收稿日期：2022-07-24

基金項(xiàng)目：國家自然科學(xué)基金青年項(xiàng)目（62006120）

通信作者：朱婷婷（1989—），女，博士、副教授，主要從事數(shù)據(jù)建模與預(yù)測方面的研究。tingtingzhu@njfu.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-1099 文章編號(hào)：0254-0096（2023）11-0189-07

摘 要：在當(dāng)前地基云圖分類任務(wù)中，存在識(shí)別準(zhǔn)確率低等問題。為了提高云分類的精度，有效融合深度可分離卷積、注意力機(jī)制和殘差結(jié)構(gòu)的特點(diǎn)，構(gòu)建DAR-CapsNet地基云圖分類模型。首先，收集整理美國國家新能源實(shí)驗(yàn)室公開數(shù)據(jù)庫中的地基云圖，構(gòu)建云分類數(shù)據(jù)庫；然后，對所提出的DAR-CapsNet分類模型進(jìn)行訓(xùn)練優(yōu)化；最后，在不同數(shù)據(jù)集上驗(yàn)證所提出的分類模型性能。實(shí)驗(yàn)結(jié)果表明所提出的DAR-CapsNet分類模型，分類準(zhǔn)確率高達(dá)95.50%，優(yōu)于現(xiàn)有公開分類方法，且在不同數(shù)據(jù)集上具有較好的泛化性能。

關(guān)鍵詞：光伏發(fā)電；氣象云；圖像分類；卷積神經(jīng)網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)

中圖分類號(hào)：TP391""""""""""" """" """""""""""""文獻(xiàn)標(biāo)志碼：A

0 引 言

作為一種清潔的新能源，太陽能發(fā)電的優(yōu)勢在于可就地直接開發(fā)利用，無須開采和運(yùn)輸；其次，太陽能具有蘊(yùn)含能量大、無污染、分布廣等特點(diǎn)［1］。光伏發(fā)電應(yīng)用靈活且對環(huán)境影響小，是太陽能重要的利用途徑之一，在眾多新能源發(fā)電方式中具有廣闊的市場前景和強(qiáng)大的競爭力［2］。然而，在光伏發(fā)電的大規(guī)模并網(wǎng)進(jìn)程中，光伏發(fā)電波動(dòng)對電網(wǎng)的影響是不容忽視的。影響光伏發(fā)電的諸多因素中，最重要的因素是地表太陽輻射，而云的運(yùn)動(dòng)與遮擋會(huì)影響太陽輻照度。

目前，大多數(shù)氣象站對云的識(shí)別依賴于氣象觀測員人工目測，云類效果會(huì)因觀測人員經(jīng)驗(yàn)不同而不同。為此，研究人員利用經(jīng)典圖像特征，建立地基云圖傳統(tǒng)機(jī)器學(xué)習(xí)識(shí)別或分類模型，但云識(shí)別效果并不理想，尤其是復(fù)雜背景下云的識(shí)別度難以保障［3-7］。這主要是人為設(shè)計(jì)提取的各類云圖特征并不能準(zhǔn)確描述各類云的特性，導(dǎo)致部分云類型識(shí)別較為準(zhǔn)確，但部分類型云（如卷云、層云）難以識(shí)別［8-10］。

近年來，隨著計(jì)算性能的提升和類機(jī)器學(xué)習(xí)算法的發(fā)展，利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）處理具體問題的技術(shù)越來越受到關(guān)注。同時(shí)，深度學(xué)習(xí)也被運(yùn)用于云圖的分類，且取得了優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)分類方法的分類效果［11-14］。但現(xiàn)有的基于CNN云分類方法著力于檢測圖像像素中的重要特征，所提出的網(wǎng)絡(luò)模型均是基于普通卷積和池化操作來自動(dòng)學(xué)習(xí)云圖中的關(guān)鍵特征，但由于最大池化層的存在，雖然可以使神經(jīng)網(wǎng)絡(luò)在下采樣輸出時(shí)保證圖像的平移不變性，但卻丟失了特征之間的相對空間關(guān)系［15-16］。

