CN107482992B - 一种考虑经济因素的电站级光伏倾角优化方法 - Google Patents
一种考虑经济因素的电站级光伏倾角优化方法 Download PDFInfo
- Publication number
- CN107482992B CN107482992B CN201710946718.3A CN201710946718A CN107482992B CN 107482992 B CN107482992 B CN 107482992B CN 201710946718 A CN201710946718 A CN 201710946718A CN 107482992 B CN107482992 B CN 107482992B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- inv
- photovoltaic plant
- plant
- array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000012938 design process Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 241000196324 Embryophyta Species 0.000 description 79
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241001442234 Cosa Species 0.000 description 2
- 241000375392 Tana Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本发明公开了一种考虑经济因素的电站级光伏倾角优化方法,包括以下几个步骤:1)确定光伏电站基本信息参数;2)明确光伏电站的建设规模,建立光伏电站产能模型;3)建立光伏电站的经济模型;4)基于步骤2)的光伏电站产能模型和步骤3)的经济模型,计算单位成本电价LCOE;5)采用遗传算法,以单位成本电价最低为优化目标,对光伏电站的优化模型进行求解,得到单位成本电价最低时光伏阵列的倾角即为最佳倾角。本发明使得全年每天中绝大部分日照时段光伏板无阴影遮挡,提高了光伏发电系统所带来的经济效益。
Description
技术领域
本发明属于新能源发电规划的技术领域,充分考虑光伏电站的经济性因素,研究了电站级光伏倾角优化问题,提出一种考虑经济因素的电站级光伏倾角优化方法。
背景技术
当今世界,随着人们节约能源和保护环境的意识的提高,新能源发电逐渐成为研究热点。光伏发电以其洁净性和太阳能资源的丰富性等优势在国内外的电力供应中占据了重要的地位。光伏发电系统规划设计时,若光伏电池上出现阴影,可能导致电池特性变坏,能量输出能力降低,甚至形成热岛效应,损坏光伏电池。因此,光伏阵列的倾角设定关系到能否保证全年每天中绝大部分日照时段光伏板无阴影遮挡,对光伏发电系统的发电能力影响重大。
目前,国内只有少部分地区的最佳倾角得到了研究,同时由于研究方法、原始辐射数据等差异,不同学者对同一地区优化的最佳倾角不同。在实际工程应用中,国内太阳能工作者往往根据经验来确定光伏板的倾角,这样的做法显然不太合适,直接影响了光伏发电系统所带来的经济效益。考虑经济因素的情况下,对于目标函数的求解,传统的方法,如遍历的方法,在相对复杂的数学模型下,寻找最优解的速度比较慢。
发明内容
发明目的:本发明为使全年每天中绝大部分日照时段光伏板无阴影遮挡、提高光伏发电系统所带来的经济效益,提出了一种考虑经济因素的电站级光伏倾角优化方法,能够广泛适用于不同地区和不同型号的光伏电池。
本发明的考虑经济因素的电站级光伏倾角优化方法,包括以下几个步骤:
1)确定光伏电站基本信息参数;
2)明确光伏电站的建设规模,建立光伏电站产能模型;
3)建立光伏电站的经济模型;
4)基于步骤2)的光伏电站产能模型和步骤3)的经济模型,计算单位成本电价LCOE;
5)采用遗传算法,以单位成本电价最低为优化目标,对光伏电站的优化模型进行求解,得到单位成本电价最低时光伏阵列的倾角即为最佳倾角。
步骤1)中,所述光伏电站基本信息参数包括光伏电池、逆变器、变压器、导线、光伏电站生命周期、通货膨胀率和贴现率。
步骤2)中,明确光伏电站的建设规模时,根据设计的光伏电站的容量和选用的逆变器的功率参数来确定光伏阵列的数目。
步骤2)中,建立光伏电站的产能模型的过程如下:
a)前后排光伏阵列的最小间距的设置
在安装光伏方阵时,各光伏阵列之间应留有间距,避免前排阵列的阴影遮挡后排阵列;假设前后排光伏阵列的最小间距为D,其计算公式如下:
H=l sinβ
S=H/tana
D′=S·cosγ
D=D′+l cosβ
式中,H是光伏方阵或遮挡物的高度差;S为入射光线地面上的投影在前后排阵列之间的长度;D'为光伏方阵或遮挡物阴影的长度;D为前后排光伏阵列的最小间距;l是光伏电池倾斜面的长度;β、α和γ分别是光伏阵列倾角、太阳高度角和太阳方位角;γ由下式得:
γ=arcsin(cosδsinω/cosa)
式中,δ是赤纬角;ω是时角;为了确定前后排光伏阵列的间距,首先计算冬至日15点的太阳高度角和太阳方位角,15点的时角ω为45°,冬至日的赤纬角δ为-23°27′,则前后排光伏阵列的最小间距D计算公式为:
