ADAPTATION AND OPTIMIZATION OF PHOTOVOLTAIC SYSTEMS FOR COUNTRYSIDE HOUSE
Abstract and keywords
Abstract (English):
The process of the development of the energy systems of the autonomous photovoltaic type, coupled with batteries of storage and intended for the cover of the needs of the rural homes in Benin is described. These appropriate energy systems were analyzed, modelled and optimized. The criteria of evaluation are obtained from the investigation made by a group of officials dealing with electrification of rural areas. The professionals, who play an important role in taking decisions on electrification and the projects in rural areas, local associations that benefit from the use of these projects in Benine, technicians and users of these systems took part in the investigation. These criteria are organized into a hierarchy according to the AMDEC method. During optimization the simple and effective method of optimization was used; it is based on modeling the components and setting criteria for taking decision support.

Keywords:
optimization, photovoltaic autonomous systems decentralized electrification of rural areas
Text
Введение Большая часть энергии, используемой в мире в настоящее время (более 80 %), поступает из месторождений ископаемого топлива. Эти отложения, образовавшиеся на протяжении веков, исчерпаемы. В соответствии с отраслевыми цифрами статистического обзора мировой энергетики за 2010 г. [1], мировые запасы будут исчерпаны к 2084 г. Истощение этих ресурсов, связанное с глобальным потеплением, вызванным также их активным использованием, обусловливает рассмотрение возможностей развития возобновляемых источников энергии. Возобновляемыми ресурсами, имеющимися в Бенине, являются солнечная, ветровая энергия, энергия гидро- и биомассы и др. Среди всех этих видов энергии солнечная энергия имеет наибольший потенциал и является наиболее подходящей для децентрализованной электрификации, особенно отдаленных и труднодоступных мест. Однако для изолированного жителя существуют ограничения в использовании фотоэлектрических солнечных преобразователей, связанные со сложностью контроля, управления проектными рисками (технологические, экономические и социальные). В связи с этим необходимы выбор и обоснование решений, которые могут помочь удовлетворить потребности в энергии с наименьшими затратами без перерыва и с ограниченным воздействием на окружающую среду (потребление первичной энергии связано с соответствующими выбросами CO2). Существует много разработок оптимальной конструкции, в которых часто принимают во внимание минимизацию экономических затрат и увеличение охвата потребителей энергии [2–8]. Ряд исследователей большее внимание обращают на экологический аспект этих систем, в особенности на выбросы CO2, связанные с производством компонентов системы и работой дизель-генераторов. Предлагается целый ряд методов для решения многоцелевой задачи оптимизации. В [9] использован генетический алгоритм для многокритериальной оптимизации затрат и выбросов CO2, связанных с компонентами автономной гибридной системы производства тепла и электроэнергии для трех отелей в г. Тунисе. Результаты исследований по многокритериальной оптимизации гибридных фотоэлектрических ветродизельных систем, связанных с аккумуляторными батареями, отражены в [10]. Многоцелевой эволюционный алгоритм был применен для минимизации стоимости жизненного цикла системы и выбросов CO2, связанных с использованием дизельного топлива. В [11] представлены результаты по многокритериальной оптимизации гибридной системы PV – ветер – дизель – водород – аккумулятор с одновременной минимизацией затрат на протяжении жизненного цикла системы, выброса CO2, связанного с наличием дизельного топлива, и скорости сброса энергии. В рамках этой работы многоцелевой эволюционный алгоритм и генетический алгоритм используются для определения оптимальной конфигурации компонентов системы. Многоцелевой генетический алгоритм был представлен в [12] в виде шести уровней минимизации целевой функции для повышения производительности системы и выбросов CO2. В [13] применён парето-оптимальный эволюционный алгоритм (SPEA) для выполнения многокритериальной оптимизации автономного ветродизельного двигателя, связанного с аккумуляторной батареей, минимизации затрат на производимую энергию, выбросов CO2 и жизненного цикла системы. Они разработали гибридные оптимизации на основе генетических алгоритмов (HOGA). В настоящей работе учитываются две функции: FC1 и FC2 ограничений и FS сервисных функций. Эти три функции, связанные с основными критериями, сводятся к минимуму одновременно. Моделирование жизненного цикла системы было проведено с учетом всех затрат. Это очень сложная многокритериальная проблема, потому что большинство критериев противоречивы и развертывание стратегии с учетом всех этих особенностей является существенным. В отличие от различных решений, упомянутых выше, мы используем метод агрегатирования, превращая проблему в определение цели одной задачи с использованием функции желательности. Применяемый для достижения этой цели метод агрегатирования основан на средневзвешенной средней геометрической, связанной с каждым набором сочетаний дизайн-переменных, индексов целесообразности. Мы получим три индекса относительной желательности экономических критериев, охват и экологическую безопасность