Проектирование и планирование солнечной электростанции

В данной статье на основании зарубежных литературных источников рассматриваются оценка ресурсов, площади и инструментов для проектирования солнечной электростанции.

Ключевые слова: проектирование солнечной электростанции, солнечная электростанция, альтернативные источники энергии.

Введение

В условиях растущих темпов по выбросу парниковых газов безопасность традиционной энергетики поставки и экологическая безопасность традиционных методов производства энергии, возобновляемых источников энергии становятся все более важными и получают большое политическое внимание [1], [17]. Фотоэлектрические (PV) и концентрированные солнечные энергетические системы (CSP) для преобразования солнечной энергии в электроэнергию являются, в частности, технологически надежными, масштабируемыми и географически рассредоточенными, и они обладают потенциалом в качестве устойчивых источников энергии [2]. Несмотря на достижения в области фотоэлектрических систем, неправильное планирование и проектирование могут препятствовать широкому распространению солнечной энергии. Для успешного развертывания систем PV и CSP необходимо систематическое планирование и проектирование с учетом различных факторов и ограничений [3]. Эта статья по планированию и проектированию солнечных энергетических систем включает в себя 14 публикаций от уважаемых исследовательских групп по всему миру. Исследовательские и обзорные работы относятся к следующим широким категориям: оценка ресурсов, оценка объекта, проектирование системы, оценка эффективности и технико-экономическое обоснование.

Оценка ресурсов

Солнечная радиация является наиболее важным параметром, который следует учитывать при установке систем PV и CSP. Поэтому необходимо оценивать солнечные ресурсы путем анализа и прогнозирования пространственно-временного распределения солнечной радиации. Авторы [4] предложили усовершенствованную модель глубокого обучения, основанную на дискретном вейвлет-преобразовании (DWT), сверточной нейронной сети (CNN) и долговременной кратковременной памяти (LSTM) для прогнозирования солнечной радиации на сутки вперед. В исследовании, в котором использовались два набора данных из Университета штата Элизабет—Сити и станции Дезерт–Рок в США, эффективность предложенной модели, названной DWT–CNN-LSTM, была сопоставлена с шестью другими моделями прогнозирования солнечной радиации. Результаты показали, что DWT–CNN–LSTM очень хорошо подходит для прогнозирования солнечной радиации, особенно в экстремальных погодных условиях. Анализ динамики неба путем обработки набора изображений небесного купола — это новая тенденция для оценки солнечных ресурсов [5,6]. Авторы [5] предложили методику, основанную на реализации нескольких методов обработки изображений для достижения надежного и автоматического определения положения Солнца по набору изображений, полученных недорогой системой искусственного зрения. Методология могла определять положение солнца не только в ясные, но и в пасмурные дни, даже если солнце было полностью закрыто. Авторы [6] проверили технологию All-sky imager с использованием данных, полученных из трех географически различных мест: в Голдене, штат Колорадо, на крыше здания Energy Systems Integration Facility (ESIF) Национальной лаборатории возобновляемых источников энергии (NREL); в Сан-Антонио, штат Техас, на объекте CPS Energy microgrid объединенной базы Сан-Антонио (JBSA) и инженерного здания Техасского университета в Сан-Антонио (UTSA); и на Канарских островах, Испания, на Тенерифе и Калета-де-Себо. Операции в этих трех местах обеспечили несколько улучшений UTSA SkyImager в отношении методов защиты от атмосферных воздействий, датчиков окружающей среды, графиков технического обслуживания и оптимальных мест развертывания.

Автор [3] рассмотрел исследования, основанные на геоинформационной системе (ГИС), по оценке солнечных ресурсов, особенно для картирования солнечной радиации. ГИС полезна для пространственного и временного анализа солнечных ресурсов при внедрении технологий, специфичных для конкретного местоположения. Анализ солнечного излучения может быть выполнен для отдельных точек, таких как станции, и для больших областей, представленных многими пикселями. Анализ ГИС может быть также проведен для конкретных районов.

