CN116894388A - 一种光伏数字孪生方法、装置、存储介质、电子设备 - Google Patents
一种光伏数字孪生方法、装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN116894388A CN116894388A CN202310856167.7A CN202310856167A CN116894388A CN 116894388 A CN116894388 A CN 116894388A CN 202310856167 A CN202310856167 A CN 202310856167A CN 116894388 A CN116894388 A CN 116894388A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- output
- photovoltaic output
- neural network
- irradiance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开一种光伏数字孪生方法,包括以下步骤:S1:建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,用于根据辐照度和温度得到第一光伏出力;S2:建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;S3:用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。本发明通过层级模型建模可以获得更高的建模精度以及减小模型复杂度,便于准确掌握光伏的出力状态,提高光伏并入电网运行的稳定性。
Description
技术领域
本发明涉及光伏出力预测技术领域,具体涉及一种光伏数字孪生方法、装置、存储介质、电子设备。
背景技术
受天气、环境等外界不可控因素的影响,光伏出力具有明显的波动性和随机性,因此大规模的光伏接入电网大大影响了电网运行的稳定性,为电力系统运行带来严峻挑战,对其精确地预测对提高系统整体能效,促进新能源消纳具有重要意义。
构建光伏数字孪生能够有效地掌握光伏的出力特性,目前传统的光伏数字孪生建模方案,往往采用大型的神经网络模型,如长短期记忆神经网络、卷积神经网络,但是单一的模型往往建模精度不佳,且大型的神经网络模型参数过多,过于冗杂。
公开号为CN114219127A的中国发明专利公开了一种基于贝叶斯-长短期记忆神经网络的光伏出力概率分布预测方法,以提高使用神经网络预测光伏出力概率分布的性能。该发明利用概率预测技术,通过对预测不确定性的概率分布进行估计,实现了对预测不确定性的定量分析,为新能源电力系统提供了更加丰富、准确的不确定性信息,提出了综合考虑气象因素和历史数据,使用神经网络预测光伏出力不确定性的方法和装置,能够对不确定性具有更强的刻画能力。但是该发明中神经网络的规模比较大,参数比较多。
又如公开号为CN103218673A的中国发明专利公开了一种基于BP神经网络的光伏发电短期出力预测方法,通过统计分析天气因素对光伏发电系统出力的影响,首先将天气类型映射为日类型指数作为BP神经网络的输入数据,将预测日当天各个时间段的发电功率作为输出数据;然后根据输入、输出单元数,经公式推算和多次试凑,确定隐含层节点数;接着对输入数据进行归一化处理,对输出数据进行反归一化处理,并采用处理后的运行数据对BP神经网络进行训练;最后利用训练后的模型对预测日的发电功率进行预测,得出预测结果。本发明的数据处理方法和预测模型可以有效预测多种天气类型下的光伏发电短期出力。但是该发明同样存在神经网络的规模比较大、参数比较多、过于冗杂的问题。
发明内容
针对现有技术的不足,本发明提供一种光伏数字孪生方法、装置、存储介质、电子设备,可以准确掌握光伏的出力状态,提高光伏并入电网运行的稳定性。
为实现上述目的,本发明采用以下技术方案:
一种光伏数字孪生方法,包括以下步骤:
S1:建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,用于根据辐照度和温度得到第一光伏出力;
S2:建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;
S3:用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。
进一步的,基础模型为:
P1=l*(ir/1000)*(1+t*(tem-25))
其中,P1为第一光伏出力,l和t表示基础模型的参数,ir和tem分别表示光伏所在地的辐照度和温度,1000W/m2为标准测试条件下的太阳光照强度,25℃为标准参考温度。
进一步的,l和t的值通过最小二乘法确定。
进一步的,步骤S2包括以下步骤:
S2.1:采集历史情况下光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,采集对应的第二光伏出力,形成样本库;
S2.2:基于步骤S2.1中的样本库,采用神经网络,对第二光伏出力进行预测,建立神经网络预测模型;
S2.3:基于步骤S2.2中的神经网络预测模型,输入需要预测的某个光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,可得到光伏在该环境下的第二光伏出力。
进一步的,神经网络预测模型为:
x=[ir,tem,hum,wi,pm,P1]
其中,x为神经网络输入层的输入,hum、wi、pm分别表示光伏所在地的湿度、风速和pm2.5,Hj为神经网络隐藏层的输入,P2为神经网络输出层的输出,wij表示神经网络隐藏层和输入层的连接权重,wjk表示神经网络输出层和隐藏层的连接权重,f(.)为激活函数,aj和θk为隐藏层和输出层的阈值。
