<ruby id="mvjdi"></ruby>
      1. <video id="mvjdi"></video>
          1. 東莞市星火太陽能科技股份有限公司

            13215150267
            4001898908
            星火太陽能已成功為3000+客戶帶來穩定收益
            短期太陽能光伏發電預測方法研究進展
            返回列表 來源: 全球光伏 發布日期: 2023.01.01 瀏覽次數:

            摘 要:提高短期光伏發電預測水平是太陽能光伏發電站并入現有電網系統和太陽能光伏開發利用的關鍵問 題,對提高太陽能光伏發電開發利用、保證并網安全也具有重要意義。本文對國內外短期太陽能光伏發電預測方法進行了分類歸納總結,對各類方法的發展趨勢、優缺點等進行了分析。結果表明,統計智能類預測方法是國內外小型光伏電站短期光伏發電量預測技術發展的重點,總體平均預測誤差在3.0%~11.0%之間。簡單物理模型類預測方法是目前國內外大中型并網光伏電站業務運行采用最多的短期光伏發電量預測方法,總體平均預測誤差在5.0%~20.0%之間。復雜物理模型類預測方法是未來大型光伏電站短期發電量預測技術研究和發展應用的主要方向。文章結論對我國短期太陽能光伏發電預測技術的發展具有促進作用。
            2

            關鍵詞:太陽能光伏發電;短期功率預測;直接預測法;間接預測法;預測模型

            1引言

            太陽能已被公認為是未來最具競爭力能源之一,具有取之不盡、用之不竭、綠色環保等特點[1]。目前世界主要國家(如美國、德國、日本等國)均十分重視通過發展光伏發電產業進行太陽能資源的開發利用工作。到2011年底,全球光伏發電裝機容量高達69GW[2]。據國際能源署(IEA)預測,到2050年太陽能光伏發電將占全球發電量的20%~25%,成為人類的基礎能源之一[3]。作為國家新能源優先發展方向之一,目前我國光伏發電裝機容量已接近3GW,預計到2015年將達到20GW,2020年達到 47GW[4,5] 。

            中緯度地區光伏發電輸出受太陽輻射周期變 化、氣溫、降水、云量、濕度等氣象要素隨機性變化的影響,具有明顯的日、季節變化、以及不連續性和不確定性。美國學者Edward[6]研究表明,光伏發電量在電力系統中比例的增加會加大電網調度的難度,當其比例超過15%時,可能會引起電網系統的癱瘓。因此控制、調節光伏發電站發電量與來自水電廠、火電廠等其他發電量在電網中的平衡,就成了光伏發電并入現有電網的主要問題。由于對火電站發電量進行小幅度調節經濟代價高昂且無可操作性,所以能否提供準確的短期太陽能光伏發電預測就成了光伏發電站并入現有電網系統的關鍵所在[7]?!秶抑虚L期科技發展規劃綱要(2006-2020年)》中重點領域(能源)以及基礎研究方面也均涉及到了太陽能光伏發電高效開發利用技術、并網安全穩定和經濟運行三大問題[8]。

            從20世紀80年代開始,隨著太陽能光伏發電量在各國電網總電量中所占比例的不斷增加,世界主要發達國家如美國、日本、德國、法國等均大力研究并改進短期太陽能光伏發電預測方法,以期提高光伏電站的并網發電能力。我國太陽能光伏發電預測技術研究起步較晚,相關研究目前處于初期發展階段[9~11]。隨著國家“十二五”規劃中新能源戰略的實施,國內對太陽能光伏發電預測技術的需求將迅速增加。本文將主要通過對國內外短期太陽能光伏發電預測技術研究發展狀況進行分類總結、歸納和展望,期望為我國短期太陽能光伏發電預測技術的發展提供重要依據。

            2短期太陽能光伏發電預測原理

            目前所有短期太陽能光伏發電預測方法都是基于相同的思路:即首先利用數學和物理學理論及相關數據建立預測公式或模型,再通過預測公式或模型對光伏電站發電量進行預測(圖1)。根據所采用的數學物理理論及其預測輸出量,光伏發電預測方法可分為兩大類:①直接預測光電系統輸出功率的直接預測法(統計法);②首先對太陽輻射進行預測,然后根據光電轉換效率得到光電輸出功率的間接預測法(物理法)。

            2.1直接預測法

            直接預測法(統計法)主要是依據數學統計預測理論及方法,包括概率、時間序列、人工智能等方法。優點是程序簡明,對光伏電站位置及電力轉換參數沒有要求;缺點是為了保證預報結果的精確度,需要大量的光伏電站歷史運行數據。依據預測所采用的具體統計方法,該類方法又可細分為時間序列法、時間趨勢外推法、點預測法、概率預測法和智能預測法等5類。