針對上述云分類問題，本文以膠囊網(wǎng)絡(luò)CapsNet［15］為基本模型，綜合深度可分離卷積、注意力機(jī)制和殘差結(jié)構(gòu)的優(yōu)勢，構(gòu)建DAR-CapsNet地基云圖分類模型，以向量替代傳統(tǒng)標(biāo)量表征云圖特征，關(guān)注特征之間的相對位置信息，實(shí)現(xiàn)對地基云圖的準(zhǔn)確分類，有助于光伏發(fā)電的預(yù)測和新能源發(fā)電的推廣。

1 地基云圖數(shù)據(jù)集

1.1 地基云圖的收集與分類

收集整理美國國家新能源實(shí)驗(yàn)室公開數(shù)據(jù)庫［17］中的2013—2014年地基云圖。該地基云圖為288×352×3的RGB圖像，由Yankee公司生產(chǎn)的全天空成像儀TSI-880拍攝獲取。TSI-880是一款全自動(dòng)天空成像系統(tǒng)，可在白天全天候?qū)μ炜者M(jìn)行實(shí)時(shí)觀測，拍攝頻率為30 s/幅。

根據(jù)云的紋理特性和物理特性，在忽略云底高的情況下，將地基云圖分為卷云、晴空、積云、雨層云、積雨云和層云。卷云（Ci），薄而透光性較好，潔白而亮澤，云體呈絲縷結(jié)構(gòu)，似馬尾；積云（Cu），具有圓拱形向上凸起的頂部，云團(tuán)大小與拳頭類似，邊緣清晰；雨層云（Ni），云體低而漫無定型，常布滿天空，云層蓬松，呈暗灰色；積雨云（Cb），云體濃厚，呈花椰菜狀，邊緣輪廓模糊。由于地基云圖無法獲知云底高度，雨層云和積雨云的圖像極為相似，故將兩類合并為一類，稱為雨云。最后，層云（St），云體均勻成層，覆蓋面積大，幾乎布滿天空，多呈灰色。各類云典型圖像如圖1所示。

對收集到的兩年中地基云圖進(jìn)行篩選和分類，最終共選取1000張地基云圖，分為5類：卷云、層云、積云、雨云和晴空（無云）。每類圖像各200張，訓(xùn)練集和測試集按8∶2劃分。

1.2 地基云圖的預(yù)處理

為了最大限度地包含有效信息，將圖1中地基云圖進(jìn)行預(yù)處理，裁剪四周無效區(qū)域。將所有原始圖片的四周用黑色填補(bǔ)，只保留鏡頭內(nèi)有效信息，同時(shí)將原始尺寸288×352×3裁剪至276×276×3，進(jìn)一步縮放為224×224×3。

此外，為提高后續(xù)分類模型泛化能力，對預(yù)處理后訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)，測試集保持不變。在同一類云圖中，云團(tuán)出現(xiàn)的位置不同不應(yīng)影響云的類別判別。因此，在訓(xùn)練過程中，每次輸入分類模型的云圖，有50%的云圖會(huì)被隨機(jī)左右翻轉(zhuǎn)和上下翻轉(zhuǎn)，在一定程度上擴(kuò)充訓(xùn)練集數(shù)量，增加模型的魯棒性。

2 DAR-CapsNet地基云圖分類模型

膠囊網(wǎng)絡(luò)在獲取圖像內(nèi)各部分空間信息方面具有較大優(yōu)勢，考慮云團(tuán)的類別取決于其內(nèi)部結(jié)構(gòu)和紋理特征，而云團(tuán)在地基云圖中的位置應(yīng)不影響其所屬類別，因此有效利用膠囊網(wǎng)絡(luò)對于空間信息的敏感性有助于提升云圖的分類效果。本文通過對原始膠囊網(wǎng)絡(luò)CapsNet進(jìn)行改進(jìn)，融合深度可分離卷積、注意力機(jī)制和殘差結(jié)構(gòu)，構(gòu)建DAR-CapsNet模型，實(shí)現(xiàn)對地基云圖的有效分類。

