当前的世界环境

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。可再生能源技术是缓解气候变化的解决方案¹并增加电力需求。白天太阳能的丰富可达性是可靠的可再生能源来源。太阳能热和太阳能光伏（PV）是将太阳能转化为有用能量的两种众所周知的技术。在太阳能热技术中，太阳的热量用于增加空气，水或任何散热材料的温度而不使用中间电路。在光伏技术中，阳光直接使用光伏模块转换为电力。Utilization of different photon absorption material and different constructional design created different types of solar PV technologies, i.e. Crystalline Silicon(C-Si), Thin Film and Disk type solar PV technology etc. Modular design, long life-time, low maintenance, easy install ability and environment friendly power generation are the reason behind PV modules increasing popularity.

广义光伏系统中，光伏组件的性能与太阳辐射、环境温度、电池温度和当地气候条件密切相关^{2 - 7日}．但是该制造商仅在标准测试条件下提供PV模块的参数（STC I.E.Fradiance = 1000W / m²，温度=25°C，空气质量=1.5G)。光伏组件在STC的这些参数不能反映其在实际运行条件下的性能，可能会导致对产量的过高估计。因此，正确选择光伏组件，准确预测光伏组件输出能量，完全依赖于对不同运行条件下光伏组件性能的可靠知识和理解。

通过对全球辐照度的估计，可以粗略估计光伏发电厂产生的平均能量。吴作栋和褐色^8.使用时间序列模型开发了太阳能数据的统计预测。从那时起，研究工作的数量就可以在预测太阳辐照方面获得^9-16．但是，在预测光伏发电厂的实际输出方面存在相当大的文献。一些文献可用于独立PV阵列系统的现场性能估计^7,17．还有一些功率效率模型^{18 - 23}可以在可变气候条件下预测PV系统的平均性能。

神经网络模型比较复杂，它使用不同的输入，如太阳辐射、环境温度和模块温度^24,25．神经网络模型的设计基于试错过程，需要以往的经验才能成功实施。上面提到的大多数模型都需要详细的数据^{18 - 23}和使用复杂^24,25．上述文献的这些局限性是容易操纵系统性能的障碍。

本文的目的是介绍一种简单但准确的模型，可根据不同类型的PV技术估计PV工厂的能源生产。该型号适用于印度的任何位置，为该特定位置选择最合适的技术。通过能源供应计划在能源生产方面的应用是有助于使能源发电经济和环境友好。本研究的范围是将位置和太阳能相关，以研究不同类型的太阳能光伏设备的位置的潜力。该模型的潜在实用用户是来自能源产业，能源规划者，工程师，城市规划者和气候关注公民的人们。

在四个阶段，这里提出了研究。在第2部分中，描述了用于研究的材料和数学方法。第3.1节介绍了2014年PV发电厂全年对不同技术的2014年实时数据的月度能源和CUF研究。在第3.2节中，提出了在NTPC（国家热电公司）Vidyut Vyapar Nigam Ltd.（NVVN）方案下的不同PV技术的四种操作PV电厂的实时能量输出的数学方法。

方法开发

本工作中使用的方法包括三个不同的步骤。它们简明扼要地讨论如下：（a）PV技术选择。（b）在印度不同地点的不同光伏技术中，在不同光伏技术的不同光伏发电厂的数学方法的开发。（c）2014年全年NVVN方案在NVVN方案下运行PV发电厂的位置详细信息，能量发电和能力利用因子（CUF）的次要数据。验证了用于估算光伏电站发电的数学模型使用PV发电厂的数据在NVNN方案下。

光伏技术的选择

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，许多新的光伏技术是可行的，如有机太阳能电池，染料敏化太阳能电池等，但它们尚未用于商业光伏发电厂。因此，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光伏技术被广泛应用于商业光伏电站项目。所选光伏技术的规格从其数据表中收集。所选光伏技术所需的规格列于表1。

表1:所选光伏组件技术指标

数学模型预测能源的产生

光伏组件的输出主要依赖于日照和环境温度等气象参数。对不同技术的光伏组件的能量输出进行了评估。数学模型如下:

倾斜PV阵列的太阳辐射

在NREL网站上，长期发布的太阳辐射和其他气象参数的数据可以作为印度不同网格点的水平面上的每小时平均值获得。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，利用水平面上的逐时光束和漫射辐射，可以计算给定纬度φ下倾斜光伏阵列(角度β)上的总辐射

