针对花卉温室中地源热泵系统土壤热失衡导致的热泵机组制热性能逐年下降的问题,提出了一种地埋管分区跨季节蓄热的光伏光热耦合地源热泵(photovoltaic/thermal-ground source heat pump,PV/T-GSHP)系统,通过20 a的仿真模拟,对无蓄热、...针对花卉温室中地源热泵系统土壤热失衡导致的热泵机组制热性能逐年下降的问题,提出了一种地埋管分区跨季节蓄热的光伏光热耦合地源热泵(photovoltaic/thermal-ground source heat pump,PV/T-GSHP)系统,通过20 a的仿真模拟,对无蓄热、全年全区蓄热与各跨季分区蓄热模式的运行特性进行了深入研究。研究结果表明:跨季分区蓄热模式通过对土壤温度的提升,实现了热泵机组制热性能系数(coefficient of performance for heating,COP_(h))、年均热泵机组性能系数(mean annual coefficient of performance,COP_(m))与年均系统性能系数(mean annual coefficient of performance of the system,COP_(msys))较全年全区蓄热模式的进一步提高,计算得到的COP_(h)、COP_(m)与COP_(msys)平均增幅分别为3.9%、3.0%与7.1%;最佳蓄热模式的COP_(m)与COP_(msys)较无蓄热模式分别提高了7.7%和50.1%,COP_(msys)与太阳能保证率较全年全区蓄热模式分别提高了9.2%和7.8%,消耗的燃煤量较全年全区蓄热模式降低了6.8%。该研究可为花卉温室中PV/T-GSHP系统的高效节能运行提供借鉴。展开更多
功率预测是实现电能供需平衡、维持电网稳定运行的一项重要任务.随着分布式海上光伏系统的发展,光伏利用率不断提升,同时对光伏功率预测提出了更高的要求.针对机器学习方法在光伏功率时间序列预测中存在的样本数量不足、预测精度低以及...功率预测是实现电能供需平衡、维持电网稳定运行的一项重要任务.随着分布式海上光伏系统的发展,光伏利用率不断提升,同时对光伏功率预测提出了更高的要求.针对机器学习方法在光伏功率时间序列预测中存在的样本数量不足、预测精度低以及隐私泄露等问题,提出一种基于联邦学习和变分模态分解的长短期记忆神经网络功率预测模型(long short-term memory neural network power forecasting model based on federated learning and variational mode decomposition,FL-VMD-LSTM).利用主成分分析法和三次样条插值对气象数据进行预处理,同时利用VMD将光伏功率时间序列分解为多个分量进行分步预测,降低光伏功率时间序列的非平稳性和复杂度.通过横向联邦学习的本地训练和参数聚合方法,实现在保证数据隐私安全情况下的光伏功率预测.通过4个算例进行仿真实验,验证结果表明FL-VMD-LSTM模型在光伏功率预测方面具有较高精度,与传统算法相比,RMSE和MAE分别降低了55.7%和55.5%.展开更多
文摘针对花卉温室中地源热泵系统土壤热失衡导致的热泵机组制热性能逐年下降的问题,提出了一种地埋管分区跨季节蓄热的光伏光热耦合地源热泵(photovoltaic/thermal-ground source heat pump,PV/T-GSHP)系统,通过20 a的仿真模拟,对无蓄热、全年全区蓄热与各跨季分区蓄热模式的运行特性进行了深入研究。研究结果表明:跨季分区蓄热模式通过对土壤温度的提升,实现了热泵机组制热性能系数(coefficient of performance for heating,COP_(h))、年均热泵机组性能系数(mean annual coefficient of performance,COP_(m))与年均系统性能系数(mean annual coefficient of performance of the system,COP_(msys))较全年全区蓄热模式的进一步提高,计算得到的COP_(h)、COP_(m)与COP_(msys)平均增幅分别为3.9%、3.0%与7.1%;最佳蓄热模式的COP_(m)与COP_(msys)较无蓄热模式分别提高了7.7%和50.1%,COP_(msys)与太阳能保证率较全年全区蓄热模式分别提高了9.2%和7.8%,消耗的燃煤量较全年全区蓄热模式降低了6.8%。该研究可为花卉温室中PV/T-GSHP系统的高效节能运行提供借鉴。
文摘功率预测是实现电能供需平衡、维持电网稳定运行的一项重要任务.随着分布式海上光伏系统的发展,光伏利用率不断提升,同时对光伏功率预测提出了更高的要求.针对机器学习方法在光伏功率时间序列预测中存在的样本数量不足、预测精度低以及隐私泄露等问题,提出一种基于联邦学习和变分模态分解的长短期记忆神经网络功率预测模型(long short-term memory neural network power forecasting model based on federated learning and variational mode decomposition,FL-VMD-LSTM).利用主成分分析法和三次样条插值对气象数据进行预处理,同时利用VMD将光伏功率时间序列分解为多个分量进行分步预测,降低光伏功率时间序列的非平稳性和复杂度.通过横向联邦学习的本地训练和参数聚合方法,实现在保证数据隐私安全情况下的光伏功率预测.通过4个算例进行仿真实验,验证结果表明FL-VMD-LSTM模型在光伏功率预测方面具有较高精度,与传统算法相比,RMSE和MAE分别降低了55.7%和55.5%.
