WO2025200214A1 - 基于数字孪生的光伏柔性支架整站应力预警方法及系统 - Google Patents

基于数字孪生的光伏柔性支架整站应力预警方法及系统

Info

Publication number
WO2025200214A1
WO2025200214A1 PCT/CN2024/109463 CN2024109463W WO2025200214A1 WO 2025200214 A1 WO2025200214 A1 WO 2025200214A1 CN 2024109463 W CN2024109463 W CN 2024109463W WO 2025200214 A1 WO2025200214 A1 WO 2025200214A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
stress
digital twin
photovoltaic
power station
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
Application number
PCT/CN2024/109463
Other languages
English (en)
French (fr)
Inventor
杨博
李玉章
王淑娟
赵磊
程文姬
牛凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Publication of WO2025200214A1 publication Critical patent/WO2025200214A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention belongs to the technical field of stress early warning for a photovoltaic flexible support station, and in particular relates to a method and system for stress early warning for a photovoltaic flexible support station based on digital twins.
  • the present invention adopts the following technical solutions:
  • the present invention provides a photovoltaic flexible support station stress early warning method based on digital twins, comprising:
  • real-time stress data of a single photovoltaic array is collected through stress monitoring equipment installed in the photovoltaic power station; at the same time, wind speed and snow accumulation weather forecast data of the entire photovoltaic power station, as well as the strength, stiffness and seismic properties of the photovoltaic bracket are collected; the data is cleaned and preprocessed to extract characteristics related to stress changes in the flexible bracket.
  • Hidden layer The hidden layer is implemented using a multilayer perceptron (MLP), where each layer uses a nonlinear activation function. The number of hidden layers and neurons is adjusted according to the complexity of the problem and the size of the data.
  • MLP multilayer perceptron
  • the backpropagation algorithm is used to calculate the error and update the weights and biases of the model; the optimizer is used to continuously reduce the prediction error and optimize the parameters of the model, and the training and optimization process is repeated until the model converges or reaches the preset number of iterations.
  • the early warning message includes the name, location, severity of the abnormal part and the corresponding response measures.
  • the operating status and meteorological conditions of the photovoltaic power station are continuously monitored to collect the latest data; the digital twin model is regularly updated to adapt to changes in the environment and operating status; and the accuracy of the model is verified by comparing actual measured values and predicted values.
  • the present invention provides a photovoltaic flexible support station stress warning system based on digital twins, comprising:
  • a modeling module is used to build a digital twin model by combining real-time stress data of a single photovoltaic array, meteorological forecast data, and bracket properties after data cleaning and preprocessing;
  • the training prediction module is used to train the digital twin model using historical data.
  • the real-time stress data of the array is input into the trained digital twin model to predict the stress change trend of the flexible bracket of the entire photovoltaic power station;
  • the judgment module is used to analyze whether there are potential safety hazards in the flexible bracket of the entire photovoltaic power station based on the prediction results.
  • the present invention provides a computer device comprising a memory, a processor, and a computer program stored in the memory and runnable on the processor.
  • the processor executes the computer program, it implements the steps of a digital twin-based photovoltaic flexible support station stress warning method.
  • the present invention provides a computer-readable storage medium storing a computer program, which, when executed by a processor, implements the steps of a photovoltaic flexible support station stress warning method based on digital twins.
  • the present invention has the following technical effects:
  • the establishment of the digital twin model utilizes the neural network method, which has high prediction accuracy and stability; it can timely detect potential safety hazards and improve the safety and stability of the photovoltaic power station.
  • FIG2 is a diagram showing the system structure of the present invention.
  • the present invention provides a digital twin-based early warning method for flexible support stress in a photovoltaic power station.
  • the technology includes the following steps:
  • a digital twin model is built by combining the real-time stress data of a single photovoltaic array, meteorological forecast data, and bracket properties after data cleaning and preprocessing.
  • Data collection and preprocessing Collect real-time stress data of a single photovoltaic array, and meteorological forecast data such as wind speed and snow accumulation for the entire photovoltaic power station. Perform data cleaning and preprocessing to extract necessary features.
  • Training and optimizing models Use historical data to train the digital twin model, and continuously adjust the model parameters through backpropagation algorithms and optimizers to improve prediction accuracy.
  • Continuous monitoring and updating Continuously monitor the operating status and meteorological conditions of the photovoltaic power station, collect the latest data, and regularly update the digital twin model to adapt to changes in the environment and operating status.
  • Data Collection and Preprocessing Real-time stress data for individual photovoltaic arrays is collected using stress monitoring equipment installed at the photovoltaic power station. Weather forecast data, such as wind speed and snow accumulation, is also collected for the entire photovoltaic power station. The data is cleaned and preprocessed to extract features related to stress changes in the flexible support.
  • a digital twin model is constructed using a neural network approach. Real-time stress data for a single photovoltaic array, weather forecast data, and properties of the support, such as strength, stiffness, and seismic resistance, are used as input. The output is the stress trend of the flexible support for the entire photovoltaic power station.
  • parameters such as the number of neural network layers and neurons, and selecting appropriate activation functions and optimizers, a digital twin model with high predictive accuracy and stability is established.
