研究目的
提出一种用于太阳能发电的短期预测系统，该系统利用神经网络模型预测辐照度和光伏功率，结合天气数据及校正机制以提高光伏资源并入电网的准确性。
研究成果
所提出的基于神经网络的预测系统能有效预测短期辐照度与光伏功率，其预测值与实测值之间具有高度相关性（R2>0.85）。通过修正光伏组件倾角和温度参数可提升精度，使平均绝对百分比误差降低2%，均方根误差减少9瓦/平方米。未来工作将聚焦于系统优化及实际环境测试，以增强该方案在太阳能并网应用中的适用性。
研究不足
该系统可能无法准确预测由云层等因素导致的辐照度突变。预测精度取决于输入气象数据的质量，且该模型针对特定区域定制，需根据不同气象条件进行调整。研究采用的数据来自有限的时间段和地点，可能影响其普适性。
1：实验设计与方法选择：
本研究采用神经网络（NN）模型结合自回归积分滑动平均（ARIMA）技术进行短期辐照度和光伏功率预测。使用来自物理模型和天气研究与预报（WRF）模型的历史气象数据及预测数据。
2：样本选择与数据来源：
2010至2012年韩国全州气象站的逐小时历史气象数据，包括辐照度、风速风向、温度、湿度和气压。验证数据使用2012年1月至12月的数据。
3：实验设备与材料清单：
地面气象站用于观测，物理模型用于中期预测，WRF模型用于短期预测，以及具有特定特性的光伏组件。
4：实验步骤与操作流程：
将气象观测数据、中期预测和WRF预测输入神经网络模型。每5分钟进行一次辐照度预测，根据光伏组件倾角和温度进行修正，并计算光伏功率输出。
5：数据分析方法：
使用平均绝对百分比误差（MAPE）、均方根误差（RMSE）和决定系数（R2）评估预测精度。分析预测数据与实测数据之间的相关性。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Weather Research and Forecasting model
WRF
Used to produce short-term weather forecasts that are input into the neural network model for irradiance prediction.
-
Neural Network model
NN
Core model for forecasting irradiance and PV power, combining ARIMA and neural networking techniques.
-
Auto-regressive integrated moving average model
ARIMA
Used for initial forecasting of irradiance before applying neural network corrections.
-
Solar Position Algorithm
Used to trace the Sun's path and compute solar altitude and azimuth angles for irradiance correction based on PV module inclination.
-
PV modules
The solar panels whose power output is forecasted; characteristics and temperature are used for correction coefficients.
-
登录查看剩余3件设备及参数对照表
查看全部
