一种影像识别预测新能源接入比例的方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明提供一种对新能源相关影像进行融合训练的方法，实现电网对新能源接入比例的预测。背景技术：2.靠数据分析的方式预测新能源接入比例的方式不稳定，本方法能解决预测稳定性问题。新能源相关影 像的像素单元由四元数组成、影像的融合由四元数的矩阵计算完成，影像的融合计算公式由新能源接入比 例影响公式决定，新能源设施影像由神经网络框架训练、生成的模型用来预测电网新能源接入比例。技术实现要素：3.制定新能源接入比率影响公式。公式为(x/d*c)*(js-je)，其中d地形地貌影像、c城市化率影像、 x新能源设施影像、js季节时间段因子开始影像、je季节时间段因子结束影像。4.影像的融合。像素用四元数二阶复数矩阵表示，影像用红、绿、蓝三种灰度像素矩阵叠加表示，影像 的操作包括叠加和分离两种操作，新能源接入比例影响公式转换为影像的操作，最终转换为矩阵计算完成。5.用新能源设施影像进行模型训练预测。用深度网络框架对新能源设施影像语义分割、达到像素级分割、 形成像素集，用矩阵表示，用像素集矩阵和影像融合矩阵建立函数，从而函数预测新能源接入比例。附图说明6.图1新能源接入比例的预测流程具体实施方式7.流程如附图1所示，首先进行影像融合，指定影响公式，把影响公式转换成影像的叠加和分离操作， 生成融合影像矩阵；其次用图像识别方式进行影像语义分割，分割的影像形成像素矩阵；通过影像融合矩 阵和影像语义分割矩阵的矩阵转换生成函数，最终用函数对新能源接入比例进行预测。8.1.影像融合9.(一)单位像素四元数q＝w+xi+yj+zk来表示旋转，其中||q||＝x2+y2+z2+w2＝1。构造 单位像素的旋转矩阵表示为。构造单位像素的旋转矩阵表示为：10.11.(二)生成影像r、g、b三个分量的像素矩阵。其中每个像素变量是一个三维数组，第一维代表影 像的x坐标、第二维代表图像的y坐标，第三维代表r、g、b。然后我们利用递归取子图的方式把原始 影像按照三个分量分离，形成各个分量的二维矩阵，每个二维矩阵就是原始影像中分量的像素矩阵，生成 的二维矩阵实例如下：[0012][0013](三)影响公式转换成r、g、b各分量的矩阵操作。对影像图像进行叠加操作、可以用函数void addweighted(inputarray src l，double alpha，inputarray src2，double beta，double gamma，outputarray dst，int dtype＝-1)实现；第一个参数，inputarray类型的src1，表示需要加权的第一个数组，常常填一个mat。第 二个参数，alpha，表示第一个数组的权重。第三个参数，src2，表示第二个数组，它需要和第一个数组拥 有相同的尺寸和通道数。第四个参数，beta，表示第二个数组的权重值。第五个参数，dst，输出的数组， 它和输入的两个数组拥有相同的尺寸和通道数。第六个参数，gamma，一个加到权重总和上的标量值。看 下面的式子自然会理解。第七个参数，dtype，输出阵列的可选深度。addweighted函数的作用可以被表示 为如下的矩阵表达式为dst＝srcl[i]*alpha+src2[i]*beta+gamma；r、g、b分量单通道混合，可以应用 split函数和merge函数实现。[0014](四)融合影像通过r、g、b分量合成、并通过四元数旋转矩阵表示。图像混合中通过组合给定的 分量单通道数组，将孤立的单通道数组合并成一个多通道的数组，从而创建出一个由多个单通道阵列组成 的多通道阵列，形成各个分量的灰度矩阵。[0015]2.影像语义分割[0016]结合了深度卷积神经网络和概率图模型的方法，在语义分割的任务上对影像做逐像素分类，从单个像素 分类出发，逐步合并以形成整个影像的分割区域。