  • the system analyzes the flexible supports of the entire photovoltaic power station for potential safety hazards. If any abnormalities or potential safety risks are detected, a timely early warning message is sent to management.
  • the warning message can include the name, location, severity, and corresponding countermeasures and recommendations.
  • Input data includes the real-time stress data of a single photovoltaic array (S), the entire photovoltaic array, The station’s wind speed data (W), snow accumulation data (S), and the support’s structure, material properties, boundary conditions and other attribute data (B).
  • Hidden layer The hidden layer is implemented using a multi-layer perceptron (MLP), where each layer uses a nonlinear activation function (such as ReLU).
  • MLP multi-layer perceptron
  • ReLU nonlinear activation function
  • Backpropagation During the training process, the predicted values are compared with the actual values, the error is calculated, and then the weights and biases are updated using the backpropagation algorithm.
  • Optimizer choose a suitable optimizer (such as Adam) to reduce the prediction error and optimize the parameters of the model.
  • Training loop Repeat the following steps until the model converges or reaches the preset number of iterations:
  • a photovoltaic flexible support whole-station stress warning system based on digital twin which can be used to implement the above-mentioned photovoltaic flexible support whole-station stress warning method based on digital twin.
  • the system includes:
  • the data acquisition module is used to collect real-time stress data of a single photovoltaic array, photovoltaic support properties, and meteorological forecast data for the entire photovoltaic power station, perform data cleaning and preprocessing, and extract features;
  • a modeling module is used to build a digital twin model by combining real-time stress data of a single photovoltaic array, meteorological forecast data, and bracket properties after data cleaning and preprocessing;
  • the training and prediction module is used to train the digital twin model using historical data.
  • the real-time stress data of a single photovoltaic array is input into the trained digital twin model to predict the stress change trend of the flexible bracket of the entire photovoltaic power station.
  • the judgment module is used to analyze whether there are potential safety hazards in the flexible bracket of the entire photovoltaic power station based on the prediction results.
  • the module division in the embodiments of the present invention is illustrative and represents only one logical functional division. In actual implementation, other division methods may be used.
  • the functional modules in various embodiments of the present invention may be integrated into a single processor, exist physically as separate modules, or two or more modules may be integrated into a single module.
  • the integrated modules may be implemented in either hardware or software functional modules.
  • a computer device which includes a processor and a memory, wherein the memory is used to store a computer program, the computer program includes program instructions, and the processor is used to execute the program instructions stored in the computer storage medium.
  • the processor may be a central processing unit (CPU), or other general-purpose processors, digital signal processors (DSP), application-specific integrated circuits (ASIC), field-programmable gate arrays (FPGA) or other programmable logic devices, discrete gate or transistor logic devices, discrete hardware components, etc.
  • the above instructions are specifically suitable for loading and executing one or more instructions in a computer storage medium to implement the corresponding method flow or corresponding function; the processor described in the embodiment of the present invention can be used for the operation of a photovoltaic flexible bracket station stress warning method based on digital twins.
  • the present invention further provides a storage medium, specifically a computer-readable storage medium (Memory), which is a memory device in a computer device for storing programs and data.
  • a storage medium specifically a computer-readable storage medium (Memory), which is a memory device in a computer device for storing programs and data.
  • the computer-readable storage medium here can include both built-in storage media in the computer device and, of course, extended storage media supported by the computer device.
  • the computer-readable storage medium provides a storage space that stores the operating system of the terminal.
  • one or more instructions suitable for being loaded and executed by the processor are also stored in the storage space. These instructions can be one or more computer programs (including program codes).
  • embodiments of the present invention may be provided as methods, systems, or computer program products.
  • the present invention may take the form of an entirely hardware embodiment, an entirely software embodiment, or an embodiment combining software and hardware.
  • the present invention may take the form of a computer program product implemented on one or more computer-usable storage media (including but not limited to magnetic disk storage, CD-ROM, optical storage, etc.) containing computer-usable program code.
  • These computer program instructions may also be stored in a computer-readable memory that can direct a computer or other programmable data processing device to operate in a specific manner, so that the instructions stored in the computer-readable memory produce a product including an instruction device that implements the functions specified in one or more processes in the flowchart and/or one or more boxes in the block diagram.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device so that a series of operating steps are executed on the computer or other programmable device to produce a computer-implemented process, so that the instructions executed on the computer or other programmable device provide steps for implementing the functions specified in one or more processes in the flowchart and/or one or more boxes in the block diagram.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于数字孪生的光伏柔性支架整站应力预警方法及系统，包括：收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；使用历史数据对数字孪生模型进行训练，将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势；根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。数字孪生模型的建立利用了神经网络方法，具有较高的预测准确性和稳定性；能够及时发现潜在的安全隐患，提高光伏电站的安全性和稳定性。

