[논문 리뷰] Detection of Clouds in Multiple Wind Velocity Fields using Ground-based Infrared Sky Images

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|2021. 05. 07.

Solar Radiation and Photovoltaics인용 수 4

한 줄 요약

이 논문은 온도 및 운동 벡터 분포를 혼합 모델과 순차적 은닉 마르코프 모델(HMM)을 사용하여 지상 기반 적외선 천체 영상에서 다중 구름층을 탐지하기 위한 비지도 학습 방법을 제안한다. 이 방법은 가우시안 혼합 모델(GMM)의 사후 확률에서 유도된 가중치를 갖는 가중치가 부여된 Lucas-Kanade 광학 흐름을 사용하여 win 속도장을 추정하며, HMM이 베이지안 지표보다 더 높은 탐지 정확도를 달성하여 전통적 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Horizontal atmospheric wind shear causes wind velocity fields to have different directions and speeds. In images of clouds acquired using ground-based sky imagers, clouds may be moving in different wind layers. To increase the performance of an intra-hour global solar irradiance forecasting algorithm, it is important to detect multiple layers of clouds. The information provided by a solar forecasting algorithm is necessary to optimize and schedule the solar generation resources and storage devices in a smart grid. This investigation studies the performance of unsupervised learning techniques when detecting the number of cloud layers in infrared sky images. The images are acquired using an innovative infrared sky imager mounted on a solar tracker. Different mixture models are used to infer the distribution of the cloud features. The optimal decision criterion to find the number of clusters in the mixture models is analyzed and compared between different Bayesian metrics and a sequential hidden Markov model. The motion vectors are computed using a weighted implementation of the Lucas-Kanade algorithm. The correlations between the cloud velocity vectors and temperatures are analyzed to find the method that leads to the most accurate results. We have found that the sequential hidden Markov model outperformed the detection accuracy of the Bayesian metrics.

연구 동기 및 목표

• 지상 기반 적외선 천체 영상에서 다중 구름층을 탐지하여 일시적 전역 태양 복사량(GSI) 예측을 향상시키기 위해.
• 태양 복사량 변동성에 영향을 주는 다양한 대기 구름층에서의 풍속 변화 문제를 해결하기 위해.
• 수동 레이블링을 피하고 실시간 구름층 탐지가 가능한 비지도 학습 프레임워크를 개발하기 위해.
• 베이지안 모델 선택 지표와 순차적 HMM의 성능을 비교하여 최적의 구름층 수를 결정하기 위해.
• 온도 및 운동 벡터 특징을 개별 층별로 모델링하여 구름 역학을 분석함으로써 태양 예측 정확도를 향상시키기 위해.

제안 방법

• 태양 추적장치에 장착된 지상 기반 적외선 천체 영상 장치를 사용하여 하늘의 순차적 열영상 촬영을 수행한다.
• 가우시안 혼합 모델(GMM)의 사후 확률에서 유도된 가중치를 갖는 가중치가 부여된 Lucas-Kanade 광학 흐름 알고리즘을 적용하여 운동 벡터를 계산한다.
• 혼합 모델(GMM, BGaMM)을 사용하여 온도 및 속도 벡터를 포함한 구름 특징의 잠재 분포를 추론한다.
• 베이지안 모델 선택 지표(예: 최소 ICL)와 순차적 은닉 마르코프 모델(HMM)을 사용하여 최적의 구름층 수를 결정한다.
• 온도 및 속도 벡터 특징의 결합 분포를 기반으로 가장 가능성이 높은 시나리오(1개 또는 2개의 구름층)를 선택하기 위해 MAP 기준을 적용한다.
• 시간적 HMM을 사용하여 영상 시퀀스 간의 구름층 상태 변화를 모델링함으로써 탐지 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 온도 및 운동 벡터 특징만을 사용하여 비지도 학습 기법이 적외선 천체 영상에서 다중 구름층을 효과적으로 탐지할 수 있는가?
• RQ2 순차적 은닉 마르코프 모델의 성능이 구름층 수를 식별하는 데 있어 베이지안 모델 선택 지표와 비교하여 어떻게 다른가?
• RQ3 혼합 모델의 사후 확률이 운동 벡터 추정 및 구름층 탐지 정확도 향상에 얼마나 기여하는가?
• RQ4 레이블이 없는 훈련 데이터로도 제안된 방법이 서로 다른 풍속 필드에서 움직이는 구름층을 탐지할 수 있는가?
• RQ5 온도 및 속도 벡터 분포를 통합함으로써 단일 특징 기반 접근법에 비해 구름층 탐지 성능이 얼마나 향상되는가?

주요 결과

• 순차적 은닉 마르코프 모델이 모든 베이지안 지표보다 구름층 탐지 정확도에서 뛰어난 성능을 보였으며, 정확한 구름층 수 식별에 뛰어난 성능을 달성했다.
• 베이지안 지표 중 가장 높은 탐지 정확도는 GMM를 온도 특징에 적용하고 최소 ICL 기준을 사용했을 때 81.11%를 기록했다.
• BGaMM 모델는 정규화 조차도 과적합 문제로 인해 성능이 열악하여 구름층 탐지에 실용적이지 않다고 판단되었다.
• GMM의 사후 확률을 통해 각 구름층의 운동 벡터를 정확하고 독립적으로 추정할 수 있었으며, 이는 예측을 위한 특징 추출을 향상시켰다.
• 제안된 방법은 온도 및 속도 벡터 분포를 활용하여 다중 풍속 필드에서의 구름 역학을 성공적으로 모델링하였다.
• 알고리즘의 비지도 학습 특성으로 인해 레이블이 필요한 데이터가 없어져 실시간 태양 에너지 예측 시스템에서 자동화되고 확장 가능한 배포가 가능해졌다.