数据驱动太阳辐射短期预测与波动性分析.pdfVIP

265

标题：数据驱动的辐射短期预测

：(先前版本)

轨道：发电‑可再生能源

短期预测

作者辐射

：波动预测

基线模型(130)，预测范围(110)，辐照度(106)，aik

重坦(95)，(95)，上限错误率(80)，

清晰度指数(70)，集成基线(70)，辐照度带(70)，小时

预测范围(70)，集成模型(60)，错误率(60)，环境

EasyChair温度(50)，平均预测(50)，波动性预测(50)，

：辐射预测(47)，应用能源(47)，非线性

模型(47)，世界工程师(47)，低碳城市(47)，基线

持久性模型(47)，上下限预测(46)，能

能源(40)，软件包版本(40)，高辐射变异性(40)，

分钟周期(40)

能是可行的可再生电力选项中最具潜力的。

新加坡。由于其固有的间歇性，能辐照度预测

将协助电力系统运营商（PSO）预测电力

由光伏（PV）系统生成以平衡供需。

电力系统的需求。

自回归和非线性模型经常用于辐射预测，

并且发现其结果会因时间分辨率、位置和天气而异。

鉴于在较低的时间分辨率和云量较少的地区通常报告更高的准确性，

有必要分别评估这些模型在高辐射变化率的热带新加坡的适用性。

因此，有必要单独评估这些模型在辐射变化较大的热带新加坡的适用性。

其中高辐射变化率是该地区的特征。

有经验的。

本文介绍了一个30分钟短期预报系统，

该系统基于每分钟的辐射和环境温度数据，预测0.5到6小时内的平均辐射量。

此外，它探讨了通过下个30分钟周期内辐射分布来预测波动性的可能性，

采用一种新颖的方法估计比例。

：这种方法估计了下一个30分钟周期内辐射波动的比例。

在每个定义为覆盖范围的21个波段内的点数。

利用这些数据，可以得到该期间的上限和下限预测，以计算由光伏系统产生的上行和下行风险。

通过这些预测，可以计算由光伏系统产生的上行和下行风险。

发电量。

使用持久性模型进行比较和评估准确性

某些特定地点。

更长的预测时间范围。平均而言，点预测模型的MAE

分别减少了9%（从98到89W/m2）和58%（从299到125W/m2），对应0.5小时和6小时的时间范围。对于波动性模型，MAE

在比例预测中从4.8%减少到3.7%，而在实际范围内进行上下限预测的误差

从43.0%减少到10.4%，以及从30.6%减少到3.4%，每分钟波动的预测误差也有所下降。

在实际范围内进行上下限预测的误差

从43