基于概率可靠度的槽式太陽(yáng)能電站優(yōu)化設(shè)計(jì)

張燕平，張宇超，劉易飛

基于概率可靠度的槽式太陽(yáng)能電站優(yōu)化設(shè)計(jì)

張燕平1，張宇超2，劉易飛2

（1．華中科技大學(xué)能源與動(dòng)力工程學(xué)院，湖北省 武漢市 430074；2．華中科技大學(xué)中歐清潔與可再生能源學(xué)院，湖北省 武漢市 430074）

基于概率可靠度對(duì)槽式太陽(yáng)能電站系統(tǒng)配置進(jìn)行了優(yōu)化設(shè)計(jì)。首先，通過(guò)SAM軟件對(duì)建設(shè)50MW槽式太陽(yáng)能電站進(jìn)行了模擬，并考慮不確定性因素帶來(lái)的隨機(jī)性，結(jié)合神經(jīng)網(wǎng)絡(luò)-蒙特卡羅法，建立了槽式太陽(yáng)能電站基于其太陽(yáng)倍數(shù)、蓄熱系統(tǒng)蓄熱時(shí)長(zhǎng)以及集熱槽行間距3個(gè)設(shè)計(jì)參數(shù)的不確定性模型。其次，建立了可靠度計(jì)算模型，選取平準(zhǔn)化度電成本(levelized cost of energy，LCOE)、容量因子(capacity factor，CF)和總發(fā)電效率作為性能評(píng)價(jià)指標(biāo)，以各性能評(píng)價(jià)指標(biāo)的可靠性指標(biāo)最優(yōu)為優(yōu)化目標(biāo)，進(jìn)行了可靠性計(jì)算與分析。最后，將不確定性模型下得出的各設(shè)計(jì)參數(shù)的最優(yōu)配置與確定性模型下的優(yōu)化結(jié)果進(jìn)行了對(duì)比。由于考慮了不確定性因素的影響，不確定性模型下的計(jì)算結(jié)果更接近實(shí)際情況。

槽式太陽(yáng)能電站；概率可靠度；優(yōu)化設(shè)計(jì)；不確定性；神經(jīng)網(wǎng)絡(luò)

0 引言

近年來(lái)，太陽(yáng)能開(kāi)發(fā)利用規(guī)?？焖贁U(kuò)大，技術(shù)進(jìn)步和產(chǎn)業(yè)升級(jí)加快，太陽(yáng)能熱發(fā)電技術(shù)已取得較大進(jìn)展[1-2]。槽式太陽(yáng)能熱發(fā)電技術(shù)是目前發(fā)展最成熟的太陽(yáng)能熱發(fā)電技術(shù)，已在許多國(guó)家實(shí)現(xiàn)了商業(yè)運(yùn)行，并取得了很大收益。在槽式太陽(yáng)能熱發(fā)電系統(tǒng)中，集熱場(chǎng)面積決定著整個(gè)系統(tǒng)輸入能量的大小，但由于集熱器成本較高，集熱場(chǎng)的面積大小很大程度上決定著系統(tǒng)的總成本。蓄熱裝置可使系統(tǒng)在額定負(fù)荷下的運(yùn)行時(shí)間更長(zhǎng)，但增加蓄熱裝置會(huì)使系統(tǒng)更加復(fù)雜[3]。由于太陽(yáng)能場(chǎng)的遮蔽效應(yīng)和集熱場(chǎng)的熱能損失等問(wèn)題，集熱槽行間距的選擇也會(huì)對(duì)系統(tǒng)的性能造成影響。因此，妥善解決這些參數(shù)的配置問(wèn)題，選擇較為合適的系統(tǒng)配置，對(duì)系統(tǒng)的運(yùn)行性能和經(jīng)濟(jì)性的改善具有至關(guān)重要的意義。

