英语原文共 9 页
通过分析高时间分辨率数据以预测微电网中的高穿透性光伏系统的变化性
摘要：目前可持续能源在世界上得到持续普及，然而仍然存在着一个根本性的限制——电力发电的变化性，这阻碍了可持续能源的广泛采用。分布式发电并网光电池系统配备了集中电池备份，可以减轻光电系统的变化性，同时减少分析高时间分辨率数据的花费。因此它在符合绿色化要求的同时能够提供可靠的电力。这篇论文的焦点是分析当涉及到微电网概念时，高穿透光电的变化性。适合的系统设计方法是基于高时间分辨率而不是更常用的时间分辨率数据。这篇论文使用了一个经济的方法来决定最佳的系统设计，以用最小的投资保证可靠的供电，以此来证明光电资源的变化性可以通过确定光电阵列的数量和他们在微电网中的对应距离确定，然后用于储存。
关键词：分布式光伏系统；微电网；光伏；光伏储存系统；智能电网；变化性分析
介绍
从2004年到2009年，人们对于可持续能源的兴趣和已安装的光伏系统容量以每年60%的速度持续增加，2011年的速度是80%。然而存在一个根本限制，这阻止了光伏系统真正的广泛传播使用——发电的变化性。微电网分布式负载点光伏发电与集中式社区蓄电池一体化的微电网是一个引人注目的措施来促进社区的绿色化，以达到环保指标，同时将资本成本货币化，满足电力需求。
由于太阳能的随机性，光伏发电/能量储存系统设计中最重要的因素之一是系统变化性的缓解，在高穿透光伏场景中，光伏发电的高斜率变化给维持系统平衡和稳定带来了相当大的挑战。利用电池储能，可以消除光伏系统的一定量的功率波动，以吸收剩余功率，补充不足容量，在操作条件变化的情况下使系统运行稳定化。本论文表明，在分析高时间分辨率数据时，通过将光伏阵列与局部负载同时使用，可以实现额外的变化性抑制。
分散式发电，配备集中式电池备份的并网光伏系统，已经被提倡用于社区规模的微电网，例如德克萨斯州奥斯汀的PECAN街项目以及其他社区。公用电网与社区配电总线的电力电子接口是固态变压器，由FREEDM中心开发。
美国国防部正在推行类似的项目，以改善能源保证和增加军事设施的可再生能源利用。结果表明，除了提高微电网负荷的可靠能量外，可再生能源还减轻了微电网的变化性，如利用在公共耦合点(PCC)所看到的那样。因此，一个拥有分布式光伏和集中电池存储的社区是一个有吸引力的技术解决方案，可以让社区“走向绿色”，同时确保可靠电力和军队设施能够满足2007年的环境独立和安全法案，该法案要求到2025年所有联邦所需能源中可再生能源占比25%。光伏能源的缺点是光伏和接口所需设备的成本。因此，优化发电、储存和缓解可变性对于此类微电网系统的经济可行性来说至关重要。
在文献中，在分析高时间分辨率辐照度数据时，可以找到一些关于了解中心位置光伏系统的可变性的论文。现有的文献主要集中在变化性对交流电网的影响。本文选择了不同的视角。相反，我们从如何减轻PCC的变化性的角度来分析这个问题。因此，光伏变化性决定了本地系统在实用视角上维护PV无变化节点所需的存储量。从这个角度出发，我们研究了光伏阵列之间距离的影响，作为一种降低变化性，从而降低储能的方法。当然，这只在暂时的大气条件下起作用，但这也是最难规划的情况。我们的假设是，多云的天气更容易被预测和规划。
在分析高时间分辨率数据(如几秒钟)时，没有全面分析分布式光伏阵列对系统可变性的影响。他们中的许多人使用随机数学模型。本文的主要贡献是利用图中所示的微电网概念，对一种高穿透的光伏方案的变化性进行了实验分析。对于两个实验案例的研究，使用不同的时率数据光伏发电。这些案例研究用于本文的变化性分析。结果表明，高渗透光伏的变化性不像光伏的中心位置那么大，仅需少量的储能就可以任意地减轻这种变化，并通过减少需求(包括峰值调整和需求转移)来降低能源强度。
系统配置
图1显示了被提到的的社区微电网的单线电路图。该系统可分为三类设备。1）第一类是包括共用光伏系统、电池储能和电网的发电。2）第二类是转换、分配和智能电网互连。转换部分包括用于光伏系统的DC/DC转换器和DC/AC逆变器，后者连接到本地分配总线并提供120 v的交流电负荷。功率电子区包括转换级，在图1中标记为功率电子接口。
分布式光伏模块以最高优先级分配给社区分配总线并为电池存储充电；当来自光伏模块的功率不足以满足负载时，电池组会被释放。如果仍然没有足够的电力，可以从电网购买一定数量的电力来供应负载。因此，从电网输入的电力具有最低的优先级。如图所示，本文中的分布式光伏系统由N个完全相同的光伏阵列组成，间距D相等。如果D是小于5米，系统表现得更像一个集中式光伏发电系统，而不是DG。这一点将在5-A节中进一步探讨。
