Прогнозирование солнечной энергии - Solar power forecasting

Прогнозирование солнечной энергии предполагает знание солнце Путь, атмосфера состояние, процессы рассеяния и характеристики солнечная энергия растение, которое использует энергию Солнца для производства солнечная энергия. Солнечная фотоэлектрические системы преобразовывать солнечную энергию в электрическую. Выходная мощность зависит от поступающего излучения и характеристик солнечной панели. В настоящее время производство фотоэлектрической энергии увеличивается. Информация о прогнозах важна для эффективного использования, управления электросетью и для торговли солнечной энергией. Общие методы прогнозирования солнечной активности включают методы стохастического обучения, методы локального и дистанционного зондирования и гибридные методы (Chu et al., 2016).

Прогнозирование генерации

Проблема прогнозирования выработки энергии тесно связана с проблемой прогнозирование погодных переменных. Действительно, эта проблема обычно делится на две части: с одной стороны, основное внимание уделяется прогнозированию солнечной фотоэлектрической энергии или любой другой метеорологической переменной, а с другой стороны, оценке количества энергии, которое конкретная электростанция будет производить с расчетным метеорологическим ресурсом.

В общем, способ решения этой сложной проблемы обычно связан с интересующими нас пространственными и временными масштабами, что приводит к различным подходам, которые можно найти в литературе. В этом смысле полезно классифицировать эти методы в зависимости от горизонта прогнозирования, чтобы можно было различать сейчас кастинг (прогноз на 3–4 часа вперед), краткосрочное прогнозирование (до семи дней вперед) и долгосрочное прогнозирование (месяцы, годы ...) Солнечная радиация внимательно следит за физическим и биологическим развитием Земли. Его пространственная и последовательная неоднородность сильно влияет на воздействие экологических и гидрологических организмов, манипулируя температурой воздуха, влажностью почвы и транспирацией паров, снежным покровом и многими фотохимическими процедурами. Таким образом, солнечная радиация стимулирует эффективность размещения и распределение растений, а организм является ключевой характеристикой неразвитых и лесных наук, о которых необходимо знать точно. Количество солнечной радиации, получаемой на поверхности Земли, с самого начала контролируется в соответствии с мировым балансом, организм ценен прежде всего геометрией Солнца, Земли и атмосферы. С другой стороны, полное объяснение ее непредсказуемости во времени свободы требует рассмотрения ограниченной процедуры, которая часто оказывается применимой, как и обсадная колонна в горных районах. Преимущественно ограниченная территория регулирует внутреннее ограниченное солнечное излучение за счет отбрасывания теней, наклона высоты, градиента поверхности и показаний компаса, в результате точная пространственная модель направленного внутрь солнечного излучения должна рассматриваться как давление поверхности местности. В последний раз было спроектировано более нескольких событий, которые будут состоять из специальных эффектов ограниченной местности в сельской местности солнечной радиации, таких как использование географических информационных систем (ГИС), искусственного интеллекта или пост-раздачи техники спутниковой стоянки. Солнечная радиация также может быть оценена с использованием моделей численного прогноза погоды (ЧПП). Тем не менее, баланс пространства и времени, определенный с их помощью, и неполная вычислительная способность часто не учитывают свойства, связанные с землей.

В противном случае восклицательный знак дает нам согласие на получение пространственно постоянной базы данных из свидетельств данных на недоступной станции, превышающей широкий регион. Несмотря на то, что их надежность сильно зависит от холодности открытия между позициями, они в конечном итоге полагаются на статистику опыта, которая имеет более высокую точность, чем дополнительный метод. Таким образом, несмотря на доступность подходящей пространственной толщины метража, предпочтительным является метод возмущения. Обычно солнечное излучение не является таким частым примером дополнительных переменных, как температура или осадки, поэтому простота использования мощности часто бывает недостаточной. Тем не менее, количество экспериментальных систем, регистрирующих солнечное излучение, было разработано, и прерывание было преобразовано в подходящий метод для оценки солнечного излучения. Тем не менее, радиометрические станции часто собираются вместе примерно на сельскохозяйственных угодьях или в населенных пунктах, обычно в зоне бассейна и равнины, в то время как горы в покое требуют достаточной толщины метража. Эта истина особенно применима к высокой пространственной непредсказуемости солнечной радиации в этой провинции. В результате следует использовать особый метод прерывания, который допускает включение открытого фундамента, чтобы прояснить эту дополнительную пространственную непредсказуемость. Может быть установлено несколько различных методов пространственного прерывания. С другой стороны, простота использования данных в горных регионах часто бывает крайне ограничена. В результате трудно построить точную климатологию солнечного излучения в холмистой местности, которую можно было бы использовать в науке об окружающей среде, изменении климата.

