TWI804942B - 雙軸追日太陽能系統的發電預測模型建立方法 - Google Patents
雙軸追日太陽能系統的發電預測模型建立方法 Download PDFInfo
- Publication number
- TWI804942B TWI804942B TW110128353A TW110128353A TWI804942B TW I804942 B TWI804942 B TW I804942B TW 110128353 A TW110128353 A TW 110128353A TW 110128353 A TW110128353 A TW 110128353A TW I804942 B TWI804942 B TW I804942B
- Authority
- TW
- Taiwan
- Prior art keywords
- solar
- dual
- power generation
- axis
- module
- Prior art date
Links
Images
Landscapes
- Control Of Position Or Direction (AREA)
- Feedback Control In General (AREA)
- Photovoltaic Devices (AREA)
Abstract
一種雙軸追日太陽能系統的發電預測模型建立方法,包括以下步驟:(S1)連續蒐集一新設置的雙軸追日太陽能系統之一電池模組(11)在穩態運行時一第一階段時間的一第一相關參數模組,以成為一訓練參數模組,並將該訓練參數模組存入一資料庫;(S2)運用該第一相關參數模組對該電池模組進行分析與訓練,其中,該第一相關參數模組設為輸入,該電池模組的一第一最大發電功率模組設為輸出,及利用一非對稱式歸屬函數模糊類神經網路為預測器與控制器,建立該第一相關參數模組與該第一最大發電功率模組之間規律性的一訓練預測(數學)模型,並將該訓練預測(數學)模型存入該資料庫;(S3)繼續蒐集該電池模組(11)在穩態時直接上線運行一第二階段時間的一第二相關參數模組,該第二相關參數模組將持續對該訓練預測(數學)模型進行更新、學習及優化,以將該訓練預測(數學)模型成為一持續訓練預測(數學)模型,並將該持續訓練預測(數學)模型存入該資料庫中;(S4)利用該持續訓練預測(數學)模型以依據在當時的一第三相關參數模組,預先評估一持續訓練預測最大發電功率模組,並將該持續訓練預測最大發電功率模組存入該資料庫中;(S5)比對該持續訓練預測最大發電功率模組及該雙軸追日太陽能系統一實際量測最大發電功率模組,其產生之一誤差值是否在一設定之合理範圍內?如是,進入步驟(S6),如否,進入步驟(S2);(S6)確認了該持續訓練預測(數學)模型是在該設定的合理範圍內;(S7)將該持續訓練預測(數學)模型與一固定式太陽能發電預測模型進行比對,以決定該雙軸追日太陽能系統是採用一固定模式、一單軸模式或一雙軸模式的追日行為策略;及(S8)結束。
Description
本發明係關於一種建立太陽能系統的發電預測模型的技術,尤指一種雙軸追日太陽能系統的發電預測模型建立方法。
目前再生能源在傳統能源日漸枯竭的狀況下,各國持續投入資源在再生能源的技術開發與應用。以市面上太陽能追日發電為例,其間歇性的發電是它的缺點,因此如何能夠較準確的預測短時間的發電變化,可以讓儲能設備提早因應聯網支援,減少追日系統運轉來降低能量消耗;或是預測較長時間的發電能量,以便電網的整體發電供需應變,是目前急需改進的部分。
許多國家單位已經提供氣象資訊服務,供相關預測使用,如日本氣象協會提供日射量/光電產能預報技術(SYNFOS-solar),可以在72小時之前,每30分鐘預測日射量和太陽能發電量;其日射量分佈地圖,可以精確到以一平方公里為一單位(網目)。在國內,也有中央氣象局氣象資料開放平台可抓取相對應的Open Data與氣象資訊綠能營運中心,提供太陽能及風能有關的氣象分析及預報,讓產學端可應用所需,開發相關應用服務系統。在太陽能的應用議題上,為近幾年相當熱門的研究議題之一,以IEEE論文資料庫為例,近五年的研究資料就有近2000筆以上,若扣除研討會論文,也有超過千餘篇的期刊論文發表。若以太陽能電池發電,比較重要的技術是最大功率點追蹤,因為太陽能電池容易受照度、陰影遮蔽等因素,造成最大功率點的漂移,有沒有使用最大功率點追蹤,
可能相差到5%以上。在太陽能電池模組單體達到最大功率追蹤後,研究的方向有些朝向市電並聯進行,有些朝向儲能的方向來進行。不過無論是哪個方向,由於太陽能發電受環境影響較大,對於微型電網或是並聯市電的電網而言,除了發電量需要估測之外,瞬間功率提升或降低都會對電網造成衝擊。能夠事先預測太陽能發電的電量,對於發展以太陽能為重要再生能源之一的電網或供電系統而言,就顯得更加重要。在目前蒐集的文獻研究中,有些是以太陽輻射能量來估算預估太陽能電池的發電量;有些是參考氣象資料來進行發電量的估測;還有其他的學者透過統計分析或其他方式來電太陽能電池模組系統發電量進行估測。
許多文獻上提到類神經網路已被廣泛的應用在控制或系統識別相關的領域上,對於克服系統本身之非線性、系統參數的不確定性、系統參數變動及模擬非線性性質等問題,類神經網路擁有以更新控制器參數而自我學習的功能,因此在許多文獻中明確指出類神經網路對於以上的問題能夠有效的解決和處理,並且應用在解決太陽能發電建模的問題上。隨著工業4.0的科技發展,虛實整合、雙胞胎模式的概念被提出且強化,系統可以藉由較完善的系統識別來建模,如充分大量的系統資料及系統恆激等條件,先蒐集資料後透過線上(on-line)或線下(off-line)的方式,識別建模以近似真實的系統行為。可以透過模擬而預先瞭解真實系統的動態資訊。
