CN117350431A - 一种基于数字孪生的光伏发电预测系统 - Google Patents
一种基于数字孪生的光伏发电预测系统 Download PDFInfo
- Publication number
- CN117350431A CN117350431A CN202311355182.XA CN202311355182A CN117350431A CN 117350431 A CN117350431 A CN 117350431A CN 202311355182 A CN202311355182 A CN 202311355182A CN 117350431 A CN117350431 A CN 117350431A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power generation
- data
- model
- prediction
- 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 71
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000005855 radiation Effects 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims abstract description 3
- 238000003860 storage Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 6
- 230000000712 assembly Effects 0.000 description 4
- 238000000429 assembly Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数字孪生的光伏发电预测系统，属于可再生能源管理和光伏发电优化技术领域，其包括系统，所述系统通过传感器和监测设备实时采集光伏电站的运行数据，包括太阳辐射、温度、湿度、风速等环境参数，以及光伏板的电流、电压、输出功率等设备参数，这些数据经过通信网络传输到数据中心进行存储和处理，数据处理包括数据清洗、去噪、校正等操作，以保证数据的准确性和可靠性，本发明中通过使用历史发电数据和天气预报数据进行训练，在模型中考虑了天气因素、季节变化、光伏电池组件衰减等多种因素对光伏发电量的影响，通过对现有数据的分析和学习来预测未来发电量，通过使用SVM算法进行预测，可以提高预测的精度和准确性。
Description
技术领域
本发明属于可再生能源管理和光伏发电优化安装领域，具体为一种基于数字孪生的光伏发电预测系统。
背景技术
基于数字孪生的光伏发电预测系统是一种相对较新的技术，它与传统的光伏发电预测方法相比具有许多优势，传统的光伏发电预测方法主要依赖于天气预报数据、历史发电数据和经验模型，一般来说，这些方法会根据天气预报数据中的太阳辐照度和温度等信息，结合历史发电数据和经验模型，通过推断和计算来预测未来一段时间内的光伏发电量，然而，这种方法存在以下几个主要缺陷：
1.精度不高：传统的光伏发电预测方法往往依赖于天气预报数据和经验模型的准确性，但这些数据和模型往往存在一定的误差，由于缺乏对光伏发电装置的实时监测和反馈，传统方法无法准确地预测光伏发电量，造成预测结果与实际发电量之间存在较大差异；
2.缺少个性化预测：传统的光伏发电预测方法通常只能提供整体的发电量预测，缺少对不同光伏电池组件、倾角设置和位置的个性化预测。然而，在实际应用中，不同的光伏电池组件和配置参数会对发电量产生不同的影响，因此需要更加精细化和个性化的预测；
3.缺乏时空关联性：传统的光伏发电预测方法往往忽略了光伏电池组件之间的时空关联性，光伏电池组件之间的阴影遮挡、温度变化等因素会相互影响，但传统方法无法准确地捕捉这些时空关联性，从而导致预测结果的偏差。
发明内容
本发明的目的在于提供一种基于数字孪生的光伏发电预测系统，以解决上述背景技术中提出的传统光伏发电预测方法的精度不高，在解决传统光伏发电预测方法缺少个性化预测，针对时间序列数据分析中可能存在的非线性和异方差的特点问题。
为实现上述目的，本发明提供如下技术方案：包括系统、传感器、监测设备，所述系统通过传感器和监测设备实时采集光伏电站的运行数据，包括太阳辐射、温度、湿度、风速等环境参数，以及光伏板的电流、电压、输出功率等设备参数，这些数据经过通信网络传输到数据中心进行存储和处理，数据处理包括数据清洗、去噪、校正等操作，以保证数据的准确性和可靠性；
作为本技术方案的进一步优选的：所述系统利用建模软件或编程工具构建光伏电站的数字孪生模型，数字孪生是指通过物理模型和数据模型相结合，实时模拟和预测真实系统的行为，数字孪生模型需要考虑光伏电站的拓扑结构、组件参数、工作原理等因素，并将其与实际采集到的数据进行整合，形成一个真实仿真的电站模型；
作为本技术方案的进一步优选的：所述系统对构建好的数字孪生模型进行验证和优化，验证是指将实际运行数据与模型预测数据进行对比，评估模型的准确性和可靠性，如果模型表现不佳，可以通过调整模型参数、增加训练数据等方式进行优化，提高模型的预测精度和可靠性；
作为本技术方案的进一步优选的：所述系统对历史数据进行分析和处理，提取出对光伏发电影响较大的特征或因素，这些特征可能包括天气状况、光伏板温度、污染程度等，通过对这些特征的分析和统计，可以建立光伏发电的预测模型；
作为本技术方案的进一步优选的：所述系统采用机器学习算法对提取出的特征进行训练和建模，常用的算法包括支持向量机、神经网络、随机森林等，通过输入历史数据和相应的输出结果，算法可以学习并建立预测模型，在预测新的输入数据时，模型能够给出对应的光伏发电量预测结果；
