光伏數據可視化系統設計與研究

doi：10.3969/J.1SSN.1672-7274.2025.06.010

中圖分類號：TM615;TP181;TP3 文獻標志碼：A 文章編碼：1672-7274（2025）06-0029-03

Design and Research of Photovoltaic Data Visualization System

XU Xingming1，RAO Linwei2， ZHOU Chenglong2，LANG Junkun1，YIN Jianzhi1 （1. China Power Construction （Wuding） New Energy Co.， Ltd.， Wuding 65160o， China; 2. China Power Construction Group New Energy Group Co.，Ltd. Yunnan Branch，Kunming 65o051，China）

Abstract： New energypower generation，especially photovoltaic power generation technology，has become more and more common in China's power system，and this mode hasbecomeakey component ofthe stable operation of the power grid and dispatching optimization.The purpose of this study is to construct a photovoltaic data visualization systemthat combines big data analysis and deep learning techniques，focusing on monitoringand analyzing the changes in power generation and consumption during the collection process of photovoltaic energy，as wellas fault diagnosis.The goal of designing this system is to improve the intelligence levelof photovoltaic equipment and provide necessary data support for equipment management， fault diagnosis，and performance optimization.

Keywords： photovoltaic power generation; visualization system; big data analysis; deep learning

0 引言

隨著對可再生能源需求的日益增長，光伏技術因其清潔、可持續特性而備受關注，并迅速發展。光伏產業的快速發展不僅推動了技術革新，也為研究者們提供了豐富的探索領域，尤其在提高能源效率和優化應用策略方面。儲艾伶等人[2針對農村地區光伏能源管理需求，研發了一款數據可視化系統。該系統集成了三維展示技術與大數據分析功能，旨在提升光伏設備的智能化管理水平。趙露等人3開發了基于Labview的光伏監控系統，致力于實現遠程監控和實時信息互動。該系統具備即時預警和異常記錄功能，有效促進故障快速定位和處理。測試結果顯示，該系統運行穩定，效率高。胡長冬等人[4研制了基于無線傳感器網絡的光伏電站監控系統，用來實現環境參數與設備數據的多級監控和遠程傳輸，有效整合了各類傳感器數據，確保了監控的實時性和可靠性。黨彬彬等人[5開發的基于云計算的光伏發電智能綜控系統，融合了無線傳感、實時通信、數據分析與故障預測等多項技術，該系統具備光伏電站的數據采集、實時監控、故障預警以及能源管理等功能，有效提升了光伏發電的智能化管理水平。邱書琦等人針對光伏發電量數據的非平穩性造成的發電量預測性能問題，提出一種基于改進變分模態分解和集成學習的光伏發電量預測方法，實驗結果表明，所提方法在公開數據集上對光伏發電量進行預測的均方誤差、平均絕對誤差、決定系數值分別為 0.223 2、0.338 7. 0.979 7 目前，尚未見到將深度學習算法與數據可視化系統相結合用于光伏數據綜合分析的案例。因此，本文的這一設計不僅填補了這一領域的空白，而且為光伏系統的數據處理和分析提供了一個全新的視角。

1 系統架構與功能實現

本系統旨在提供一套高效且直觀的光伏數據可視化和管理工具。包括數據的采集與處理、業務邏輯的處理，以及一個用戶友好的界面，這些功能共同支持用戶對光伏設備進行深入的分析、監控和管理。系統以光伏存儲量、發電量和用電量作為基礎數據，運用數據處理技術和機器學習算法，不僅能預測和優化光伏發電，還能識別設備的潛在故障。整個系統分為三個主要模塊，具體結構和功能在圖1中展示。

1.1長短時記憶網絡

長短期記憶網絡（LSTM）與RNN相比，具有不同的傳輸加權模式，除了權重矩陣節點輸入之外，還引入了用于狀態保存的隱藏層，有助于模型的長期記憶和梯度消失[7]。LSTM結構如圖2所示。

LSTM單元通常包括三個門（門控結構）：遺忘門（forgetgate）、輸入門（inputgate）和輸出門（outputgate）。這些門控結構決定了信息是否能夠進入或離開LSTM單元，或者信息在單元內的存儲狀態。此外，還有一個細胞狀態（cellstate）的概念，它貫穿整個LSTM鏈，以較低的維度運行，允許信息在單元之間輕松傳遞。具體公式如下所示：

式中， σ 表示sigmoid激活函數；tanh表示雙曲正切激活函數；W和b分別是權重和偏置項；*表示逐元素乘法。采用決定系數R、均方誤差（MeanSquareError，MSE），衡量模型對光伏發電量和用電量預測的效果。

1.2 MQTT協議

MQTT是一種輕量級的發布/訂閱消息傳輸協議，特別適用于低帶寬或網絡不穩定的環境。這種簡單高效的協議在物聯網領域中廣泛使用，支持設備間的低功耗、高效通信。利用發布/訂閱模型，MQTT使設備可以靈活地發送和接收消息。

1.3系統架構

針對數據層，采集和處理光伏板和逆變器等關鍵設備的數據。系統首先部署了全面的傳感器網絡，實時監控并記錄關鍵指標如發電量、用電量和電壓，這對于維持光伏系統的性能和穩定性至關重要?？紤]到光伏系統可能面臨的帶寬和設備資源限制，本文選擇了MQTT這一輕量級通信協議。在數據存儲方面，采用了專為時間序列數據設計的數據庫，通過優化數據結構和索引，有效應對大量數據的存儲和快速查詢。在存儲數據之前，系統進行數據清洗和預處理，消除異常值并填補缺失值，以確保數據的準確性和完整性。此外，系統在數據層還實現了初步的分析功能，自動計算關鍵統計指標并生成報告，為邏輯層和決策層提供了堅實的數據支持，幫助他們做出更加有效的管理決策。

對于邏輯層，主要負責處理數據、監控設備以及提供接口服務。在設計上，重點關注了數據的深度分析和設備管理的復雜性。系統采用了LSTM，用于預測光伏系統的運行性能并進行優化。通過這個技術，能夠有效地預測發電量、分析系統效能，以及及時發現潛在的故障。這不僅幫助用戶做出更好的決策，還提高了系統的能效和可靠性。在設備管理方面，邏輯層為用戶提供了全方位的操作和監控功能，使用戶能夠輕松地注冊、配置和遠程控制光伏設備。這樣不僅提升了管理的效率，還增加了操作的靈活性。系統還能實時監控設備的狀態和性能指標，確保光伏系統穩定運行。一旦檢測到問題，它會立即發出預警，以減少任何故障可能造成的影響。邏輯層通過RESTfu1API與展示層連接，確保數據傳輸的高效和安全。

展示層是用戶與系統交互的前端界面，其設計重點在于提高信息的可訪問性和易用性。展示層的主要職能是將邏輯層處理的數據以直觀、易理解的方式呈現給用戶，同時提供用戶交互的界面，具體見圖3。首先，在數據可視化方面，展示層采用了多種圖表和信息儀表板來展現光伏系統的運行數據。這些圖表包括但發電量趨勢圖、系統效能儀表盤和故障預警指示器。這些可視化工具使用戶能夠快速把握系統狀態，理解復雜的數據和分析結果。其次，展示層在界面設計上追求簡潔和直觀。界面布局合理，操作流程直觀，確保了用戶即使在沒有專業背景的情況下也能輕松使用系統。通過這種設計，系統提高了用戶的操作效率，減少了誤操作的可能性。

2 實驗測試

為了驗證系統的預測能力，本研究針對LSTM的發電量和用電量進行了實驗驗證。

2.1環境和參數配置

本文基于Python 3.9+ Pytorch1.10+Pycharm，實驗時采用了英特爾版本的CPU中央處理器。同時使用RTX3060參與運算。

2.2數據集

對2023年發電量、用電量和電量存儲的預測分析。為了實現這一目標，本文選擇了2023年1月至9月的數據作為訓練集，訓練LSTM模型。隨后，利用10月至12月的數據作為測試集來驗證模型的預測準確性。訓練集測試集的數據量分別為1800和600條。通過對比模型的預測結果和實際數據，評估模型在各個時間點的表現，從而驗證其在實際應用中的有效性。

2.3評價指標

本文采用決定系數R2、均方誤差（RootMeanSquareError，RMSE），衡量模型對光伏發電量和用電量預測的效果。

2.4實驗結果與分析

實驗結果表明，見表1，基于LSTM的發電量和用電量預測取得了較好的效果，其中發電量的R2和RMSE分別為0.9521和0.1952，用電量的R2和RMSE分別為0.9558和0.1876。擬合效果如圖3所示，可以看出擬合效果較好。這些結果對于光伏系統的未來部署具有重要的實踐意義。首先，高精確度的預測能力使得能源生產者能夠更加精準地規劃能源的供應，確保能源的有效利用，減少浪費。其次，對用電量的精確預測有助于電網運營商優化負荷管理和調度，從而提高能源利用效率，降低成本。此外，這種高效的工具對于評估新光伏設備的投資回報率和運營效率具有重要的參考價值。

3 結束語

本文介紹了一個光伏數據可視化系統的設計，它結合了數據處理技術、深度學習算法和簡潔的界面設計，提高了光伏數據管理和分析的效率。該系統能夠準確預測發電量和用電量，同時其用戶界面的便利性也大大提升了用戶的操作體驗。該技術對于評估新光伏設備的投資回報率和運營效率具有重要的參考價值，隨著技術不斷進步，期待這個系統在未來的光伏能源領域扮演更加重要的角色，推動能源管理朝著更高效、更智能的方向發展。

參考文獻

[1]張婷，馬裕澤，烏云娜.雙碳目標下共享儲能多場景遞進規劃優化研究[J/OL].電力建設，1-13[2025-01-10].

[2]儲艾伶.基于新農村光伏采集的虛擬仿真與數據可視化系統設計[J].現代計算機，2021，27（31）：117-120.

[3]趙露，曹運華.基于Labview的光伏監控系統設計[J].湖南科技學院學報，2019，40（05）：17-18.

[4]胡長冬，李保合，孫麗兵.光伏電站多級數據監控和復合信息傳輸系統設計[J].電力與能源，2018，39（02）：243-245.

[5]黨彬彬，馮莉，張海軍.基于云計算的光伏發電運行智能綜控系統[J].農村電工，2021，29（06）：35.

[6]邱書琦，蹇照民，方立雄，等.基于變分模態分解和集成學習的光伏發電預測[J].智慧電力，2024，52（03）：32-38.

[7]王登海，安玥馨，廖晨博，等.基于CNN-LSTM混合神經網絡的光伏發電量預測方法研究[J].西安石油大學學報（自然科學版），2024，39（01）：129-134.