礎(chǔ)上通過(guò)對(duì)比基準(zhǔn)圖與辨識(shí)結(jié)果圖的云覆蓋百分比來(lái)判定分割算法的優(yōu)劣。本文采用在圖4(b1)-(d1)的原圖中手動(dòng)畫(huà)出人眼觀測(cè)的云空邊界線，并以此邊界線作為云空辨識(shí)的評(píng)價(jià)基準(zhǔn)線。然后使用邊緣檢測(cè)方法Roberts算子分別提取圖4(b2)-(d2)和圖5(b)-(d)各辨識(shí)結(jié)果的云空邊界線，并與基準(zhǔn)圖疊加得到對(duì)比圖。圖6(a-c)為4(b1)-(d1)分別為少云、中云、多云類型的Otsu算法和固定閾值法辨識(shí)結(jié)果的對(duì)比圖。圖中平滑的白色粗線為人為觀測(cè)的云空邊界基準(zhǔn)線，白色細(xì)線為Otsu算法辨識(shí)結(jié)果的云空邊界線，白色較粗的虛線為固定閾值0.77云空辨識(shí)結(jié)果的云空邊界線。另外，本文采用云覆蓋百分比(云覆蓋百分比=辨識(shí)為的云像素個(gè)數(shù)/天空?qǐng)D像總像個(gè)數(shù))對(duì)比兩種方法處理地基天空?qǐng)D像所得云空辨識(shí)結(jié)果，對(duì)比結(jié)果如表1所示。利用表2對(duì)比了兩種算法云空辨識(shí)結(jié)果的異同。云空辨識(shí)結(jié)果的一致性是指用Otsu算法和固定閾值0.77進(jìn)行云空辨識(shí)所得結(jié)果中共同辨識(shí)為云或辨識(shí)為天空像素總個(gè)數(shù)。兩種方法的一致性用一致性百分比表示(一致性百分比為分類相同像素總個(gè)數(shù)比天空?qǐng)D像總像個(gè)數(shù))。云空辨識(shí)結(jié)果的差異性是指用Otsu算法辨識(shí)為云的像素點(diǎn)在固定閾值的處理結(jié)果中卻辨識(shí)為天空和用Otsu算法辨識(shí)為天空的像素點(diǎn)在固定閾值的處理結(jié)果中卻辨識(shí)為云的像素點(diǎn)總個(gè)數(shù)。這一差異性用差異性百分比表示(差異性百分比為分類不同像素總個(gè)數(shù)比天空?qǐng)D像總像個(gè)數(shù))。

圖5 閾值法云空辨識(shí)結(jié)果Fig.5 Results of the threshold method for cloud identification

圖像編號(hào)Otsu算法固定閾值圖4(a)0%0%圖4(b)12.17%10.02%圖4(c)50.97%70.17%圖4(d)88.49%96.21%圖4(e)100%100%

表2 云空辨識(shí)結(jié)果異同性對(duì)比

Tab.2 Comparison of the differences in the results of cloud identification

圖像編號(hào)一致性差異性圖4(a)100%0%圖4(b)96.90%3.10%圖4(c)81.48%18.52%圖4(d)92.56%7.44%圖4(e)100%0%

圖6 對(duì)比圖Fig.6 Contrast images

由表1和表2中的數(shù)據(jù)可以看出，對(duì)于少云和多云類型的天空?qǐng)D像，Otsu算法和固定閾值法處理結(jié)果相差無(wú)幾，在處理云量適中類型的地基天空?qǐng)D像時(shí)兩種算法的差別最大。但是由圖6(a)和圖6(c)中可以觀察到Otsu算法的處理結(jié)果比固定閾值的處理結(jié)果更接近云空邊界的基準(zhǔn)線。對(duì)于云量適中類型的的地基天空?qǐng)D像，Otsu算法檢測(cè)出的云覆蓋百分比為50.97%，固定閾值法檢測(cè)出的云覆蓋百分比為70.17%，兩者相差19.2%，二者差異性達(dá)到18.52%。將圖4(c2)和圖5(c)與圖4(c1)對(duì)比得出使用Otsu算法進(jìn)行云空辨識(shí)所得結(jié)果與實(shí)際圖像的云空劃分較為接近，而固定閾值將圖4(c)中大部分的天空誤辨識(shí)為云。這一對(duì)比結(jié)果從圖6(b)中明顯的觀察出。

對(duì)比少云、云量適中、多云類型天空?qǐng)D像使用Otsu算法和固定閾值法進(jìn)行云空辨識(shí)的結(jié)果可以發(fā)現(xiàn)，固定閾值法由于所選分割閾值的固定性很難實(shí)現(xiàn)各類型天空?qǐng)D像較準(zhǔn)確的云空辨識(shí)效果。而Otsu算法針對(duì)每一幅預(yù)處理的地基天空?qǐng)D像以類間方差最大為目標(biāo)選取分割閾值，改善了采用固定閾值的缺陷。在提取效率方面，Otsu算法計(jì)算閾得到云空辨識(shí)結(jié)果的時(shí)間與采用0.77為閾值到云空辨識(shí)結(jié)果的時(shí)間相差無(wú)幾，效率相當(dāng)。綜上所述，Otsu算法與以紅藍(lán)波段比0.77為固定閾值的云空辨識(shí)方法相比，固定閾值提取效果較差，誤檢率偏高而Otsu算法能更高效更準(zhǔn)確的將云從天空?qǐng)D像中提取出來(lái)。

