基于数字孪生和深度学习的光伏发电系统管理平台及方法

本发明涉及光伏发电，更具体的说是涉及基于数字孪生和深度学习的光伏发电系统管理平台及方法。

背景技术：

1、随着科技的发展和环保需求的增加，智能化的光伏发电系统管理平台越来越受到重视。

2、传统光伏发电系统管理主要依靠人工巡检和数据采集仪进行数据采集，然而这些方法存在诸多限制，无法满足光伏发电行业日益增长的智能化管理需求。

3、现行系统普遍采用定时数据采集的方式，难以实现实时的监测，当故障发生或系统性能变化时，滞后的数据更新不利于及时发现问题；传统的数据分析依赖人工经验，费时费力且易出现遗漏误判；此外，传统管理往往需要运维人员驻场或定期到场查看，对于分布式光伏发电系统(例如家用屋顶光伏) 尤其不便捷，增加了运维成本和难度。

4、由此带来的影响是严重的，例如：数据采集滞后和人工巡检的局限性会导致故障发现延迟，甚至恶化造成更大损失；难以及时发现故障和性能变化，以及缺乏发电量优化管理，都会导致光伏电站实际发电量低于设计值，造成经济效益损失；依赖人工巡检的传统运维方式成本高昂，随着电站规模扩大更是雪上加霜；最重要的是，缺乏实时的监测和预警功能使得安全隐患难以及时发现，例如光伏组件的火灾风险等，对电站安全运行带来威胁。

5、因此，如何实时监控系统运行状态并进行智能化远程优化管理是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了基于数字孪生和深度学习的光伏发电系统管理平台及方法以解决背景技术中提到的部分技术问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于数字孪生和深度学习的光伏发电系统管理平台，包括数据采集模块、预处理模块、中央处理模块、远程监控与可视化模块以及数据存储模块；

4、数据采集模块，用于通过传感器实时监测并采集光伏阵列的运行参数数据，包括但不限于电压、电流、温度和辐照度；

5、预处理模块，用于对采集的运行参数数据进行预处理并上传至中央处理模块；

6、中央处理模块，用于根据接收的运行参数数据，通过深度学习神经网络进行功率预测和故障诊断，并通过数字孪生结构体系对传感器采集的运行参数数据结合气象数据进行分析后反向调参对光伏发电系统进行优化；

7、远程监控与可视化模块，用于对实时采集的数据和处理后的数据进行可视化展示；

8、数据存储模块，用于存储光伏发电系统的运行数据和历史记录；

9、中央处理模块包括功率预测单元、故障诊断单元和数字孪生模型优化单元；

10、功率预测单元，用于通过人工神经网络ann和长短期记忆递归神经网络lstm预测发电量；

11、故障诊断单元，用于采用卷积神经网络cnn分析光伏发电系统运行时的电压和电流值预测故障；

12、数字孪生模型优化单元，用于通过已构建的数字孪生结构体系，根据遗传算法优化反向传播神经网络ga-bp并进行功率计算，同时模拟光伏发电系统的实际运行，补偿修改光伏发电系统运行参数获得最大输出功率；

13、已构建的数字孪生结构体系包括物理层、感知层、数据传输层、数据处理层和决策层；

14、物理层，通过光伏阵列为感知层提供参数数据信息；

15、感知层，用于收集光伏阵列所处环境的太阳辐射强度、温度、电压、电流实时参数数据，以及气象数据；

16、数据传输层，搭建无线网络传输系统，实现参数数据的高效传输；采用分布式本地存储与集中式云存储相结合的方式对数据进行全面存储；

17、数据处理层，将实时气象数据作为反向传播神经网络模型ga-bp的输入量，计算得到光伏发电功率预测初始值；基于历史气象数据补偿修正预测模型，得到最终的数字孪生体预测值，即光伏发电输出功率预测数据；

18、决策层，根据处理得到的光伏发电输出功率预测数据，生成相应改进方案，反馈到终端设备以指导运行策略。

19、优选的，对采集的运行参数数据进行预处理的内容包括：

20、通过内嵌数据清洗算法，对无效数据与异常值进行清洗；

21、进行归一化处理，以便于跨传感器类型的数据比较和分析；

22、设置一个缓冲区，用于临时存储预处理后的数据。

23、优选的，人工神经网络用于处理复杂的非线性关系，具体内容为：

24、在ann中采用relu激活函数增加网络的非线性，并计算输出层与真实值之间的误差，进行反向逐层传递误差，更新权重，使网络基于误差进行自我调整；计算损失函数的梯度，并沿梯度的反方向逐步更新网络参数，使网络参数逐渐趋近于损失最小的点；

25、长短期记忆递归神经网络用于处理光伏发电系统时间序列数据，具体内容为：

26、通过遗忘门、记忆门和输出门控制lstm的信息保留和传递，最终反映到细胞状态和输出信号。

27、优选的，故障诊断单元的卷积神经网络cnn包括多个卷积层和池化层，同一层的神经元共享相同的权重，用于从大量传感器数据中提取特征，并通过分类层识别潜在的故障模式。

28、优选的，中央处理模块还包括持续学习机制，用于根据实时反馈和历史数据分析结果不断调整和优化神经网络算法。

29、优选的，远程监控与可视化模块包括前端用户界面、后端服务器和数据处理引擎；

30、前端用户界面，用于以图形化方式展示光伏发电系统的实时运行数据和历史趋势；

31、后端服务器，用于处理前端用户界面的数据请求，并将处理结果以json格式返回至前端用户界面；

32、数据处理引擎，用于将获取的性能参数和运行状态数据转换成图表和报告。

33、优选的，数据存储模块包括云数据库、数据备份单元、数据加密单元、数据访问接口和数据维护工具；

34、云数据库用于存储光伏发电系统的运行数据和历史记录，数据备份单元用于定期自动备份数据库内容，数据加密单元用于保护存储的数据免受未授权访问和篡改，数据访问接口用于允许中央处理单元和远程监控与可视化单元安全地读取和写入数据，数据维护工具用于执行数据库的维护任务。

35、一种基于数字孪生和深度学习的光伏发电系统管理方法，基于所述的一种基于数字孪生和深度学习的光伏发电系统管理平台，包括：

36、通过传感器实时监测并采集光伏阵列的运行参数数据，包括但不限于电压、电流、温度和辐照度；

37、对采集的运行参数数据进行预处理并上传；

38、根据接收的运行参数数据，通过深度学习神经网络进行功率预测和故障诊断，并通过数字孪生结构体系对传感器采集的运行参数数据结合气象数据进行分析后反向调参对光伏发电系统进行优化；

39、对实时采集的数据和处理后的数据进行可视化展示；

40、存储光伏发电系统的运行数据和历史记录。

41、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于数字孪生和深度学习的光伏发电系统管理平台及方法，采用先进的硬件平台作为下位机，配合各类传感器实时监测光伏发电系统的性能参数，利用深度学习算法对数据进行分析和智能优化调整，同时利用数字孪生技术构建数字孪生体优化光伏发电系统发电功率，开发基于web的用户界面，方便用户实时监控系统运行状态和进行远程管理，实现对光伏发电系统的智能化管理和运行优化，在光伏发电系统智能优化与管理领域具有广泛的应用前景。