CN116579509A - 一种基于虚拟现实的光伏发电预测方法 - Google Patents
一种基于虚拟现实的光伏发电预测方法 Download PDFInfo
- Publication number
- CN116579509A CN116579509A CN202310860680.3A CN202310860680A CN116579509A CN 116579509 A CN116579509 A CN 116579509A CN 202310860680 A CN202310860680 A CN 202310860680A CN 116579509 A CN116579509 A CN 116579509A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- virtual reality
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006978 adaptation Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000005855 radiation Effects 0.000 abstract description 3
- 230000008140 language development Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 108090000672 Annexin A5 Proteins 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229940060587 alpha e Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于虚拟现实的光伏发电预测方法通过模拟真实光伏发电系统进行可持续预测,包括以下步骤:根据图纸及无人机拍摄的高清照片,采用3DMAX建立等比例虚拟现实模型;传感器实时采集真实光伏发电系统运行及环境数据,包括的数据类型有光伏发电输出功率、电压、电流、光照强度、散射辐射、云量、温度等;通过UE4、虚拟现实模型、mysql数据库及Java语言开发建立虚拟现实管理系统;预测器构建基于时间卷积网络的预测模型并集成于虚拟现实管理系统,进行光伏发电功率预测;根据预测结果,调适管理器对模型及数据进行调适;更新器对模型、数据及场景实时更新;预测器根据调适后的数据进一步对光伏发电效率预测直至满意,或对下一时间段的光伏发电效率进行预测。
Description
技术领域
本发明属于光伏发电领域,特别是一种基于虚拟现实的光伏发电预测方法。
背景技术
准确预测光伏发电效率及调适管理对提高光伏发电系统运行质量和经济性具有重要意义。国内外已有基于机器学习的光伏发电预测,但这些方法还未能形成可持续的精准预测。本发明提供了一种基于虚拟现实的光伏发电预测方法,解决了真实光伏发电系统在山地、水上、屋顶等环境下发电效率不易预测管理的问题,减少了风险误差,提高了光伏发电系统的预测效率质量。该方法通过虚拟现实管理系统,模拟真实光伏发电系统运行,结合实时数据实现对光伏发电效率可持续精准预测及调适管理。
发明内容
所要解决的技术问题:传统预测方法实时性及交互性不高、不直观,一般只能对未来一段时间内的光伏发电量进行预测,且难以不间断。
技术方案:本发明提供了一种基于虚拟现实的光伏发电预测方法,包括以下步骤:
步骤一:根据光伏发电系统图纸及(无人机)拍摄的高清照片,建立等比例虚拟现实模型,虚拟现实模型是真实光伏发电系统的物理映射。
步骤二:传感器实时采集真实光伏发电系统运行及环境数据。
步骤三:开发建立预测器、调适管理器及更新器。
步骤四:集成虚拟现实模型、运行及环境数据、预测器、调适管理器及更新器建立光伏发电虚拟现实管理系统。根据实际光伏发电系统的位置及地形信息,建立相应三维空间坐标系,创建虚拟现实矢量环境。虚拟现实管理系统包括对光伏发电系统的物理特性和行为特性进行精细控制,具备预测管理信息检索机制,包括属性信息检索(非空间信息)和几何信息检索(空间信息),具备与其他模型的转换能力。建立光伏设备虚拟现实模型库,将光伏板、支架、通讯线缆等设备模型提前定义好,可根据真实光伏发电系统设备增加或删除并实时对应变更,使用时将其定义到指定空间位置即可。
步骤五:预测器进行光伏发电效率预测。预测器基于时间卷积网络(TemporalConvolutional Network,TCN)优化构成,并集成于虚拟现实管理系统。
基于时间卷积网络搭建光伏发电输出功率区间预测模型,主要由输入层、时间卷积网络、全连接层及上下界的端到端排序层组成。