案例研究
案例1
从美国国家太阳辐射数据库获得的1961至1990年30年内的历史太阳日照数据已被用于模拟美国多个地点的真实环境条件。图3中给出了候选地理位置的每月日照和能量数据。光伏系统的直流-交流转换效率系数假定为光伏组件的直流铭牌功率额定值77%，同时考虑到电流中的所有部件。纵览这30多年的资料，最佳月份平均入射能量密度为5970 wh/m2，最差月份仅为4008wh/m2。
案例2
此案例研究使用从安装在TexasA上的27.6kW光伏系统采集的高时间分辨率数据。该系统被配置为五个独立的阵列，每10s采样一次光伏发电(ac输出)数据。图4给出了三个等距候选阵列的输出功率数据，距离D约为100 m。光伏发电瞬间的巨大变化如图4所示。几秒钟内，由于云层覆盖的瞬时现象，发电量几乎减少了一半。图中示出了接近中午的三个光伏阵列的详细图表。这揭示了一个有趣的发现——阵列的物理分布导致时间偏移；云的瞬时效应影响下的延迟。图6将三种分布式光伏阵列的总发电量与集中位置的发电功率进行比较，当光伏阵列并置时，输出功率的变化性明显减小。
制订系统规模
第五节的变化性分析是基于最优化的光伏发电/储能系统。使用最佳尺寸的光伏存储系统作为实际的变化性分析模型，而不是特大型系统。由于本文的主要目的并不是对光伏系统进行优化，因此我们将简要地进行优化设计，使所提出的微电网系统具有最优化的潮流。[7]、[33]和[34]详细讨论了这种微电网系统的潮流优化问题。
负荷轮廓图
图7中显示了案例研究的平均每小时需求。如图8所示，每套公寓的负荷轮廓是在全年内估计的。采用质心法估计了位于能量分布之间的公寓单元的负荷分布。例如，在1000和1500千瓦时曲线之间的1150千瓦时，可从1000 p1500(1minus;p)=1150中找到，其中p=70%。因此，1150千瓦时与1000千瓦时负荷模式和30%至1500千瓦时负荷模式有70%的相似性。采用这一方法，并根据表1中的资料，确定公寓综合体每月平均所需负荷约为82 920千瓦时。
光伏与储能尺寸
图9阐述了光伏系统的优化过程，包括成本分析；案例研究2和前面提到的负载配置文件的数据是设计算法的输入。我们可以计算出总装机容量如下：
其中ED是以千瓦时为单位的需求，EPV是由4千瓦光伏系统产生的以千瓦时为单位的交流能量。使用(1)，我们可以在最差的月份(本案例研究的9月份)对光伏系统进行尺寸调整，这需要最大的装机容量来承担负荷。使用这种方法，满足负载要求所需的光伏装机容量为165千瓦。
包含电池备份的光伏系统的最佳规模提供了高可靠性过程。因为太阳能只存在于晴天和白天。因此，优化的储能系统可以降低整个系统的一定量的变化性，以满足任何时候的需求。电池组在负载大于所需功率时开始充电，因此电池组的充电状态可以表述为
当PLOAD(T)是负载在时间t时所需的功率时，eta;BATT和eta;inv分别是电池和逆变器的效率。如果电池处于放电状态，则充电状态可表述为
利用11月份日照日平均日照率最低的案例2的太阳日照资料，计算了光伏系统不满足需求时的负荷损失裕度。最高的赤字幅度出现在11月25日，575千瓦时的需求由于低太阳辐射而一整天没有得到满足。所需的电池数量计算如下：
其中Sbatt是电池的容量，pdod是放电的深度，VSys是系统的电压。考虑到特洛伊电池L-16p(6v390ah)具有5-10年平均放电深度80%的特点，我们得到了nbat=310。
在本文中，系统调整的详细信息不包括在内，因为它超出了本文的范围；在早期的工作中，可以对这种微电网系统进行一步的调整。
变化性分析
变化性可以定义为光伏输出功率在研究的选定时间间隔上的变化。可以通过计算系统在指定时间内的标准差来确定光伏系统的变化性。
地理分布
在太阳能收集系统中，有许多因素会导致整个系统的变化，例如云的移动速度。通过观测相邻光伏阵列的地理距离与变化性的关系，可以缓解部分多云天气系统的输出功率波动。在本文中，定义了一个相对变化性来进行变化性分析。相对变化性是n个同向光伏阵列的变化性与相同阵列数的集中式光伏系统的变化性之比，其范围从0到1。如图6所示，三种光伏阵列在地理分布时输出功率的变化与集中式阵列相比是显著减少的。通过改变系统n中数组的距离d和数目，可以看到相对变化性的变化是很有趣的。在这个分析中，云的移动速度是恒定的。图10说明了具有三个和五个光伏阵列的系统的相对变化性行为，当它们之间的距离d变化时，云的瞬态速度被假定为常数“x”。
如图10所示相对变化性不具有纯凸形，但当Dgt;150 m时，我们可以看到相对变化性略有增加，这是不可取的。因此，五个光伏阵列系统之间的最佳距离为150米。理论上，当云层扰动对一个光伏阵列的影响在一个时间间隔t内进行选择时，可以得到最优值，根据实验测量，该最优距离约为150 m。在图11中可以看到对这一现象的更清楚的观察。云瞬变速度变化时，图10中实际测量数据的云瞬变速度v被假定为“v=x”。 如果光伏阵列1的辐照度水平在时间t上，则相邻光伏阵列距离d的辐照度级别为
该公式可推广到本文提出的五个相邻光伏阵列的实例研究中。现在，通过了解阵列与其对应的辐照度之间的距离(根据实际测量数据)，利用云的瞬变速度x，可以确定每个光伏阵列的辐照度水平是否适用于云的瞬变速度x以外的任何其他瞬变速度。利用这一现象,图11中表明的结果是确定的。对这一现象作了两个假设：1）假设云瞬变矢量位于光伏阵列位置的方向；2）在光伏阵列上方移动时，云层面积及其密度基本不变。
图10中可以看出，当云的瞬态速度比图中的速度高出16倍时，如图11所示，相对变化性要低得多。最坏的情况是当光伏阵列之间的距离小于某一值时发生，这导致两个或多个部分阴影的光伏阵列在一个时间间隔内出现，从而降低了该模型的有效性。
图11中图表的追踪表示，当距离超过最小长度时，相对变化性就会增加。由于本文所研究的系统是一个微电网，它本质上是一个小规模的系统，因此指向最小距离是不实际的。在社区或军事基地，我们感兴趣的是我们能把光伏和所需的最小距离整合，以实现系统中最低的储能。
应当指出，对固定数目的光伏阵列而言，最大距离d并不能最大限度地减少相对变化性，而这也可能会增加系统的额外布线和通信成本。类似地，如图12所示，在拥挤区域增加更多的光伏阵列并不会降低相对变化性。如图12所示，通过假定安装功率和距离d的恒定量，增加共定位光伏阵列的数目，使相对变化性显著减小，然后达到饱和。更多的光伏阵列对系统变化性的影响是很有趣的。图表13说明了五个同位光伏阵列与集中式光伏阵列的每日输出功率，因为它表明，当光伏阵列在地理上分布时，其变化性大大降低。
数据的瞬时清晰度
图14、15中的模拟结果显示，在7天间隔内，较高的时间数据(案例研究2)预测从电网输入的电力比每小时的数据(案例研究1)预测的更少，即使没有使用当地储能。公共业务规划的结果在高光伏穿透情况较为不确定。在考虑存储时，图15中所示的更高的时间速率数据明确表明，社区微电网作为公用电网的负荷，其变化性进一步大大降低。
在操作上，这意味着系统变得更容易调度和控制。将智能电网通信系统的能力叠加起来，就可以通过调整每个太阳能阵列的功率点跟踪，将显示为“输出”的多余能量有选择地注入到公用电网中。这样，可以使高穿透光伏微电网在主交流电网上工作，并且负载几乎恒定。
另一个有趣的观察是并置光伏阵列对潮流直方图的影响。图16说明了光伏阵列在距离D为100 m的情况下，时间间隔为7天的潮流直方图。通过光伏阵列并置和包括蓄电池组，可以进一步降低系统的可变性。
如图17所示，除了减少变化外，当光伏阵列以每单位100米的距离分布时，可以看到能源收获的大幅度增加。图17表明，在研究的7天间隔期内，平均可获得4.56%的能量收获。在几个小时内也可以看到负的百分比，这意味着从地理分布的光伏系统的能量收获少于中央位置的系统。但这并不重要，因为在7天内时间总共不到8小时。
讨论及结论
随着光伏电池技术的进步和实现规模化普及，光伏系统的成本继续下降。然而，在光伏的普及之前，仍有一些根本性的挑战必须解决；其中最重要的是如何解决太阳能固有的变化性问题。本文的主要目的是通过对高时间分辨率太阳辐射数据的分析，给出一种量化不同光伏配置系统变化性的通用模型。从效用的角度更好地理解光伏系统的变化性对公共系统运行的影响一直是非常重要的。
本文对影响系统变化性的参数，如光伏阵列的数目和相邻光伏阵列之间的距离进行了实验研究。本文的分析是基于一个经过优化的光伏发电/存储系统，这是一个现实的模型框架。
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
