کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4926790 | 1431600 | 2017 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Cloud tracking using clusters of feature points for accurate solar irradiance nowcasting
ترجمه فارسی عنوان
ردیابی ابر با استفاده از خوشه ای از نقاط ویژگی برای نمایش دقیق تابش خورشید
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
ترجمه چکیده
در این کار، ما پیشنهاد می کنیم یک سیستم برای ردیابی ابرها و پیش بینی رویدادهای مربوطه بر اساس تصاویر تمام آسمان. برای مقابله با ماهیت ظاهر متغیر ابرها، ما از خوشه ای از نقاط ویژگی برای انجام ردیابی استفاده می کنیم. ما یک الگوریتم خوشه بندی پیشرفته ای را پیشنهاد می کنیم که دانش اولیه تعداد خوشه ها را نیاز ندارد. الگوریتم خوشه بندی پیشنهادی می تواند به طور موفقیت آمیزی نقاط ویژگی را به گروه های با اندازه و محدوده معقول جدا کند. در روند ردیابی، ادغام و تقسیم ابرها از طریق بررسی جفت های همسان از نقاط ویژگی در میان خوشه های مختلف انجام می شود. پس از آن، اطلاعات ردیابی برای پیش بینی اینکه آیا خورشید تحت پوشش ابرها در افق پیش بینی قرار می گیرد یا خیره می شود، استفاده می شود. ویژگی ها از نقاط ویژگی ردیابی استخراج می شوند و یک مدل زنجیره ای مارکوف برای پیش بینی رویداد رمپ پایین طراحی شده است. رویدادهای مبهم و رفع شده تأثیر مهمی در تابش خورشید دارند. آزمایش ها نشان داده اند که سیستم پیشنهادی می تواند به طور قابل ملاحظه ای دقت تابش خورشید را در یک مجموعه داده های چالش برانگیز افزایش دهد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
In this work, we propose a system to track the clouds and predict relevant events based on all-sky images. To deal with the nature of variable appearance of clouds, we use clusters of feature points to perform tracking. We propose an enhanced clustering algorithm that does not require prior knowledge of number of clusters. The proposed clustering algorithm can successfully separate feature points into groups with reasonable sizes and ranges. In the tracking process, merging and splitting of clouds are handled via checking matched pairs of feature points among different clusters. Afterwards, the tracking information is utilized to predict if the sun will be covered or obscured by clouds within the prediction horizon. Features are extracted from the tracked feature points and a Markov chain model is designed to perform ramp-down event prediction. The obscuration and ramp-down events have an important impact on solar irradiance. The experiments have shown that the proposed system can substantially enhance the accuracy of solar irradiance nowcasting on a challenging dataset.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 104, April 2017, Pages 281-289
Journal: Renewable Energy - Volume 104, April 2017, Pages 281-289
نویسندگان
Hsu-Yung Cheng,