文摘

高分辨率的全球辐照度时间序列需要准确模拟光伏(PV)系统,因为典型的光伏输出功率波动引起的不能正确模拟辐照度变化的速度与常见的每小时平均全球辐照度。我们提出一个两步算法,能够合成一分钟全球基于每小时平均辐照度时间序列数据集。初始化算法特点派生出来的转移概率矩阵(TPM)对不同天气条件(万里无云的,破碎的云层和阴)从大量的高分辨率测量。一旦初始化,该算法独立于位置的寻,能够合成一分钟值基于全球每小时平均辐照度的任意位置。离散时间马尔可夫链的一分钟时间序列推导基于TPM的天气条件相匹配的输入数据集。一分钟时间序列生成算法的比较与高分辨率的测量数据和显示一个更好的协议相比,现有的两个合成算法的颞可变性和特征频率分布全球辐照度和清洁度的索引值。Lindenberg基于测量进行比较,德国,和Carpentras,法国,显示了频率分布的减少超过60%的均方根误差比现有的两个合成算法。

1。介绍

光伏模块的效率主要取决于辐照度,在其他副作用,如模块温度(1,2]。非线性依赖模块的效率上的辐照度和温度对模块效率的影响需要模拟具有高时间分辨率。

的理解光伏发电机的动态交互,存储系统,负荷,电网在全球范围内,一分钟数据系列的高品质的现实变化和频率分布是一个关键因素。模拟系统和每小时的平均价值忽视重要的行为模式像短时间内力量增强3]。

说明的重要性为光伏系统的模拟,一分钟数据与光伏发电机1成为朝鲜劳动党PV系统示例,DC / AC逆变器,分析和网格的位置HTW柏林,德国。DC / AC逆变器被用于短时间光伏系统功率处理接口之间的光伏电源(直流)和电网(AC)。输出功率是非常敏感的颞可变性太阳辐射中是最高的破碎的云。

在一些重要的市场(如德国),光伏系统可以受电网连接限制定义的最大交流输出功率逆变器安装的光伏发电的比例在直流端,在通常的限制是70%左右(4]。在图1PV示例系统的功率输出所示一分钟时间分辨率(灰色)和每小时平均时间分辨率(蓝色)一天碎云。能源产量损失7%计算,70%的限制应用到每小时平均功率输出。应用限制到一分钟时输出功率值,计算能源产量损失10%。

后Vanicek等人在他的贡献能源产量损失作为逆变器尺寸的函数(3),我们分析了依赖的能源产量损失最大功率光伏逆变器的剪裁。图2表明,这些损失也依赖于逆变器分级因素显著增加当使用一分钟而不是每小时平均时间序列。总之,逆变器的能量损失低估和最大动力剪切加起来一个常数值在逆变器尺寸范围内,直到达到动力剪切值的倒数(143%)。这个阈值是最佳与最大功率光伏逆变器的逆变器分级因素剪裁,因为损失不会减少在使用一个更大的逆变器。平均每小时值(灰色),总能量损失在1.3%,而用一分钟值更精确的仿真(蓝色)返回一个总能量损失的3.9%。这些例子表明,使用每小时平均辐照度数据集可能导致伪造产量预测。

尽管存在一些商业软件提供商和免费的气象数据来源的决议一个小时(如Meteotest SolarGIS, TMY),几乎覆盖了整个地球,辐照度测量数据的可用性与解决不到一个小时是非常有限的。这有限的可用性导致的必要性从每小时平均数据合成一分钟时间序列。

几个算法开发在过去为了合成一分钟全球辐照度数据与现实的可变性和频率分布平均每小时的数据集。所谓建立算法大多数是由•阿吉亚尔和Collares-Pereira [5,6],Skartveit和Olseth [7],Glasbey [8]。像许多类似的算法,这些方法的目的是繁殖的太阳辐照度和清洁度的特征频率分布指数,这是一个测量大气传输。

•阿吉亚尔的贡献,Collares-Pereira最初是用于生成与每日平均每小时的平均时间序列作为输入。它是基于概率密度建模为高斯函数依赖于晴朗指数。Skartveit和Olseth关注全球和直接辐照度频率分布的建模,根据intrahour和interhour辐照度变化,在使用一阶自相关实际时间序列的生成。Glasbey提出非线性自回归时间序列生成与联合边际分布多元高斯混合物。辐照度的概率密度分布估计最近调查Voskrebenzev et al。9]。

