(3.236.214.19) 您好!臺灣時間:2021/05/09 22:39
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:謝少緯
研究生(外文):Shao-Wei Xie
論文名稱:以RSCMAC為基礎結合氣象資訊之太陽能功率預測
論文名稱(外文):RSCMAC Basis Combined Meteorological Data for PV Power Prediction
指導教授:江青瓚
學位類別:碩士
校院名稱:清雲科技大學
系所名稱:電機工程所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:63
中文關鍵詞:預測太陽光電系統回歸最簡定址架構之類化型小腦模型控制器極短期
外文關鍵詞:PredictionPV Power SystemRSCMACExtremely Short Term
相關次數:
  • 被引用被引用:2
  • 點閱點閱:119
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
在政府立法及世界潮流的鼓動推行下,使得太陽光電發電系統設置越來越多,裝置量也越來越大。終將影響到整體電網穩定度,而其電力調度之可行性亦更形重要。為了有效率的運用隨天候變動之太陽能發電系統發電量及穩定電網系統,預測其極短期未來功率輸出將會隨設置量增加愈來愈重要。本論文目的希望能建立一個有效之太陽光電發電系統預測模型,能對於太陽光電發電系統之電力整體配置與評估用。因此本研究以清雲科技大學10kW太陽光電發電系統作為目標,以回歸最簡定址架構之類化型小腦模型控制器(RSCMAC)為基礎建立預測模型,輔以自行架設小型氣象站提供之氣象資訊,預測10分鐘後之瞬時功率。最後以2011年11月做為測試,獲得優異之測試結果。

Due to the promotion of Governmental regulations and the trend of the world, the quantity of PV power system installation is getting more and more, the capacity of each installation is also getting larger and larger. Finally, the stability of the entire power grid network could be affected; therefore, the feasibility of the power dispatch will be more and more important. For getting efficient weather change-following PV system power generation and to stabilize power grid network system, the prediction of the extremely short term future power generation will be very important for the increasing of PV system installation. The dissertation of this study hope to establish an effective solar electricity generation system prediction model can be use for the overall configuration and evaluation of photovoltaic electricity. Wherefore this research is based on the study of a 10 kW PV power system in Ching Yun University, the prediction model is built based on Recurrent S_CMAC_GBF(RSCMAC), assisting by the meteorological data provided from a self-installed small-scale weather station. A 10 minutes instant power can be predicted, finally ended with a prediction of the test of November 2011, an excellent test result is obtained.

中文摘要 i
英文摘要 ii
誌謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 2
1.3 研究方法 3
1.4 論文架構 4
第二章 回歸型小腦模型控制器(Recurrent S_CMAC_GBF)與太陽光電系統 5
2.1 小腦模型控制器(CMAC) 6
2.1.1 CMAC之基本架構 6
2.1.2 CMAC之學習方法 9
2.1.3 傳統小腦模型控制器之優缺點 10
2.2 回歸型小腦模型控制器(Recurrent S_CMAC_GBF) 11
2.2.1 Recurrent S_CMAC_GBF 基本架構 11
2.2.2 Recurrent S_CMAC_GBF 學習方法 14
2.3 結語 16
第三章 太陽光電發電系統與氣象監測站 17
3.1 太陽光電發電系統之介紹 17
3.2 研究目標-清雲科技大學太陽光電系統 21
3.3 小型氣象站監測系統之介紹 25
3.3.1 氣象資料收集架構 25
3.3.2 氣象監測元件 26
3.3.3 小型氣象站之可靠性 32
第四章 以RSCMAC為基礎輔以當地地區之天氣資訊預測未來極短期太陽光電系統之發電量 33
4.1 預測架構 33
4.2 資料選取 34
4.3 模擬流程 35
4.4 模擬結果 38
4.5 結語 44
第五章 以RSCMAC為基礎輔以基本天氣型態預測太陽光電發電系統之發電量 45
5.1 基本天氣定義與範例選取 45
5.2 預測架構 50
5.3 模擬結果 51
5.4 結語 57
第六章 結論 58
6.1 研究成果 58
6.2 研究問題及解決方法 59
6.3 心得與未來研究方向 60
參考文獻 61
簡歷 66