[0017](一)像素到整个影像区域的分割，从一组代表不同生长区域的种子像素开始，将种子像素邻域里符 合条件的像素合并到种子像素所代表的生长区域中，将新添加的像素作为新的种子像素继续合并过程，直 到找不到符合条件的新像素为止。[0018](二)对影像时间域进行局部处理，使用二进小波变换，对小波变换的模取最大值，提取一定的边缘 信息，多尺度边缘分析时间影响因素、对像素分类在时间域进行合并优化。[0019](三)用遗传算法提高像素分类的速度和质量，处理过程不直接作用在像素上，而对整个影像进行操 作，从一组矩阵解迭代到另一组解，采用同时处理多个像素的方法，降低陷入局部最优解的困局，并并行 化处理，加速整个分类过程的速度和质量。[0020](四)对边缘像素进行特殊处理，利用主动轮廓模型，可以灵活选择约束力、初始轮廓和作用域，对 边缘像素进行更有效分割，使边缘部位像素分类更封闭、光滑。[0021](五)将影像从像素空间转换到cie-lab颜色空间，对每个像素的(l，a，b)颜色值和(x，y)坐标组成 一个5维向量v[1，a，b，x，y]，把整个像素集转换成颜色矩阵。[0022]3.灰度矩阵和颜色矩阵的矩阵转换生成函数[0023]通过灰度矩阵和颜色矩阵的转换、形成新能源接入比例函数，根据函数，输入影响影像的矩阵形式参 数、得出新能源接入比例数值，并通过扩大影响影像组数量提高预测的精度。[0024](一)影像语义分割形成的颜色矩阵统一转换成5*4矩阵形式，以一维数组的方式存储[a，b，c，d，e，f， g，h，i，j，k，l，m，n，o，p，q，r，s，t]，通过rgba四个通道来直接操作对应颜色。操作规则矩阵a的一行乘以 矩阵c的一列作为矩阵r的一行，c矩阵是图片中包含的argb信息，r矩阵是用颜色矩阵应用于c之 后的新的颜色分量，操作结果为：[0025]r′＝a*r+b*g+c*b+d*a+e；[0026]g′＝f*r+g*g+h*b+i*a+j；[0027]b′＝k*r+1*g+m*b+n*a+o；[0028]a′＝p*r+q*g+r*b+s*a+t；[0029](二)影像融合形成的灰度矩阵统一转换为3*3的坐标变换矩阵，对坐标x，y进行变换如下[0030]x′＝a*x+b*y+c[0031]y′＝d*x+e*y+f[0032]g＝h＝0，这样使l＝0*x+0*y+1恒成立，通过矩阵的组合变换，代入r＝b(a*c)，g＝(b*a)c，c＝c(b*a)，a＝1，生 成最终函数f(r′，g′，b′，a′)。技术特征：1.一种影像识别预测新能源接入比例的方法，其特征提供影像融合的方式，根据融合的影像进行模型训练，用训练后的模型进行新能源接入比例的预测。2.如权利要求1所述的方法，其特征在于，建立了一种图像融合的影响因子模型，包括地形地貌因子、城市化率因子、新能源设施因子、季节因子，并根据这些因子建立一个数学公式进行图像像素融合操作。3.如权利要求1所述的方法，其特征在于，把代表业务模型的数学公式转换成图像的融合计算，使图像的融合结果和数学公式结果对应，达到业务模型、数学公式、图像融合三者的相互转换。4.如权利要求1所述的方法，其特征在于，通过图像识别方式训练模型，新能源接入比例预测的精度和图像识别的模型精度一致。技术总结新能源在电网的接人量比例越来越高，但具体的接入量很难预测，受到政策、环境、气候等许多因素制约，本发明为一种影像识别预测新能源接人比例的方法，通过融合一个区域内地形地貌影像、城市化率影像、新能源设施航拍影像，对融合后的影像进行图像识别训练，形成的模型对一个区域内的新能源接人比例进行预测。个区域内的新能源接人比例进行预测。个区域内的新能源接人比例进行预测。技术研发人员：毕艳冰 费长顺 魏志丰 刘迪受保护的技术使用者：北京国网信通埃森哲信息技术有限公司技术研发日：2021.03.22技术公布日：2022/10/13









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!