塔式太陽(yáng)能聚熱發(fā)電系統(tǒng)鏡場(chǎng)天空云運(yùn)動(dòng)估計(jì)研究

李軍，張鵬，聶立，趙躍，劉涵

（1.青海寧北發(fā)電有限責(zé)任公司唐湖分公司，青海海北 810299；2.西安理工大學(xué)自動(dòng)化與信息工程學(xué)院，陜西西安 710048；3.東方電氣集團(tuán)東方鍋爐股份有限公司，四川自貢 643001）

太陽(yáng)能是地球上一切能源的源泉，隨著技術(shù)的進(jìn)步人們對(duì)能源的需求量越來越大，因此對(duì)太陽(yáng)能的開發(fā)利用顯得極為緊迫。太陽(yáng)能發(fā)電技術(shù)主要分為光伏發(fā)電與聚熱發(fā)電兩種[1]。光伏發(fā)電由于在生產(chǎn)電池時(shí)所用的金屬對(duì)環(huán)境污染大且難于并網(wǎng)、無法持續(xù)發(fā)電等缺點(diǎn)導(dǎo)致其逐漸被聚熱發(fā)電系統(tǒng)所替代。太陽(yáng)能聚熱發(fā)電系統(tǒng)相對(duì)于光伏系統(tǒng)具有可持續(xù)發(fā)電、污染小、能效高等優(yōu)點(diǎn)。

太陽(yáng)能聚熱發(fā)電系統(tǒng)分為塔式、槽式、碟式三種，其中塔式系統(tǒng)具有聚光比大、使用壽命長(zhǎng)等優(yōu)點(diǎn)目前被廣泛應(yīng)用。塔式太陽(yáng)能熱發(fā)電系統(tǒng)主要由定日鏡場(chǎng)、吸熱器、儲(chǔ)熱系統(tǒng)、汽輪機(jī)和發(fā)電機(jī)5個(gè)部分組成[2]。工作時(shí)通過定日鏡將太陽(yáng)光線反射到吸熱器上，吸熱器內(nèi)部的熱導(dǎo)介質(zhì)吸收太陽(yáng)能并產(chǎn)生蒸汽，然后蒸汽推動(dòng)汽輪機(jī)發(fā)電，當(dāng)吸熱器內(nèi)部溫度變化過快時(shí)會(huì)產(chǎn)生較大的熱應(yīng)力[3]。對(duì)于鏡場(chǎng)而言，云層的遮擋是導(dǎo)致輻射量變化的決定性因素，當(dāng)云層突然進(jìn)場(chǎng)或離開時(shí)，會(huì)使鏡場(chǎng)接受到的輻射量突變，并引起吸熱器內(nèi)部的溫度驟變，從而使吸熱器受到熱應(yīng)力損害。因此，有必要對(duì)鏡場(chǎng)的云運(yùn)動(dòng)進(jìn)行估計(jì)，并據(jù)此對(duì)定日鏡的姿態(tài)做出調(diào)整，這對(duì)于整個(gè)系統(tǒng)換熱的安全與轉(zhuǎn)換效率具有十分重要的意義。

目前，國(guó)內(nèi)外針對(duì)鏡場(chǎng)天空云運(yùn)動(dòng)預(yù)測(cè)的研究并不多，且大多數(shù)都是集中在全天空背景下，而國(guó)外學(xué)者對(duì)于此項(xiàng)研究則較為深入，例如Ricardo Marquez等人基于TSI全天空成像儀對(duì)影響太陽(yáng)輻射的云團(tuán)路徑和輻射的測(cè)量數(shù)據(jù)進(jìn)行了預(yù)測(cè)，實(shí)現(xiàn)了未來3～15 min內(nèi)的太陽(yáng)直接輻射預(yù)報(bào)[4-6]。但是基于硬件的全天空設(shè)備造價(jià)高昂，因此研究一套低成本的云層預(yù)測(cè)系統(tǒng)就顯得十分必要。本文采用閾值分辨法將圖像分為太陽(yáng)與云和背景兩組，將圖片中的太陽(yáng)區(qū)域去除，然后采用圖像的匹配技術(shù)對(duì)云層進(jìn)行匹配，通過對(duì)兩張或兩張以上的圖片尋找特征點(diǎn)進(jìn)行匹配，最后采用Kalman濾波算法完成云層運(yùn)動(dòng)估計(jì)和預(yù)測(cè)。

