Ефективна оптимізація гібридної системи вітропарк-сonneчна енергетика з зберіганням

1. Аналіз характеристик виробництва електроенергії на основі вітрової та сонячної фотovoltaic енергії

Аналіз характеристик виробництва електроенергії на основі вітрової та сонячної фотovoltaic (PV) енергії є фундаментальним для проектування комплементарної гібридної системи. Статистичний аналіз даних про середньорічну швидкість вітру та сонячне опромінення для певного регіону показує, що вітрові ресурси мають сезонну змінність, з більшою швидкістю вітру у зимовий та весняний період і меншою швидкістю у літній та осінній період. Виробництво електроенергії на основі вітрової енергії пропорційне кубу швидкості вітру, що призводить до значних коливань продуктивності.

Сонячні ресурси, навпаки, мають чіткі добові та сезонні зразки—довші денні години та сильніше опромінення у літній період, і слабкіші умови у зимовий період. Ефективність PV негативно впливає на підвищення температури. Порівнюючи часове розподілення вітрової та сонячної енергії, очевидно, що вони демонструють комплементарну поведінку як на добовому, так і на річному циклах. Ця комплементарність дозволяє проектувати ефективні та стабільні системи живлення, де можна налаштувати оптимальне співвідношення між двома джерелами енергії, щоб згладити загальний випуск електроенергії.

2. Моделювання гібридних систем виробництва електроенергії на основі вітрової та сонячної енергії

2.1 Модель підсистеми вітрової енергії

Модель підсистеми вітрової енергії базується на даних про швидкість вітру та характеристики вітрових турбін. Розподіл Вейбулла використовується для опису ймовірностного розподілу швидкості вітру, точно описуючи його статистичну поведінку. Зв'язок між виводом потужності турбіни та швидкістю вітру представляється кусковою функцією, яка враховує ключові параметри, такі як порогова швидкість вітру, номінальна швидкість вітру та максимальна швидкість вітру.

Метод найменших квадратів застосовується для підгонки кривої потужності турбіни, що дає математичний вираз потужності виводу відносно швидкості вітру. Для врахування випадковості швидкості вітру вводиться метод Монте-Карло для прогнозування виробництва вітрової ферми. Модель точно відображає динамічні характеристики систем вітрової енергії та надає основу для оптимізації системи. Також вона враховує вплив змін напрямку вітру на ефективність виробництва, вводячи фактор корекції напрямку вітру, що покращує точність прогнозування.

2.2 Модель підсистеми сонячної енергії

Модель підсистеми сонячної енергії комплексно враховує сонячне опромінення, температуру оточення та характеристики модулів PV. Створюється статистична модель сонячного опромінення для опису його часових змін. Вивід характеристик модулів PV представляється I-V кривими. Вплив температури на ефективність моделюється за допомогою однодіодного еквівалентного контуру, з потужністю виводу, обчислюваною через вирішення системи нелінійних рівнянь.

Модель також враховує фактори, такі як затінення та накопичення пилу, вводячи коефіцієнти корекції для поліпшення точності прогнозування. Вона враховує старіння модулів PV, включаючи щорічну ступінь виробничої деградації для прогнозування довгострокових змін виводу потужності. Ця модель точно відображає продуктивність системи PV у різних екологічних умовах.

2.3 Модель системи зберігання енергії

Модель системи зберігання енергії базується головним чином на характеристиках літіє-іонних акумуляторів. Розробляється динамічна модель стану заряду (SOC) акумулятора для опису процесів зарядження та розрядження. Враховуються характеристики саморозряду та ефективність зарядження/розрядження, з введенням температурного коефіцієнта корекції для відображення екологічних впливів. Тривалість життя акумулятора моделюється за допомогою комбінації кількості циклів та глибини розряду (DOD) для прогнозування виробничої деградації.

Модель точно відображає продуктивність акумулятора у різних умовах роботи, підтримуючи оптимальне розмірів та стратегії використання. Вона також враховує зміну внутрішнього опору, встановлюючи функціональні зв'язки між опором, кількістю циклів та температурою, що дозволяє більш точно симулювати динамічну поведінку. Ключові результати включають реальний час SOC, доступну ємність, потужність зарядження/розрядження та очікувану тривалість життя—що забезпечує всебічну даних для оптимального управління та обслуговування.

