当前世界环境

介绍

气候变化和全球变暖是巨大的化石燃料技术依赖的结果。可再生能源技术是减缓气候变化的解决办法¹不断增长的电力需求。白天太阳能的丰富可及性使其成为可靠的可再生能源。太阳能热能和太阳能光伏(PV)是两种众所周知的将太阳能转化为有用能源的技术。在太阳能热技术中，太阳的热量被用来提高空气、水或任何吸热材料的温度，而不使用中间电路。在光伏技术中，阳光通过光伏组件直接转化为电能。利用不同的光子吸收材料和不同的结构设计创造了不同类型的太阳能光伏技术，即晶体硅(C-Si)，薄膜和圆盘型太阳能光伏技术等。模块化设计、长寿命、低维护、易于安装和环保发电是光伏组件越来越受欢迎的原因。

光伏组件的性能，在广义上光伏系统是强烈依赖于太阳辐射，环境温度，电池温度和当地气候条件^{2 - 7日}。但制造商仅在标准测试条件(STC，即辐照度=1000W/m)下提供光伏组件的参数²，温度=25℃，空气质量=1.5G)。STC光伏组件的这些参数不能反映其在实际运行条件下的性能，可能导致对产量的高估。因此，正确选择光伏组件和准确预测光伏组件的能量输出完全依赖于对不同工况下光伏组件性能的可靠认识和理解。

通过估算全球辐照度，可以对光伏电站产生的平均能量进行粗略估计。吴和陈⁸建立了利用时间序列模型对太阳数据进行统计预报的方法。此后，在预测太阳辐照度方面开展了大量的研究工作^9到16。但是，对光伏电站实际发电量进行预测的文献少之又少。已有一些文献对独立光伏阵列系统的现场性能进行了估计^7日17。还有一些能效模型^{18 - 23}可以预测PV系统在不同气候条件下的平均性能。

神经网络模型是一种比较复杂的模型，它使用各种输入，如太阳辐射、环境温度和模块温度^24日,25。神经网络模型的设计是基于试错过程的，需要过去的经验才能成功实现。上面提到的大多数模型都需要详细的数据^{18 - 23}而且使用起来很复杂^24日,25。上述文献的这些局限性阻碍了系统性能的易于操作。

本文的目的是根据不同类型的光伏技术，提出一个简单而准确的光伏电站发电量估算模型。这个模型适用于印度的任何地方，选择最适合该特定地点的技术。将本文的研究结果应用到能源供应规划中，有助于实现能源生产的经济性和环保性。本研究的范围是将位置和太阳能联系起来，研究不同类型太阳能光伏电站的位置潜力。该模型的潜在实际用户为能源行业人士、能源规划师、工程师、城市规划师和关注气候变化的市民。

本文分为四个阶段进行研究。在第2节中，描述了用于研究的材料和数学方法。3.1节给出了不同技术光伏电站2014年全年实时数据的月度发电量和CUF研究。在3.2节中，给出了在NTPC (National Thermal power Corporation) Vidyut Vyapar Nigam Ltd. (NVVN)方案下运行的四个不同光伏技术的光伏电站的实时发电量对数学方法的验证。

方法开发

在这项工作中使用的方法包括三个不同的步骤。具体论述如下:(a)光伏技术选择。(b)发展数学方法来预测印度不同地区基于不同光伏技术的不同光伏发电厂的发电量。(c)收集2014年全年NVVN计划下运行的光伏电站的选址细节、发电量二次数据和产能利用率(CUF)。利用非神经网络方案下的光伏电站数据，验证了估算光伏电站发电量的数学模型。

光伏技术选择

选择合适的光伏技术是任何光伏发电项目成功的关键。在实验室规模上，有许多新的光伏技术，如有机太阳能电池、染料敏化太阳能电池等，但它们尚未用于光伏电站的商业应用。因此，考虑到来自知名制造商的单晶硅(Mono C-Si)，多晶硅(Poly C-Si)，非晶硅(a-Si)， CIGS, CdTe光伏技术，这些技术广泛用于商业光伏电站项目。所选光伏技术的规格来自其数据表。所选光伏技术的要求规格列于表1。

表1:所选光伏组件技术指标

光伏技术	制造商的名字	模型没有	PSTC)(W)	温度功率系数(%/°C)	NOCT(°C)
单晶的	赫利俄斯太阳能	太阳神太阳能9T6-420	420	0.41	45
Poly-crystalline	Conergy	pe - 300	300	0.43	47
晶硅	顺根国际有限公司	SG-HN105-GG	One hundred.	0.268	40.28
香烟	将	sto - 150	150	0.26	45.6
集团	第一太阳能公司	fs - 385	85	0．25	45

预测发电量的数学模型

光伏组件的输出取决于气象参数，主要是日照和环境温度。对不同技术的光伏组件进行了能量输出评估。数学模型表示如下:

倾斜光伏阵列上的太阳辐射

在NREL网站上，长期公布的太阳辐射和其他气象参数数据是印度不同网格点水平面上的每小时平均值。倾斜光伏阵列上的太阳辐射是光伏系统设计的主要输入参数。根据Liu和Jordan公式，使用水平表面上的小时光束和漫射辐射，可以计算给定纬度φ下倾斜PV阵列(角度β)的总辐射

我_b水平面上每小时的光束辐射。
我_b水平面上每小时的漫射辐射。
r_b, r_d和r_r分别称为波束、漫射和反射分量的转换因子。
p为地面反射系数，无积雪地面为0.2，积雪地面为0.6。

θ_我入射角是θ_z天顶角,Φ纬度角，β倾角，γ方位角，δ太阳赤纬角，ω时角。

年代_R日出时间，S_年代日落时间。
光伏阵列的日发电量是每小时发电量的总和。

倾斜表面上的等效全日照时数

一个地方入射太阳辐射强度在峰值1kw /m时保持不变的小时数²被称为完全日照的等效小时数(h_等）.When insolation on tilted unit area surface is expressed by我_T千瓦时/ m²/day，则可表示为太阳辐射1kw /m的恒定峰值²在接收面上发生的事件我_T个小时,然后h_等将等于我_T小时/天。表达式由式(7)给出。

h_等为倾斜表面上的等效全日照时数。
我_T倾斜表面的日照是kWh/m²/天。

温度校正后的PV面板输出

光伏组件的输出取决于太阳辐射和光伏组件的工作温度。相对于STC条件，PV工作温度升高，减少PV组件的能量输出。光伏组件的工作温度可以通过环境温度、给定位置光伏组件的入射太阳辐照度和特定技术的标称工作电池温度(NOCT)来计算。

P_场外为温度校正后的面板输出，P_米为STC的功率输出，T_一个为环境温度，单位为℃。

是电池的额定工作温度，我_t是辐照度(W/m²T_STC)为光伏组件在STC时的温度，单位为℃;y为光伏面板的功率温度系数，单位为%/°C。

从光伏电站产生的能量馈送到电网

E_PVP为光伏电站输出的能量，D_f粉尘系数为%，H_f湿度系数为%，W_t为线路损耗，单位为%;米_我为失配损失，单位为%;η_发票为逆变器效率，单位为%。

容量利用率

有时投资者或开发商使用产能利用率(CUF)来比较工厂的性能。CUF不考虑任何环境因素，如每年辐照度的变化或电池板的退化。一天的CUF定义为

我_P为光伏电站装机容量。

收集的印度太阳能光伏项目数据

根据贾瓦哈拉尔·尼赫鲁国家太阳能计划(JNNSM)的计划，印度已经安装了大量的太阳能光伏电站，为了实现JNNSM的目标，还将安装许多其他的太阳能光伏电站。为了成功执行JNNSM, NTPC Vidyut Vyapar Nigam Ltd (NVVN)²⁶印度国家能源署(iea)已责成该机构为印度并网太阳能发电项目的调试选择开发商制定指导方针。从项目安装人员处收集了2014年全年印度四个不同技术的现有光伏电站的位置和每月现场测量发电量数据²⁶。