1 圖像處理算法

對(duì)于定日鏡鏡場(chǎng)天空云層的預(yù)測(cè)，首先需要得到云層所在的區(qū)域，因此需要基于光學(xué)理論采用圖像處理技術(shù)對(duì)圖像進(jìn)行分析、加工和處理。對(duì)定日鏡場(chǎng)云圖進(jìn)行處理的流程圖如圖1所示。

圖1 圖像處理流程圖Fig.1 Flow chart of the image processing

1.1 圖像預(yù)處理

對(duì)云層的運(yùn)動(dòng)方向進(jìn)行預(yù)測(cè)，必須要通過對(duì)天空?qǐng)D像中云層運(yùn)動(dòng)的趨勢(shì)來判定。本文的算法是對(duì)鏡場(chǎng)云圖固定的等時(shí)幀間隔圖像予以截屏，通過取其連續(xù)5幅圖像實(shí)現(xiàn)對(duì)云層運(yùn)動(dòng)進(jìn)行預(yù)測(cè)。

對(duì)圖像的預(yù)處理是采用自適應(yīng)中值濾波算法對(duì)圖像濾波去噪。因Surf匹配算法實(shí)現(xiàn)特征點(diǎn)匹配時(shí)，對(duì)特征點(diǎn)的提取主要是集中在邊緣輪廓，所以預(yù)處理濾波的主要目的便是既能消除噪聲又能保持邊緣細(xì)節(jié)，而中值濾波對(duì)脈沖噪聲具有良好的濾除作用，特別是在濾除噪聲的同時(shí)，能夠保護(hù)信號(hào)的邊緣，使之不被模糊。因此，對(duì)所有輸入圖像（5幅）都先轉(zhuǎn)換成灰度圖像后進(jìn)行自適應(yīng)中值濾波處理。

g（x，y）=median{（f（x-i，y-j））}，（i，j）∈W（1）式中：g（x，y）和f（x，y）分別代表濾波處理后和處理前圖像；W為二維模板。自適應(yīng)中值濾波通過判定區(qū)域中值是否為極值調(diào)整模板大小，對(duì)模板中心點(diǎn)為極值的點(diǎn)濾波處理，然后選定0.95作為閾值將灰度圖像轉(zhuǎn)換為二值圖像[7]。如圖2（a）所示，光感最強(qiáng)烈區(qū)域?yàn)樘?yáng)所在范圍[8]，此時(shí)所得二值圖像除了太陽(yáng)以外區(qū)域已全部變?yōu)楸尘?，通過計(jì)算太陽(yáng)形心位置分割后利用形心位置去除太陽(yáng)所在區(qū)域。這樣將太陽(yáng)區(qū)域RGB三通道賦值其余區(qū)域進(jìn)行三通道復(fù)原，便得到了去除太陽(yáng)的圖像如圖2b所示。

圖2 太陽(yáng)區(qū)域定位圖Fig.2SunZoneLocationImage

1.2 云層圖像分塊處理

每塊云的運(yùn)動(dòng)方向及速度各不相同，所以在進(jìn)行特征點(diǎn)匹配后，要將匹配出的特征點(diǎn)分區(qū)以得到每片云層區(qū)域內(nèi)的特征點(diǎn)。對(duì)特征點(diǎn)分區(qū)便需要對(duì)云層分塊，通過對(duì)圖像進(jìn)行分割并把分割出的云塊進(jìn)行標(biāo)記，如圖3所示。本文采用紋理分割結(jié)合Otsu算法[9]（最大類間方差法）的方法將二值圖像分割為若干連通區(qū)域，對(duì)若干連通區(qū)域分別進(jìn)行標(biāo)定如圖4所示。

圖3 二值化圖像Fig.3 Binaryzation image

圖4 區(qū)域標(biāo)定圖Fig.4 Region segmentation image

如圖4所示，對(duì)太陽(yáng)形心位置所在的連通域設(shè)置為背景顏色，這樣便得到了云層連通域。在此也嘗試過其他方法的分割如聚類算法，但因天空?qǐng)D像中光暈與背景天空和云層分割時(shí)容易產(chǎn)生混淆，因此所得效果并不理想，如圖5所示。由此可以看出本文算法相對(duì)聚類算法的優(yōu)越性。