Description

基于数字孪生的光伏柔性支架整站应力预警方法及系统 技术领域
本发明属于光伏柔性支架整站应力预警技术领域，特别涉及基于数字孪生的光伏柔性支架整站应力预警方法及系统。
背景技术
随着光伏产业的快速发展，光伏电站规模不断扩大，柔性支架作为支撑光伏板的重要结构，其安全性和稳定性对整个电站的运行至关重要。然而，传统的应力监测方法通常需要对整个电站进行全面的监测，成本较高且效率较低。因此，急需一种高效、低成本的光伏整站柔性支架应力预警技术。
发明内容
本发明的目的在于提供基于数字孪生的光伏柔性支架整站应力预警方法及系统，以解决传统的应力监测方法通常需要对整个电站进行全面的监测，成本较高且效率较低的问题。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供基于数字孪生的光伏柔性支架整站应力预警方法，包括：
收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；
结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；
使用历史数据对数字孪生模型进行训练，将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋 势；
根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。
进一步的，数据收集与预处理：通过安装在光伏电站的应力监测设备收集单个光伏方阵的实时应力数据；同时收集整个光伏电站的风速、积雪气象预测数据，以及光伏支架的强度、刚度和抗震属性；对数据进行清洗和预处理，提取出与柔性支架应力变化的特征。
进一步的，建立数字孪生模型：使用神经网络方法构建数字孪生模型：将单个光伏方阵的实时应力数据、气象预测数据以及支架的强度、刚度和抗震属性作为输入，输出为整个光伏电站的柔性支架应力变化趋势，通过调整神经网络的层数、神经元数量,参数，以及使用激活函数和优化器，建立数字孪生模型。
进一步的，具体的，建模过程如下：
1)输入层：输入数据包括单个光伏方阵的实时应力数据S、整个光伏电站的风速数据W、积雪数据S，以及支架的结构、材料属性、边界条件属性数据B；
2)隐藏层：隐藏层使用多层感知器MLP实现，其中每一层都使用非线性激活函数；隐藏层的数量和神经元的数量根据问题的复杂性和数据的大小进行调整；
(Hidden_1＝f(W1\times[S,W,S,B]+b1))
(Hidden_2＝f(W2\times Hidden_1+b2))
3)输出层：输出层是一个线性层，用于输出预测的整个光伏电站的柔性支架应力变化趋势F；
F＝W3\times Hidden_2+b3
4)反向传播：在训练过程中，通过比较预测值和实际值，计算误差，然后使用反向传播算法更新权重和偏置；
5)优化器：选择优化器来减小预测误差并优化模型的参数；
6)训练循环：重复以下步骤直到模型收敛或达到预设的迭代次数：
·输入数据到神经网络中
·前向传播
·计算误差
·反向传播
·使用优化器更新权重和偏置
7)预测：模型训练完毕，输入新的实时数据，通过前向传播得到预测结果；
8)预警分析：根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患，并及时采取相应措施。
进一步的，使用历史数据对数字孪生模型进行训练：
在训练过程中，通过反向传播算法计算误差并更新模型的权重和偏置；使用优化器来不断减小预测误差并优化模型的参数，重复训练和优化过程，直到模型收敛或达到预设的迭代次数。
进一步的，根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患：
根据预测结果，如果发现异常情况或有潜在的安全风险，发送预警信息，预警信息包括异常部位的名称、位置、严重程度以及相应的应对措施。
进一步的，在实施预警分析后，持续监测光伏电站的运行状态和气象条件，收集最新的数据；定期更新数字孪生模型以适应环境和运行状态的变化；通过比较实际测量值和预测值来验证模型的准确性。
第二方面，本发明提供基于数字孪生的光伏柔性支架整站应力预警系统，包括：
数据采集模块，用于收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；
