Capabilities of short-term forecasting of solar energy
The share of solar energy is growing rapidly in power around the world. Solar variability can affect the operation of power systems. Achieving predictability of solar energy allows for a better balance of electricity consumption. There are various resources to predict solar and photovoltaic energy,...
Збережено в:
| Дата: | 2017 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2017
|
| Теми: | |
| Онлайн доступ: | https://ve.org.ua/index.php/journal/article/view/77 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Vidnovluvana energetika |
| Завантажити файл: |  |
Репозитарії
Vidnovluvana energetika| _version_ | 1871103135510953984 |
|---|---|
| author | Kuznietsov, M. Lysenko, O. |
| author_facet | Kuznietsov, M. Lysenko, O. |
| author_institution_txt_mv | [
{
"author": "M. Kuznietsov",
"institution": "Institute of Renewable Energy, NAS of Ukraine"
},
{
"author": "O. Lysenko",
"institution": "Tavria State Agrotechnological University, Melitopol"
}
] |
| author_sort | Kuznietsov, M. |
| baseUrl_str | https://ve.org.ua/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-07-18T06:32:08Z |
| description | The share of solar energy is growing rapidly in power around the world. Solar variability can affect the operation of power systems. Achieving predictability of solar energy allows for a better balance of electricity consumption. There are various resources to predict solar and photovoltaic energy, including traditional measuring weather data, information of active solar power plants, aerospace surveillance data on cloud cover, various analytical models (Numerical Weather Prediction).Short-term forecasting includes time intervals for minutes and hours; it is necessary for frequency control and load balancing. Mid-term forecast, from several hours to several days, based on market requirements for energy trade. Long-term forecasting is necessary for grid development planning and economic analysis, and performed in seasonal and annual time horizons.The physical approach to predicting deal with solar and photovoltaic energy behaviours, and statistical approach based primarily on historical data to identify trends. If the forecast concerning a large number of areas, some objects are modelled and methods of extrapolation or interpolation are used.Images of the sky are using with the methods of tracking the movement of clouds in the sky photographs. For satellite imagery, a similar approach is used for a longer time horizon because of the spatial and temporal resolution. For deterministic approach a certain level of solar energy is predicted, the stochastic indicates an additional level of uncertainty. The combination of techniques provides better accuracy of forecasts. To assess the accuracy of prediction the average deviation, mean square error, mean absolute error, standard deviation are used. The accuracy of the forecast is affected by the local climate, the amount of area or number of areas, forecasting horizon, a precision of the measuring equipment. The emergence of intelligent networks and power systems management forms its own requirements for predictability and encourages new developments in forecasting. |
| first_indexed | 2025-07-17T11:37:15Z |
| format | Article |
| fulltext |
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 25
УДК 621.311
М.П.Кузнєцов1, докт.техн.наук (Інститут відновлюваної енергетики НАН України, Київ),
О.В.Лисенко2, канд.техн.наук (Таврійський державний агротехнологічний ун-т, Мелітополь)
Можливості короткотермінового прогнозування сонячної енергії
Зростання частки сонячної енергетики справляє помітний вплив на характер роботи енергосистеми, що потребує все
ретельнішого прогнозування поточної потужності СЕС. Розроблено різні підходи до прогнозування. Для кожної фотоеле-
ктричної станції можна використовувати як метеорологічні дані щодо рівнів сонячної радіації, так і накопичену інформа-
цію про роботу самої станції. Комбінування різних підходів дозволяє досягти задовільної точності, що дає змогу запобігти
негативному впливу змінного характеру виробництва електроенергії. Бібл. 6, табл. 1, рис. 4.
Ключові слова: сонячна енергія, фотоелектрична станція, прогнозування, статистичні методи.
Orcid: 10000-0002-0497-7439; 20000-0001-7085-7796
Вступ. Частка сонячної енергетики інтенсив-
но зростає в енергосистемах усього світу. Соняч-
на енергія використовується для багатьох проце-
сів, у тому числі для отримання електроенергії
без забруднення навколишнього середовища. На
шляху високих темпів впровадження фотоелект-
ричних систем постають дві головні перепони –
мінливість і невизначеність, тобто той факт, що
їх поточна потужність мінлива на всіх часових
масштабах (від декількох секунд до років), і що
сама ця мінливість є важко передбачуваною. Не-
постійність сонячної енергії негативно впливає
на роботу енергосистем. З цієї причини у Фран-
ції, наприклад, частка сонячної електроенергії
обмежена 30% загального споживання [1]. Засоби
для розширення цих меж: по-перше, можна ство-
рити резервну ємність для енергії, здатну згла-
джувати режими генерації; по-друге, це швидке
вмикання резервних потужностей, що мають ко-
нтрольований характер. Важливо також досягти
кращої передбачуваності сонячної енергії, яка
дозволила б надійно балансувати виробництво та
споживання електроенергії.
Сфера прогнозування сонячної і відповідної
фотоелектричної енергії швидко розвивається.
Актуальними стають прогнози на різні часові го-
ризонти, починаючи від декількох хвилин до де-
кількох днів вперед. Дослідженням у цій галузі
присвячено окреме завдання Міжнародного енер-
гетичного агентства, а саме – Програма фотоеле-
ктричної енергетики (IEA‐PVPS) [2].