由于天空中的云形變不可預(yù)知，因此我們只針對(duì)第一幀圖像進(jìn)行分割，用第一幅圖像中的特征點(diǎn)坐標(biāo)來判定每一個(gè)匹配點(diǎn)所處圖像中的區(qū)域。將圖像分區(qū)后對(duì)區(qū)域進(jìn)行編號(hào)，便可對(duì)后續(xù)圖像匹配生成功的匹配對(duì)分區(qū)處理，以方便對(duì)每個(gè)區(qū)域內(nèi)的運(yùn)動(dòng)趨勢(shì)計(jì)算。

圖5 K-means分割圖Fig.5 The K-means image segmentation

2 基于Surf算法的特征點(diǎn)匹配

對(duì)天空?qǐng)D像處理過后需要對(duì)天空云團(tuán)進(jìn)行特征點(diǎn)匹配，利用點(diǎn)位的位置信息確定這些云層的運(yùn)動(dòng)趨勢(shì)。本文采用Surf算法[10]實(shí)現(xiàn)匹配。Surf（Speeded up robust feature）算法所檢測(cè)到的特征點(diǎn)具有較強(qiáng)的旋轉(zhuǎn)不變性且對(duì)光照條件的魯棒性較強(qiáng)，因此不會(huì)因天空光線的變化而產(chǎn)生過多誤匹配現(xiàn)象。為了找到兩幅圖像對(duì)應(yīng)的云，需要分別提取每幅圖像中的穩(wěn)定點(diǎn)，這些點(diǎn)之間會(huì)有相互對(duì)應(yīng)的匹配點(diǎn)。該算法對(duì)特征點(diǎn)的提取具有較強(qiáng)的穩(wěn)定性、魯棒性，因此在對(duì)云層的匹配中利用此算法對(duì)特征點(diǎn)的定位具有較好的效果。該算法主要利用積分圖像、近似的Hessian矩陣和Haar小波變換，對(duì)連續(xù)圖像中特征點(diǎn)分3步處理：

1）將第一幀圖像分別與后4幀連續(xù)圖像特征匹配，得到第一幀圖像的4組匹配成功的特征點(diǎn)；

2）將第一幅圖像的4組特征點(diǎn)中相同特征點(diǎn)保留下來，建立起每個(gè)特征點(diǎn)在5副圖像中的對(duì)應(yīng)關(guān)系；

3）通過對(duì)云圖的分塊信息將每組中的特征點(diǎn)根據(jù)云圖信息分區(qū)，這樣便得到了每一區(qū)域云圖中的匹配成功的特征點(diǎn)個(gè)數(shù)及其在各幀中的坐標(biāo)等信息。

2.1 箱式濾波器與極值點(diǎn)定位

首先需要輸入5幅待匹配圖像，并將其轉(zhuǎn)換到灰度空間。為了匹配出5副圖像中的特征點(diǎn)對(duì)，首先要找到其特征點(diǎn)，而特征點(diǎn)的出處則是極值點(diǎn)，因此利用積分圖像結(jié)合箱式濾波器找出每一副圖像中的極值點(diǎn)，積分圖像的意義是圖像中任意一點(diǎn)的灰度值，I（i，j）為原圖像左上角到（i，j）點(diǎn)相應(yīng)的對(duì)角線區(qū)域灰度值的總和，即：

圖6所示為灰色區(qū)域內(nèi)的像素值之和。

圖6 積分圖像Fig.6 Integral image

A，B，C，D各點(diǎn)的積分值進(jìn)行加減，所得即是S區(qū)域內(nèi)積分圖像像素值之和。當(dāng)?shù)玫椒e分圖像后，利用如圖7所示的箱式濾波器通過改變自身大小對(duì)圖像卷積，便可構(gòu)造出尺度空間。卷積時(shí)，由于是矩形區(qū)域與像素對(duì)應(yīng)相乘求和，因此可轉(zhuǎn)換為像素求和然后乘以矩形區(qū)域中的系數(shù)。所以采用箱式濾波器做卷積，就變成了像素求和（積分圖像），因此可大幅提高算法的速率從而保證了算法的實(shí)時(shí)性。對(duì)于給定圖6中的已知一點(diǎn)，Dyy（X，σ），Dxx（X，σ）是對(duì)其卷積結(jié)果，X是位置、σ為尺度，下標(biāo)為不同方向箱式濾波器與圖像在該處的卷積，其濾波后得到式（4）的Hessian矩陣：