作为本技术方案的进一步优选的：所述系统当数字孪生模型构建和训练完成后，系统可以实时监测光伏电站的运行状态，并根据实时环境参数进行预测，通过将实际数据输入到数字孪生模型中，系统可以实时模拟和预测光伏发电量的变化趋势，并给出相应的预测结果；
作为本技术方案的进一步优选的：所述系统将预测结果通过可视化界面展示给用户，用户可以实时查看光伏电站的发电情况，并根据预测结果做出相应的调整和决策，预测结果还可以与实际发电量进行对比，评估预测的准确性和可靠性；
与现有技术相比，本发明的有益效果是：
1、本发明中通过使用历史发电数据和天气预报数据进行训练，在模型中考虑了天气因素、季节变化、光伏电池组件衰减等多种因素对光伏发电量的影响，通过对现有数据的分析和学习来预测未来发电量，通过使用SVM算法进行预测，可以提高预测的精度和准确性。
2、本发明中通过现场安装的能耗监管设备实时获取光伏电池组件的温度、辐照度等数据，并与历史发电量数据和天气预报数据联合分析，进而对不同光伏电池组件、倾角设置和位置等参数进行个性化预测，通过这种方式，可以更加准确地预测不同条件下的光伏发电量。
3、本发明中通过使用时间序列数据进行训练，建立了ANN模型，以实现更加准确的发电量预测，这种方法可以对复杂数据进行处理，并可以灵活地选择输入变量、隐藏层数以及结点数等模型参数，从而提高预测精度。
4、本发明中通过数字孪生模型可以帮助预测光伏电池组件的状态和性能变化，从而实现更准确、个性化和时空关联的光伏发电预测。
5、本发明通过议数字孪生的光伏发电预测系统，光伏电站可以实现准确预测发电量，并根据预测结果优化运行策略，该系统还提供了实时监测和预警功能，帮助用户及时发现和解决电站故障，保障光伏发电的稳定性和可靠性，通过科学的数据分析和模型建立，光伏电站的发电效益得到提升，为可再生能源的利用作出贡献，总结来说，基于数字孪生的光伏发电预测系统具备较高的实用性和可行性，在光伏电站的管理中发挥着重要的作用。
附图说明
图1为本发明一种基于数字孪生的光伏发电预测系统的运行示意图；
图2为本发明一种基于数字孪生的光伏发电预测系统的结构示意图；
图3为本发明一种基于数字孪生的光伏发电预测系统的流程示意图；
图4为本发明一种基于数字孪生的光伏发电预测系统的单元结构图。
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、完整地描述，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
请参阅图1-图4所示，本发明提供一种技术方案：包括系统，所述系统安装有天气传感器、光照传感器和温度传感器等设备，并将其连接到数据中心，传感器每隔15分钟采集一次数据，包括太阳辐射、法线直接辐射、环境温度等参数，数据传输到数据中心后，进行清洗、去噪和校正，确保数据的准确性和可靠性；
本实施例中，具体的：所述系统根据光伏电站的物理结构和光伏板参数，利用专业的建模软件构建数字孪生模型，模型考虑了光伏板的工作原理、光电转换效率以及材料特性等因素，并能够准确模拟光伏板的发电行为；
本实施例中，具体的：所述系统使用历史数据对数字孪生模型进行验证，将模型预测结果与实际发电量进行比较，如果存在偏差，进行模型参数调整和优化，以提高预测精度；
本实施例中，具体的：所述系统分析历史数据，提取出对光伏发电影响较大的特征，如太阳辐射强度、环境温度等，通过统计和分析这些特征，建立光伏发电的预测模型；
本实施例中，具体的：所述系统利用机器学习算法(如支持向量机)对提取的特征进行训练和建模，输入历史数据和相应的输出结果，让算法学习并建立准确的预测模型；
本实施例中，具体的：所述系统实时采集光伏电站的环境参数和光伏板的实际发电数据，并将其输入到数字孪生模型中进行实时监测和预测，模型可以实时模拟和预测光伏发电量的变化趋势，并给出相应的预测结果；
本实施例中，具体的：所述系统将预测结果通过可视化界面展示给用户，用户可以实时查看光伏电站的发电情况，包括当前发电量、预测发电量以及环境参数等，根据预测结果，用户可以进行运行策略的调整，以优化发电效益。
工作原理或者结构原理：基于数字孪生的光伏发电预测系统的原理是将光伏电站的物理模型和实际数据模型相结合，在虚拟现实环境中建立一个真实仿真的电站模型，通过分析历史数据，提取出影响光伏发电的关键特征，并借助机器学习算法构建预测模型，通过实时监测光伏电站的实际运行数据，将其输入到数字孪生模型中进行预测分析，得出光伏发电量的预测结果。
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 (7)
1.一种基于数字孪生的光伏发电预测系统，包括系统，其特征在于：所述系统通过传感器和监测设备实时采集光伏电站的运行数据，包括太阳辐射、温度、湿度、风速等环境参数，以及光伏板的电流、电压、输出功率等设备参数，这些数据经过通信网络传输到数据中心进行存储和处理，数据处理包括数据清洗、去噪、校正等操作，以保证数据的准确性和可靠性。
2.根据权利要求1所述的一种基于数字孪生的光伏发电预测系统，其特征在于：所述系统利用建模软件或编程工具构建光伏电站的数字孪生模型，数字孪生是指通过物理模型和数据模型相结合，实时模拟和预测真实系统的行为，数字孪生模型需要考虑光伏电站的拓扑结构、组件参数、工作原理等因素，并将其与实际采集到的数据进行整合，形成一个真实仿真的电站模型。
3.根据权利要求2所述的一种基于数字孪生的光伏发电预测系统，其特征在于：所述系统对构建好的数字孪生模型进行验证和优化，验证是指将实际运行数据与模型预测数据进行对比，评估模型的准确性和可靠性，如果模型表现不佳，可以通过调整模型参数、增加训练数据等方式进行优化，提高模型的预测精度和可靠性。