Оценка площади

Необходимо повысить эффективность установки солнечных электростанций путем определения приоритетов и выбора подходящих мест для максимизации выработки электроэнергии и минимизации возможного ущерба и затрат. Результаты такой оценки площадки могут помочь частным пользователям солнечных электростанций и энергетическим компаниям выбрать потенциальные площадки для строительства солнечных электростанций [3]. Авторами [7] предложена модель оценки спроса на энергетические ресурсы (DSER) для городских электрических сетей на основе географической информации. Индексы общности и индивидуальности для пяти видов DSER, вращающейся ветроэнергетики, фотоэлектрической энергетики, электромобилей, накопления энергии и гибкой нагрузки, были выбраны на основе географической информации. Затем вес каждого субиндекса индексов общности и индивидуальности определялся методом аналитической иерархии (AHP) и методом энтропийного веса. Наконец, взвешенное наложение было сгенерировано в соответствии с весами и квантованными значениями каждого индекса, и из индексов общности была получена полная оценка. Результаты показали, что оценочная модель полезна для планирования города и энергосистемы. Установка фотоэлектрических панелей на Земле может вызвать некоторые проблемы, особенно в странах там, где не хватает места для установки. В качестве альтернативы привлекла внимание плавающая фотоэлектрическая система, обладающая преимуществами в эффективности и для окружающей среды. Авторы [8] проанализировали данные об уровне воды из 3401 резервуара в Южной Корее и выбрали подходящие резервуары для плавучих фотоэлектрических систем со средней глубиной воды в резервуаре более 5 м и минимальной глубиной воды более 1 м. Полученные результаты были использованы для оценки приоритетов и потенциальных возможностей до фактической плавучей фотоэлектрической установки и детального анализа. ГИС полезна для оценки объектов при установке солнечных электростанций для фотоэлектрических или CSP станций в региональном масштабе. Авторы [3] рассмотрели основанные на ГИС методы определения подходящих местоположений для солнечных электростанций. В большинстве исследований по оценке объектов основное внимание уделяется солнечной радиации. Однако необходимо также учитывать экономические, экологические, технические, социальные факторы и факторы риска. Эти факторы могут быть использованы для исключения неподходящих регионов с помощью булевого наложения и могут быть использованы в различных методах многокритериального анализа решений (MCDA) для оценки индексов пригодности [3].

Проектирование системы

Авторы [10] провели анализ ветровой нагрузки с использованием экспериментов в аэродинамической трубе и численного моделирования для автономной панели при больших углах наклона. Были также исследованы эффекты направления ветра. Результаты этого исследования будут полезны для детального структурного проектирования морских фотоэлектрических панелей.

Оценка эффективности

Авторы данных статей [11] провели численный анализ фотоэлектротермического (PV/T) блока с наножидкостью SiO2-вода. Проанализировано влияние различных форм частиц, объемных долей твердых частиц, температуры воды на входе, солнечного облучения и скорости ветра на тепловую и фотоэлектрическую эффективность установки. Установлено, что эксплуатационные характеристики солнечного фотоэлектрического теплового агрегата, определяемые искусственной нейронной сетью радиальной базисной функции, прекрасно согласуются с результатами вычислительного гидродинамического моделирования. Гульковский [12] провел сравнительный анализ производства энергии сетевым соединением. Экспериментальная фотоэлектрическая система, состоящая из различных технологических модулей, которая работает в умеренно-климатических метеорологических условиях Восточной Польши, рассчитана на 2015 год. Исследование показало, что технология диселенида меди индия галлия (CIGS) демонстрирует самое высокое соотношение выработки энергии и производительности, а также самые низкие наблюдаемые потери, связанные с температурой. Эти результаты могут быть полезны для прогнозирования производства электроэнергии различными фотоэлектрическими технологиями в высоких широтах в условиях умеренного климата. Авторы [13] определили эффективность и жизнеспособность прямого нормального облучения для трехсолнечных башенных электростанций, которые будут установлены в алжирском нагорье и сахаре (районы Бешар, Эль-Уэд и Джельфа). Каждая установка, с годовой производственной мощностью 20 МВт, оснащена подачей расплавленной соли, внешним приемником и полем гелиостатов. Результаты показали, что существует сильная и прямая связь между солнечным кратным, выработкой электроэнергии и часами хранения мощности. Методы машинного обучения были успешно применены в моделях прогнозирования вывода данных [14] предложен гибридный метод краткосрочного прогнозирования, основанный на методе декомпозиции вариационного режима (VMD), сети глубоких убеждений (DBN) и модели авторегрессивного скользящего среднего (ARMA) для повышения точности прогнозирования. Результаты показали, что гибридный метод прогнозирования обеспечивает лучшую точность и стабильность, чем одиночные методы прогнозирования. Кроме того, авторы [15] разработали модель ультракоротковременного прогнозирования, основанную на реконструкции фазового пространства и глубокой нейронной сети (DNN) с учетом характеристик сетевой нагрузки. Эффективность этой модели была проверена с использованием реальных данных с превосходной точностью прогнозирования чистой нагрузки при высоких скоростях проникновения фотоэлектрических элементов и различных погодных условиях. Оценка солнечного потенциала с помощью ГИС может быть отнесена к трем различным категориям: (1) физический потенциал, который представляет собой общее количество солнечной энергии, достигающей целевой поверхности, или общее солнечное излучение на поверхности или крыше; (2) географический потенциал, который представляет собой пространственную доступность поверхности или крыши здания, где может быть получена солнечная энергия; и (3) технический потенциал, который представляет собой общее количество электроэнергии с учетом технических характеристик фотоэлектрической системы. Авторы [3] рассмотрели 39 опубликованных статей по оценке солнечного потенциала в условиях ГИС.