式中,是指纬度;将光伏阵列的方位角设定为正南方向;
b)光伏阵列中光伏电池数量范围的确定
在光伏场地之中,每一块光伏阵列连接一个DC/AC逆变器;每一个光伏阵列有N2列光伏电池;每一列又由N1行光伏电池串联而成,其中N1≥1,且满足以下关系:
其中,N1min和N1max分别是每一列中能够串联的光伏电池最小数量与最大数量;Voc,max指的是单个光伏电池最大开路电压;VDC,max是光伏逆变器最大允许直流输入电压等级;VDC,min是光伏逆变器最小允许直流输入电压等级;
c)每个光伏电池在t时刻实际输出功率的计算
每个光伏电池在y年,d天,t时刻实际的输出功率Ppv(y,d,t,β)是通过如下等式计算所得:
Ppv(y,d,t,β)=η(y)·Pout(y,d,t,β)
其中,1≤y≤n,1≤d≤365,1≤t≤24,0°≤β≤90°;n是指光伏电站的生命周期;η(y)指的是第y年光伏电站的实际运行效率,其通过下式得到:
η(y)=0.8775×(1-0.7%×(y-1))×100%;
Pout(y,d,t,β)是指单个光伏电池在y年,d天,t时刻的理想输出功率,由下式得到:
Pout(y,d,t,β)=VOC(y,d,t)ISC(y,d,t,β)FF(y,d,t,β)
式中,VOC是开路电压;ISC是光伏电池短路电流;FF是填充因数;
开路电压由下式计算得到:
VOC=VOC(T1)×[1-σ(T-T1)]
式中,VOC是在环境温度为T时的开路电压;VOC(T1)为在参考温度T1时的开路电压;T为当前环境温度;σ为参考电压下光伏电池开路电压温度系数;
VOC(T1)表示为:
其中,r为二极管的理想因数;k是波尔兹曼常数;T为环境温度,需要转换成绝对温度;q为电子的电荷量;ISC是光伏电池短路电流;I0是温度函数;
ISC表示为:
ISC=ISC(T1)×[1+λ(T-T1)]
式中,ISC是在环境温度为T时的光伏电池短路电流;ISC(T1)为在参考温度T1时的光伏电池短路电流;T为当前环境温度,λ为参考日照下的光伏电池短路电流温度系数;
d)每个DC/AC逆变器输出功率的计算
在光伏场地之中,每一块光伏阵列连接有一个DC/AC逆变器,在每一时刻,其功率输出Po(inv)计算方法如下:
当Pin(inv)≤Pinv,na时,Po(inv)=ηinv·Pin(inv);否则Po(inv)=ηinv·Pinv,na;
当Pin(inv)<Pinv,sc时,Po(inv)=0;
其中,Pinv,na是由DC/AC逆变器制造商所提供的光伏逆变器最大允许运行功率等级;Pinv,sc是由DC/AC逆变器制造商所提供的每一个光伏逆变器在能量传输过程中能量损耗;Pin(inv)是指输入逆变器的功率;Po(inv)是指逆变器的输出功率;ηinv为逆变器转换效率;
e)光伏电站总产能的计算
由上可知,光伏电站总功率输出之和为光伏电站在任意一时刻的瞬时输出功率之和;设定地区典型年的光照、温度作为光伏电站产能模型的输入参数;在整个光伏电站生命周期之中,光伏电站的产能为:
式中,Etot指在整个光伏电站生命周期之中光伏电站的总产能;Po(y,d,t,β)是单个光伏阵列所连接的逆变器在y年,d天,t时刻的输出功率;Nnum表示的是光伏电站内光伏阵列数目。
步骤3)中,光伏电站的经济模型建立过程如下:
a)总资金投入Cc(X)的计算
其中,X=[N1,N2,β]是光伏电站的设计过程决策变量;N2是每一个光伏阵列光伏电池的列数;N1是每一列光伏电池的行数;β是光伏阵列倾角;BOS是光伏电站建设中由于平衡系统组件的资金增加系数;Nnum表示的是光伏电站内光伏阵列数目;PM,STC是标准测试下的光伏电池功率输出;RPV是指光伏电池剩余价值系数;CPV指单位容量光伏电池的价格;CINV指每个光伏阵列相应容量DC/AC逆变器的价格;Ci/t是指连接变压器的价格;Cc,dc是指直流电缆的资金投入;Cc,ac是指交流电缆的资金投入;在光伏电站生命周期结束之时,光伏电池折旧公式为:
RPV=1/n×100
式中,n为光伏电站的生命周期;
b)总维修花费的现值Cm的计算
总的维修花费的现值Cm,在整个光伏电站的生命周期中的计算公式是:
其中,MPV和MINV分别是指单位容量的光伏电池和DC/AC逆变器的年维护费用;g是年通货膨胀率;di是当前时刻年贴现率;RTC是DC/AC逆变器维修费用的现值;RTC的数值是由制造商所给出的DC/AC逆变器的平均故障时间计算所得;置换费用的现值计算公式为:
式中,CINV指每个光伏阵列相应容量DC/AC逆变器的价格;year表示逆变器的置换年限;bs=1,2,3,……;j代表第j年置换逆变器;
c)整个生命周期中光伏电站现值Cz的计算
Cz(X)=Cc(X)+Cm(X)。
步骤4)中,计算单位成本电价LCOE的公式如下:
其中,Etot(X)是整个光伏电站生命周期中的发电量,Cz(X)是整个生命周期中光伏电站现值。
步骤5)中,通过优化单位成本电价从而得到光伏阵列的最佳倾角的;待优化的模型的目标函数是:
即最小化单位成本电价,采用遗传算法进行优化;X=[N1,N2,β]是光伏电站的设计过程决策变量,也是遗传算法的约束;遗传算法通过不断地更新决策变量从而达到优化单位成本电价的目的,直到LCOE最小时,停止运行;此时,向量X中的决策变量是最优的,这时倾角β即为光伏阵列最佳倾角。
