DWD 일기예보 데이터를 기반으로 PV 시스템(Photovoltaik-System)의 예상 전력 출력을 결정하기 위한 모델입니다.
프로그램의 기본 절차는 Kilian Knoll "DWDForecast" 도구에서 파생되었습니다: https://github.com/kilianknoll/DWDForecast 아이디어에 감사드립니다!
다음 라이브러리가 사용됩니다:
Python > 3.8.1 인터프리터를 사용하여 가상 환경을 만듭니다. (Python 3.7.x는 pytables에 문제를 일으킬 수 있습니다.)
그런 다음 요구 사항.txt에서 패키지를 설치하십시오.
이 구현은 PV 시스템에서 측정된 가치에 대한 예측 모델을 검증하는 데 사용됩니다.
이에 다음과 같은 계획이 시작되었습니다.
나중에 이 검증 결과는 최적의 활용 순서를 계획하기 위한 생산 예측의 기준이 될 것입니다.
목표는 자체 생성된 전기의 자체 소비를 최대화하는 것입니다.
따라서 예측은 예를 들어 6시간마다 예측을 업데이트하는 정기적으로 실행되는 스레드로 설정됩니다. 그런 다음 예측 데이터는 SQL-Library에 저장되어 Node-Red 환경에 표시됩니다.
PV 인버터의 현재 값은 InfluxDB에 정기적으로(예: 분 단위로) 저장됩니다.
일기 예보는 DWD Mosmix 모델에서 가져옵니다. PV 시스템 위치에 가장 가까운 스테이션은 "DWD" 섹션의 구성.ini 파일에 정의되어 있습니다.
기본적으로 검증 목적으로 예측 데이터와 과거 데이터(측정값)를 기반으로 시뮬레이션을 수행하는 것이 가능합니다. 과거 데이터에는 전역 조사와 확산 조사가 포함됩니다.
옥상에 사용할 수 있는 공간이 상당히 제한되어 있기 때문에 작은 PV 시스템을 설치했습니다.
구성:
PV 시스템의 기본 구성은 SolarSystem-Section의 Configuration.ini 파일에서 수행됩니다.
DWD Mosmix 예측은 시간별 결과로 글로벌 일사량(ghi) 값을 제공합니다. PVLIB 모델 체인을 실행하려면 확산 수평 조사(dhi)와 직접 수직 조사(dni)도 필요합니다.
PVLIB는 ghi에서 dni를 결정하기 위해 몇 가지 알고리즘을 제시합니다. 여기서는 여러 개를 사용하지만 DISC 모델이 잘 작동하는 것 같습니다.
dhi 계산에는 Erbs 모델이 사용됩니다. 예측된 값과 측정된(DWD 기준) 값이 잘 일치하는 것으로 나타났습니다.
main.py를 실행하면 더 많은 데이터, 조사 및 컴퓨팅 PV 시스템 결과를 포함하는 csv 파일이 생성됩니다. 이 파일은 "output" 디렉터리에 저장됩니다.
* i_sc : Short-circuit current (A)
* i_mp : Current at the maximum-power point (A)
* v_oc : Open-circuit voltage (V)
* v_mp : Voltage at maximum-power point (V)
* p_mp : Power at maximum-power point (W)
* i_x : Current at module V = 0.5Voc, defines 4th point on I-V
curve for modeling curve shape
* i_xx : Current at module V = 0.5(Voc+Vmp), defines 5th point on
I-V curve for modeling curve shape