2.4 Модель інтеграції системи

Інтегрована система моделює поєднання підсистем вітрової, сонячної та системи зберігання енергії в єдиний фреймворк. Використовується метод еквівалентного навантаження для обробки флуктуацій навантаження, та встановлюється рівняння балансу потужності системи. Вводяться показники надійності, такі як Ймовірність втрати навантаження (LOLP) та Очікувана енергія, яка не була надана (EENS), для оцінки продуктивності системи. Послідовна часовий ряд симуляція використовується для обчислення станів роботи системи на різних часових масштабах.

Модель враховує взаємодії між підсистемами, такі як затінення панелей PV вітровими турбінами. Вона також включає інтерфейс мережі, що дозволяє аналізувати стратегії роботи, з'єднані з мережею, включаючи економічне розподілення за тарифами залежно від часу використання та послуги регулювання частоти мережі. Результати включають загальне виробництво електроенергії, ступінь задоволення навантаження та економічні показники продуктивності, що забезпечує всебічну теоретичну основу для планування, проектування та прийняття рішень щодо роботи системи.

3. Методи оптимізації та експериментальний аналіз гібридних систем вітрової та сонячної енергії

3.1 Цільова функція та обмеження

Цільова функція оптимізації інтегрує економічні, надійнісні та екологічні розгляди. Економічна мета полягає в мінімізації загальної вартості системи, включаючи початкові інвестиції, експлуатацію та технічне обслуговування (O&M), та витрати на заміну. Надійнісна мета полягає в максимізації надійності поставок електроенергії, кількісно визначеної мінімізацією LOLP. Екологічна мета вимірюється максимізацією зниження викидів вуглекислого газу.

Обмеження включають баланс електроенергії, межі зберігаючої здатності та обмеження на роботу обладнання. Обмеження балансу електроенергії забезпечують задоволення потреб споживачів у всі часи. Обмеження щодо зберігаючої здатності обмежують глибину розряду (DOD) для продовження терміну служби акумуляторів. Обмеження обладнання враховують номінальну потужність та характеристики роботи компонентів. Метод вагового множинного цілювання інтегрує ці цілі в одну цільову функцію, де вагові коефіцієнти визначаються на основі переваг приймачів рішень та сценаріїв застосування.

3.2 Застосування методу оптимізації роя частилин (PSO)

Метод оптимізації роя частилин (PSO), інтелектуальний алгоритм оптимізації, застосовується до проектування гібридних систем вітрово-сонячної енергетики. Імітуючи поведінку стаї птахів, PSO шукає оптимальні рішення у просторі рішень. Кожна частина представляє потенційну конфігурацію системи, включаючи змінні рішень, такі як потужність вітрових турбін, потужність ФВ, та зберігаюча потужність. Позиція та швидкість частин поступово оновлюються, збігаючись до глобального оптимуму.

Для покращення продуктивності використовується стратегія лінійно спадаючого інерційного вагу—збереження сильного глобального пошуку на ранніх етапах та поліпшення локальної експлуатації на пізніших. Вводиться адаптивна мутація, щоб уникнути локальних оптимумів. Враховуючи складність задачі, ієрархічна стратегія кодування розділяє неперервні та дискретні змінні. Алгоритм завершується, коли досягається максимальна кількість ітерацій або коли оптимальне значення змінюється менше ніж на порогове значення протягом послідовних ітерацій.

3.3 Експериментальний дизайн та параметри

Експеримент базується на реальних метеорологічних та даних про навантаження з певного регіону, використовуючи типовий рік годинних даних. Метеорологічні входи включають годинну швидкість вітру, сонячну радіацію та температуру оточення. Профілі навантаження відповідають типовому шаблону споживання промислового парку, відображаючи сезонні та добові коливання. Параметри обладнання вибираються серед основних комерційних вітрових турбін та модулів ФВ, з даними про продуктивність, взятими з тестових звітів виробників.