2.1 DAR-CapsNet模型結(jié)構(gòu)

所構(gòu)建的DAR-CapsNet模型如圖2所示，在傳統(tǒng)的膠囊模型（CapsNet）上增加帶注意力機(jī)制的SEblock（squeeze and excitation block）模塊和帶殘差結(jié)構(gòu)的Resblock。同時(shí)，在SEblock-1與SEblock-2之間和SEblock-3與Resblock-1之間使用的1×1卷積用于融合通道信息并進(jìn)行通道升維，加入Dropout層用于減少過擬合，DigitCaps層輸出的向量特征，經(jīng)過[L2]范數(shù)得到每個(gè)樣本的預(yù)測值，將預(yù)測值最大的類別作為輸入樣本的標(biāo)簽，實(shí)現(xiàn)對地基云圖的分類。

DAR-CapsNet模型中每層的卷積核尺寸、步長以及輸出尺寸如表1所示。在進(jìn)入CapsNet前，圖像尺寸以2的倍數(shù)減半，網(wǎng)絡(luò)最終輸出的尺寸為分類數(shù)×1的二維矩陣。

2.1.1 SEblock模塊

所提出的DAR-CapsNet模型中的SEblock模塊為帶有注意力機(jī)制的SE模塊，利用深度可分離卷積和通道注意力機(jī)制來提高提取特征的性能，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

SEblock的第1層為輸入層；第2層是1×1的逐點(diǎn)卷積，用于進(jìn)行通道間的信息融合以及通道的擴(kuò)張；第3層是3×3的逐通道卷積，將特征提取與特征組合分開進(jìn)行，可大大減少模型的參數(shù)；第3層和第4層之間使用通道注意力機(jī)制，用于調(diào)整每個(gè)通道的權(quán)重，具體為先將特征圖的每個(gè)通道都進(jìn)行平均池化，然后進(jìn)行2個(gè)全連接層得到1個(gè)輸出，并與第3層特征圖進(jìn)行相乘，得到新的特征圖，其中第1個(gè)全連接層的輸出設(shè)置為原來通道數(shù)的1/4，第2個(gè)全連接層輸出設(shè)置為通道數(shù)；第5層為第4層做1×1逐點(diǎn)卷積的輸出與第1層相加，形成線性瓶頸的逆殘差結(jié)構(gòu)。

在進(jìn)行地基云圖分類時(shí)，SEblock模塊充分利用了深度可分離卷積分的逐通道卷積和逐點(diǎn)卷積兩種方式的優(yōu)勢，運(yùn)用少量模型參數(shù)，從在擴(kuò)展特征圖和深度兩個(gè)方面提取云層信息，保證了對云圖具有較大的感受野，觀察到圖像的大部分區(qū)域。深度可分離卷積實(shí)現(xiàn)了空間和通道之間的解耦，在基本不影響準(zhǔn)確率的前提下大大減少參數(shù)量和計(jì)算量。深度可分離卷積的參數(shù)量和計(jì)算量分別如式（1）和式（2）所示：

[P1=Dk×Dk×MP2=M×NP=P1+P2] （1）

式中：[Dk]——卷積核的尺寸；[M]——通道數(shù)量；[N]——卷積核數(shù)量；[P]——深度可分離卷積的總參數(shù)量；[P1]——逐通道卷積參數(shù)量；[P2]——逐點(diǎn)卷積參數(shù)量。

[C1=Dk×Dk×M×Df×DfC2=M×N×Df×DfC=C1+C2]""""" （2）

式中：[C1]——逐通道卷積計(jì)算量；[Df]——特征圖的尺寸；[Df×Df]——每個(gè)卷積核對[Df×Df]的特征圖進(jìn)行的運(yùn)算次數(shù)；[C2]——逐點(diǎn)卷積計(jì)算量；[C]——深度可分離卷積的總計(jì)算量。