            2.2間接預測法

            間接預測法(物理法)主要是以光伏發電系統物理發電原理為基礎,優點是不需要歷史運行數據,光伏電站建成之后就可以直接進行預測;缺點是需要光伏電站詳細地形圖、發電站坐標、光伏電站功率曲線及其他相關光電轉換參數等數據。依據建?;A及其復雜程度,該類方法又可細分為電子元件模型法,簡單物理模型法和復雜物理模型法等3類。

            3國內外短期光伏發電預測研究進展

            從20世紀80年代開始,由于世界能源消耗加速,德國、西班牙、美國和日本等國率先進入了太陽能光伏發電領域。為了保障本國電網運行的穩定性、可靠性,他們均開展了太陽能光伏發電量預測理論和應用技術研究,并取得了較為豐碩的研究成果。我國雖然早在20世紀90年代就開始發展光伏發電硬件制造產業,但直到21世紀初才進入光伏發 電量預測技術研究領域[12,13] 。在下面章節,本文將 從發展狀況、特點及預測效果等方面對國內外各類光伏發電預測方法進行深入分析、歸納、總結。

            3.1統計法

            3.1.1時間序列法

            在光伏電站光伏發電量預測技 術研究早期,國內外學者均先以時間序列類預測方法作為主要研究對象。在國外,20世紀80年代-90年代,西班牙馬拉加大學的Sidrach-de-Cardona[14]最先開展了將多元線性回歸模型用于獨立光伏系統發電量預測的研究工作;日本NTTFacilities公司采用Kudo建立的多元回歸預報方程[15],開展了愛知縣世博園區330kW光伏系統未來一天逐時發電量預測工作。美國學者Chowdhury[16]最早開展了利用自回歸滑動模型(ARMA)和差分自回歸移動平均模型(ARIMA)對光伏系統發電量進行預測的研究。內華達大學的Hassanzadeh[17]使用改進的ARMA模型對NV能源公司總部屋頂75kW獨立光伏系統晴天逐小時發電量的預測結果誤差在23.0%~43.0%之間;Reikard等[18]則采用改進的ARIMA模型對位于亞利桑那州的太陽輻射研究實驗室的小型光伏系統開展了預測試驗。在國內,云南師范大學的李光明[19]開展了基于多元線性回歸模型光伏系統發電量預測理論研究;東北電力大學的蘭華等[20]利用ARMA模型對吉林地區的并網光伏發電站的晴天出力進行了試驗預測。

            時間序列法是早期光伏電站發電量預測技術發展研究的重點,模型預測誤差一般在9.0%~45.0%之間(表1)。由于在理論及試驗階段預測能力較差,目前各國基本不再支持此類預測技術的發展。

            光伏發電量預測研究。20世紀90年代,美國NASA的Safie[21]最先探索了將馬爾科夫鏈模型用于光伏系統發電量預測的可能性;法國人Muselli等[22]對不同天氣下意大利維尼奧拉的小型獨立光伏系統預測結果的研究表明,馬爾科夫鏈模型的預測能力受天氣條件影響極大。近年國內學者在該方面也開展了研究,合肥工業大學的丁明等[23]采用馬爾科夫模型對晴天教育部光伏系統工程研究中心屋頂光伏系統發電量開展了預測,結果顯示誤差在9.0%~56.0%之間;隨后北京城市建筑大學Li等[24]提出了基于灰色-馬爾科夫鏈的綜合預測模型,并將其用于該校試驗用5.6kW并網光伏電站的發電量預測[25]。

            時間趨勢外推法是光伏發電量預測早期發展階段研究的有益探索。由于預測準確度隨天氣狀況起伏極大(表1),國內外主要光伏發電量預測技術研究機構已不再開展此類方法研究。

            3.1.3點預測法

            國內外短期太陽能光伏發電預測 中常用的點預測類方法主要包括隨機森林法、SVM支持向量機法、廣義可加模型法和貝葉斯法。在國外,法國瑪格麗特太陽能協會最早開展了將SVM、廣義可加模型用于該協會安裝在維勒班的12.84kW獨立光伏系統發電量預測的試驗[26],并對預測結果進行了評估。意大利那不勒斯Parthenope大學的Bracale等[27]提出了基于貝葉斯統計理論的光伏發電量預測方法。在國內,華北電力大學的栗然等[28]最先利用氣象資料和NASA提供的保定地區太陽輻射數據,建立了支持向量機(SVM)回歸光伏系統出力預測模型;隨后該校的朱永強等[29]進一步采用試驗用120W光伏陣列發電量、地表太陽輻射量、氣溫等觀測數據對該預測模型進行了改進。