Види прогнозів. Для прогнозування соняч-
ної та фотоелектричної енергії використовуються
різноманітні ресурси, включаючи традиційні ви-
міри погодних даних, інформацію діючих соняч-
них електричних станцій (СЕС), аерокосмічних
даних спостереження за хмарним покривом, різ-
них числових, тобто аналітичних моделей про-
гнозу погоди (Numerical Weather Prediction, або
NWP-моделі), що становлять основу сучасного
прогнозування погоди. Придатність цих ресурсів
варіюється в залежності від горизонту прогнозу-
вання: для короткострокових прогнозів (до шести
годин) краще використовувати дані вимірів, у
той час як аналітичні моделі стають дієвими для
горизонту прогнозування понад шість годин.
Кращі результати забезпечує комбінування різ-
них підходів, статистична обробка результатів,
використання даних вимірювань для уточнення
параметрів моделей.
Короткострокове прогнозування охоплює ча-
сові інтервали до декількох хвилин і годин; воно,
зокрема, потрібне для частотного регулювання та
балансування навантаження. Середньостроковий
прогноз, від декількох годин до декількох днів, за-
стосовується виходячи з ринкових вимог до торгів-
лі енергією. Нарешті, довгострокове прогнозування
може знадобитися для планування розвитку енер-
госистеми та економічного аналізу і виконується в
сезонних та річних часових горизонтах.
© М.П.Кузнєцов, О.В.Лисенко, 2017
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 26
Різні способи використання СЕС також по-
требують різних прогнозів. Прогнози можуть
стосуватися як однієї станції, так і великої кіль-
кості СЕС із широкою географією розташування.
Прогнози можуть стосуватися значень вихідної
потужності або швидкості її зміни. Відповідно,
застосовують різні методи прогнозування. Ці ме-
тоди також залежать від інструментарію та до-
ступної синоптичної інформації, зокрема, даних з
метеостанцій і супутників, систем керування
СЕС, можливостей аналітичних NWP-моделей.
Методи прогнозування в загальних рисах
можна охарактеризувати як фізичні або статис-
тичні. Фізичний підхід використовує моделі по-
ведінки сонячної та фотоелектричної енергії, а
статистичний підхід спирається насамперед на
накопичені дані для визначення тенденцій.
Основні параметри, що враховуються в ме-
жах типового фізичного підходу – освітленість і
температура повітря на території СЕС. Освітле-
ність враховується загальна, разом із розсіяною
(для плоских панелей), або лише пряма (для па-
нелей із концентраторами). Потужність СЕС роз-
раховують відповідно до прогнозованих освітле-
ності горизонтальної площадки і температури
навколишнього середовища. Додатковими фак-
торами можуть бути швидкість вітру та вологість
повітря, але їх вплив загалом незначний.
Якщо прогноз стосується великої кількості
площадок, зазвичай моделюється поведінка кіль-
кох найбільш представницьких об’єктів та засто-
совуються методи масштабування (екстраполяції
чи інтерполяції).
Відправною точкою статистичних підходів є
набори даних, які містять інформацію про попе-
редню роботу СЕС, погодні дані в районі станції
тощо. Цей набір даних використовується для "на-
вчання" моделей, таких як авторегресійні або мо-
делі штучного інтелекту, які виводять прогноз
потужності СЕС у даний момент часу на основі
записів минулого часу.
На практиці статистичний підхід трохи по-
ступається фізичному за точністю, однак ці під-
ходи можуть бути змішані, між ними немає чіт-
кого розмежування. Наприклад, фізичний підхід
часто використовує модель вихідних статистик
– порівняння прогнозованих даних із результа-
тами спостережень за період навчання з метою
корекції прогнозу шляхом усунення системати-
чних похибок.
Характеристики різних методів прогнозуван-
ня наведено в табл. 1 [2].
Таблиця 1. Характеристики методів прогнозування сонячної енергії
Метод
Частота
вибірки
Розділова
здатність
Просторова про-
тяжність
Горизонт прогнозу-
вання
Модель постійності висока 1 точка 1 точка хвилини
Зображення неба знизу 30 с 10-100 м 3-8 км десятки хвилин
Супутникове зображення
хмар
15 хв 1 км 65°S – 65°N до 5 год
Аналітичний прогноз по-
годи
1 год 2-50 км вся планета до 10 днів
Далі наведено короткий опис цих методів
прогнозу.
Короткострокове прогнозування (Intra-
day). Цей термін визначає прогноз від 0 до 6 го-
дин наперед. Короткострокові прогнози є важли-
вим компонентом інтеграції непостійних віднов-
люваних джерел енергії до енергосистем. Напри-
клад, у Каліфорнії (де значна частка сонячної
енергетики США) оператор системи CAISO ви-
користовує, крім прогнозу на наступний день,
такі прогнози: прогноз на годину, за 105 хвилин
до робочої години та орієнтовний прогноз на
7 годин після операційної години.
Для прогнозу сонячної енергії використову-
ються різні методології в залежності від горизон-
ту прогнозування.
