屋顶光伏系统的短期和中期预测模型与数据预处理
Da-Sheng Lee1, Chih-Wei Lai1, Shih-Kai Fu1
1National Taipei University of Technology Energy and Refrigerating Air-conditioning Engineering, Room 610, College of Mechanical & Electrical Engineering, Integrated Technology Complex, No.1, Sec. 3, Zhongxiao E. Rd., Da'an Dist., Taipei City 10608, Taiwan.
这项研究通过开发用于屋顶太阳能光伏电站的数据预处理方法,改善了太阳能预测. 人工智能模型显著减少了预测错误,提高了可再生能源预测.
科学领域:
- 可再生能源工程可再生能源工程
- 人工智能在能源中的作用
- 数据科学用于电力系统的数据科学
背景情况:
- 准确预测太阳能光伏发电对于电网稳定性和能源管理至关重要.
- 屋顶太阳能装置由于变化的天气条件和数据可用性而存在独特的挑战.
- 现有的数据预处理技术可能无法充分处理光伏数据集中的缺失值和异常值.
研究的目的:
- 为屋顶太阳能光伏发电数据提出和评估一种新的数据预处理方法.
- 为了提高短期和中期太阳能发电预测的准确性.
- 评估拟议方法在与人工智能 (AI) 模型 (如多层感知器 (MLP) 和长短期记忆 (LSTM) 等) 集成时的有效性.
主要方法:
- 收集了台湾17座屋顶太阳能光伏发电厂的数据 (2021年1月 - 2023年6月).
- 开发了一种数据预处理技术,将线性回归和K-最近邻居 (k-NN) 结合起来,用于归纳缺失的天气和电力数据.
- 采用历史数据来处理异常值,并确定与人工智能模型培训的发电相关的关键参数.
- 经过培训和验证的MLP和LSTM模型用于预测太阳能发电.
主要成果:
- 拟议的数据预处理方法显著减少了预测错误.
- 对于MLP的短期预测,正常化根平均平方误差 (nRMSE) 降低了17.47%,中期降低了11.06%.
- 对于LSTM的短期预测,nRMSE下降了20.20%,而中期预测下降了8.03%.
- 数据预处理方法证明了人工智能驱动的太阳能预报的可靠性提高.
结论:
- 综合数据预处理和人工智能建模方法有效提高了太阳能发电预测的准确性.
- 开发的方法为在屋顶太阳能光伏系统中处理真实世界的数据挑战提供了强大的解决方案.
- 这项研究通过提高预测准确度,有助于更可靠的可再生能源整合.
更多相关视频
09:55Surface Renewal: An Advanced Micrometeorological Method for Measuring and Processing Field-Scale Energy Flux Density Data
Published on: December 12, 2013
09:19In Situ Monitoring of the Accelerated Performance Degradation of Solar Cells and Modules: A Case Study for CuIn,GaSe2 Solar Cells
Published on: October 3, 2018
相关概念视频
Precipitation Processes
Precipitation and Co-precipitation
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Fast Decoupled and DC Powerflow
The Power Flow Problem and Solution
Survival Tree
Building a Survival Tree
Constructing a...