            點預測類方法雖然模型差異較大,但預測能力比較接近,誤差一般在8.0%~13.0%之間(表1)。國內外學者曾采用該類方法開展光伏系統短期發電量試驗預測。

            3.1.4概率預測法

            最近10年,隨著新型統計預測 理論的發展[30,31] ,學者們開始將分位數回歸森林和 支持向量機分位數回歸(QSVM)應用于光伏電站發電量預測研究領域[26]。法國、澳大利亞等國家在該領域開展研究較多,國內目前還未開展將此類方法應用于光伏發電量預測的研究工作。由于發展時間較短,概率預測類方法目前還處于理論及初步試驗研究階段。

            3.1.5智能預測法

            20世紀90年代開始,日本學者 Hiyama[32]和Yona[33]最先開展了利用輻射、溫度、風 速、日照強度、濕度等作為主要輸入要素,采用前向反饋神經網絡算法(FFNN)對光伏陣列發電量進行預測的研究;東京農業技術大學進一步開展了將遞歸神經網絡(RNN)、多層感知器神經網絡(MLPNN)模型、徑向基函數神經網絡(RBFNN)模型用于該校20kW光伏系統日常發電量的試驗工作[34]。近幾年來,美國學者Charkraborty[35]提出了基于模糊 ARTMAP神經網絡的光伏系統發電量預測方法;意大利的里雅斯特市政府開始采用Mellit等[36,37] 提出的自適應小波網絡方法對該市一座20kW并網光伏電站逐小時光伏發電量進行預測;西班牙Joen大學也采用MLPNN方法對安裝在校園內的200kW分布式并網光伏電站逐小時發電量進行預測,結果顯示 預測誤差一般穩定在3.9%~6.6%之間[38,39] 。

            在國內,上海東華大學[40,41] 最先將神經網絡算 法用于光伏系統發電量預測研究領域;華中科技大學開展了采用RBFNN方法預測本校18kW光伏系統逐小時發電量的技術試驗[42];并在試驗基礎上建立了基于數值天氣預測數據的神經網絡光伏發電量預測模型[43]。上海崇明前衛村1.08MW光伏電站則采用中國電力科學研究院設計的神經網絡預測模型對電站逐小時發電量進行預測[44],近兩年湖北省氣象局[45,46]等單位對該類方法也開展了深入研究。

            各種統計智能預測方法是目前統計類光伏發電量預測技術發展的重點,預測誤差一般在3.0%~11.0%之間(表1),是近幾年國外中小型并網光伏發電站采用的主要預測方法之一。

            3.2物理法

            3.2.1電子元件模型法

            在光伏發電預測技術研究 早期階段,國外還發展了一類基于光伏電池原理的預測技術——電子元件模擬法。20世紀80年代,美國學者最先提出了基于光伏半導體設備物理原理,以溫度、全輻射、輻射分布為輸入量的Osterwald預測模型[51];諾貝爾獎獲得者Green[52]基于發光二極管的物理原理則提出了二極管模型(DiodeModel)預測法;隨后西班牙學者基于光伏元件設計原理,進一步提出了Araujo-Green[53]預測方法。由于未考慮其他要素,電子元件模型預測類方法目前已基本被淘汰。

            3.2.2簡單物理模型法

            20世紀90年代初期,隨著 光伏發電產業在歐洲的迅猛發展,物理類預測方法研究進入簡單物理模型預測階段。德國Oldenburg大學的Hammer等[54]最先構建了利用衛星資料、氣象觀測資料和電力參數進行預測的簡單物理模型;日本學者也提出了利用太陽輻射強度預測光伏陣列輸出電能的物理預測模型[55];近年來,德國慕尼黑貿易展覽中心1MW并網光伏電站開始采用Mayer等[56]提出的基于觀測和衛星遙感反演輻射資料的簡單物理預測模型對逐小時光伏發電量開展預測。丹麥日德蘭半島容量共計2769kW的21個中小型光伏電站則采用基于HIRLAM中尺度天氣模式預測數據,結合本國學者提出的簡單物理預測模型[57]對電站每天逐小時光伏發電量進行預測。德國還在歐洲中尺度天氣預報中心(ECMWF)天氣模式預報數據的基礎上,結合改進的簡單光伏發電量物理預測模型[58],研發了一套名為“saferSun”的光伏電站發電量預測監控系統對全國3500個中小型光伏電站發電量進行預測監控。在國內,湖北省氣象局的陳正洪等[59-61]近兩年開展并研制出了基于WRF中尺度天氣模式和簡單物理光伏預測模型的“太陽能光伏發電預報系統(1.0版)”,2011年以來該系統已被用于武漢日新科技股份有限公司1.2MW獨立光伏電站、內蒙古鄂爾多斯伊泰集團鄂爾多斯205kW太陽能聚光光伏電站、華電國際寧夏陸家東10MW大型并網光伏電站逐小時光伏發電量預測。