5 結(jié) 論

本文提出了基于最大類間方差的云空辨識(shí)方法，通過(guò)對(duì)比Otsu算法與固定閾值法的云空辨識(shí)結(jié)果、分析各自的優(yōu)缺點(diǎn)可以得出：Otsu算法處理地基天空?qǐng)D像取得較好的效果。但是，由于多云和少云類型的地基天空?qǐng)D像中云空像素不平衡，需在預(yù)處理圖像右側(cè)添加附加圖像后計(jì)算分割閾值。這一處理方式具有一定的局限性，對(duì)所有少云、多云類型的地基天空?qǐng)D像進(jìn)行處理不一定都能得到理想的云空辨識(shí)效果。如何解決這一問(wèn)題將是我進(jìn)一步的研究工作。

[1] 陳志寶，丁杰，周海，等. 地基云圖結(jié)合徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的光伏功率超短期預(yù)測(cè)模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2015,35(3):561-567.

[2] 錢振，蔡世波，顧宇慶，等.光伏發(fā)電功率預(yù)測(cè)方法研究綜述[J].機(jī)電工程，2015, 32(5): 651-659.

[3] 葉林，陳鄭，趙永寧，等.基于遺傳算法-模糊徑向基神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型[J].電力系統(tǒng)自動(dòng)化，2015, 39(16): 16-22.

[4] 朱想，居蓉蓉，程序，等. 組合數(shù)值天氣預(yù)報(bào)與地基云圖的光伏超短期功率預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)化,2015,39(6):4-10.

[5] 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.

[6] MARQUEZ R，COIMBRA C F M.Intra-hour DNI forecasting based on cloud tracking image analysis[J].Solar Energy，2013，91(3)：327-336.

[7] 楊丹，趙海斌，龍哲，等. MATLAB圖像處理實(shí)例詳解[M]. 北京:清華大學(xué)出版社，2015.

[8] LONG C N, SABBURG J M, CALBJ, et al. Retrieving cloud characteristics from ground-based daytime color all sky images[J]. Journal of Atmospheric & Oceanic Technology, 2006, 23(5): 633-652.

[9] KREUTER A, ZANGERL M, SCHWARZMANN M, et al. All-sky imaging: A simple, versatile system for atmospheric research[J].Change,2009,48(6):1091-1097.

[10] 張引. 基于空間分布的最大類間方差牌照?qǐng)D像二值化算法[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版),2001,35(3):42-45.

[11] 黃慶華. 紅外圖像處理算法的研究[D].西安：西安科技大學(xué),2008.

[12] ZHU Qijian, JING Liqiu, BI Rongsheng. Exploration and improvement of Otsu threshold segmentation algorithm [C]. Proceedings of the 8th World Congress on Intelligent Control and Automation. Jinan, 2010: 6183-6188.

[13] 朱想，周海，丁杰，等.全天空云圖圖像復(fù)原算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，6(26)： 896-902.

Cloud Identification Model for Sky Images Based on Otsu

SU Shi1, LI Hongping2, YANG Yang1, ZHEN Zhao2, REN Hui2, WANG Fei2,3, SUN Hongbin3

(1. Electric Power Research Institute of Yunnan Power Grid Co., Ltd., Kunming 650217, China; 2. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Baoding 071003, China;3. State Key Laboratory of Control and Simulation of Power System and Generation Equipments, Tsinghua University, Beijing 100084, China)

Accurate cloud identification is of great significance for increasing the accuracy of the ultra-short-term photovoltaic power forecast. Firstly, a series of sky images were pre-processed collected by Total Sky Imager (TSI). Secondly, the grayscale matrix of the sample image was extracted. Finally, based on the grayscale matrix, the sky image cloud identification model was established by using the Otsu method. In order to verify the effectiveness of the proposed method, we tested the image collected by TSI of PV power station in Yunnan Province and the results were compared with that of fixed threshold method. The results show that the cloud identification model based on Otsu in this paper can identify the sky and cloud more efficiently and accurately under complex weather conditions while facing different cloud clusters.Key words：Otsu; cloud identification; TSI; gray image

10.3969/j.ISSN.1007-2691.2016.05.06

2015-11-20.

國(guó)家自然科學(xué)基金項(xiàng)目(51577067，51277075)；國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)項(xiàng)目(2013CB228200)；北京市自然科學(xué)基金項(xiàng)目(3162033)；河北省自然科學(xué)基金項(xiàng)目(E2015502060)；河北省科技支撐計(jì)劃重點(diǎn)項(xiàng)目(12213913D)；新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題(LAPS15009, LAPS16007)；中央高?；究蒲袠I(yè)務(wù)費(fèi)重點(diǎn)項(xiàng)目(2014ZD29, 2015XS108)；云南電網(wǎng)有限責(zé)任公司科技項(xiàng)目(K-YN2014-129).

TM615

A

1007-2691(2016)05-0036-07

蘇適(1972-)，男，高級(jí)工程師，研究方向?yàn)楣夥l(fā)電功率預(yù)測(cè)等。