一世_B.水平面上每小时的辐射束。
一世_B.每小时漫射辐射在水平表面上。
R._B.,r_D.和r_R.分别称为光束、漫射和反射分量的转换因子。
P.为地面的反射系数(非积雪地面为0.2，积雪地面为0.6)。

θ._一世是入射角，θ_Z.天顶角，φ.纬度角，β倾斜角，γ方位角，δ太阳偏角，ω时角。

S._R.日出时间，s_S.日落时间。
每日PV阵列输出是每小时能量输出的求和。

在倾斜的表面上相当于充分的日照时数

在达到1 kW / m的峰值的峰值处保持恒定的太阳辐射强度的数小时²是日照时数(H_ET.）.W.Hen insolation on tilted unit area surface is expressed by一世_T.千瓦时/ m²/day，则可表示为1 kW/m的恒定太阳辐射峰值²在接收面发生事故一世_T.小时，然后H_ET.将等于一世_T.小时/天。表达式由EQ给出。（7）

H_ET.相当于在倾斜表面上的全部日照时数。
一世_T.在kwh / m中是倾斜的表面上的呈现²/天。

PV面板输出温度校正后

PV模块的输出取决于光伏模块的太阳辐射和工作温度。相对于STC条件的光伏工作温度升高，减少了PV模块的能量输出。PV模块的工作温度可以通过环境温度，在给定位置和标称操作细胞温度（NOCT）的PV模块上的入射太阳辐照度，以及特定技术的标称工作细胞温度。

P._场外温度校正后的面板输出，P._m为STC输出功率，T._一种是环境温度在°C。

是标准工作电池温度，一世_是辐照度在W / m²T_STC)为光伏组件在STC温度，°C，ϒ为光伏板功率温度系数，%/℃。

由光伏电站产生的能源供给电网

E._PVP来自光伏厂的能量输出，D._F灰尘因子是％，H_F湿度因素是％，W._T.是接线损失％，m_一世为失配损失，以%计，η._挪威为逆变器效率，百分比。

产能利用率的因素

有时投资者或开发人员使用能力利用率因数（CUF）来比较植物的性能。CUF不考虑任何环境因素，如将一年的辐照度变化到另一个或降解面板的劣化。一天的CUF被定义为

一世_P.安装了PV工厂的装机容量。

在印度的太阳能光伏项目收集的数据

根据贾瓦哈拉尔·尼赫鲁国家太阳能计划(JNNSM)的计划，印度已经安装了许多太阳能光伏电站，并将安装许多其他电站，以实现JNNSM的目标。为了成功执行JNNSM, NTPC Vidyut Vyapar Nigam Ltd (NVVN)²⁶该公司负责为印度调试并网太阳能项目的开发商选择制定指导方针。从项目安装人员那里收集了印度四家不同技术的现有光伏电站2014年全年的位置和每月现场测量的发电数据²⁶．

结果与讨论

结果和讨论部分分为两部分。（i）不同光伏技术光伏发电厂的能量发电和CUF研究。（ii）四种PV工厂实际现场输出数据的数学方法的验证。

基于光伏电站的不同光伏技术的能量产生和CUF研究

工厂1

DDE可再生能源有限公司在拉贾斯坦邦纳戈尔地区的Bhojas村安装了一个并网太阳能光伏发电项目。该项目活动产生的电力将出口到地区电网，并根据电力购买协议(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:邦:拉贾斯坦邦，地区:
纳戈尔:辛萨尔，村庄:博加斯。

地理坐标位置：纬度：26°58'40.52“N，经度：73°23'53.21”E.

光伏电站规模:5mw。

面板技术使用:多晶
硅(多同单晶硅)。

多晶硅（多C-Si）。
表2显示了2014年全年光伏电站月度输出能量及电站CUF。

表2：每月出口能源和CUF 整个光伏电厂2014年 点击这里查看表格

光伏电站向电网输出最大和最小电量分别在5月和2月，分别为787801 kWh和624431 kWh。CUF最大值出现在5月份，为21.26%，最小值出现在7月份，为18.02%。这两个参数的图形表示如图1所示。

图1：每月净能量的图形表示 出口到光伏电站的电网和CUF。 点击这里查看图

年度（2014年）能源出口到网格：8451881千瓦时。

年平均CUF（％）：19.41％。

工厂2

Shee Saibaba Green Power Private Limited（SSGPPL）在马哈拉施特拉邦的拉特特地区的Gondhri村安装了一个5MW网格交互式太阳能光伏电站（SPV）。

