Table of Contents
مدل سازی داده تبدیل به یک نظم و انضباط اساسی برای پروژه های انرژی تجدید پذیر، به ویژه در بخش انرژی خورشیدی است.به عنوان مقیاس خورشیدی از پشت بام های مسکونی تا مزارع خورشیدی در مقیاس بزرگ، توانایی جمع آوری، ساختار و تجزیه و تحلیل مقدار زیادی از داده ها به طور مستقیم تعیین امکان سنجی پروژه، بهره وری عملیاتی و سودآوری بلند مدت.
این مقاله اصول مدل سازی داده های اعمال شده در انرژی خورشیدی، انواع مدل های مورد استفاده، مجموعه داده های خاص مورد نیاز، برنامه های عملی در سراسر چرخه عمر پروژه، و فن آوری های نوظهور که در حال ظهور است که شکل گیری این زمینه را برجسته می کند، همچنین نشان می دهد که چگونه یک پلت فرم مدیریت داده های انعطاف پذیر مانند Directus می تواند به عنوان ستون فقرات برای ذخیره سازی، اداره، اداره، اداره، اداره، و خدمت داده های متنوع که این مدل ها.
درک مدل سازی داده ها در انرژی های تجدید پذیر
در هسته آن، مدل سازی داده ها فرایند ایجاد نمایندگی ساختار یافته از نهادهای، ویژگی ها و روابط درون یک حوزه است.برای سیستم های انرژی تجدید پذیر، این بدان معنی است که تعریف می کند که چگونه اجزای فیزیکی (سلول ها، اینورترها، باتری)، متغیرهای زیست محیطی (نابود، دما، باد)، و معیارهای عملیاتی (قدرت، خروجی، ولتاژ، تخریب) به یک مدل دیگر مرتبط می کند که ثبات را تضمین می کند، و تجزیه و تحلیل پیش بینی و پیش بینی می کند.
مدل سازی داده های انرژی خورشیدی دو رویکرد گسترده دارد. مدل های مبتنی بر فیزیک از معادلات مشتق شده از ترمودینامیک، اپتیک ها و مهندسی برق برای شبیه سازی تبدیل انرژی استفاده می کنند، آنها نیاز به پارامترهای دقیق مانند ضریب دما پانل، زیان خاک و منحنی بهره وری اینورتر دارند. [F:2] مدل های داده محور [F شناسایی دقیق ترین روش های یادگیری فیزیکی، و پیش بینی دقیق در معادلات، و استفاده از آن، و استفاده از منحنی های ساده.
انواع مدل های داده ای که در انرژی خورشیدی استفاده می شود
مدل های داده در انرژی خورشیدی را می توان با هدف خود و افق زمانی بینش هایی که تولید می کنند طبقه بندی کرد.
- مدل های توصیفی خلاصه عملکرد تاریخی برای پاسخ به "چه اتفاقی افتاد؟" آنها تولید انرژی، نسبت بهره وری و رویدادهای خرابی را جمع آوری می کنند.به عنوان مثال، یک مدل توصیفی ممکن است عامل ظرفیت یک نیروگاه خورشیدی را بیش از یک چهارم محاسبه کند یا داشبوردهایی تولید کند که واقعی در مقایسه با نسل انتظار می رود.
- مدل های پیش بینی از داده های گذشته و پیش بینی های آب و هوا برای برآورد خروجی آینده استفاده می کنند - اغلب ساعت یا روزانه پیش بینی می کنند که این مدل ها برای ادغام شبکه، برنامه ریزی ارسال باتری و پیش بینی درآمد حیاتی هستند.
- مدل های پیش نویس اقدامات را برای دستیابی به نتیجه مطلوب، مانند به حداکثر رساندن درآمد یا به حداقل رساندن کاهش، در خورشیدی، یک مدل پیش نویس ممکن است برنامه تمیز کردن بهینه برای پانل ها را بر اساس پیش بینی های از مرگ خاک و هزینه های آب، یا تعیین بهترین تنظیم زاویه تعدیل برای تغییرات جبران فصلی.
