کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7159425 1462806 2018 39 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Solar photovoltaic generation forecasting methods: A review
ترجمه فارسی عنوان
روش های پیش بینی نسل فتوولتائیک خورشیدی: یک بررسی
کلمات کلیدی
فتوولتائیک خورشیدی، نیروگاه انرژی قابل تجدید، مدل سازی و برنامه ریزی، افق های فضایی و زمانی، پیش بینی شبکه هوشمند،
ترجمه چکیده
گیاهان فتوولتائیک خورشیدی به طور گسترده ای در بسیاری از کشورها در سراسر جهان ادغام شده است. با توجه به استفاده روزافزون از گیاهان فتوولتائیک خورشیدی، از طریق شبکه شبکه یا شبکه های مستقل، تغییرات قابل توجهی در برنامه ریزی و عملیات سیستم های قدرت پیش بینی می شود. ادغام فتوولتائیک خورشیدی نیاز به توانایی مدیریت عدم قطعیت و نوسانات خروجی قدرت دارد. در این مورد، پیش بینی قدرت فتوولتائیک خورشیدی یک جنبه حیاتی برای اطمینان از برنامه ریزی مطلوب و مدل سازی گیاهان فتوولتائیک خورشیدی است. پیش بینی دقیق، اپراتورهای شبکه و طراحان سیستم قدرت را با اطلاعات قابل توجهی برای طراحی یک گیاه فتوولتائیک خورشیدی بهینه و همچنین مدیریت تقاضا و عرضه ارائه می دهد. این مقاله بررسی گسترده ای را در مورد پیشرفت های اخیر در زمینه پیش بینی قدرت فتوولتائیک خورشیدی ارائه می دهد. هدف از این مقاله بررسی و مقایسه روش های مختلف پیش بینی قدرت فتوولتائیک خورشیدی از نظر ویژگی ها و عملکرد است. این کار روش پیش بینی قدرت فتوولتائیک خورشیدی را به سه دسته اصلی یعنی روش های آماری سری، روش های فیزیکی و روش های گروه بندی طبقه بندی می کند. تا به امروز، روش هوش مصنوعی به طور گسترده ای به دلیل توانایی آنها در حل ساختار غیر خطی و پیچیده داده ها مورد استفاده قرار می گیرد. تجزیه و تحلیل عملکرد نشان می دهد که این روش از روش های سنتی برتر است. به تازگی، روش های گروه توسط محققان به منظور استخراج ویژگی های منحصر به فرد از مدل های تک برای بهبود عملکرد پیش بینی مدل توسعه یافته است. این ترکیب نتایج دقیق را نسبت به مدل های فردی تولید می کند. این مقاله همچنین در مورد ارزیابی معیارهای که برای ارزیابی عملکرد پیش بینی مدل انجام شده است، توضیح داده شده است. این کار اطلاعاتی را ارائه می دهد که برای محققان و مهندسان که در مدل سازی و برنامه ریزی گیاه فتوولتائیک خورشیدی مشارکت دارند مفید است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
روش های پیش بینی نسل فتوولتائیک خورشیدی: یک بررسی
چکیده انگلیسی
Solar photovoltaic plants are widely integrated into most countries worldwide. Due to the ever-growing utilization of solar photovoltaic plants, either via grid-connection or stand-alone networks, dramatic changes can be anticipated in both power system planning and operating stages. Solar photovoltaic integration requires the capability of handling the uncertainty and fluctuations of power output. In this case, solar photovoltaic power forecasting is a crucial aspect to ensure optimum planning and modelling of the solar photovoltaic plants. Accurate forecasting provides the grid operators and power system designers with significant information to design an optimal solar photovoltaic plant as well as managing the power of demand and supply. This paper presents an extensive review on recent advancements in the field of solar photovoltaic power forecasting. This paper aims to analyze and compare various methods of solar photovoltaic power forecasting in terms of characteristics and performance. This work classifies solar photovoltaic power forecasting methods into three major categories i.e., time-series statistical methods, physical methods, and ensemble methods. To date, Artificial Intelligence approaches are widely used due to their capability in solving the non-linear and complex structure of data. The performance analysis shows that these methods outperform the traditional methods. Recently, the ensemble methods were also developed by researchers to extract the unique features of single models to enhance the forecast model performances. This combination produces accurate results compared to individual models. This paper also elaborates on the metrics assessment which was implemented to evaluate the forecast model performances. This work provides information which is beneficial for researchers and engineers who are involved in the modelling and planning of the solar photovoltaic plant.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Conversion and Management - Volume 156, 15 January 2018, Pages 459-497
نویسندگان
, , ,