基于Hadoop的光伏管控云平台的设计与实现
这是一篇关于光伏运维,监控系统,功率预测,Spring Cloud,Hadoop的论文, 主要内容为十四五期间,在国家制定双碳目标的利好政策下,可再生能源发电方式逐渐在新型电力系统中占据核心地位,其中光伏发电被视为是整个可再生能源中最可靠的选择,各国也都对光伏产业发布了政策支持。随着各省光伏电站的投建和并网的规模逐渐增大,大多光伏电站都建立在环境恶劣的偏远地方,并且每个光伏电站都配置了一套独立的本地监控,仅能单独管控,且实际运维管理仍旧采用纸质+Excel电子表格的传统方式,存在数据统计困难等问题,功能也相对不足,无法使集团及时了解电站信息,因此,研究一套光伏管理运维云平台具有很重要的现实意义。本文针对光伏电站一体化运维和集团对实时电站信息的展示需求,开发了一套基于Hadoop的光伏管控云平台,将所有的电站进行集中管控,将大数据核心技术及理念应用于云平台。开发设计了基于Spring Cloud微服务框架的光伏管控云平台,并对采集的数据进行了工程应用试点。本文主要工作如下:1、对电站的实地运维进行了需求调研,设计并开发了光伏管控主平台和子平台两套系统。平台采用前后端分离思想和主流的微服务架构实现,覆盖资产管理、设备点管理、巡检管理、报表统计、档案管理、实时监控、系统管理等十五个模块。2、研究利用Hadoop等大数据存储技术,将已采集的海量设备点数据存入到Hive中,并建立了历史数据仓库,以处理大规模数据保存与获取的问题。3、对平台所采集的功率及相关数据信息开展了深入研究,搭建基于K-means相似日聚类和RBF神经网络的光伏功率预测模型,并对其进行仿真试验,研究表明,此预测算法精度较高,可以满足工程应用要求。本系统以公司的示范性项目为依托,使用微服务框架和大数据技术开发,同时采用机器学习算法进行光伏功率预测模型的搭建,初步实现信息化生产运维管控要求,本系统经过一年多的项目调研、搭建、开发和测试后,目前已经在公司管辖下的子站投入使用,并符合现场需求。
小水电集群短期功率预测系统的设计与实现
这是一篇关于小水电,集群,相似日区间,功率预测,SSH的论文, 主要内容为近年来,作为清洁能源的小水电以其投资少、见效快、开发周期短等优势迎来的新的发展机遇。但目前大多数都是径流式小水电站,缺乏调节能力,在实际运行中处于有水即发的状态,导致小水电出力波动性较大且变化不定。当接入电网后,小水电会对电网造成很大的负荷冲击,使主网负荷的规律性变差,安全性降低。因此,对径流式小水电进行科学的短期功率预测,进而制定合理的发电计划以保证电网供需平衡和安全稳定运行,具有较强的理论与实际意义。针对山区径流式小水电出力规律性差、装机容量较小、数量众多等特点,通过分析波动性、周期性、概率分布等发电特性,提出了将接入同一变电站的若干个小水电站视为一个集群,对集群进行整体预测的思路以提高预测结果的准确性。由于小水电多处于地理环境复杂的山区中,且位置较为分散,无法获取准确地获取各站点的气象数据。因此,本文充分挖掘蕴含在历史出力数据中的信息,通过寻找相似的出力序列来推算预测数据。考虑到径流式小水电的累积效应和滞后效应,将传统的相似日概念扩展为时间长度更为灵活的相似日区间。定义归一化形系数作为衡量两个数据序列形状相似度的标准,通过分析各相似日区间之后功率序列的变化趋势来计算预测日的功率序列。实验结果显示该方法在历史功率数据完备的条件下,能够获得较为理想的预测结果。在预测模型的基础上,以Oracle作为数据库,以Tomcat作为应用服务器,遵循J2EE框架,采用SSH技术设计并实现了小水电集群短期功率预测系统。系统具有权限管理、功率数据管理、发电特性分析、集群管理、功率预测、预测结果分析等功能模块,能够满足多级调度人员对所辖小水电的功率预测工作。通过试运行,表明系统功能完善、运行稳定、界面风格统一、交互方式灵活,预测时间合理、图表展示丰富,对于提高小水电信息化管理水平具有极强的应用价值。