建模模块，用于结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；
训练预测模块，用于使用历史数据对数字孪生模型进行训练，将单个光伏 方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势；
判断模块，用于根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。
第三方面，本发明提供一种计算机设备，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基于数字孪生的光伏柔性支架整站应力预警方法的步骤。
第四方面，本发明提供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基于数字孪生的光伏柔性支架整站应力预警方法的步骤。
与现有技术相比，本发明有以下技术效果：
本发明的目的是提供一种基于数字孪生的光伏柔性支架整站应力预警技术，通过监测光伏电站一个方阵的柔性支架应力数据，预测整个光伏电站的柔性支架应力变化，实现节约成本和整站预警的作用。该技术利用神经网络方法建立数字孪生模型，结合风速、积雪等气象预测数据，能够实时、准确地预测柔性支架的应力变化趋势，提高电站的安全性和稳定性。
通过监测单个光伏方阵的实时应力数据，预测整个光伏电站的应力变化趋势，实现了低成本、高效的预警；数字孪生模型的建立利用了神经网络方法，具有较高的预测准确性和稳定性；能够及时发现潜在的安全隐患，提高光伏电站的安全性和稳定性。
附图说明
图1为本发明流程图。
图2为本发明系统结构图。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1和图2，本发明提供了一种基于数字孪生的光伏整站柔性支架应力预警方法，通过监测光伏电站一个方阵的柔性支架应力数据，预测整个光伏电站的应力变化，以达到节约成本和预警的作用。该技术包括以下步骤：
收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；
结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；
使用历史数据对数字孪生模型进行训练，将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势；
根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。
具体的：
1.数据收集与预处理：收集单个光伏方阵的实时应力数据、整个光伏电站的风速、积雪等气象预测数据，进行数据清洗和预处理，提取必要的特征。
2.建立数字孪生模型：利用神经网络方法，结合单个光伏方阵的实时应力数据、气象预测数据以及支架的强度、刚度和抗震性等属性，建立数字孪生模型。
3.训练和优化模型：使用历史数据对数字孪生模型进行训练，通过反向传播算法和优化器不断调整模型的参数，以提高预测准确性。
4.预测整个光伏电站的应力变化：将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势。
5.预警分析：根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患，及时向管理人员发送预警信息。
6.持续监测与更新：持续监测光伏电站的运行状态和气象条件，收集最新的数据，定期更新数字孪生模型，以适应环境和运行状态的变化。
实施例
1.数据收集与预处理：通过安装在光伏电站的应力监测设备收集单个光伏方阵的实时应力数据。同时收集整个光伏电站的风速、积雪等气象预测数据。对数据进行清洗和预处理，提取出与柔性支架应力变化相关的特征。
2.建立数字孪生模型：使用神经网络方法构建数字孪生模型。将单个光伏方阵的实时应力数据、气象预测数据以及支架的强度、刚度和抗震性等属性作为输入，输出为整个光伏电站的柔性支架应力变化趋势。通过调整神经网络的层数、神经元数量等参数，以及选择合适的激活函数和优化器，建立具有较高预测准确性和稳定性的数字孪生模型。