圖7 9×9箱式濾波器（左為Dyy，右為Dxy）Fig.7 9×9 Box filter(left：Dyy;right：DXX)

計(jì)算其Hessian矩陣行列式，由（5）所示，其中w為權(quán)值。根據(jù)Hessian矩陣的性質(zhì)，若檢測(cè)點(diǎn)所得行列式值為正則將其判定為局部極大值點(diǎn)并歸納于興趣點(diǎn)范圍。通過改變盒子濾波器的尺寸對(duì)圖像進(jìn)行處理構(gòu)成尺度空間，便得到了每幅圖像在不同尺度空間當(dāng)中的局部極大值點(diǎn)集。

2.2 尺度空間與精確定位

獲得5幅圖像的極值點(diǎn)信息后便要從中提取特征點(diǎn)，對(duì)每幅圖像所生成的尺度空間分成幾組（Octaves），分別對(duì)每一組分層（scale）。其中每一組當(dāng)中的每一層都是同一副圖像經(jīng)不同尺寸的箱式濾波器濾波處理后的圖像，如圖8所示，圖中的數(shù)字為濾波器尺寸的大小。

圖8 尺度空間圖Fig.8 Scale space figure

第一組的濾波器尺寸大小由9×9，增大到27×27，每次增大6像素；第二組由15開始每次增加12（每一組的第一個(gè)濾波器與上一組第二個(gè)濾波器尺寸相同，相鄰兩組層步長(zhǎng)增加值為二倍關(guān)系），通過濾波模板生成尺度空間與極值點(diǎn)后。為了確定其中的特征點(diǎn)及其位置信息，以檢測(cè)點(diǎn)為中心構(gòu)建了3×3×3的在三維空間內(nèi)進(jìn)行非極大值抑制，只有當(dāng)檢測(cè)點(diǎn)的Hessian行列式值大于固定閾值T，且是三維空間內(nèi)的極大值點(diǎn)才將其確定為特征點(diǎn)，其后通過對(duì)特征點(diǎn)進(jìn)行三維線性插值確定其精確位置，如圖9所示。

圖9 非極大值抑制圖Fig.9 Non-maximum inhibition of figure

2.3 構(gòu)造描述子

獲得特征點(diǎn)后需要對(duì)其匹配，找到這個(gè)點(diǎn)在5幅圖像中的位置，從而得到其運(yùn)動(dòng)、位置關(guān)系。為了實(shí)現(xiàn)匹配，需要構(gòu)建5幅圖像中所有特征點(diǎn)的描述信息。因云層在運(yùn)動(dòng)過程中可能發(fā)生旋轉(zhuǎn)，為了實(shí)現(xiàn)特征點(diǎn)的旋轉(zhuǎn)不變性，首先需要確定其主方向信息。將特征點(diǎn)作為中心，圈取一個(gè)半徑為6倍尺度值大小的圓形區(qū)域，對(duì)整個(gè)鄰域內(nèi)計(jì)算Haar小波分別在垂直和水平方向的響應(yīng)值。根據(jù)其與中心點(diǎn)的遠(yuǎn)近進(jìn)行加權(quán)計(jì)算，然后對(duì)響應(yīng)進(jìn)行統(tǒng)計(jì)。將圓形區(qū)域內(nèi)每60°內(nèi)的所有響應(yīng)值求和得到一個(gè)矢量值。然后將步長(zhǎng)設(shè)定為5°，每隔5°進(jìn)行求和計(jì)算，直到覆蓋整個(gè)區(qū)域?yàn)橹梗瑢⑹噶恐底畲蟮姆较虼_定為主方向。確定主方向后需要得到特征點(diǎn)的描述子。在特征點(diǎn)周圍取一個(gè)與主方向同向的正方形框，框的邊長(zhǎng)大小為20s（s為特征點(diǎn)所在的尺度值），并將其分為大小相等的16個(gè)子塊，用尺寸大小為2s的Haar小波模板對(duì)子塊濾波處理，得到（以特征點(diǎn)主方向建立的坐標(biāo)軸）水平及垂直方向的響應(yīng)值dx、dy，后生成如式（6）所示V子塊內(nèi)的4維特征矢量統(tǒng)計(jì)和。由上所述每個(gè)特征點(diǎn)可以得到包含16×4個(gè)特征向量，這樣便得到了每幅圖像內(nèi)的特征點(diǎn)。如圖10所示，對(duì)單幅天空?qǐng)D像進(jìn)行的特征點(diǎn)進(jìn)行了提取，由圖可以看出其包含了特征點(diǎn)的位置、主方向信息。