Стохастичні методи "навчання" виявляють
закономірності в рядах даних як стосовно однієї
змінної (наприклад, метод авторегресії), так і між
різними змінними або зображеннями. Найпрос-
тішим прикладом є модель постійності, в основі
якої лежить екстраполювання поточного значен-
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 27
ня на наступний момент, з урахуванням лише
зміни кута підйому Сонця. Точність такого про-
гнозу різко зменшується зі збільшенням горизон-
ту прогнозування.
Загальне зображення неба може бути вико-
ристане для прогнозування на 10-30 хвилин впе-
ред, застосовуючи методи обробки зображень і
відстеження руху хмар на фотознімках неба. Рі-
вень сонячної радіації визначається для поточної
хмарності, а потім тінь від хмар умовно перемі-
щується на основі розрахованої швидкості і на-
пряму руху хмар.
Для супутникових знімків застосовується
аналогічний підхід. За інтенсивністю кольору
хмар можна розрахувати освітленість земної по-
верхні. За просторовою та часовою роздільною
здатністю космічні знімки звичайно забезпечу-
ють нижчу точність короткотермінового прогно-
зу, ніж зображення неба знизу, і застосовуються
для тривалих прогнозів.
Сонячне прогнозування на основі цілісного
аналізу знімків неба складається з чотирьох ком-
понентів:
1) створення чи придбання актуального зо-
браження неба, зробленого в безпосередній бли-
зькості від потрібної площадки (рис. 1а);
2) аналіз даного зображення, ідентифікація
хмар (в ідеалі треба розрізняти тонкі і густі
хмари);
3) оцінка векторів руху хмар з використан-
ням послідовних зображень (рис. 1б);
4) використання позиції і вектора руху хмар
для короткочасного прогнозу.
Зображення дає докладну інформацію про
масштаби, структуру та рух існуючих хмар на
час виконання прогнозу. Ці дані можуть бути ви-
користані, щоб генерувати дуже короткочасне
(на декілька хвилин) передбачення майбутнього
розташування хмар у безпосередній близькості
від об’єкта сонячної енергетики. Проте даний
підхід не враховує розвитку хмар, їх розсіювання
або істотних змін у геометрії хмари. Екстраполя-
ція хмарних закономірностей також обмежена
просторовим масштабом і визначається полем
зору оптичного пристрою. Можна розширити
просторовий масштаб, використовуючи кілька
зображень із різних місць. Проблему також мо-
жуть становити кілька шарів хмар з різною хара-
ктеристикою векторів руху, оскільки хмари на
верхніх рівнях можуть бути частково приховані
хмарами на більш низьких рівнях. Фактичний час
прогнозу, для якого цей метод застосовний, для
низьких і швидких хмар може бути до 3 хвилин, а
для високих і повільних хмар − перевищувати 30
хвилин, але зазвичай типові часові горизонти та-
кого методу − від 5 до 20 хвилин.
а)
б)
Рис. 1. Фото та фрагмент векторної карти руху хмар [3].
Побудова вектора руху хмар за супутнико-
вими зображеннями концептуально аналогічна
використанню зображення неба. Візерунки хмар
у цьому випадку побудовані за допомогою ви-
димого та/або інфрачервоного зображень із су-
путникових датчиків. Перевагою є те, що прос-
торовий масштаб набагато більший. Індекс хма-
рності (вважається пропорційним до оптичної
товщини хмари) може бути обчислений досить
точно. Вектори руху хмар визначаються з послі-
довних супутникових зображень. Статистичні
методи, засновані на умовних ймовірностях, за-
стосовують для прогнозування хмарності на 2
години вперед, а мінімізація розмірів одиничних
елементів зображення дозволяє прогнозувати
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 28
навіть на 6 годин. Отримані вектори руху хмар
використовуються і для поліпшення результатів
числових моделей.
Класичні методи супутникової фотографії
використовують тільки видиму частину спектру
(тобто вони працюють тільки в денний час), що
робить ранкові прогнози менш точними через
відсутність передісторії. Для отримання точних
вранішніх прогнозів важливо використовувати
інфрачервоні канали, які працюють удень і вночі.
Просторова роздільна здатність геостаціонарних
супутникових зображень становить 1 км або бі-
льше, однак значно більша площа покриття озна-
чає, що рух поля хмар може проектуватися впе-
ред на тривалий інтервал часу.
Джерелом даних щодо рівня сонячної раді-
ації можуть бути також наземні сенсори. Так,
для прогнозування роботи СЕС у часовому го-
ризонті до години на полігоні поблизу Сан-
Дієго (США) було використано поточну інфо-
рмацію з мережі близько 50 датчиків сонячної
енергії, розташованих на самій станції та на
прилеглій території [4]. Залучено також дані з
сонячних панелей на дахах будинків.
Прогноз на термін понад 6 годин. Однією з
ключових умов для СЕС є прогнозування "на до-
бу вперед" у рамках зони, керованої певним опе-
ратором енергосистеми. Ці прогнози, як правило,
потрібно надавати близько полудня, і стосуються
вони кожної години наступного дня. Отже, про-
гнози на добу вперед повинні насправді надходи-
ти принаймні за 36 годин, в залежності від умов
ринку електроенергії. Основною інформацією є
дані прогнозу погоди (NWP-моделі). Автокоре-
ляція індексу хмарності швидко падає протягом
декількох годин, знижуючи ефективність мето-
дів, заснованих виключно на попередніх даних,
без урахування їх динаміки.