有益效果:
1)本发明充分考虑光伏电站的经济性因素,研究了电站级光伏倾角优化问题;
2)本发明提出的方法能够广泛适用于不同地区和不同型号的光伏电池;
3)遗传算法可以相对简洁的求解出全局优化结果,这种方法经常被用于解决复杂问题和非线性函数或者非线性条件,可以满足考虑经济因素的电站级光伏倾角优化的需要;
4)为国内光伏发电规划相关技术的研究做合理的引导。
附图说明
图1为光伏电站系统框图;
图2为单个光伏电池的数学模型示意图;
图3为光伏电站优化模型流程图;
图4为具体实施例中遗传算法求取最优解的变化情况图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明的一种考虑经济因素的电站级光伏倾角优化方法,包括如下步骤:
1)确定光伏电站设计的相关基础参数;
2)明确光伏电站的建设规模,建立电站的产能模型;
3)建立光伏电站的经济模型;
4)基于产能模型和经济模型,计算单位成本电价(LCOE);
5)采用遗传算法,实现对于光伏电站以单位成本电价最低为优化目标的优化模型的计算,并得到单位成本电价最低时光伏阵列的最佳倾角。
步骤1)中,光伏电站设计的相关基础参数包括6方面:光伏电池、逆变器、变压器、导线、光伏电站生命周期、通货膨胀率和贴现率。
步骤2)中,明确光伏电站的建设规模时根据设计的光伏电站的容量和选用的逆变器的功率参数来确定光伏阵列的数目。
步骤2)中,建立光伏电站的产能模型的过程如下:
a)前后排光伏阵列的最小间距的设置
在给定的区域安装光伏方阵时,各光伏阵列之间应留有足够的间距,避免前排阵列的阴影遮挡后排阵列。众所周知,对于北半球的光伏电站,方阵阴影最长极限值出现在冬至日。因此,一般确定间距原则是:冬至日当天9:00到15:00时,光伏方阵不应被遮挡。
假设前后排光伏阵列的最小间距为D,其计算公式如下:
H=l sinβ
S=H/tana
D′=S·cosγ
D=D′+l cosβ
式中,H是光伏方阵或遮挡物的高度差;S为入射光线地面上的投影在前后排阵列之间的长度;D'为光伏方阵或遮挡物阴影的长度;D为前后排光伏阵列的最小间距;l是光伏电池倾斜面的长度;β、α和γ分别是光伏阵列倾角、太阳高度角和太阳方位角;γ由下式得:
γ=arcsin(cosδsinω/cosa)
式中,δ是赤纬角;ω是时角;α是太阳高度角;为了确定前后排光伏阵列的间距,首先计算冬至日15点的太阳高度角和太阳方位角,15点的时角ω为45°,冬至日的赤纬角δ为-23°27′,则前后排光伏阵列的最小间距D计算公式为:
式中,是指纬度。
另外,本发明中为简化需要,将光伏阵列的方位角设定为正南方向。
b)光伏阵列中光伏电池数量范围的确定
在实际的光伏场地之中,每一块光伏阵列连接一个DC/AC逆变器,如图1所示。每一个光伏阵列有N2列光伏电池(N2≥1);每一列又由N1行光伏电池串联而成(N1≥1),N1同时满足以下关系:
其中,N1min和N1max分别是每一列中能够串联的光伏电池最小数量与最大数量;Voc,max指的是单个光伏电池最大开路电压;VDC,max是光伏逆变器最大允许直流输入电压等级;VDC,min是光伏逆变器最小允许直流输入电压等级;
c)每个光伏电池在t时刻实际输出功率的计算
每个光伏电池在y年,d天,t时刻实际的输出功率Ppv(y,d,t,β)是通过如下等式计算所得:
Ppv(y,d,t,β)=η(y)·Pout(y,d,t,β)
其中,1≤y≤n,1≤d≤365,1≤t≤24,0°≤β≤90°;n是指光伏电站的生命周期;η(y)指的是第y年光伏电站的实际运行效率,而其效率因子需要计及光伏电池输出损耗,逆变器转换效率,光伏电站设备老化所造成的折损等方面的影响。根据实际的调研分析可知:逆变器效率损失3-5%、电流适配损失2-3%、电池面污秽5-15%。而根据光伏组件生产商承诺,光伏组件的产能可以保证在购买后10年内太阳能电池的输出功率不低于90%,20年内不低于80%。因此,选取一般情况作为分析,即逆变器效率损失为4%,电流适配损失为2.5%,电池面污秽损失为10%,光伏组件由于设备老化所导致的年折损率为0.7%。因此有:
η(y)=0.8775×(1-0.7%×(y-1))×100%
Pout(y,d,t,β)是指单个光伏电池在y年,d天,t时刻的理想输出功率,由下式得到:
Pout(y,d,t,β)=VOC(y,d,t)ISC(y,d,t,β)FF(y,d,t,β)
式中,VOC是开路电压;ISC是光伏电池短路电流;FF是填充因数;
单个光伏电池的数学模型示意图如图2所示,其输出电压一般为0.5~0.6V,否则图中所示的二极管就会饱和导通;一般情况下,串联电阻RS的数值为7.7~15.3mΩ,并联电阻RSH为200~300Ω;
开路电压可由下式计算得到:
VOC=VOC(T1)×[1-σ(T-T1)]
式中,VOC是在环境温度为T时的开路电压;VOC(T1)为在参考温度T1时的开路电压;T1通常取作25℃;T为当前环境温度;σ为参考电压下光伏电池开路电压温度系数,对单晶硅光伏电池典型值为5mV/℃;
VOC(T1)可以表示为:
其中,r为二极管的理想因数,数值为1~2,在大电流时靠近1,小电流时靠近2,通常取作1.3左右;k是波尔兹曼常数,取值一般为1.38×10-23J/K;T为环境温度(℃),需要转换成绝对温度(+273.15K);q为电子的电荷量,取值一般为1.6×10-19C;ISC是光伏电池短路电流;I0是温度的复杂函数;
一般地,ISC可表示为:
ISC=ISC(T1)×[1+λ(T-T1)]
式中,ISC是在环境温度为T时的光伏电池短路电流;ISC(T1)为在参考温度T1时的光伏电池短路电流;T1通常取作25℃;T为当前环境温度,λ为参考日照下的光伏电池短路电流温度系数;
d)每个DC/AC逆变器输出功率的计算
在实际的光伏场地之中,每一块光伏阵列连接有一个DC/AC逆变器,在每一时刻,其功率输出Po(inv)计算方法如下:
当Pin(inv)≤Pinv,na时,Po(inv)=ηinv·Pin(inv);否则Po(inv)=ηinv·Pinv,na;
当Pin(inv)<Pinv,sc时,Po(inv)=0;
其中,Pinv,na是由DC/AC逆变器制造商所提供的光伏逆变器最大允许运行功率等级,它是安装场地的高度和周围温度的函数;Pinv,sc同样是由光伏逆变器制造商所提供的每一个光伏逆变器在能量传输过程中能量损耗;Pin(inv)是指输入逆变器的功率;Po(inv)是指逆变器的输出功率;ηinv为逆变器转换效率;
e)光伏电站总产能的计算
由上可知,光伏电站总功率输出之和为光伏电站在某一时刻的瞬时输出功率之和;设定地区典型年的光照、温度等条件作为光伏电站产能模型的输入参数;在整个光伏电站生命周期之中,光伏电站的产能为:
式中,Etot指在整个光伏电站生命周期之中光伏电站的总产能;n是指光伏电站的生命周期;Po(y,d,t,β)是单个光伏阵列所连接的逆变器在y年,d天,t时刻的输出功率;Δt取为1小时;Nnum表示的是光伏电站内光伏阵列数目。
步骤3)中,光伏电站的经济模型建立过程如下:
a)总资金投入Cc(X)的计算
其中,X=[N1,N2,β]是光伏电站的设计过程决策变量;N2是每一个光伏阵列光伏电池的列数;N1是每一列光伏电池的行数;β是光伏阵列倾角;BOS是光伏电站建设中由于平衡系统组件(比如开关柜接线盒、土地准备资金、系统设计、建设管理、项目工程以及生命周期最后的拆除费用等等)的资金增加系数,数值大约为49.21;Nnum表示的是光伏电站内光伏阵列数目;PM,STC是标准测试下的光伏电池功率输出;RPV是指光伏电池剩余价值系数;CPV指单位容量光伏电池的价格;CINV指光伏阵列每个子区域内相应容量DC/AC逆变器的价格;Ci/t是指连接变压器的价;Cc,dc是指直流电缆的资金投入;Cc,ac是指交流电缆的资金投入;在光伏电站生命周期结束之时,光伏电池还具有一定的价值,其折旧公式为:
RPV=1/n×100
式中,n为光伏电站的生命周期;
b)总维修花费的现值Cm的计算
总的维修花费的现值Cm,在整个光伏电站的生命周期中的计算公式是:
其中,MPV和MINV分别是指单位容量的光伏电池和DC/AC逆变器的年维护费用;g是年通货膨胀率,di是当前时刻年贴现率,RTC是DC/AC逆变器维修费用的现值;RTC的数值是由制造商所给出的DC/AC逆变器的平均故障时间(MTBF)计算所得;置换费用的现值计算公式为:
式中,CINV指光伏阵列每个子区域内相应容量DC/AC逆变器的价格;year表示逆变器的置换年限;bs=1,2,3,……;j代表第j年置换逆变器;
c)整个生命周期中光伏电站现值Cz的计算
Cz(X)=Cc(X)+Cm(X)
步骤4)中,计算单位成本电价LCOE的公式如下:
其中,Etot(X)是整个光伏电站生命周期中的发电量,Cz(X)是整个生命周期中光伏电站现值。
步骤5)中,主要通过优化单位成本电价从而得到光伏阵列的最佳倾角的。待优化的模型的目标函数是:
即最小化单位成本电价,主要采用遗传算法进行优化;X=[N1,N2,β]是光伏电站的设计过程决策变量,也是遗传算法重要的约束;遗传算法通过不断地更新决策变量从而达到优化单位成本电价的目的,直到LCOE最小时,停止运行。此时,向量X中的决策变量便是最优的,这时的倾角β即为光伏阵列最佳倾角。
下面结合具体实施例,详细说明本发明一种考虑经济因素的电站级光伏倾角优化方法的具体实施过程。选取上海为研究对象,计算安装在上海的光伏阵列的最佳倾角的处理过程具体如下:
1)确定光伏电站设计的相关基础参数,通过使用基于MATLAB平台开发所编写的遗传算法函数可以计算出所提出的光伏电站目标函数的最优解。其中涉及到有关光伏电站基本信息参数和光伏电站的设备价格参数如下表1和表2所示。
表1光伏电站基本信息参数
表2光伏电站设备价格参数
如上所示,光伏电站的技术和经济参数分别总结在表1、表2之中。除此之外,取光伏电站生命周期n=25年,通货膨胀率g=3%,贴现率di=5%。
2)明确光伏电站的建设规模,建立电站的产能模型。根据设计的光伏电站的容量和选用的逆变器的功率参数将光伏场地划分成为若干的小的光伏阵列,每一个光伏阵列连接有一台逆变器,再通过连接变压器将功率输送到电网侧,如图1。由表1知,所建设的光伏电站为10MW光伏电站,在选用表1中所示的型号为Xantre 250KW 3相480VAC的逆变器时,将整个光伏电站建设区域按照光伏电站场地长的方向上等间距分为41个子区域,用以建设41个光伏阵列。每个部分配有一台250kW的逆变器以及一台0.4kV/10kV的升压变压器,每个阵列由若干个型号为Kyocera KD215GX-LFBS 215W的光伏电池组成。
