摘 要：為了提高電力系統(tǒng)運行的安全性，提出一種基于多光譜圖像融合的區(qū)域光伏發(fā)電容量預測方法。確定區(qū)域光伏發(fā)電管轄范圍，采集多光譜衛(wèi)星遙感圖像，對圖像進行IHS變換和Curvelet變換，通過多光譜圖像融合技術融合標準差，分析光伏電站時空特征，集合歷史數(shù)據(jù)，動態(tài)預測區(qū)域光伏發(fā)電容量。實驗結果表明：該方法的預測均方誤差為0.526、互信息以及結構相似性均在0.9以上，可以清晰呈現(xiàn)光伏電站時空多光譜圖像，區(qū)域光伏發(fā)電容量真實值與預測值較為擬合，可以準確預測區(qū)域光伏發(fā)電容量的變化情況。

關鍵詞：多光譜；圖像融合；Curvelet變換；區(qū)域光伏發(fā)電；容量預測

中圖分類號：TM615" " " " " " 文獻標志碼：A

0 引 言

光伏發(fā)電行業(yè)日趨完善，在發(fā)電能源中所占比例也持續(xù)增加［1-2］。但是，由于光伏發(fā)電系統(tǒng)會受到內外多重因素影響，導致其具有明顯的周期性以及隨機性等，并且在并網(wǎng)運行后，存在不可控性；如果光伏發(fā)電站的規(guī)模較大，還會對電力系統(tǒng)的安全性和穩(wěn)定性產生影響，所以需要準確預測區(qū)域光伏發(fā)電容量。相關方法一直是研究熱點：彭曙蓉等［3］通過正則化懲罰函數(shù)和誤差函數(shù)組建光伏預測模型的目標函數(shù)，將全部數(shù)據(jù)集輸入到完成訓練的模型中完成預測，但該方法難以應對周期性以及隨機性的影響。方鵬等［4］采用模糊C均值聚類算法對傳統(tǒng)隨機森林算法模型改進，同時建立LSTM神經(jīng)網(wǎng)絡，將兩者有效結合完成預測。王小楊等［5］通過PSO-RF模型訓練各類型的氣象數(shù)據(jù)，得到相對應的參數(shù)模型，最終通過實際情況選擇對應的模型進行預測，但暫未克服輸出功率固有的間歇性和不可控性，發(fā)電容量估計的結果波動較大。

對此，本文提出一種基于多光譜圖像融合的區(qū)域光伏發(fā)電容量預測方法。利用Curvelet變換法合成多光譜光伏區(qū)域衛(wèi)星圖像，結合IHS變換法，引入多光譜圖像融合技術融合光伏區(qū)域圖像特征，提高圖像的分辨率。以發(fā)電站歷史數(shù)據(jù)為基礎，引入長短期記憶網(wǎng)絡建立發(fā)電容量預測模型，實現(xiàn)發(fā)電容量的高精度預測。

1 融合高分辨率光伏區(qū)域彩色圖像

在區(qū)域光伏發(fā)電容量預測過程中，遙感圖像的平滑性較差，在圖像融合過程中的分辨率較低，為此根據(jù)Curvelet變換的平滑性和方向性，對多光譜光伏區(qū)域衛(wèi)星圖像進行合成處理，利用IHS變換提高合成圖像的清晰度，引入多光譜圖像融合技術獲取高分辨率光伏區(qū)域的彩色圖像。

1.1 多光譜光伏區(qū)域衛(wèi)星圖像合成

針對采集圖像平滑度較差的問題，采用Curvelet變換進行合成處理。多光譜光伏區(qū)域衛(wèi)星遙感圖像［6］分為全色圖像和多光譜圖像。Curvelet變換能使光伏區(qū)域的微型遙感圖像更加平滑，同時還能精準提取圖像邊緣特征。確保圖像邊緣部分的分解系數(shù)不會自動傳輸?shù)礁哳l尺度分量中，使能量高度集中。另外，Curvelet變換具有較強的方向性，能在實時掌握光伏區(qū)域圖像在不同范圍內的特征變化情況，對此Curvelet變換需要遵守一個尺度原則，如公式（1）所示。Curvelet變換流程如圖1所示。