NWP-моделі базуються на динамічних рів-
няннях, що описують зміни в атмосфері на декі-
лька днів вперед. Глобальні моделі стосуються
всієї планети і побудовані в 3-вимірному просто-
рі з градацією по висотах. Початок розрахунку
ініціюється декілька разів на день, в якості поча-
ткових умов використовуються дані космічних
супутників, радарів, радіозондів та наземних стан-
цій. Для спрощення розрахунків просторова дис-
кретність моделей обирається досить протяжною,
від 40 до 90 км. Середньомасштабні або обмежені
в просторі моделі можуть мати більш густу сітку і
детальніший розрахунок погодних явищ.
Для вдосконалення прогнозу його часто по-
рівнюють із фактичними даними, отриманими
протягом певного "навчального" періоду, це так
звана модель вихідних статистик (Model Output
Statistics, або MOS). Існує багато різновидів
MOS, які застосовуються окремо або комбінова-
но. Рекурсивний аналіз виконується окремо для
різних умов чи режимів роботи, оскільки похибка
прогнозу може залежати від часу дня, пори року,
погодних умов тощо. Ефективний метод − усу-
нення систематичної похибки, тобто трендової
складової випадкових відхилень.
Прогноз може стосуватися певної географіч-
ної точки або області. Оскільки окремий прогноз
для кожної сонячної установки – трудомістка
операція і не завжди забезпечена достатньою ін-
формацією, можливе використання окремих про-
гнозів для характерних точок та їх інтерполяція
на всю область. Вибір підмножини може бути і
випадковим, і виконаним із певним кроком, а ме-
тоди інтерполяції – поліноміальними, експонен-
ційними тощо. Як правило, сукупна похибка про-
гнозу для області менша, ніж для окремих точок,
через згладження та взаємну компенсацію похи-
бок (рис. 2). Але зменшити похибку шляхом про-
стого розширення області не можна без ураху-
вання кліматичних відмінностей – інтерполяція
прийнятна для областей з однорідними умовами.
Рис. 2. Залежність сукупної похибки прогнозу
від кількості площадок [2].
Комбінування прогнозів. До найуживані-
ших методів аналітичного прогнозування нале-
жить представлення поточних показів сонячної
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 29
радіації (чи потужності СЕС) у вигляді часового
ряду та застосування авторегресії з рухомим се-
реднім (ARMA), методу Байєса, представлення
послідовністю Маркова, методи штучного інте-
лекту типу нейронних мереж (ANN). Часто вико-
ристовуються комбінації різних моделей, зокрема
новітніх – моделі нечіткої логіки (fuzzy logic),
вейвлет-аналіз, генетичні алгоритми.
Приклад комбінування методів авторегресії
та нейронної мережі наведено зокрема в роботі
[1]. Досліджується метод прогнозування сонячної
радіації на годину вперед із використанням ендо-
генної та екзогенної метеорологічної інформації.
Часові ряди, що відображають інтенсивність ра-
діації, генеруються за даними з п’яти метеостан-
цій регіону. Станції обладнано піранометрами та
іншим метеорологічним обладнанням. Погодинні
дані стосуються десяти років спостережень. По-
передньою обробкою відкинуто близько 4% да-
них як нетипових. Стан хмарності поділено на 8
градацій. В якості розрахункової запропоновано
гібридну модель ARMA/ANN – авторегресії та
нейронних мереж. Оскільки методи авторегресії
застосовні до стаціонарних часових рядів, а рі-
вень радіації має змінну природу, зокрема сезон-
ну, запропоновано способи забезпечення стаціо-
нарності ряду. Це, зокрема, використання норма-
лізованих величин – індексу прозорості або чис-
тоти неба та застосування періодичних коефіціє-
нтів (сезонної декомпозиції ряду). Індекс прозо-
рості (Clearness Index) визначається як відношен-
ня рівня радіації на поверхні землі до позаземно-
го рівня (без атмосферних перешкод). Індекс чи-
стого неба (Сlear Sky Іndex) будується аналогіч-
но, але враховує все випромінювання, що потра-
пляє на горизонтальну площадку. Очищений та-
ким чином часовий ряд має ознаки стаціонарнос-
ті зі значимою автокореляцією на першому лазі.
Для нейронної мережі використано багато-
шарову архітектуру, яка є широко використову-
ваною для прогнозування часових рядів. Кіль-
кість вузлів прихованого шару визначається по-
слідовними випробуваннями; обирається кіль-
кість нейронів, що забезпечує найменшу похиб-
ку. Кращі результати дозволяють отримати стан-
дартне відхилення похибки у визначенні соняч-
ної радіації на рівні 16-18% (модель постійності
забезпечує лише 30-50%). Проте в деякі місяці
комбінування прогнозу не дозволяє покращити
результати окремого застосування нейронної ме-
режі чи авторегресії.