结果与讨论

结果和讨论部分又分为两个部分。(1)对不同光伏技术的光伏电站进行详细的发电和CUF研究。(ii)用四个不同技术的光伏电站实际现场输出数据验证数学方法。

详细介绍了基于光伏电站的不同光伏发电技术的能量产生和CUF研究

工厂1

DDE可再生能源有限公司在拉贾斯坦邦的纳戈尔地区安装了一个并网太阳能光伏发电项目:Bhojas村，Tehsil:Khinvsar。项目活动产生的电力出口到区域电网，并根据购电协议(PPA)出售给NTPC Vidyut Vyapar Nigam Ltd. (NVVN)。

公司名称:DDE可再生能源有限公司

工厂所在地:州:拉贾斯坦邦，地区:
纳戈尔，特西尔:Khinvsar，村庄:Bhojas。

地理坐标:北纬26°58′40.52”，东经73°23′53.21”。

光伏电站规模:5兆瓦。

面板技术:多晶
硅(多C-Si)。

多晶硅(Multi C-Si)。
2014年全年光伏电站月输出电量及电站CUF见表2。

表2:月出口能源及CUF 为整个光伏电站2014年 点击这里查看表格

光伏电站向电网输出能量最大值在5月，最小值在2月，分别为787801 kWh和624431 kWh。其中，5月最大，为21.26%;7月最小，为18.02%。这两个参数的图形表示如图1所示。

图1:月度净能源图表 输出到光伏电站的电网和CUF。 点击此处查看图

全年(2014年)向电网输出电量:8451881千瓦时。

年平均CUF(%): 19.41%。

工厂2

Shree Saibaba Green Power Private Limited (SSGPPL)在马哈拉施特拉邦Latur区的Gondhri村安装了一座5MW的电网互动太阳能光伏发电厂(SPV)。

公司名称:Shree Saibaba Green Power Private Limited。

工厂位置:邦:马哈拉施特拉邦，区:拉图尔，特西尔:奥萨，村:贡德里。

光伏电站规模:5兆瓦。

面板技术:非晶硅技术。


2014年全年光伏电站月输出电量及电站CUF见表3。

表3:月出口能源和CUF 2014年全年的光伏电站 点击这里查看表格

光伏电站向电网输出能量最大值在5月，最小值在7月，分别为887300 kWh和628520 kWh。4月份最大，为24.51%;7月份最小，为17.64%。这两个参数的图形表示如图2所示。

图2:月度净能源图表 输出到光伏电站的电网和CUF。 点击此处查看图

全年(2014年)向电网输出电量:9266426千瓦时。

年平均CUF (%):21.54%

工厂3

贾瓦哈拉尔·尼赫鲁国家太阳能任务(JNNSM)旗下的亚历克斯光谱辐射私人有限公司(ASRPL)与NTPC Vidyut Vyapar Nigam有限公司(NVVN)在印度比卡内尔安装了5兆瓦的太阳能光伏发电项目。

公司名称:亚历克斯光谱辐射私人有限公司。

工厂位置:该项目拟建在拉贾斯坦邦比卡内尔区的Nokha Daiya村。

地理坐标:北纬28°08′16.51”，东经72°57′48.99”。

光伏电站规模:5兆瓦。

面板技术:碲化镉。

2014年全年光伏电站月输出电量及电站CUF见表4。

表4:月出口能源和CUF 2014年全年的光伏电站 点击这里查看表格

光伏电站向电网输出的最大电量在5月，最小电量在12月，分别为874467 kWh和585138kWh。4月份CUF值最大，为25.12%，12月份最小，为16.13%。这两个参数的图形表示如图3所示。