公司名称:Shree Saibaba Green Power Private Limited。

植物的位置：州：马哈拉施特拉邦，区：拉特尔，德雷斯：奥萨，村庄：吉隆坡。

光伏电站规模:5mw。

面板技术使用:非晶硅技术。


从2014年全年的PV工厂和CUF出口的每月能源在表3中显示。

表3:每月出口能源和CUF 2014年全年光伏电厂 点击这里查看表格

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

图2:月度净能量的图形表示 出口到光伏电站的电网和CUF。 点击这里查看图

年度（2014年）能源出口到网格：9266426千瓦时。

年平均水平（％）：21.54％

工厂3

Alex Spectrum辐射私人有限公司（ASRPL）下jawaharlal Nehru国家太阳能使命（JNNSM）与NTPC Vidyut Vyapar Nigam Limited（NVVN）安装了5兆瓦太阳能光伏电力项目，在印度比科纳尔。

公司名称:亚历克斯光谱辐射私人有限公司。

工厂选址:该项目拟设在拉贾斯坦邦Bikaner区Nokha Daiya村。

地理坐标位置：纬度：28°08'16.51“N，经度：72°57'48.99”E.

光伏电站规模:5mw。

面板技术使用:碲化镉。

2014年从PV工厂和植物的CUF出口的每月能量显示在表4中。

表4:每月出口能源和CUF 2014年全年光伏电厂 点击这里查看表格

光伏电站向电网输出能量最大值为5月，最小值为12月，分别为874467 kWh和585138kWh。CUF最大值出现在4月份，为25.12%，最小值出现在12月份，为16.13%。这两个参数的图形表示如图3所示。

图3：每月净能量的图形表示 出口到光伏电站的电网和CUF。 点击这里查看图

年度（2014年）能源出口到网格：9085599千瓦时。

年平均CUF(%):21.43%。

工厂4

Saisudhir Energy Limited（SSEL）在安德拉邦州澳门省南南邦区的T.Veerapuram村开发了一个5MW太阳能光伏电厂（SPV）。对于提出的PV工厂38,400号码145 W._P.安装光伏组件可产生5mw的电能_P.权力。

公司名称：Saisudhir Energy Limited（SSEL）。

植物位置:邦:安得拉邦，地区:安纳塔普尔，塔鲁克:Raydurg，村庄:T。Veerapuram。

地理坐标位置：纬度：14ú45'41.97“n，经度：76,57'03.86”e。

光伏电站规模:5mw。

面板技术采用CIS薄膜。

从2014年全年植物PV工厂和CUF出口的每月能源在表5中显示。

表5:每月出口能源和CUF 2014年全年光伏电厂 点击这里查看表格

光伏电站向电网输出能量最大值为3月，最小值为7月，分别为859200 kWh和597000 kWh。CUF最大值出现在5月份，为24.06%，最小值出现在7月份，为16.77%。这两个参数的图形表示如图4所示。

图4：每月净能量的图形表示 出口到光伏电站的电网和CUF。 点击这里查看图

年度（2014年）能源出口到网格：8976600千瓦时。

年平均CUF（％）：21.44％。

数学方法的验证

在所选择的四个光伏发电厂中，基于多C-Si，2的植物1是A-Si，3基于CDTE技术，4基于CIS技术。为了验证数学方法，将PV工厂的实际字段输出与预测值进行比较。四种不同的PV发电厂具有不同的容量，因此PV发电厂的出口能量被标准化为1MW发电厂。验证表如表6所示。

表6:数学模型验证表

从表6可以看出，所选光伏电站的实际发电量和CUF均在通过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出力和CUF有较好的相关性。

结论

本文采用数学方法对不同光伏技术的光伏电站进行技术可行性研究。通过对4个不同技术的光伏电站现场实际输出数据的采集，验证了所提出的数学方法的有效性。本文的发现如下:

对于多C-Si预测能量产生和CUF为1602413-1943816千瓦时/ MW和18.29-22.19％，而在相同参数的实际情况值中分别为2-1955562kWh / mw和19.41-22.19％。因此，实际的现场输出处于预测范围。

对于A-Si实际的现场能源产生和CUF分别为1853285.2千瓦时，分别为21.54％。这些值也在预测范围内。

基于CdTe的光伏电站实际发电量为1807359-2024909.2kWh/MW, CUF为20.82-23.80%，也在预测范围内。

基于CIS的PV发电厂每年将1795320-1864970千瓦/兆瓦的能量出口到预测范围内的网格。

因此，技术可行性研究的数学方法与光伏发电厂的实际场输出良好。该数学方法更简单，需要更少的输入数据。如果可以与预测数据进行比较更多的A-Si，CDTE和CIGS数据，则此验证将更可信。由于无法在印度的所有气候区安装更实用的数据，直到现在印度的所有气候区域，因此现在不可能进一步验证。虽然该部未来在印度安装光伏电站的计划。然后可以更好地验证数学方法。