[1]中央氣象局的天氣定義使用標準,可從天氣預報定義網頁查詢(http://www.cwb.gov.tw/V6/index.htm)
[2]太陽能產業未來發展情況,可從太陽能產業2010年下半年展望網頁查詢(http://www.moneydj.com/KMDJ/Report/ReportViewer.aspx?a=e1db4171-0733-415e-866c-bdcf7fedcf19)
[3]太陽光電資訊網,可查詢太陽光電發電系統種類(http://solarpv.itri.org.tw/aboutus/sense/category.asp)
[4]本論文使用的小型氣象站功能介紹,可在公司網頁查詢(http://www.davisnet.com/weather/products/vantage-pro-professional-weather-stations.asp)
[5]台灣晶矽併聯型太陽光電系統經濟效益分析介面網,可知道現今太陽能主流系統架構(http://ase.kuas.edu.tw/solarcalc/portal)
[6]台灣電力系統的發電方式,可從台灣電力公司的電力圖書館查詢(http://www.taipower.com.tw/index.htm)
[7]在3C社群網站裡,有簡單介紹家庭配電箱,各種連接方式(http://www.mobile01.com/topicdetail.php?f=335&t=994377)
[8]奇摩YAHOO知識網,從中可知PF值的定義(http://tw.knowledge.yahoo.com/question/question?qid=1006120803954))
[9]林于斌,「植基於FPGA之回歸型最簡類化型小腦模型控制器之硬體實現」,私立清雲科技大學,碩士論文,民國九十七年七月。
[10]許日昇,「運用回歸型最簡類化型小腦模型控制器改善差分衛星定位系統精準度」,私立清雲科技大學,碩士論文,民國九十八年六月。
[11]許佳偉,「區域化學習之最簡定址架構類化型小腦模型控制器設計」,私立清雲科技大學,碩士論文,民國九十六年七月。
[12]華健,吳怡萱,再生能源概論,五南圖書出版社,臺北市,民國九十七年八月。
[13]鍾招名,「最簡定址架構之類化型小腦模型控制器硬體實現」,私立清雲科技大學,碩士論文,民國九十四年六月。
[14]謝佳諺,「最簡定址架構類化型小腦模型控制器之學習收斂」,私立清雲科技大學,碩士論文,民國九十八年六月。
[15]盧智偉,「基於回歸型小腦模型控制器及區域氣象資訊預估全天空太陽能輻射量」,私立清雲科技大學,碩士論文,民國九十九年七月。
[16]C. T. Chiang and C. S. Lin, “CMAC with General Basis Functions.” Journal of Neural Network, Vol. 9, No. 7, 1996, pp. 119-1211
[17]Ching-Tsan Chiang, Tung-Sheng Chiang; Chien-Kuo Li, “A simple and converged structure of addressing technique for CMAC_GBF”, IEEE International Conference on Systems, Man and Cybernetics, Volume 7, 2004, pp. 6097 – 6101.
[18]Ching-Tsan Chiang, Tung-Sheng Chiang, “A Converged Recurrent Structure for CMAC_GBF and S_CMAC_GBF”, IEEE International Symposium on Industrial Electronics,2007, pp. 1876 - 1881,
[19]Chih-Wei Lu, Chia-Yen Hsieh, Ching-Tsan Chiang, “A Recurrent S_CMAC_GBF based estimation for global solar radiation from environmental information”, Neural Networks, 2010 International Joint Conference, pp. 1 – 5
[20]Ching-Tsan Chiang; Chia-Wei Hsu; Chao-Ming Chung , “Local Learning for S_CMAC_GBF” , Machine Learning and Cybernetics , Page(s): 2012 – 2017 , 2007
D. Marr, “A Theory of Cerebellar Cortex,” J. Physiol, Vol. 202, pp. 437-470, 1969.
[21]Lorenz, E.; Hurka, J.; Heinemann, D.; Beyer, H.G. , “Irradiance Forecasting for the Power Prediction of Grid-Connected Photovoltaic Systems” , Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of Volume: 2 , Issue: 1 , 2009 , pp. 2 – 10
[22]Niu Dongxiao, Shi Hui, Li Jianqing, Wei Yanan, “Research on short-term power load time series forecasting model based on BP neural network,” Advanced Computer Control (ICACC), Vol. 4, pp. 509-512, 2010.
[23]Vasak, M.; Gulin, M.; Vic, J.C.; Nikolic, D.; Pavlovic, T.; Peric, N.; “Meteorological and weather forecast data-based prediction of electrical power delivery of a photovoltaic panel in a stochastic framework”,MIPRO, 2011 Proceedings of the 34th International Convention Publication Year: 2011 , pp. 733 – 738
[24]Yuehui Huang; Jing Lu, Chun Liu; Xiaoyan Xu, Weisheng Wang; Xiaoxin Zhou, “Comparative study of power forecasting methods for PV stations ”, Power System Technology 2010 , pp. 1 – 6
[25]Yona, A.; Senjyu, T.; Saber, A.Y.; Funabashi, T.; Sekine, H.; Chul-Hwan Kim , “Application of neural network to 24-hour-ahead generating power forecasting for PV system” July 2008, pp. 1 – 6
[26]Yona, A.; Senjyu, T.; Funabashi, T., “Application of Recurrent Neural Network to Short-Term-Ahead Generating Power Forecasting for Photovoltaic System” , Power Engineering Society General Meeting, 2007. IEEE , 2007,pp. 1 – 6


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