This paper presents a classical estimation problem for calculating the energy generated by photovoltaic solar energy systems in the Netherlands, on a daily, annual and regional basis. We identify two data sources to construct our methodology: pvoutput, an online portal with solar energy yield measurements, and modelled irradiance data, from the Royal Netherlands Meteorological Institute. Combining these, we obtain probability functions of observing energy yields, given the irradiance, which we then apply to our PV systems database, allowing us to calculate daily and annual solar energy yields. We examine the variation in our daily and annual estimates as a result of taking different subsets of pvoutput systems with certain specifications such as orientation, tilt and inverter to PV capacity ratio. Hence we obtain specific annual energy yields in the range of 877-946 kWh/kWp and 838-899 kWh/kWp for 2016 and 2017 respectively. The current method used at Statistics Netherlands assumes this to be 875 kWh/kWp, meaning the yields were underestimated and overestimated for 2016 and 2017 respectively. Finally, we translate our national estimates into solar energy yields per municipality. This research demonstrates that an irradiance based measure of solar energy generation is necessary to obtain more accurate energy yields on both a national and regional level.


翻译:本文提出了荷兰光伏太阳能系统每天、每年和区域计算能源生成的典型估算问题。我们从荷兰皇家气象研究所(皇家气象研究所)找到两种数据来源来构建我们的方法:pvoutput,一个具有太阳能产量测量的在线门户,以及模拟辐照数据。结合这些数据,我们获得了观测能源产量的概率功能,因为我们随后对光伏发电系统数据库应用了辐照效应,从而使我们能够计算每天和每年的太阳能产量。我们研究了由于采用定向、倾斜和向光电容量比率等某些规格的不同子集的蒸发系统而导致的每日和年度估算值差异。因此,我们获得了2016年和2017年的877-946 kWh/kWp和838-899 kWh/kWp之间的具体年度能源产量。荷兰统计局目前使用的方法假定这一数值为875 kWh/kWp, 也就是说,2016年和2017年的产量被低估和高估。最后,我们将我们的国家能源产量估计数转化为每个城市的太阳能产量,这是一项必要的区域能源产量指标。

0
下载
关闭预览

相关内容

专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
75+阅读 · 2021年3月16日
专知会员服务
52+阅读 · 2020年9月7日
【课程推荐】人工智能导论:Introduction to Articial Intelligence
强化学习最新教程,17页pdf
专知会员服务
168+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | PRICAI 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年12月13日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
19+阅读 · 2017年10月1日
Arxiv
0+阅读 · 2021年5月14日
Arxiv
0+阅读 · 2021年5月13日
Arxiv
3+阅读 · 2018年10月8日
VIP会员
相关VIP内容
专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
75+阅读 · 2021年3月16日
专知会员服务
52+阅读 · 2020年9月7日
【课程推荐】人工智能导论:Introduction to Articial Intelligence
强化学习最新教程,17页pdf
专知会员服务
168+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
99+阅读 · 2019年10月9日
相关资讯
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | PRICAI 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年12月13日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
19+阅读 · 2017年10月1日
Top
微信扫码咨询专知VIP会员