本發明之主要目的在於建構一種雙軸追日太陽能系統的發電預測模型,提升再生能源於電網或微電網的應用性及穩定性,使用到的技術包含參考電力電子、太陽能最大功率點追蹤、智慧型預測器開發、追日系統控制、決策系統開發,以及實務上的物聯網技術等,以期在相同地點、不同季節、不同氣候環境下,可以對於雙軸追日太陽能的發電系統進行即時預測、隔日的發電預測及最佳發電效率之追日系統運作模式。
為讓本發明之上述特徵和優點能更明顯易懂,下文特舉較佳實施例,並配合所附圖式,作詳細說明如下。
S1-S12:步驟編號
1:雙軸追日太陽能系統
11:電池模組
111:第一相關參數模組
11A:訓練參數模組
2:資料庫
1111:第一系統相關參數模組
1112:第一環境相關參數模組
112:第一最大發電功率模組
3:非對稱式歸屬函數模糊類神經網路
11B:訓練預測(數學)模型
11C:持續訓練預測(數學)模型
112:第二相關參數模組
1121:第二系統相關參數模組
1122:第二環境相關參數模組
113:第三相關參數模組
19:持續訓練預測最大發電功率模組
1131:第三系統相關參數模組
1132:第三環境相關參數模組
115:實際量測最大發電功率模組
X:固定式太陽能發電預測模型
圖1及圖2,係本發明之一種雙軸追日太陽能系統的發電預測模型建立方法流程圖;及圖3係本發明之雙軸追日太陽能系統的發電預測模型模組圖。
參照本文闡述的詳細內容和附圖說明能較佳理解本發明。下面參照附圖會討論各種實施例。然而,本領域技術人員將容易理解,這裡關於附圖給出的詳細描述僅僅是為了解釋的目的,因為這些方法和系統可超出所描述的實施例。例如,所給出的教導和特定應用的需求可能產生多種可選的和合適的方法來實現在此描述的任何細節的功能。因此,任何方法可延伸超出所描述和示出的以下實施例中的特定實施選擇範圍。
太陽能發電系統發電量受自然條件影響極大,因此將會衝擊電網的穩定性,若具備較準確的光功率預測能夠降低電網的風險,也可以讓電力公司可以妥善調備發電機組,保障電網實時調度,保障電網穩定性。太陽能電池發電之再生能源的發電預測技術在微電網能源管理系統中扮演非常重要的角色,一般而言,再生能源發電預測技術可分:(A)一般採用衛星和數值天氣預報方式,雖較準確但非常昂貴;(B)利用歷史資料做預測;(C)短時預測如一天前預測;(D)極短時預測如1分鐘、5分鐘前預測,其預測誤差趨勢依天候狀況約在10-20%。在實際應用面而言,產業需求為低成本,因此建議犧牲一些準確度,建置低成本設備才容易被產業接受。
一般而言,太陽能每年的發電效率會因發電狀況、溫差影響、紫外線、接收光輻射的能量大小等因素,而採用最大功率點追蹤可以讓系統的發電效率運作在最佳值,若有結合追日系統,可較一般固定型的太陽發電系統獲得更多光輻射
的能量,並額外再增加15%~45%的發電量,尤其是較大規模的地面發電站,追日系統已經是國際發展主流。
太陽光電的發電效益發揮至極的三要素「傾角、高度和反射地表」。「傾角」是指發電系統擁有最佳角度來正面吸收陽光;「高度」則代表系統在搭配雙面發電模組時有足夠的空間讓下方的日照可以反射和散射;而選擇「最高反射率」的地表建置系統則可讓整體的發電效益更加提升。
地面型太陽能發電站設計,若為追日系統的型式將可獲得最好的發電效益,較一般固定傾斜角的固定式系統,大約可以增加15~45%的發電量。通常日照量愈高的地區,增加的比例愈高。以台灣中南部地區為例,平均單軸追日系統(僅水平軸/方位角)大約可以增加10-25%的發電量,雙軸追日系統(水平軸/方位角、俯仰角)較固定式系統則可多出25%的發電。新加坡科學家研究,若追日系統再搭配雙面太陽能的組合,能增加大約35%發電效益。
本發明在於利用一人機介面讓使用者可使用一監控機構去追蹤所需之資料,以及追日系統運作之資訊。所開發的追日系統會透過程式運算出每天太陽指向座標之俯仰角與方位角,並經過轉換為該監控機構角度後傳送角度命令指令至控制核心,以調整所採用之追日機構。其中,更發展了一遞迴式模糊類神經網路控制器等,以推導證明其穩定性與更新法則,進而控制該監控機構之太陽追蹤角度,與克服機構上的非線性與環境中之干擾。因此,得以監控太陽能追日系統的俯仰角度與方位角以及發電量資訊。為了使太陽能追日系統的太陽能板輸出功率會達到當時條件下的最大值,本發明採用了最大功率點追蹤(MPPT),以達到快速追蹤太陽能板之最大功率點。
請參閱圖1及圖2,係本發明之一種雙軸追日太陽能系統的發電預測模型建立方法流程圖,及圖3,係本發明之雙軸追日太陽能系統的發電預測模型模組圖。該雙軸追日太陽能系統的發電預測模型建立方法包括以下步驟:(S1)連續蒐集一新設置的雙軸追日太陽能系統1之一電池模組11在穩態運行時一第一階段時間的一第一相關參數模組111,以成為一訓練參數模組11A,並將
