基于云图相位相关和低秩特征提取的超短期辐照度预测

郭吉强; 徐旭东; 张帅; 任密蜂; 王芳; 阎高伟

doi:10.19912/j.0254-0096.tynxb.2023-1799

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于云图相位相关和低秩特征提取的超短期辐照度预测

更新时间：2025-10-18

- 基于云图相位相关和低秩特征提取的超短期辐照度预测
- ULTRA-SHORT-TERM IRRADIANCE PREDICTION BASED ON CLOUD IMAGES PHASE CORRELATION AND LOW-RANK FEATURE EXTRACTION
- 太阳能学报 2025年46卷第3期页码：494-503
- 作者机构：
  
  1. 太原理工大学电气与动力工程学院,太原 030024
  2. 山西格盟中美清洁能源研发中心有限公司,太原 030031
- 作者简介：
- 基金信息：
  
  国家自然科学基金（61973226）;格盟集团科技创新基金（2022-05）;山西省自然科学基金（20210302123189）;新型电力系统运行与控制全国重点实验室开放基金（SKLD22KM22）
- DOI：10.19912/j.0254-0096.tynxb.2023-1799
  中图分类号： TM615
- 网络出版：2025-04-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
郭吉强, 徐旭东, 张帅, 任密蜂, 王芳, 阎高伟. 基于云图相位相关和低秩特征提取的超短期辐照度预测[J]. 太阳能学报, 2025, 46(3): 494-503.

Guo Jiqiang, Xu Xudong, Zhang Shuai, et al. ULTRA-SHORT-TERM IRRADIANCE PREDICTION BASED ON CLOUD IMAGES PHASE CORRELATION AND LOW-RANK FEATURE EXTRACTION[J]. 2025, 46(3): 494-503.
郭吉强, 徐旭东, 张帅, 任密蜂, 王芳, 阎高伟. 基于云图相位相关和低秩特征提取的超短期辐照度预测[J]. 太阳能学报, 2025, 46(3): 494-503. DOI： 10.19912/j.0254-0096.tynxb.2023-1799.

Guo Jiqiang, Xu Xudong, Zhang Shuai, et al. ULTRA-SHORT-TERM IRRADIANCE PREDICTION BASED ON CLOUD IMAGES PHASE CORRELATION AND LOW-RANK FEATURE EXTRACTION[J]. 2025, 46(3): 494-503. DOI： 10.19912/j.0254-0096.tynxb.2023-1799.

摘要

针对云的动态变化对辐照度的直接影响

基于傅里叶相位相关（PC）理论从连续地基云图获取云的动态信息矩阵（DIM）

为了减小噪声及冗余信息对模型的影响

构建低秩矩阵特征提取（LMFE）模型作为提取模块（EM）

实现DIM有效信息的提取

EM通过迭代训练得到最优特征提取矩阵W和偏置项b。同时

以双向门控循环单元（Bi-GRU）为基础搭建回归模块（RM）

RM共享EM输出W和b

从云图提取的有效信息结合历史辐照度序列作为输入

实现辐照度的多步回归预测。对真实采集的数据进行实验仿真

结果表明该预测方法可有效提高辐照度预测精度。

Abstract

Aiming at the direct impact of dynamic changes of the clouds on irradiance

this paper obtains the cloud dynamic information matrix （DIM） from continuous ground-based cloud images based on the Fourier phase correlation （PC） theory. To minimize the effects on the model led by noise and redundant information

a low-rank matrix feature extraction （LMFE） model is constructed as an extraction module （EM） to extract valid information from the DIM productively. EM obtains the optimal feature extraction matrix W and bias terms b through iteration. Simultaneously

the regression module （RM） is constructed based on the bidirectional gated recurrent unit （Bi-GRU）

where RM shares EM outputs W and b

and the valid information extracted from the cloud images is combined with the historical irradiance sequence as input to achieve multi-step regression prediction of irradiance. The experimental simulation of the actual collected data demonstrates that the prediction method can effectively improve the irradiance prediction accuracy.

关键词

Keywords

references

VERBOIS H, HUVA R, RUSYDI A, et al.Solar irradiance forecasting in the tropics using numerical weather prediction and statistical learning[J]. Solar energy, 2018, 162: 265-277.

吴凌霄, 王一楠, 旺堆, 等. 西藏羊八井地区太阳短波辐照度特征及其短期预测模型对比分析[J]. 地球物理学报, 2023, 66(8): 3144-3156.

张成, 白建波, 兰康, 等. 基于数据挖掘和遗传小波神经网络的光伏电站发电量预测[J]. 太阳能学报, 2021, 42(3): 375-382.

SI Z Y, YANG M, YU Y X, et al.Photovoltaic power forecast based on satellite images considering effects of solar position[J]. Applied energy, 2021, 302: 117514.

余光正, 陆柳, 汤波, 等. 基于云图特征提取的改进混合神经网络超短期光伏功率预测方法[J]. 中国电机工程学报, 2021, 41(20): 6989-7003.

张青山, 王丽婕, 郝颖, 等. 基于卫星云图和晴空模型的分布式光伏电站太阳辐照度超短期预测[J]. 高电压技术, 2022, 48(8): 3271-3281.