Заключение

Таким образом, сегодня существуют технологии, обученные искусственным интеллектом способные прогнозировать солнечную радиацию на сутки вперед в том числе в экстремальных погодных условиях, что полезно для условий России. Методики некоторых авторов помогают определять положение солнца на небосводе даже в пасмурные дни, а технология геоинформационной системы помогает выбрать оптимальное местоположение для будущей солнечной электростанции. В случае с малой площадью страны, СЭС можно устанавливать на воде. Также при планировании СЭС важно учитывать, как распределено потребление электроэнергии в городе, с чем справляется технология DSER.

Литература:

1. Choi, Y.; Rayl, J.; Tammineedi, C.; Brownson, J. R. S. PV Analyst: Coupling ArcGIS with TRNSYS to assess distributed photovoltaic potential in urban areas. Sol. Energy 2011, 85, 2924–2939.
2. Zekai, S. Solar energy in progress and future research trends. Prog. Energy Combust. Sci. 2014, 30, 367–416.
3. Choi, Y.; Suh, J.; Kim, S.-M. GIS-Based Solar Radiation Mapping, Site Evaluation, and Potential Assessment: A Review. Appl. Sci. 2019, 9, 1960.
4. Wang, F.; Yu, Y.; Zhang, Z.; Li, J.; Zhen, Z.; Li, K. Wavelet Decomposition and Convolutional LSTM Networks Based Improved Deep Learning Model for Solar Irradiance Forecasting. Appl. Sci. 2018, 8, 1286.
5. Valentín, L.; Peña-Cruz, M.; Moctezuma, D.; Peña-Martínez, C.; Pineda-Arellano, C.; Díaz-Ponce, A. Towards the Development of a Low-Cost Irradiance Nowcasting Sky Imager. Appl. Sci. 2019, 9, 1131.
6. Richardson, W.; Cañadillas, D.; Moncada, A.; Guerrero-Lemus, R.; Shephard, L.; Vega-Avila, R.; Krishnaswami, H. Validation of All-Sky Imager Technology and Solar Irradiance Forecasting at Three Locations: NREL, San Antonio, Texas, and the Canary Islands, Spain. Appl. Sci. 2019, 9, 684.
7. Chen, F.; Guo, S.; Gao, Y.; Yang, W.; Yang, Y.; Zhao, Z.; Ehsan, A. Evaluation Model of Demand-Side Energy Resources in Urban Power Grid Based on Geographic Information. Appl. Sci. 2018, 8, 1491.
8. Kim, S.; Oh, M.; Park, H. Analysis and Prioritization of the Floating Photovoltaic System Potential for Reservoirs in Korea. Appl. Sci. 2019, 9, 395.
9. Alsadi, S.; Khatib, T. Photovoltaic Power Systems Optimization Research Status: A Review of Criteria, Constrains, Models, Techniques, and Software Tools. Appl. Sci. 2018, 8, 1761.
10. Chou, C.; Chung, P.; Yang, R. Wind Loads on a Solar Panel at High Tilt Angles. Appl. Sci. 2019, 9, 1594.
11. Chamkha, A.; Selimefendigil, F. Numerical Analysis for Thermal Performance of a Photovoltaic Thermal Solar Collector with SiO2-Water Nanofluid. Appl. Sci. 2018, 8, 2223.
12. Gulkowski, S.; Zdyb, A.; Dragan, P. Experimental Efficiency Analysis of a Photovoltaic System with Different Module Technologies under Temperate Climate Conditions. Appl. Sci. 2019, 9, 141.
13. Rouibah, A.; Benazzouz, D.; Kouider, R.; Al-Kassir, A.; García-Sanz-Calcedo, J.; Maghzili, K. Solar Tower Power Plants of Molten Salt External Receivers in Algeria: Analysis of Direct Normal Irradiation on Performance. Appl. Sci. 2018, 8, 1221.
14. Xie, T.; Zhang, G.; Liu, H.; Liu, F.; Du, P. A Hybrid Forecasting Method for Solar Output Power Based on Variational Mode Decomposition, Deep Belief Networks and Auto-Regressive Moving Average. Appl. Sci. 2018, 8, 1901.
15. Mei, F.; Wu, Q.; Shi, T.; Lu, J.; Pan, Y.; Zheng, J. An Ultrashort-Term Net Load Forecasting Model Based on Phase Space Reconstruction and Deep Neural Network. Appl. Sci. 2019, 9, 1487.
16. Rubio-Aliaga, A.; Molina-Garcia, A.; Garcia-Cascales, M.; Sanchez-Lozano, J. Net-Metering and Self-Consumption Analysis for Direct PV Groundwater Pumping in Agriculture: A Spanish Case Study. Appl. Sci. 2019, 9, 1646.
17. Президент России: Указ президента Российской Федерации от 1 декабря 2016 г. № 642: [сайт]. — URL: http://www.kremlin.ru/acts/bank/41449 (дата обращения: 17.11.2020). -Текст: электронный. (пункт 20Б б) переход к экологически чистой и ресурсосберегающей энергетике, повышение эффективности добычи и глубокой переработки углеводородного сырья, формирование новых источников, способов транспортировки и хранения энергии)