[pm，ni，j=pm，ni，j-pm，ni，jminpm，ni，jmax-pm，ni，jmin] （1）

式中：[pm，ni，j]——各子塊的頻率帶寬；[pm，ni，jmax]和[pm，ni，jmin]——最大和最小頻率帶寬。

采用[R0]和[Δt]兩個濾波器組將光伏區(qū)域圖像[x]分解為[t]個子帶：

[x=pm，ni，jR0x，Δ1x，Δ2x，…，Δtx，" t≥0] （2）

式中：[t]——濾波器序號。

在不同子帶中分別包含多個寬度取值不同的光伏區(qū)域圖像的細節(jié)。通過式（3）計算光伏區(qū)域[N]：

[N=l12t+l1+12t×l22t+l2+12t] （3）

式中：[l1]、[l2]——不同子帶。

獲取區(qū)域內平滑窗口[ha1，b1]與子帶函數(shù)的乘積，同時根據(jù)[l1]和[l2]的變化情況完成圖像的平滑分割處理，即：

[Δsx，y=N1ha1，b1l1?l2?Δtx] （4）

式中：[Δsx，y]——圖像平滑分割處理結果。

優(yōu)先平移各個二進方塊，同時對其歸一化處理，得到以下計算式：

[pQ=Δsx，yha1，b1x] （5）

式中：[pQ]——二進方塊歸一化處理結果。

完成Curvelet變換的分解后，還需要展開處合成處理，確保光伏區(qū)域圖像可以更好地描述邊緣部分，則有：

[Sx，y=Δsx，y+pQha1，b1] （6）

式中：[Sx，y]——合成處理之后的多光譜光伏區(qū)域衛(wèi)星圖像。

1.2 高分辨率光伏區(qū)域圖像特征融合

IHS變換是目前比較常用的圖像融合方法，優(yōu)先將處理后的多光譜光伏區(qū)域衛(wèi)星遙感圖像的3個波段分別放大映射到不同的通道內［7-9］，具體的IHS變換式可表示為：

[Iu1u2=Sx，y13" " 13" " 1316" " 16" " -2612" " 12" " " "0×RGB] （7）

式中：[I]——光伏區(qū)域圖像的空間分辨率；[u1]和[u2]——區(qū)域圖像的光譜分辨率；[R]、[G]、[B]——不同的顏色通道。

將Curvelet變換和IHS變換有效結合，同時引入多光譜圖像融合技術對圖像融合處理［10-12］，詳細操作步驟如下：

1）首先通過雙線性插值法將采集的多光譜光伏區(qū)域衛(wèi)星遙感圖像放大處理，使其和全色圖像大小一致，同時展開空間配準處理，即：

[Bx，y，z=u1?u2×Sx，yha1，b1] （8）

式中：[Bx，y，z]——光伏區(qū)域圖像的空間配準處理結果。

2）采用直方圖匹配方法對多光譜圖像和全色圖像匹配處理，并且對前者實行IHS變換，獲取對應的分量值。

3）分別對步驟2）中得到的分量和全色光伏區(qū)域圖像展開Curvelet變換，形成主系數(shù)[Dx，y]以及對應的子帶系數(shù)[Jx，y]。

4）通過標準差方法將步驟2）得到的分量和全色光伏區(qū)域圖像的主系數(shù)融合處理［13-14］，進而獲取融合圖像的系數(shù)[Dx，y]：

[Dx，y=D1x，yDpanx，y] （9）

式中：[Dpanx，y]——全色圖像PAN分解的主系數(shù)。

5）經(jīng)過融合處理后，利用Curvelet變換技術獲取主系數(shù)對應的分量信息，得到高分辨率的光伏電站發(fā)電典型區(qū)域彩色圖像，為預測區(qū)域光伏發(fā)電容量提供技術保障。

2 區(qū)域光伏發(fā)電容量預測方法設計

為解決預測區(qū)域光伏發(fā)電容量時出現(xiàn)的過擬合問題，根據(jù)融合處理得到的高分辨率彩色光伏區(qū)域圖像，以光伏發(fā)電站的歷史數(shù)據(jù)為依據(jù)，對區(qū)域光伏發(fā)電容量展開動態(tài)預測處理。引入長短期記憶網(wǎng)絡，準確地模擬相似時間序列的平滑特征，結合光伏電站時空特征構建區(qū)域光伏發(fā)電容量預測模型：

[FVk+1=Dx，yrk，" gk，" jk?α] （10）

式中：[FVk+1]——發(fā)電容量動態(tài)預測結果；[rk]——真實光伏發(fā)電容量的估計值；[gk]——長短期記憶網(wǎng)絡輸入?yún)?shù)集合；[jk]——天氣和光照空間的映射結果；[α]——光伏發(fā)電站的歷史數(shù)據(jù)。