3.训练和优化模型：使用历史数据对数字孪生模型进行训练。在训练过程中，通过反向传播算法计算误差并更新模型的权重和偏置。使用优化器如Adam等来不断减小预测误差并优化模型的参数。重复训练和优化过程，直到模型收敛或达到预设的迭代次数。
4.预测整个光伏电站的应力变化：在训练好的数字孪生模型的基础上，将单个光伏方阵的实时应力数据输入到模型中，得到整个光伏电站的柔性支架应力变化趋势的预测结果。
5.预警分析：根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。如果发现异常情况或有潜在的安全风险，及时向管理人员发送预警信息。预警信息可以包括异常部位的名称、位置、严重程度以及相应的应对措施和建议。
6.持续监测与更新：在实施预警分析后，持续监测光伏电站的运行状态和气象条件，收集最新的数据。定期更新数字孪生模型以适应环境和运行状态的变化。可以通过比较实际测量值和预测值来验证模型的准确性，如果发现较大误差或模型性能下降，及时对模型进行调整和优化。
更具体的，建模详细的过程如下：
1.输入层：输入数据包括单个光伏方阵的实时应力数据(S)、整个光伏电 站的风速数据(W)、积雪数据(S)，以及支架的结构、材料属性、边界条件等属性数据(B)。
(Input＝[S,W,S,B])
2.隐藏层：隐藏层使用多层感知器(MLP)实现，其中每一层都使用非线性激活函数(例如ReLU)。隐藏层的数量和神经元的数量可以根据问题的复杂性和数据的大小进行调整。
(Hidden_1＝f(W1\times[S,W,S,B]+b1))
(Hidden_2＝f(W2\times Hidden_1+b2))
3.输出层：输出层是一个线性层，用于输出预测的整个光伏电站的柔性支架应力变化趋势(F)。
(F＝W3\times Hidden_2+b3)
4.反向传播：在训练过程中，通过比较预测值和实际值，计算误差，然后使用反向传播算法更新权重和偏置。
5.优化器：选择一个合适的优化器(例如Adam)来减小预测误差并优化模型的参数。
6.训练循环：重复以下步骤直到模型收敛或达到预设的迭代次数：
·输入数据到神经网络中
·前向传播
·计算误差
·反向传播
·使用优化器更新权重和偏置
7.预测：一旦模型训练完毕，可以输入新的实时数据，通过前向传播得到预测结果。
8.预警分析：根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患，并及时采取相应措施。这个过程是一个典型的神经网络训练过程，需要一定的计算资源和专业知识来完成。同时，需要注意数据的预处理、模型 的验证和调整，以及持续的监测和更新，以确保模型的准确性和可靠性。
本发明再一实施例中，提供基于数字孪生的光伏柔性支架整站应力预警系统系统，能够用于实现上述的基于数字孪生的光伏柔性支架整站应力预警方法，具体的，该系统包括：
数据采集模块，用于收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；
建模模块，用于结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；
训练预测模块，用于使用历史数据对数字孪生模型进行训练，将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势；
判断模块，用于根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(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)、现成可编程门阵列(Field-Programmable GateArray，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，其是终端的计算核心以及控制核心，其适于实现一条或一条 以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于数字孪生的光伏柔性支架整站应力预警方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于数字孪生的光伏柔性支架整站应力预警方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

