探索几种气象变量的超高分辨率空间缩放以及光伏发电的潜在应用

科学领域:

• 可再生能源系统可再生能源系统
• 气候科学 气候科学
• 机器学习应用 机器学习应用

背景情况:

• 光伏 (PV) 输出功率受到气象条件的显著影响.
• 准确预测这些条件对于电网稳定性和可再生能源整合至关重要.
• 现有的缩小规模的方法往往忽略了诸如风速和太阳辐射等关键变量.

研究的目的:

• 为了降低影响光伏功率输出的四个气象变量 (温度,降水,风速,表面太阳辐射).
• 为了评估四个机器学习 (ML) 算法的性能,用于此下调任务.
• 评估这些方法是否适用于生成光伏能源的未来气候场景.

主要方法:

• 为了降低气象变量,采用了完美的预测方法.
• 测试了四个ML算法,包括一个卷积神经网络 (CNN).
• 该研究侧重于超分辨率缩放,并评估了不同缩放因子的性能.

主要成果:

• 缩放精度因变量而异:温度>表面太阳辐射>风速>降水.
• 与其他线性和非线性ML算法相比,CNN表现出卓越的性能.
• 美国有线电视新闻网成功地重现了极端天气事件,并在生成超分辨率气候场景方面表现出可靠性.

结论:

• 卷积神经网络对于降低与光伏发电相关的气象变量非常有效.
• 开发的方法提供了可靠的未来气候场景,帮助能源规划者预测天气变化对光伏能源的影响.
• 这项研究通过改善在不断变化的气候条件下对太阳能潜力的评估来支持向可再生能源的过渡.