Прогнозирование солнечной энергии
| Часть серии о |
| Устойчивая энергетика |
|---|
 |
Прогнозирование солнечной энергии — это процесс сбора и анализа данных для прогнозирования выработки солнечной энергии на различных временных горизонтах с целью смягчения воздействия перебоев солнечной энергии. Прогнозы солнечной энергии используются для эффективного управления электрической сетью и для торговли электроэнергией. [1]
Поскольку основные препятствия на пути внедрения солнечной энергии, такие как стоимость материалов и низкая эффективность преобразования, продолжают падать, на первый план выходят вопросы прерывистости и надежности. [2] Проблема прерывистости во многих случаях успешно решалась и смягчалась с помощью прогнозирования солнечной активности. [3] [4] [5]
Информация, используемая для прогноза солнечной энергии, обычно включает траекторию Солнца , атмосферные условия, рассеяние света и характеристики солнечной энергетической установки.
Как правило, методы солнечного прогнозирования 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 прогнозирования требуют разных методологий. Горизонт прогноза менее 1 часа обычно требует наземных изображений неба, а также сложных временных рядов и моделей машинного обучения. Внутридневные горизонты, обычно прогнозирующие значения освещенности на 4 или 6 часов вперед, требуют спутниковых изображений и моделей освещенности. Горизонт прогноза, превышающий 6 часов, обычно основан на результатах моделей численного прогноза погоды (ЧПП). [6]
прогноз текущей погоды
[ редактировать ]Прогнозирование текущей солнечной энергии относится к прогнозированию выработки солнечной энергии на временные горизонты от десятков до сотен минут вперед с предсказуемостью до 90%. [7] Услуги прогнозирования текущей погоды в области солнечной энергии обычно связаны с временным разрешением от 5 до 15 минут, а обновления происходят каждую минуту.
Высокое разрешение, необходимое для точных методов прогнозирования текущей погоды, требует ввода данных с высоким разрешением, включая изображения земли, а также быстрого сбора данных с помощью датчиков освещенности и высокой скорости обработки.
Фактический прогноз текущей погоды затем часто дополняется, например, статистическими методами . 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 тестовых данных. Этот класс методов включает использование любого вида статистического подхода, такого как авторегрессионные скользящие средние (ARMA, ARIMA и т. д.), а также методов машинного обучения, таких как нейронные сети , машины опорных векторов (и т. д.). [8]
Важным элементом прогнозирования текущей солнечной энергии являются наземные наблюдения за небом и практически все внутридневные прогнозы. [9]
Краткосрочное прогнозирование солнечной энергетики
[ редактировать ]
Фото: Калифорнийский университет в Сан-Диего.
Краткосрочное прогнозирование дает прогнозы на семь дней вперед. В связи с регулированием рынка электроэнергии во многих юрисдикциях, внутридневные прогнозы и прогнозы солнечной энергии на сутки вперед являются наиболее важными временными горизонтами в этой категории. По сути, все высокоточные методы краткосрочного прогнозирования используют несколько потоков входных данных, таких как метеорологические переменные, местные погодные явления и наземные наблюдения, а также сложные математические модели.
Наземные наблюдения неба
[ редактировать ]Для внутридневных прогнозов информация о местных облаках собирается с помощью одного или нескольких наземных датчиков неба с высокой частотой (1 минута или меньше). Комбинация этих изображений и данных местных метеорологических измерений обрабатывается для моделирования векторов движения облаков и оптической глубины для получения прогнозов на 30 минут вперед. [10]
Спутниковые методы
[ редактировать ]Эти методы используют несколько геостационарных наблюдения Земли метеорологических спутников (таких как Meteosat второго поколения (MSG) ) для обнаружения, определения характеристик, отслеживания и прогнозирования будущих местоположений облачного покрова . Эти спутники позволяют генерировать прогнозы солнечной энергии в обширных регионах посредством применения обработки изображений и прогнозирования алгоритмов . Некоторые спутниковые алгоритмы прогнозирования включают векторы движения облаков (CMV). [11] или рационализировать подходы. [12]
Численный прогноз погоды
[ редактировать ]Большинство подходов к краткосрочному прогнозированию используют модели численного 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 новейшими моделями глобального прогнозирования, которые обеспечивают метеорологические прогнозы по всему миру.
Чтобы повысить пространственное и временное разрешение этих моделей, были разработаны другие модели, которые обычно называются мезомасштабными моделями. Среди прочих 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 результатов моделей, чтобы получить вероятностную точку зрения на точность результатов. Обычно это делается с помощью ансамблевых методов, которые смешивают различные выходные данные разных моделей с отклонениями в стратегических метеорологических значениях и, в конечном итоге, обеспечивают лучшую оценку этих переменных и степень неопределенности, как в модели, предложенной Бачером и др. (2009).
Долгосрочное прогнозирование солнечной энергии
[ редактировать ]Долгосрочное прогнозирование обычно относится к методам прогнозирования, применяемым к временным горизонтам от недель до 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 долгосрочные горизонты прогнозирования обычно опираются на ЧПП и климатологические модели. Кроме того, большинство методов прогнозирования основаны на мезомасштабных моделях, на входе которых используются данные реанализа. Выходные данные также могут быть подвергнуты постобработке с использованием статистических подходов, основанных на измеренных данных. В связи с тем, что этот временной горизонт менее актуален с оперативной точки зрения и его гораздо труднее моделировать и проверять, только около 5% публикаций по солнечному прогнозированию рассматривают этот горизонт.
