Генерація анізотропного хмарного покриву
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
У цій статті представлено розробку математичної моделі для генерації та аналізу зображень хмарного покриву, спеціально призначеної для покращення дослідження часткового затінення фотоелектричних систем. Розробка моделі включала ретельний аналіз реальних зображень хмарного покриву, з особливим акцентом на відтворення їх анізотропних спектральних характеристик за допомогою комбінації спектрального аналізу та різноманітних методів обробки зображень. Методологічно дослідження було зосереджено на розробці моделі з чотирма параметрами для точного відображення спектральних властивостей хмарного покриву. Основні параметри були визначені за допомогою використання різноманітних моделей регресійного аналізу, щоб відповідати характеристикам реальних хмар. Це включало аналіз амплітудних та фазових спектрів хмарних покривів та їхню адаптацію до моделі, здатної точно відтворювати ці властивості. Важливою частиною дослідження було формування нової техніки генерації фазового спектру. Ця техніка була розроблена для контролю ступеня схожості між згенерованим та оригінальними зображеннями, що забезпечує ефективність моделі в різних сценаріях моделювання хмарного покриву. Точність моделі у відтворенні характеристик хмарного покриву була перевірена порівняльним аналізом із традиційними методами спектральної синтезу. Цей аналіз включав генерацію зображень хмарного покриву за допомогою розробленої моделі та порівняння цих зображень із оригінальними хмарами за візуальною схожістю та похибкою апроксимації. Було встановлено, що розроблена модель у порівнянні з традиційним підходом спектрального синтезу забезпечує в середньому на 20% меншу похибку апроксимації вихідного зображення. Візуально це відображається у більшій чіткості згенерованого зображення хмарного покриву. Окрім того, модель була застосована для генерації псевдовипадкових зображень хмарного покриву шляхом зміни значення параметру моделі, який відповідає за анізотропію амплітудного спектру. Це дозволяє генерувати зображення, які одночасно є випадковими та відповідають спектральним характеристикам вихідного зображення хмарного покриву, зберігаючи ключові особливості, такі як напрямок, довжина та щільність. У підсумку, ця стаття детально описує створення високоточної моделі синтезу зображень хмарного покриву, з акцентом на точності спектральних властивостей. Дослідження підкреслює використання передових методів спектрального аналізу та обробки зображень для визначення ключових параметрів моделі, що призвело до значного прогресу в імітації хмарного покриву для сонячної енергетики.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
H. Ritchie, M. Roser, and P. Rosado, “Energy,” Our World Data, Oct. 2022, URL: https://ourworldindata.org/energy
T. Y. Gnangoin, D. F. Kassi, A. J.-R. Edjoukou, O. Kongrong, and D. Yuqing, “Renewable energy, non-renewable energy, economic growth and CO2 emissions in the newly emerging market economies: The moderating role of human capital,” Front. Environ. Sci., vol. 10, Sep. 2022, DOI: https://doi.org/10.3389/fenvs.2022.1017721
D. Gielen, F. Boshell, D. Saygin, M. D. Bazilian, N. Wagner, and R. Gorini, “The role of renewable energy in the global energy transformation,” Energy Strateg. Rev., vol. 24, pp. 38–50, Apr. 2019, DOI: https://doi.org/10.1016/j.esr.2019.01.006
“Electricity Market Report 2023 – Analysis - IEA.” [Online]. Available: https://www.iea.org/reports/electricity-market-report-2023. [Accessed: 27-Sep-2023]
O. Diachuk, M. Chepeliev, R. Podolets, H. Trypolska, V. Venher, T. Saprykina and R. Yukhymets “Perekhid Ukrayiny na vidnovlyuvanu enerhetyku do 2050 r. [Transition of Ukraine to renewable energy until 2050.]” Heinrich Böll Stiftung : Kyiv, Ukraine, 2023 [Online]. Available: https://ua.boell.org/sites/default/files/perehid_ukraini_na_vidnovlyuvanu_energetiku_do_2050_roku.pdf [Accessed: 27-Sep-2023].