其他重要的贡献这一主题是由Assuncao et al。10与调查的依赖性)从空气质量和坠毁et al。11)与平均每小时的关系的分析(清洁度指标)一分钟清洁度指标。

然而,目前算法只不够承受验证对测量值,因为他们低估引起的辐照度增强破云,高估中期辐照度值,并提供一分钟时间序列的变化太大了。

因此,我们开发了一个改进算法能够合成一分钟全球辐照度基于全球每小时平均辐照度的时间序列。算法需要三个不同的天气条件下(万里无云的,破碎的云层和阴)考虑在内。我们表明,改进的算法超过•阿吉亚尔和Skartveit算法的性能在颞可变性和特征频率分布的计算短期全球辐照度两个模范光伏安装位置。

2。测量数据和方法

新算法由两部分组成。第一部分包括一个数据准备过程,分类输入数据集和生产转移概率矩阵(TPM)三个天气:晴朗的,破碎的云层和阴。制备过程只执行一次。

输入数据集用于初始化包括全球进行了辐照度测量基线表面辐射网络(BSRN),为世界各地的50多个地点20年的测量。BSRN数据库不断更新新的测量数据;2013年5月在本研究中我们使用的快照。这些数据的一个子集,一分钟全球辐照度测量在Lindenberg,德国(2005)、和Carpentras,法国(2001),用于模型验证。

第二部分从每小时一分钟时间序列的合成过程平均时间序列。所需输入的这个过程只包含准备的TPM和全球辐照度的每小时平均时间序列分解。这个过程的核心是基于马尔可夫链(12,13由麦克拉肯(),以类似的方式使用14]。

两个部分的中心思想的新算法的分类晴朗的天气情况的时间特性指数。在第一部分中,制备过程中,BSRN数据集分成三个单独的数据集对应于三种天气状况:万里无云的破云而阴沉。每个子集分别处理,转换成一个转移概率矩阵。在第二部分,合成工艺,每个每天每小时的平均输入值的数据集分类根据天气和加工范畴。因此,新算法的主要流程步骤只取决于天气类别,不顾具体的位置信息。

这导致了优势,算法可以应用到每小时平均数据集的任意位置。此外,只需要输入每小时平均数据集,一旦创建了TPM。因此,现有的新算法结合方面的工作在这个问题上的普遍适用的方法合成一分钟从每小时平均时间序列值。

2.1。晴朗的天气条件分类索引

主要天气条件的确定算法的步骤是必要的。天气状况是由晴朗指数的计算。晴朗指数被定义为全球辐照度测量的比率在地球表面的辐照度计算万里无云的条件在特定的测量现场,用清晰的天空发光: 晴空辐照度的计算有很大的影响索引。布尔日修改的计算(15)是用于这项工作,因为它提供了最好的结果分析位置: 在哪里是太阳的仰角和是外星人的辐照度。外星辐照度计算使用麦克斯韦的方法(16),而太阳的仰角的算法是模仿Reda和安德烈亚斯17从NREL)。

主要天气条件在某一天会导致时间的模式特征,可用于将一天分为三个类之一。天气条件的检测算法是基于每天的平均每小时平均值在一天和可变性: 在哪里的小时数是全球和晴空辐照度高于0 W / m²。

表1概述了三种天气类及其检测条件。一个例子的分类如图3几天在Lindenberg 2005年8月,德国。更好的可视化我们依靠一分钟的价值,而要指出的是,检测是基于每小时平均晴朗指数的值,因为这些值形式合成算法的输入。在图的分类条件可视化4例如Lindenberg数据集,德国。

2.2。转移概率矩阵

对于每个类,代表一个特定的气象情况,矩阵的转换概率(TPM)创建。TPM包含信息如何从一个特定的开关在时间到另一个值。创建这些矩阵,周日一分钟测量值等于天气类的课程,独立的位置,进行了分析和转换成一个共同的矩阵。每一个可能的频率转换的测量数据注册,然后归一化得到过渡概率。因此,TPM包含所有概率的一个特定值的变化来从一分钟到下一个特定的天气条件下。一个例子的TPM破云天气条件在表2。在这种情况下,概率的改变从0.1到0.09一分钟是17.6%,期间保持不变的概率是53.2%,改变从0.1到0.01的概率是0%。