Аналогічний метод комбінування метеороло-
гічної інформації та авторегресії історичних да-
них застосовується і для прогнозування швидко-
сті вітру [5]. Там формально метод нейронних
мереж не застосовано, але по суті також викорис-
тано уточнення параметрів авторегресії за модел-
лю вихідних статистик – порівнянням прогнозо-
ваних даних із результатами спостережень (ана-
логічно "навчанню" вузлів мережі). Комбінуван-
ня підходів забезпечило зростання точності про-
гнозів на всіх часових інтервалах.
Імовірнісний підхід. Два головні типи під-
ходів до прогнозування сонячної радіації і поту-
жності СЕС – детерміністський та стохастичний.
За першим прогнозується певний рівень сонячної
енергії (потужності), за іншим пропоноване зна-
чення супроводжується інформацією про рівень
його невизначеності, що більш доречно для ви-
рішення проблем управління та контролю. За
стохастичним підходом, в свою чергу, може про-
гнозуватися похибка детермінованого методу,
або сам прогноз має статистичне представлення.
Саме до останньої категорії можна віднести ме-
тод, що базується на теорії Байєса [6]. В якості
об’єкта прогнозування розглядається, наприклад,
індекс прозорості. Метод передбачає знаходжен-
ня функції щільності розподілу (Probability
Density Function або PDF) даного індексу як ви-
падкової величини. Прогнозування PDF передба-
чає спочатку визначення аналітичного виразу цієї
функції для даного часу та розрахунку парамет-
рів розподілу на наступну годину (відповідно до
часового горизонту прогнозу) із застосуванням
правила Байєса (Bayesian Inference). З цією ме-
тою використано авторегресійну модель часових
рядів, які представляють співвідношення між па-
раметрами PDF, індексом прозорості та деякими
іншими метеорологічними показниками. Нареш-
ті, застосовується процедура Монте-Карло для
генерації PDF активної потужності СЕС.
Аналітична модель PDF має певні числові
параметри. Якщо випадкова величина Х в момент
часу t описується функцією розподілу fXt(Xt) при
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 30
відомому значенні метеорологічного параметра
θt, тобто fXt(Xt/θt), то відповідно до підходу Байєса
потрібно знайти розподіл умовної імовірності
fXt+1(Xt+1/θt+1). Шукане значення θt+1 знаходиться з
відповідної авторегресійної моделі. В якості до-
поміжних метеорологічних показників викорис-
товуються лише ті, які мають значиму кореляцію
з досліджуваною величиною сонячної радіації. В
даному випадку [6] враховано хмарність, темпе-
ратуру й вологість повітря, швидкість вітру (най-
більш значимою виявилася хмарність). Передба-
чені середні значення найкраще співпадають із
фактичними для середини дня (11-15 години), а
відносна середня похибка знаходиться в межах
від 14% (взимку) до 18% (осінь). Приклади про-
гнозованого та фактичного значень потужності
(показано середні очікувані значення та довірчий
інтервал) зображено на рис. 3.
Рис. 3. Прогнозовані та фактичні значення потужності.
Точність прогнозу. Розроблено різноманітні
способи оцінки точності прогнозу, залежно від
потреб споживача. Так, операторам мереж потрі-
бна вартісна оцінка похибки прогнозу, а дослід-
никам важливіша відносна оцінка для порівняння
різних моделей прогнозування чи поведінки мо-
делі в різних умовах. У якості числових показни-
ків (метрик) часто використовують такі стандар-
тизовані величини, як середні відхилення, серед-
ньоквадратичну похибку, середню абсолютну
похибку, стандартне відхилення. Такі показники
вказують на наявність систематичної похибки,
середній розмір похибок, вагу значних похибок.
Зазначені метрики можуть мати абсолютні зна-
чення або відносні – нормалізовані з допомогою
характерних показників. Так, швидкість вітру та
сонячну радіацію часто нормалізують діленням
на середні чи максимальні значення вибірки да-
них, а потужності відповідних енергосистем –
діленням на їх номінальну потужність.
Оскільки точність прогнозу залежить від
розташування, тривалості вимірів та інших фак-
торів, важко зробити оцінку якості прогнозу ли-
ше на підставі метрик. Потрібне порівняння різ-
них підходів за однакових умов чи порівняння
можливостей прогнозу в різних регіонах – так, за
результатами дослідження [2] значення серед-
ньоквадратичної похибки становило 20-35% в
Іспанії і досягало 40-60% у Центральній Європі
при прогнозуванні за тією ж моделлю. Кращі ре-
зультати в прогнозуванні на наступний день, до-
сягнуті із застосуванням подальшої статистичної
обробки, досягали 15-25%.
Фактори, що впливають на точність прогнозу
– місцевий клімат та погодні умови, розмір регі-
ону чи кількість площадок, часовий горизонт
прогнозування, точність вимірювального облад-
нання. Так, за ясної погоди та високих кутів під-
йому Сонця над горизонтом прогноз точніший,
ніж при хмарній погоді. Значний вплив мають
мікрокліматичні умови на територіях зі складним
рельєфом (у гористих місцевостях).
В абсолютних показниках, за наявним досві-
дом, середньоквадратичні похибки прогнозу со-
нячної радіації становлять 100-140 Вт/м2, або до
45% потужності. Просторова протяжність дії
прогнозу звичайно становить 2-25 км, а впливу
розділової здатності на точність прогнозу наразі
не виявлено, як і впливу інших метеорологічних
параметрів. Загалом поведінку хмар складно пе-
редбачити більш ніж на 6 годин через хаотичну
природу хмароутворення.
