تجزیه و تحلیل سیستماتیک متغیرهای هواشناسی برای تخمین توان خروجی PV

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 21

تعداد کلمات : 7500

مجله : Renewable Energy

انتشار : 2020

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
8 فوریه 2022
دسته بندی
تعداد بازدیدها
1201 بازدید
31,000 تومان

عنوان فارسی مقاله:تجزیه و تحلیل سیستماتیک متغیرهای هواشناسی برای تخمین توان خروجی PV

 چکیده

  در حالی که استقرار بزرگ مقیاس فتوولتائیک (PV) برای تولید الکتریسیته نقش مهمی در کاهش گرمایش جهانی ایفا می کند، تغییرپذیری توان خروجی PV چالش هایی را در مدیریت شبکه ایجاد می کند. به طور معمول، توان خروجی PV به متغیرهای مختلف هواشناسی در سایت PV وابسته است. در این مقاله، ما یک رویکرد سیستماتیک برای انجام تجزیه و تحلیل بر روی متغیرهای مختلف هواشناسی، یعنی دما، دمای نقطه شبنم، رطوبت نسبی، دید، فشار هوا، سرعت باد، پوشش ابر، باربری باد و بارش ارائه می‌کنیم و تاثیر آنها را بر PV ارزیابی می‌کنیم. تخمین توان خروجی این مطالعه از سه سال داده‌های هواشناسی ورودی و داده‌های توان خروجی PV از چندین مشتری در دو مطالعه موردی، یکی در ایالات متحده و دیگری در هلند استفاده می‌کند. تجزیه و تحلیل همبستگی و وابستگی متقابل بین متغیرهای هواشناسی را پوشش می دهد. سپس، با استفاده از روش‌های رگرسیون مبتنی بر یادگیری ماشین، متغیرهای هواشناسی اولیه را برای تخمین توان خروجی PV شناسایی می‌کنیم. در نهایت، مقاله نتیجه می‌گیرد که تأثیر استفاده از یک زیرفضای با ابعاد پایین‌تر از متغیرهای هواشناسی در هر مکان، به عنوان ورودی برای روش‌های رگرسیون، منجر به دقت تخمین مشابهی در دو مطالعه موردی می‌شود.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: A systematic analysis of meteorological variables for PV output power estimation

Abstract

 While the large-scale deployment of photovoltaics (PV) for generating electricity plays an important role to mitigate global warming, the variability of PV output power poses challenges in grid management. Typically, the PV output power is dependent on various meteorological variables at the PV site. In this paper, we present a systematic approach to perform an analysis on different meteorological variables, namely temperature, dew point temperature, relative humidity, visibility, air pressure, wind speed, cloud cover, wind bearing and precipitation, and assess their impact on PV output power estimation. The study uses three years of input meteorological data and PV output power data from multiple prosumers in two case studies, one in the U.S. and one in the Netherlands. The analysis covers the correlation and interdependence among the meteorological variables. Then, by using machine learning-based regression methods, we identify the primary meteorological variables for PV output power estimation. Finally, the paper concludes that the impact of using a lower-dimensional subspace of meteorological variables per location, as input for the regression methods, results in a similar estimation accuracy in the two case studies.