进一步的,步骤S3中,用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力,具体为:
其中,P3为第三光伏出力,s和分别为光伏板的当前面积和初始面积,/>为光伏板面积系数,η和/>分别为光伏板当前效率和初始效率,/>为光伏板效率系数。
本发明提供一种光伏数字孪生装置,光伏数字孪生装置包括:
第一光伏出力获取模块,用于建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,基础模型用于根据辐照度和温度得到第一光伏出力;
第二光伏出力获取模块,用于建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,神经网络预测模型用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;
第三光伏出力获取模块,用于用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。
进一步的,第二光伏出力获取模块包括:
样本库形成单元,用于采集历史情况下光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,采集对应的第二光伏出力,形成样本库;
神经网络模型建立单元,用于基于样本库形成单元,采用神经网络,对第二光伏出力进行预测,建立神经网络预测模型;
第二光伏出力预测单元,用于基于神经网络预测模型,输入需要预测的某个光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,得到光伏在该环境下的第二光伏出力。
本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如权利要求1-6中任意一项的光伏数字孪生方法。
本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如权利要求1-6中任意一项的光伏数字孪生方法。
与现有技术相比,本发明提供的光伏数字孪生方法,具备以下有益效果:
该光伏数字孪生方法,通过基础模型建立了第一光伏出力与辐照度、温度之间关系,通过神经网络预测模型可以预测第二光伏出力与光伏所在地的辐照度、温度、湿度、风速、pm2.5、第一光伏出力的关系,最后用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力,第三光伏出力是最终的光伏出力。本发明通过层级模型建模可以获得更高的建模精度以及减小模型复杂度,便于准确掌握光伏的出力状态,提高光伏并入电网运行的稳定性。
附图说明
图1为本发明中光伏数字孪生方法的流程图;
图2为本发明实施例中第三光伏出力与实际光伏出力曲线的对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1-2,图1为本发明中光伏数字孪生方法的流程图;图2为本发明实施例中第三光伏出力与实际光伏出力曲线的对比图。
光伏数字孪生方法,包括以下步骤:
S1:建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,用于根据辐照度和温度得到第一光伏出力;
S2:建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,用于用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;
S3:用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。
在一些优选的实施例中,基础模型为:
P1=l*(ir/1000)*(1+t*(tem-25))
其中,P1为第一光伏出力,l和t表示基础模型的参数,ir和tem分别表示光伏所在地的辐照度和温度,1000W/m2为标准测试条件下的太阳光照强度,25℃为标准参考温度。
其中,l和t的值通过最小二乘法确定,最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。
步骤S2包括以下步骤:
S2.1:采集历史情况下光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,采集对应的第二光伏出力,形成样本库;
S2.2:基于步骤S2.1中的样本库,采用神经网络,对第二光伏出力进行预测,建立神经网络预测模型;
S2.3:基于步骤S2.2中的神经网络预测模型,输入需要预测的某个光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,可得到光伏在该环境下的第二光伏出力。
神经网络为3层结构,其中输入层为S,输出层为O,隐藏层为H,经过神经网络训练,得到1个权重矩阵ω1和1个的权重矩阵ω2,其中ω1[i,j]的值表示权重矩阵ω1第i行第j列的值,即第i个输入神经元到第j个隐藏神经元的连接权重;ω2[i,j]的值表示权重矩阵ω2第i行第j列的值,即第i个隐藏神经元到第j个输出神经元的连接权重。
具体的,神经网络预测模型为:
x=[ir,tem,hum,wi,pm,P1]
其中,x为神经网络输入层的输入,hum、wi、pm分别表示光伏所在地的湿度、风速和pm2.5,Hj为神经网络隐藏层的输入,P2为神经网络输出层的输出,wij表示神经网络隐藏层和输入层的连接权重,wjk表示神经网络输出层和隐藏层的连接权重,f(.)为激活函数,aj和θk为隐藏层和输出层的阈值。
步骤S3中,用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力,具体为:
其中,P3为第三光伏出力,s和分别为光伏板的当前面积和初始面积,/>为光伏板面积系数,η和/>分别为光伏板当前效率和初始效率,/>为光伏板效率系数。