- مدل های ضرب و شتم (که اغلب به نام " دوقلوهای دیجیتال") ایجاد یک نسخه مجازی از نصب فیزیکی خورشیدی.آنها اجازه می دهند اپراتورهای به تست سناریوهای "چه چیزی" - به عنوان مثال، تاثیر اضافه کردن یک سیستم ذخیره سازی انرژی باتری یا تغییر تنظیمات اینورتر - بدون مختل کردن عملیات واقعی.
اطلاعات کلیدی برای پروژه های انرژی خورشیدی
دقت هر مدل داده بستگی به کیفیت و تکمیل داده های ورودی دارد.برای پروژه های انرژی خورشیدی، مجموعه داده های ضروری به چندین دسته تقسیم می شوند.
- بی نظم و بی نظم [FLT 1] - جهانی بی نظمی افقی (GHI)، بی نظمی طبیعی مستقیم (DNI) و عدم ثبات افقی (DHI) این در W /m2 اندازه گیری و محرک های اولیه نسل قدرت هستند.
- ⁇ و رطوبت - دمای محیط، درجه حرارت ماژول، و رطوبت نسبی بر بهره وری پانل و نرخ های تخریب تاثیر می گذارد.
- سرعت و جهت [FLT 1] - انتقادی برای ارزیابی بارهای ساختاری و اثرات خنک کننده است که به طور حاشیه ای بهبود بهره وری.
- مشخصات و اینورتر [FLT 1] - قدرت امتیاز، ضریب دما، محدودیت های ولتاژ، منحنی بهره وری و نرخ های تخریب در طول زمان.
- ] پس از کاشت و سایه [ - تجمع گرد و غبار، پوشش برف و سایه جزئی از ساختارهای مجاور یا گیاهان.
- ] داده های عملیاتی - خروجی قدرت زمان واقعی، جریان و ولتاژ سطح رشته، وضعیت اینورتر، زنگ هشدار و سوابق خرابی.
- پیش بینی های پیش بینی کننده - پیش بینی ساعتی یا زیر ساعت از بی توجهی، دما و پوشش ابر، به طور معمول از مدل های پیش بینی آب و هوا عددی سرچشمه می گیرد.
منابع داده
داده های مدل سازی خورشیدی از منابع مختلف، هر کدام با وضوح زمان و فضایی خود را.محصولات ضد زلزله ماهواره (به عنوان مثال، از قدرت ناسا یا خدمات نظارت بر اتمسفر Copernicus) ارائه پوشش جهانی در فواصل 15 دقیقه، اما ممکن است پیش بینی در زمینه پیچیده است. - اینورتر pyranometers و سلول های مرجع با اندازه گیری های محاسباتی بالا (در نهایت اندازه گیری های پردازش داده های ضروری برای سیستم های ذخیره سازی هوا و کنترل هوا)
ادغام این منابع داده ناهمگن نیازمند یک استراتژی مدیریت داده قوی است.یک سیستم مدیریت محتوای بی سر مانند Directus می تواند به عنوان یک مرکز داده متمرکز عمل کند، به تیم ها اجازه می دهد تا طرح های سفارشی برای سنسورهای انعطاف پذیری، اینورتر ها و پیش بینی های آب و هوا را تعریف کنند، سپس این داده ها را از طریق REST یا GraphQ APIL برای مدل سازی ابزار های یکپارچگی مستقیم و همچنین به حفظ ویژگی های چند سهامدار کمک می کند.
ساخت یک مدل داده برای انرژی خورشیدی
ساخت یک مدل داده قابل اعتماد برای یک پروژه خورشیدی، یک جریان کاری ساختاری را دنبال می کند که بهترین شیوه های صنعت را برای علم داده و مهندسی منعکس می کند.
- Data acquisition and ing