کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6766679 512452 2015 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Development of statistical time series models for solar power prediction
ترجمه فارسی عنوان
توسعه مدل های سری زمانی آماری برای پیش بینی انرژی خورشیدی
کلمات کلیدی
پیش بینی، پیش بینی، تابش خورشیدی، سری زمانی،
ترجمه چکیده
استفاده روز افزون از منابع انرژی تجدید پذیر، مدل پیش بینی دقیق برای برنامه ریزی تولید را ضروری می سازد. از میان منابع تجدیدپذیر، خورشید و باد پذیرفته شده و به طور فزاینده ای در تولید توزیع شده مورد استفاده قرار می گیرند. مشکل اصلی این منابع وابستگی قدرت خروجی آنها بر پارامترهای زیست محیطی طبیعی در یک نقطه معینی از زمان است. این مقاله مدلهای سری زمانی را برای پیش بینی کوتاه مدت تابش خورشیدی پیشنهاد می دهد که از آن می توان انرژی خورشیدی را پیش بینی کرد. پیش بینی ها برای یک روز آینده با استفاده از مدل های سری زمانی مختلف انجام می شود. برای هر مدل، این مقادیر پیش بینی شده با مقادیر واقعی برای روز بعد مقایسه می شود و نمودار ها رسم می شوند. مدلهای سری زمانی مدولا، مانند میانگین متحرک و هموارسازی نمایشی، مورد آزمایش قرار گرفتند. مدل تجزیه پیشنهاد شده است، جایی که داده های اندازه گیری شده به الگوهای فصلی و روند تقسیم می شوند و هر یک از آنها به طور جداگانه پیش بینی می شود. مدل برای طول های مختلف داده ها برای شناسایی بهترین مجموعه ممکن از داده ها طراحی شده است. از نتایج این نتایج مشاهده شده است که پیش بینی با مدل تجزیه برای داده های 2 ماه بهترین نتیجه را با حدود 9.28٪ خطا نشان داد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
توسعه مدل های سری زمانی آماری برای پیش بینی انرژی خورشیدی
چکیده انگلیسی
The increasing use of renewable energy sources necessitates accurate forecasting models for generation scheduling. Amongst the renewable sources, solar and wind have gained acceptance and are being increasingly used in distributed generation. The main problem with these sources is the dependence of their power output on natural environmental parameters at a given point of time. This paper proposes time series models for short-term prediction of solar irradiance from which solar power can be predicted. The predictions are done for 1 day ahead using different time-series models. For each model, these predicted values are compared with the actual values for the next day and graphs are plotted. Basic time-series models such as moving average and exponential smoothing were tested. The decomposition model is proposed, where the measured data is decomposed into seasonal and trend patterns and each of them predicted separately. The model was developed for different durations of data, to identify the best possible set of data. It is observed from the results that the prediction with decomposition model for 2 months data gave the best result with around 9.28% error.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 83, November 2015, Pages 100-109
نویسندگان
, ,