TPM的摘录表所示2是这样的一个例子转移概率矩阵结构。TPM的实际值然而受底层数据集用于创建这些矩阵。在这项研究中,我们将使用不同的子集BSRN数据库创建过程,取决于我们使用的数据集进行验证。验证数据集是省略了TPM的数据集创建过程,以避免自我参照。因此,由此产生的矩阵中的值可能不同,而创建矩阵的方法是通用的。因为这个原因我们都避免清单200×200 TPM在这项研究。

TPM使用真实的天气数据创建以来一分钟决议,每个测量辐照度在一个给定的时间间隔在TPM留下指纹。因此,算法的空间和时间的有效性与输入数据集的数量正在增加。截至2013年5月,BSRN由辐照度测量超过6900个月全球分布式,等于超过200 000测量天一分钟TPM的决议,离开他们的指纹。输入数据的数量的影响综合质量是指在结果部分。

2.3。一代的序列的马尔可夫链

从每小时生成一分钟值平均序列全球辐照度,天气条件检测到的问题。这取决于天气条件的记者选择tpm。

一分钟值的实际生成的帮助下进行所谓的离散时间马尔可夫链(DTMC)。DTMC为真实事件的造型是一个基于状态的过程。在第一个订单,这个过程是内存较少,所以下一个状态只取决于当前状态(12,13]。

确定接班人一个特定的价值在给定的时间点上,属于概率是累积的。然后,生成一个马尔可夫数字0和1之间,作为一个阈值插入累积概率函数。的点概率函数比马尔可夫第一次被定义为数量。这个流程将继续以同样的方式并生成一系列60值每小时。从这些全球辐照度序列,可以计算每个时间点的帮助下晴空辐照度: 重复这个过程,直到生成的一分钟值的平均值等于每小时平均输入值与预期的准确性。如果有必要,也相应的值:

3所示。结果

在下面的部分中与测量数据验证了新算法,算法相比•阿吉亚尔和Skartveit。结果比较是进行两种典型数据集的一年在两个不同的地方:Lindenberg,德国,2005年,Carpentras,法国,2001年。数据集都是取自BSRN数据库。为了避免自我参照给出结果,TPM排除所有的创建过程测量数据的相应位置。

首先,结果的基础上提出了周日的课程评估颞可变性,后来在频率分布的形式。此外,我们提供一个表比较的不确定性。

当评估形成颞可变性的一分钟值,结果好几天碎云和阴暗的天空更重要,因为模拟晴天并不困难。在图5全球辐照度的测量过程(黑(a))显示颞课程相比,新算法生成的值(蓝色(b))和算法•阿吉亚尔(c)和Skartveit (d)为一个阴暗的一天。

虽然模仿的辐照度峰值的出现时间序列可能不同于实测时间序列,值的变化与新算法模仿同意测量值到一个很高的程度。辐照度的平均变化变化从一分钟到下一个7.0 W / m²测量时间序列,而它是8.2 W / m²的数据模型与图的示例数据集的新算法5。与被一天的分钟数(1440),全球的平均变化辐照度计算如下: •阿吉亚尔和Skartveit方法导致更高的平均变化值13.1 W / m²和16.6 W / m²,分别。桑迪亚国家实验室的科学家以及避免使用这些算法由于这个原因:

没有一个适当的方法来解释自我(相对高阶的)一分钟晴朗指数的时间序列,模拟使用这些分布形式可能会过于变量,作为使用Glasbey的模型模拟,我们发现当我们怀疑会导致使用模型Skartveit和Olseth18]。

更完整的太阳辐照度的变化可以通过分析其梯度一整年的频率。梯度,在这种情况下辐照度的绝对差值的一分钟到下一个测量数据和模型数据,计算和转换成频率情节。图6显示了Lindenberg辐照度梯度的频率,而Carpentras的数据,2005年2001年,显示在图7。

在这两种情况下,数据的频率分布模型的算法Aguiar Skartveit,分别显示了梯度明显高估的范围从10到100 W / m²,而新算法能够产生辐照度值功能类似的频率分布在这个范围内。不到10 W / m²的梯度数据建模的算法显示类似的偏离测量数据。渐变的超过100 W / m²,新的算法和Skartveit显示类似质量的方法,而•阿吉亚尔的算法显示了两个位置明显低估。