圖10 特征點(diǎn)提取圖Fig.10 Feature point extraction

2.4 特征點(diǎn)匹配

由上所述得到了每幅圖像中的特征點(diǎn)及其特征信息，接下來便要對(duì)所有特征點(diǎn)進(jìn)行匹配，尋找每?jī)煞鶊D像中最為相似的點(diǎn)。對(duì)每一個(gè)特征點(diǎn)求其Hessian的跡，如圖11所示。根據(jù)其亮度將其分為兩種，一種是特征點(diǎn)所在的圓形區(qū)域比背景亮度更亮；另一種特征點(diǎn)所在的圓形區(qū)域比背景亮度更暗。通過實(shí)驗(yàn)得出當(dāng)Hessian矩陣的跡為正時(shí)得到的是亮點(diǎn)區(qū)域，而當(dāng)Hessian矩陣的跡為負(fù)值時(shí)得到的是暗點(diǎn)區(qū)域。倘若待匹配兩點(diǎn)的跡為同號(hào)，說明具有相同的對(duì)比度則為可能的匹配對(duì)；倘若跡為異號(hào)則說明對(duì)比度較低，不再進(jìn)行后續(xù)處理。對(duì)同號(hào)的進(jìn)行下一步相似度測(cè)量，通過對(duì)上節(jié)所述生成的64維描述子進(jìn)行歐式距離計(jì)算得到待匹配點(diǎn)的相似程度如式（7）所示。找到一個(gè)特征點(diǎn)另一幅圖像中距離最小和次最小的兩點(diǎn)的歐式距離。倘若兩個(gè)歐式距離的比值小于設(shè)定閾值則將與待匹配點(diǎn)歐式距離最小的點(diǎn)確定為匹配點(diǎn)。

式（7）中，兩個(gè)待匹配的特征點(diǎn)集分別含有i和j個(gè)點(diǎn)，第一個(gè)點(diǎn)集中i點(diǎn)的第k個(gè)特征描述子為Xik，同理可得Xjk，n表示特征向量的維數(shù)。因云層運(yùn)動(dòng)緩慢，所以匹配時(shí)加入了位移的限定閾值，當(dāng)兩幀圖像同一特征點(diǎn)移動(dòng)超過30像素時(shí)認(rèn)定為誤匹配，在此使用Sift算法[11]與Surf算法分別對(duì)前后兩幀圖像（圖像大小為800×450）進(jìn)行匹配得到下表所示結(jié)果：

圖11 對(duì)比亮度圖Fig.11 Brightness contrast figure

表1 Sift與Surf算法的比較Tab.1 ComparisonofSiftandSurfalgorithmsinthispaper

由此可以看出，經(jīng)Surf匹配結(jié)果的速率與準(zhǔn)確率及有效匹配對(duì)數(shù)量均高于Sift算法。對(duì)處理過的5幅圖像采用Surf算法進(jìn)行特征點(diǎn)匹配，對(duì)4組匹配后的坐標(biāo)重新排序，得到同一特征點(diǎn)在5幅圖像中的具體位置。通過對(duì)匹配成功的匹配對(duì)計(jì)算，可以得到每一個(gè)特征點(diǎn)在圖片中的位移。相鄰兩幅圖像的時(shí)間間隔取為5 s，圖12為對(duì)其中兩幀圖像的匹配，從匹配中可看出未出現(xiàn)誤匹配現(xiàn)象。這樣就可得到多副圖像中每個(gè)特征點(diǎn)所在不同幀數(shù)的具體位置，及相鄰兩幀間特征點(diǎn)的具體位移。

