Прогнозирование солнечной энергии — это процесс сбора и анализа данных для прогнозирования генерации солнечной энергии на различных временных горизонтах с целью смягчения влияния солнечной прерывистости. Прогнозы солнечной энергии используются для эффективного управления электросетью и для торговли электроэнергией. [1]
Поскольку основные барьеры для внедрения солнечной энергии, такие как стоимость материалов и низкая эффективность преобразования, продолжают исчезать, на первый план выходят вопросы прерывистости и надежности. [2] Проблема прерывистости была успешно решена и смягчена во многих случаях с помощью солнечного прогнозирования. [3] [4] [5]
Информация, используемая для прогноза солнечной энергетики, обычно включает траекторию движения Солнца , атмосферные условия, рассеяние света и характеристики солнечной энергетической установки.
Как правило, методы прогнозирования солнечной активности зависят от горизонта прогнозирования.
С 1970 года было предложено множество методологий прогнозирования солнечных ресурсов, и большинство авторов согласны с тем, что для разных горизонтов прогнозирования требуются разные методологии. Для горизонтов прогнозирования менее 1 часа обычно требуются наземные снимки неба и сложные временные ряды и модели машинного обучения. Для внутридневных горизонтов, обычно прогнозирующих значения освещенности на 4 или 6 часов вперед, требуются спутниковые снимки и модели освещенности. Для горизонтов прогнозирования, превышающих 6 часов, обычно используются результаты моделей численного прогнозирования погоды (ЧПП). [6]
Прогнозирование текущей солнечной энергии относится к прогнозированию выработки солнечной энергии на временные горизонты от десятков до сотен минут с предсказуемостью до 90%. [7] Услуги прогнозирования текущей солнечной энергии обычно связаны с временным разрешением от 5 до 15 минут, с обновлениями с частотой каждую минуту.
Высокое разрешение, необходимое для точных методов прогнозирования текущей погоды, требует ввода данных с высоким разрешением, включая наземные изображения, а также быстрого сбора данных с датчиков освещенности и высокой скорости обработки.
Фактический прогноз погоды затем часто улучшается, например, статистическими методами . В случае прогнозирования погоды эти методы обычно основаны на обработке временных рядов данных измерений, включая метеорологические наблюдения и измерения выходной мощности солнечной электростанции. Затем следует создание обучающего набора данных для настройки параметров модели перед оценкой производительности модели по отдельному тестовому набору 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, по сути, все внутрисуточные прогнозы. [9]
Краткосрочное прогнозирование обеспечивает прогнозы на семь дней вперед. Из-за регулирования рынка электроэнергии во многих юрисдикциях внутридневные прогнозы и прогнозы солнечной энергии на день вперед являются наиболее важными временными горизонтами в этой категории. В основном все высокоточные методы краткосрочного прогнозирования используют несколько входных потоков данных, таких как метеорологические переменные, локальные погодные явления и наземные наблюдения, а также сложные математические модели.
Для внутридневных прогнозов локальная информация об облаках собирается одним или несколькими наземными устройствами формирования изображений неба с высокой частотой (1 минута или меньше). Сочетание этих изображений и информации об измерениях локальной погоды 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 за Землей (таких как флот Meteosat второго поколения (MSG) ) для обнаружения, характеристики, отслеживания и прогнозирования будущих местоположений облачного покрова . Эти спутники позволяют генерировать прогнозы солнечной энергии для обширных регионов с помощью применения алгоритмов обработки изображений и прогнозирования . Некоторые алгоритмы прогнозирования на основе спутников включают векторы движения облаков (CMV) [11] или подходы, основанные на обтекаемых линиях . [12]
Большинство подходов к краткосрочному прогнозированию используют числовые модели прогнозирования погоды (NWP), которые обеспечивают важную оценку развития погодных переменных. Используемые модели включают Глобальную систему прогнозирования (GFS) или данные, предоставленные Европейским центром среднесрочного прогнозирования погоды ( ECMWF ). Эти две модели считаются последним словом в области глобальных моделей прогнозирования, которые предоставляют метеорологические прогнозы по всему миру.
Для повышения пространственного и временного разрешения 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 поступают от соответствующего поставщика данных. Наилучшие результаты прогнозирования достигаются при ассимиляции данных .
Некоторые исследователи выступают за использование методов постобработки после получения выходных данных моделей, чтобы получить вероятностную точку зрения на точность выходных данных. Обычно это делается с помощью ансамблевых методов, которые смешивают различные выходные данные разных моделей, возмущенных стратегическими метеорологическими значениями, и в конечном итоге обеспечивают лучшую оценку этих переменных и степень неопределенности, как в модели, предложенной Бахером и др. (2009).
Долгосрочное прогнозирование обычно относится к методам прогнозирования, применяемым к временным горизонтам порядка недель или лет. Эти временные горизонты могут быть актуальны для производителей энергии для заключения контрактов с финансовыми организациями или коммунальными службами , 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, в которые в качестве входных данных подаются данные повторного анализа. Выходные данные также могут быть обработаны с помощью статистических подходов, основанных на измеренных данных. В связи с тем, что этот временной горизонт менее актуален с операционной точки зрения и его гораздо сложнее моделировать и проверять, только около 5% публикаций по солнечному прогнозированию рассматривают этот горизонт.
Любой выход модели должен быть затем преобразован в электроэнергию, которую будет производить конкретная солнечная фотоэлектрическая установка. Этот шаг обычно выполняется с помощью статистических подходов, которые пытаются соотнести количество доступного ресурса с измеренной выходной мощностью. Главное преимущество этих методов заключается в том, что ошибка метеорологического прогноза, которая является основным компонентом глобальной ошибки, может быть уменьшена с учетом неопределенности прогноза.
Как упоминалось ранее и подробно описано в Хайнеманне и др. , эти статистические подходы включают в себя 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 Алонсо и др. Главное преимущество этого типа моделей заключается в том, что после их подгонки они действительно точны, хотя они слишком чувствительны к ошибке метеорологического прогнозирования, которая обычно усиливается этими моделями. Гибридные модели, наконец, представляют собой комбинацию этих двух моделей, и они кажутся многообещающим подходом, который может превзойти каждую из них по отдельности.