模型的训练程序:对MySQL数据库中收集到的光伏发电输出功率数据进行处理分析。将光伏发电输出功率数据集分为训练集和测试集,同时分别提取它们的输入和输出。对输入进行归一化并将其转换为矩阵作为模型的输入,对输出进行归一化并将其转换为可用于获得初始置信区间向量。
初始化区间预测模型的参数和超参数。
训练时间卷积网络的区间预测模型。
如果达到最大训练迭代数,则结束区间预测模型的训练过程并获得模型的优化权重和偏差。如果不是,则继续迭代模型,直到满足终止条件。
步骤六:根据预测结果,调适管理器对虚拟现实管理系统调适,更新器对模型、数据及场景实时更新。调适管理器可在计算机或大屏幕虚拟现实管理系统上展示并交互,对光伏发电系统虚拟现实模型及场景可任意角度旋转、移动、拉近拉远视角,模拟调整光伏板高度、角度及光伏阵列面积大小,可增加或删除模型并具有对对象管理及模型数据联动功能,对光伏发电系统进行调适管理。
步骤七:预测器进一步对光伏发电效率预测。
有益效果:虚拟现实的光伏发电预测方法及实时优化自适应调整预测器模型,综合考虑多种因素影响,模拟真实光伏发电系统,可持续地提高预测精度并进行调适管理。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做详细说明。
如图1所示,本发明提供了一种基于虚拟现实的光伏发电预测方法,包括以下步骤:
步骤一:根据光伏发电系统图纸及(无人机)拍摄的高清照片,采用3Dmax建立等比例虚拟现实模型,包括光伏阵列、支架、电缆部件、周边环境,虚拟现实模型是真实光伏发电系统的物理映射。
步骤二:传感器实时采集真实光伏发电系统运行及环境数据。通过传感器、辐照仪、高精度超声波风速风向仪采集包括温度、湿度、光照强度、风速、输出功率、电池板参数的光伏发电及环境数据,将数据去除噪声、归一化和特征提取后,存储在mysql数据库中,以备后续处理分析。
步骤三:开发建立预测器、调适管理器及更新器。预测器构建了一个基于时间卷积网络的区间预测模型,该模型以上下限估计为区间框架,以自适应区间算法优化模型,进行光伏发电功率预测。调适管理器可在计算机或大屏幕模拟光伏发电系统运行过程及可视化展示并进行数据分析。更新器包括对光伏发电系统的物理特性和行为特性进行精细控制,具备预测管理信息检索机制,包括属性信息检索(非空间信息)和几何信息检索(空间信息),具备与其他模型的转换能力,可对三维几何对象定义修改,布尔操作变换,逻辑模型具备方位、距离、级联功能。
步骤四:集成虚拟现实模型、运行及环境数据、预测器、调适管理器及更新器建立光伏发电虚拟现实管理系统。具体地通过UE4、虚拟现实模型、mysql数据库及Java语言、时间卷积网络开发建立,并根据实际光伏发电系统的位置及地形信息,建立相应三维空间坐标系,创建虚拟现实矢量环境。
UE4可实时渲染、模型表达、场景构建、动态仿真,并具有实时光线跟踪功能,可在虚拟现实管理系统内调整全局照明、环境光遮蔽、反射、折射和阴影等,渲染速度快,模拟真实光伏发电系统的温湿度、光照强度、风速等环境因素。
mysql数据库包括光伏发电输出功率、电压、电流、光照强度、辐射、云量、温湿度、电池板参数等历史数据及实时数据。
建立光伏设备虚拟现实模型库,将光伏板、支架、通讯线缆等设备模型提前定义好,可根据真实光伏发电系统设备增加或删除并实时对应变更,使用时将其定义到指定空间位置即可。
步骤五:预测器进行光伏发电效率预测。由时间卷积网络(Temporal ConvolutionalNetwork,TCN)的自适应区间优化构成,包括数据处理模块、区间预测模型搭建模块、区间自适应优化模块、模型训练模块,并集成在虚拟现实系统中。
时间卷积网络具有更大的感受野,具有更多的信息容纳量,能够降低运算量,可以并行处理数据流。作为整体去预测光伏发电输出功率,提供高精度预测。
数据处理模块:对光伏发电输出功率进行数据处理分析。对获取的光伏发电数据进行数据清洗(缺失补全、异常校正)与数据变换(数据滤波、正则化处理);光伏发电输出功率与直流电压、交流电压、太阳辐照度、散射辐射、云量为强相关,与环境温度、发电总量、大气压力、昼长比例为弱相关。选取多特征进行特征融合,构建模型的输入数据。
区间预测模型搭建模块:根据训练的原始光伏发电功率数据序列预先设定预测区间的边界(分别为预测上界UB与预测下界LB):
,其中,x为光伏发电功率数据流;r为约束系数。进一步,约束系数r可以表示为:/>,其中,α为宽度系数,且α∈[0,1]。收集到的光伏发电数据具有较强的波动性,为降低计算过程中的非线性以及复杂性,采用变分模态分解(VMD,Variational Mode Decomposition)对区间的预测边界进行分解,并通过分解后的信号重新构造上下界