D. Maradin, “ADVANTAGES AND DISADVANTAGES OF RENEWABLE ENERGY SOURCES UTILIZATION,” Int. J. Energy Econ. Policy, vol. 11, no. 3, pp. 176–183, Apr. 2021, DOI: https://doi.org/10.32479/ijeep.11027
V. M. Geyets, O. V. Kirilenko, B. I. Basok, and Y. T. Baseyev, “Energy Strategy: Projections (Review),” Nauk. ta innovacii, vol. 16, no. 1, pp. 3–15, 2020, DOI: https://doi.org/10.15407/scin16.01.003
I. R. E. A. (IRENA), “REmap 2030, Renewable Energy Prospects: Ukraine, a background paper.” IRENA: International Renewable Energy Agency, 13-Apr-2015
“Ukraine energy profile – Analysis - IEA.” [Online]. Available: https://www.iea.org/reports/ukraine-energy-profile. [Accessed: 27-Sep-2023]
K. Sopian, S. L. Cheow, and S. H. Zaidi, “An overview of crystalline silicon solar cell technology: Past, present, and future,” 2017, p. 020004, DOI: https://doi.org/10.1063/1.4999854
D. O. Akinyele, R. K. Rayudu, and N. K. C. Nair, “Global progress in photovoltaic technologies and the scenario of development of solar panel plant and module performance estimation − Application in Nigeria,” Renew. Sustain. Energy Rev., vol. 48, pp. 112–139, Aug. 2015, DOI: https://doi.org/10.1016/j.rser.2015.03.021
J. Teo, R. Tan, V. Mok, V. Ramachandaramurthy, and C. Tan, “Impact of Partial Shading on the P-V Characteristics and the Maximum Power of a Photovoltaic String,” Energies, vol. 11, no. 7, p. 1860, Jul. 2018, DOI: https://doi.org/10.3390/en11071860
E. J. Wolf, I. E. Gould, L. B. Bliss, J. J. Berry, and M. D. McGehee, “Designing Modules to Prevent Reverse Bias Degradation in Perovskite Solar Cells when Partial Shading Occurs,” Sol. RRL, vol. 6, no. 3, Mar. 2022, DOI: https://doi.org/10.1002/solr.202100239
M. A. Al Mamun, M. Hasanuzzaman, and J. Selvaraj, “Experimental investigation of the effect of partial shading on photovoltaic performance,” IET Renew. Power Gener., vol. 11, no. 7, pp. 912–921, Jun. 2017, DOI: https://doi.org/10.1049/iet-rpg.2016.0902
A. M. Ajmal, T. Sudhakar Babu, V. K. Ramachandaramurthy, D. Yousri, and J. B. Ekanayake, “Static and dynamic reconfiguration approaches for mitigation of partial shading influence in photovoltaic arrays,” Sustain. Energy Technol. Assessments, vol. 40, p. 100738, Aug. 2020, DOI: https://doi.org/10.1016/j.seta.2020.100738
Y. J. Kaufman, “Aerosol optical thickness and atmospheric path radiance,” J. Geophys. Res. Atmos., vol. 98, no. D2, pp. 2677–2692, Feb. 1993, DOI: https://doi.org/10.1029/92JD02427
M. Chin et al., “Tropospheric Aerosol Optical Thickness from the GOCART Model and Comparisons with Satellite and Sun Photometer Measurements,” J. Atmos. Sci., vol. 59, no. 3, pp. 461–483, Feb. 2002, DOI: https://doi.org/10.1175/1520-0469(2002)059<0461:TAOTFT>2.0.CO;2
M. Bradley and M. Gasseller, “Measurement of Aerosols Optical Thickness of the Atmosphere using the GLOBE Handheld Sun Photometer,” J. Vis. Exp., no. 147, May 2019, DOI: https://doi.org/10.3791/59257