小水电集群短期功率预测系统的设计与实现
这是一篇关于小水电,集群,相似日区间,功率预测,SSH的论文, 主要内容为近年来,作为清洁能源的小水电以其投资少、见效快、开发周期短等优势迎来的新的发展机遇。但目前大多数都是径流式小水电站,缺乏调节能力,在实际运行中处于有水即发的状态,导致小水电出力波动性较大且变化不定。当接入电网后,小水电会对电网造成很大的负荷冲击,使主网负荷的规律性变差,安全性降低。因此,对径流式小水电进行科学的短期功率预测,进而制定合理的发电计划以保证电网供需平衡和安全稳定运行,具有较强的理论与实际意义。针对山区径流式小水电出力规律性差、装机容量较小、数量众多等特点,通过分析波动性、周期性、概率分布等发电特性,提出了将接入同一变电站的若干个小水电站视为一个集群,对集群进行整体预测的思路以提高预测结果的准确性。由于小水电多处于地理环境复杂的山区中,且位置较为分散,无法获取准确地获取各站点的气象数据。因此,本文充分挖掘蕴含在历史出力数据中的信息,通过寻找相似的出力序列来推算预测数据。考虑到径流式小水电的累积效应和滞后效应,将传统的相似日概念扩展为时间长度更为灵活的相似日区间。定义归一化形系数作为衡量两个数据序列形状相似度的标准,通过分析各相似日区间之后功率序列的变化趋势来计算预测日的功率序列。实验结果显示该方法在历史功率数据完备的条件下,能够获得较为理想的预测结果。在预测模型的基础上,以Oracle作为数据库,以Tomcat作为应用服务器,遵循J2EE框架,采用SSH技术设计并实现了小水电集群短期功率预测系统。系统具有权限管理、功率数据管理、发电特性分析、集群管理、功率预测、预测结果分析等功能模块,能够满足多级调度人员对所辖小水电的功率预测工作。通过试运行,表明系统功能完善、运行稳定、界面风格统一、交互方式灵活,预测时间合理、图表展示丰富,对于提高小水电信息化管理水平具有极强的应用价值。
基于GA-WNN和GRNN组合算法的光伏功率预测系统设计
这是一篇关于光伏发电,功率预测,数据预处理,加权组合的论文, 主要内容为光伏发电极易受天气条件的影响,这就造成了光伏场站输出功率很不稳定,当大规模光伏场站并网时会对电网带来巨大的冲击,进而影响电网的稳定性、甚至会造成人民生命、国民经济的损失。为了减少并网冲击带来的影响,确保电网安全、经济地运行,精准地预测光伏场站的功率变化变得十分重要。为此,国家能源局对各地区光伏并网场站进行了相关考核。西北能源局为了进一步确保资源的合理分配,电网运行能更安全、经济,又加大了预测准确性的考核力度。所以研究一套能满足西北地区考核要求的预测系统具有十分重要的意义。首先,考虑到数据对一个预测模型的重要性,对光伏场站的历史数据进行了数据预处理。针对历史数据中的重复数据进行识别、删除;异常数据进行识别、填充、删除;限电数据依据限电公式进行识别,删除,以及基于灰关联分析的补充修正。在此基础上,又进行了数据的特征工程,从数据预处理后的数据中选择出与输出功率相关的部分因素,接着又考虑到这部分因素不仅相互之间存在着耦合关系,而且由于当全部作为预测模型的输入量时会对模型的收敛性、训练效率有影响,所以对这部分因素进行了主成分分析,从中选出了与输出功率相关的能代表原数据信息的新影响因素,保证了输入数据的可靠性。