[논문 리뷰] Data acquisition and image processing for solar irradiance forecasting

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|2020. 11. 24.

Image Enhancement Techniques참고 문헌 20인용 수 9

한 줄 요약

이 논문은 태양 추적기 상에 장착된 장파적외선(IR) 및 가시광선(VI) 카메라를 사용하여 단기 태양 복사량 예측을 위한 다중 센서 데이터 수집 및 영상 처리 프레임워크를 제안한다. 피란오미터의 편향 보정, 다중 VI 노출 융합, IR 데이터에 대한 대기 및 창문 효과 모델링, 정규화를 적용한 Lucas-Kanade 광학 흐름 적용을 통해, Lucas-Kanade 방법을 사용하여 루트 평균 제곱 오차(RMSE)가 0.3398인 정확한 클리어 스카이 인덱스(CSI) 예측을 달성한다.

ABSTRACT

The energy available in Micro Grid (MG) that is powered by solar energy is tightly related to the weather conditions in the moment of generation. Very short-term forecast of solar irradiance provides the MG with the capability of automatically controlling the dispatch of energy. To achieve this, we propose a method for statistical quantification of cloud features extracted from long-ware infrared (IR) images to forecast the Clear Sky Index (CSI). The images are obtained using a data acquisition system (DAQ) mounted on a solar tracker. We explain how to remove cyclostationary bias in the data caused by the devices in the own DAQ. We investigate a method to obtain the CSI, after the detrending of Global Horizontal Irradiance (GHI) measurements. We propose a method to fusion multiple exposures of circumsolar visible (VI) light images. We implement a method for extracting physical features using radiometric measurements of the IR camera. We introduce a model to remove from IR images both the effect of the atmosphere scatter radiation, and the effect of the Sun direct radiation. We explain how to model of diffuse radiation of the IR camera window, which is produce by water spots and dust particles stack to the germanium lens of the DAQ enclosure. The frames, that were used to model the camera window, are selected using an atmospheric condition model. This model classifies the sky four different categories: clear, cumulus, stratus, and nimbus. We introduce a geometric transformation of the size of the pixels to their actual dimension in a plane of the atmosphere which is at a given height. This transformation is performed according to the elevation angle of the Sun and field of view (FOV) of the camera. We compare the error between the transformation and anapproximation of transformation.

연구 동기 및 목표

• 실시간 하늘 영상 기반으로 마이크로그리드에서 정확한 단기 태양 복사량 예측에 도전한다.
• IR 및 가시광선 센서의 하드웨어 결함으로 인한 데이터 수집 시스템의 주기적 정합성 편향을 완화한다.
• 대기 효과 및 카메라 창문 오염(먼지, 물기스)을 모델링하여 IR 측정치에 영향을 주는 요소를 제거함으로써 복사량 예측 정확도를 향상시킨다.
• 정규화를 적용한 광학 흐름 기법을 통해 구 nu 운동을 정확하게 추정하는 강력한 방법을 개발한다.
• 태양 복사량, 대기 조건, 픽셀 데이터의 기하학적 변환에 대한 물리 모델을 통합하여 정밀한 복사량 예측을 가능하게 한다.

제안 방법

• IP66 등급 케이스에 장착된 고유의 데이터 수집 시스템(DAQ)을 구축하여 장파적외선 카메라(FLIR Lepton 2.5), 가시광선 카메라(ELP OV5640), 태양 추적기, 피란오미터를 통합한다.
• 현장 처리 및 열전피일 센서를 통한 수동 校정을 통해 IR 영상에 평탄성 보정 및 비균일성 보정을 적용한다.
• 다항식 근사화를 통한 정규화된 상호상관관계를 활용하여 노출 스위칭 및 가시광선 영상 융합을 구현함으로써 동적 범위를 향상시키고 노이즈를 감소시킨다.
• 습윤 단열 경사율과 구름 기저 높이 추정을 사용하여 IR 영상에서 직접 태양 복사 및 산산이 흩어진 복사 기여도를 제거함으로써 대기 복사 효과를 모델링한다.
• 하늘 상태 분류(Clear, Cumulus, Stratus, Nimbus)를 활용하여 지속적인 창문 모델을 개발하여 게르마늄 렌즈에 묻은 먼지 및 물기스로 인한 산산이 흩어진 복사 효과를 보정한다.
• 태양 고도와 카메라 시야각(FOV)을 기반으로 투영 변환을 적용하여 픽셀 치수를 실제 대기 평면으로 매핑함으로써 구름 기능의 정확한 공간 스케일링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 IR 및 가시광선 카메라 데이터의 주기적 정합성 편향을 효과적으로 제거하여 복사량 예측 정확도를 향상시킬 수 있는 방법은 무엇인가?
• RQ2 다중 노출 가시광선 영상 융합을 위한 최적의 방법은 무엇인가? 이는 태양 영상의 동적 범위를 향상시키고 노이즈를 감소시키는 데 기여한다.
• RQ3 대기 및 창문 유도 복사 효과를 장파적외선 영상에서 모델링하고 제거하여 구름 기능을 분리할 수 있는가?
• RQ4 정규화 후에 Lucas-Kanade, Horn-Schunck, 또는 Farnebäck 중 어느 광학 흐름 알고리즘이 가장 강력하고 정확한 구름 속도 추정을 제공하는가?
• RQ5 픽셀 데이터의 기하학적 변환은 구름 운동 및 복사량 예측 정확도를 얼마나 향상시키는가?

주요 결과

• Lucas-Kanade 광학 흐름 방법은 검증 과정에서 RMSE가 0.3398로 가장 낮았으며, Horn-Schunck(0.3452) 및 Farnebäck(0.2422)를 모두 능가했다. 다만 Farnebäck는 계산 속도는 빠르지만 과도한 이상치를 생성하여 정규화로 복구되지 않아 예측 신뢰도가 떨어졌다.
• 제안된 창문 모델은 하늘 상태 분류 및 지속적 보정을 통해 게르마늄 렌즈의 먼지 및 물기스로 인한 오차를 효과적으로 감소시켰다.
• 태양 고도와 시야각(FOV)을 기반으로 한 투영 변환은 구름 기능의 공간 정확도를 향상시켜 보다 신뢰할 수 있는 구름 속도 추정을 가능하게 하였다.
• 정규화된 총 수평 복사량(GHI) 측정치를 사용한 피란오미터 편향 보정은 다양한 대기 조건에서도 복사량 데이터의 일관성을 크게 향상시켰다.
• 물리 모델링, 센서 융합, 이상치 정규화를 적용한 광학 흐름의 조합은 Lucas-Kanade 방법을 사용하여 최종 RMSE가 0.3398인 강력한 예측 파이프라인을 제공하였다.