Солнечное излучение вряд ли можно изменить с уважением к дополнительным экологическим переменным, таким как температура или осадки, в долях, выплачиваемых высокой стоимости обслуживания необходимых радиометрических датчиков. Он чрезвычайно чувствителен к экологическим характеристикам при локальном или ограниченном балансе или после него. В основном, поверхность местности противостоит традиционному методу прерывания, в то время как для прогнозирования требуется пространственное решение намного выше уровня земли, особенно из-за отсутствия станций измерения в горных районах. Геостатистика стоит перед стохастическим движением в направлении решения проблемы пространственного прогнозирования, которая прекращает зависимость от ранее представленных детерминированных моделей и позволяет нам составлять последствия внешней последовательной основы на наборах данных исследования.

Прогноз текущей погоды

Термин «прогноз текущей погоды» в контексте прогнозирования солнечной энергии обычно относится к тем же пространственным и временным масштабам, что и метеорологический прогноз погоды, который фокусируется на горизонте прогноза от нескольких минут до 4–6 часов вперед. В целом, горизонт прогноза текущей погоды относится к тем, которые плохо обслуживаются глобальными моделями численного прогнозирования погоды, которые производят выходные данные с почасовым разрешением и обновляются только каждые 6 часов. Солнечная энергия Таким образом, прогнозирование текущей погоды относится к прогнозированию выработки солнечной энергии (или выработки энергии) на временном горизонте от десятков до сотен минут вперед с предсказуемостью до 90%.^[1] Исторически это было очень важно для операторы электросетей чтобы гарантировать соответствие спроса и предложения на энергетических рынках. Такие услуги прогнозирования текущей погоды на солнечной энергии обычно связаны с временным разрешением от 5 до 15 минут с обновлением каждые 5 минут. Регулярные обновления и относительно высокое разрешение, требуемые от этих методов, требуют автоматических методов сбора и обработки данных о погоде, которые в основном выполняются двумя основными способами:^[2]

Статистические методы. Обычно они основаны на Временные ряды обработка данных измерений, в том числе метеорологические наблюдения и измерения выходной мощности солнечной электростанции. Затем следует создание набор обучающих данных для настройки параметров модели (I. Espino eta al, 2011) перед оценкой производительности модели по отдельному набору данных тестирования. Этот класс методов включает использование любого статистического подхода, например авторегрессионные скользящие средние (ARMA, ARIMA и т. Д.), А также методы машинного обучения, такие как нейронные сети, опорные векторные машины (так далее.). Эти подходы обычно сравниваются с настойчивым подходом, чтобы оценить их улучшения. Этот подход с постоянством просто предполагает, что любая переменная на временном шаге t является значением, которое она приняла в предыдущий раз.
Пример спутникового прогнозирования облачного покрова, который используется для прогнозирования выходных объемов солнечной энергии. Кредит: Solcast
Спутниковые методы. Эти методы используют несколько геостационарный Наблюдение Земли метеорологические спутники (Такие как Метеосат второго поколения (MSG) флот) для обнаружения, описания, отслеживания и прогнозирования будущего местоположения облачного покрова. Эти спутники позволяют генерировать прогнозы солнечной энергии по обширным регионам за счет применения алгоритмов обработки изображений и прогнозирования. Ключевые алгоритмы прогнозирования включают векторы движения облаков (CMV).^[3] Соответствующие методы применения физических моделей на основе методов обработки спутниковых изображений, обеспечивающие оценку будущих значений атмосферы, можно найти в Альварес и др., 2010.
Пример изображения неба, используемого для обнаружения, отслеживания и прогнозирования условий облачного покрова в непосредственной близости от интересующего объекта солнечной энергетики. Чаще всего эти устройства используются для оценки солнечной освещенности по изображениям с использованием локальной калибровки пиранометром. Краткосрочные прогнозы солнечного излучения затем вводятся в процедуры моделирования фотоэлектрической энергии для создания прогноза солнечной энергии.
Кредит: Калифорнийский университет в Сан-Диего
Наземные техники. Эти методы обычно используются для получения прогнозов энергетической освещенности с гораздо более высоким пространственным и временным разрешением по сравнению со спутниковыми прогнозами. Информация о местных облаках собирается одним или несколькими наземными формирователями изображений неба с высокой частотой (1 минута или меньше). Комбинация этих изображений и информации о местных погодных измерениях обрабатывается для моделирования векторов движения облаков и оптической глубины для получения прогнозов на 30 минут вперед.