4.根据权利要求3所述的一种基于数字孪生的光伏发电预测系统，其特征在于：所述系统对历史数据进行分析和处理，提取出对光伏发电影响较大的特征或因素，这些特征可能包括天气状况、光伏板温度、污染程度等，通过对这些特征的分析和统计，可以建立光伏发电的预测模型。
5.根据权利要求4所述的一种基于数字孪生的光伏发电预测系统，其特征在于；所述系统采用机器学习算法对提取出的特征进行训练和建模，常用的算法包括支持向量机、神经网络、随机森林等，通过输入历史数据和相应的输出结果，算法可以学习并建立预测模型，在预测新的输入数据时，模型能够给出对应的光伏发电量预测结果。
6.根据权利要求5所述的一种基于数字孪生的光伏发电预测系统，其特征在于：所述系统当数字孪生模型构建和训练完成后，系统可以实时监测光伏电站的运行状态，并根据实时环境参数进行预测，通过将实际数据输入到数字孪生模型中，系统可以实时模拟和预测光伏发电量的变化趋势，并给出相应的预测结果。
7.根据权利要求6所述的一种基于数字孪生的光伏发电预测系统，其特征在于：所述系统将预测结果通过可视化界面展示给用户，用户可以实时查看光伏电站的发电情况，并根据预测结果做出相应的调整和决策，预测结果还可以与实际发电量进行对比，评估预测的准确性和可靠性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355182.XA CN117350431A (zh) | 2023-10-19 | 2023-10-19 | 一种基于数字孪生的光伏发电预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355182.XA CN117350431A (zh) | 2023-10-19 | 2023-10-19 | 一种基于数字孪生的光伏发电预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117350431A true CN117350431A (zh) | 2024-01-05 |
Family
ID=89370671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311355182.XA Pending CN117350431A (zh) | 2023-10-19 | 2023-10-19 | 一种基于数字孪生的光伏发电预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350431A (zh) |
-
2023
- 2023-10-19 CN CN202311355182.XA patent/CN117350431A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测系统 | |
| CN115238959A (zh) | 一种面向用户侧能源综合利用的数字孪生系统和方法 | |
| CN115587489A (zh) | 制氢模型的确定方法及装置、非易失性存储介质、处理器 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN116796194A (zh) | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| Liu et al. | Predictive maintenance of wind turbines based on digital twin technology | |
| CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控系统及方法 | |
| TWI636405B (zh) | 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 | |
| CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
| CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
| CN117350431A (zh) | 一种基于数字孪生的光伏发电预测系统 | |
| Chenhong et al. | Wind speed prediction research based on time series model with residual correction | |
| CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
| Brahmane et al. | Artificial intelligence-based energy management system for renewable energy sources | |
| CN114320773A (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN114861993A (zh) | 基于联邦学习与深度神经网络的区域光伏发电预测方法 | |
| CN113872183A (zh) | 一种综合能源优化协调系统 | |
| Li et al. | Demonstration and validation of the digital twin technology for a regional multi-energy system | |
| CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
| TWI804942B (zh) | 雙軸追日太陽能系統的發電預測模型建立方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |