精准的太阳能辐照预测对高效混合可再生能源系统(HRES)规划至关重要,尤其涉及氢能存储时。本研究提出融合CEEMDAN(完全集合经验模态分解)与FELM(功能极端学习机)的混合模型,通过分解非线性非平稳的DNI数据并构建自适应函数神经元网络,显著提升预测精度(R²达0.994,RMSE为12.53)。基于Kai Gan Qi的实地数据,结合HOMER优化器设计光伏、电解槽、燃料电池等组成的氢能微电网,验证了该框架在降低平准化电价($0.415/kWh)和净现值成本($818万)方面的有效性,为偏远地区可再生能源系统提供可扩展解决方案。
来源:Sustainable Energy Technologies and Assessments