圖12 圖像匹配圖Fig.12 Adjacent image matching

3 基于Kalman濾波器的云運(yùn)動(dòng)估計(jì)

為了預(yù)測(cè)云塊區(qū)域的運(yùn)動(dòng)速度，需要得到云層區(qū)域之前的運(yùn)動(dòng)趨勢(shì)。在特征點(diǎn)的匹配中已經(jīng)得到了過去連續(xù)5幀內(nèi)各區(qū)域中的每個(gè)特征點(diǎn)的坐標(biāo)信息，對(duì)前后兩幀每個(gè)區(qū)域內(nèi)所有點(diǎn)依次計(jì)算坐標(biāo)位移，因?qū)^(qū)域內(nèi)所有點(diǎn)取均值后計(jì)算坐標(biāo)位移具有同等作用，所以先對(duì)區(qū)域內(nèi)的點(diǎn)位坐標(biāo)取均值作為整體區(qū)域的坐標(biāo)。因Surf方法在尋找興趣點(diǎn)時(shí)利用了線性插值，因此所匹配到的特征點(diǎn)會(huì)有最大1像素的誤差，當(dāng)云團(tuán)運(yùn)動(dòng)過慢時(shí)會(huì)產(chǎn)生較大的誤差值。為了消除誤差，在預(yù)測(cè)時(shí)選用了Kalman濾波器，利用Kalman濾波算法對(duì)云層的運(yùn)動(dòng)做出最優(yōu)估計(jì)[12]。

3.1 Kalman濾波器

卡爾曼（Kalman）濾波是基于狀態(tài)空間方法的遞推濾波算法，卡爾曼濾波器主要由狀態(tài)空間模型和觀測(cè)模型所組成。狀態(tài)模型對(duì)系統(tǒng)的運(yùn)動(dòng)規(guī)律進(jìn)行控制，觀測(cè)模型為系統(tǒng)提供修正信息，通過不斷的迭代修改使系統(tǒng)得到最優(yōu)的運(yùn)動(dòng)估計(jì)信息。在對(duì)云層速度的預(yù)測(cè)時(shí)設(shè)動(dòng)態(tài)系統(tǒng)的狀態(tài)空間和觀測(cè)模型為：

因?yàn)樵茖舆\(yùn)動(dòng)緩慢，因此短時(shí)內(nèi)將每塊云層運(yùn)動(dòng)看做勻速運(yùn)動(dòng)，其中X（t）為系統(tǒng)在t時(shí)刻的狀態(tài)，將其設(shè)置為二維狀態(tài)包括坐標(biāo)及速度信息，此處將第一幅圖像中各區(qū)域坐標(biāo)（x，y方向分開計(jì)算）及速度作為狀態(tài)變量，初始速度為第二幀與第一幀圖像坐標(biāo)之差，初始坐標(biāo)為第一幅圖像中的坐標(biāo)；Y（t）為狀態(tài)的觀測(cè)值，即連續(xù)幾幀圖像對(duì)應(yīng)區(qū)域的坐標(biāo)值；V（t）為觀測(cè)噪聲，由于像素誤差為1，故將方差R也設(shè)置為1；Ф為狀態(tài)轉(zhuǎn)移矩陣；H為觀測(cè)矩陣。

3.2 Kalman濾波器實(shí)現(xiàn)云層運(yùn)動(dòng)的最優(yōu)估計(jì)

將圖像匹配分割后，選定一個(gè)云塊。這里對(duì)輸入的5幅圖像進(jìn)行卡爾曼濾波的計(jì)算，分別以第1幅，第2幅，第3幅圖像為作為初始圖像，3幅連續(xù)圖像作為圖像序列進(jìn)行卡爾曼濾波，因此可得到3組運(yùn)動(dòng)速度值。

考慮到3幅圖像為一組，速度誤差較大，為減少誤差，對(duì)卡爾曼濾波后所得的坐標(biāo)和速度值，再次利用卡爾曼濾波器進(jìn)行濾波處理，然后對(duì)上述所得三組速度值進(jìn)行一維濾波，濾波后得到3組速度的最優(yōu)預(yù)測(cè)值。這樣便可得到所取5幅圖像的下一時(shí)刻每個(gè)云塊x，y方向的運(yùn)動(dòng)速度的最優(yōu)預(yù)測(cè)值，這時(shí)云層的運(yùn)動(dòng)方向也可計(jì)算求得，這樣就實(shí)現(xiàn)了天空?qǐng)D像中云層的短時(shí)運(yùn)動(dòng)估計(jì)。

