Datamallintamisesta on tullut peruskuri uusiutuvan energian hankkeille erityisesti aurinkoenergian alalla. Aurinkovoimaloiden mittakaavassa asuinkatoilta hyötykäyttöön tarkoitettuihin aurinkotiloihin kyky kerätä, rakentaa ja analysoida valtavia määriä tietoa määrittää suoraan hankkeen toteutettavuutta, toiminnallista tehokkuutta ja pitkän aikavälin kannattavuutta. Hyvin suunniteltu tietomalli mahdollistaa insinöörien, analyytikoiden ja päättäjien muuntaa raakamittaukset toimintakelpoisiksi havainnoiksi, optimoida resurssien kohdentamista ja ennustaa tarkasti energiantuotantoa todellisissa olosuhteissa.

Tässä artikkelissa tarkastellaan aurinkoenergiaan sovellettavan datamallin periaatteita, käytettyjä mallityyppejä, tarvittavia tietokokonaisuuksia, hankkeen elinkaaren aikaisia käytännön sovelluksia sekä alan muokkaavia uusia teknologioita. Siinä korostetaan myös sitä, miten joustava tiedonhallintaalusta, kuten Directus, voi toimia selkärangana näiden mallien tallentamisessa, hallinnassa ja niiden moninaisten tietojen tarjonnassa.

Uusiutuvan energian datamallin ymmärtäminen

Sen ydin, data mallinnus on prosessi, jossa luodaan jäsennelty edustus yksiköiden, attribuuttien ja suhteiden sisällä. Uusiutuvien energiajärjestelmien, tämä tarkoittaa sitä, miten fyysiset komponentit (paneelit, invertterit, akut), ympäristömuuttujat (säteily, lämpötila, tuuli), ja toiminnalliset mittarit (teho, jännite, heikkeneminen) liittyvät toisiinsa. Malli tarjoaa skeema, joka takaa johdonmukaisuuden, mahdollistaa kyselyn ja tukee ennustavia tai ohjaileva analytiikka.

Aurinkovoimadatan mallintaminen on kaksi laajaa lähestymistapaa. []Fysiikkapohjaiset mallit[] käyttävät termodynamiikasta, optiikkasta ja sähkötekniikasta johdettuja yhtälöitä simuloidakseen energian muuntamista. Ne vaativat yksityiskohtaisia parametreja, kuten paneelin lämpötilakertoimia, likaantumishäviöitä ja invertteritehokkuuskäyrät. [[Data-ohjatut mallit sen sijaan tukeutuvat historiallisiin kirjoihin ja koneoppimisalgoritmiin tunnistaakseen kuvioita ilman selviä fyysisiä yhtälöitä. Käytännössä hybridimallit, jotka yhdistävät molemmat lähestymistavat, tarjoavat korkeimman tarkkuuden ennustamiseen ja optimointiin.

Aurinkoenergiassa käytetyt tietomallit

Aurinkoenergian datamalleja voidaan luokitella niiden tarkoituksen ja tuottamiensa oivalluksien aikahorisontin perusteella.

  • Descriptive malleja[ tiivistää historiallinen suorituskyky vastaamaan ... mitä tapahtui?.............................................................................................................................................................................................................................
  • Ennakoivat mallit[ käyttävät aiempia tietoja ja sääennusteita arvioidakseen tulevaa tuotosta . Nämä mallit ovat kriittisiä ruuduston integroinnin, akun lähettämisen aikataulut ja tulojen ennustamisen kannalta. Yhteisiä tekniikoita ovat ARIMA, gradientin lisääminen ja säteilyn ja lämpötilan ennusteisiin koulutetut hermoverkot.
  • Säädökselliset mallit[] suosittelevat toimia halutun tuloksen saavuttamiseksi, kuten tulojen maksimointia tai supistamista. Auringossa, ohjaileva malli voisi ehdottaa optimaalista puhdistusaikataulua levyjen perustuu likanpoistohäviöennusteita ja veden kustannuksia, tai määrittää paras kallistuskulman säätö kausittaisten säteilyn muutoksia.
  • Simulointimallit[[ (usein kutsutaan ...digital kaksoset.) luovat virtuaalisen kopion fyysisestä aurinkolämpöasennuksesta. Niiden avulla operaattorit voivat testata ...mitä-if.. skenaarioita ... esimerkiksi akun ja energian varastointijärjestelmän lisäämisen tai invertteriasetusten muuttamisen vaikutukset häiritsemättä todellisia toimintoja.

Aurinkovoimahankkeiden keskeiset tiedot

Kaikkien tietomallien tarkkuus riippuu syöttötietojen laadusta ja täydellisyydestä. Aurinkovoimaprojekteissa olennaiset tietokokonaisuudet jakautuvat useisiin luokkiin.

  • Solaarinen säteily [ . ... .....................................................................................................................................................................................................................................
  • Lämpötila ja kosteus[ .
  • Tuulinopeus ja -suunta[ .
  • Panoli- ja inverttitiedot[ .
  • Voimaa ja varjostamista[ . Pölyä kertyy, lumipeite ja osittain varjostavaa läheisten rakenteiden tai kasvillisuuden. Maaperän hävikit voivat vähentää satoa 5.25 prosentilla kuivilla alueilla.
  • Toimintatiedot[ ... ........................................................................................................................................................................................................................................
  • Sääennuste . Tunnin tai alle tunnin ennusteet säteilyn, lämpötilan ja pilvipeiton varalta, tyypillisesti peräisin numeerisista sääennustemalleista.

Tietolähteet

Aurinkomallinnustiedot tulevat eri lähteistä, joilla on oma aika- ja tilaresoluutio. Satelliitti-irradianssituotteet (esim. NASA. POWER- tai Copernicus-ilmakehäseurantapalvelu) tarjoavat maailmanlaajuisen kattavuuden 15 minuutin välein, mutta niillä voi olla harhaluuloja monimutkaisessa maastossa. Maapohjaiset pyranometrit ja vertailusolut tarjoavat korkean tarkkuuden paikallisia mittauksia ja ovat olennaisia mallin kalibroinnille. Sääasemat ja paikan päällä olevat säätornit täydentävät satelliittitietoja lämpötilan, tuulen ja kosteuden mittausmalleilla. Lopuksi SCADA (Supervisory Control and Data Acquisition) -järjestelmät muuntimesta ja kasvinohjaimesta tuottavat toisen sekunnin käyttötietoja, jotka syöttävät suorituskyvyn tarkkailuun ja vikojen havaitsemiseen.

Näiden epäyhtenäisten tietolähteiden integrointi edellyttää vankkaa tiedonhallintastrategiaa. Päätön sisällönhallintajärjestelmä, kuten [Directus[], voi toimia keskitettynä datakeskittymänä, jolloin tiimit voivat määritellä räätälöityjä skeema-kuvia säteilyanturien, inverttereiden ja sääennusteiden osalta, jolloin nämä tiedot voidaan altistaa REST- tai GraphQL-aPI-laitteiden kautta mallinnustyökaluille ja kojelautaan. Directus...

Aurinkoenergiaa koskevan datamallin rakentaminen

Luotettavan datamallin rakentaminen aurinkopaneeliprojektia varten seuraa jäsenneltyä työnkulkua, joka vastaa alan parhaita datatieteiden ja -tekniikan käytäntöjä.

  1. Data acquisition and ing