而普通卷積的參數(shù)量和計(jì)算量分別為：

[Pa=Dk×Dk×M×N]"" （3）

[Ca=Dk×Dk×M×N×Df×Df]" （4）

則普通卷積與深度可分離卷積的參數(shù)量比值[RP]和計(jì)算量比值[RC]為：

[RP=Dk×Dk×M+M×NDk×Dk×M×N=1N+1D2k]"""" （5）

[RC=Dk×Dk×M×Df×Df+M×N×Df×DfDk×Dk×M×N×Df×Df=1N+1D2k]""" （6）

深度可分離卷積中逐通道卷積的核尺寸為3×3，逐點(diǎn)卷積的核尺寸為1×1。一般[N]取值較大，則[1/N]可忽略不計(jì)。當(dāng)[Dk]為3時(shí)，深度可分離卷積的參數(shù)量與計(jì)算量約為作用相同的普通3×3卷積的1/9。

由于云體的層次結(jié)構(gòu)極為豐富，有些類別的云邊緣較模糊，且差異很小，在同一類云中，有時(shí)形狀變化也較大，這對于傳統(tǒng)CNN來說增加了提取特征的難度。因此，為使網(wǎng)絡(luò)更適用于提取云的特征，所設(shè)計(jì)的網(wǎng)絡(luò)模型需充分利用特征圖中的信息，實(shí)現(xiàn)對云體特征的全方面、精確地提取。如本文數(shù)據(jù)集中的卷云類，云層稀薄，且顏色較淡，能提取到的信息較少，注意力機(jī)制能充分關(guān)注不同通道的有效特征，這是云圖分類的重要依據(jù)，且能自動(dòng)調(diào)整每個(gè)特征通道的重要性，通過建模通道之間的相互依賴關(guān)系來自適應(yīng)地重新校準(zhǔn)通道方面的特征響應(yīng)，使神經(jīng)網(wǎng)絡(luò)重點(diǎn)關(guān)注某些權(quán)重值大的通道。因此，在地基云圖分類中，注意力機(jī)制的加入使得分類效果具有一定程度的提升。

2.1.2 Resblock模塊

殘差模塊Resblock的結(jié)構(gòu)如圖4所示，其中卷積核大小為3×3。相比于學(xué)習(xí)原始的信號(hào)，殘差結(jié)構(gòu)學(xué)習(xí)的是信號(hào)的差值，這簡化了學(xué)習(xí)過程，增強(qiáng)了梯度傳播，提高了網(wǎng)絡(luò)的泛化能力。殘差結(jié)構(gòu)中導(dǎo)數(shù)包含了恒等項(xiàng)，所以能有效地進(jìn)行反向傳播。殘差結(jié)構(gòu)在一定程度上加深了網(wǎng)絡(luò)結(jié)構(gòu)，能更深層次地提取云圖特征。

2.1.3 CapsNet模塊

CapsNet模塊主要包括卷積層、主膠囊層和數(shù)字膠囊層，其結(jié)構(gòu)如圖5所示。卷積層的作用是縮小特征圖尺寸、提升通道數(shù)，主膠囊層的作用是將特征輸出成特征向量而不是標(biāo)量，數(shù)字膠囊層的作用是通過動(dòng)態(tài)路由算法獲得更深層次的空間特征。由于CapsNet結(jié)合了對象之間的相對關(guān)系，在數(shù)值上表示為四維位姿矩陣，這對于正確分類和辨識(shí)對象來說很重要。膠囊網(wǎng)絡(luò)具有普通卷積神經(jīng)網(wǎng)絡(luò)不具有的旋轉(zhuǎn)不變性。由于前文在數(shù)據(jù)增強(qiáng)中做了旋轉(zhuǎn)變換，膠囊網(wǎng)絡(luò)能有效克服CNN不具備旋轉(zhuǎn)不變性的缺陷。

2.2 模型參數(shù)優(yōu)化與評價(jià)指標(biāo)