4 實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證算法，實(shí)驗(yàn)時(shí)采用自制的Flash視頻。以天空?qǐng)D像及太陽(yáng)區(qū)域作為背景，以云層作為運(yùn)動(dòng)元件通過在Flash中加入監(jiān)控程序得到云層在每一幀的坐標(biāo)位置，以方便后續(xù)的驗(yàn)證工作。利用Flash程序使云層的運(yùn)動(dòng)保持在x方向上每幀3.15像素、y方向上每幀負(fù)4.25像素的勻速運(yùn)動(dòng)。對(duì)Flash中連續(xù)截屏得到連續(xù)幀，圖像其中一幀如圖13所示，得到每幀圖像并得到云層在連續(xù)幀中的位置集合。對(duì)所截圖集進(jìn)行特征點(diǎn)匹配，匹配后對(duì)特征點(diǎn)的位置信息進(jìn)行濾波處理得到運(yùn)動(dòng)速度，再對(duì)速度濾波處理后得到對(duì)云層的最優(yōu)預(yù)測(cè)速度。圖14所示為匹配程序?qū)蓭貓D的匹配效果。這樣便可通過云圖實(shí)際移動(dòng)速度與匹配濾波后得到的預(yù)測(cè)速度作比較，得到匹配的誤差率。實(shí)驗(yàn)中Flash圖像大小為550×381，且采用單片云作為運(yùn)動(dòng)元件，所以圖像中的特征點(diǎn)信息并不如實(shí)際天空?qǐng)D像中一樣豐富，匹配后得到了75個(gè)匹配特征點(diǎn)。

圖13 Flash截圖Fig.13 Flash screenshot

圖14 特征匹配圖Fig.14 Feature matching figure

表2 實(shí)際值與使用兩次卡爾曼濾波的預(yù)測(cè)值和觀測(cè)值的比較Tab.2 The actual value compared with the value with Kalman filter prediction used twice

利用特征點(diǎn)匹配結(jié)合卡爾曼濾波的算法對(duì)云的運(yùn)動(dòng)進(jìn)行預(yù)測(cè)，實(shí)際情況下太陽(yáng)作為背景并沒有運(yùn)動(dòng)，因此可將運(yùn)動(dòng)速度在0左右的區(qū)域歸納為太陽(yáng)區(qū)域，從而對(duì)其余區(qū)域的運(yùn)動(dòng)進(jìn)行記錄。表2為云層實(shí)際速度與使用Surf算法結(jié)合卡爾曼濾波器計(jì)算的速度值對(duì)比，表2中第一組數(shù)據(jù)是對(duì)表3所得的4組數(shù)據(jù)濾波處理后所得。而表3為未使用卡爾曼濾波器、僅使用Surf算法通過幀間位移計(jì)算得到的預(yù)測(cè)值，誤差率最高可達(dá)29%。表2和表3結(jié)果表明，經(jīng)過兩次卡爾曼濾波后對(duì)運(yùn)動(dòng)速度預(yù)測(cè)的精度有了大幅提高。經(jīng)大量數(shù)據(jù)測(cè)算比對(duì)后得出本方法可以將速度預(yù)測(cè)誤差控制在7.5%以內(nèi)，將誤差率減少了21.5%。

表3 實(shí)際值與未加入卡爾曼濾波器測(cè)量值比較Tab.3 The actual value compared with the value with Kalman filter not used

表4 速度放大4倍后實(shí)際值與預(yù)測(cè)值比較Tab.4 The actual value compared with the prediction value after the speed is amplified by four times

表4是表2中速度放大4倍后得到的實(shí)際值與預(yù)測(cè)值的比較，此時(shí)的誤差已可控制在5%以內(nèi)。經(jīng)過對(duì)比可知，當(dāng)云層運(yùn)動(dòng)速度更快時(shí)，可以獲得更好的預(yù)測(cè)效果。由于本方法對(duì)天空?qǐng)D像進(jìn)行了分塊處理，所以當(dāng)天空中有多片云層時(shí)可得到每一片云層的運(yùn)動(dòng)估計(jì)信息，針對(duì)理想天空環(huán)境下可實(shí)現(xiàn)誤差精度在7.5%以內(nèi)的鏡場(chǎng)天空云層運(yùn)動(dòng)估計(jì)，可為塔式太陽(yáng)能聚熱發(fā)電定日鏡場(chǎng)提供較為可靠的前饋控制信息。