            簡單物理模型類方法在各類天氣條件下的平 均預測誤差一般在5.0%~20.0%之間(表2),是國內外中小型并網光伏發電站發電量預測所應用的主要方法。

            3.2.3復雜物理模型法

            近年來,隨著并網風力、光 伏發電站給電網運行安全帶來的潛在風險增大,電網運行部門和企業對并網光伏電站短期發電量預測準確度提出了更高的要求。為適應電網運行部門要求,德國Oldenburg大學Lorenz等[62]率先提出根據歐洲中尺度天氣預報中心(ECMWF)預報數據,結合光伏電站觀測資料的復雜物理模型預測法;并利用德國輸電系統運營商“50Hertz”下屬3300個總裝機容量0.5GW和“transpower”下屬181000個總裝機容量2.4GW并網光伏電站進行了試驗測試,結果顯示預測誤差小于5.0%[63];在此基礎上,德國學者在模型中進一步引入了積雪參數,并利用德國輸電系統運營商“50Hertz”下屬的77個光伏電站對該復雜物理預測模型進行了評估[64],結果雨雪等天氣狀況下的預測準確度明顯提高。日本學者在考慮了陰影、太陽能電池的各項參數、氣象狀況的前提下,提出了基于三維模擬的具有較高預測準確度的復雜光伏發電量預測模型[65]。國內目前尚未在該方面開展相關研究。


            (Résumé: l'amélioration du niveau de prévision de la production d'énergie photovolta?que à court terme est le problème clé de l'intégration de la centrale photovolta?que solaire dans le système de réseau électrique existant et du développement et de l'utilisation de l'énergie photovolta?que solaire, qui est également important pour améliorer le développement et l'utilisation de l'énergie photovolta?que solaire et assurer la sécurité de la connexion au réseau. Dans cet article, les méthodes de prévision de la production d'énergie solaire photovolta?que à court terme au pays et à l'étranger sont classées, résumées et analysées. Les résultats montrent que la méthode de prévision de l'intelligence statistique est au Centre du développement de la technologie de prévision de la production d'énergie photovolta?que à court terme dans les petites centrales photovolta?ques au pays et à l'étranger. L'erreur moyenne globale de prévision est de 3,0% ~ 11,0%. La méthode de prévision du Modèle physique simple est la méthode de prévision de la production d'énergie photovolta?que à court terme la plus utilisée dans les grandes et moyennes centrales photovolta?ques raccordées au réseau au pays et à l'étranger. L'erreur moyenne globale de prévision est de 5,0% ~ 20,0%. Les modèles physiques complexes sont la principale orientation de la recherche et de l'application futures de la technologie de prévision de la production d'électricité à court terme pour les grandes centrales photovolta?ques. La conclusion de l'article est utile pour le développement de la technologie de prévision de la production d'énergie solaire photovolta?que à court terme en Chine.



            Mots clés: production d'énergie photovolta?que solaire; Prévisions de puissance à court terme; Méthode de prévision directe; Méthode de prévision indirecte; Modèle de prévision



            1 Introduction



            L’énergie solaire a été reconnue comme l’une des sources d’énergie les plus compétitives à l’avenir, avec des caractéristiques inépuisables, inépuisables et vertes [1]. à l'heure actuelle, les principaux pays du monde (tels que les états - Unis, l'Allemagne, le Japon, etc.) attachent une grande importance au développement et à l'utilisation des ressources solaires par le développement de l'industrie de l'énergie photovolta?que. à la fin de 2011, la capacité installée mondiale de production d’énergie photovolta?que atteignait 69 GW [2]. Selon les prévisions de l’agence internationale de l’énergie (AIE), l’énergie solaire photovolta?que représentera 20 à 25% de la production mondiale d’électricité d’ici 2050 et deviendra l’une des sources d’énergie de base de l’humanité [3]. En tant que l’une des priorités nationales en matière de développement de nouvelles sources d’énergie, la capacité installée de production d’énergie photovolta?que en Chine est proche de 3gw, qui devrait atteindre 20gw d’ici 2015 et 47gw d’ici 2020 [4,5].



            La production d'énergie photovolta?que aux latitudes moyennes est influencée par la variation aléatoire des facteurs météorologiques, tels que la variation périodique du rayonnement solaire, la température de l'air, les précipitations, la couverture nuageuse et l'humidité. L’érudit Américain Edward [6] a montré que l’augmentation de la proportion de la production d’énergie photovolta?que dans le système d’alimentation peut rendre la répartition du réseau plus difficile, lorsque la proportion dépasse 15%, elle peut causer la paralysie du système d’alimentation. Par conséquent, le contr?le et l'ajustement de l'équilibre entre la production d'énergie de la centrale photovolta?que et d'autres sources d'énergie, telles que les centrales hydroélectriques et les centrales thermiques, sont devenus le principal problème de l'intégration de la production d'énergie photovolta?que dans le réseau électrique existant. En raison du co?t économique élevé et de l’indisponibilité de la régulation à petite échelle de la production d’énergie des centrales thermiques, il est essentiel que les centrales photovolta?ques puissent fournir une prévision précise de la production d’énergie solaire photovolta?que à court terme [7]. Les domaines clés (énergie) et la recherche fondamentale dans le cadre du plan national de développement scientifique et technologique à moyen et à long terme (2006 - 2020) portent également sur trois questions: le développement et l’utilisation efficaces de la technologie de production d’énergie solaire photovolta?que, la sécurité et la stabilité de la connexion au réseau et le fonctionnement économique [8].



            Depuis les années 80 du XXe siècle, avec l'augmentation de la production d'énergie solaire photovolta?que dans la proportion de l'énergie totale du réseau électrique de tous les pays, les principaux pays développés du monde, tels que les états - Unis, le Japon, l'Allemagne, la France, etc., ont étudié et amélioré la méthode de prévision de la production d'énergie solaire photovolta?que à court terme afin d'améliorer la capacité de production d'énergie photovolta?que connectée au réseau. La recherche sur la technologie de prévision de la production d'énergie solaire photovolta?que en Chine a commencé tardivement et la recherche connexe en est au stade initial de développement [9 ~ 11]. Avec la mise en ?uvre de la nouvelle stratégie énergétique dans le 12e plan quinquennal, la demande intérieure de technologies de prévision de l'énergie solaire photovolta?que augmentera rapidement. Dans cet article, nous résumons, résumons et prévoyons l'état de la recherche et du développement sur la technologie de prévision de la production d'énergie solaire photovolta?que à court terme au pays et à l'étranger, et nous nous attendons à fournir une base importante pour le développement de la technologie de prévision de la production d'énergie solaire photovolta?que à court terme en Chine.



            2 principe de prévision de la production d'énergie solaire photovolta?que à court terme



            à l'heure actuelle, toutes les méthodes de prévision de la production d'énergie solaire photovolta?que à court terme reposent sur la même idée: d'abord, des formules ou des modèles de prévision sont établis à l'aide de théories mathématiques et physiques et de données connexes, puis la production d'énergie photovolta?que est prévue à l'aide de formules ou de modèles de prévision (Figure 1). Selon la théorie mathématique et physique adoptée et la sortie prévue, les méthodes de prévision de la production d'énergie photovolta?que peuvent être divisées en deux catégories: ① méthode de prévision directe (méthode statistique) pour la prévision directe de la puissance de sortie du système photovolta?que; Le rayonnement solaire est d'abord prévu, puis la méthode de prévision indirecte (méthode physique) de la puissance de sortie photoélectrique est obtenue en fonction de l'efficacité de conversion photoélectrique.

            2.1 méthode de prévision directe



            La méthode de prévision directe (méthode statistique) est principalement basée sur la théorie et la méthode de prévision statistique mathématique, y compris la probabilité, les séries chronologiques, l'intelligence artificielle et d'autres méthodes. L'avantage est que le programme est concis et qu'il n'y a pas d'exigences relatives à la position de la centrale photovolta?que et aux paramètres de conversion de l'énergie; L'inconvénient est qu'une grande quantité de données historiques d'exploitation de la centrale photovolta?que est nécessaire pour assurer l'exactitude des prévisions. Selon les méthodes statistiques spécifiques utilisées pour la prévision, ces méthodes peuvent être subdivisées en cinq catégories: la méthode des séries chronologiques, l'extrapolation des tendances temporelles, la méthode de prévision ponctuelle, la méthode de prévision probabiliste et la méthode de prévision intelligente.



            2.2 Méthode de prévision indirecte



            La méthode de prévision indirecte (méthode physique) est principalement basée sur le principe de la production d'énergie physique du système de production d'énergie photovolta?que. L'avantage est qu'aucune donnée d'exploitation historique n'est nécessaire et que la prévision peut être effectuée directement après la construction de la centrale photovolta?que. L'inconvénient est que des données telles que la carte topographique détaillée de la centrale photovolta?que, les coordonnées de la centrale, la courbe de puissance de la centrale photovolta?que et d'autres paramètres de conversion photovolta?que pertinents sont nécessaires. Selon la base et la complexité de la modélisation, ces méthodes peuvent être divisées en trois types: la méthode du modèle électronique, la méthode du Modèle physique simple et la méthode du Modèle physique complexe.