該訓練參數模組11A存入一資料庫2,其中,該第一階段時間為至少三個月,該第一相關參數模組111包括一第一系統相關參數模組1111與一第一環境相關參數模組1112,該第一系統相關參數模組1111包括電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量、實驗當日該雙軸追日太陽能系統之水平角、實驗當日該雙軸追日太陽能系統之俯仰角等資料,該第一環境相關參數模組1112包括大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速、最大功率點追蹤(MPPT;Maximum power point tracking)後的太陽能電池輸出之電壓、電流與功率等資料;S2運用該第一相關參數模組111對該電池模組11進行分析與訓練,其中,該第一相關參數模組111設為輸入,該電池模組11的一第一最大發電功率模組112設為輸出,及利用一非對稱式歸屬函數模糊類神經網路3為預測器與控制器,建立該第一相關參數模組111與該第一最大發電功率模組112之間規律性的一訓練預測(數學)模型11B,並將該訓練預測(數學)模型11B存入該資料庫2,該非對稱式歸屬函數模糊類神經網路3其數學方程式如下: if ,其中,m ij 、σ ij,n 、、為可調整之控制參數,σ ij,L 為中心點在m ij 之歸屬函數左側寬度參數,σ ij,R 為中心點在m ij 之歸屬函數右側寬度參數;(S3)繼續蒐集該電池模組11在穩態時直接上線運行一第二階段時間的一第二相關參數模組112,該第二相關參數模組112將持續對該訓練預測(數學)模型11B進行更新、學習及優化,以將該訓練預測(數學)模型11B成為一持續訓練預測(數學)模型11C,並將該持續訓練預測(數學)模型11C存入該資料庫2中其中,該第二相關參數模組112包括一第二系統相關參數模組1121與一第二環境相關參數模組1122,該第二系統相關參數模組1121包括電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量、實驗當日該雙軸追日太陽能系統之水平角、實驗當日該雙軸追日太陽能系統之俯仰角等資料,該第二環境相關參數模組1122包括大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強
度、風速、最大功率點追蹤(MPPT;Maximum power point tracking)後的太陽能電池輸出之電壓、電流與功率等資料;(S4)利用該持續訓練預測(數學)模型11C以依據在當時的一第三相關參數模組113,預先評估一持續訓練預測最大發電功率模組19,並將該持續訓練預測最大發電功率模組19存入該資料庫2中,其中,該第三相關參數模組113包括一第三系統相關參數模組1131與一第三環境相關參數模組1132,該第三系統相關參數模組1131包括電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量、實驗當日該雙軸追日太陽能系統之水平角、實驗當日該雙軸追日太陽能系統之俯仰角等資料,該第三環境相關參數模組1132大氣溫度、相對濕度、遮陰溫度、降雨機率、全天日射量、場址日照強度、風速、最大功率點追蹤(MPPT;Maximum power point tracking)等資料;(S5)比對該持續訓練預測最大發電功率模組19及該雙軸追日太陽能系統1一實際量測最大發電功率模組115,其產生之一誤差值是否在一設定之合理範圍內?如是,進入步驟(S6),如否,進入步驟(S2);(S6)確認了該持續訓練預測(數學)模型11C是在該設定的合理範圍內;(S7)將該持續訓練預測(數學)模型11C與一固定式太陽能發電預測模型X進行比對,以決定該雙軸追日太陽能系統1是採用一固定模式、一單軸模式或一雙軸模式的追日行為策略;(S71)將該持續訓練預測(數學)模型11C與該固定式太陽能發電預測模型X進行比對後,是否採取該固定模式的追日行為策略?如是,進入步驟(S73),如否,進入步驟(S75);(S73)該追日雙軸太陽能系統1之該電池模組11是固定地朝向當日最佳方位及傾角,並進入步驟(S8);(S75)該追日雙軸太陽能系統1之該電池模組11是否採取該單軸模式的追日行為策略,如是,進入步驟(S77),如否,進入步驟(S79);(S77)運轉該追日雙軸太陽能系統1之一水平軸/方位角,並進入步驟(S8);
(S79)運轉該追日雙軸太陽能系統1之該水平軸/方位角及一俯仰角,並進入步驟(S8);及(S8)結束。
追日系統結合太陽能發電,在文獻上也是非常熱門的研究標的,無論是針對機構的設計,或是運用建模等控制方法的精進,都是希望可以獲得更佳的發電效率,發揮綠能更大的效果。本發明運用所建立的雙軸追日太陽能系統數學模型,配合實際太陽能追日系統運作,進行實機狀況的偵測,依據發電量及追日系統耗電量的評估,來決定當日的追日系統要採追日模式或是固定維持在朝南方位且當日日中的太陽傾角,而追日模式依發電量決策為單軸運轉或是雙軸運轉,確保系統機構的完善與維持系統的高發電效率,也符合目前物聯網智慧應用之精神。
本發明說明如上,然其並非用以限定本發明所主張之專利權利範圍。其專利保護範圍當視後附之申請專利範圍及其等同領域而定。凡本領域具有通常知識者,在不脫離本專利精神或範圍內,所作之更動或潤飾,均屬於本發明所揭示精神下所完成之等效改變或設計,且應包含在下述之申請專利範圍內。
S1-S12:步驟編號
Claims (13)
- 一種雙軸追日太陽能系統的發電預測模型建立方法,包括以下步驟:(S1)連續蒐集一新設置的雙軸追日太陽能系統(1)之一電池模組(11)在穩態運行時一第一階段時間的一第一相關參數模組(111),以成為一訓練參數模組(11A),並將該訓練參數模組(11A)存入一資料庫(2);(S2)運用該第一相關參數模組(111)對該電池模組(11)進行分析與訓練,其中,該第一相關參數模組(111)設為輸入,該電池模組(11)的一第一最大發電功率模組(112)設為輸出,及利用一非對稱式歸屬函數模糊類神經網路(3)為預測器與控制器,建立該第一相關參數模組(111)與該第一最大發電功率模組(112)之間規律性的一訓練預測(數學)模型(11B),並將該訓練預測(數學)模型(11B)存入該資料庫(2);(S3)繼續蒐集該電池模組(11)在穩態時直接上線運行一第二階段時間的一第二相關參數模組(112),該第二相關參數模組(112)將持續對該訓練預測(數學)模型(11B)進行更新、學習及優化,以將該訓練預測(數學)模型(11B)成為一持續訓練預測(數學)模型(11C),並將該持續訓練預測(數學)模型(11C)存入該資料庫(2)中;(S4)利用該持續訓練預測(數學)模型(11C)以依據在當時的一第三相關參數模組(113),預先評估一持續訓練預測最大發電功率模組(19),並將該持續訓練預測最大發電功率模組(19)存入該資料庫(2)中; (S5)比對該持續訓練預測最大發電功率模組(19)及該雙軸追日太陽能系統(1)一實際量測最大發電功率模組(115),其產生之一誤差值是否在一設定之合理範圍內?如是,進入步驟(S6),如否,進入步驟(S2);(S6)確認了該持續訓練預測(數學)模型(11C)是在該設定的合理範圍內;(S7)將該持續訓練預測(數學)模型(11C)與一固定式太陽能發電預測模型(X)進行比對,以決定該雙軸追日太陽能系統(1)是採用一固定模式、一單軸模式或一雙軸模式的追日行為策略;及(S8)結束。
- 如請求項1所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,步驟(S1)之該第一階段時間為至少三個月。
- 如請求項1所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,步驟(S1)之該第一相關參數模組(111)包括一第一系統相關參數模組(1111)與一第一環境相關參數模組(1112)。
- 如請求項3所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,該第一系統相關參數模組(1111)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量、實驗當日該雙軸追日太陽能系統之水平角及實驗當日該雙軸追日太陽能系統之俯仰角。
- 如請求項3所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,該第一環境相關參數模組(1112)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風 速及最大功率點追蹤(MPPT;Maximum power point tracking)後的太陽能電池輸出之電壓、電流與功率。
- 如請求項1所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,步驟(S3)之該第二相關參數模組(112)包括一第二系統相關參數模組(1121)與一第二環境相關參數模組(1122)。
- 如請求項7所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,該第二系統相關參數模組(1121)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量、實驗當日該雙軸追日太陽能系統之水平角及實驗當日該雙軸追日太陽能系統之俯仰角。
- 如請求項7所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,該第二環境相關參數模組(1122)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT;Maximum power point tracking)後的太陽能電池輸出之電壓、電流與功率。
- 如請求項1所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,步驟(S4)之該第三相關參數模組(113)包括一第三系統相關參數模組(1131)與一第三環境相關參數模組(1132)。
- 如請求項10所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,該第三系統相關參數模組(1131)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量、實驗當日該雙軸追日太陽能系統之水平角及實驗當日該雙軸追日太陽能系統之俯仰角。
- 如請求項10所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,該第三環境相關參數模組(1132)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、降雨機率、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT;Maximum power point tracking)後的太陽能電池輸出之電壓、電流與功率。
- 如請求項1所述的雙軸追日太陽能系統的發電預測模型建立方法,其中,步驟(S7)更包括以下步驟:(S71)將該持續訓練預測(數學)模型(11C)與該固定式太陽能發電預測模型X進行比對後,是否採取該固定模式的追日行為策略?如是,進入步驟(S73),如否,進入步驟(S75);(S73)該追日雙軸太陽能系統(1)之該電池模組(11)是固定地朝向當日最佳方位及傾角,並進入步驟(S8);(S75)該追日雙軸太陽能系統(1)之該電池模組(11)是否採取該單軸模式的追日行為策略,如是,進入步驟(S77),如否,進入步驟(S79);(S77)運轉該追日雙軸太陽能系統(1)之一水平軸/方位角,並進入步驟(S8);及(S79)運轉該追日雙軸太陽能系統(1)之該水平軸/方位角及一俯仰角,並進入步驟(S8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128353A TWI804942B (zh) | 2021-08-02 | 2021-08-02 | 雙軸追日太陽能系統的發電預測模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128353A TWI804942B (zh) | 2021-08-02 | 2021-08-02 | 雙軸追日太陽能系統的發電預測模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202308291A TW202308291A (zh) | 2023-02-16 |