相同區(qū)域內光伏發(fā)電站的歷史發(fā)電量具有較高的空間相關性，在模型中輸入彩色區(qū)域光伏區(qū)域圖像融合特征結果和光伏組時空特征信息［15-16］，空間內鄰接矩陣[V]是一個對稱矩陣，其中矩陣的各個元素[Vi，j]反映了兩個光伏發(fā)電站[i]和[j]之間的緊密程度。其中，對光伏發(fā)電站[i]而言，需要在輸入特征信息中提取主要的時空特征，若多個特征信息的輸出結果一致，則根據(jù)屬性選擇相應的發(fā)電容量時空參數(shù)，構成時空特征集合。采用頻譜的圖卷積[P]描述在光伏數(shù)據(jù)集中包含的全部時空特征集合，以下通過濾波器[φa，b]對其濾波處理，進而獲取時空特征集合的圖卷積[φa，b?P]，即：

[φa，b?P=Dpanx，yvi，jrk，gk，jk] （11）

由于式（11）在計算過程中會花費大量時間，所以采用切比雪夫多項式對特征值函數(shù)線性估計處理：

[φu，vΙ=φa，b?P×Ei，j1pm，ni，jmax-pm，ni，jmin] （12）

式中：[φu，vΙ]——特征值函數(shù)線性估計值；[Ei，j]——切比雪夫系數(shù)。

將屬性系數(shù)最大值作為輸入［17］，匹配區(qū)域光伏發(fā)電容量預測模型[βm，n]，分析重點區(qū)域光伏發(fā)電容量波動情況，即：

[βm，n=hfi，jφu，vΙDpanx，y?FVk+1] （13）

得到不同類型區(qū)域光伏發(fā)電容量時空特征的具體屬性，共享全部節(jié)點的相關參數(shù)信息，有效避免了過擬合問題的出現(xiàn)。整合多個高精度的發(fā)電容量預測結果，輸出最終的區(qū)域光伏發(fā)電容量預測結果。

3 實驗與分析

為驗證所提基于多光譜圖像融合的區(qū)域光伏發(fā)電容量預測方法的有效性，進行實驗分析。PVOutput數(shù)據(jù)庫（https：//pvoutput.org/）是一個涵蓋光伏發(fā)電系統(tǒng)的實時發(fā)電量、天氣數(shù)據(jù)等信息的數(shù)據(jù)庫，通過該數(shù)據(jù)庫可以更直觀地觀察光伏發(fā)電量和系統(tǒng)性能的變化趨勢。因此，在PVOutput數(shù)據(jù)庫中隨機選取15個區(qū)域的光伏發(fā)電數(shù)據(jù)，依托其數(shù)據(jù)中臺，選取2020年5月—2021年5月的光伏發(fā)電容量作為實驗樣本。光伏發(fā)電能量存在一定的周期性，為了捕捉短時間內發(fā)電功率變化和波動，提高預測精度，將出力預測采樣時間間隔設置為15 min，以此測試不同時間尺度下采樣權值的具體變化情況，如圖2所示。圖2中，根據(jù)采樣權值的變化情況，采集光伏電站時空特征信息（如負載功率、峰值日照時數(shù)等）。實驗圖像為SPOT衛(wèi)星拍攝的地面分辨率為25 m的全色圖像，根據(jù)光伏組件串并聯(lián)情況和組件容量計算總功率，以實際計算結果，對光伏組件和太陽電池消耗進行匹配和優(yōu)化，構成時空特征集合樣本。

為了驗證所提方法對多光譜衛(wèi)星遙感圖像融合效果，將所提方法與文獻［3］方法（基于XGBoost的預測方法）、文獻［4］方法（基于LSTM神經(jīng)網(wǎng)絡的預測方法）和文獻［5］方法（基于ABC-SVM和PSO-RF的預測方法）進行對比，實驗選擇均方誤差、互信息以及結構相似性作為融合主系數(shù)測試指標，其中均方誤差的取值越小，互信息以及結構相似性的取值越大則說明融合處理得到的圖像質量越高，詳細結果如表1所示。表1中，所提方法的均方誤差為0.526、互信息以及結構相似性均在0.9以上，可保證圖像細節(jié)與融合質量。

高分辨率彩色圖像融合結果如圖3所示。圖3中，所提方法獲取了更好的融合效果，全色圖像中的紋理信息反映在融合圖像中，直接反映出多幅圖像對應像素之間的差異，可以大大改善光譜失真問題，同時也能夠得到更加豐富的特征信息（如光伏電站大型光伏組件位置等）。不同方法的區(qū)域光伏發(fā)電容量預測結果，如圖4所示。圖4中，所提方法的穩(wěn)定性較好，能準確預測區(qū)域光伏發(fā)電容量的變化情況。而對比方法受到多方面因素影響，預測結果和真實結果存在較大差距，無法保證光伏電站的穩(wěn)定運行。

