数据模型建设已经成为可再生能源项目的基础学科,特别是在太阳能部门。 随着太阳能设施从住宅屋顶到通用太阳能农场的规模,收集、结构和分析大量数据的能力直接决定了项目的可行性、运行效率和长期盈利能力。 一个设计良好的数据模型使工程师、分析师和决策者能够将原始测量转化为可操作的洞察力,优化资源分配,并准确预测现实世界条件下的能源产出。

本篇文章探讨了适用于太阳能的数据模型的原理,所使用的模型类型,所需的具体数据集,整个项目生命周期的实际应用,以及正在重新塑造这个领域的各种新兴技术,还重点介绍了像Directus这样的灵活的数据管理平台如何作为存储,管理和服务这些模型的多种数据的骨干.

了解可再生能源数据模型

数据模型的核心是创建一个系统化的反映一个领域内实体、属性和关系的过程。 对于可再生能源系统,这意味着界定物理组件(板块、反转器、电池)、环境变量(辐射、温度、风力)和操作性衡量标准(功率输出、电压、降解)如何相互关联。 模型提供了一种确保一致性、能够查询和支持预测性或指令性分析的系统。

太阳动力数据模型跨越两个大的方法. 物理-基于模型[ 使用热力学,光学和电工学等衍生的方程模拟能量转换,它们需要板温系数,土壤损耗,反向效率曲线等详细参数. Data-驱动模型[ 相对而言,依靠历史记录和机器学习算法来识别规律,而没有明确物理方程. 在实践中,结合两种方法的混合模型为预测和优化提供了最高的准确度.

太阳能使用的数据模型类型

太阳能数据模型可按其目的和所产生见解的时间范围进行分类。

  • 描述模型 总结历史性能,回答“发生了什么? ” 它们汇集了能源生产、效率比率和停产时间事件。 例如,描述模型可以计算四分之一以上的太阳能厂容量系数,或者产生比较实际生成与预期生成的仪表板。
  • 预测模型[利用过去的数据和天气预报来估计未来产出 — — 通常是小时或每天的。 这些模型对于电网整合、电池调度调度和收入预测至关重要。 常见的技术包括ARIMA、梯度增强和神经网络在辐射和温度预报方面受过培训。
  • 说明性模型建议实现预期结果的行动,如最大限度地增加收入或尽量减少削减。 在太阳系,一个规定性模型可以根据土壤损耗预测和水费,建议板的最佳清洁时间表,或者确定季节辐照变化的最佳倾角调整。
  • 模拟模型(常称为“数码双胞胎”)创造了物理太阳能安装的虚拟复制品,它们允许操作者测试“什么”情景——例如,添加电池能量储存系统或改变反转器设置的影响——而不会干扰实际操作。

太阳能项目的关键数据

任何数据模型的准确性都取决于输入数据的质量和完整性,对于太阳能项目,基本数据集分为几类.

  • Solar 辐射 – 全球水平辐射(GHI),直接正常辐射(DNI),以及Diffuse 水平辐射(DHI) 。这些辐射用W/m2测量,是发电的主要驱动力。
  • 温度和湿度[ – 温度,模块温度,以及相对湿度影响面板效率和降解率.
  • 风速和方向-对评估结构负载和略微提高效率的冷却效应至关重要。
  • 面板和反转器规格 – 定电,温度系数,电压极限,效率曲线,以及随时间推移的降解率.
  • 土壤流失可以使干旱地区的产量减少5—25 % 。 土壤流失可以导致土壤流失,从而导致土壤流失。 土壤流失可以导致土壤流失。 土壤流失可以导致土壤流失。 土壤流失可以导致土壤流失。 土壤流失可以导致土壤流失。
  • 操作数据 –实时功率输出,字符串+电流和电压,反转状态,提醒,以及停机时间记录.
  • 织物预报 – 小时或次小时预测辐照,温度,云层覆盖,一般来源于数值天气预测模型.

数据来源

太阳模型的数据来自各种来源,它们都有自己的时间和空间分辨率。卫星的辐射产品(例如来自美国航天局的POWER或哥白尼大气监测服务)以15分钟的间隔覆盖全球,但可能对复杂的地形有偏差。基于地面的高温计和参照电池提供了高精确度的局部测量,对模型校准至关重要。气象站和现场气象塔用温度、风和湿度读数补充卫星数据。 最后,来自反向器和植物控制器的SCADA(超级控制和数据获取)系统生成第二XBEII操作数据,用于性能监测和断层探测模型。

整合这些多样化的数据源需要强有力的数据管理策略。像Directus这样的无头内容管理系统可以作为一个集中的数据枢纽,允许团队定义辐射传感器、反转器和天气预报的定制方案,然后通过REST或GraphQL API将这些数据曝光给模拟工具和仪表板。Directus的作用 基于权限和版本功能也有助于维持多个利害关系方项目的数据完整性。

建立太阳能数据模型

为太阳能项目构建可靠的数据模型遵循一个结构化的工作流程,该流程反映了工业在数据科学和工程方面的最佳做法。

  1. Data acquisition and ing