为了验证本发明提供的光伏数字孪生方法的可行性和有效性,在真实光伏出力数据集上进行测试,仅仅进行基础模型建模时,均方误差为0.58,采用光伏数字孪生方法建模时,均方误差为0.36。说明采用光伏数字孪生方法在建模精度方面有较大提升。
图2为采用光伏数字孪生方法建模时,第三光伏出力与实际光伏出力曲线的对比图,光伏出力曲线也就是本发明中的第三光伏出力曲线,从图中可以看出,光伏出力曲线和实际出力曲线之间的跟随性很好,能很好的反应的真实光伏出力的变化趋势,总体误差较小,说明本发明提供的光伏数字孪生方法具有可行性和有效性。
该光伏数字孪生方法,通过基础模型建立了第一光伏出力与辐照度、温度之间关系,通过神经网络预测模型可以预测第二光伏出力与光伏所在地的辐照度、温度、湿度、风速、pm2.5、第一光伏出力的关系,最后用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力,第三光伏出力是最终的光伏出力。本发明通过层级模型建模可以获得更高的建模精度以及减小模型复杂度,便于准确掌握光伏的出力状态,提高光伏并入电网运行的稳定性,有利于电网、微电网和大规模光伏之间的协调运行和协调调度,保障大规模光伏并入电网运行的稳定性和经济效益。
实施例2
基于与上述实施例1的同一发明构思,本申请还提供了一种光伏数字孪生装置,光伏数字孪生装置包括:
第一光伏出力获取模块,用于建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,基础模型用于根据辐照度和温度得到第一光伏出力;
第二光伏出力获取模块,用于建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,神经网络预测模型用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;
第三光伏出力获取模块,用于用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。
优选的,第二光伏出力获取模块包括:
样本库形成单元,用于采集历史情况下光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,采集对应的第二光伏出力,形成样本库;
神经网络模型建立单元,用于基于样本库形成单元,采用神经网络,对第二光伏出力进行预测,建立神经网络预测模型;
第二光伏出力预测单元,用于基于神经网络预测模型,输入需要预测的某个光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,得到光伏在该环境下的第二光伏出力。
实施例3
本发明还提供一种用于实现光伏数字孪生方法的电子设备,电子设备包括存储器、至少一个处理器、存储在存储器中并可在至少一个处理器上运行的计算机程序及至少一条通讯总线。存储器可用于存储计算机程序,处理器通过运行或执行存储在存储器内的计算机程序,以及调用存储在存储器内的数据,实现实施例1中一种光伏数字孪生方法步骤。
存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据)等。此外,存储器可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
至少一个处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
实施例4
电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM,Read-Only Memory)。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种光伏数字孪生方法,其特征在于,包括以下步骤:
S1:建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,用于根据辐照度和温度得到第一光伏出力;
S2:建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;
S3:用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。
2.根据权利要求1所述的一种光伏数字孪生方法,其特征在于,基础模型为:
P1=l*(ir/1000)*(1+t*(tem-25))
其中,P1为第一光伏出力,l和t表示基础模型的参数,ir和tem分别表示光伏所在地的辐照度和温度,1000W/m2为标准测试条件下的太阳光照强度,25℃为标准参考温度。
3.根据权利要求2所述的一种光伏数字孪生方法,其特征在于,l和t的值通过最小二乘法确定。
4.根据权利要求1所述的一种光伏数字孪生方法,其特征在于,步骤S2包括以下步骤:
S2.1:采集历史情况下光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,采集对应的第二光伏出力,形成样本库;
S2.2:基于步骤S2.1中的样本库,采用神经网络,对第二光伏出力进行预测,建立神经网络预测模型;
S2.3:基于步骤S2.2中的神经网络预测模型,输入需要预测的某个光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,可得到光伏在该环境下的第二光伏出力。
5.根据权利要求4所述的一种光伏数字孪生方法,其特征在于,神经网络预测模型为:
x=[ir,tem,hum,wi,pm,P1]
其中,x为神经网络输入层的输入,hum、wi、pm分别表示光伏所在地的湿度、风速和pm2.5,Hj为神经网络隐藏层的输入,P2为神经网络输出层的输出,wij表示神经网络隐藏层和输入层的连接权重,wjk表示神经网络输出层和隐藏层的连接权重,f(.)为激活函数,aj和θk为隐藏层和输出层的阈值。