S. Kato et al., “A comparison of the aerosol thickness derived from ground‐based and airborne measurements,” J. Geophys. Res. Atmos., vol. 105, no. D11, pp. 14701–14717, Jun. 2000, DOI: https://doi.org/10.1029/2000JD900013
D. R. Myers, “Solar Radiation Resource Assessment for Renewable Energy Conversion,” in Comprehensive Renewable Energy, Elsevier, 2012, pp. 213–237, DOI: https://doi.org/10.1016/B978-0-08-087872-0.00112-8
D. Serrano, M. J. Marín, M. Núñez, S. Gandía, M. P. Utrillas, and J. A. Martínez-Lozano, “Relationship between the effective cloud optical depth and different atmospheric transmission factors,” Atmos. Res., vol. 160, pp. 50–58, Jun. 2015, DOI: https://doi.org/10.1016/j.atmosres.2015.03.004
P. Bak, C. Tang, and K. Wiesenfeld, “Self-organized criticality: An explanation of the 1/ f noise,” Phys. Rev. Lett., vol. 59, no. 4, pp. 381–384, Jul. 1987, DOI: https://doi.org/10.1103/PhysRevLett.59.381
F. N. Hooge, T. G. M. Kleinpenning, and L. K. J. Vandamme, “Experimental studies on 1/f noise,” Reports Prog. Phys., vol. 44, no. 5, pp. 479–532, May 1981, DOI: https://doi.org/10.1088/0034-4885/44/5/001
D. L. Gilden, T. Thornton, and M. W. Mallon, “1/ f Noise in Human Cognition,” Science (80-. )., vol. 267, no. 5205, pp. 1837–1839, Mar. 1995, DOI: https://doi.org/10.1126/science.7892611
B. Kaulakys and T. Meškauskas, “Modeling 1/f noise,” Phys. Rev. E, vol. 58, no. 6, pp. 7013–7019, Dec. 1998, DOI: https://doi.org/10.1103/PhysRevE.58.7013
A. Lagae, S. Lefebvre, R. Cook, T. DeRose, G. Drettakis, D. S. Ebert, J. P. Lewis, K. Perlin and M. Zwicker, “State of the Art in Procedural Noise Functions,” The Eurographics Association 200x, 2010. URL: https://www-sop.inria.fr/reves/Basilic/2010/LLCDDELPZ10/LLCDDELPZ10STARPNF.pdf
A. Goldberg, M. Zwicker, and F. Durand, “Anisotropic noise,” ACM Trans. Graph., vol. 27, no. 3, pp. 1–8, Aug. 2008, DOI: https://doi.org/10.1145/1360612.1360653
D. Lyon, “The Discrete Fourier Transform, Part 4: Spectral Leakage.,” J. Object Technol., vol. 8, no. 7, p. 23, 2009, DOI: https://doi.org/10.5381/jot.2009.8.7.c2
D.-J. Jwo, W.-Y. Chang, and I.-H. Wu, “Windowing Techniques, the Welch Method for Improvement of Power Spectrum Estimation,” Comput. Mater. Contin., vol. 67, no. 3, pp. 3983–4003, 2021, DOI: https://doi.org/10.32604/cmc.2021.014752
J. G. Eisenhauer, “Regression through the Origin,” Teach. Stat., vol. 25, no. 3, pp. 76–80, 2003, DOI: https://doi.org/10.1111/1467-9639.00136
S. Kaur and S. K. Sharma, “An Efficient Iterative Methods for Solving Transcendental Equations,” 2023, pp. 191–203, DOI: https://doi.org/10.1007/978-981-99-2468-4_15
M. Kutner, C. Nachtsheim, and J. Neter, Applied Linear Regression Models- 4th Edition with Student CD (McGraw Hill/Irwin Series: Operations and Decision Sciences), 4th ed. McGraw Hill, 2004, ISBN: 978-0073014661