            Progrès de la recherche sur la prévision de la production d'énergie photovolta?que à court terme au pays et à l'étranger



            Depuis les années 80, en raison de l'accélération de la consommation mondiale d'énergie, l'Allemagne, l'Espagne, les états - Unis et le Japon ont été les premiers à entrer dans le domaine de l'énergie solaire photovolta?que. Afin d'assurer la stabilité et la fiabilité du fonctionnement du réseau électrique national, ils ont effectué des recherches sur la théorie de la prévision de la production d'énergie solaire photovolta?que et la technologie d'application, et ont obtenu des résultats de recherche relativement fructueux. Bien que la Chine ait commencé à développer l'industrie de la fabrication de matériel de production d'énergie photovolta?que dans les années 1990, elle n'est entrée dans le domaine de la technologie de prévision de la production d'énergie photovolta?que qu'au début du XXIe siècle [12,13]. Dans les chapitres suivants, cet article analysera, résumera et résumera en profondeur les méthodes de prévision de la production d'énergie photovolta?que au pays et à l'étranger à partir de l'état de développement, des caractéristiques et des effets de prévision.



            3.1 méthode statistique



            3.1.1 méthode des séries chronologiques



            Au début de la recherche sur la technologie de prévision de la production d'énergie photovolta?que dans les centrales photovolta?ques, les chercheurs au pays et à l'étranger ont d'abord utilisé la méthode de prévision des séries chronologiques comme principal objet de recherche. à l’étranger, sidrach de Cardona [14] de l’université de Malaga en Espagne a d’abord effectué des recherches sur l’application d’un modèle de régression linéaire multiple à la prévision de la production d’électricité d’un système photovolta?que indépendant dans les années 1980 et 1990. Nttfacilites Company of Japan a utilisé l’équation de régression multiple [15] établie par Kudo pour prédire la production d’électricité horaire du système photovolta?que de 330 kW dans le Parc Expo du Comté d’aichi au cours de la prochaine journée. Le chercheur Américain Chowdhury [16] a d'abord effectué des recherches sur la prévision de la production d'énergie photovolta?que à l'aide du modèle de glissement autoregressif (arma) et du modèle de moyenne mobile Autoregressive différentielle (Arima). Hassanzadeh [17] de l’université du Nevada a utilisé un modèle arma amélioré pour prédire la production d’électricité horaire par temps ensoleillé d’un système photovolta?que autonome de 75 kW sur le toit du siège social de nv Energy, avec une erreur de 23,0% ~ 43,0%; Reikard et al. [18] ont effectué des essais prédictifs sur de petits systèmes photovolta?ques dans un laboratoire de recherche sur le rayonnement solaire en Arizona à l'aide d'un modèle Arima amélioré. En Chine, Li Guangming [19] de l’université normale du Yunnan a effectué des recherches théoriques sur la prévision de la production d’énergie photovolta?que à l’aide d’un modèle de régression linéaire multiple. Lanhua et al. [20] de l'Université d'énergie du Nord - est de la Chine ont utilisé le modèle arma pour prédire la sortie de la centrale photovolta?que raccordée au réseau dans la région de Jilin par temps ensoleillé.



            La méthode des séries chronologiques est au Centre du développement de la technologie de prévision de la production d'électricité dans les premières centrales photovolta?ques. L'erreur de prévision du modèle est généralement de 9,0% ~ 45,0% (tableau 1). En raison de la faible capacité de prévision au stade de la théorie et de l'essai, les pays n'appuient plus le développement de ces techniques de prévision.



            Recherche sur la prévision de la production d'énergie photovolta?que. Dans les années 1990, safie [21] de la NASA a d’abord exploré la possibilité d’utiliser le modèle de cha?ne de Markov pour prédire la production d’électricité dans les systèmes photovolta?ques. L'étude des résultats de la prédiction d'un petit système photovolta?que indépendant à viniola, en Italie, dans différentes conditions météorologiques par les fran?ais muselli et al. [22] montre que la capacité de prédiction du modèle de cha?ne de Markov est grandement affectée par les conditions météorologiques. Au cours des dernières années, des chercheurs nationaux ont également effectué des recherches dans ce domaine. Ding Ming et al. [23] de l’université de technologie Hefei ont utilisé le modèle Markov pour prédire la production d’électricité du système photovolta?que sur le toit du Centre de recherche sur l’ingénierie des systèmes photovolta?ques du Ministère de l’éducation par beau temps. Les résultats montrent que l’erreur est de 9,0% ~ 56,0%; Par la suite, Li et al. [24] de l’université d’architecture urbaine de Beijing ont proposé un modèle de prévision complet basé sur la cha?ne de Markov grise et l’ont utilisé pour prédire la production d’électricité d’une centrale photovolta?que raccordée au réseau de 5,6kw pour l’essai de l’université [25].



