Photovoltaic power forecasting (PVP

Photovoltaic power forecasting (PVPF) can help energy management system and power grid to improve the proportion of solar energy in total energy consumption. Classification modeling according to different weather types is an effective means to improve the accuracy of PVPF under various weather statuses. However, the weather type of historical data (WTHD) is missing in some cases, which will cause great difficulties to classification modeling because the data without WTHD cannot be used for the model training. To identify the missing WTHD, a solar irradiance feature extraction and support vector machines (SVM) based weather statuses pattern recognition (WSPR) model for short-term PVPF (ST-PVPF) is presented. To ensure the feasibility and reduce the workload of classification modeling, four generalized weather classes (GWC) covering all weather types are constituted, and GWC based classification modeling approach for ST-PVPF is proposed subsequently. The SVM model for WSPR is built with input features extracted from solar irradiance data. Through a case study, the effectiveness and performance of the WSPR model are verified and evaluated. The influences of different input dimensions and feature combinations are also analyzed and discussed. The results indicate that the missing WTHD can be effectively recovered as GWC by the proposed model

ผลลัพธ์ (ไทย) 1:

พลังงานเซลล์แสงอาทิตย์ (PVPF) การคาดการณ์จะช่วยให้พลังงานการจัดการพลังงานและระบบกริดเพื่อปรับปรุงสัดส่วนของพลังงานแสงอาทิตย์ในการใช้พลังงานรวม การจัดประเภทตามสภาพอากาศที่แตกต่างกันชนิดการสร้างโมเดลเป็นวิธีที่มีประสิทธิภาพเพื่อปรับปรุงความถูกต้องของ PVPF ภายใต้สถานะสภาพอากาศต่าง ๆ อย่างไรก็ตาม ชนิดอากาศข้อมูลประวัติศาสตร์ (WTHD) จะหายไปในบางกรณี ซึ่งจะทำให้เกิดปัญหามากในการจัดประเภทโมเดลเนื่องจากข้อมูลไม่ มี WTHD ไม่สามารถใช้สำหรับการฝึกอบรมรุ่น ระบุสูญหาย WTHD สกัดคุณลักษณะแสง irradiance และสนับสนุน เครื่องแบบเวกเตอร์ (SVM) ตามสถานะอากาศที่นำเสนอรูปแบบการรับรู้ (WSPR) รุ่นสำหรับระยะสั้น PVPF (ST-PVPF) ตรวจสอบความเป็นไปได้ที่ และลดปริมาณการสร้างโมเดล สี่ตั้งค่าทั่วไปจัดประเภท ทะลักชั้นอากาศ (GWC) ครอบคลุมทุกสภาพอากาศ และประเภท GWC ตามวิธีการสร้างโมเดลสำหรับเซนต์ PVPF นำเสนอในเวลาต่อมา แบบ SVM สำหรับ WSPR แห่งสกัดจากแสง irradiance ข้อมูลคุณลักษณะอินพุต ผ่านกรณีศึกษา ประสิทธิผลและประสิทธิภาพของรูปแบบการ WSPR จะตรวจสอบ และประเมิน อิทธิพลของชุดคุณลักษณะและมิติต่าง ๆ เข้ายังที่วิเคราะห์ และกล่าวถึง ผลลัพธ์บ่งชี้ว่า WTHD หายสามารถอย่างกู้คืนเป็น GWC โดยแบบเสนอ

ผลลัพธ์ (ไทย) 2:

