Efikasna optimizacija hibridnog sistema vetro-pV sa skladištenjem

1. Analiza karakteristika proizvodnje električne energije iz vjetra i sunca

Analiza karakteristika proizvodnje električne energije iz vjetra i fotovoltaičkih (PV) panela je fundamentalna za dizajn komplementarnog hibridnog sistema. Statistička analiza godišnjih podataka o brzini vjetra i solarnoj radijaciji za određenu regiju pokazuje da resurse vjetra pokazuju sezone varijacije, s većom brzinom vjetra u zimskim i prolaznim mjesecima i nižom brzinom u ljetnim i jesenskim mjesecima. Proizvodnja električne energije iz vjetra je proporcionalna kubu brzine vjetra, što rezultira značajnim fluktuacijama proizvodnje.

Resursi sunca, s druge strane, pokazuju jasne dnevne i sezonske modele - duže svjetlostne sate i jače zračenje u ljetnim mjesecima, a slabije uvjete u zimskim mjesecima. Efikasnost PV panela negativno utječe porast temperature. Usporedba vremenskog rasporeda vjetra i solarnih resursa pokazuje da oni pokazuju komplementaran ponašanje na dnevnom i godišnjem ciklusu. Ova komplementarnost omogućuje dizajn efikasnih i stabilnih energetskih sistema, gdje se može konfigurirati optimalni kapacitetni odnos između dva izvora energije kako bi se izglađen ukupni izlaz snage.

2. Modeliranje hibridnih sustava proizvodnje električne energije iz vjetra i sunca

2.1 Model pod-sustava proizvodnje električne energije iz vjetra

Model pod-sustava proizvodnje električne energije iz vjetra temelji se na podacima o brzini vjetra i karakteristikama turbine. Weibull distribucija se koristi za prilagođavanje vjerojatnosti distribucije brzine vjetra, točno opisujuci njegovo statističko ponašanje. Odnos između izlazne snage turbine i brzine vjetra predstavljen je usmjerenom funkcijom koja uključuje ključne parametre poput brzine vjetra za upaljenje, nominale brzine vjetra i brzine vjetra za isključivanje.

Metoda najmanjih kvadrata se primjenjuje za prilagođavanje krivulje snage turbine, dajući matematički izraz izlazne snage prema brzini vjetra. Za uzimanje u obzir nasumičnosti brzine vjetra, uvedena je Monte Carlo simulacijska metoda za predviđanje generacije vjetroelektrane. Model točno odražava dinamičke karakteristike sustava proizvodnje električne energije iz vjetra i pruža temelj za optimizaciju sustava. Također uključuje utjecaj promjena smjera vjetra na efikasnost proizvodnje uvođenjem faktora korekcije smjera vjetra, time unapređujući točnost predviđanja.

2.2 Model pod-sustava fotovoltaičke proizvodnje

Model pod-sustava fotovoltaičke proizvodnje komprehensivno razmatra solarnu radijaciju, okružnu temperaturu i karakteristike PV modula. Postavljen je statistički model solarnog zračenja kako bi se opisale njegove vremenske varijacije. Izlazne karakteristike PV modula predstavljene su I-V krivuljama. Utjecaj temperature na efikasnost modeliran je koristeći jednodiodni ekvivalentni krug, s izlaznom snagom izračunatom rješavanjem nelinearnog sustava jednadžbi.

Model također uključuje faktore kao što su senčenje i akumulacija prašine, uvođenjem faktora korekcije kako bi se unaprijedila točnost predviđanja. Uzima u obzir starenje PV modula uključujući godišnju stopu degradacije kako bi se prognozirale dugoročne promjene izlazne snage. Ovaj model točno odražava performanse PV sistema pod različitim okolišnim uvjetima.

