學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890
Browse
3 results
Search Results
Item 區塊匹配應用於雲層移動估計之全天空影像與衛星雲圖日射量估計與預測系統(2024) 高碩; Kao, Shuo本文透過全天空影像及衛星雲圖的分析，來開發以影像中雲層為特徵的估計與預測系統。在全天空影像中，使用紅藍比例法擷取雲層特徵影像，並提出適應式閾值在不同背景亮度的情況下更精確地判定雲層資訊計算雲層在整張圖的占比，以及太陽周圍雲特徵分析，在衛星雲圖中使用超像素分割出觀測區域雲層並利用紅藍比例法擷取雲層資訊；透過粒子測速區塊匹配推估雲層移動情形，製作未來數分鐘至小時之雲層情況，提取雲層特徵，作為雙向長短期記憶模型之輸入，而模型輸出為日射量。使用三個評估指標來檢視模型學習情形，包含相對均方根誤差、相對平均絕對誤差與預測技巧比較估計及預測成果，其中估計與預測時長 120 分鐘實驗的相對平均絕對誤差分別可達 21.99%與 34.66%。Item 基於深度學習之光流法應用於全天空影像之日射量估計與預測(2023) 陳家豪; Chen, Chia-Hao因應太陽能發電日益重要，又因太陽能發電量受制於日射量的影響，同時考量太陽能發電是間歇性的能源，故提出一種基於深度學習光流應用於全天空影像之日射量估計與預測的方法。由於日射量變化容易受到天氣狀況影響，本文藉由全天空影像，建立一個以影像特徵為基礎之日射量估計與預測系統，其影像特徵包括，利用紅藍比例法計算影像中雲層比例、雲層厚度，及藉太陽位置演算法得到影像中太陽位置，分析太陽附近雲層特徵，萃取全域與局部的雲層權重。同時用基於深度學習的光流法推算雲層移動的狀態，並製作未來數分鐘之天空預測圖像，將這些預測圖像作長短期記憶(LSTM)之輸入特徵，日射量作為訓練輸出，其深度學習光流法是透過卷積神經網路來實現。本文將資料集區分為月、季、半年與一年，分別進行10分鐘至60分鐘的日射量預測。同時，本文使用多個效能指標評估效果，包括平均絕對誤差(Mean Absolute Error)、均方根誤差(Root Mean Square Error)與判定係數(R^2)。最後，與文獻的方法進行比較，本文所提的方法具有較好的結果。Item 利用全天空影像分析進行日射量及太陽能發電量之估算與預測(2021) 朱財平; Chu, Tsai-Ping日射量容易受天氣因素影響而產生突坡事件，並造成太陽能發電量不穩定，以致難以將其整合入區域電網當中。本研究以全天空影像儀捕獲白晝之全天空影像，並建立一以影像特徵為基礎之日射量及太陽能發電量估算與預測系統。分析當前空影像以萃取全域及局部雲層之權重；利用光流法推算雲層移動狀態，並製作一分鐘之天空預測圖像。將雲層權重作為長短期記憶(LSTM)之輸入，以進行日射量估算與預測。並且，製作功率曲線，以進一步估算太陽能之發電量。本研究使用多個效能指標評估效果，包括平均絕對誤差(MAE)、均方根誤差(RMSE)、正歸化均方根誤差(nRMSE)以及判定係數(R^2)；並設計數個實驗方法進行比較，實驗結果顯示，本研究所提出方法具有較佳的性能。