图3:月度净能源图表 输出到光伏电站的电网和CUF。 点击此处查看图

全年(2014年)向电网输出电量:9085599千瓦时。

年平均CUF(%):21.43%。

工厂4

Saisudhir能源有限公司(SSEL)在安得拉邦Anantapur区的T. Veerapuram村开发了一个5MW的太阳能光伏发电厂(SPV)。拟建的光伏电站38,400个，功率为145w_p光伏组件的装机容量为5兆瓦_p权力。

公司名称:Saisudhir Energy Limited (SSEL)

工厂位置:州:安得拉邦，地区:Anantapur, Taluk: Raydurg，村庄:T。Veerapuram。

地理坐标:纬度:14Ú45’41.97”N，经度:76Ú57’03.86”E。

光伏电站规模:5兆瓦。

面板技术:CIS薄膜。

2014年全年光伏电站月输出电量及电站CUF见表5。

表5:月出口能源和CUF 2014年全年的光伏电站 点击这里查看表格

光伏电站向电网输出的最大和最小能量分别在3月和7月，分别为859200 kWh和597000 kWh。其中，5月份最大，为24.06%;7月份最小，为16.77%。这两个参数的图形表示如图4所示。

图4:月度净能源图表 输出到光伏电站的电网和CUF。 点击此处查看图

全年(2014年)向电网输出电量:8976600千瓦时。

年平均CUF(%):21.44%。

数学方法的验证

在选定的4个光伏电站中，电站1基于Multi C-Si，电站2基于a-Si，电站3基于CdTe技术，电站4基于CIS技术。为了验证数学方法的正确性，将光伏电站的实际输出与预测值进行了比较。4个不同的光伏电站容量不同，因此光伏电站输出能量归一化为1MW电站。验证表如表6所示。

表6:数学模型验证表

工厂没有。	技术	实际发电量千瓦时/兆瓦	预测发电量千瓦时/兆瓦	实际CUF (%)	预计CUF (%)
工厂1	多同单晶硅	1690376.2	1602413 - 1943816	19.41	18.29 - 22.19
工厂2	晶硅	1853285.2	1732199 - 2101254	21.54	19.77 - -23.99
工厂3	集团	1817119.8	1718729 - 2084914	21.43	19.62 - 23.80
工厂4	独联体	1795320	1710256 - 2074636	21.44	19.52 - 23.68

由表6可知，所选光伏电站的实际发电量和CUF均在数学模型计算的预测值范围内。因此，该数学模型与光伏电站的实际现场输出和CUF具有较好的相关性。

结论

本文基于不同的光伏技术，采用数学方法对光伏电站进行技术可行性研究。通过收集4个不同技术的光伏电站的实际现场输出数据，对所提出的数学方法进行了验证。本文的研究发现如下:

Multi C-Si的预测发电量和CUF分别为1602413 ~ 1943816 kWh/MW和18.29 ~ 22.19%，而相同参数的实际现场条件值分别为2 ~ 1955562kwh /MW和19.41 ~ 22.19%。因此，实际油田产量在预测范围内。

a-Si的实际现场发电量和CUF分别为1853285.2 kWh/MW和21.54%。这些值也在预测范围内。

CdTe光伏电站实际发电量为1807359 ~ 2024909.2 kwh /MW, CUF为20.82 ~ 23.80%，均在预测范围内。

CIS光伏电站年向电网输出1795320-1864970千瓦时/兆瓦，在预测范围内。

因此，技术可行性研究的数学方法与光伏电站现场实际输出具有较好的相关性。这种数学方法更简单，需要的输入数据更少。如果更多的基于a-Si, CdTe和CIGS的光伏电站数据可以与预测数据进行比较，那么这种验证将更加可信。由于无法获得更多实际数据，并且光伏电站尚未安装在印度的所有气候带，因此目前不可能在所有气候带进行进一步验证。尽管该部有在印度各地安装光伏电站的未来计划。这样就有可能对数学方法进行更好的验证。