Висновки. Дослідження можливостей про-
гнозування сонячної енергії є динамічним проце-
сом зі швидким розвитком нових моделей. Зок-
рема, сонячні прогнози лише недавно були вве-
дені в практику енергетичних систем Німеччини
та Іспанії, де розвиток сонячної енергетики най-
більш значимий. Імовірнісний підхід до прогно-
зування може стати основою нових підходів до
роботи енергосистеми, адаптованих до наявності
мінливих відновлюваних джерел енергії. Швидкі
темпи розвитку сонячної енергетики та її прогно-
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 31
зованість стали предметом уваги системних опе-
раторів електроенергетики, проте досі не отрима-
ли відповідного ставлення від наукового співто-
вариства. Поява інтелектуальних мереж та методів
управління енергозабезпеченням формуватимуть
власні вимоги до передбачуваності і стимулюва-
тимуть нові розробки в галузі прогнозування.
В Україні наявні СЕС ще не справляють по-
мітного впливу на стан енергосистеми. Проте їх
загальна потужність швидко зростає, при тому
що надійний інструментарій короткострокових
прогнозів відсутній (досяжна похибка прогнозу
надто висока). Отже, потреба в дослідженні цьо-
го питання та розробці ефективних (точних та
водночас доступних) методів прогнозування на-
буває все більшої актуальності.
1. C.Voyant, M.Muselli at al. Hybrid methodology for
hourly global radiation forecasting in Mediterranean area. Елек-
тронний ресурс: http://arxiv.org/ftp/arxiv/papers/
1211/1211.2378.pdf
2. Photovoltaic and Solar Forecasting: State of the Art. Re-
port IEA. Електронний ресурс: www.iea-pvps.org.
3. Гаевский А.Ю., Мельник О.В. Прогнозирование мощ-
ности ФЭС на основе спутниковых данных. Матеріали ХІV
міжнародної науково-практичної конференції "Відновлюва-
на енергетика ХХІ століття", 2013 р. – С. 248–249.
4. A.Lorenzo, W.Holmgren at al. Intra-hour solar power
forecasts using a real-time irradiance monitoring network. Елек-
тронний ресурс: https://ams.confex.com/ams/
...Paper267978.html
5. Кузнєцов М.П. Можливості короткотермінового про-
гнозування швидкості вітру на українських ВЕС // Київ:
Відновлювана енергетика. – 2010. – № 4. – С. 40–47.
6. A.Bracale at al. A Bayesian Method for Short-Term
Probabilistic Forecasting of Photovoltaic Generation in Smart Grid
Operation and Control // Energies – 2013, №6. – Р. 733–747.
REFERENCES
1. C.Voyant, M.Muselli at al. Hybrid methodology for
hourly global radiation forecasting in Mediterranean area. Elec-
tronic resource: http://arxiv.org/ftp/arxiv/papers/1211/
1211.2378.pdf
2. Photovoltaic and Solar Forecasting: State of the Art. Re-
port IEA. Electronic resource: www.iea-pvps.org.
3. A.Haevskyy, O.Melnyk, PV Power Forecasting based on
satellite data. Materials of XIV International scientific confer-
ence "Renewable Energy of XXI Century ", 2013 . – P. 248–249.
4. A.Lorenzo, W.Holmgren at al. Intra-hour solar power
forecasts using a real-time irradiance monitoring network.
Електронний ресурс: https://ams.confex.com/ams/
...Paper267978.html
5. M.Kuznietsov Possibilities of short-term forecasting of
wind speed on wind farm // Kyiv Ukrainian: Renewable Energy.
– 2010. – № 4. – P. 40–47.
6. A.Bracale at al. A Bayesian Method for Short-Term Prob-
abilistic Forecasting of Photovoltaic Generation in Smart Grid
Operation and Control // Energies – 2013, №6. – Р.733–747.
Н.П.Кузнецов, докт.техн.наук. (Институт возобновляемой
энергетики НАН Украины, Киев), О.В.Лысенко,
канд.техн.наук (Таврический государственный агротехноло-
гический университет, Мелитополь)
Возможности краткосрочного прогнозирования
солнечной энергии
Увеличение доли солнечной энергетики оказывает заметное
влияние на характер работы энергосистемы, требует все
более тщательного прогнозирования текущей мощности СЭС.
Разработаны различные подходы к прогнозированию. Для ка-
ждой фотоэлектрической станции можно использовать как
метеорологические данные по уровням солнечной радиации,
так и накопленную информацию о работе самой станции.
Комбинирование различных подходов позволяет достичь удов-
летворительной точности, что дает возможность предот-
вратить негативное влияние переменного характера произ-
водства электроэнергии. Библ. 6, табл. 1, рис. 4.
Ключевые слова: солнечная энергия, фотоэлектрическая
станция, прогнозирование, статистические методы.