在每一个光伏阵列之中,需要考虑光伏阵列的排布以及倾角的设置情况。所需考虑的决策变量X主要有三个部分,即光伏阵列的串联光伏电池行数N1、并联光伏电池列数N2、光伏阵列的倾角β。安装光伏阵列串联光伏电池的数目必须满足逆变器输入工作电压条件,如式(1)所示:
VDC,min≤N1·Voc,max≤VDC,max (1)
另外,场地中所安装的光伏阵列应该使得光伏电站的容量约为10MW。
3)建立光伏电站的经济模型,整个生命周期中光伏电站现值Cz为:
Cz(X)=Cc(X)+Cm(X) (2)
其中,
4)计算单位成本电价LCOE的公式如下:
其中,Etot(X)是整个光伏电站生命周期中的发电量;Cz(X)是整个生命周期中光伏电站现值。
5)主要通过遗传算法优化单位成本电价从而得到光伏阵列的最佳倾角。待优化的模型的目标函数是:
本发明中的模型属于三维非线性连续与离散变量混合优化问题,按照图3所示流程图步骤,调用遗传算法工具包的函数通过惩罚函数方式对该问题进行求解。选择种群个体数目为50,最大遗传代数为50代,代沟为0.9,重组概率为0.7,变异概率采用变异函数默认概率。运行程序,可以得到种群经过50代迭代后解的变化情况如图4所示。从图中可以发现,从第一代开始所优化的单位成本电价的数值就相对较小为$0.1666/kWh,随着遗传算法迭代代数的增加,在8代以后单位成本电价的数值相对较为稳定,此时最优解为在光伏阵列中串联光伏电池的数目为21块、并联光伏电池数目为58块、光伏电池的最佳倾角为23.96°,即X=[21,58,23.96°]此时,光伏阵列排与排之间的距离是1.695m,光伏电站单位成本电价较低为0.1596$/kWh。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种考虑经济因素的电站级光伏倾角优化方法,其特征在于:包括以下步骤:
1)确定光伏电站基本信息参数;
2)明确光伏电站的建设规模,建立光伏电站产能模型;
3)建立光伏电站的经济模型;
4)基于步骤2)的光伏电站产能模型和步骤3)的经济模型,计算单位成本电价LCOE;
5)采用遗传算法,以单位成本电价最低为优化目标,对光伏电站的优化模型进行求解,得到单位成本电价最低时光伏阵列的倾角即为最佳倾角;
步骤2)中,建立光伏电站的产能模型的过程如下:
a)前后排光伏阵列的最小间距的设置
在安装光伏方阵时,各光伏阵列之间应留有间距,避免前排光伏阵列的阴影遮挡后排光伏阵列;假设前后排光伏阵列的最小间距为D,其计算公式如下:
H=lsinβ
S=H/tanα
D′=S·cosγ
D=D′+lcosβ
式中,H是光伏方阵或遮挡物的高度差;S为入射光线地面上的投影在前后排光伏阵列之间的长度;D'为光伏方阵或遮挡物阴影的长度;l是光伏电池倾斜面的长度;β、α和γ分别是光伏阵列倾角、太阳高度角和太阳方位角;γ由下式得:
γ=arcsin(cosδsinω/cosα)
式中,δ是赤纬角;ω是时角;为了确定前后排光伏阵列的间距,首先计算冬至日15点的太阳高度角和太阳方位角,15点的时角ω为45°,冬至日的赤纬角δ为-23°27′,则前后排光伏阵列的最小间距D计算公式为:
式中,是指纬度;将光伏阵列的方位角设定为正南方向;
b)光伏阵列中光伏电池数量范围的确定
在光伏场地之中,每一块光伏阵列连接一个DC/AC逆变器;每一个光伏阵列有N2列光伏电池;每一列又由N1行光伏电池串联而成,其中N1≥1,且满足以下关系:
其中,N1min和N1max分别是每一列中能够串联的光伏电池最小数量与最大数量;Voc,max指的是单个光伏电池最大开路电压;VDC,max是光伏逆变器最大允许直流输入电压等级;VDC,min是光伏逆变器最小允许直流输入电压等级;
c)每个光伏电池在t时刻实际输出功率的计算
每个光伏电池在y年,d天,t时刻实际的输出功率Ppv(y,d,t,β)是通过如下等式计算所得:
Ppv(y,d,t,β)=η(y)·Pout(y,d,t,β)
其中,1≤y≤n,1≤d≤365,1≤t≤24,0°≤β≤90°;n是指光伏电站的生命周期;η(y)指的是第y年光伏电站的实际运行效率,其通过下式得到:
η(y)=0.8775×(1-0.7%×(y-1))×100%;
Pout(y,d,t,β)是指单个光伏电池在y年,d天,t时刻的理想输出功率,由下式得到:
Pout(y,d,t,β)=VOC(y,d,t)ISC(y,d,t,β)FF(y,d,t,β)
式中,VOC是开路电压;ISC是光伏电池短路电流;FF是填充因数;
开路电压由下式计算得到:
VOC(T)=VOC(T1)×[1-σ(T-T1)]
式中,VOC(T)是在环境温度为T时的开路电压;VOC(T1)为在参考温度T1时的开路电压;T为当前环境温度;σ为参考电压下光伏电池开路电压温度系数;
VOC(T1)表示为:
其中,r为二极管的理想因数;k是波尔兹曼常数;T为环境温度,需要转换成绝对温度;q为电子的电荷量;ISC是光伏电池短路电流;I0是温度函数;
