| dc.date.accessioned |
2016-01-26T10:30:47Z |
und |
| dc.date.accessioned |
2017-10-24T12:21:53Z |
|
| dc.date.available |
2016-01-26T10:30:47Z |
und |
| dc.date.available |
2017-10-24T12:21:53Z |
|
| dc.date.issued |
2016-01-26T10:30:47Z |
|
| dc.identifier.uri |
http://radr.hulib.helsinki.fi/handle/10138.1/5258 |
und |
| dc.identifier.uri |
http://hdl.handle.net/10138.1/5258 |
|
| dc.title |
Computation of Advanced Sky Condition Using Neural Networks and Motion Detection |
en |
| ethesis.discipline |
Applied Mathematics |
en |
| ethesis.discipline |
Soveltava matematiikka |
fi |
| ethesis.discipline |
Tillämpad matematik |
sv |
| ethesis.discipline.URI |
http://data.hulib.helsinki.fi/id/2646f59d-c072-44e7-b1c1-4e4b8b798323 |
|
| ethesis.department.URI |
http://data.hulib.helsinki.fi/id/61364eb4-647a-40e2-8539-11c5c0af8dc2 |
|
| ethesis.department |
Institutionen för matematik och statistik |
sv |
| ethesis.department |
Department of Mathematics and Statistics |
en |
| ethesis.department |
Matematiikan ja tilastotieteen laitos |
fi |
| ethesis.faculty |
Matematisk-naturvetenskapliga fakulteten |
sv |
| ethesis.faculty |
Matemaattis-luonnontieteellinen tiedekunta |
fi |
| ethesis.faculty |
Faculty of Science |
en |
| ethesis.faculty.URI |
http://data.hulib.helsinki.fi/id/8d59209f-6614-4edd-9744-1ebdaf1d13ca |
|
| ethesis.university.URI |
http://data.hulib.helsinki.fi/id/50ae46d8-7ba9-4821-877c-c994c78b0d97 |
|
| ethesis.university |
Helsingfors universitet |
sv |
| ethesis.university |
University of Helsinki |
en |
| ethesis.university |
Helsingin yliopisto |
fi |
| dct.creator |
Tuominen, Pekko |
|
| dct.issued |
2016 |
|
| dct.language.ISO639-2 |
eng |
|
| dct.abstract |
Forecasting of solar power energy production would benefit from accurate sky condition predictions since the presence of clouds is a primary variable effecting the amount of radiation reaching the ground. Unfortunately the spatial and temporal resolution of often used satellite images and numerical weather prediction models can be too small for local, intra-hour estimations. Instead, digital sky images taken from the ground are used as data in this thesis. The two main building blocks needed to make sky condition forecasts are reliable cloud segmentation and cloud movement detection. The cloud segmentation problem is solved using neural networks, a double exposure imaging scheme, automatic sun locationing and a novel method to study the circumsolar region directly without the use of a sun occluder. Two different methods are studied for motion detection. Namely, a block matching method using cross-correlation as the similarity measure and the Lukas-Kanade method. The results chapter shows how neural networks overcome many of the situations labelled as difficult for other methods in the literature. Also, results by the two motion detection methods are presented and analysed. The use of neural networks and the Lukas-Kanade method show much promise for forming the cornerstone of local, intra-hour sky condition now-casting and prediction. |
en |
| dct.abstract |
Aurinkoenergian tehon tuotannon ennustaminen hyötyisi tarkoista pilvipeite-ennusteista, sillä pilvien läsnäolo taivaalla on yksi merkittävimmistä maahan saapuvan säteilyn määrään vaikuttavista tekijöistä. Ennustamiseen usein käytettyjen sateliittikuvien ja numeeristen säämallien aika- ja paikkaresoluutio voi kuitenkin olla liian pieni tarvittaviin paikallisiin lyhyen aikavälin ennusteisiin. Näiden sijaan tässä työssä käytetään datana maasta otettuja digitaalisia valokuvia. Pilvipeitteen ennustamiseen tarvittavat kaksi tärkeintä rakennuspalikkaa ovat luotettava pilvien ja liikkeen tunnistus. Pilvien tunnistus ongelma ratkaistaan käyttäen neuroverkkoja, kaksinkertaista valotusaikaa, automaattista auringon tunnistusta ja uutta menetelmää, jolla on mahdollista tutkia auringon lähialuetta suoraan käyttämättä mekaanisia auringon pimennys välineitä. Liikkeen tunnistuksen ratkaisemiseksi tutkitaan kahta eri metodia. Nämä ovat alueen tunnistus käyttäen korrelaatiota sekä Lukaksen ja Kanaden menetelmää. Tulokset kappaleessa näytetään, että neuroverkot suoriutuvat hyvin tilanteissa, jotka on nimetty kirjallisuudessa vaikeiksi muille ratkaisutavoille. Samassa kappaleessa esitellään ja analysoidaan myös kahden liikkeentunnistus metodin tuloksia. Neuroverkot yhdessä Lukaksen ja Kanaden menetelmän kanssa vaikuttavat lupaavilta kulmakiviltä paikallisten, lyhyen aikavälin pilvipeitteen ennusteiden muodostamisessa. |
fi |
| dct.language |
en |
|
| ethesis.language.URI |
http://data.hulib.helsinki.fi/id/languages/eng |
|
| ethesis.language |
English |
en |
| ethesis.language |
englanti |
fi |
| ethesis.language |
engelska |
sv |
| ethesis.thesistype |
pro gradu-avhandlingar |
sv |
| ethesis.thesistype |
pro gradu -tutkielmat |
fi |
| ethesis.thesistype |
master's thesis |
en |
| ethesis.thesistype.URI |
http://data.hulib.helsinki.fi/id/thesistypes/mastersthesis |
|
| dct.identifier.urn |
URN:NBN:fi-fe2017112251688 |
|
| dc.type.dcmitype |
Text |
|