张臻, 陈天鹏, 王磊, 等. 基于地基云图的超短期太阳辐照预测方法与装置研究[J]. 太阳能学报, 2023, 44(1): 133-140.

DONG Z B, YANG D Z, REINDL T, et al.Satellite image analysis and a hybrid ESSS/ANN model to forecast solar irradiance in the tropics[J]. Energy conversion and management, 2014, 79: 66-73.

PALETTA Q, ARBOD G, LASENBY J.Omnivision forecasting: combining satellite and sky images for improved deterministic and probabilistic intra-hour solar energy predictions[J]. Applied energy, 2023, 336: 120818.

FU C L, CHENG H Y.Predicting solar irradiance with all-sky image features via regression[J]. Solar energy, 2013, 97: 537-550.

CHENG H Y, YU C C.Multi-model solar irradiance prediction based on automatic cloud classification[J]. Energy, 2015, 91: 579-587.

WANG Z J, WANG L, HUANG C, et al.A hybrid ensemble learning model for short-term solar irradiance forecasting using historical observations and sky images[J]. IEEE transactions on industry applications, 2023, 59(2): 2041-2049.

YANG H, WANG L, HUANG C, et al.3D-CNN-based sky image feature extraction for short-term global horizontal irradiance forecasting[J]. Water, 2021, 13(13): 1773.

钟振兴, 马晓波, 安巍. 基于地基云图与气象数据的辐照度轻量化预测[J]. 东北电力大学学报, 2021, 41(1): 24-30.

朱琼锋, 李家腾, 乔骥, 等. 人工智能技术在新能源功率预测的应用及展望[J]. 中国电机工程学报, 2023, 43(8): 3027-3048.

柴闵康, 夏飞, 张浩, 等. 基于云图特征自识别的光伏超短期预测模型[J]. 电网技术, 2021, 45(3): 1023-1035.

WEN H R, DU Y, CHEN X Y, et al.Deep learning based multistep solar forecasting for PV ramp-rate control using sky images[J]. IEEE transactions on industrial informatics, 2021, 17(2): 1397-1406.

BERNECKER D, RIESS C, ANGELOPOULOU E, et al.Continuous short-term irradiance forecasts using sky images[J]. Solar energy, 2014, 110: 303-315.

蒋俊霞, 高晓清, 吕清泉, 等. 基于地基云图的云跟踪与太阳辐照度超短期预报方法研究[J]. 太阳能学报, 2020, 41(5): 351-358.

刘翼飞, 崔承刚. 基于地基云图云量特征的光伏发电功率区间预测[J]. 南方电网技术, 2023, 17(2): 92-100.

王育飞, 郝德扬, 薛花, 等. 计及云图和混沌特性的光伏功率组合预测方法[J]. 太阳能学报, 2023, 44(12): 74-81.

王飞, 甄钊, 米增强, 等. 基于相位相关的天空图像云团运动速度计算方法研究[J]. 太阳能学报, 2016, 37(10): 2539-2546.

ZHEN Z, XUAN Z M, WANG F, et al.Image phase shift invariance based multi-transform-fusion method for cloud motion displacement calculation using sky images[J]. Energy conversion and management, 2019, 197: 111853.

ZHEN Z, SUN Y J, WANG F, et al.A cloud displacement estimation approach for sky images based on phase correlation theory[C]//2016 IEEE International Conference on Power System Technology (POWERCON). Wollongong, Australia, 2016: 1-6.

张雲钦, 程起泽, 蒋文杰, 等. 基于EMD-PCA-LSTM的光伏功率预测模型[J]. 太阳能学报, 2021, 42(9): 62-69.

ZHOU J H, ZHANG Q, ZENG S N, et al.Latent linear discriminant analysis for feature extraction via isometric structural learning[J]. Pattern recognition, 2024, 149: 110218.

黄冬梅, 张晓桐, 张明华, 等. 全局判别与局部稀疏保持HSI半监督特征提取[J]. 计算机工程与应用, 2019, 55(20): 184-191.

杨利锋, 林大华, 邓振云, 等. 低秩特征选择多输出回归算法[J]. 计算机工程与应用, 2017, 53(20): 116-121.

YUAN H L, LI J Y, LAI L L, et al.Low-rank matrix regression for image feature extraction and feature selection[J]. Information sciences, 2020, 522: 214-226.

李大中, 李颖宇. 基于深度学习与误差修正的超短期风电功率预测[J]. 太阳能学报, 2021, 42(12): 200-205.

PEDRO H T C, LARSON D P, COIMBRA C F M. A comprehensive dataset for the accelerated development and benchmarking of solar forecasting methods[J]. 2019, 11(3): 036102.

PARK S, KIM Y, FERRIER N J, et al.Prediction of solar irradiance and photovoltaic solar energy product based on cloud coverage estimation using machine learning methods[J]. Atmosphere, 2021, 12(3): 395.

WEN H R, DU Y, LIM E G, et al.A solar forecasting framework based on federated learning and distributed computing[J]. Building and environment, 2022, 225: 109556.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

考虑局部条件特征的风电功率短期预测

基于RF特征提取和TCN-BiGRU模型的短期光伏发电功率预测

基于大气透明系数的天气分类方法

神经网络短期光伏发电预测的应用研究进展