转移到偏差指标,模拟数据的偏差测量每个辐照度值的平方,重的频率,和总结。频率的重量添加为了获得关于每个辐照度梯度的充满活力的相关性信息。均方根误差的计算,然后将这些资金的数量除以梯度应用步骤和平方根。表3显示所有三种分析模型的结果。按照数字频率情节的视觉印象6和7,RMSE值为本研究提出的新模型的RMSE值明显小于其他两个模型•阿吉亚尔和Skartveit: 自从全球辐照度和频率分布值更可靠指标的适用性光伏系统的模拟,它们显示在数字8,9,10,11。测量值(黑色)是由传统算法相比计算值•阿吉亚尔和Skartveit(灰色虚线和固体),以及本研究提出的新算法(蓝色)。这些分布计算值的一整年。

对于这些数据的生成,一分钟测量值是平均每小时的意思,然后再分为几部分使用新的改进算法以及•阿吉亚尔和Skartveit的方法。数据显示特定的辐照度值出现频率。最大值在高辐照度值代表天空的情况,而第二个最大的以较低的值所诱发的天空被云层覆盖。因此,在高辐照度值最大的是更加明显在阳光的位置比位置变量的天气。

可以看出,新算法繁殖频率分布全球的辐照度比传统方法要好得多。中期辐照度值不是高估了,和一个好的造型质量存在在高辐照度值。然而,高辐照度高于1100 W / m²略有高估了。

如果这些频率分布是看着晴朗指数的形式问题,现有的算法(参见图变得同样明显10和11)。的改进算法分布很好,也可以复制和分布的典型的双峰特征模拟为多云的位置非常精确(Lindenberg)以及阳光的位置(Carpentras)明显的晴朗天空的峰值值接近1。这些影响的实际相关的帮助下入门演示的例子最大功率剪裁为70%。

这些视觉印象给一个迹象,但不确定性的分析可用于定量评估。表4列表均方根误差(RMSE)为所有分配图如图8- - - - - -11。为每个发光或晴朗指数类模仿分布实测数据比较,和偏差的平方,总结整个范围,然后除以类的数量。这个值的平方根给RMSE上市: 辐照度和清洁度的RMSE指数分布可以大大降低与新算法比传统的。Carpentras都分布的RMSE可以减少24%到35%之间,以防Lindenberg在31%和43%之间。

分析输入数据的数量的影响的TPM合成算法的质量,TPM的创建过程变化如下。

首先,算法处理三次与原来的设置,其中包括所有TPM除了从各自的位置,估计的影响的马尔可夫随机数字生成器RMSE范围。第二,只有TPM的各自的位置。在第三个迭代中,唯一的测量值包含在创建过程从BSRN站位于同一气候区按Koppen[的定义19]。鲁贝尔和Kottek发布的当前数据20.是送到指定地点的气候区。Lindenberg位于气候区循环流化床,主要包括西欧。BSRN数据集有一个七个地点在这个气候区:Cabauw(荷兰),Camborne和Lerwick(英国),岑(西班牙),兰黛(新西兰),Palaiseau(法国),和Payerne(瑞士)。根据鲁贝尔和Kottek Carpentras在于气候区Csa,但不幸的是没有其他位置的气候带BSRN数据集。这第三次迭代进行Lindenberg。第四个迭代包含所有可用的TPM的使用,这一次包括Lindenberg的TPM和Carpentras。

一分钟的合成辐照度值现在是重复与所有不同的TPM。RMSE值决定根据前一章。表5比较的误差值与原版本的变化过程。

合成过程的重复与原来的设置(TPM除了自己的1 - 3)演示了RMSE范围,可以预期由于随机马尔可夫性质数字生成器。有趣的方面的各种TPM的修改(自己的TPM,循环流化床TPM, TPM),由此产生的RMSE大多躺在原始的自然RMSE范围的算法。换句话说,合成质量仍然是差不多的,是否该算法只使用数据各自的位置或所有全局可用数据除从各自的位置。天气情况每天级别分类,具体位置的影响减少最好的天气现象。这意味着算法独立于位置的寻并可以应用于每一个位置。

4所示。结论

一种改进的方法合成一分钟全球辐照度的时间序列提出了全球的基础上开发了大量测量数据集。它结合了传统算法的优点并添加新的元素,如天气条件下的分化。它可能表明,新方法可以合成一分钟值的高质量统计和现实颞可变性。独立的位置已被证明选择的情况下。这样一个独立将允许合成一分钟时间序列的任何位置。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者承认支持德意志Forschungsgemeinschaft和莱布尼兹汉诺威大学的开放获取出版基金。