4 結 論

本文提出一種基于多光譜圖像融合的區(qū)域光伏發(fā)電容量預測方法，能夠準確預測區(qū)域光伏發(fā)電容量，獲取高質量的多光譜遙感衛(wèi)星圖像，保證圖像融合質量，全面提升預測結果的可信度，可充分掌握區(qū)域光伏發(fā)電容量在不同時刻的具體變化情況。

［參考文獻］

［1］ 屈星， 李欣然， 盛義發(fā)， 等. 面向廣義負荷的光伏發(fā)電系統(tǒng)等效建模研究［J］. 電網(wǎng)技術， 2020， 44（6）： 2143-2150.

QU X， LI X R， SHENG Y F， et al. Research on equivalent modeling of PV generation system for generalized load［J］. Power system technology， 2020， 44（6）： 2143-2150.

［2］ 鄧文麗， 戴朝華， 張涵博， 等. 復雜電氣化鐵路牽引用光伏發(fā)電系統(tǒng)綜合優(yōu)化控制方法研究［J］. 中國電機工程學報， 2020， 40（18）： 5849-5864， 14.

DENG W L， DAI C H， ZHANG H B， et al. Research on comprehensive optimization control method for traction photovoltaic generation system of complex electrified railway［J］. Proceedings of the CSEE， 2020， 40（18）： 5849-5864， 14.

［3］ 彭曙蓉， 鄭國棟， 黃士峻， 等. 基于XGBoost算法融合多特征短期光伏發(fā)電量預測［J］. 電測與儀表， 2020， 57（24）： 76-83.

PENG S R， ZHENG G D， HUANG S J， et al. Multiple-feature short-term photovoltaic generation forecasting based on XGBoost algorithm［J］. Electrical measurement amp; instrumentation， 2020， 57（24）： 76-83.

［4］ 方鵬， 高亞棟， 潘國兵， 等. 基于LSTM神經(jīng)網(wǎng)絡的中長期光伏電站發(fā)電量預測方法研究［J］. 可再生能源， 2022， 40（1）： 48-54.

FANG P， GAO Y D， PAN G B， et al. Research on forecasting" method" "of" nbsp;mid-and" "long-term" "photovoltaic power" "generation" based" "on" LSTM" "neural" network［J］. Renewable energy resources， 2022， 40（1）： 48-54.

［5］ 王小楊， 羅多， 孫韻琳， 等. 基于ABC-SVM和PSO-RF的光伏微電網(wǎng)日發(fā)電功率組合預測方法研究［J］. 太陽能學報， 2020， 41（3）： 177-183.

WANG X Y， LUO D， SUN Y L， et al. Combined forecasting method of daily photovoltaic power generation in microgrid based on ABC-SVM and PSO-RF models［J］. Acta energiae solaris sinica， 2020， 41（3）： 177-183.

［6］ OMER B A， SERAJ M S， MOHAMED D. Detecting and distinguishing ophiolite rocks via multispectral remote sensing in Bi’r umq， southeast Al madinah Al munawarrah， Saudi Arabia［J］. International journal of geosciences， 2021， 12（7）： 635-652.

［7］ 姜文斌， 孫學宏， 劉麗萍. 基于離散小波變換和梯度銳化的遙感圖像融合算法［J］. 電光與控制， 2020， 27（5）： 47-51.

JIANG W B， SUN X H， LIU L P. A remote sensing image fusion algorithm based on DWT and gradient sharpening［J］. Electronics optics amp; control， 2020， 27（5）： 47-51.

［8］ 侯衛(wèi)民， 趙拓， 蘇佳， 等. 基于協(xié)同表示的高光譜和多光譜圖像融合算法［J］. 電子科技大學學報， 2020， 49（4）： 569-574.

HOU W M， ZHAO T， SU J， et al. Hyperspectral and multispectral image fusion algorithm based on collaborative representation［J］." Journal" of" University" of" Electronic Science and Technology of China， 2020， 49（4）： 569-574.

［9］ 黃峰， 黃偉藍， 吳銜譽. 空間和光譜信息保持的多光譜圖像融合算法［J］. 福州大學學報（自然科學版）， 2021， 49（3）： 285-294.

HUANG F， HUANG W L， WU X Y. Pan-sharpening algorithm based on spatial and spectral information preservation［J］." Journal" "of" "Fuzhou" "University （natural science edition）， 2021， 49（3）： 285-294.