其次,结合了西北地区的季节特性,将数据按照其不同季节、不同天气特性,分为了晴天、多云、雨雪三种天气情况,进行建模分析,考虑到小波神经网络极强的局部处理能力与自适应学习能力,提出了基于小波神经网络的预测模型,然而该算法易陷入局部最小值,然后结合遗传算法极强的全局寻优能力,提出了一种基于遗传算法优化小波神经网络的预测算法,与小波神经网络预测进行了对比,得出了优化后的算法预测准确性更高。然后,为了进一步提高对场站输出功率的预测能力,降低多云、雨雪天气条件下对遗传算法优化的小波神经网络预测模型准确性的影响,提出了一种基于广义回归神经网络的预测方法,该方法的优点是对波动性强、数据量少的数据具有极强的预测能力。并以这两种方法为基础,提出了基于遗传算法优化的小波神经网络与广义回归神经网络的实时加权组合的算法,该算法以实时预测误差平方最小值为目标函数,以实时权重系数和为约束条件,进行优化,从而确定实时权重的值,然后利用该组合算法模型与前两种模型进行预测对比,得出该方法较其他两种方法具有更好的预测性能。最后,基于组合预测算法进行预测系统的封装,系统采用B/S结构,框架采用Spring+Struts+Hibernate(SSH),前台展示采用HTML5+CSS3技术,并结合其它功能以及其物理构架、系统构架以及其内在的逻辑构架,设计一个光伏功率预测系统,为调度部门以及光伏场站提供相应的技术支持。
基于Hadoop的光伏管控云平台的设计与实现
这是一篇关于光伏运维,监控系统,功率预测,Spring Cloud,Hadoop的论文, 主要内容为十四五期间,在国家制定双碳目标的利好政策下,可再生能源发电方式逐渐在新型电力系统中占据核心地位,其中光伏发电被视为是整个可再生能源中最可靠的选择,各国也都对光伏产业发布了政策支持。随着各省光伏电站的投建和并网的规模逐渐增大,大多光伏电站都建立在环境恶劣的偏远地方,并且每个光伏电站都配置了一套独立的本地监控,仅能单独管控,且实际运维管理仍旧采用纸质+Excel电子表格的传统方式,存在数据统计困难等问题,功能也相对不足,无法使集团及时了解电站信息,因此,研究一套光伏管理运维云平台具有很重要的现实意义。本文针对光伏电站一体化运维和集团对实时电站信息的展示需求,开发了一套基于Hadoop的光伏管控云平台,将所有的电站进行集中管控,将大数据核心技术及理念应用于云平台。开发设计了基于Spring Cloud微服务框架的光伏管控云平台,并对采集的数据进行了工程应用试点。本文主要工作如下:1、对电站的实地运维进行了需求调研,设计并开发了光伏管控主平台和子平台两套系统。平台采用前后端分离思想和主流的微服务架构实现,覆盖资产管理、设备点管理、巡检管理、报表统计、档案管理、实时监控、系统管理等十五个模块。2、研究利用Hadoop等大数据存储技术,将已采集的海量设备点数据存入到Hive中,并建立了历史数据仓库,以处理大规模数据保存与获取的问题。3、对平台所采集的功率及相关数据信息开展了深入研究,搭建基于K-means相似日聚类和RBF神经网络的光伏功率预测模型,并对其进行仿真试验,研究表明,此预测算法精度较高,可以满足工程应用要求。本系统以公司的示范性项目为依托,使用微服务框架和大数据技术开发,同时采用机器学习算法进行光伏功率预测模型的搭建,初步实现信息化生产运维管控要求,本系统经过一年多的项目调研、搭建、开发和测试后,目前已经在公司管辖下的子站投入使用,并符合现场需求。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://bishedaima.com/lunwen/51305.html
