《评估澳大利亚气象局ACCESS模型的太阳辐照度预报技巧》

  • 来源专题:可再生能源
  • 编译者: pengh
  • 发布时间:2019-06-17
  • 太阳能发电对电网的日益普及已经产生了对准确的太阳能预测的需求,以促进安全可靠的电网管理。数值天气预报(NWP)是预测未来几小时太阳辐照度的常用方法,这对于日前能源市场以及不同规模的能源管理(从公用事业到住宅层面)的应用尤为重要。 。在这项研究中,我们评估了澳大利亚气象局(BoM)数值天气预报系统,澳大利亚社区气候和地球系统模拟器(ACCESS)模型预测太阳辐照度的能力。来自APS2版本的区域(ACCESS-R)和城市规模(ACCESS-C)中尺度模型的ACCESS的全球水平辐照度(GHI),直接水平辐照度(DIRHI)和漫射水平辐照度(DHI)预测进行了验证。澳大利亚不同气候条件下11个地面站的辐照度测量值。虽然与粗分辨率(12km网格)区域模型相比,高分辨率(1.5km网格)城市模型被发现能够更好地捕获云变异性,但两种模型的预测性能在均方根偏差(RMSD)方面具有可比性。 )。两种型号的年平均RMSD分别为105W / m2-156W / m2,131W / m2-181W / m2和71W / m2-95W / m2,分别用于水平全局,直接和漫射辐照度分量,跨越不同的地方。此外,发现两个模型都倾向于在晴朗的天空中将DHI过度预测达50%,前提是天空条件得到正确预测。此外,呈现基于预测的天空条件的选择标准,以帮助识别城市和区域模型中的更准确的预测。

    ——文章发布于2019年8月

相关报告
  • 《小时太阳辐照度预测的混合深度神经模型》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2021-03-14
    • 由于将光伏太阳能系统集成到电网中,太阳辐照度的准确预测在电力能源规划和管理中发挥着越来越重要的作用。但现有的混合模型忽略了除辐照度时间序列外的其他因素的影响,采用单一分支独立的网络结构,可能导致预测精度下降。本文提出了一种新的基于WPD-CNN-LSTM-MLP的1 h前太阳辐照度预测多元混合深度神经模型。小说WPD-CNN-LSTM-MLP模型是基于一个复杂的多分支混合结构与多变量输入、多分支混合结构结合了小波包分解(WPD)卷积神经网络(CNN),长期短期记忆(LSTM)网络和多层感知器网络(MLP)和多变量输入包括小时太阳辐照度和三个气候变量,即:温度、相对湿度、风速和他们的组合。该模型充分提取了多层输入的内在特征,克服了传统模型的不足,获得了更准确的预测结果。该模型的性能通过美国丹佛、克拉克和福尔松的实际数据进行了验证。比较研究传统的个人反向传播神经网络,支持向量机,递归神经网络,LSTM, climatology-persistence参考和提出LSTM-MLP模型预测方法,CNN-LSTM-MLP模型,WPD-CNN-LSTM模型显示,该WPD-CNN-LSTM-MLP深度学习小时辐照度预测模型具有更好的预测精度。
  • 《基于巴拉圭的天气预报模型和研究预测模型对全球辐照度的偏差校正。》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2018-05-28
    • 太阳辐照度的估计是通过数值天气预报(NWP)模型进行的,该模型包括了解决时间、地理和大气条件变化的所有必要信息,这是太阳能应用的基础。然而,在气象模型中实现的辐射传输方案在模拟全球水平辐照度(GHI)时存在系统误差。在这一贡献中,我们提出了天气和研究预报(WRF-ARW)模型的后过程分析,该模型将卡尔曼滤波与模型输出统计(MOS)相结合,以改进对巴拉圭的GHI模拟的总体预测值。在4小时GHI模拟?×?4?平方公里的空间分辨率。对每小时WRF模型的年度评估,无后期处理显示相对平均偏差(rMBE)为21%,相对均方根误差(rRMSE)为81%。使用几个地面站和后工艺组合的结果,对系统误差进行了年度校正,rMBE为0.7%,rRMSE为70%。 ——文章发布于2018年8月