目前，國(guó)內(nèi)外許多學(xué)者對(duì)槽式太陽(yáng)能電站的系統(tǒng)特性進(jìn)行了研究。趙明智等[3]利用SAM軟件對(duì)美國(guó)達(dá)科特地區(qū)建設(shè)50MW的槽式太陽(yáng)能電站進(jìn)行模擬，研究了選擇系統(tǒng)最佳太陽(yáng)倍數(shù)與蓄熱時(shí)長(zhǎng)的方法。李然等[4]綜述了帶熔融鹽儲(chǔ)熱系統(tǒng)的槽式太陽(yáng)能熱發(fā)電技術(shù)系統(tǒng)流程，得出了使電價(jià)最低的集熱場(chǎng)面積與蓄熱時(shí)長(zhǎng)的最佳配置。IZQUIERDO等[5]從年發(fā)電量和功率因子的關(guān)系出發(fā)，研究了槽式和塔式電站最佳的集熱場(chǎng)面積。以上學(xué)者均采用確定性方法對(duì)槽式太陽(yáng)能電站進(jìn)行研究，然而確定性模型的研究方法并未考慮系統(tǒng)輸入變量的不確定性[6]。而不確定性分析方法能滿足這種客觀要求。在使用不確定性分析方法進(jìn)行優(yōu)化時(shí)，由于考慮了隨機(jī)性因素的影響，輸入變量并不是一個(gè)確定性的數(shù)值，而是一個(gè)區(qū)間變化的值，該區(qū)間變化的值反映了輸入變量值的可能范圍。由此可對(duì)系統(tǒng)性能評(píng)價(jià)指標(biāo)進(jìn)行區(qū)間預(yù)測(cè)，從而可以更好地判斷可能存在的不確定性因素對(duì)系統(tǒng)造成的影響，進(jìn)而對(duì)優(yōu)化結(jié)果做出更合理的決策。目前不確定性研究方法的發(fā)展較成熟，已在其他領(lǐng)域廣泛使用。HANAK等[7]基于燃煤電廠輸入的不確定性，研究了電廠設(shè)備故障的概率，該研究為有效降低電廠投資和運(yùn)營(yíng)成本提供了參考。牛文娟等[8]通過(guò)建立電廠不確定性優(yōu)化模型得出，在需求響應(yīng)電廠模型中考慮不確定性的影響，可提高系統(tǒng)可靠性、降低系統(tǒng)風(fēng)險(xiǎn)成本。FREY等[9]對(duì)燃煤電廠排放控制系統(tǒng)的性能和成本進(jìn)行了隨機(jī)分析，結(jié)果表明不確定性建模的隨機(jī)方法能更深入地了解系統(tǒng)的過(guò)程性能。

鑒于傳統(tǒng)確定性方法并未考慮不確定性因素對(duì)電站帶來(lái)的干擾，而在槽式太陽(yáng)能熱發(fā)電領(lǐng)域還鮮有使用不確定性分析方法進(jìn)行系統(tǒng)優(yōu)化的先例，本文建立了槽式太陽(yáng)能電站基于其太陽(yáng)倍數(shù)、蓄熱系統(tǒng)蓄熱時(shí)長(zhǎng)以及集熱槽行間距3個(gè)參數(shù)的不確定性模型，并基于概率可靠度研究這3個(gè)參數(shù)在給定性能評(píng)價(jià)指標(biāo)下的最優(yōu)配置。

1 槽式太陽(yáng)能熱發(fā)電系統(tǒng)

1.1 系統(tǒng)組成及模擬軟件介紹

本文將對(duì)圖1所示的50MW槽式太陽(yáng)能熱發(fā)電系統(tǒng)進(jìn)行計(jì)算分析，該槽式太陽(yáng)能熱發(fā)電系統(tǒng)由太陽(yáng)能集熱場(chǎng)、蓄熱系統(tǒng)、發(fā)電系統(tǒng)等組成。蓄熱系統(tǒng)使用的是雙罐蓄熱系統(tǒng)，其中冷罐用來(lái)存儲(chǔ)來(lái)自集熱場(chǎng)多余的熱量，熱罐用來(lái)在夜晚或者光照較弱時(shí)將熱量傳至發(fā)電系統(tǒng)發(fā)電。本文模擬軟件使用的是美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室(national renewable energy laboratory，NREL)開(kāi)發(fā)的SAM軟件，該軟件可以通過(guò)輸入環(huán)境參數(shù)、各子系統(tǒng)運(yùn)行參數(shù)以及經(jīng)濟(jì)參數(shù)來(lái)對(duì)電廠的運(yùn)行進(jìn)行模擬，從而可以對(duì)系統(tǒng)的運(yùn)行、經(jīng)濟(jì)性能進(jìn)行計(jì)算與分析。

圖1 槽式太陽(yáng)能熱發(fā)電系統(tǒng)

1.2 系統(tǒng)模擬參數(shù)說(shuō)明

太陽(yáng)能熱發(fā)電廠的選址通常要考慮當(dāng)?shù)氐奶?yáng)輻射強(qiáng)度。我國(guó)西北部以及內(nèi)蒙地區(qū)太陽(yáng)能資源豐富，適宜建造太陽(yáng)能熱發(fā)電站。在本文所研究的槽式太陽(yáng)能電站中，選用了我國(guó)拉薩地區(qū)的氣象數(shù)據(jù)，這些數(shù)據(jù)來(lái)源于NREL太陽(yáng)輻射數(shù)據(jù)庫(kù)(NSRDB)。相關(guān)設(shè)計(jì)參數(shù)見(jiàn)表1。

在槽式太陽(yáng)能熱電系統(tǒng)中，通常用太陽(yáng)倍數(shù)來(lái)表征集熱場(chǎng)面積，其計(jì)算公式如下：

式中：SM為太陽(yáng)倍數(shù)；S為集熱場(chǎng)的集熱功率，由集熱場(chǎng)面積決定；P為汽輪發(fā)電機(jī)組額定進(jìn)口熱功率，由電站設(shè)計(jì)容量決定。由于集熱器成本較高，考慮到占地和初始投資等實(shí)際情況，建設(shè)槽式電站時(shí)太陽(yáng)倍數(shù)不宜過(guò)大。

為了解決集熱場(chǎng)面積、蓄熱系統(tǒng)容量及集熱槽行間距3個(gè)參數(shù)的配置問(wèn)題，選擇較為合適的系統(tǒng)配置，本文分別選取太陽(yáng)倍數(shù)、蓄熱系統(tǒng)最大蓄熱時(shí)長(zhǎng)、集熱槽行間距作為輸入變量，研究其對(duì)槽式太陽(yáng)能電站性能評(píng)價(jià)指標(biāo)的影響，并基于各性能評(píng)價(jià)指標(biāo)研究其最佳配置。

表1 槽式太陽(yáng)能熱發(fā)電系統(tǒng)設(shè)計(jì)參數(shù)

1.3 系統(tǒng)性能評(píng)價(jià)指標(biāo)及其允許極限的確定

為表征太陽(yáng)能電站的發(fā)電性能，選取容量因子(capacity factor，CF)、平準(zhǔn)化度電成本(levelized cost of energy，LCOE)、總發(fā)電效率作為槽式太陽(yáng)能電站的性能評(píng)價(jià)指標(biāo)。容量因子表征了太陽(yáng)能電廠的年發(fā)電能力，計(jì)算公式如下：

式中：CF為容量因子；t為年總發(fā)電量；r為電廠額定發(fā)電功率。

平準(zhǔn)化度電成本為項(xiàng)目生命周期內(nèi)的成本和發(fā)電量進(jìn)行平準(zhǔn)化后得到的發(fā)電成本，其計(jì)算公式如下：

式中：LCOE為平準(zhǔn)化度電成本；i為總投資成本；O&M為運(yùn)營(yíng)和維修成本。

本文中，系統(tǒng)容量因子和平準(zhǔn)化度電成本可以通過(guò)SAM模擬直接計(jì)算得出，而總發(fā)電效率計(jì)算公式如下：

式中：為太陽(yáng)倍數(shù)為1時(shí)的集熱面積；DNI為年太陽(yáng)直接輻射總量。電站相關(guān)經(jīng)濟(jì)性參數(shù)取值參考文獻(xiàn)[10-11]。

在槽式太陽(yáng)能熱發(fā)電領(lǐng)域，國(guó)內(nèi)外許多專家學(xué)者均對(duì)電站的容量因子、平準(zhǔn)化度電成本、總發(fā)電效率進(jìn)行了研究。BOUKELIA等[12]在阿爾及利亞地區(qū)模擬建造槽式太陽(yáng)能電站，在太陽(yáng)倍數(shù)為1~3.6的范圍內(nèi)，得出其容量因子可達(dá)54.60%，LCOE可低至8.48美分/(kW?h)。王慧富等[13]則在拉薩地區(qū)模擬建造槽式太陽(yáng)能電站，得出太陽(yáng)倍數(shù)在3~5的范圍內(nèi)，其最大總發(fā)電效率可達(dá)到13.5%。

為了對(duì)本文槽式太陽(yáng)能電站進(jìn)行可靠性分析與計(jì)算，分別對(duì)各性能評(píng)價(jià)指標(biāo)選擇其允許極限，結(jié)果見(jiàn)表2。

表2 各性能評(píng)價(jià)指標(biāo)的允許極限

2 基于概率可靠度的不確定性優(yōu)化模型

2.1 概率可靠性分析模型

電力系統(tǒng)中的可靠性分析是指用概率統(tǒng)計(jì)方法對(duì)發(fā)電系統(tǒng)按規(guī)定的供電質(zhì)量標(biāo)準(zhǔn)連續(xù)供電能力的定量分析或評(píng)估。在進(jìn)行可靠性分析時(shí)，通過(guò)相應(yīng)的功能函數(shù)可以對(duì)每個(gè)參數(shù)逐一進(jìn)行可靠性評(píng)估，設(shè)=(1,2,…,x)為電廠的輸入向量，功能函數(shù)可以表示為

式中：()為輸出變量的允許極限，通常由設(shè)計(jì)標(biāo)準(zhǔn)和實(shí)踐決定；()為相應(yīng)輸出變量的實(shí)際預(yù)測(cè)值。在本文中，輸入向量=(1,2,3)，其中1,2,3分別為電廠的太陽(yáng)倍數(shù)、蓄熱系統(tǒng)蓄熱時(shí)長(zhǎng)及集熱槽行間距。輸出向量則分別為容量因子、LCOE和總發(fā)電效率。()=0為極限狀態(tài)面，它將基本變量空間分為失效區(qū)和安全區(qū)。若平準(zhǔn)化度電成本實(shí)際預(yù)測(cè)值超過(guò)其允許上限值，即當(dāng)()<0時(shí)，為失效。若容量因子和總發(fā)電效率實(shí)際預(yù)測(cè)值低于其允許下限值，即當(dāng)()>0時(shí)，為失效。各性能評(píng)價(jià)指標(biāo)的可靠度表示為

式中：f為失效概率；f為失效區(qū)；f()為3個(gè)基本變量的聯(lián)合概率密度函數(shù)。

可靠性指標(biāo)表示了平均可靠性裕度與極限狀態(tài)表面的距離，其值越大，說(shuō)明系統(tǒng)性能越好，各性能評(píng)價(jià)指標(biāo)的可靠性指標(biāo)計(jì)算公式如下：

2.2 不確定性分析模型

在傳統(tǒng)的SAM軟件建立的確定性模型中，設(shè)計(jì)參數(shù)往往是以定值代入模型進(jìn)行計(jì)算的，而在實(shí)際應(yīng)用中，由于受不確定性因素的干擾，各設(shè)計(jì)參數(shù)往往會(huì)在一定范圍內(nèi)動(dòng)態(tài)波動(dòng)，因此計(jì)算結(jié)果往往存在誤差。為了表示各設(shè)計(jì)參數(shù)的不確定性，可以近似地將各設(shè)計(jì)參數(shù)的波動(dòng)看作是給定均值和方差的正態(tài)分布變化。因此，可以利用蒙特卡羅隨機(jī)抽樣的方法，根據(jù)各設(shè)計(jì)參數(shù)的統(tǒng)計(jì)分布生成隨機(jī)數(shù)組，用于表示一段時(shí)間內(nèi)各設(shè)計(jì)參數(shù)值的變化[15]。本文中選取的隨機(jī)數(shù)組為3000組。

為了建立槽式太陽(yáng)能熱發(fā)電系統(tǒng)輸入、輸出之間的函數(shù)映射關(guān)系，以對(duì)性能評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)，本文建立了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。選取太陽(yáng)倍數(shù)、蓄熱系統(tǒng)蓄熱時(shí)長(zhǎng)、集熱槽行間距3個(gè)設(shè)計(jì)參數(shù)的值分別為1~6、0~16h、15~31m，并進(jìn)行了排列組合，共設(shè)計(jì)1925組不同配置的樣本，代入SAM軟件中進(jìn)行參數(shù)化模擬，分別計(jì)算出各性能評(píng)價(jià)指標(biāo)的值，并將結(jié)果作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，建立可以對(duì)系統(tǒng)各性能評(píng)價(jià)指標(biāo)進(jìn)行確定性預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型。采用BP神經(jīng)網(wǎng)絡(luò)中的Levenberg-Marquardt算法來(lái)訓(xùn)練網(wǎng)絡(luò)模型，設(shè)置隱含層神經(jīng)元為30個(gè)。圖2為神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。

圖2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

將各設(shè)計(jì)參數(shù)配置在給定分布下隨機(jī)生成的3000組數(shù)代入已建立的神經(jīng)網(wǎng)絡(luò)模型，借助神經(jīng)網(wǎng)絡(luò)映射的函數(shù)關(guān)系，可以對(duì)各性能評(píng)價(jià)指標(biāo)進(jìn)行預(yù)測(cè)，從而建立了槽式太陽(yáng)能熱發(fā)電廠基于其3個(gè)設(shè)計(jì)參數(shù)的不確定性模型。最后，根據(jù)式(5)判斷每一次預(yù)測(cè)是否失效。再依據(jù)

對(duì)各性能評(píng)價(jià)指標(biāo)進(jìn)行可靠度計(jì)算，式中：s為總失效次數(shù)；為總次數(shù)。

在考慮了極限狀態(tài)的失效概率后，可用式(7)來(lái)評(píng)估各性能評(píng)價(jià)指標(biāo)的可靠性指標(biāo)。其中，選取的各設(shè)計(jì)參數(shù)的均值范圍與方差[16-17]見(jiàn)表3。系統(tǒng)可靠性計(jì)算流程見(jiàn)圖3。

表3 各設(shè)計(jì)參數(shù)的分布參數(shù)

2.3 優(yōu)化模型

可靠性指標(biāo)的值越大，失效概率越小[7]。為了對(duì)系統(tǒng)各性能評(píng)價(jià)指標(biāo)進(jìn)行優(yōu)化，保證最低的失效概率，有必要找出使系統(tǒng)性能評(píng)價(jià)指標(biāo)最優(yōu)的設(shè)計(jì)參數(shù)配置。由于設(shè)計(jì)參數(shù)配置很難同時(shí)保證各性能評(píng)價(jià)指標(biāo)的可靠度，因此基于不同性能評(píng)價(jià)指標(biāo)，結(jié)合可靠度計(jì)算模型，分別找出使系統(tǒng)性能評(píng)價(jià)指標(biāo)的可靠性指標(biāo)最大的設(shè)計(jì)參數(shù)配置。其優(yōu)化目標(biāo)如下：

3 優(yōu)化結(jié)果分析與對(duì)比

3.1 不同性能評(píng)價(jià)指標(biāo)最優(yōu)配置的可靠性分析

在表3設(shè)計(jì)參數(shù)所在均值范圍與設(shè)定方差下，根據(jù)概率可靠度計(jì)算模型及優(yōu)化模型，分別找出使各性能評(píng)價(jià)指標(biāo)的可靠性指標(biāo)最優(yōu)的設(shè)計(jì)參數(shù)配置。其結(jié)果見(jiàn)表4。

表4 基于不同性能評(píng)價(jià)指標(biāo)的最優(yōu)配置及其可靠性計(jì)算結(jié)果

圖4—6為基于LCOE最優(yōu)的設(shè)計(jì)參數(shù)配置下各性能評(píng)價(jià)指標(biāo)的累積概率與發(fā)生概率分布，其中黑色虛線為允許極限。由圖4可見(jiàn)，受不確定性因素的影響，平準(zhǔn)化度電成本的值近似以正態(tài)分布在14~15.5美分/(kW?h)的范圍內(nèi)變化，均遠(yuǎn)低于其允許極限，且平準(zhǔn)化度電成本的值分布在14.3美分/(kW?h)附近的概率高達(dá)0.9。因此，不確定性因素對(duì)該組配置下的平準(zhǔn)化度電成本影響不顯著。在本文設(shè)定允許極限下，該組配置的平準(zhǔn)化度電成本的可靠度為0.988，可靠性指標(biāo)為8.37，該組設(shè)計(jì)參數(shù)配置可實(shí)現(xiàn)最低的平準(zhǔn)化度電成本。由圖5可見(jiàn)，該組配置下容量因子會(huì)近似以正態(tài)分布在55%~75%的范圍內(nèi)變化，其中分布在67%附近的概率最大。該組配置下容量因子可靠度為0.973，可靠性指標(biāo)為2.31。由圖6可見(jiàn)，該組配置下電廠總發(fā)電效率近似以正態(tài)分布在10%~15.2%的范圍內(nèi)變化，其中分布在13.5%附近的概率最大。該組配置下總發(fā)電效率可靠度僅為0.44，可靠性指標(biāo)為?0.26。

圖4 基于LCOE最優(yōu)的設(shè)計(jì)參數(shù)配置下LCOE的累積概率與發(fā)生概率分布

圖5 基于LCOE最優(yōu)的設(shè)計(jì)參數(shù)配置下容量因子的累積概率與發(fā)生概率分布

圖6 基于LCOE最優(yōu)的設(shè)計(jì)參數(shù)配置下總發(fā)電效率的累積概率與發(fā)生概率分布

圖7—9為基于容量因子最優(yōu)的設(shè)計(jì)參數(shù)配置下各性能評(píng)價(jià)指標(biāo)的累積概率與發(fā)生概率分布，其中黑色虛線為允許極限。由圖7可知，受不確定性因素的影響，該組配置下容量因子近似以正態(tài)分布在73%~86%的范圍內(nèi)變化，其中容量因子取值在79%處附近的概率最大，但不超過(guò)0.2。因此，不確定性因素對(duì)該組配置下的容量因子影響顯著。在本文設(shè)定允許極限下，該組配置下容量因子的可靠度為1，可靠性指標(biāo)為10.81，可實(shí)現(xiàn)系統(tǒng)最優(yōu)的容量因子。由圖8可知，該組配置下電廠的平準(zhǔn)化度電成本近似以正態(tài)分布在14~18美分/(kW?h)的范圍內(nèi)變化，其中分布在15.6美分/(kW?h)附近的概率最大。該組配置下平準(zhǔn)化度電成本的可靠度為0.98，可靠性指標(biāo)為2.34。由圖9可知，電廠的總發(fā)電效率近似以正態(tài)分布在8%~13%的范圍內(nèi)變化，其中分布在10.5%附近的概率最大。該組配置下總發(fā)電效率的可靠度為0，可靠性指標(biāo)為?3.75。

圖7 基于容量因子最優(yōu)的設(shè)計(jì)參數(shù)配置下容量因子的累積概率與發(fā)生概率分布

圖8 基于容量因子最優(yōu)的設(shè)計(jì)參數(shù)配置下LCOE的 累積概率與發(fā)生概率分布

圖9 基于容量因子最優(yōu)的設(shè)計(jì)參數(shù)配置下總發(fā)電效率的累積概率與發(fā)生概率分布

圖10—12為基于總發(fā)電效率最優(yōu)的設(shè)計(jì)參數(shù)配置下各性能評(píng)價(jià)指標(biāo)的累積概率與發(fā)生概率分布，其中黑色虛線為允許極限。由圖10可知，受不確定性因素的影響，該組配置下電廠的總發(fā)電效率近似以正態(tài)分布在14%~15.5%的范圍內(nèi)變化。其中總發(fā)電效率分布在15.5%處的概率最大，約為0.7。因此，不確定性因素對(duì)該組配置下的總發(fā)電效率影響較小。在本文設(shè)定的允許極限下，總發(fā)電效率的可靠度為0.999，可靠性指標(biāo)為6.24，該組配置能實(shí)現(xiàn)最優(yōu)的總發(fā)電效率。由圖11可知，該組配置下平準(zhǔn)化度電成本近似以正態(tài)分布在13~27美分/(kW?h)的范圍內(nèi)變化，其中分布在17美分/(kW?h)附近的概率最大。該組配置下平準(zhǔn)化度電成本的可靠度為0.43，可靠性指標(biāo)為?0.80。由圖12可知，該組配置下容量因子近似以正態(tài)分布在20%~70%范圍變化，其中分布在50%的概率最大。該組配置下容量因子的可靠度僅為0.223，可靠性指標(biāo)為?0.34。

圖10 基于總發(fā)電效率最優(yōu)的設(shè)計(jì)參數(shù)配置下總發(fā)電效率的累積概率與發(fā)生概率分布

圖11 基于總效率最優(yōu)的設(shè)計(jì)參數(shù)配置下LCOE的累積概率與發(fā)生概率分布

圖12 基于總發(fā)電效率最優(yōu)的設(shè)計(jì)參數(shù)配置下容量因子的累積概率與發(fā)生概率分布

3.2 確定性與不確定性模型的對(duì)比

對(duì)使用SAM確定性模型參數(shù)化模擬得到的結(jié)果進(jìn)行優(yōu)化，分別找出基于不同性能評(píng)價(jià)指標(biāo)的最優(yōu)設(shè)計(jì)參數(shù)配置，與本文基于概率可靠度建立的不確定性模型下的優(yōu)化結(jié)果進(jìn)行對(duì)比。其中在不確定性模型的優(yōu)化結(jié)果中，將各設(shè)計(jì)參數(shù)配置下的3000組隨機(jī)數(shù)計(jì)算的性能評(píng)價(jià)指標(biāo)取其算術(shù)平均值，即為不確定性模型下性能評(píng)價(jià)指標(biāo)的值。確定性與不確定性模型優(yōu)化結(jié)果見(jiàn)表5。

由表5可知，在基于同一性能評(píng)價(jià)指標(biāo)進(jìn)行優(yōu)化的設(shè)計(jì)參數(shù)配置下，與確定性模型相比，不確定性模型得出的太陽(yáng)倍數(shù)與蓄熱系統(tǒng)蓄熱時(shí)長(zhǎng)的值往往更小。