［10］ 李建飛， 陳春曉， 王亮. 基于雙樹復小波變換和頻域U-Net的多光譜圖像融合算法［J］. 生物醫(yī)學工程研究， 2020， 39（2）： 145-150.

LI J F， CHEN C X， WANG L. Fusion algorithm of multi-spectral images based on dual-tree complex wavelet transform" "and" "frequency-domain" U-Net［J］." Journal" "of biomedical engineering research， 2020， 39（2）： 145-150.

［11］ 蔣琳， 蘇建徽， 李欣， 等. 基于可見光和紅外熱圖像融合的光伏陣列熱斑檢測方法［J］. 太陽能學報， 2022， 43（1）： 393-397.

JIANG L， SU J H， LI X， et al. Hot spot detection of photovoltaic array based on fusion of visible and infrared thermal images［J］. Acta energiae solaris sinica， 2022， 43（1）： 393-397.

［12］ LI G H， LI J J， FAN H. Edge-guided multispectral image fusion algorithm［J］. Journal of applied remote sensing， 2020， 14（4）： 046515.

［13］ 時慶濤， 朱興宇， 于超. 多光譜圖像紋理特征數(shù)據(jù)挖掘方法仿真［J］. 計算機仿真， 2020， 37（2）： 247-250.

SHI Q T， ZHU X Y， YU C. Simulation of multi-spectral image texture feature data intelligent mining method［J］. Computer simulation， 2020， 37（2）： 247-250.

［14］ 戎念慈， 黃梅珍. 可見-近紅外多光譜和多種算法模型融合的血跡年齡預測［J］. 光譜學與光譜分析， 2020， 40（1）： 168.

RONG N C， HUANG M Z. Age estimation of bloodstains based on visible-near infrared multi-spectrum combined ensembling model［J］. Spectroscopy and spectral analysis， 2020， 40（1）： 168.

［15］ 蔚道權， 王慧琴， 王可， 等. 基于空譜聯(lián)合特征的壁畫稀疏多光譜圖像顏料分類方法［J］. 光子學報， 2022， 51（4）： 0430002.

WEI D Q， WANG H Q， WANG K， et al. Pigment classification method of mural sparse multi-spectral image based on space spectrum joint feature［J］. Acta photonica sinica， 2022， 51（4）： 0430002.

［16］ 李磊， 溫大新， 王宇. 基于對沖火焰的碳煙輻射光譜測量及誤差分析［J］. 江蘇大學學報（自然科學版）， 2022， 43（4）： 488-496.

LI L， WEN D X， WANG Y. Measurement of soot spectral emission and error analysis based on counterflow flame［J］. Journal of Jiangsu University （natural science edition）， 2022， 43（4）： 488-496.

［17］ 王清亮， 楊博， 應欣峰， 等. 非晴空條件下光伏發(fā)電短期功率預測方法［J］. 太陽能學報， 2022， 43（3）： 188-196.

WANG Q L， YANG B， YING X F， et al. Short-term photovoltaic power forecasting method under non-clear sky condition［J］. Acta energiae solaris sinica， 2022， 43（3）： 188-196.

REGIONAL PHOTOVOLTAIC POWER GENERATION CAPACITY

PREDICTION BASED ON MULTISPECTRAL IMAGE FUSION

Ma Xiaolei1，Zhang Yanjun1，2，Wang Kaiwei1，Sun Linhua3，Li Yongguang1

（1. State Grid Xinjiang Electric Power Co.， Ltd.， Urumqi 830063， China；

2. College of Electrical Engineering， Sichuan University， Chengdu 610065， China；

3. Guodian Nanrui Nanjing Control System Co.， Ltd.， Nanjing 211102， China）

Abstract：In order to improve the safety of power system operation， a region photovoltaic （PV） power generation capacity prediction method based on multispectral image fusion is proposed. The method defines the jurisdiction of regional PV power generation， acquires multispectral satellite remote sensing images， applies IHS transformation and Curvelet transform to the images， and fuses the standard deviation of multispectral images through image fusion technology. By analyzing the spatio-temporal characteristics of the PV power station and combining historical data， the method dynamically predicts the regional PV power generation capacity. Experimental results show that the mean square error of the method is 0.526， and the mutual information and structural similarity are both above 0.9. The method can clearly present the spatio-temporal multispectral images of the PV power station， and the real and predicted values of regional PV power generation capacity are well fitted， which can accurately predict the changes in regional PV power generation capacity.

Keywords：multispectral； image fusion； Curvelet transform； regional photovoltaic power generation； capacity forecast