ISC表示为:
ISC(T)=ISC(T1)×[1-λ(T-T1)]
式中,ISC(T)是在环境温度为T时的光伏电池短路电流;ISC(T1)为在参考温度T1时的光伏电池短路电流;T为当前环境温度,λ为参考日照下的光伏电池短路电流温度系数;
d)每个DC/AC逆变器输出功率的计算
在光伏场地之中,每一块光伏阵列连接有一个DC/AC逆变器,在每一时刻,其功率输出Po(inv)计算方法如下:
当Pin(inv)≤Pinv,na时,Po(inv)=ηinv·Pin(inv);否则Po(inv)=ηinv·Pinv,na;
当Pin(inv)<Pinv,sc时,Po(inv)=0;
其中,Pinv,na是由DC/AC逆变器制造商所提供的光伏逆变器最大允许运行功率等级;Pinv,sc是由DC/AC逆变器制造商所提供的每一个光伏逆变器在能量传输过程中能量损耗;Pin(inv)是指输入逆变器的功率;Po(inv)是指逆变器的输出功率;ηinv为逆变器转换效率;
e)光伏电站总产能的计算
由上可知,光伏电站总功率输出之和为光伏电站在任意一时刻的瞬时输出功率之和;设定地区典型年的光照、温度作为光伏电站产能模型的输入参数;在整个光伏电站生命周期之中,光伏电站的产能为:
式中,Etot指在整个光伏电站生命周期之中光伏电站的总产能;Po(y,d,t,β)是单个光伏阵列所连接的逆变器在y年,d天,t时刻的输出功率;Nnum表示的是光伏电站内光伏阵列数目;Δt表示计算单个光伏逆变器两相邻时刻功率输出的时间间隔,在此产能模型中为1小时。
2.根据权利要求1所述的考虑经济因素的电站级光伏倾角优化方法,其特征在于:步骤1)中,所述光伏电站基本信息参数包括光伏电池、逆变器、变压器、导线、光伏电站生命周期、通货膨胀率和贴现率。
3.根据权利要求1所述的考虑经济因素的电站级光伏倾角优化方法,其特征在于:步骤2)中,明确光伏电站的建设规模时,根据设计的光伏电站的容量和选用的逆变器的功率参数来确定光伏阵列的数目。
4.根据权利要求1所述的考虑经济因素的电站级光伏倾角优化方法,其特征在于:步骤3)中,光伏电站的经济模型建立过程如下:
a)总资金投入Cc(X)的计算
其中,X=[N1,N2,β]是光伏电站的设计过程决策变量;N2是每一个光伏阵列光伏电池的列数;N1是每一列光伏电池的行数;β是光伏阵列倾角;BOS是光伏电站建设中由于平衡系统组件的资金增加系数;Nnum表示的是光伏电站内光伏阵列数目;PM,STC是标准测试下的光伏电池功率输出;RPV是指光伏电池剩余价值系数;CPV指单位容量光伏电池的价格;CINV指每个光伏阵列相应容量DC/AC逆变器的价格;Ci/t是指连接变压器的价格;Cc,dc是指直流电缆的资金投入;Cc,ac是指交流电缆的资金投入;在光伏电站生命周期结束之时,光伏电池折旧公式为:
RPV=1/n×100
式中,n为光伏电站的生命周期;
b)总维修花费的现值Cm的计算
总的维修花费的现值Cm,在整个光伏电站的生命周期中的计算公式是:
其中,MPV和MINV分别是指单位容量的光伏电池和DC/AC逆变器的年维护费用;g是年通货膨胀率;di是当前时刻年贴现率;RTC是DC/AC逆变器维修费用的现值;RTC的数值是由制造商所给出的DC/AC逆变器的平均故障时间计算所得;置换费用的现值计算公式为:
式中,CINV指每个光伏阵列相应容量DC/AC逆变器的价格;year表示逆变器的置换年限;bs=1,2,3,……;j代表第j年置换逆变器;
c)整个生命周期中光伏电站现值Cz的计算
Cz(X)=Cc(X)+Cm(X)。
5.根据权利要求1所述的考虑经济因素的电站级光伏倾角优化方法,其特征在于:步骤4)中,计算单位成本电价LCOE的公式如下:
其中,Etot(X)是整个光伏电站生命周期中的发电量,Cz(X)是整个生命周期中光伏电站现值。
6.根据权利要求5所述的考虑经济因素的电站级光伏倾角优化方法,其特征在于:步骤5)中,通过优化单位成本电价从而得到光伏阵列的最佳倾角的;待优化的模型的目标函数是:
即最小化单位成本电价,采用遗传算法进行优化;X=[N1,N2,β]是光伏电站的设计过程决策变量,也是遗传算法的约束;遗传算法通过不断地更新决策变量从而达到优化单位成本电价的目的,直到LCOE最小时,停止运行;此时,向量X中的决策变量是最优的,这时倾角β即为光伏阵列最佳倾角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710946718.3A CN107482992B (zh) | 2017-10-11 | 2017-10-11 | 一种考虑经济因素的电站级光伏倾角优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710946718.3A CN107482992B (zh) | 2017-10-11 | 2017-10-11 | 一种考虑经济因素的电站级光伏倾角优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107482992A CN107482992A (zh) | 2017-12-15 |
CN107482992B true CN107482992B (zh) | 2019-04-30 |
