1.一种基于移动阴影图像识别的光伏电站发电功率预测方法，包括以下步骤：

步骤1：调研目标光伏电站中光伏阵列的具体结构及光伏组件的电气参数，利用计算机针对实际的光伏阵列进行建模，具体包括：步骤11：调研实际光伏电站的光伏阵列，记录光伏阵列的具体结构；

步骤12：调查记录光伏组件的具体参数，包括最大功率PMAX，开路电压VOC，短路电流ISC，最大功率点的工作电压VMPP，最大功率点的工作电流IMPP参数；

步骤13：基于步骤11和步骤12所获得的光伏阵列结构信息及光伏组件的具体参数，利用计算机进行光伏阵列建模，模型设置有常用的辐照度输入接口、温度输入接口；

步骤2：构建基于移动阴影的光伏电站功率预测系统；以实际运行的光伏阵列(1)为核心，布置辐照度传感器(2)采集入射光辐照度数据，设置摄像头(3)和温度检测仪(4)分别采集光伏阵列实际运行图像和工作温度，辐照度传感器(2)、摄像头(3)、温度检测仪(4)通过通信网络(5)连接至光伏发电系统中控室(6)；

步骤3：利用辐照度传感器(2)检测光伏阵列中光照区与阴影区的辐照度数据，标记测量时刻，利用摄像头(3)同步拍摄光伏阵列运行图像，通过温度检测仪(4)检测并记录光伏阵列的工作温度，辐照度数据与光伏阵列运行图像及光伏阵列工作温度数据将通过通信网络(5)传送到光伏发电系统中控室(6)中进行保存与处理；

步骤4：基于光照区域与阴影区域的灰度值不同这一特征，提出光伏阵列阴影识别算法，识别光伏阵列图像中的阴影区域；光伏阵列阴影识别算法及移动阴影预测算法的具体实现方法如下：步骤41：对光伏阵列图像进行预处理；

步骤411：读取大小为M×N的光伏阵列图像k(x,y)，并将其转换为灰度图，灰度图的函数f(x,y)表示点(x,y)的灰度值；

步骤412：采用大津法求取灰度图的函数f(x,y)分割阈值T，遍历灰度图中的所有像素点，若f(x,y)小于T，则令f(x,y)＝0，否则令f(x,y)＝255，完成遍历后获得光伏阵列的二值图像g(x,y)；

步骤413：去除光伏组件中的黑色间隔和白色栅线：设置检测宽度为D，逐列读取步骤

412所得的二值图像g(x,y)中横坐标从1到N、纵坐标从1+D到M-D范围内所有点的灰度值，若g(x,y)＝0，且g(x,y-D)＝255，g(x,y+D)＝255，则判定点(x,y)是光伏组件之间的黑色间隔点，并将x列中纵坐标从y-D到y+D的点的灰度值均设置为255，否则判断下一个像素点，根据同一原理，逐列去除光伏组件之间的黑色间隔点后，设置检测宽度为H，去除光伏组件中的白色栅线点，获得二值图像p(x,y)；

步骤414：去除环境干扰后，利用均值滤波器对光伏阵列图像p(x,y)进行滤波，获得滤波后的光伏阵列图像为v(x,y)；

步骤42：识别并标记光伏阵列图像中的阴影区域；

步骤421：采用Canny算子对步骤414滤波后的光伏阵列图像v(x,y)进行边缘检测，产生n+a个连通区域；

步骤422：去除n+a个连通区域中由光伏组件本身颜色不均等原因产生的a个小连通区域，产生n个连通区域，记为阴影区域P；

步骤423：标记步骤422中获取的阴影区域P边缘，获取大小为M×N的标记矩阵Label，当像素点(x,y)在连通区域边界上时，Label(x,y)＝1,2,…,n，矩阵元素值为(x,y)所处连通区域边界所对应的连通区域编号，否则，Label(x,y)＝0；

步骤43：移动阴影的预测，具体步骤如下所述；

步骤431：移动阴影的预测可分为t1，t2，t3共3个时间点，已知t1,t2时间点的光伏阵列图像，预测目标为获取t3时间点的移动阴影分布；重复利用步骤41与步骤42获取t1、t2时间点的阴影区域图像及阴影区域的边缘，获取两个标记矩阵Label1，Label2；

步骤432：设置一个变换矩阵Labeltran，令Labeltran＝Label2-Label1，变换矩阵Labeltran内的标记数据反映了从t1时间点至t2时间点移动阴影的变化趋势；

步骤433：以水平向右方向和垂直向上方向为坐标轴建立平面直角坐标系，分析第k个阴影连通区域Pk的移动，求取区域Pk在t1时间点的质心为Mk1，在t2时间点的质心为Mk2，定义位移矢量 的方向为超前水平正半轴α角度，将Labeltran中所有值为k的元素向上平移 个单位，再向右移动 个单位，根据同一原理对剩余连通区域进行相同分析，并对Labeltran内对应元素进行平移操作，记将Labeltran矩阵经平移后获得的矩阵为Labelf；

步骤434：令Label3＝Labelf+Label2，则Label3为t3时间点阴影分布情况矩阵；

步骤435：利用获得的t3时间点阴影分布情况矩阵Label3在图像中画出阴影边缘的轮廓线，该轮廓线所包围的区域即为预测阴影区域R；

步骤5：根据光伏阵列光照区域与阴影区域的辐照度数据，结合光伏阵列结构，分析光伏阵列中各个光伏组件的辐照度；

步骤6：结合每块光伏组件工作环境温度、辐照度数据，利用计算机仿真绘制光伏阵列的P-V输出特性曲线，取P-V曲线的峰值作为该光伏电站的预测输出功率。