استخراج پتانسیل خورشیدی با استفاده از اطلس خورشیدی جهانی

منتشر شده در towardsdatascience به تاریخ ۹ نوامبر ۲۰۲۱
لینک منبع Extracting Solar Potential Using Global Solar Atlas

۱- مقدمه

با افزایش موارد آتش‌سوزی، سیل، گرم شدن جهانی هوای کره زمین و دیگر بلایای طبیعی، فشار بر روی انتقال به منابع تجدید پذیر انرژی در حال افزایش است. بسیاری از کشورها متعهد شده‌اند که مصرف سوخت‌های فسیلی را کاهش دهند و به منابع جایگزین انرژی مانند انرژی خورشیدی، باد و برق آبی تبدیل شوند که از نظر انتشار گازهای گلخانه‌ای، هیچ آسیبی به آب و هوا وارد نمی‌کنند. بر خلاف سوخت‌های فسیلی، آن‌ها به وفور در دسترس هستند و پایان‌ناپذیر هستند.

به منظور کمک به کشورها در دستیابی به اهداف توسعه پایدار، گروه بانک جهانی با سولارگیس هم‌کاری کرد تا اطلس خورشیدی جهانی (GSA) را منتشر کند. [https://globalsolaratlas.info/] این روش دسترسی سریع و آسان به پتانسیل انرژی خورشیدی را برای هر سایت یا منطقه‌ای در جهان فراهم می‌کند. برآوردهای بازده فتوولتائیک (PV) توسط مدل‌های شبیه‌سازی با استفاده از تابش خورشیدی و داده‌های هواشناسی تولید می‌شوند. خوانندگان تشویق می‌شوند که به سند فنی مراجعه کنند تا بیشتر در مورد نحوه محاسبه برآوردها بدانند. این برآوردهای اولیه می‌تواند به سیاستگذاران، محققان و شرکت‌های تجاری خورشیدی کمک کند تا تصمیمات بهتری بگیرند. در این پست وبلاگ، نحوه استفاده از لایه‌های داده GIS ارائه شده توسط GSA برای استخراج داده‌های بالقوه PV برای هر منطقه را نشان خواهم داد. نکته استفاده از این برآوردها این است که آن‌ها عوامل زیادی را که ممکن است بر پتانسیل PV یک منطقه تاثیر بگذارند، در نظر نمی‌گیرند و بنابراین، ابزارهای دقیق‌تر برآورد باید برای به دست آوردن یک تخمین دقیق از بازده انرژی مورد استفاده قرار گیرند.

۲. ورک‌فلو

دانه‌بندی داده‌های GIS به ما امکان می‌دهد پتانسیل PV را برای هر منطقه - بزرگ یا کوچک - مانند مناطق، ایالت‌ها، کشورها و غیره تخمین بزنیم. اطلاعات سطح پیکسل گرفته‌شده در این فایل‌های شطرنجی را می‌توان به راحتی در موتور زمین گوگل (GEE) جمع کرد تا برآوردها را در کسری از ثانیه بدست آورد.

چهار مرحله کلی وجود دارد:

· داده‌های GIS را دانلود کنید. پرونده PVout GeoTIF چیزی است که ما به دنبالش هستیم.

· گسترش داده‌های GIS به دارایی‌های موجود در ویرایشگر کد GEE. اساساً، ما داده‌ها را در GEE بارگذاری می‌کنیم تا از قدرت معماری محاسبات ابری Google برای تسریع تجزیه و تحلیل خود استفاده کنیم.

· همپوشانی تصویر شطرنجی با اشکال برداری. از توابع GEE برای گروه‌بندی اطلاعات سطح پیکسل بر اساس مرزهای برداری استفاده کنید و با جمع کردن آن‌ها به یک آمار واحد از پتانسیل PV برای هر مرز چندضلعی کاهش دهید.

· وGEE Featureum را به یک مجموعه داده pandas تبدیل کنید و پتانسیل PV را در هر واحد سطح محاسبه کنید.

۳- کدگذاری در GEE و نتایج صادرات

ما با وارد کردن موتور زمین و کتابخانه های geemap شروع خواهیم کرد. سپس، ارتباط با GEE را راه‌اندازی و تایید می‌کنیم. ما لایه برداری FAO-GAUL را برای هند در سطح state/UT وارد می کنیم. ما همچنین شاخص را برای پتانسیل خورشیدی وارد می‌کنیم و اطلاعات سطح پیکسل را با میانگین گیری به سطح state/UT جمع می‌کنیم. مقادیر پیکسل در نمودار نشان‌دهنده میانگین بلند مدت سالانه پتانسیل تولید توان کل روزانه برای یک نیروگاه PV با ماژول‌های سیلیکون کریستالی ثابت (c-Si) نصب‌شده در شیب بهینه برای به حداکثر رساندن تولید سالانه PV است.

# Import the relevant libraries
import ee
import geemap
import pandas as pd# Initalize Earth Engine
try:
ee.Initialize()
except:
ee.Authenticate()
ee.Initialize()# Accessing state level polygon boundaries of India using FAO dataset
india = ee.FeatureCollection("FAO/GAUL/2015/level1") \
.filter(ee.Filter.eq('ADM0_NAME', 'India'))# Access the solar potential raster image saved as GEE asset
solarpot = ee.Image("users/skantbksc/pvpot")# Add reducer output to the Features in the collection.
solarPotFC = solarpot.reduceRegions(
collection = india,
reducer = ee.Reducer.mean(),
);# Sort the dataframe by PV potential per unit area
solarPotdf[['ADM1_NAME','mean']].sort_values(by='mean', ascending = False)

۴- نتیجه‌گیری

خروجی PV به عوامل مختلفی بستگی دارد مانند میزان تابش خورشیدی که بر روی ماژول PV می‌افتد، زاویه شیب، دمای هوا، مقدار گرد و غبار/آئروسل‌ها در آسمان، ابرها، تمیز کردن سطح ماژول‌های PV، سایه‌های ناشی از موانع خارجی واقع در نزدیکی سیستم PV و غیره. در حالی که ترکیب دقیق تمام متغیرها در شبیه‌سازی ممکن است امکان پذیر نباشد، GSA نتایج تمرین‌های شبیه‌سازی را که از تابش خورشیدی تاریخی، دما و داده‌های هواشناسی استفاده می‌کنند، ارائه می‌دهد. GSA این نتایج را به شکل لایه‌های داده GIS فراهم می‌کند که می‌تواند به آسانی با GEE تجزیه و تحلیل شود. در یک تصویر با استفاده از داده‌های برداری برای هند از مجموعه داده فائو-GAUL، ما دیدیم که ایالت‌های غربی هند در پتانسیل نیروی خورشیدی نسبتا غنی‌تر از ایالت‌های شرقی و شمال شرقی هستند.

این متن با استفاده از ربات ترجمه مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.