5 結(jié)語

本文提出了一種基于數(shù)字圖像處理技術(shù)的云層運(yùn)動(dòng)估計(jì)方法，采用自適應(yīng)閾值分割的方法對(duì)云層進(jìn)行了分區(qū)處理，通過特征點(diǎn)匹配的方法得到了云層的運(yùn)動(dòng)信息，然后結(jié)合兩次卡爾曼濾波器方法得到了在理想天空條件下對(duì)鏡場(chǎng)天空中每一塊云層的運(yùn)動(dòng)進(jìn)行了監(jiān)測(cè)預(yù)測(cè)，最后通過對(duì)云層運(yùn)動(dòng)的監(jiān)測(cè)和預(yù)測(cè)驗(yàn)證了方法的有效性，該方法可為塔式太陽(yáng)能聚熱發(fā)電定日鏡場(chǎng)的協(xié)調(diào)控制策略提供可靠的前饋控制信息。

[1]劉靜靜，楊帆.太陽(yáng)能熱發(fā)電系統(tǒng)的研究開發(fā)現(xiàn)狀[J].電力與能源，2012，33（6）：573-576.LIU Jingjing，YANG Fan.Present situation of research and development of solar thermal power generation system[J].Power and Energy，2012，33（6）：573-576（in Chinese）.

[2]廖葵，龍新峰.塔式太陽(yáng)能熱力發(fā)電技術(shù)進(jìn)展 [J].廣東電力，2007，20（4）：6-11.LIAO Kui，LONG Xinfeng.Technology progress in solar power tower[J].Guangdong Electric Power，2007，20（4）：6-1（in Chinese）.

[3]王建楠.塔式太陽(yáng)能熱發(fā)電站熔融鹽吸熱器故障診斷專家系統(tǒng)研究[D].北京：中國(guó)科學(xué)院研究生院，2010：10-13.

[4]MARQUEZ R，COIMA C F M.Intra-hour DNI forecasting based on cloud tracking image analysis[J].Solar Energy，2013，91：95-99.

[5]漆隨平，劉濤.地基云觀測(cè)技術(shù)及裝備研究進(jìn)展[J].山東科學(xué)，2014，6（27）：1-8.QI Suiping，LIU Tao.Ground cloud observation technology and its instrument research advances[J]，Shandong Science，2014，6（27）：1-8（in Chinese）.

[6]M BLANCO-MURIEL，D.C.ALARCON-PADILLA.Computing the solar vector[J].Solar Energy，2000，70（5）：431-441.

[7]霍娟，呂達(dá)仁.全天空云識(shí)別閾值法的數(shù)值模擬初步研究[J].自然科學(xué)進(jìn)展，2006，4（16）：480-484.HUO J，Lü D.The preliminary research on numerical simulation about the whole-sky cloud threshold recognition[J].Progress Innatural Science，2006，4（16）：480-484（in Chinese）.

[8]陶小紅，胡以華.基于CCD圖像的太陽(yáng)定位技術(shù)[J].能源研究與信，2005，21（1）：50-53.TAO Xiaohong，HU Yihua.A technique for sun location based on CCD imaging[J].Enerty Reserach and Information，2005，21（1）：50-53.

[9]王祥科，鄭志強(qiáng).Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2006，6（26）；14-16.WANG Xiangke，ZHENG Zhiqiang，Otsu multi threshold fast segmentation algorithm and its application in color images[J].Computer Applications，2006，6（26）；14-16.

[10]BAY H，ESS A，et al.Speeded up robust features[J].Computer Vision and Imaging，2008，110（3）：346-359.

[11]DAVIS G lOWE.Distinctive image features from scale-invariant key points[J].International Journalof Computer Vision，2004，60（2）：91-110.

[12]KALMAN R E.A new approach to linear filtering and prediction problems[J].Transactions of the ASME-Journal of Basic Engineering，1960，82（Series D）：35-45.