Энергичные модели
[ редактировать ]Любой результат модели затем 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 состоит в том, что ошибка метеорологического прогноза, которая является основной составляющей глобальной ошибки, может быть уменьшена с учетом неопределенности прогноза.
Как упоминалось ранее и подробно описано Heinemann et al. Эти статистические подходы включают в себя модели ARMA, нейронные сети, машины опорных векторов и т. д.С другой стороны, существуют также теоретические модели, описывающие, как электростанция преобразует метеорологический ресурс в электрическую энергию, как описано в работе Alonso et al. Основное преимущество моделей этого типа заключается в том, что после их подбора они действительно точны, хотя и слишком чувствительны к ошибке метеорологического прогноза, которая обычно усиливается этими моделями.Гибридные модели, наконец, представляют собой комбинацию этих двух моделей и кажутся многообещающим подходом, который может превзойти каждую из них по отдельности.
См. также
[ редактировать ]
Ссылки
[ редактировать ]- ^ Ларсон, Дэвид П.; Нонненмахер, Лукас; Коимбра, Карлос FM (01.06.2016). «Прогнозирование выработки солнечной энергии на фотоэлектрических станциях на юго-западе Америки» на день вперед . Возобновляемая энергия . 91 : 11–20. doi : 10.1016/j.renene.2016.01.039 . ISSN 0960-1481 .
- ^ «Прогнозирование и оценка ресурсов солнечной энергии – 1-е издание» . www.elsevier.com . Проверено 29 июня 2021 г.
- ^ Каур, Аманприт; Нонненмахер, Лукас; Педро, Хьюго ТК; Коимбра, Карлос FM (01 февраля 2016 г.). «Преимущества солнечного прогнозирования для рынков энергетического дисбаланса» . Возобновляемая энергия . 86 : 819–830. doi : 10.1016/j.renene.2015.09.011 . ISSN 0960-1481 .
- ^ Ян, Дажи; Ву, Элинн; Клейсль, Ян (01 октября 2019 г.). «Оперативный солнечный прогноз для рынка реального времени» . Международный журнал прогнозирования . 35 (4): 1499–1519. doi : 10.1016/j.ijforecast.2019.03.009 . ISSN 0169-2070 . S2CID 195463551 .
- ^ Собри, Собрина; Кухи-Камали, Сэм; Рахим, Насреддин Абд. (15 января 2018 г.). «Методы прогнозирования солнечной фотоэлектрической генерации: обзор» . Преобразование энергии и управление . 156 : 459–497. Бибкод : 2018ECM...156..459S . дои : 10.1016/j.enconman.2017.11.019 . ISSN 0196-8904 .
- ^ Нонненмахер, Лукас (2015). Ресурсы солнечной энергии и прогнозирование для оптимизированной интеграции энергосистем (Диссертация). Калифорнийский университет в Сан-Диего.
- ^ Воррат, Софи (31 мая 2019 г.). «Новый солнечный инструмент APVI показывает ежедневный прогноз по времени для каждого штата» . ОбновитьЭкономику .
- ^ Санджари, MJ; Гуи, Х.Б. (2016). «Вероятностный прогноз производства фотоэлектрической энергии на основе цепи Маркова высшего порядка». Транзакции IEEE в энергосистемах . 32 (4): 2942–2952. дои : 10.1109/TPWRS.2016.2616902 . S2CID 43911568 .
- ^ Чоу, Чи Вай; Уркарт, Брайан; Лаве, Мэтью; Домингес, Энтони; Клейсль, Ян; Шилдс, Джанет; Уошом, Байрон (1 ноября 2011 г.). «Внутричасовое прогнозирование с помощью камеры полного неба на испытательном стенде солнечной энергии Калифорнийского университета в Сан-Диего» . Солнечная энергия . 85 (11): 2881–2893. Бибкод : 2011SoEn...85.2881C . doi : 10.1016/j.solener.2011.08.025 . ISSN 0038-092X .
- ^ Чоу, Чи Вай; Уркарт, Брайан; Лаве, Мэтью; Домингес, Энтони; Клейсль, Ян; Шилдс, Джанет; Уошом, Байрон (1 ноября 2011 г.). «Внутричасовое прогнозирование с помощью камеры полного неба на испытательном стенде солнечной энергии Калифорнийского университета в Сан-Диего» . Солнечная энергия . 85 (11): 2881–2893. Бибкод : 2011SoEn...85.2881C . doi : 10.1016/j.solener.2011.08.025 . ISSN 0038-092X .
- ^ «Вектор движения облака — Глоссарий AMS» . глоссарий.ametsoc.org . Проверено 8 мая 2019 г.
- ^ Нонненмахер, Лукас; Коимбра, Карлос FM (1 октября 2014 г.). «Оптимизированный метод внутридневного прогнозирования солнечной активности посредством дистанционного зондирования» . Солнечная энергия . 108 : 447–459. Бибкод : 2014SoEn..108..447N . дои : 10.1016/j.solener.2014.07.026 . ISSN 0038-092X .
Внешние ссылки
[ редактировать ]- Проекты прогнозирования солнечной и ветровой энергии Национальной лаборатории возобновляемых источников энергии (NREL).