کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6763740 1431572 2019 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Estimation of building energy consumption using weather information derived from photovoltaic power plants
ترجمه فارسی عنوان
برآورد مصرف انرژی ساختمان با استفاده از اطلاعات هواشناسی از نیروگاههای فتوولتائیک
کلمات کلیدی
فتوولتائیک، جزئی اطلاعات متقابل، تجزیه حالت تجربی، دستگاه یادگیری افراطی،
ترجمه چکیده
قدرت فتوولتائیک باید برای اهداف صدور صورت حساب و برای ارائه اطلاعات مربوط به تزریق قدرت اندازه گیری شود. برای تأکید بر اهمیت اطلاعات هواشناسی بر اساس داده های قدرت فتوولتائیک، ما در نظر می گیریم که چگونه انرژی مصرف انرژی تخمین زده می شود. قدرت فتوولتائیک را می توان به عنوان یک ورودی به یک مدل مصرف انرژی به جای اطلاعات هواشناسی (خورشید غلیظ، درجه حرارت و / یا رطوبت نسبی) درمان کرد. ما از الگوریتم اطلاعات جزئی و متقابل برای انتخاب متغیرهای ورودی مورد نیاز یک مدل مصرف ساختمان استفاده می کنیم. داده ها از نیروگاه های فتوولتائیک مجاور استخراج می شوند. هنگامی که اطلاعات هواشناسی توسط قدرت فتوولتائیک تحویل داده شده ناکافی است، با استفاده از الگوریتم تجزیه حالت تجربی و الگوریتم دستگاه یادگیری افراطی، صحت برآورد مصرف انرژی می تواند بهبود یابد. برآورد مصرف انرژی ما، بر اساس اطلاعات جزئی متقابل، تجزیه حالت تجربی و استفاده از دستگاه یادگیری افراطی، با استفاده از داده های واقعی از پکن و گوانگژو، چین تایید شد. شبیه سازی نشان می دهد که دقت تخمینی را می توان با استفاده کامل از وابستگی متقابل قدرت فتوولتائیک و ساختن مصرف انرژی افزایش داد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
Photovoltaic power must be measured for billing purposes and to provide power injection information. To emphasise the importance of weather information derived from photovoltaic power data, we consider how building energy consumption is estimated. Photovoltaic power can be treated as an input to an energy consumption model rather than weather information (solar insolation, temperature, and/or relative humidity). We use a partial, mutual information algorithm for selection of the input variables required by a building consumption model; the data are derived from adjacent photovoltaic power stations. When weather information imparted by photovoltaic power is inadequate, the accuracy of energy consumption estimations can be improved by combining an empirical mode decomposition algorithm and an extreme-learning machine algorithm. Our energy consumption estimations, based on partial mutual information, empirical mode decomposition, and use of an extreme-learning machine, were verified using real data from Beijing and Guangzhou, China. The simulations show that the precision of estimation can be increased by fully exploiting the interdependence of photovoltaic power and building energy consumption.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 130, January 2019, Pages 130-138
نویسندگان
, ,