Прогнозирование солнечной энергии
Из Википедии, свободной энциклопедии
Перейти к навигации Перейти к поиску
Часть серии по
Устойчивая энергия
Автомобиль проезжает мимо 4 ветряных турбин в поле, и на горизонте еще больше.
Энергосбережение
Возобновляемая энергия
Экологичный транспорт

Прогнозирование солнечной энергии - это процесс сбора и анализа данных для прогнозирования выработки солнечной энергии на различных временных горизонтах с целью смягчения воздействия перемежаемости солнечной энергии. Прогнозы солнечной энергии используются для эффективного управления электросетью и для торговли электроэнергией. [1]

По мере того, как основные препятствия на пути внедрения солнечной энергии, такие как стоимость материалов и низкая эффективность преобразования, продолжают снижаться, на первый план вышли вопросы прерывистости и надежности. [2] Проблема перемежаемости во многих случаях была успешно решена и смягчена с помощью прогнозов солнечной активности. [3] [4] [5]

Информация, используемая для прогноза солнечной энергии, обычно включает в себя путь Солнца , атмосферные условия, рассеяние света и характеристики солнечной энергетической установки.

Как правило, методы прогнозирования солнечной активности зависят от горизонта прогнозирования.

  • Прогноз текущей погоды (прогноз на 3–4 часа вперед),
  • Краткосрочное прогнозирование (до семи дней вперед) и
  • Долгосрочное прогнозирование (недели, месяцы, годы)

Многие методологии прогнозирования солнечных ресурсов были предложены с 1970 года, и большинство авторов согласны с тем, что разные горизонты прогнозов требуют разных методологий. Для прогнозов с горизонтом менее 1 часа обычно требуются наземные изображения неба, сложные временные ряды и модели машинного обучения. Внутрисуточные горизонты, обычно прогнозирующие значения освещенности на 4 или 6 часов вперед, требуют спутниковых изображений и моделей освещенности. Горизонты прогноза, превышающие 6 часов, обычно зависят от результатов численных моделей прогнозирования погоды (ЧПП). [6]

Прогноз погоды

Прогнозирование солнечной энергии относится к прогнозированию выработки солнечной энергии на временном горизонте от десятков до сотен минут вперед с предсказуемостью до 90%. [7] Услуги по прогнозированию текущей погоды от солнечной энергии обычно связаны с временным разрешением от 5 до 15 минут с обновлением каждую минуту.

Высокое разрешение, необходимое для точных методов прогнозирования текущей погоды, требует ввода данных с высоким разрешением, включая наземные изображения, а также быстрого сбора данных с датчиков освещенности и высокой скорости обработки.

Фактический прогноз текущей погоды часто улучшается, например, с помощью статистических методов . В случае прогнозирования текущей погоды эти методы обычно основаны на обработке временных рядов данных измерений, включая метеорологические наблюдения и измерения выходной мощности солнечной электростанции. Затем следует создание набора обучающих данных для настройки параметров модели перед оценкой производительности модели по сравнению с отдельным набором данных тестирования. Этот класс методов включает использование любого статистического подхода, такого как авторегрессионные скользящие средние (ARMA, ARIMA и т. Д.), А также методов машинного обучения, таких как нейронные сети , вспомогательные векторные машины .(и др.) [8] .

Важным элементом прогнозирования солнечной энергии являются наземные наблюдения за небом и практически все суточные прогнозы. [9]

Краткосрочное прогнозирование солнечной энергетики

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 солнечной радиации затем вводятся в процедуры моделирования фотоэлектрической энергии для создания прогноза солнечной энергии.
Предоставлено: Калифорнийский университет в Сан-Диего.

Краткосрочные прогнозы позволяют делать прогнозы на семь дней вперед. Из-за регулирования рынка электроэнергии во многих юрисдикциях внутридневные прогнозы и прогнозы солнечной энергии на сутки вперед являются наиболее важными временными горизонтами в этой категории. Практически все высокоточные методы краткосрочного прогнозирования используют потоки входных данных сервалов, такие как метеорологические переменные, местные погодные явления и наземные наблюдения, а также сложные математические модели.

Наземные наблюдения за небом

Для внутридневных прогнозов информация о местных облаках собирается одним или несколькими наземными формирователями изображения 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. [10]

Спутниковые методы

Эти методы позволяют эффективно использовать несколько геостационарных наблюдение Земли спутников погоды (например, Метеосат второго поколения (МСГ) флот ) для обнаружения, характеризующие, отслеживать и прогнозировать местоположение будущих облачностей . Эти спутники позволяют генерировать прогнозы солнечной энергии для обширных регионов за счет применения алгоритмов обработки изображений и прогнозирования . Некоторые алгоритмы прогнозирования на основе спутников включают в себя векторы движения облаков (CMV) [11] или подходы, основанные на оптимизации . [12]

Численный прогноз погоды

Большинство подходов к краткосрочному прогнозированию используют численные модели прогнозирования погоды (ЧПП), которые обеспечивают важную оценку развития погодных переменных. Используемые модели включали Глобальную систему прогнозов (GFS) или данные, предоставленные Европейским центром среднесрочного прогнозирования погоды ( ECMWF ). Эти две модели считаются самыми современными моделями глобального прогноза, 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 MM5 . Поскольку эти модели ЧПП очень сложны и их трудно запускать на локальных компьютерах, эти переменные обычно рассматриваются как экзогенные входные данные для моделей солнечного излучения и принимаются от соответствующего поставщика данных. Наилучшие результаты прогнозирования достигаются при усвоении данных .

Некоторые исследователи выступают за использование методов постобработки после получения выходных данных моделей, чтобы получить вероятностную точку зрения на точность выходных данных. Обычно это делается с помощью ансамблевых методов, которые смешивают разные выходные данные разных моделей, измененных 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 методам прогнозирования, применяемым к временным горизонтам порядка недель или лет. Эти временные горизонты могут быть важны для производителей энергии при заключении контрактов с финансовыми организациями или коммунальными предприятиями , которые распределяют произведенную энергию.

В целом, эти горизонты долгосрочного прогнозирования обычно основываются на ЧПП и климатологических моделях. Кроме того, большинство методов прогнозирования основаны на мезомасштабных моделях, на которые вводятся данные повторного анализа. Выходные данные также можно подвергнуть постобработке с помощью статистических подходов, основанных на данных измерений. В связи с тем, что этот временной горизонт менее актуален с операционной точки зрения и его гораздо сложнее смоделировать и проверить, только около 5% публикаций по прогнозированию солнечной активности рассматривают этот горизонт.

Энергетические модели

Затем любой выходной сигнал модели должен 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. Основное преимущество этого типа моделей заключается в том, 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 моделей, и они кажутся многообещающим подходом, который может превзойти каждую из них по отдельности.

Смотрите также

 Энергетический портал

  • Прогнозирование энергии

использованная литература

  1. ^ "Прогнозирование выхода солнечной энергии от фотоэлектрических станций на юго-западе Америки на сутки вперед" . Возобновляемая энергия . 91 : 11–20. 2016-06-01. DOI : 10.1016 / j.renene.2016.01.039 . ISSN  0960-1481 .
  2. ^ «Прогнозирование солнечной энергии и оценка ресурсов - 1-е издание» . www.elsevier.com . Проверено 29 июня 2021 .
  3. ^ «Преимущества солнечного прогнозирования для рынков энергетического дисбаланса» . Возобновляемая энергия . 86 : 819–830. 2016-02-01. DOI : 10.1016 / j.renene.2015.09.011 . ISSN 0960-1481 . 
  4. ^ «Оперативное прогнозирование солнечной активности для рынка в реальном времени» . Международный журнал прогнозирования . 35 (4): 1499–1519. 2019-10-01. DOI : 10.1016 / j.ijforecast.2019.03.009 . ISSN 0169-2070 . 
  5. ^ "Методы прогнозирования солнечной фотоэлектрической генерации: обзор" . Преобразование энергии и управление . 156 : 459–497. 2018-01-15. DOI : 10.1016 / j.enconman.2017.11.019 . ISSN 0196-8904 . 
  6. ^ Нонненмахер, Лукас (2015). Ресурсы солнечной энергии и прогнозирование для оптимизированной сетевой интеграции (Диссертация). Калифорнийский университет в Сан-Диего.
  7. ↑ Воррат , Софи (31 мая 2019 г.). «Новый солнечный инструмент APVI показывает ежедневный временной прогноз для каждого штата» . RenewEconomy .
  8. ^ Санджари, MJ; Гуи, HB (2016). «Вероятностный прогноз производства фотоэлектрической энергии на основе цепей Маркова высшего порядка». IEEE Transactions on Power Systems . 32 (4): 2942–2952. DOI : 10.1109 / TPWRS.2016.2616902 .
  9. ^ "Внутричасовые прогнозы с полным формирователем изображений неба на испытательном стенде солнечной энергии Калифорнийского университета в Сан-Диего" . Солнечная энергия . 85 (11): 2881–2893. 2011-11-01. DOI : 10.1016 / j.solener.2011.08.025 . ISSN 0038-092X . 
  10. ^ "Внутричасовые прогнозы с полным формирователем изображений неба на испытательном стенде солнечной энергии Калифорнийского университета в Сан-Диего" . Солнечная энергия . 85 (11): 2881–2893. 2011-11-01. DOI : 10.1016 / j.solener.2011.08.025 . ISSN 0038-092X . 
  11. ^ "Вектор движения облаков - Глоссарий AMS" . glossary.ametsoc.org . Проверено 8 мая 2019 .
  12. ^ «Оптимизированный метод для внутридневного прогноза солнечной активности с помощью дистанционного зондирования» . Солнечная энергия . 108 : 447–459. 2014-10-01. DOI : 10.1016 / j.solener.2014.07.026 . ISSN 0038-092X . 

внешняя ссылка

  • Как прогнозировать производство солнечной энергии , Рафал Рыбник, тематическое исследование по прогнозированию производства солнечной электроэнергии на основе данных о погоде.
  • Проекты прогнозирования солнечной и ветровой энергии, разработанные Национальной лабораторией возобновляемых источников энергии (NREL).
Источник « https://en.wikipedia.org/w/index.php?title=Solar_power_forecasting&oldid=1059440287 »
Contribute a better translation