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 для внедрения солнечной энергии, такие как стоимость материалов и низкая эффективность преобразования, продолжают падать, на передний план вышли проблемы 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 электростанции .
Как правило, методы солнечного прогнозирования зависят от горизонта прогнозирования.
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]
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 местности, 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 дает прогнозы на семь дней вперед. В связи с регулированием рынка электроэнергии во многих юрисдикциях наиболее важными временными горизонтами в этой категории являются внутридневные прогнозы и прогнозы по солнечной энергии на сутки вперед. 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.
Для внутридневных прогнозов информация о местных облаках собирается одним или несколькими наземными сканерами 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]
Эти методы используют несколько геостационарных метеорологических спутников наблюдения Земли (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 алгоритмов обработки изображений и прогнозирования . Некоторые спутниковые алгоритмы прогнозирования включают векторы движения облаков (CMV) [11] или подходы, основанные на линиях потока . [12]
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 обычно относится к методам прогнозирования, применяемым к временным горизонтам от недель до лет. Эти временные горизонты могут быть актуальны 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.
Любой результат модели затем должен быть преобразован в электрическую энергию, которую будет производить конкретная солнечная фотоэлектрическая установка. Этот шаг обычно выполняется с использованием 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 модели ARMA, нейронные сети, машины опорных векторов и т. д. С другой стороны, существуют также теоретические модели, которые описывают, как электростанция преобразует метеорологический ресурс в электрическую энергию, как описано в 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.