参考文献

1. 李建军，李建军，李建军，杨建军，中国能源与环境研究进展，能源工程学报，31(12)，1226-1236,2007。
   CrossRef
2. 张建军，张建军，张建军，张建军。太阳能光伏技术在绿色校园中的应用研究，能源科学与工程，33(3)，366 - 366,2015。
   CrossRef
3. 李建军，李建军，李建军，李建军，太阳能光伏电站区位选择的研究进展，太阳能学报，34(4)，2014。
4. Huld, T.， SÌŒúri, M.和Dunlop, E.，欧洲晶体硅光伏组件转换效率的地理差异，Prog。光伏:Res. apple。生态学报，16(7)，595- 607,2008。
5. 李建军，李建军，李建军，李建军，太阳能/柴油/电池混合动力系统的建模与仿真，能源工程学报，32(5)，832-844,2007。
   CrossRef
6. Durisch, W.， Tille, D.， Wörz, A.， Plapp, W.，光伏发电机的特性，应用能源，65(1-4)，273- 284,2000。
   CrossRef
7. 李建军，李建军，李建军，李建军，李建军，一种新型光伏发电系统的性能评价方法，能源工程，32(8)，1288- 1300,2007。
   CrossRef
8. 吴涛，陈坤。太阳辐射数据的随机建模与预测，太阳能学报，19(6)，755-757,1977。
   CrossRef
9. 张建军，张建军，张建军，基于人工智能的太阳辐射预测方法，中国科学:地球科学进展，21(2)，369 - 378,2000。
   CrossRef
10. 张晓明，张晓明，张晓明。基于神经网络多层感知器的逐小时辐射合成序列研究，太阳能学报，32(5)，441-446,2002。
11. 曹生、曹军，基于小波分析的递推神经网络预测太阳辐照度，应用热力工程，25(2)，161-172,2005。
12. 李建军，李建军，李建军。基于自适应小波网络的太阳总辐射预测模型，地球物理学报，33(7)，344 - 344,2006。
13. 杨建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军，陈建军。
14. HocaoÄŸlu, F.， Gerek， Ö。张建军，张建军，张建军。基于神经网络的太阳辐射预测方法研究，地球科学进展，28(8)，714-726,2008。
15. 李建军，李建军，李建军，太阳辐射的高分辨率预测:时间序列预测的比较，太阳能学报，33(3)，342-349,2009。
16. 杨建军，刘建军，刘建军，张建军，张建军。基于实时能量模型的小型并网光伏系统，能源工程，35(10)，4086-4091,2010。
    CrossRef
17. 周伟，杨辉，方志，一种新型的光伏阵列性能预测模型，应用能源，84(12)，1187-1198,2007。
    CrossRef
18. 杨建军，李建军，李建军，杨建军。太阳能光伏发电系统的研究进展，能源工程学报，22(1)，368 - 368,2001。
    CrossRef
19. 李建军，杨建军，杨建军，一种预测光伏系统长期平均性能的方法，可再生能源，21(2)，207-229,2000。
    CrossRef
20. 张志强，《光伏阵列输出预测的简化方法》，太阳能学报，27(6)，555- 560,1981。
    CrossRef
21. 陈晓明，陈晓明，陈晓明，陈晓明。光伏阵列性能模型的改进与验证，太阳能学报，30(1)，379 - 388,2006。
    CrossRef
22. 张涛，张海燕，单轴跟踪系统中光伏组件输出能量的研究，应用能源，36(10)，2071-2078,2009。
    CrossRef
23. 张建军，张建军，张建军。基于四参数和五参数模型的单晶光伏组件工作电流建模与实验验证，应用能源，84(1)，1-15,2007。
    CrossRef
24. 张建军，张建军，张建军，基于人工神经网络的太阳能光伏电站发电预测模型，能源工程学报，21(1/2)，119-125,2004。
    CrossRef
25. 张建军，张建军，李建军，基于局部进化神经网络的并网光伏发电系统输出预测，电力系统工程学报，39(4)，2009。
26. Nvvn.co。我n, (2015). NVVN Ltd. [online] Available at: http://nvvn.co.in/ [Accessed 1 Oct. 2015].