การคาดการณ์การใช้พลังงานไฟฟ้าโซลาร์เซลล์ (PVPF) สามารถช่วยให้ระบบการจัดการพลังงานและตารางอำนาจในการปรับปรุงสัดส่วนของพลังงานแสงอาทิตย์ในการใช้พลังงานทั้งหมด การสร้างแบบจำลองการจัดหมวดหมู่ตามประเภทอากาศที่แตกต่างเป็นวิธีที่มีประสิทธิภาพในการปรับปรุงความถูกต้องของ PVPF ภายใต้สถานะสภาพอากาศต่างๆ แต่ประเภทที่สภาพอากาศของข้อมูลทางประวัติศาสตร์ (WTHD) จะหายไปในบางกรณีซึ่งจะทำให้เกิดความยากลำบากในการสร้างแบบจำลองที่ดีในการจัดหมวดหมู่เนื่องจากข้อมูลโดยไม่ต้อง WTHD ไม่สามารถใช้สำหรับการฝึกอบรมรุ่น เพื่อระบุ WTHD หายไปเป็นรังสีแสงอาทิตย์ดึงและสนับสนุนเครื่องเวกเตอร์ (SVM) ตามสภาพอากาศ statuses การจดจำรูปแบบ (WSPR) แบบจำลองสำหรับ PVPF ระยะสั้น (ST-PVPF) จะนำเสนอ เพื่อให้แน่ใจว่าเป็นไปได้และลดภาระงานของการสร้างแบบจำลองการจัดหมวดหมู่, สี่ชั้นอากาศทั่วไป (GWC) ครอบคลุมทุกประเภทสภาพอากาศที่มีการประกอบและการสร้างแบบจำลอง GWC วิธีการจัดหมวดหมู่ตาม ST-PVPF เสนอต่อมา รูปแบบ SVM สำหรับ WSPR ถูกสร้างขึ้นด้วยการป้อนข้อมูลคุณสมบัติสกัดจากข้อมูลรังสีแสงอาทิตย์ ผ่านกรณีศึกษาที่มีประสิทธิผลและประสิทธิภาพการทำงานของรูปแบบ WSPR มีการตรวจสอบและประเมินผล อิทธิพลของการป้อนข้อมูลที่แตกต่างกันขนาดและชุดคุณลักษณะที่ยังมีการวิเคราะห์และพูดคุยกัน ผลการศึกษาพบว่า WTHD ที่ขาดหายไปสามารถกู้คืนได้อย่างมีประสิทธิภาพเป็น GWC โดยรูปแบบที่นำเสนอ

ผลลัพธ์ (ไทย) 3:

การพยากรณ์พลังงานแสงอาทิตย์ ( pvpf ) สามารถช่วยให้ระบบการจัดการพลังงานและพลังงานเพื่อเพิ่มสัดส่วนของพลังงานแสงอาทิตย์ในการใช้พลังงานทั้งหมด การจำลองการจำแนกตามประเภทของสภาพอากาศที่แตกต่างกันเป็นวิธีมีประสิทธิภาพเพื่อปรับปรุงความถูกต้องของ pvpf ภายใต้สถานะสภาพอากาศต่างๆ อย่างไรก็ตาม สภาพอากาศชนิดของข้อมูลทางประวัติศาสตร์ ( wthd ) หายไปในบางกรณีซึ่งจะก่อให้เกิดปัญหามากเนื่องจากข้อมูลการจำแนกแบบไม่มี wthd ไม่สามารถใช้รูปแบบการฝึกอบรม เพื่อระบุหายไป wthd , พลังงานแสงอาทิตย์ดังกล่าวคุณลักษณะการสกัดและสนับสนุนเครื่องเวกเตอร์ ( SVM ) สภาพอากาศสถานะลวดลายตาม ( WSJT ) รูปแบบ pvpf ระยะสั้น ( st-pvpf ) จะนำเสนอเพื่อให้แน่ใจว่า ความเป็นไปได้ และลดภาระงานของการสร้างโมเดล สี่ชั้นสภาพอากาศทั่วไป ( gwc ) ครอบคลุมทุกประเภทสภาพอากาศตั้งขึ้น และ gwc หมวดหมู่แบบจำลองตาม st-pvpf เสนอในภายหลัง แบบจำลองที่ถูกสร้างขึ้นด้วยการป้อนข้อมูล SVM WSJT คุณสมบัติสกัดจากข้อมูลดังกล่าวพลังงานแสงอาทิตย์ ผ่านกรณีศึกษาประสิทธิผลและประสิทธิภาพของแบบจำลอง WSJT จะได้ตรวจสอบ และประเมิน อิทธิพลของขนาดข้อมูลที่แตกต่างกันและคุณลักษณะชุดยังวิเคราะห์และกล่าวถึง ผลการศึกษาพบว่าหายไป wthd สามารถได้อย่างมีประสิทธิภาพกู้คืนเป็น gwc โดยแบบจำลอง