(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211024480.6 (22)申请日 2022.08.25 (71)申请人 国网甘肃省电力公司电力科 学研究 院 地址 730000 甘肃省兰州市安宁区万 新北 路249号 申请人 国网甘肃省电力公司 　 国家电网有限公司 (72)发明人 马明　吕清泉　王定美　张睿骁　 张珍珍　张健美　高鹏飞　张彦琪　 赵龙　沈渭程　周强　李津　 张金平　刘丽娟　郑翔宇　 (74)专利代理 机构 北京达友众邦知识产权代理 事务所(普通 合伙) 11904 专利代理师 徐银辉(51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于数字孪生、 深度强化学习的光伏电站电 池板布置方法 (57)摘要 基于数字孪生、 深度强化学习的光伏电站电 池板布置方法， 包括： 首先通过数字孪生技术， 对 所选址的光伏基地地面地貌形状进行数字孪生； 其次通过深度学习将气象数据中的云层进行数 字孪生； 然后对气象数据进行数字孪生； 最后对 数字孪生的BIM模型以及数据流， 通过深度强化 学习技术进行模拟学习， 动态学习一套太阳能电 池板布置的策略方法以及实时动态调整方法。 本 发明解决了光伏发电基地电池板的布置、 环境因 素和光伏发电板自身的影 响， 在不同时间和空间 尺度下具有较大的随机性和波动性的问题。 权利要求书2页 说明书4页 附图1页 CN 115455811 A 2022.12.09 CN 115455811 A 1.基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其特征在于， 包括以下步 骤： S1.通过数字孪生技术， 对所选 址的光伏基地 地面地貌形状进行 数字孪生； S2.通过深度学习将气象数据中的云层进行 数字孪生； S3.对气象数据进行 数字孪生； S4.对数字孪生的BIM模型以及数据流， 通过深度强化学习技术进行模拟学习， 动态学 习一套太阳能电池板布置的策略方法以及实时动态调整方法。 2.根据权利要求1所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 步骤S1中： 所述数字孪生光伏发电基地地貌地形方法： 通过64线激光雷达设备， 并利用大疆无人机对地貌进行航拍， 结合航拍数据和点云数据对光伏基地的地形地貌通过 建模进行 数字孪生， 将实际的物理对象虚拟映射到光伏发电信息系统中。 3.根据权利要求1所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 步骤S2中： 所述的通过深度学习将气象数据中的云团进 行数字孪生方法： 利用安 装在地面光伏基地的摄像头,通过人工智能方法,对空中云团的高度、 云团形状、 云团厚度 进行智能图像识别， 并通过高度反映射推演地面光伏太阳板的遮挡形状， 并将该过程BIM 建 模， 数字孪生到光伏发电信息系统中； 其中， 根据云团的高度、 云团形状， 确定对太阳能电池板的辐照度影响， 根据空中的云 团大小和地面高度信息计算出云团对地面影响面积的大小， 动态调整对应区域内太阳能电 池板的角度。 4.根据权利要求3所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 所述人工智能方法包括神经网络以及卷积神经网络方法中的一种或者两者的组 合。 5.根据权利要求1所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 步骤S 3中： 所述的气象数据包括辐照度、 降雨信息、 环 境温度， 气象数据的孪生是 指利用现有地面传感器对气象数据的感知与检测结果数字孪生到光伏发电信息系统中， 或 者利用气象部门的数据二次孪生到光伏发电信息系统中。 6.根据权利要求1所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 所述步骤S4中， 通过深度强化学习方法对数据流模拟学习， 发现太阳能电池板布 置策略及实时动态调整策略， 是指根据步骤S1中数字孪生的地形地貌， 动态学习一套适合 于当地光照条件角度的安装角度策略以及实时根据数字孪生因素进行大规模的光伏太阳 能电池板角度调整策略。 7.根据权利要求3所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 所述云团对地 面的影响面积公式: 公式1中,通过CN N方法对云团图像进行识别， 分别计算出S1的面积和高度L1,L2。 8.根据权利要求1所述的基于数字孪生、 深度强化学习的光伏电站电池板布置方法， 其 特征在于， 所述步骤S4中， 深度强化学习的目标是通过智能体和环 境不断交互学习， 最 终使 得太阳能电池板发出最大的电量 值， 整个强化学习的学习目标 数学表达为：权　利　要　求　书 1/2 页 2 CN 115455811 A 2为使得智能体学习一套完成策略， 通常使用状态值函数和状态 ‑行为值函数对每一次 交互所产生的奖励进行衡量， 其中状态值 函数和状态 ‑行为值函数的数 学表达为： 根据影响因素设置合理的激励机制， 以每分钟太阳能电池板发出最大的电量值EV (Electron Volt)作为主 要奖励指标设置奖励函数， 其中， 置奖励函数 数学表示为： R＝α *EV+N(0， 1)。权　利　要　求　书 2/2 页 3 CN 115455811 A 3