Для зберігання використовується літієво-іонний акумулятор, з параметрами, що включають номінальну здатність, ефективність заряду/розряду та циклова довговічність. Параметри PSO встановлені наступним чином: розмір популяції = 50, максимальна кількість ітерацій = 1000, інерційний ваг спадає лінійно від 0.9 до 0.4, а фактори навчання c1 і c2 встановлені на 2. Для забезпечення надійності результатів кожна конфігурація запускається 30 разів, і середнє значення береться як фінальний результат.

3.4 Метрики оцінки продуктивності системи

Метрики оцінки продуктивності охоплюють технічні, економічні та екологічні аспекти. Технічні показники включають надійність системи, коефіцієнт використання енергії та стабілізацію потужності. Надійність вимірюється індексом здатності до забезпечення надійності (RSCI) та ймовірністю втрати надійності живлення (LPSP). Коефіцієнт використання енергії відображає ефективність відновлюваних джерел енергії, тоді як стабілізація потужності оцінює стабільність виходу. Економічні показники включають урівнювану вартість електроенергії (LCOE), чисту теперішню вартість (NPV) та період окупності. LCOE враховує витрати протягом циклу життя, NPV відображає прибутковість проекту, а період окупності оцінює швидкість повернення капіталу.

Екологічний показник — зменшення викидів вуглецю, розраховане через порівняння з традиційними виробництвами на основі вуглеводневих палив. Додатково, комплексний індекс користі системи (SCBI) інтегрує технічні, економічні та екологічні фактори через зважене сумування. Ці метрики та їх ваги визначаються на основі експертних суджень та практичних потреб, забезпечуючи всебічну оцінку продуктивності системи та підтримуючи відповідні рішення.

3.5 Аналіз результатів оптимізації

Результати оптимізації показують, що гібридна система виробництва електроенергії на основі вітрової та сонячної енергії має значні переваги над системами з одним джерелом енергії. В базовому сценарію оптимальна конфігурація складається з 2 МВт вітрової потужності, 1,5 МВт фотоелектричної (PV) потужності та 500 кВт·год енергетичного зберігання. Ця конфігурація знижує ймовірність втрати поставок електроенергії (LPSP) до рівня нижче 1% та зменшує рівневу вартість електроенергії (LCOE) приблизно на 15% порівняно з окремими вітровими або PV-системами. Чутливісний аналіз виявляє, що найбільший вплив на результати оптимізації має вартість обладнання — зниження вартості на 10% призводить до приблизного зниження LCOE на 8%.

Зміни профілю навантаження значно впливають на розмір енергетичного зберігання; збільшення різниці між піковим та мінімальним навантаженням вимагає більшої потужності зберігання. Оптимальні конфігурації відрізняються в різних регіонах: у вітрових регіонах сприяють більш високим відношенням вітрової енергії, тоді як у сонячних регіонах збільшується доля PV. Багатоцільова оптимізація генерує Парето-фронт, що дозволяє приймати рішення щодо балансування економічної ефективності та надійності відповідно до практичних потреб. Результати також показують, що врахування механізму торгівлі вуглецем додатково покращує економічну продуктивність, знижуючи LCOE на 5-10%. Довгострокове моделювання підтверджує стабільність системи, де втрата продуктивності за період функціонування 20 років залишається в рамках проектованого допустимого рівня.

4 Висновок

Інтеграція та оптимізація гібридних систем виробництва електроенергії на основі вітрової та сонячної фотоелектричної енергії надають ефективне рішення проблеми непостійності відновлюваних джерел енергії. Шляхом створення математичних моделей та застосування алгоритму оптимізації роя (PSO) було досягнуто значних покращень у показниках роботи системи. Експериментальні результати підтверджують можливість та ефективність запропонованого підходу. Однак масштабне розгортання вітро-сонячних гібридних систем все ще зіткнуто з численними проблемами, такими як точність прогнозування погоди та обмеження технологій зберігання енергії.

Майбутні дослідження повинні бути спрямовані на підвищення інтелектуальності системи та поліпшення адаптивності до складних погодних умов, що дозволить значно збільшити економічну ефективність та надійність цих систем. Це стане важливим внеском у створення чистої, ефективної та безпечного сучасного енергетичного системи.