参考

1. 王志强，王志强，王志强，中国无化石燃料能源系统的研究进展，能源科学，31(12)，1226-1236,2007。
   CrossRef
2. 张志强，张志强，张志强。基于太阳能光伏技术的绿色校园规划研究[j] .应用生态学报，2018,29(3):369 - 372,2015。
   CrossRef
3. 张志强，张志强，张志强，太阳能光伏电站选址方法研究，电力工程学报，29(4)，1019 - 1024,2014。
4. Huld，T.，Sìœúri，M.和Dunlop，E。，欧洲晶体硅光伏模块转换效率的地理变化。Photovolt：Res。Appl。，16（7），595-607,2008。
5. NFAH，E.，Ngundam，J。和Tchinda，R。，用于远北喀麦隆，可再生能源，32（5），832-844,2007的太阳能/柴油/电池混合动力系统的建模。
   CrossRef
6. 杜利希，刘志刚，刘志刚，刘志刚，光伏发电机的特性，应用能源，65(1-4)，273-284,2000。
   CrossRef
7. Sasitharanuwat, A.， Rakwichian, W.， Ketjoy, N.和Yammen, S.， 10kWp光伏发电系统原型在泰国隔离建筑的性能评估，可再生能源，32(8)，1288-1300,2007。
   CrossRef
8. 吴涛，谭昆，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. SFETSOS，A.和CONONICK，A.，与人工智能技术，太阳能，68（2），169-178,2000的单位太阳能辐射的单变量和多元预测。
   CrossRef
10. Hontoria，L.，Aguileera，J。和Zufiria，P.，使用神经网络多层Perceptron，Solar Energy，72（5），441-446,2002的生成每小时辐照合成系列。
11. Cao，S.和Cao，J。，使用经常性神经网络与小波分析，应用热工程，25（2-3），161-172,2005相结合的太阳辐照度预测。
12. 刘志强，刘志强，刘志强，一种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，46(6)，713 - 718,2006。
13. Mellit, Kalogirou,年代,Shaari,年代,Salhi, h .和赴麦加朝圣阿拉伯,月平均的方法预测序列清晰指数和每日的太阳辐射数据在偏远地区:申请分级独立光伏系统,可再生能源,33(7),1570 - 1590年,2008年。
14. Hocaoäğlu，F.，Gerek，Ö。使用最优系数2-D线性滤波器和前锋神经网络，太阳能，82（8），714-726,2008，使用最优系数2-D线性滤波器和前馈神经网络，2008年。
15. Reikard，G.预测高分辨率的太阳辐射：时间序列预测，太阳能，83（3），342-349,2009的比较。
16. 刘志强，刘志强，刘志强。基于能量模型的电力系统节能研究[j] .系统工程学报，2018,36(5):586 - 594,2010。
    CrossRef
17. 周伟，杨华，方志刚，一种新型的光伏阵列性能预测模型，应用能源学报，18(12)，1187-1198,2007。
    CrossRef
18. Joyce，A.，Rodrigues，C.和Manso，R.，建模光伏系统，可再生能源，22（1-3），275-280,2001。
    CrossRef
19. HOVE，T.，一种预测光伏系统，可再生能源，21（2），207-229,2000的长期平均性能的方法。
    CrossRef
20. 刘志强，李国栋，光伏阵列输出功率预测的简化方法，太阳能学报，27(6)，555-560,1981。
    CrossRef
21. De Soto，W.，Klein，S.和Beckman，W.，改进和验证光伏阵列性能，太阳能，80（1），2006年的模型。
    CrossRef
22. 张涛，单轴跟踪系统中光伏组件的输出能量，应用能源学报，26(10)，2071-2078,2009。
    CrossRef
23. 蔡志强，张志强，单晶光伏组件工作电流的四参数模型和五参数模型的实验验证，应用能源，84(1)，1-15,2007。
    CrossRef
24. 陈志强，张志强，基于人工神经网络的太阳能光伏发电预测模型，电力自动化，21(1)，199 - 199,2004。
    CrossRef
25. 刘志强，刘志强，刘志强。基于局部进化神经网络的光伏并网系统输出预测，电力工程，2009。
26. nvvn.co.in，（2015）。NVVN有限公司[在线]可用：http：//nvvn.co.in/ [2015年10月1日访问]。