Kuznietsov M., doctor of science (Institute for renewable en-
ergy at NAS of Ukraine, Kyiv), Lysenko O., candidate of sci-
ence (Taurian Agrotechnological State University, Melitоpol)
Capabilities of short-term forecasting of solar energy
A growing share of solar energy makes a significant impact on
the nature of power grids, which requires careful forecasting of
the current PV capacity. There are various approaches to fore-
casting. Each photovoltaic plant can use as meteorological data
of solar radiation, and the accumulated information about the
work of the plant. Combining different approaches allow us to
achieve satisfactory precision and thus prevent the negative
impact of electricity fluctuations. References 6, table 1, figures 4.
Keywords: solar energy, photovoltaic station, forecasting, statis-
tical methods.
SYNOPSES
The share of solar energy is growing rapidly in power
around the world. Solar variability can affect the operation of
power systems. Achieving predictability of solar energy allows
for better balance of electricity consumption. There are various
resources to predict solar and photovoltaic energy, including
traditional measuring weather data, information of active solar
power plants, aerospace surveillance data on cloud cover, vari-
ous analytical models (Numerical Weather Prediction).
Short-term forecasting includes time intervals for minutes
and hours; it is necessary for frequency control and load balanc-
ing. Mid-term forecast, from several hours to several days, based
СОНЯЧНА ЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2017. № 1 32
on market requirements for energy trade. Long-term forecasting
is necessary for grid development planning and economic analy-
sis, and performed in seasonal and annual time horizons.
The physical approach to predicting deal with solar and
photovoltaic energy behaviors, and statistical approach based
primarily on historical data to identify trends. If the forecast
concerning a large number of areas, some objects are modeled
and methods of extrapolation or interpolation are used.
Images of the sky are using with the methods of tracking
the movement of clouds in the sky photographs. For satellite
imagery a similar approach is used for longer time horizon
because the spatial and temporal resolution. For deterministic
approach a certain level of solar energy is predicted, the stochas-
tic indicates additional level of uncertainty. The combination of
techniques provides better accuracy of forecasts. To assess the
accuracy of prediction the average deviation, mean square error,
mean absolute error, standard deviation are used. The accuracy
of the forecast is affected by the local climate, the amount of
area or number of areas, forecasting horizon, precision of the
measuring equipment. The emergence of intelligent networks
and power systems management forms its own requirements for
predictability, and encourages new developments in forecasting.
Стаття надійшла до редакції 26.11.16
Остаточна версія 09.01.17
UDC 620.92(075.8); 681.51
V.H.Volodarskyi1 (National Technical University of Ukraine "Igor Sykorsky Kyiv Polytechnic Institute", Kyiv),
Yu.P.Vyshnevska2, Ph.D. (Institute for Renewable Energy NAS of Ukraine, Kyiv), І.V.Brazhnyk3 (Gimasi SA
Ukraine R&D Centre, Mendrisio, Switzerland)
Design and implementation of the unified control module for a sustainable
operation of the combined renewable energy system
Unified modular solar collector monitoring and control system with balancing capabilities and stagnation protection has been devel-
oped. The automated control module performs continuous monitoring of operational modes and temperature parameters of the system,
as well as switches the mode in the case of certain edge conditions are reached. Stagnation protection has been implemented as a special
emergency operational mode where surplus heat is transferred to the high-capacity heating circuit that will protect collector and im-
prove sustainability of the system. It was shown that proposed system is capable to utilize any type of heat sources without replacing the
control module while modular architecture allows easy upscaling for building complex smart systems. Ref. 2, fig. 1, tab.1.
Keywords: smart home, solar collector, automated control module, stagnation protection.
ORCID: 10000-0002-7455-6007, 20000-0003-2971-9628, 30000-0003-1278-4749
Introduction. The wide application of renewable
energy systems [1] require the development of smart
monitoring and control systems that are capable to
achieve and maintain the optimal operational mode,
maximize the efficiency and ensure durability of the
equipment. Furthermore, such systems should meet the
requirements of scalability, interoperability, and must
be compatible with wide range of equipment, including
solar collectors, heat pumps and PV modules [2].
In present report, unified modular microcontrol-
ler-based (MCU-based) solar collector monitoring
and control system with balancing capabilities and
stagnation protection is demonstrated.
Results and discussion. The generic structure
of the module (fig. 1) includes three independent
heat sources – solar collector, the boiler of any type,
and electric heater.
The proposed scheme includes separated heating
and hot water supply circuits that may be condition-
ally connected only via dedicated heat exchanger.
When the amount of solar energy is insufficient for
both heating and hot water supply, heating circuit
may be completely detached from solar collector and
rely solely on boiler.
Temperature measurements are carried out using
four sensors that provide temperature data for solar
collector input (tc-c) and output (tc-h), storage tank (tt),
and temperature in the room (tr). Room temperature
is calculated as an averaged data from multiple in-
stalled sensors.