Family
ID=60605169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710946718.3A Active CN107482992B (zh) | 2017-10-11 | 2017-10-11 | 一种考虑经济因素的电站级光伏倾角优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107482992B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364104B (zh) * | 2018-02-26 | 2022-07-12 | 阳光电源股份有限公司 | 一种多能互补发电方法 |
CN108322134A (zh) * | 2018-03-23 | 2018-07-24 | 河海大学 | 一种用于分布式光伏电站发电量的优化方法 |
CN108564221A (zh) * | 2018-04-19 | 2018-09-21 | 深圳智润新能源电力勘测设计院有限公司 | 一种光伏阵列间距及倾角的计算方法和计算装置 |
CN108733920B (zh) * | 2018-05-18 | 2022-09-23 | 河海大学常州校区 | 一种光伏组件与逆变器最优容配比的设计方法 |
CN111310955A (zh) * | 2018-12-11 | 2020-06-19 | 北京铂阳顶荣光伏科技有限公司 | 光伏组件安装面积预测方法及装置、存储介质、电子设备 |
CN110766296B (zh) * | 2019-10-08 | 2022-08-16 | 杭州雷数科技有限公司 | 一种地面电站价值评估模型构建系统 |
CN110690854A (zh) * | 2019-11-18 | 2020-01-14 | 合肥阳光新能源科技有限公司 | 光伏组件布局方法和装置 |
CN111460693A (zh) * | 2020-04-27 | 2020-07-28 | 中冶华天南京电气工程技术有限公司 | 一种光伏组件安装最佳倾角和间距的计算方法 |
CN111738526B (zh) * | 2020-07-01 | 2022-08-23 | 中广核新能源投资(深圳)有限公司 | 一种以系统收益最优为目标的光伏系统优化设计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102623989B (zh) * | 2012-03-28 | 2013-11-27 | 湖南大学 | 一种间歇分布式电源优化配置方法 |
CN104281741B (zh) * | 2014-09-10 | 2015-08-19 | 长江勘测规划设计研究有限责任公司 | 光伏组件倾角和阵列间距交叉反馈多因素综合计算方法 |
JP2016178851A (ja) * | 2015-03-21 | 2016-10-06 | 浩 加納 | 熱歪最適光傾向型太陽光電池エネルギ備蓄発電システム |
CN106055816A (zh) * | 2016-06-11 | 2016-10-26 | 嘉兴国电通新能源科技有限公司 | 一种基于阴影辐射分析的多因素光伏设备最优化铺设方法 |
CN107221925A (zh) * | 2017-05-10 | 2017-09-29 | 中国农业大学 | 优化分布式电源配置方法及装置 |
-
2017
- 2017-10-11 CN CN201710946718.3A patent/CN107482992B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107482992A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107482992B (zh) | 一种考虑经济因素的电站级光伏倾角优化方法 | |
Shukla et al. | Design, simulation and economic analysis of standalone roof top solar PV system in India | |
Rawat et al. | A review on modeling, design methodology and size optimization of photovoltaic based water pumping, standalone and grid connected system | |
Abbes et al. | Life cycle cost, embodied energy and loss of power supply probability for the optimal design of hybrid power systems | |
CN105240916B (zh) | 一种适用于高原寒冷地区建筑的主动式太阳能系统优化方法 | |
Cristian et al. | Design of hybrid power systems using HOMER simulator for different renewable energy sources | |