            L'extrapolation des tendances temporelles est une exploration utile de la prévision de la production d'énergie photovolta?que au stade initial du développement. étant donné que l'exactitude des prévisions varie considérablement en fonction des conditions météorologiques (tableau 1), les principaux instituts nationaux et internationaux de recherche sur la technologie de prévision de la production d'énergie photovolta?que n'ont pas effectué de telles recherches méthodologiques.



            3.1.3 méthode de prévision ponctuelle



            Les méthodes de prévision ponctuelle couramment utilisées dans la prévision de la production d'énergie solaire photovolta?que à court terme au pays et à l'étranger comprennent principalement la méthode de la forêt stochastique, la méthode de la machine vectorielle de soutien SVM, la méthode du modèle additif généralisé et la méthode bayésienne. à l’étranger, la société fran?aise Marguerite Solar Energy a réalisé pour la première fois des essais utilisant SVM, Generalized Additive model, pour la prévision de la production d’électricité d’un système photovolta?que autonome de 12,84 kW installé par la société à Villepin [26], et a évalué les résultats de la prévision. Bracale et al. [27] de l’université parthenope de Naples, en Italie, ont proposé une méthode de prévision de la production d’énergie photovolta?que basée sur la théorie statistique bayésienne. En Chine, Li Ran et al. [28] de l’université d’électricité de Chine du Nord ont d’abord utilisé les données météorologiques et les données sur le rayonnement solaire de la région de Baoding fournies par la NASA pour établir un modèle de prévision de la production du système photovolta?que de régression SVM. Par la suite, Zhu Yongqiang et al. [29] ont amélioré le modèle de prévision à l'aide de données d'observation telles que la production d'électricité, le rayonnement solaire de surface et la température de l'air à l'aide d'un réseau photovolta?que expérimental de 120 W.



            Bien qu'il existe de grandes différences entre les modèles, la capacité de prévision des méthodes de prévision ponctuelle est relativement similaire, l'erreur se situe généralement entre 8,0% et 13,0% (tableau 1). Des chercheurs au pays et à l'étranger ont utilisé cette méthode pour prévoir la production d'électricité à court terme du système photovolta?que.



            3.1.4 méthode de prévision des probabilités



            Au cours des dix dernières années, avec le développement d’une nouvelle théorie de prévision statistique [30,31], les chercheurs ont commencé à appliquer la régression quantile de la forêt et la régression quantile de la machine vectorielle de soutien (qsvm) à la prévision de la production d’électricité dans les centrales photovolta?ques [26]. La France, l'Australie et d'autres pays ont fait beaucoup de recherches dans ce domaine, mais il n'y a pas eu de recherche sur l'application de cette méthode à la prévision de la production d'énergie photovolta?que en Chine. En raison de la courte période de développement, les méthodes de prévision probabiliste en sont encore au stade de la recherche théorique et expérimentale préliminaire.



            3.1.5 méthode de prévision intelligente



            Depuis les années 1990, les chercheurs japonais Hiyama [32] et Yona [33] ont d'abord effectué des recherches sur la prévision de la production d'énergie des réseaux photovolta?ques à l'aide de l'algorithme du réseau neuronal de rétroaction vers l'avant (ffnn) en utilisant le rayonnement, la température, la vitesse du vent, L'intensité du soleil et l'humidité comme principaux facteurs d'entrée. L’université de technologie agricole de Tokyo a en outre effectué des essais sur l’utilisation du réseau neuronal récurrent (rnn), du modèle de réseau neuronal perceptron multicouche (mlpnn) et du modèle de réseau neuronal à fonction de base radiale (RBFNN) pour la production quotidienne d’énergie du système photovolta?que de 20 kW [34]. Au cours des dernières années, charkraborty [35] a proposé une méthode de prévision de la production d'énergie photovolta?que basée sur un réseau neuronal artmap flou. L'administration municipale italienne de Trieste a commencé à utiliser la méthode du réseau d'ondes adaptatives proposée par Mellit et al. [36, 37] pour prédire la production d'énergie photovolta?que par heure d'une centrale photovolta?que raccordée au réseau de 20 kW dans la ville. L'Université de joen en Espagne a également utilisé la méthode mlpnn pour prédire la production horaire d'électricité d'une centrale photovolta?que distribuée de 200 kW installée sur le campus. Les résultats montrent que l'erreur de prévision est généralement stable entre 3,9% et 6,6% [38,39].