6.根据权利要求1所述的一种光伏数字孪生方法,其特征在于,步骤S3中,用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力,具体为:
其中,P3为第三光伏出力,s和分别为光伏板的当前面积和初始面积,/>为光伏板面积系数,η和/>分别为光伏板当前效率和初始效率,/>为光伏板效率系数。
7.一种光伏数字孪生装置,其特征在于,所述光伏数字孪生装置包括:
第一光伏出力获取模块,用于建立用于反映第一光伏出力与辐照度、温度之间关系的基础模型,所述基础模型用于根据辐照度和温度得到第一光伏出力;
第二光伏出力获取模块,用于建立第二光伏出力与辐照度、温度、湿度、风速、pm2.5、第一光伏出力之间关系的神经网络预测模型,所述神经网络预测模型用于根据输入的辐照度、温度、湿度、风速、pm2.5、第一光伏出力预测得到第二光伏出力;
第三光伏出力获取模块,用于用第二光伏出力乘以光伏板面积系数和光伏板效率系数,得到第三光伏出力。
8.根据权利要求7所述的一种光伏数字孪生装置,其特征在于,第二光伏出力获取模块包括:
样本库形成单元,用于采集历史情况下光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,采集对应的第二光伏出力,形成样本库;
神经网络模型建立单元,用于基于样本库形成单元,采用神经网络,对第二光伏出力进行预测,建立神经网络预测模型;
第二光伏出力预测单元,用于基于神经网络预测模型,输入需要预测的某个光伏所在地的辐照度、温度、湿度、风速、pm2.5和第一光伏出力,得到光伏在该环境下的第二光伏出力。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的光伏数字孪生方法。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述的光伏数字孪生方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856167.7A CN116894388A (zh) | 2023-07-13 | 2023-07-13 | 一种光伏数字孪生方法、装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856167.7A CN116894388A (zh) | 2023-07-13 | 2023-07-13 | 一种光伏数字孪生方法、装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894388A true CN116894388A (zh) | 2023-10-17 |
Family
ID=88313228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856167.7A Pending CN116894388A (zh) | 2023-07-13 | 2023-07-13 | 一种光伏数字孪生方法、装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894388A (zh) |
-
2023
- 2023-07-13 CN CN202310856167.7A patent/CN116894388A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN111967696B (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN111079351A (zh) | 考虑风电不确定性的配电网概率潮流获取方法、装置 | |
Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
Al-bayaty et al. | City scale energy demand forecasting using machine learning based models: a comparative study | |
CN118095891A (zh) | 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统 | |
Al-Hajj et al. | Estimating solar irradiance using genetic programming technique and meteorological records. | |
CN116894388A (zh) | 一种光伏数字孪生方法、装置、存储介质、电子设备 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN112651537A (zh) | 一种光伏发电超短期功率预测方法及系统 | |
CN112217215A (zh) | 一种基于psd-bpa的大型电力系统随机潮流计算方法 | |
Tarik et al. | Parameter optimization of photovoltaic solar cell and panel using genetic algorithms strategy | |
Huang et al. | Ultra-short-term prediction of microgrid source load power considering weather characteristics and multivariate correlation | |
CN112085459B (zh) | 一种风电项目投资估算方法及装置 | |
CN112380684A (zh) | 一种分布式水文模型的矩阵化处理方法 |
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 |