2.3 Model sustava za pohranu energije

Model sustava za pohranu energije temelji se uglavnom na karakteristikama litij-ionskih baterija. Razvijen je dinamički model stanja nabijanja (SOC) baterije kako bi se opisali procesi punjenja i ispunjenja. Uzeti su u obzir karakteristike samopraznjenja i učinkovitosti punjenja/ispunjenja, s uvođenjem faktora korekcije temperature kako bi se odražio utjecaj okoliša. Vječnost baterije modelirana je kombinacijom broja ciklusa i dubine ispunjenja (DOD) kako bi se prognozirala degradacija kapaciteta.

Model točno odražava performanse baterije pod različitim radnim uvjetima, podržavajući optimalno dimenzioniranje i strategije raspoređivanja. Također uzima u obzir varijacije unutarnjeg otpora postavljanjem funkcionalnih odnosa između otpora, broja ciklusa i temperature, omogućujući precizniju simulaciju dinamičkog ponašanja. Ključni izlazi uključuju stvarno vrijeme SOC, dostupnu kapacitet, snagu punjenja/ispunjenja i očekivanu vječnost - pružajući kompleksnu podatkovnu podršku za optimalno funkcioniranje i održavanje.

2.4 Integrirani model sustava

Integrirani model sustava kombinira pod-sustave vjetra, sunca i pohrane u jedinstveni okvir. Metoda ekvivalentnog opterećenja koristi se za obradu fluktuacija opterećenja, a postavljena je jednadžba ravnoteže snage sustava. Uvedeni su indeksi pouzdanosti poput Vjerojatnosti gubitka snage (LOLP) i Očekivane neispunjene snage (EENS) kako bi se evaluirao performansi sustava. Sekvencijalna simulacija vremenskih serija koristi se za izračun stanja rada sustava na različitim vremenskim skalama.

Model uzima u obzir interakcije između pod-sustava, poput senčenja PV panela od strane vjetroturbin. Također uključuje sučelje mreže, omogućujući analizu strategija povezane sa mrežom, uključujući ekonomsku raspodjelu prema tarifama prema vremenu i usluge regulacije frekvencije mreže. Izlazi uključuju ukupnu proizvodnju snage, stopu zadovoljenja opterećenja i ekonomske performanse, pružajući kompleksnu teorijsku osnovu za planiranje, dizajn i donošenje odluka o operacijama sustava.

3. Metode optimizacije i eksperimentalna analiza hibridnih sustava vjetra i sunca

3.1 Ciljna funkcija i ograničenja

Ciljna funkcija optimizacije integriše ekonomske, pouzdane i ekološke aspekte. Ekonomska ciljna funkcija minimizira ukupnu cijenu sustava, uključujući početnu investiciju, održavanje i zamjenu. Cilj pouzdanosti maksimizira pouzdanost snabdijevanja električnom energijom, kvantificirajući minimizacijom LOLP. Ekološki cilj meri se maksimizacijom smanjenja emisija ugljikova dioksida.

Ograničenja uključuju ravnotežu snage, ograničenja kapaciteta pohrane i operativna ograničenja opreme. Ograničenje ravnoteže snage osigurava ispunjenje potreba za opterećenjem u svakom trenutku. Ograničenja kapaciteta pohrane ograničavaju dubinu ispunjenja (DOD) kako bi se produžila vječnost baterije. Ograničenja opreme razmatraju nominalnu snagu i operativne karakteristike komponenti. Metoda višestruke težine ciljeva integriše ove ciljeve u jednu ciljnu funkciju, s težinama određenim na temelju preferencija donositelja odluka i primjena scenarija.

3.2 Primjena algoritma Particle Swarm Optimization (PSO)

Algoritam Particle Swarm Optimization (PSO), inteligentni algoritam optimizacije, primjenjuje se na dizajn hibridnih sustava vjetra i sunca. Simulirajući ponašanje pticina, PSO traži optimalna rješenja u prostoru rješenja. Svaki čestica predstavlja potencijalnu konfiguraciju sustava, uključujući odlučne varijable poput kapaciteta vjetroture, kapaciteta PV i kapaciteta pohrane. Položaj i brzina čestice iterativno se ažuriraju, konvergirajući prema globalnom optimumu.