            En Chine, l'Université Donghua de Shanghai [40,41] a d'abord appliqué l'algorithme du réseau neuronal à la prévision de la production d'énergie photovolta?que. L’université des sciences et de la technologie de Huazhong a effectué des essais techniques pour prédire la production horaire d’électricité du système photovolta?que de 18 kW de l’université en utilisant la méthode RBFNN [42]. Sur la base d’expériences, un modèle de prévision de la production d’énergie photovolta?que basé sur des données de prévision météorologique numérique a été établi [43]. La centrale photovolta?que de Shanghai Chongming Qianwei village de 1,08 MW a utilisé le modèle de prévision du réseau neuronal con?u par l’institut chinois de recherche sur les sciences de l’énergie pour prévoir la production d’électricité heure par heure [44]. Au cours des deux dernières années, le Bureau météorologique de la province de Hubei [45, 46] et d’autres unités ont également effectué des recherches approfondies sur ces méthodes.



            Diverses méthodes statistiques de prévision intelligente sont au Centre du développement de la technologie statistique de prévision de la production d'énergie photovolta?que. L'erreur de prévision est généralement de 3,0% ~ 11,0% (tableau 1). C'est l'une des principales méthodes de prévision utilisées par les petites et moyennes centrales photovolta?ques connectées au réseau au cours des dernières années.



            3.2 méthode physique



            3.2.1 méthode du modèle de composant électronique



            Au début de la recherche sur la technologie de prévision de la production d'énergie photovolta?que, une sorte de technologie de prévision basée sur le principe des cellules photovolta?ques, la méthode de simulation des composants électroniques, a été développée à l'étranger. Dans les années 1980, les chercheurs américains ont d'abord proposé un modèle de prévision osterwald basé sur le principe physique des dispositifs photovolta?ques à semi - conducteurs, avec la température, le rayonnement total et la distribution du rayonnement comme entrées [51]. Le lauréat du prix Nobel Green [52] a proposé une méthode de prédiction du modèle Diode basée sur le principe physique de la diode électroluminescente. Par la suite, des chercheurs espagnols ont proposé une méthode de prédiction Araujo Green [53] basée sur le principe de conception des cellules photovolta?ques. étant donné que d'autres facteurs ne sont pas pris en compte, les méthodes de prévision des modèles de composants électroniques ont été largement éliminées.



            3.2.2 méthode du Modèle physique simple



            Au début des années 90, avec le développement rapide de l'industrie de l'énergie photovolta?que en Europe, la recherche sur les méthodes de prévision physique est entrée dans la phase de prévision du Modèle physique simple. Hammer et al. [54] de l’université d’oldenburg, en Allemagne, ont d’abord construit un modèle physique simple pour la prévision à l’aide de données satellitaires, d’observations météorologiques et de paramètres électriques. Des chercheurs japonais ont également proposé un modèle de prévision physique de l’énergie de sortie des réseaux photovolta?ques utilisant l’intensité du rayonnement solaire [55]; Au cours des dernières années, la centrale photovolta?que raccordée au réseau de 1 MW du Centre d’exposition commerciale de Munich, en Allemagne, a commencé à utiliser le modèle de prévision physique simple basé sur l’observation et l’inversion des données de rayonnement par télédétection par satellite proposé par Mayer et al. [56] pour prédire la production d’électricité par heure. 21 petites et moyennes centrales photovolta?ques d'une capacité totale de 2 769 kW dans la péninsule du Jutland au Danemark ont utilisé les données de prévision du modèle météorologique à méséchelle hirlam et le modèle de prévision physique simple [57] proposé par des chercheurs nationaux pour prévoir la production d'énergie photovolta?que par heure. L'Allemagne combine également l'amélioration de la production photovolta?que simple avec les données de prévision du modèle météorologique du Centre européen de prévisions météorologiques à méséchelle (cemwf).


            全國服務熱線

            13215150267
            • 地址:東莞市松山湖中小企業園十一棟
            • 電話:13215150267
            • 郵箱:liusq@singfosolar.cn
            • 手機二維碼
            東莞市星火太陽能科技股份有限公司版權所有 / 備案號:粵ICP備14057282號-5 /  網站地圖 / 百度統計  技術支持: 牛商股份
            麻豆毛片_久久这里只有国产中文精品18_最好看十大无码AV_久久少妇人人草人人摸在线观看
            <ruby id="mvjdi"></ruby>
              1. <video id="mvjdi"></video>