對于使用CapsNet結(jié)構(gòu)的模型設(shè)置優(yōu)化器為Nadam。Nadam在Adam基礎(chǔ)上加入了一階動(dòng)量的累積?？紤]到模型可能會(huì)陷入局部最小值，設(shè)置余弦退火學(xué)習(xí)率調(diào)整策略，余弦退火曲線半周期為20代。使用損失函數(shù)為：

[Lk=Tkmax0，m+-vk2+λ1-Tkmax0，vk-m-2]"""""" （7）

式中：[Lk]——第[k]類類別的損失值；[m+]——假陽性懲罰系數(shù)；[vk]——第[k]類膠囊向量長度；[λ]——不存在類別損失的向下加權(quán)系數(shù)；[m-]——假陰性懲罰系數(shù)；[Tk]——第[k]類是否存在，具體定義為：

[Tk=1，第k類類別存在0，第k類類別不存在]""" （8）

參考Sabour等［15］研究結(jié)果中損失函數(shù)的參數(shù)取值，本文[m+]取0.9，[m-]取0.1，[λ]取0.5。

評價(jià)指標(biāo)為準(zhǔn)確率[A]，即分類正確數(shù)與測試集總樣本數(shù)的比例，即：

[A=ncorrectntotal]" （9）

式中：[ncorrect]——分類正確的樣本數(shù)量；[ntotal]——測試集所有樣本數(shù)量。

3 實(shí)驗(yàn)設(shè)置與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

本文使用Pytorch框架對DAR-CapsNet進(jìn)行搭建，軟硬件的實(shí)驗(yàn)環(huán)境如表2所示。

3.2 基于CapsNet模型的性能分析

設(shè)計(jì)對比實(shí)驗(yàn)，將DAR-CapsNet模型與CapsNet+SEblock、CapsNet+Resblock和原始CapsNet進(jìn)行地基云圖分類效果對比。設(shè)置迭代次數(shù)為120次，初始學(xué)習(xí)率為0.003。在對比實(shí)驗(yàn)中，根據(jù)Sabour等［15］提出的囊間動(dòng)態(tài)路由算法，同時(shí)對比超參數(shù)routing（r）設(shè)置為3和5的情況，膠囊網(wǎng)絡(luò)均不進(jìn)行重建，實(shí)驗(yàn)結(jié)果如表3所示?？梢姡珻apsNet由于層數(shù)較淺，不適合大尺寸圖片輸入，準(zhǔn)確率較低。結(jié)合Resblock后，模型參數(shù)量和訓(xùn)練時(shí)間明顯上升，得益于加深網(wǎng)絡(luò)提取到更多有效信息，測試精度有所提升，但仍略低于CapsNet+SEblock模型。結(jié)合SEblock后，CapsNet+SEblock準(zhǔn)確率達(dá)到了93.00%，表明注意力機(jī)制對分類性能的影響之大。在結(jié)合SEblock和Resblock后，DAR-CapsNet模型參數(shù)量適中，且易于訓(xùn)練，比前3種模型具有更好的分類效果。對比超參數(shù)routing調(diào)整的情況，[r=3]時(shí)的分類準(zhǔn)確率均高于[r=5]時(shí)。[r=5]會(huì)導(dǎo)致模型過擬合且降低運(yùn)行效率，因此將[r=3]作為最優(yōu)超參數(shù)設(shè)置。

表3中最優(yōu)模型DAR-CapsNet（[r=3]）的訓(xùn)練集、測試集準(zhǔn)確率和訓(xùn)練集、測試集損失值對比如圖6所示?？梢姡ㄟ^設(shè)置余弦退火學(xué)習(xí)率調(diào)整策略，訓(xùn)練集的準(zhǔn)確率和損失值有較大幅度震蕩，利用此特性可跳出局部最小值，防止模型提前收斂。在100代左右時(shí)，模型收斂，準(zhǔn)確率最高達(dá)到95.50%。

