Key points are not available for this paper at this time.
تتحرك اعتماد الطاقة الشمسية بسرعة. تسبب التقلبات في إنتاج الطاقة الشمسية مشاكل في استقرار الشبكة وتعيق الاعتماد الجماعي. لحل هذه المشاكل، هناك حاجة إلى أنظمة أكثر دقة لتوقع الطاقة الكهروضوئية. في التوقعات داخل الساعة، تكمن المشكلة الأكثر تحديًا في تقلبات الإنتاج العالية بسبب حركة السحب، التي يمكن أن تحجب الشمس. باستخدام صور السماء المأخوذة من الأرض، تقترح هذه الورقة نموذجين من الشبكات العصبية التلافيفية للتوقعات اللحظية والتوقع داخل الساعة التي تتضمن معلومات فيزيائية حول حركة الشمس وتغطية السحب من خلال متوسط شدة بكسل منطقة الشمس. بشكل خاص، تستفيد نماذجنا من تلك المعلومات بدلاً من الاعتماد فقط على بيانات تاريخ إنتاج الطاقة الكهروضوئية كما هو معتاد في أحدث التقنيات. من خلال الاستفادة من معلومات موقع الشمس وتغطية السحب، تمكنا من تقليل الخطأ التربيعي الجذري العام لمهمة التوقع اللحظي، مما جعل النموذج أكثر دقة خاصة في الأيام الغائمة، والحصول على نتائج تنافسية في التوقع. علاوة على ذلك، نماذجنا أكثر قوة ضد العوامل مثل الحجب والملاحظات الم noisy.
درس بيرشهايم وآخرون (Mon,) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: