57

Мақолада қуёш фотоэлектрик тизимларининг (ФЭТ) самарадорлигини ошириш учун осмонни булут қоплаш даражасини аниқлашда sky imager қурилмасидан фойдаланиш имконияти  ўрганилган. Муаллифлар томонидан HikVision камерасидан фойдаланиб, рақамли тасвирни қайта ишлаш орқали осмоннинг булут билан қопланиш даражасини автоматик аниқлаш тизими ишлаб чиқилган. Тадқиқот булут динамикасини кузатиш ва қуёш радиациясини прогнозлаш орқали ФЭТ самарадорлигини яхшилашга қаратилган. Тизим Python дастурлаш тили ёрдамида амалга оширилиб, булут ҳаракатини қуёш ҳолати маълумотлари билан биргаликда таҳлил қилади. Олинган натижалар ушбу тизим қуёш энергиясини прогнозлашни яхшилашини кўрсатди. Таклиф этилган усулни келажакда Ўзгидромет тизимларига интеграциялаш қайта тикланувчи энергия манбаларидан самарали фойдаланишга имкон беради. 

  • Internet havola
  • DOI
  • UzSCI tizimida yaratilgan sana 04-02-2025
  • O'qishlar soni 57
  • Nashr sanasi 03-02-2025
  • Asosiy tilO'zbek
  • Sahifalar40-50
Ўзбек

Мақолада қуёш фотоэлектрик тизимларининг (ФЭТ) самарадорлигини ошириш учун осмонни булут қоплаш даражасини аниқлашда sky imager қурилмасидан фойдаланиш имконияти  ўрганилган. Муаллифлар томонидан HikVision камерасидан фойдаланиб, рақамли тасвирни қайта ишлаш орқали осмоннинг булут билан қопланиш даражасини автоматик аниқлаш тизими ишлаб чиқилган. Тадқиқот булут динамикасини кузатиш ва қуёш радиациясини прогнозлаш орқали ФЭТ самарадорлигини яхшилашга қаратилган. Тизим Python дастурлаш тили ёрдамида амалга оширилиб, булут ҳаракатини қуёш ҳолати маълумотлари билан биргаликда таҳлил қилади. Олинган натижалар ушбу тизим қуёш энергиясини прогнозлашни яхшилашини кўрсатди. Таклиф этилган усулни келажакда Ўзгидромет тизимларига интеграциялаш қайта тикланувчи энергия манбаларидан самарали фойдаланишга имкон беради. 

Русский

В статье исследована возможность использования устройства sky imager для определения уровня облачности на небе с целью повышения эффективности солнечных фотоэлектрических систем (ФЭС). Авторами разработана автоматизированная система определения степени облачности с использованием цифровой обработки изображений, полученных камерой HikVision. Исследование направлено на повышение эффективности ФЭС путем наблюдения за динамикой облаков и прогнозирования солнечной радиации. Система реализована с использованием языка программирования Python и анализирует движение облаков в сочетании с данными о положении солнца. Полученные результаты показывают, что предложенная система улучшает прогнозирование солнечной энергии. Предлагаемый метод имеет потенциал для интеграции в системы Узгидромета, что позволит более эффективно использовать возобновляемые источники энергии. 

English

 The article examines the potential of using a sky imager device to determine the level of cloud coverage in the sky to enhance the efficiency of solar photovoltaic (PV) systems. The authors developed an automated system for detecting cloud coverage based on digital image processing using a HikVision camera. The study aims to improve the efficiency of PV systems by monitoring cloud dynamics and forecasting solar radiation. Implemented using the Python programming language, the system analyzes cloud movement in conjunction with solar position data. The results demonstrate that the proposed system enhances solar energy forecasting. The suggested method has potential for future integration into Uzhydromet systems, enabling more efficient use of renewable energy sources. 

№ Havola nomi
1 Al-lahham A., Theeb O., Elalem K., Alshawi T.A., Alshebeili S.A. Sky Imager-based forecast of solar irradiance using machine learning // Electronics, 9(10), 2020. – PP. 1700. https://doi.org/10.3390/electronics9101700.
2 Alonso J., Batlles F.J. Short and medium-term cloudiness forecasting using remote sensing techniques and sky camera imagery // Energy, Volume 73, 2014. – PP. 890-897. https://doi.org/10.1016/j.energy.2014.06.101.
3 Chauvin R., Nou J., Thil S., Grieu S. Modelling the clear-sky intensity distribution using a sky imager // Solar Energy, Volume 119, 2015a. – PP. 1-17. https://doi.org/10.1016/j.solener.2015.06.026.
4 Chauvin R., Nou J., Thil S., Traoré A., Grieu S. Cloud detection methodology based on a sky-imaging system // Energy Procedia, 2015b. Volume 69 – PP. 1970-1980. https://doi.org/10.1016/j.egypro.2015.03.198.
5 Dissawa D.M.L.H., Ekanayake M.P.B., Godaliyadda G.M.R.I., Ekanayake J.B., Agalgaonkar A.P. Cloud motion tracking for short-term on-site cloud coverage prediction / 2017 Seventeenth International Conference on Advances in ICT for Emerging Regions (ICTer), Colombo, Sri Lanka, 2017. – PP. 1-6. https://doi.org/10.1109/ICTER.2017.8257803.
6 Duffie J.A., Beckman W.A. Solar engineering of thermal processes // New Jersey, 2013.
7 Huang H. et al. Cloud motion estimation for short-term solar irradiation prediction / 2013 IEEE International Conference on Smart Grid Communications (SmartGridComm), Vancouver, BC, Canada, 2013. – PP. 696-701. https://doi.org/10.1109/SmartGridComm.2013.6688040.
8 Huo J., Lu D. Comparison of cloud cover from all-sky imager and meteorological observer // Journal of Atmospheric and Oceanic Technology, 2012. – PP. 1093-1101. https://doi.org/10.1175/JTECH-D-11-00006.1.
9 IPCC Special Report on Renewable Energy Sources and Climate Change Mitigation (Chapter 9). Prepared by Working Group III of the Intergovernmental Panel on Climate Change, Cambridge University Press, 2011. http://www.ipcc-wg3.de/srren-report/.
10 Johnson R.W., Hering W.S., Shields J.E. Automated visibility cloud cover measurements with a solid-state imaging system. University of California San Diego, Scripps Institution of Oceanography, Marine Physical Lab, 1986.
11 Li Q., Lu W., Yang J. A hybrid thresholding algorithm for cloud detection on ground-based color images // Journal of Atmospheric and Oceanic Technology, 2011. – PP. 1286-1296. https://doi.org/10.1175/JTECH-D-11-00009.1.
12 Lothon M., Barnéoud P., Gabella O., Lohou F., Derrien S., Rondi S., Chiriaco M., Bastin S., Dupont J.-C., Haeffelin M., Badosa J., Pascal N., Montoux N. ELIFAN, an algorithm for the estimation of cloud cover from sky imagers // Atmospheric Measurement Techniques, 2019. 12. – PP. 5519–5534. https://doi.org/10.5194/amt-12-5519-2019.
13 Marquez R., Coimbra C.F.M. Intra-hour DNI forecasting based on cloud tracking image analysis // Solar Energy, 2013 Volume 91. – PP. 327-336. https://doi.org/10.1016/j.solener.2012.09.018.
14 Matuszko D. Influence of the extent and genera of cloud cover on solar radiation intensity. 2011. https://doi.org/10.1002/joc.2432.
15 Pfister G., Mckenzie R.L., Liley J.B., Thomas A. Cloud coverage based on all-sky imaging and its impact on surface solar irradiance // Journal of Applied, 2003. – PP. 1421-1434. https://doi.org/10.1175/1520-0450(2003)042<1421>2.0.CO;2.
16 Schmidt T., Kalisch J., Lorenz E., Heinemann D. Evaluating the spatio-temporal performance of sky-imager-based solar irradiance analysis and forecasts // Atmospheric Chemistry and Physics, 16, 2016. – PP. 3399–3412. https://doi.org/10.5194/acp-16-3399-2016.
17 Si Y., Wang H., Wang Y., Yang H., Chen Y., Liu Q., Chen S., Zheng N. Effects of single-layer low clouds on the surface solar radiation in East Asia // Solar Energy, 2021. Volume 224. – PP. 1099-1106. https://doi.org/10.1016/j.solener.2021.06.047.
18 Tiwari G.N., Tiwari A., Shyam S. Handbook of Solar Energy: Theory, Analysis and Applications. 1st ed., 2016.
19 West S.R., Rowe D., Sayeef S., Berry A. Short-term irradiance forecasting using skycams: motivation and development // Solar Energy, 2014. Volume 110. – PP. 188-207. https://doi.org/10.1016/j.solener.2014.08.038.
20 Wong A.K.C., Sahoo P.K. A gray-level threshold selection method based on maximum entropy principle // IEEE Transactions on Systems, Man, and Cybernetics, 1989. 19(4). – PP. 866-871. https://doi.org/10.1109/21.35351.
Kutilmoqda