DAR-CapsNet（[r=3]）模型測試集分類結(jié)果混淆矩陣如圖7所示。DAR-CapsNet模型將部分卷云樣本誤分為層云（10%誤識(shí)別），觀察數(shù)據(jù)集中的卷云和層云，發(fā)現(xiàn)兩種云的特征較為相似，誤判概率較高。此外，模型也將極個(gè)別層云樣本誤判為卷云和雨云?？梢姡珼AR-CapsNet模型對于卷云和層云的分類效果還有待提高，后續(xù)可改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)加強(qiáng)對卷云和層云特征的關(guān)注或在輸入中增加相關(guān)表征卷云和層云的特征參數(shù)，進(jìn)而提高卷云和層云的識(shí)別率。

3.3 基于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的性能分析

設(shè)計(jì)第2組對比實(shí)驗(yàn)，將DAR-CapsNet（[r=3]）模型與經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型（AlexNet、VGG16、GooLeNet、ResNet18）進(jìn)行對比。經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型的損失函數(shù)使用交叉熵，具體為AlexNet的優(yōu)化器選擇SGD，其余模型與DAR-CapsNet（[r=3]）模型設(shè)置一樣，使用Nadam，實(shí)驗(yàn)結(jié)果如表4所示。

表4中VGG16模型參數(shù)量最大，但分類準(zhǔn)確率只有89.00%，可見對于地基云圖分類任務(wù)，參數(shù)量大并不一定能準(zhǔn)確地將不同類別的云區(qū)分開。4種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)中，表現(xiàn)最好的ResNet18參數(shù)量和訓(xùn)練時(shí)間略優(yōu)于所提出的DAR-CapsNet （[r=3]）模型，但準(zhǔn)確率相差3.5%。綜上，所提出的DAR-CapsNet模型在測試準(zhǔn)確率上取得了最好的效果，在準(zhǔn)確率、參數(shù)量和訓(xùn)練時(shí)間方面達(dá)到了平衡，表明該模型參數(shù)量適中，且易于訓(xùn)練。

3.4 基于SWIMCAT數(shù)據(jù)集的模型性能分析

為了進(jìn)一步驗(yàn)證所提出的DAR-CapsNet模型的泛化能力和可遷移性，在公開新加坡全天空影像分類數(shù)據(jù)集（Singapore whole-sky imaging categories， SWIMCAT）［18］上進(jìn)行訓(xùn)練與測試。在SWIMCAT數(shù)據(jù)集中對每類云圖隨機(jī)抽取40張圖像作為測試集，其余作為訓(xùn)練集，實(shí)驗(yàn)結(jié)果如圖8所示。所提出的DAR-CapsNet模型對厚烏云和薄云兩個(gè)類別的分類準(zhǔn)確率比原論Soumyabrata Dev方法效果好，尤其是薄云。整體上DAR-CapsNet模型分類精度高達(dá)99.50%，相比Soumyabrata Dev分類方法高出4.50%，表明所提模型具有較好的可遷移性和一定的泛化能力。

4 結(jié) 論

為了提高云分類精度，利用美國國家新能源實(shí)驗(yàn)室公開數(shù)據(jù)庫中的2013—2014年地基云圖監(jiān)測數(shù)據(jù)，以CapsNet為基本模型，融合SEblock和Resblock，提出DAR-CapsNet分類模型，對5類地基云圖進(jìn)行分類，并與多個(gè)經(jīng)典深度學(xué)習(xí)分類模型進(jìn)行多組對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型的分類準(zhǔn)確率最高為92.00%，而本文構(gòu)建的模型分類準(zhǔn)確率可高達(dá)95.50%，且參數(shù)量適中，易于訓(xùn)練。同時(shí)，在不同公開數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，證明本文提出的模型具有較好的泛化性能。本研究豐富了氣象云分類的方法，提供精度更高的云分類方法。同時(shí)，對新能源發(fā)電的推廣具有重要意義。

雖然所提出的DAR-CapsNet模型在地基云圖分類中具有較好的表現(xiàn)，但目前的數(shù)據(jù)集中依然存在著易混淆的云圖圖像。在后續(xù)研究中，繼續(xù)關(guān)注如何提高模型在卷云和層云上的分類，進(jìn)一步優(yōu)化膠囊網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)，如采用動(dòng)態(tài)路由算法，提升其運(yùn)行效率，提高模型整體性能。

此外，本文所討論的云圖樣本均是在空氣質(zhì)量較好的情況下拍攝獲得，對存在嚴(yán)重空氣污染情況的天空云分類還有待進(jìn)一步研究。如通過增加云底高、氣溶膠含量等氣象環(huán)境參數(shù)，設(shè)計(jì)“數(shù)值-圖像”融合分類模型結(jié)構(gòu)，實(shí)現(xiàn)對重污染條件下的云準(zhǔn)確分類。

［參考文獻(xiàn)］

［1］"""" 過奕任， 張夢葉， 朱婷婷， 等. 基于網(wǎng)絡(luò)集成的太陽全輻射超短期混合預(yù)測方法［J］. 工業(yè)控制計(jì)算機(jī)， 2020， 33（9）： 35-36， 39.

GUO Y R， ZHANG M Y， ZHU T T， et al. A hybrid model for very short-term forecast of global horizontal irradiance based on network ensemble［J］. Industrial control computer， 2020， 33（9）： 35-36， 39.

［2］"""" 倪超， 王聰， 朱婷婷， 等. 基于CNN-Bi-LSTM的太陽輻照度超短期預(yù)測［J］. 太陽能學(xué)報(bào)， 2022， 43（3）： 197-202.

NI C， WANG C， ZHU T T， et al. Super-short-term forecast of solar irradiance based on CNN-Bi-LSTM［J］. Acta energiae solaris sinica， 2022， 43（3）： 197-202.

［3］"""" 張之正， 馮徑， 徐志康， 等. 基于Android平臺(tái)的地基云狀識(shí)別系統(tǒng)［J］. 自動(dòng)化技術(shù)與應(yīng)用， 2019， 38（11）： 127-131， 146.

ZHANG Z Z， FENG J， XU Z K， et al. Ground nephogram recognition system based on android platform［J］. Techniques of automation and applications， 2019， 38（11）： 127-131， 146.

［4］"""" 楊秋良， 王鈺， 楊杏麗， 等. 基于互信息F統(tǒng)計(jì)量特征選擇技術(shù)的地基氣象云圖分類［J］. 計(jì)算機(jī)與現(xiàn)代化， 2021（2）： 18-23，29.

YANG Q L， WANG Y， YANG X L， et al. Classification of ground-based meteorological cloud images based on feature selection technique of mutual information F-statistics［J］. Computer and modernization， 2021（2）： 18-23， 29.

［5］nbsp;""" 李林， 劉青山， 夏旻. 基于極限學(xué)習(xí)機(jī)的地基可見光云圖的云分類［J］. 大氣科學(xué)學(xué)報(bào)， 2015， 38（5）： 678-685.

LI L， LIU Q S， XIA M. Cloud classification based on ground-based vision cloud image using extreme learning machine ［J］. Transactions of atmospheric sciences， 2015， 38（5）： 678-685.

［6］"""" 朱彪， 楊俊， 呂偉濤， 等. 基于KNN的地基可見光云圖分類方法［J］. 應(yīng)用氣象學(xué)報(bào)， 2012， 23（6）： 721-728.

ZHU B， YANG J， LYU W T， et al. Ground-based visible cloud image classification method based on KNN algorithm ［J］. Journal of applied meteorological science， 2012， 23（6）： 721-728.

［7］"""" HEINLE A， MACKE A， SRIVASTAV A. Automatic cloud classification"" of"" whole"" sky""" images［J］."" Atmospheric measurement techniques， 2010， 3（3）： 557-567.

［8］"""" KLIANGSUWAN T， HEEDNACRAM A. Feature extraction"" techniques"" for"" ground-based"" cloud"" type classification［J］. Expert systems with applications， 2015， 42（21）： 8294-8303.

［9］"""" KAZANTZIDIS A， TZOUMANIKAS P， BAIS A F， et al. Cloud detection and classification with the use of whole-sky ground-based images［J］. Atmospheric research， 2012， 113： 80-88.