© V.H.Volodarskyi, Yu.P.Vyshnevska, І.V.Brazhnyk, 2017
|
| id | veorgua-article-77 |
| institution | Vidnovluvana energetika |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-07-19T01:03:23Z |
| publishDate | 2017 |
| publisher | Institute of Renewable Energy National Academy of Sciences of Ukraine |
| record_format | ojs |
| resource_txt_mv | veorgua/ac/2462e3093223e5eba105fb021473fdac.pdf |
| spelling | veorgua-article-772026-07-18T06:32:08Z Capabilities of short-term forecasting of solar energy Возможности краткосрочного прогнозирования солнечной энергии Можливості короткотермінового прогнозування сонячної енергії Kuznietsov, M. Lysenko, O. solar energy photovoltaic station forecasting statistical methods сонячна енергія фотоелектрична станція прогнозування статистичні методи солнечная энергия фотоэлектрическая станцияпрогнозирование статистические методы The share of solar energy is growing rapidly in power around the world. Solar variability can affect the operation of power systems. Achieving predictability of solar energy allows for a better balance of electricity consumption. There are various resources to predict solar and photovoltaic energy, including traditional measuring weather data, information of active solar power plants, aerospace surveillance data on cloud cover, various analytical models (Numerical Weather Prediction).Short-term forecasting includes time intervals for minutes and hours; it is necessary for frequency control and load balancing. Mid-term forecast, from several hours to several days, based on market requirements for energy trade. Long-term forecasting is necessary for grid development planning and economic analysis, and performed in seasonal and annual time horizons.The physical approach to predicting deal with solar and photovoltaic energy behaviours, and statistical approach based primarily on historical data to identify trends. If the forecast concerning a large number of areas, some objects are modelled and methods of extrapolation or interpolation are used.Images of the sky are using with the methods of tracking the movement of clouds in the sky photographs. For satellite imagery, a similar approach is used for a longer time horizon because of the spatial and temporal resolution. For deterministic approach a certain level of solar energy is predicted, the stochastic indicates an additional level of uncertainty. The combination of techniques provides better accuracy of forecasts. To assess the accuracy of prediction the average deviation, mean square error, mean absolute error, standard deviation are used. The accuracy of the forecast is affected by the local climate, the amount of area or number of areas, forecasting horizon, a precision of the measuring equipment. The emergence of intelligent networks and power systems management forms its own requirements for predictability and encourages new developments in forecasting. Увеличение доли солнечной энергетики оказывает заметное влияние на характер работы энергосистемы, требует все более тщательного прогнозирования текущей мощности СЭС.Разработаны различные подходы к прогнозированию. Для каждой фотоэлектрической станции можно использовать как метеорологические данные по уровням солнечной радиации, так и накопленную информацию о работе самой станции. Комбинирование различных подходов позволяет достичь удовлетворительной точности, что дает возможность предотвратить негативное влияние переменного характера производства электроэнергии. Зростання частки сонячної енергетики справляє помітний вплив на характер роботи енергосистеми, що потребує все ретельнішого прогнозування поточної потужності СЕС. Розроблено різні підходи до прогнозування. Для кожної фотоелектричної станції можна використовувати як метеорологічні дані щодо рівнів сонячної радіації, так і накопичену інформацію про роботу самої станції. Комбінування різних підходів дозволяє досягти задовільної точності, що дає змогу запобігти негативному впливу змінного характеру виробництва електроенергії. Institute of Renewable Energy National Academy of Sciences of Ukraine 2017-03-16 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/77 Vidnovluvana energetika ; No. 1 (48) (2017): Scientific and Applied Journal Vidnovluvana energetika; 25-32 Возобновляемая энергетика; ##issue.no## 1 (48) (2017): Науково-прикладний журнал Відновлювана енергетика; 25-32 Відновлювана енергетика; № 1 (48) (2017): Науково-прикладний журнал Відновлювана енергетика; 25-32 2664-8172 1819-8058 uk https://ve.org.ua/index.php/journal/article/view/77/49 Copyright (c) 2017 M. Kuznietsov, O. Lysenko https://creativecommons.org/licenses/by-nc-nd/4.0 |
| spellingShingle | solar energy photovoltaic station forecasting statistical methods Kuznietsov, M. Lysenko, O. Capabilities of short-term forecasting of solar energy |
| title | Capabilities of short-term forecasting of solar energy |
| title_alt | Возможности краткосрочного прогнозирования солнечной энергии Можливості короткотермінового прогнозування сонячної енергії |
| title_full | Capabilities of short-term forecasting of solar energy |
| title_fullStr | Capabilities of short-term forecasting of solar energy |
| title_full_unstemmed | Capabilities of short-term forecasting of solar energy |
| title_short | Capabilities of short-term forecasting of solar energy |
| title_sort | capabilities of short-term forecasting of solar energy |
| topic | solar energy photovoltaic station forecasting statistical methods |
| topic_facet | solar energy photovoltaic station forecasting statistical methods сонячна енергія фотоелектрична станція прогнозування статистичні методи солнечная энергия фотоэлектрическая станцияпрогнозирование статистические методы |
| url | https://ve.org.ua/index.php/journal/article/view/77 |
| work_keys_str_mv | AT kuznietsovm capabilitiesofshorttermforecastingofsolarenergy AT lysenkoo capabilitiesofshorttermforecastingofsolarenergy AT kuznietsovm vozmožnostikratkosročnogoprognozirovaniâsolnečnojénergii AT lysenkoo vozmožnostikratkosročnogoprognozirovaniâsolnečnojénergii AT kuznietsovm možlivostíkorotkotermínovogoprognozuvannâsonâčnoíenergíí AT lysenkoo možlivostíkorotkotermínovogoprognozuvannâsonâčnoíenergíí |