與確定性模型相比，不確定性模型各設(shè)計(jì)參數(shù)最優(yōu)配置下性能評(píng)價(jià)指標(biāo)的優(yōu)化性能略低。由于確定性模型并未考慮隨機(jī)因素的影響，因此優(yōu)化結(jié)果會(huì)高估系統(tǒng)性能，計(jì)算結(jié)果與真實(shí)情況有較大的偏差。而不確定性模型考慮了輸入?yún)?shù)的不確定性，其計(jì)算結(jié)果是近似呈正態(tài)分布的概率曲線，而非定值。概率分布曲線能更好地反映性能評(píng)價(jià)指標(biāo)的分布特征，因此，與確定性模型相比，不確定性模型的計(jì)算結(jié)果往往與實(shí)際更接近。

表5 確定性與不確定性模型優(yōu)化結(jié)果對(duì)比

4 結(jié)論

在概率可靠度模型下，可以得出各性能評(píng)價(jià)指標(biāo)的累積概率與發(fā)生概率圖，從而可以看出其分布特征，因此在對(duì)電力系統(tǒng)進(jìn)行參數(shù)設(shè)計(jì)時(shí)，可以綜合考慮幾個(gè)性能評(píng)價(jià)指標(biāo)的可靠度與分布特征，從而對(duì)參數(shù)設(shè)計(jì)做出更全面的決策。

在所建立的不確定性模型下，基于系統(tǒng)各性能評(píng)價(jià)指標(biāo)的最優(yōu)可靠性指標(biāo)，得出了系統(tǒng)在不同性能評(píng)價(jià)指標(biāo)下最優(yōu)的設(shè)計(jì)參數(shù)配置。即在各性能評(píng)價(jià)指標(biāo)下，找到了太陽(yáng)倍數(shù)、蓄熱系統(tǒng)蓄熱時(shí)長(zhǎng)、集熱槽行間距之間最佳的對(duì)應(yīng)關(guān)系，這對(duì)優(yōu)化LCOE和電站總發(fā)電效率及發(fā)電量至關(guān)重要。由于確定性模型并未考慮隨機(jī)因素的影響，因此優(yōu)化結(jié)果會(huì)高估系統(tǒng)的性能。而所建立的不確定性模型考慮了隨機(jī)因素對(duì)系統(tǒng)輸入?yún)?shù)的影響，其性能評(píng)價(jià)指標(biāo)的計(jì)算結(jié)果近似呈正態(tài)分布，與確定性模型僅能得出一組確定的性能評(píng)價(jià)指標(biāo)計(jì)算結(jié)果相比，不確定性模型的計(jì)算結(jié)果更符合實(shí)際。

[1]佟鍇，楊立軍，宋記鋒，等．聚光太陽(yáng)能集熱場(chǎng)先進(jìn)技術(shù)綜述[J]．發(fā)電技術(shù)，2019，40(5)：413-425．

TONG K，YANG L J，SONG J F，et al．Review on advanced technology of concentrated solar power concentrators[J]．Power Generation Technology， 2019，40(5)：413-425．

[2]張哲旸，巨星，潘信宇，等．太陽(yáng)能光伏–光熱復(fù)合發(fā)電技術(shù)及其商業(yè)化應(yīng)用[J]．發(fā)電技術(shù)，2020，41(3)： 220-230．

ZHANG Z Y，JU X，PAN X Y，et al．Photovoltaic/concentrated solar power hybrid technology and its commercial application[J]．Power Generation Technology，2020，41(3)：220-230．

[3]趙明智，張曉明，宋士金，等．槽式太陽(yáng)能熱發(fā)電系統(tǒng)太陽(yáng)倍數(shù)和蓄熱時(shí)長(zhǎng)的選取方法研究[J]．太陽(yáng)能技術(shù)產(chǎn)品與工程，2015(6)：50-54．

ZHAO M Z，ZHANG X M，SONG S J，et al．Study on the selection method of solar multiple and heat storage duration of trough solar thermal power generation system[J]．Solar Technology Products and Engineering，2015(6)：50-54．

[4]李然，封春菲，田增華．槽式太陽(yáng)能熱發(fā)電站系統(tǒng)配置的經(jīng)濟(jì)性分析[J]．電力勘測(cè)設(shè)計(jì)，2015(1)：71-75．

LI R，F(xiàn)ENG C F，TIAN Z H．Economic analysis of system configuration of trough solar thermal power station[J]．Electric Power Survey and Design，2015(1)：71-75．

[5]IZQUIERDO S，MONTA?? C，DOPAZO C，et al．Analysis of CSP plants for the definition of energy policies：the influence on electricity cost of solar multiples，capacity factors and energy storage[J]．Energy Policy，2010，38(10)：6215-6221．

[6]HU M，CHO H．A probability constrained multi-objective optimization model for CCHP system operation decision support[J]．Applied Energy，2014，116：230-242．

[7]HANAK D P，KOLIOS A J，BILIYOK C，et al．Probabilistic performance assessment of a coal-fired power plant[J]．Applied Energy，2015，139：350-364．

[8]牛文娟，李揚(yáng)，王蓓蓓．考慮不確定性的需求響應(yīng)虛擬電廠建模[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2014，34(22)：3630-3637．

NIU W J，LI Y，WANG B B．Modeling of demand response virtual power plant considering uncertainty[J]．Proceedings of the CSEE，2014，34(22)：3630-3637．

[9]FREY H C，RUBIN E S．Probabilistic evaluation of advanced SO2/NOcontrol technology[J]．Journal of the Air & Waste Management Association，1991，41(12)：1585-1593．

[10]KURUP P，TURCHI C．Parabolic trough collector cost update for the system advisor model (SAM)[R]．Golden，Colorado，USA：National Renewable Energy Laboratory，2015．

[11]TURCHI C，HEATH G．Molten salt power tower cost model for the system advisor model[R]．Golden, Colorado，USA：National Renewable Energy Laboratory，2013．

[12]BOUKELIA T E，MECIBAH M S，KUMAR B N，et al．Optimization，selection and feasibility study of solar parabolic trough power plants for Algerian conditions[J]．Energy Conversion and Management，2015，101：450-459．

[13]王慧富，吳玉庭，張曉明．槽式太陽(yáng)能熱發(fā)電站的模擬優(yōu)化[J]．太陽(yáng)能學(xué)報(bào)，2018，39(7)：1788-1796．

WANG H F，WU Y T，ZHANG X M．Simulation and optimization of trough solar thermal power station[J]．Acta Energiae Solaris Sinica，2018，39(7)：1788-1796．

[14]國(guó)家發(fā)展改革委．關(guān)于太陽(yáng)能熱發(fā)電標(biāo)桿上網(wǎng)電價(jià)政策的通知[Z]．北京：國(guó)家發(fā)展改革委，2016．

National Development and Reform Commission．Notice on the benchmarking on-grid tariff policy for solar thermal power generation[Z]．Beijing：National Development and Reform Commission，2016．

[15]段楠，薛會(huì)民，潘越．用蒙特卡洛法計(jì)算可靠度時(shí)模擬次數(shù)的選擇[J]．煤礦機(jī)械，2002(3)：13-14．

DUAN N，XUE H M，PAN Y．The choice of simulation times when calculating reliability by Monte Carlo method[J]．Coal Mine Machinery，2002(3)：13-14．

[16]HELTON J，DAVIS F．Sampling-based methods for uncertainty and sensitivity analysis[R]．USA：Sandia National Laboratories，2000．

[17]WYSS G，JORGENSEN K．A user’s guide to LHS：Sandia’s Latin hypercube sampling software[R]．USA：Sandia National Laboratories，1998．

Optimization Design of Trough Solar Power Plant Based on Probabilistic Reliability

ZHANG Yanping1,ZHANG Yuchao2, LIU Yifei2

(1. School of Energy and Power Engineering, Huazhong University of Science and Technology, Wuhan 430074,Hubei Province, China; 2. China-EU Institute of Clean and Renewable Energy, Huazhong University of Science and Technology, Wuhan 430074, Hubei Province, China)

Based on the probabilistic reliability, the configuration of the trough solar power plant was optimized. Firstly, the SAM software was used to simulate the 50 MW trough solar power plant. Then, by considering the randomness caused by the uncertainty factor, the uncertainty model of the trough solar power plant based on its solar multiple, the full load hours of storage system and the row spacing distance of the collector was established by neural network-Monte Carlo method. Secondly, the reliability calculation model was established, levelized cost of energy (LCOE), capacity factor (CF) and total generation efficiency were selected as key performance indicators (KPI), then the KPI were optimized based on the reliability indexes of each KPI. Finally, the optimal configuration of each design parameter obtained under the uncertainty model was compared with the optimization result under the deterministic model. Since the influence of the uncertainty factor is considered, the calculation result under the uncertainty model is closer to the actual situation.

trough solar power plant; probabilistic reliability; optimization design; uncertainty; neural network

10.12096/j.2096-4528.pgt.19143

TK 519

湖北省技術(shù)創(chuàng)新專項(xiàng)重大項(xiàng)目(2019AAA017)。

Project Supported by Major Projects of Technological Innovation in Hubei Province (2019AAA017).

2020-03-07。

(責(zé)任編輯 尚彩娟)