［10］""" 王敏， 莊志豪， 王康， 等. 地基云圖卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)分類的訓(xùn)練過程［J］. 信息技術(shù)， 2021， 45（10）： 26-30.

WANG M， ZHUANG Z H， WANG K， et al. Training process of convolution neural network in automatic classification of ground-based cloud image［J］. Information technology， 2021，45（10）： 26-30.

［11］""" ZHANG J L， LIU P， ZHANG F， et al. CloudNet： ground-based cloud classification with deep convolutional neural network［J］."" Geophysical"" research"" letters，"" 2018，" 45（16）： 8665-8672.

［12］""" 賈克斌， 張亮， 劉鵬宇， 等. 基于輕量級(jí)神經(jīng)網(wǎng)絡(luò)的地基云圖識(shí)別［J］. 北京工業(yè)大學(xué)學(xué)報(bào)， 2021， 47（5）： 489-499.

JIA K B， ZHANG L， LIU P Y， et al. Ground-based cloud recognition"" basednbsp;" on"" lightweight"" neural"" network［J］. Journal of Beijing University of Technology， 2021， 47（5）： 489-499.

［13］""" 崔順， 許允飛， 蘇麗穎， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的全天空地基云圖分類研究［J］. 天文研究與技術(shù)， 2019， 16（2）： 225-235.

CUI S， XU Y F， SU L Y， et al. Classification of all-sky camera" data" based" on" convolutional" neural" network［J］. Astronomical research amp; technology， 2019， 16（2）： 225-235.

［14］""" 段向軍， 王敏. 遷移深度學(xué)習(xí)地基云圖自動(dòng)識(shí)別的網(wǎng)絡(luò)微調(diào)學(xué)習(xí)過程［J］. 電子器件， 2020， 43（6）： 1257-1261.

DUAN X J， WANG M. An ground cloud image recognition method"" using"" AlexNet"" convolution" neural" network［J］. Chinese journal of electron devices， 2020， 43（6）： 1257-1261.

［15］""" SABOUR S， FROSST N， HINTON G E. Dynamic routing between" Capsules［J］." Advances" in" neural" information processing systems， 30： 3859-3869， 2017.

［16］""" MAZZIA V， SALVETTI F， CHIABERGE M. Efficient-CapsNet： capsule network with self-attention routing［J］. Scientific reports， 2021， 11： 14634.

［17］""" STOFFEL T， ANDREAS A. NREL solar radiation research laboratory （SRRL）： baseline measurement system （BMS）; golden， Colorado （data）［R］. No. NREL/DA-5500-56488， 1981.

［18］""" DEV S， LEE Y H， WINKLER S. Categorization of cloud image patches using an improved texton-based approach［C］//2015 IEEE International Conference on Image Processing （ICIP）. Quebec City， Canada： IEEE， 2015： 422-426.

CLOUD CLASSIFICATION OF GROUND-BASED CLOUD IMAGES

BASED ON DAR-CapsNet

Wei Liang，Zhu Tingting，Guo Yiren，Ni Chao，Teng Guang，Li Yan

（College of Mechanical and Electronic Engineering， Nanjing Forestry University， Nanjing 210037， China）

Abstract：In the current ground-based cloud image classification task， there are problems such as low recognition accuracy. In order to improve the accuracy of cloud classification， the DAR-CapsNet classification model for ground-based cloud images has been constructed by effectively integrating the features of depthwise separable convolution， attention mechanism and residual structure. Firstly， the ground-based cloud images were collected from the public database of the National New Energy Laboratory of the United States to build a cloud classification database； then， the proposed DAR-CapsNet classification model was trained and optimized； finally， experiments were conducted on different datasets to verify the performance of the proposed classification model. The experimental results show that the classification accuracy of the DAR-CapsNet model is as high as 95.50%， which is better than some published classification models， and the DAR-CapsNet model has better generalization performance on different datasets.

Keywords：photovoltaic power generation； clouds； image classification； convolutional neural networks； machine learning