Краткосрочное прогнозирование солнечной энергетики

В ближайщем будущем прогнозирование позволяет делать прогнозы на 7 дней вперед. Подобный прогноз также важен для сетевых операторов при принятии решений о работе сети, а также для операторов рынка электроэнергии.^[4]С этой точки зрения метеорологические ресурсы оцениваются с различным временным и пространственным разрешением. Это означает, что метеорологические переменные и явления рассматриваются с более общей точки зрения, а не с такой локальной точки зрения, как это делают службы прогнозирования текущей погоды. В этом смысле в большинстве подходов используются различные модели численного прогнозирования погоды (ЧПП), которые обеспечивают первоначальную оценку погодных переменных. В настоящее время для этой цели доступно несколько моделей, например: Глобальная система прогнозов (GFS) или данные, предоставленные Европейским центром среднесрочного прогнозирования погоды (ЕЦСПП ). Эти две модели считаются новейшими моделями глобального прогнозирования, которые обеспечивают метеорологические прогнозы во всем мире. Для увеличения пространственного и временного разрешения этих моделей были разработаны другие модели, которые обычно называют мезомасштабными моделями. Среди прочего, HIRLAM, WRF или же MM5 являются наиболее репрезентативными из этих моделей, так как они широко используются различными сообществами. Для запуска этих моделей необходим широкий опыт, чтобы получить точные результаты из-за большого разнообразия параметров, которые могут быть настроены в моделях. Кроме того, для создания более реалистичного моделирования могут использоваться сложные методы, такие как ассимиляция данных. Наконец, некоторые сообщества выступают за использование методов постобработки, как только будут получены выходные данные моделей, чтобы получить вероятностную точку вид на точность вывода. Обычно это делается с помощью ансамблевых методов, которые смешивают разные выходные данные разных моделей с отклонениями в стратегических метеорологических ценностях и, наконец, обеспечивают лучшую оценку этих переменных и степени неопределенности, как в модели, предложенной Bacher et al. (2009)

Долгосрочное прогнозирование солнечной энергетики

Долгосрочное прогнозирование обычно относится к прогнозированию годового или ежемесячного доступного ресурса. Это полезно для производителей энергии и для заключения контрактов с финансовыми организациями или коммунальными предприятиями, которые распределяют произведенную энергию. Как правило, такое долгосрочное прогнозирование обычно делается в более низком масштабе, чем любой из двух предыдущих подходов. Следовательно, большинство этих моделей запускаются с мезомасштабными моделями, на которые вводятся данные повторного анализа, а выходные данные обрабатываются с помощью статистических подходов, основанных на данных измерений.

Энергетические модели

Любой выходной сигнал любой модели, описанной выше, должен затем быть преобразован в электрическую энергию, которую будет производить конкретная солнечная фотоэлектрическая установка. Этот шаг обычно выполняется с помощью статистических подходов, которые пытаются соотнести количество доступного ресурса с измеренной выходной мощностью. Основное преимущество этих методов заключается в том, что ошибка метеорологического прогноза, которая является основным компонентом глобальной ошибки, может быть уменьшена с учетом неопределенности прогноза. Как было упомянуто ранее и подробно описано в Heinemann et al.эти статистические подходы включают модели ARMA, нейронные сети, опорные векторные машины и т. д. С другой стороны, существуют также теоретические модели, которые описывают, как электростанция преобразует метеорологический ресурс в электрическую энергию, как описано в Alonso et al. Основным преимуществом этого типа моделей является то, что при подборе они действительно точны, хотя они слишком чувствительны к ошибке метеорологического прогноза, которая обычно усиливается этими моделями. Гибридные модели, наконец, представляют собой комбинацию этих двух модели, и они кажутся многообещающим подходом, который может превзойти каждую из них в отдельности.

Смотрите также

Энергетический портал

Прогноз энергии