Za poboljšanje performansi, primijenjena je strategija linearno smanjivanja inercione težine - održavajući jaku globalnu eksploraciju na početku i poboljšavajući lokalnu eksploataciju kasnije. Uvedena je adaptivna mutacija kako bi se izbjegli lokalni optimali. Zbog složenosti problema, hijerarhijska kodiranja strategija odvaja kontinuirane i diskretne varijable. Algoritam završava nakon dosezanja maksimalnog broja iteracija ili kada se optimalna vrijednost mijenja manje od pragovne vrijednosti u uzastopnim iteracijama.

3.3 Eksperimentalni dizajn i postavke parametara

Eksperiment temelji se na stvarnim meteorološkim i opterećenjima podacima iz određene regije, koristeći tipičnu godinu satnih podataka. Meteorološki ulazi uključuju satne brzine vjetra, solarnu radijaciju i okružnu temperaturu. Profili opterećenja slijede tipičan model potrošnje industrijskog parka, odražavajući sezonske i dnevne varijacije. Parametri opreme odabrani su iz mainstream komercijalnih vjetroturbin i PV panela, s podacima o performansama iz testnih izvještaja proizvođača.

Litij-ionska baterija koristi se za pohranu, s parametrima uključujući nominale kapaciteta, učinkovitost punjenja/ispunjenja i vječnost ciklusa. Parametri PSO su postavljeni ovako: veličina populacije = 50, maksimalni broj iteracija = 1000, inerciona težina linearno smanjuje se od 0.9 do 0.4, a faktori učenja c1 i c2 su postavljeni na 2. Za osiguranje pouzdanosti rezultata, svaka konfiguracija se pokreće 30 puta, s prosječnom vrijednosti kao konačnim rezultatom.

3.4 Metrički pokazatelji performansi sustava

Pokazatelji performansi pokrivaju tehničke, ekonomske i ekološke aspekte. Tehnički pokazatelji uključuju pouzdanost sustava, stopu iskorištavanja energije i izgladjivanje snage. Pouzdanost mjeri se Indeksom sposobnosti snabdijevanja (RSCI) i Vjerojatnošću gubitka snabdijevanja (LPSP). Iskorištavanje energije odražava učinkovitost obnovljive energije, dok izgladjivanje snage procjenjuje stabilnost izlaza. Ekonomske metričke uključuju Nivo cijene električne energije (LCOE), Neto sadašnju vrijednost (NPV) i period vraćanja ulaganja. LCOE uzima u obzir troškove životnog ciklusa, NPV odražava profitabilnost projekta, a period vraćanja ulaganja procjenjuje brzinu oporavka kapitala.

Ekološki pokazatelj je smanjenje emisija ugljikova dioksida, izračunato usporedbom s konvencionalnom proizvodnjom baziranom na fosilnim gorivima. Također, kompozitni pokazatelj performansi - Kompleksni indeks dobrobiti sustava (SCBI) - integriše tehničke, ekonomske i ekološke faktore putem ponderiranog zbrajanja. Ovi pokazatelji i njihove težine određeni su na temelju stručnog sudovanja i praktičnih potreba, pružajući kompleksnu procjenu performansi sustava i podržavajući informirano donošenje odluka.

3.5 Analiza rezultata optimizacije

Rezultati optimizacije pokazuju da hibridni sustav proizvodnje električne energije iz vjetra i sunca nudi značajne prednosti nad sistemima s jednim izvorom energije. U referentnom scenariju, optimalna konfiguracija sastoji se od 2 MW kapaciteta proizvodnje električne energije iz vjetra, 1.5 MW kapaciteta fotovoltaičke (PV) proizvodnje i 500 kWh kapaciteta pohrane. Ova konfiguracija smanjuje Vjerojatnost gubitka snabdijevanja snage (LPSP) ispod 1% i smanjuje Nivo cijene električne energije (LCOE) približno za 15% u usporedbi s samostalnim vjetro-turbinskim ili PV sustavima. Sensibilna analiza pokazuje da trošak opreme ima najveći utjecaj na rezultate optimizacije