,其中,VMD是变分模态分解,UBN和LBN用于优化预测区间。基于时间卷积网络搭建光伏发电输出功率区间预测模型,该模型主要由输入层,时间卷积网络,全连接层及获取上下界的端到端排序层组成。最初的时间卷积网络可以提取输出功率的时间序列特性,并且输出功率数据的距离越近,关联度越强。时间卷积网络能够大规模并行处理数据,基于上下限估计的区间预测框架运行效率变得更为高效。将多特征作为输入,数据流为n ×m的矩阵形式,记特征个数为m 、数据流长度为n的二阶张量。进行训练时,各特征序列是分开的,此时数据特征是长度为n的一阶张量。通过时间卷积网络层提取时序特征后,将各子模块的运算结果沿着各通道按照一定组合方式排列至全连接层。区间预测模型将全连接层得到数据按照二维输出,分别表示光伏发电输出功率的上限值与下限值。输出功率值会有波动和跃迁等现象,区间预测的上下限很有可能出现相互交错或重叠等结果。需要对区间上下限做进一步处理,使用比较函数识别上述特殊情况。若出现该现象,则取上下限差的绝对值,并以上下限中点为参考分别计算其与绝对值的新上下限,以尽量满足实际值落入区间内,提升区间预测模型的可信度。
区间预测模型自适应优化模块:置信区间优化,训练使用的区间上下限是人为构造的,以实际值为区间中心,然后区间上下限向两边延展,可以在此基础上训练模型。构造区间(CIs)方法如下:
,其中,yi 是第i 个实际值,Yi 是第i 个实际值的边界值, wu 和wl分别是置信区间上下限与实际值的距离。构造的光伏发电输出功率区间进行训练,得到的输出功率预测区间基本上可以覆盖所有实际输出功率值,但是预测区间宽度非常大。
上下限宽度自适应优化方法:模型训练过程中尽量缩小上下限预测区间宽度,且满足实际值落在预测区间内。具体操作为置信宽度裕量wu 和wl 由置信区间与区间预测值的平均误差定义。
,/>,其中,e1 和eu 是下界和上界的平均拟合误差,Li 和Ui 分别为第i 个下界和上界输出。更新CIs 宽度:
,/>,其中,w(wu ,wl)为 CIs 的宽度,Δw(Δwu , Δwl) 为CIs 修正增量,e为区间预测误差。系数k1用于控制CIs 宽度w的修正增量,维持上下限边界间的稳定,尽量避免重叠与交错现象。参数α表示实际上下限估计与给定区间的剩余容量,为宽裕系数,该参数用来保证预测区间的置信度,提升实际值落入预测区间的概率。
采用训练集覆盖指数(PICP)和名义置信水平(PINC)动态更新系数α。当覆盖指数比置信水平低时,增大α以满足置信区间的预测宽度。反之,需要减小α以缩窄预测宽度。α更新如下:
,/>,其中,Δα为系数变化幅度,PICP 为训练集的预测区间覆盖概率指标,PINC 为预先设定的置信水平,系数k2 用于调整边际系数α的更新步长为使变化更加稳定。CIs 宽度w的优化策略与模型参数的优化同步进行。在整个数据集的每个训练迭代之后,根据上述策略调整参数w 和系数α,以实现模型的整体优化。
模型的训练程序:首先,对MySQL数据库中收集到的光伏发电输出功率数据进行处理分析。将光伏发电输出功率数据集分为训练集和测试集,同时分别提取它们的输入和输出。然后对输入进行归一化并将其转换为矩阵作为模型的输入。对输出进行归一化并将其转换为可用于获得初始置信区间向量。
其次,初始化区间预测模型的参数和超参数。将时间卷积网络模型的权重和偏差初始化;并设置预期的PINC 和合适的超参数,以确保模型能够提前快速收敛。
再次,训练时间卷积网络的区间预测模型。将上述训练好的参数带入到模型中,置信区间通过观察向量y、wl及wu的当前值得到训练标签; 使用具有Huber 损失函数的NAdam优化算法以小批量方式更新模型的权重和偏差,该损失函数由预测区间和置信区间共同作用。时间卷积网络模型的优化,采用 Huber 作为损失函数。其公式如下:
,
其中,超参数δ控制权重,使 Huber 损失函数同时具备 MAE 与 MSE 的优点。通常通过交叉验证获得最优超参数δ。Huber 损失函数不仅具有连续可导的性质,而且具有 MSE梯度随误差减小的特性,在神经网络迭代训练中可以获得更精确的最小值。同时光伏发电输出功率受到多种特征的影响,注意力机制能够增强某些特征与输出功率的匹配度,并减弱关联性不强的特征对输出结果的影响,以此来提升模型的预测精度。利用输出预测区间信号和观测信号计算指标PICP,更新α,并计算平均拟合误差e1和eu ;使用计算出的e1和eu及α更新置信区间宽度wl和wu。最后,结束模型训练。如果达到最大训练迭代数,则结束区间预测模型的训练过程并获得模型的优化权重和偏差。如果不是,则继续迭代模型,直到满足终止条件。
步骤六:根据预测结果,调适管理器对虚拟现实管理系统调适,对虚拟现实模型及场景可任意角度旋转、移动、拉近拉远视角,可模拟调整光伏板高度、角度及光伏阵列面积大小,可增加或删除模型并具有对对象管理及模型数据联动功能,进行调适管理。更新器对模型、数据及场景实时更新。
步骤七:预测器可进一步持续地对光伏发电效率预测直至满意,或对下一时间段的光伏发电效率进行预测。
需要说明的是,结合上述实施例仅说明本发明的技术方案而非对其限制,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (9)
1.一种基于虚拟现实的光伏发电预测方法,其特征在于,包括以下步骤:步骤一:建立光伏发电系统等比例虚拟现实模型;步骤二:实时采集光伏发电系统运行及环境数据;步骤三:开发建立预测器、调适管理器及更新器;步骤四:集成虚拟现实模型、运行及环境数据、预测器、调适管理器及更新器建立光伏发电虚拟现实管理系统;步骤五:预测器进行光伏发电效率预测;步骤六:根据预测结果,调适管理器对光伏发电系统进行调适管理,更新器对虚拟现实系统模型、数据及场景实时更新;步骤七:预测器进一步对光伏发电效率预测。
2.根据权利要求1所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的虚拟现实模型是真实光伏发电系统的物理映射。
3.根据权利要求1所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的虚拟现实管理系统包括数据库、虚拟现实模型库、预测器、调适管理器及更新器。
4.根据权利要求1所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的预测器基于时间卷积网络优化构成,并集成于虚拟现实管理系统。
5.根据权利要求1所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的虚拟现实管理系统具备预测管理信息检索机制,包括属性信息检索和几何信息检索。
6.根据权利要求1或3所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的调适管理器,可对虚拟现实模型及场景任意角度旋转、移动、拉近拉远视角,模拟调整光伏板高度及角度,具有对对象管理及模型数据联动功能。
7.根据权利要求3所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的虚拟现实模型库由光伏发电系统设备模型构建。
8.根据权利要求1或3所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的更新器可对虚拟现实管理系统模型、数据及场景实时更新。
9.根据权利要求1或3所述的基于虚拟现实的光伏发电预测方法,其特征在于,所述的预测器可持续对光伏发电效率进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860680.3A CN116579509A (zh) | 2023-07-14 | 2023-07-14 | 一种基于虚拟现实的光伏发电预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860680.3A CN116579509A (zh) | 2023-07-14 | 2023-07-14 | 一种基于虚拟现实的光伏发电预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579509A true CN116579509A (zh) | 2023-08-11 |
Family
ID=87541717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860680.3A Pending CN116579509A (zh) | 2023-07-14 | 2023-07-14 | 一种基于虚拟现实的光伏发电预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579509A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117146382A (zh) * | 2023-10-31 | 2023-12-01 | 西华大学 | 一种智能化调适系统优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111460712A (zh) * | 2020-03-31 | 2020-07-28 | 珠海格力电器股份有限公司 | 光伏屋系统和计算机 |
CN112994229A (zh) * | 2019-12-17 | 2021-06-18 | 国网电子商务有限公司 | 基于虚实数据融合的分布式光伏电站监控系统 |
CN115173550A (zh) * | 2022-06-07 | 2022-10-11 | 华能南京金陵发电有限公司 | 一种分布式光伏发电实时监控方法和系统 |
CN115495991A (zh) * | 2022-09-29 | 2022-12-20 | 河海大学 | 一种基于时间卷积网络的降水区间预测方法 |
CN116151464A (zh) * | 2023-03-03 | 2023-05-23 | 华能新能源股份有限公司河北分公司 | 一种光伏发电功率预测方法、系统及可存储介质 |
CN116206499A (zh) * | 2023-02-24 | 2023-06-02 | 国网河北省电力有限公司培训中心 | 一种用于电网维护培训的电力设备场景仿真方法及装置 |
-
2023
- 2023-07-14 CN CN202310860680.3A patent/CN116579509A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN112994229A (zh) * | 2019-12-17 | 2021-06-18 | 国网电子商务有限公司 | 基于虚实数据融合的分布式光伏电站监控系统 |
CN111460712A (zh) * | 2020-03-31 | 2020-07-28 | 珠海格力电器股份有限公司 | 光伏屋系统和计算机 |
CN115173550A (zh) * | 2022-06-07 | 2022-10-11 | 华能南京金陵发电有限公司 | 一种分布式光伏发电实时监控方法和系统 |
CN115495991A (zh) * | 2022-09-29 | 2022-12-20 | 河海大学 | 一种基于时间卷积网络的降水区间预测方法 |
CN116206499A (zh) * | 2023-02-24 | 2023-06-02 | 国网河北省电力有限公司培训中心 | 一种用于电网维护培训的电力设备场景仿真方法及装置 |
CN116151464A (zh) * | 2023-03-03 | 2023-05-23 | 华能新能源股份有限公司河北分公司 | 一种光伏发电功率预测方法、系统及可存储介质 |
Non-Patent Citations (1)
Title |
---|
周满国: ""基于深度学习的光伏发电功率预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117146382A (zh) * | 2023-10-31 | 2023-12-01 | 西华大学 | 一种智能化调适系统优化方法 |
CN117146382B (zh) * | 2023-10-31 | 2024-01-19 | 西华大学 | 一种智能化调适系统优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880958B (zh) | 一种基于多气象因子智能深度学习的能见度预报方法 | |
CN116579509A (zh) | 一种基于虚拟现实的光伏发电预测方法 | |
CN117216526B (zh) | 基于人工智能的光伏出力预测方法及系统 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN112417752B (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN115882454B (zh) | 基于多元信息融合的源荷功率预测方法及系统 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
Dueben et al. | Deep learning to improve weather predictions | |
CN116468767B (zh) | 基于局部几何特征和隐式距离场的飞机表面重建方法 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN117332227A (zh) | 一种多时空尺度注意力机制的环境变量预测方法及设备 | |
CN111967652A (zh) | 一种双层协同实时校正光伏预测方法 | |
CN115393731A (zh) | 一种基于交互想定和深度学习生成虚拟云图的方法和系统 | |
CN115062551A (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data | |
CN117388953B (zh) | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |