کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7935335 1513052 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Prediction bands for solar energy: New short-term time series forecasting techniques
ترجمه فارسی عنوان
نوارهای پیش بینی انرژی خورشیدی: تکنیک های جدید پیش بینی های سری زمانی کوتاه مدت
کلمات کلیدی
انرژی خورشیدی، پیش بینی های کوتاه مدت، گروه های پیش بینی، سری زمانی، منظور داشتن، نوسانات سریع، ماندگاری، خطر، نوسان، آزمایشات نورمالی،
ترجمه چکیده
پیش بینی های کوتاه مدت و مدیریت ریسک برای انرژی فتوولتائیک از طریق یک دیدگاه جدید در سری زمانی مورد مطالعه قرار گرفته است: یک نتیجه منتشر شده توسط پارت کارتیه و ی. پرین در سال 1995 اجازه می دهد بدون هیچ احتمالی و / یا آماری فرض یک تجزیه افزودنی یک زمان سری به معنای آن، یا روند، و نوسانات سریع در اطراف آن. پیش بینی ها با استفاده از تکنیک های برآورد کاملا جدید و برخی از رویه های استخراج شده که در آن مفهوم کلاسیک فصلی چیست؟ اساسی است نوسانات سریع اجازه می دهد تا به راحتی نوارهای پیش بینی را در اطراف میانگین تعریف کنند. چندین شبیه سازی کامپیوتری قانع کننده از طریق داده های واقعی، جایی که قانون توزیع احتمالی گاوس راضی نیست، ارائه شده و مورد بحث قرار می گیرد. پیاده سازی بتن از تنظیم ما نیاز به یادگیری ماشین های خسته کننده و داده های تاریخی بزرگ ندارد، در عوض به بسیاری از دیدگاه های دیگر.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
Short-term forecasts and risk management for photovoltaic energy is studied via a new standpoint on time series: a result published by P. Cartier and Y. Perrin in 1995 permits, without any probabilistic and/or statistical assumption, an additive decomposition of a time series into its mean, or trend, and quick fluctuations around it. The forecasts are achieved by applying quite new estimation techniques and some extrapolation procedures where the classic concept of “seasonalities” is fundamental. The quick fluctuations allow to define easily prediction bands around the mean. Several convincing computer simulations via real data, where the Gaussian probability distribution law is not satisfied, are provided and discussed. The concrete implementation of our setting needs neither tedious machine learning nor large historical data, contrarily to many other viewpoints.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Solar Energy - Volume 166, 15 May 2018, Pages 519-528
نویسندگان
, , ,