  1. 基于数字孪生的光伏柔性支架整站应力预警方法，其特征在于，包括：
    收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；
    结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；
    使用历史数据对数字孪生模型进行训练，将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势；
    根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。
  2. 根据权利要求1所述的基于数字孪生的光伏柔性支架整站应力预警方法，其特征在于，数据收集与预处理：通过安装在光伏电站的应力监测设备收集单个光伏方阵的实时应力数据；同时收集整个光伏电站的风速、积雪气象预测数据，以及光伏支架的强度、刚度和抗震属性；对数据进行清洗和预处理，提取出与柔性支架应力变化的特征。
  3. 根据权利要求2所述的基于数字孪生的光伏柔性支架整站应力预警方法，其特征在于，建立数字孪生模型：使用神经网络方法构建数字孪生模型：将单个光伏方阵的实时应力数据、气象预测数据以及支架的强度、刚度和抗震属性作为输入，输出为整个光伏电站的柔性支架应力变化趋势，通过调整神经网络的层数、神经元数量,参数，以及使用激活函数和优化器，建立数字孪生模型。
  4. 根据权利要求3所述的基于数字孪生的光伏柔性支架整站应力预警方法，其特征在于，具体的，建模过程如下：
    1)输入层：输入数据包括单个光伏方阵的实时应力数据S、整个光伏电站的风速数据W、积雪数据S，以及支架的结构、材料属性、边界条件属性数据B；
    2)隐藏层：隐藏层使用多层感知器MLP实现，其中每一层都使用非线性激活函数；隐藏层的数量和神经元的数量根据问题的复杂性和数据的大小进行调整；
    (Hidden_1＝f(W1\times[S,W,S,B]+b1))
    (Hidden_2＝f(W2\times Hidden_1+b2))
    3)输出层：输出层是一个线性层，用于输出预测的整个光伏电站的柔性支架应力变化趋势F；
    F＝W3\times Hidden_2+b3
    4)反向传播：在训练过程中，通过比较预测值和实际值，计算误差，然后使用反向传播算法更新权重和偏置；
    5)优化器：选择优化器来减小预测误差并优化模型的参数；
    6)训练循环：重复以下步骤直到模型收敛或达到预设的迭代次数：
    ·输入数据到神经网络中
    ·前向传播
    ·计算误差
    ·反向传播
    ·使用优化器更新权重和偏置
    7)预测：模型训练完毕，输入新的实时数据，通过前向传播得到预测结果；
    8)预警分析：根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患，并及时采取相应措施。
  5. 根据权利要求1所述的基于数字孪生的光伏柔性支架整站应力预警方法，其特征在于，使用历史数据对数字孪生模型进行训练：
    在训练过程中，通过反向传播算法计算误差并更新模型的权重和偏置；使用优化器来不断减小预测误差并优化模型的参数，重复训练和优化过程，直到模型收敛或达到预设的迭代次数。
  6. 根据权利要求1所述的基于数字孪生的光伏柔性支架整站应力预警方 法，其特征在于，根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患：
    根据预测结果，如果发现异常情况或有潜在的安全风险，发送预警信息，预警信息包括异常部位的名称、位置、严重程度以及相应的应对措施。
  7. 根据权利要求1所述的基于数字孪生的光伏柔性支架整站应力预警方法，其特征在于，在实施预警分析后，持续监测光伏电站的运行状态和气象条件，收集最新的数据；定期更新数字孪生模型以适应环境和运行状态的变化；通过比较实际测量值和预测值来验证模型的准确性。
  8. 基于数字孪生的光伏柔性支架整站应力预警系统，其特征在于，包括：
    数据采集模块，用于收集单个光伏方阵的实时应力数据，光伏支架属性，及整个光伏电站的气象预测数据，进行数据清洗和预处理，提取特征；
    建模模块，用于结合数据清洗和预处理后的单个光伏方阵的实时应力数据、气象预测数据以及支架属性，建立数字孪生模型；
    训练预测模块，用于使用历史数据对数字孪生模型进行训练，将单个光伏方阵的实时应力数据输入到已训练好的数字孪生模型中，预测整个光伏电站的柔性支架应力变化趋势；
    判断模块，用于根据预测结果，分析整个光伏电站的柔性支架是否存在潜在的安全隐患。
  9. 一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于数字孪生的光伏柔性支架整站应力预警方法的步骤。
  10. 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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于数字孪生的光伏柔性支架整站应力预警方法的步骤。
PCT/CN2024/109463 2024-03-25 2024-08-02 基于数字孪生的光伏柔性支架整站应力预警方法及系统 Pending WO2025200214A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410344713.3A CN118094433A (zh) 2024-03-25 2024-03-25 基于数字孪生的光伏柔性支架整站应力预警方法及系统
CN202410344713.3 2024-03-25