TWI804942B true TWI804942B (zh) | 2023-06-11 |
Family
ID=86661238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110128353A TWI804942B (zh) | 2021-08-02 | 2021-08-02 | 雙軸追日太陽能系統的發電預測模型建立方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI804942B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI845378B (zh) * | 2023-07-17 | 2024-06-11 | 崑山科技大學 | 基於需量反應之追日太陽能系統運作模型的建立方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102361420A (zh) * | 2011-11-17 | 2012-02-22 | 丁慈鑫 | 利用阴影活动区增加太阳能光伏发电站发电量的方法 |
TWM509476U (zh) * | 2015-04-01 | 2015-09-21 | Yun-Min Wang | 太陽能集光裝置安裝結構 |
US9413288B2 (en) * | 2010-03-10 | 2016-08-09 | Sunpower Corporation | Photovoltaic system with managed output and method of managing variability of output from a photovoltaic system |
TW201715255A (zh) * | 2015-10-19 | 2017-05-01 | Atomic Energy Council- Inst Of Nuclear Energy Res | 太陽日照短期預測系統及其運作方法 |
CN107912067A (zh) * | 2015-08-07 | 2018-04-13 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
TW201916578A (zh) * | 2017-09-15 | 2019-04-16 | 龍華科技大學 | 一種採用最佳化歸屬函數論域值之太陽能電池最大功率追蹤方法 |
CN111262526A (zh) * | 2020-03-26 | 2020-06-09 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种自然光下测试高容性光伏组件电性能的检测方法 |
TW202123603A (zh) * | 2019-12-13 | 2021-06-16 | 馬來西亞理科大學 | 一種太陽能預測的方法 |
-
2021
- 2021-08-02 TW TW110128353A patent/TWI804942B/zh active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9413288B2 (en) * | 2010-03-10 | 2016-08-09 | Sunpower Corporation | Photovoltaic system with managed output and method of managing variability of output from a photovoltaic system |
CN102361420A (zh) * | 2011-11-17 | 2012-02-22 | 丁慈鑫 | 利用阴影活动区增加太阳能光伏发电站发电量的方法 |
TWM509476U (zh) * | 2015-04-01 | 2015-09-21 | Yun-Min Wang | 太陽能集光裝置安裝結構 |
CN107912067A (zh) * | 2015-08-07 | 2018-04-13 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
TW201715255A (zh) * | 2015-10-19 | 2017-05-01 | Atomic Energy Council- Inst Of Nuclear Energy Res | 太陽日照短期預測系統及其運作方法 |
TW201916578A (zh) * | 2017-09-15 | 2019-04-16 | 龍華科技大學 | 一種採用最佳化歸屬函數論域值之太陽能電池最大功率追蹤方法 |
TW202123603A (zh) * | 2019-12-13 | 2021-06-16 | 馬來西亞理科大學 | 一種太陽能預測的方法 |
