7、可再生能源中的机器学习应用

可再生能源中的机器学习应用

1. 混合模型与大气模型

在可再生能源预测领域，存在多种混合模型。自适应神经模糊推理系统（ANFIS）常用于估算光伏功率。此外，还有利用遗传算法优化的神经网络、结合自回归滑动平均（ARMA）模型与神经网络、多种神经网络的联合，以及将大气模型（如MM5用于辐射预测）与模糊逻辑或神经网络用于功率预测等混合模型。

大气模型整合了从多个气象机构数值预测系统获得的气象变量数值预报值，输入还可补充其他相关数据。其中，MM5国家大气研究中心模型和WRF - NMM大气/国家环境预测中心模型是该类别中应用最广泛的模型。

2. 风能

2.1 风能系统特点

风能是一种独特的可再生能源，通过类似鸟类的装置在比传统风力涡轮机更高的高度捕获风能。常见的捕获方法是让装置进行快速的逆风运动，然后通过电缆将产生的驱动力传递到地面站。在地面站，鼓 - 发电机模块将驱动力转化为电能。当装置达到最大缆绳长度时，调整其飞行路径，收回缆绳，仅消耗之前产生的少量能量，这就是抽水式风能系统的运行过程。

与水平风力涡轮机相比，风能系统具有诸多优势：
- 塔架和基础建设所需材料显著减少，运输、安装和维护成本降低。
- 传统风力涡轮机中，现代化负载转子的弯曲力矩通过塔架和基础传递到基座，而风能系统使用一个或多个缆绳传递相同大小的力，作为拉伸结构，设计使用材料更少，降低了系统成本，减少了环境影响。
- 能够动态调整运行高度以利用可获取的风能资源，容量因子显著提高。水平风力涡轮机中，转子叶片尖端产生约30%的功率，其余部分主要为叶片的逆风运动提供支撑框架。而风能系统由于在更高海拔处风更稳定持久，相同额定功率下年