Abstract
In order to perform predictions of a photovoltaic (PV) system power production, a neural network architecture system using the Nonlinear Autoregressive with eXogenous inputs (NARX) model is implemented using not only local meteorological data but also measurements of neighbouring PV systems as inputs. Input configurations are compared to assess the effects of the different inputs. The added value of the information of the neighbouring PV systems has demonstrated to further improve the accuracy of predictions for both winter and summer seasons. Additionally, forecasts up to 1 month are tested and compared with a persistence model. Normalized root mean square errors (nRMSE) ranged between 9% and 25%, with the NARX model clearly outperforming the persistence model for forecast horizons greater than 15 min.
fr155:کد
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله شبکه عصبی مصنوعی جهت ارزیابی اثر سیستم های فوتوولتائیک مجاورت در پیش بینی توان در اوترخت، هلند
تعداد کلمات فایل انگلیسی:6313کلمه 11صفحه pdf
تعداد صفحات فایل ترجمه:29صفحه word فونت14 Arial
چکیده
جهت انجام پیش بینی های تولید برق سیستم فوتوولتائیک (PV)، سیستم معماری شبکه عصبی بوسیله رگرسیون اتوماتیک غیر خطی با مدل ورودی های برون زاد (NAR) نه تنها بوسیله داده های تحولات جوی پیاده سازی شده است بلکه افزون بر این مقیاس هایی از سیستم های PV مجاورت به عنوان ورودی ها پیاده سازی شده اند. پیکربندی های ورودی جهت ارزیابی تأثیرات ورودی های مختلف مقایسه شده اند. مقدار افزوده اطلاعات سیستم های PV مجاورت نشان داد که دقت پیش بینی ها را هم در فصل زمستان و هم در تابستان بهبود می دهد. افزون بر این، پیش بینی ها تا ۱ ماه آموزده شدند و با مدل ماندگار مقایسه شدند. خطاهای مربع میانگین ریشه نرمال شده (nRMSE) در طیف ۹% و ۲۵% درصد قرار داشت، و مدل NARX بوضوح از مدل ماندگار بمنظور پیش بینی افق های بیشتر از ۱۵ دقیقه پیشی می گرفت.
چالش موجود برای اپراتورهای شبکه الکترییک همگام سازی مداوم نیاز و منبع انرژی الکتریکی است. با افزایش تقاضای جهانی برای انرژی تجدیدپذیر، مسائل اقتصادی و تکنیکی کاوش توان خورشیدی فوتولتائیک (PV) در شبکه برقی باید اداره گردند. خصوصاً چون تغییرپذیری طبیعی منبع خورشیدی، تغییرات فصلی در تولید و هزینه بالای ذخیره انرژی باعث افزایش نگرانی ها در رابطه با قابلیت اطمینان و عملی بودن سیستم های توان (برق) خورشیدی می شود. این به دلیل این حقیقت است که انرژی خورشیدی بسیار وابسته به شرایط آب و هوایی است شامل ساختار ابری و چرخه های روز / شب. ابرها می توانند باعث ایجاد رمپ های قابل توجهی در معرض خورشید قرار گرفتن و خروجی PV شوند، که کنترل و اداره آن در توسط اپراتورهای شبکه می تواند مشکل باشد. بنابراین، ادغام الکتریسیته تولید شده با سیستم های برق خورشیدی مستلزم پیش بینی های انرژی خورشیدی دقیق می باشد.
Abstract
In order to perform predictions of a photovoltaic (PV) system power production, a neural network architecture system using the Nonlinear Autoregressive with eXogenous inputs (NARX) model is implemented using not only local meteorological data but also measurements of neighbouring PV systems as inputs. Input configurations are compared to assess the effects of the different inputs. The added value of the information of the neighbouring PV systems has demonstrated to further improve the accuracy of predictions for both winter and summer seasons. Additionally, forecasts up to 1 month are tested and compared with a persistence model. Normalized root mean square errors (nRMSE) ranged between 9% and 25%, with the NARX model clearly outperforming the persistence model for forecast horizons greater than 15 min.
fr155:کد
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com