Hajiah et al. | Performance of grid-connected photovoltaic system in two sites in Kuwait | |
Ramoji et al. | Optimization of hybrid PV/wind energy system using genetic algorithm (GA) | |
Kichou et al. | Energy performance enhancement of a research centre based on solar potential analysis and energy management | |
Liu et al. | Optimal configuration of hybrid solar-wind distributed generation capacity in a grid-connected microgrid | |
Sultan et al. | Cost and energy analysis of a grid-tie solar system synchronized with utility and fossil fuel generation with major Issues for the attenuation of solar power in Pakistan | |
Marais et al. | Techno-economic feasibility analysis of a grid-interactive solar PV system for South African residential load | |
Mohanapriya et al. | Implementation of dual axis solar tracking system | |
Dhakal et al. | Towards a net zero building using photovoltaic panels: a case study in an educational building | |
Elhassan | Utilizing homer power optimization software for a techno-economic feasibility, study of a sustainable grid-connected design for urban electricity in, Khartoum | |
Ikoiwak et al. | Design and simulation of an on-grid photovoltaic system | |
Ramoji et al. | Optimum Design of a Hybrid PV/Wind Energy System Using Genetic Algorithm (GA) | |
CN114219172A (zh) | 考虑综合效益最优的净零能耗建筑微网优化方法 | |
Harianto et al. | Planning of Photovoltaic (PV) Type Solar Power Plant as An Alternative Energy of the Future in Indonesia | |
Tudorache et al. | Optimum design of wind/PV/diesel/batteries hybrid systems | |
Bukit et al. | Minimize the cost of electricity generation with hybrid power plants on pemping island of indonesia using HOMER | |
Sneha et al. | Designing and Feasibility Study of Net Metering System upon Installing Rooftop Solar PV: A Case Study at MIST, Bangladesh | |
Vidur et al. | Design and simulation of a rooftop solar pv system using pv syst software | |
Damanhuri et al. | System design and cost analysis simulation of small scale dual-tariff solar photovoltaic (PV) system in UiTM pulau Pinang Malaysia | |
CHUKWUKA et al. | Technical and economic modeling of the 2.5 kW grid-tie residential photovoltaic system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |