PREDIKCE VÝROBY FV SYSTÉMŮ Petr Wolf petr.wolf@cvut.cz Predikce výroby FV systémů 1
VYUŽITÍ PŘEDPOVĚDI VÝROBY PRO LOKÁLNÍ ŘÍZENÍ Záleží na konkrétním případu - Co je možné lokálně řídit (zátěže, bateriové úložiště ) - Jak lze systém provozovat (technické a ekonomicko-legislativní možnosti, resp. omezení) Autonomní provoz ~ Životnost baterie Maximalizace vlastní spotřeby FV energie? Využívání proměnného tarifu energie, podpora sítě nelze jednoznačně stanovit Požadavky na SOC nejsou jednoznačné pro jejich optimální plnění je třeba znát mimo jiné i předpověď spotřeby a výroby FVS Predikce výroby FV systémů 2
VÝSTUPNÍ VÝKON FV SYSTÉMU Intenzita záření dopadající na povrch Provozní teplota DC kabeláž, pomocné komponenty AC kabeláž, pomocné komponenty Předávací místo/ napojení do rozvodů Účinnost FV modulu Ztráty v kabeláži Účinnost měniče Ztráty v kabeláži vše v závislosti na provozních podmínkách Predikce výroby FV systémů 3
ÚČINNOSTI KLÍČOVÝCH KOMPONENT Účinnost FV článku (mono c-si) Účinnost měniče T = 30 100 C Zdroj: SMA Solar Technology AG Predikce výroby FV systémů 4
KLÍČOVÉ PARAMETRY PROVOZU FV GENERÁTORU OSVIT (INTENZITA ZÁŘENÍ) PROVOZNÍ TEPLOTA P DC G, T P STC G 1 + k T T T STC G STC využitelné s dostatečnou přesností pro G > 200 W/m 2 OBVYKLE JE PREDIKOVÁN: - osvit na horizontální rovinu (nutno rozložit na složku přímou a difúzní a určit osvit dopadající na FV moduly) - teplota okolního vzduchu (nutno určit provozní teplotu FV článků) Predikce výroby FV systémů 5
TUDÍŽ JE TO JEDNODUCHÉ (SKUTEČNĚ?) Stanovíme intenzitu záření v rovině modulů, provozní teplotu Nepřesnosti predikovaných hodnot, rozkladu intenzit, určení provozní teploty Určíme výkon modulu (resp. VA charakteristiku) Určíme účinnosti měniče a dalších komponent Lze relativně velmi přesně a jednoduše. Vliv stárnutí, lokálního stínění! Lze relativně velmi přesně a jednoduše. Získáme výkon na AC straně Pokud je třeba integrujeme v čase/prostoru pro získání energie Tímto se odstraní náhodné chyby Predikce výroby FV systémů 6
PROSTUP ZÁŘENÍ ZEMSKOU ATMOSFÉROU Vzdálenost Země od Slunce: 1,47 1,52 x 10 8 km intenzita záření vně atmosféry: 1325 1412 W/m 2. O 3H2 O O 2CO2 Solární konstanta: 1368 W/m 2 prachové částice tráva ~ 0,25, čerstvý sníh ~ 0,90 Predikce výroby FV systémů 7
PŘÍMÉ A DIFÚZNÍ ZÁŘENÍ BĚHEM ROKU Berlín Přímé záření Difúzní záření Zdroj: Planning and Installing Photovoltaic Systems. Predikce výroby FV systémů 8
ROČNÍ ÚHRN ZÁŘENÍ ~ 1300 kwh/m 2 ~ 1000 kwh/kw P Predikce výroby FV systémů 9
METODY PREDIKCÍ POČASÍ Satelitní snímkování Numerické predikční modely Skyscanner Neuronové sítě Statistická oblast Persistentní model krátkodobé střednědobé dlouhodobé fyzikální statistické Predikce výroby FV systémů 10
CHYBA V PREDIKCI ZTRÁTY ENERGIE Predikce výroby FV systémů 11
ZPĚTNOVAZEBNÍ PREDIKCE PRO LOKÁLNÍ ŘÍZENÍ SENZOR OSVITU CLOUD SLUŽBY: FORECAST NOWCAST KOMBINOVANÝ MODEL ŘÍDÍCÍ PLC Měřená předzpracovaná data o osvitu Předpověď kombinovaného modelu Internet SYSTÉMY BUDOVY Predikce výroby FV systémů 12
PREDIKCE PRO LOKÁLNÍ ŘÍZENÍ Horizont predikce 1 h Horizont predikce 3 h Predikovaný osvit Měřený osvit Predikovaný osvit Měřený osvit Horizont predikce 3 h Predikce výroby FV systémů 13
KOMBINOVANÉ (HYBRIDNÍ) Průměrná chyba lokální predikce osvitu v Německu ECMWF = numerická predikce Persistence = persistentní model CMV = užití skyscanneru Combi = kombinovaný model založený na předchozích metodách Zdroj: Lorenz, E., Kühnert, J., et al. PV production forecast of balance zones in Germany. Predikce výroby FV systémů 14
SENZORY PRO LOKÁLNÍ KOREKCI A KRÁTKODOBOU PŘEDPOVĚĎ Senzor osvitu založený na Si čidle (Mencke&Tegtmeyer GmbH) Skyscanner ASI-16/50 Predikce výroby FV systémů 15
STROJOVÉ UČENÍ Příklad dopředné neuronové sítě pro zpřesnění numerické predikce pomocí lokálního měření Struktura neuronové sítě (skrytých vrstev bývá často více) Vazba neuronové sítě na vstupní a výstupní parametry Predikce výroby FV systémů 16
SHRNUTÍ Přesná predikce výroby FV zdroje je klíčová pro efektivní lokální řízení Neexistuje jediná ideální metoda predikce pro FV systémy. Lokální zpětná vazba vede ke zpřesnění predikce Hybridní modely poskytují přesnou predikci pro široký rozsah časového horizontu, jsou však náročné na vstupní data a jejich zpracování Užití strojového učení nevyžaduje identifikaci systému, je však výpočetně náročné a může ale vést k mylným závěrům (nutná kontrola fyzikální podstaty). Lze s výhodou použít pro komplexní úlohy (nelineární úlohy, identifikace obrazových dat např. mraků ) Predikce výroby FV systémů 17
Děkuji za pozornost Predikce výroby FV systémů 18