CN111262526A (zh) * | 2020-03-26 | 2020-06-09 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种自然光下测试高容性光伏组件电性能的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202308291A (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A review of data-driven smart building-integrated photovoltaic systems: Challenges and objectives | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN108879793A (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
Narasimman et al. | Modelling and real time performance evaluation of a 5 MW grid-connected solar photovoltaic plant using different artificial neural networks | |
Chung | Estimating solar insolation and power generation of photovoltaic systems using previous day weather data | |
Arévalo et al. | Smart monitoring method for photovoltaic systems and failure control based on power smoothing techniques | |
CN113128786B (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
Ramu et al. | An IoT‐based smart monitoring scheme for solar PV applications | |
CN115912351A (zh) | 光伏日内日前模型预测方法、系统、设备及介质 | |
Kichou et al. | Energy performance enhancement of a research centre based on solar potential analysis and energy management | |
Schmelas et al. | Photovoltaics energy prediction under complex conditions for a predictive energy management system | |
Bracale et al. | New advanced method and cost-based indices applied to probabilistic forecasting of photovoltaic generation | |
CN116070975A (zh) | 基于数字孪生技术的园区能量管理系统及零碳运营方法 | |
TWI804942B (zh) | 雙軸追日太陽能系統的發電預測模型建立方法 | |
Deng et al. | A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas | |
Miao et al. | Harnessing climate variables for predicting PV power output: A backpropagation neural network analysis in a subtropical climate region | |
Elena et al. | Multi-agent system for smart grids with produced energy from photovoltaic energy sources | |
CN117236638B (zh) | 基于多模态网络的运河微电网分布式能量管理系统 | |
CN116706905B (zh) | 基于电力系统的多能预测及调度方法、设备及存储介质 | |
Recioui et al. | Hybrid Renewable Energy System Optimization Using IHOGA | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
Huang et al. | Power prediction method of distributed photovoltaic digital twin system based on GA-BP | |
CN111987738A (zh) | 一种微电网配置方法及装置 | |
CN116885840A (zh) | 一种基于实时数据的分布式新能源在线监测方法及系统 | |
Chenhong et al. | Wind speed prediction research based on time series model with residual correction |