Publications (1)

Publication Number Publication Date
WO2025200214A1 true WO2025200214A1 (zh) 2025-10-02

Family

ID=91147417

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/109463 Pending WO2025200214A1 (zh) 2024-03-25 2024-08-02 基于数字孪生的光伏柔性支架整站应力预警方法及系统

Country Status (2)

Country Link
CN (1) CN118094433A (zh)
WO (1) WO2025200214A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118094433A (zh) * 2024-03-25 2024-05-28 西安热工研究院有限公司 基于数字孪生的光伏柔性支架整站应力预警方法及系统
CN118504433B (zh) * 2024-07-18 2024-10-25 嘉兴市超联新能源技术有限公司 一种基于光伏柔性支架建立数据孪生体的方法及系统
CN119321869A (zh) * 2024-12-19 2025-01-17 南昌南飞防火设备制造有限公司 柔性光伏支架系统抗风能力检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230082327A (ko) * 2021-12-01 2023-06-08 한국환경연구원 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법
CN116484545A (zh) * 2023-05-05 2023-07-25 华能新能源股份有限公司山西分公司 一种基于光伏柔性支架建立数据孪生体的方法
CN117155237A (zh) * 2023-03-17 2023-12-01 中国电建集团贵阳勘测设计研究院有限公司 一种基于数字孪生的光伏跟踪支架系统及方法
CN118094433A (zh) * 2024-03-25 2024-05-28 西安热工研究院有限公司 基于数字孪生的光伏柔性支架整站应力预警方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230082327A (ko) * 2021-12-01 2023-06-08 한국환경연구원 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법
CN117155237A (zh) * 2023-03-17 2023-12-01 中国电建集团贵阳勘测设计研究院有限公司 一种基于数字孪生的光伏跟踪支架系统及方法
CN116484545A (zh) * 2023-05-05 2023-07-25 华能新能源股份有限公司山西分公司 一种基于光伏柔性支架建立数据孪生体的方法
CN118094433A (zh) * 2024-03-25 2024-05-28 西安热工研究院有限公司 基于数字孪生的光伏柔性支架整站应力预警方法及系统

Also Published As

Publication number Publication date
CN118094433A (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
WO2025200214A1 (zh) 基于数字孪生的光伏柔性支架整站应力预警方法及系统
CN108051211B (zh) 一种风电机组主轴承温度预警诊断方法
CN119401452A (zh) 基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质
CN111340307B (zh) 预测风机风力发电功率的方法以及相关装置
CN111523710A (zh) 基于pso-lssvm在线学习的电力设备温度预测方法
CN118584366A (zh) 基于迁移学习算法的锂电池监测方法、系统、介质及设备
CN118898205A (zh) 一种基于数字孪生的设备故障检测方法及系统
CN120725657B (zh) 基于大模型的新能源发电设备健康管理平台
CN113689072A (zh) 一种基于马尔科夫链的海上风电机组运行状态评估方法
CN118839791A (zh) 一种基于机器学习运维的模型质量监控系统
CN115455584A (zh) 一种风机零件寿命预测方法与系统
CN120498112A (zh) 基于物联网的变电站监控方法及系统
CN117077532A (zh) 风电机组寿命预测的多模型融合方法
CN118539600A (zh) 一种高速公路太阳能光伏发电控制方法及系统
CN120528097A (zh) 一种基于云雾边端架构的区域级分布式光伏电站智能管理方法
CN119982387A (zh) 高塔架风电机组故障预警与诊断方法及系统
CN118013847A (zh) 一种基于数字孪生技术的仿真模型和预测方法
CN117851877A (zh) 基于scada数据关联分析的风电叶片断裂预警方法、装置、可读存储介质
CN115310693A (zh) 一种综合能源数据清洗方法、系统、设备和介质
CN119892109B (zh) 轻量化动力电缆材料特性数据库与分析平台
CN110781206A (zh) 一种学习拆回表故障特征规则预测在运电能表是否故障的方法
CN118228897B (zh) 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法
CN119831618A (zh) 一种碳排放量预测系统及方法
CN119483501A (zh) 一种智能光伏电站运维方法、系统、设备及介质
CN119359053A (zh) 一种海外高铁城区隧道建设风险评估方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24932597

Country of ref document: EP

Kind code of ref document: A1