потребностей. Агрегирование показателей желательности по тому же принципу приводит к глобальной целевой функции, которая оценивает каждое решение. Кроме того, очень мало исследований учитывали потери эффекта Джоуля через кабели, соединяющие различные компоненты системы. Это не скажется на работе собственно фотоэлектрической установки, но плохой выбор кабелей может привести к снижению производительности системы в целом. Таким образом, дизайн-переменные, используемые в этом исследовании, включают в себя количество панелей и батарей, тип панели и аккумулятора, кабель раздела между различными компонентами системы. Но осуществление метода агрегатирования является делом нелёгким, потому что выбор весов, которые представляют собой относительную важность различных критериев, определить сложно. С этой целью мы вводим новый подход к приоритетам критериев, использованных AMDEC [14, 15]. Систематические проверки этих проектных переменных будут генерировать все возможные решения. Таким образом, метод оптимизации (рис. 1), принятый в этом исследовании, является первым, позволяющим проанализировать необходимость и развитие физических моделей различных компонентов и определить критерии оценки. Затем мы определяем уровень удовлетворенности соответствующих решений и, наконец, приступаем к оценке и классификации решений на основе критериев. Рис. 1. Блок-схема метода оптимизации Конкретные исследования частных случаев показали, что оптимальная конструкция используется для создания множества решений, которые могут помочь при выборе принимающему решение. 1. Пример автономной фотоэлектрической системы Предлагаемая система (рис. 2) состоит из фотоэлектрических генераторов, распределительной коробки, узла батареи и инвертора, зарядного устройства. Система является автономной, наличие устройства хранения данных необходимо для того, чтобы удовлетворить в любое время потребительский спрос. Рис. 2. Схема преобразования физического канала солнечной энергии Система предназначена для питания бытовых приборов сельской местности Бенина (Декин), расположенной в тридцати километрах от Котону (широта 6°34'42'' N и долгота 2°33'28 "E). Выбор этой местности оправдывается тем, что она не имеет выхода к морю, не электрифицирована. Она также является частью общины, которая уже получила выгоду от инициированных солнечных проектов, поэтому мы считаем, что население достаточно информировано о преимуществах системы PV. Кроме того, в Бенине социально-экономические исследования часто выполняются для муниципалитетов, а не для деревни, в связи с чем в литературе не существует сведений об уровне обеспечения бытовых нужд этой местности. Опрос был проведен таким образом, чтобы определить профиль потребления энергии одного дня домохозяйства (рис. 3). Этот профиль предполагается одинаковым для всех дней в году. Годовое потребление оценивается на уровне 1 523 кВт ∙ ч. Рис. 3. Профиль потребления энергии для домашних хозяйств Дизайн переменных, необходимых для определения решения, приведён в табл. 1. Таблица 1 Список переменных Переменная проектирования Номенклатура Диапазон изменения Тип компонента системы Количество модулей Npv 1–12 – Количество батарей Nb 1–10 – Тип модуля Tpv 1–2 50 Вт и 80 Вт Тип батарей Tбат 1–2 75 A∙ч и 100 A∙ч Тип кабеля (раздел) Tкабель 1 1–2 S11 = 2,5 мм2 и S12 = 4 мм2 Tкабель 2 1–2 S21 = 35 мм2 и S22 = 50 мм2 Tкабель 3 1–2 S31 = 25 мм2 и S32 = 35 мм2 Tкабель 1: тип кабеля раздела между модулем S1 и распределительной коробкой. Tкабель 2: тип кабеля раздела части корпуса между модулем S2, инвертором и зарядным устройством. Tкабель 3: тип кабеля раздела между преобразователем S3, зарядным устройством и аккумулятором. В нашей задаче оптимизации 8 возможных конфигураций кабелей (табл. 2). Таблица 2 Возможные конфигурации кабелей Настройка (Tкабель) S1 S2 S3 1 S11 S21 S31 2 S11 S21 S32 3 S11 S22 S31 4 S11 S22 S32 5 S12 S21 S31 6 S12 S21 S32 7 S12 S22 S31 8 S12 S22 S32 2. Моделирование компонентов фотоэлектрической системы Для разработки надёжной энергетической модели требуется набор уравнений, характеризующих все элементы изучаемой системы. Исходными данными должны быть расчётная температура окружающей среды, интенсивность солнечной радиации (по данным метеорологической службы Бенина), характеристики оборудования, что позволит с использованием модели определить необходимую мощность для обеспечения производственной системы [16–18]. 2.1. Модели солнечных батарей Для создания модели была использована блок-схема, по которой генерируемая мощность, график работы модуля определяются в зависимости от интенсивности солнечной радиации, температуры окружающей среды и характеристик модуля. Таким образом, для определения тока и напряжения модулей используется ранее разработанная модель [19]. При этом, используя характеристики модуля, указанные заводом-изготовителем, можно определить максимальную мощность модуля. Максимальный ток I, проходящий через модуль в рабочей точке, определяется по формуле , (1) где ICC – ток короткого замыкания модуля; C1 и C2 определяются следующими параметрами: , . (2) Максимальное напряжение V в рабочей точке определяется по формуле . (3) , (4) . (5) Температура ячейки в момент времени T может быть определена по формуле . (6) Тогда оптимальная мощность на выходе модуля определится по формуле . (7) В формулах (1)–(7): V – напряжение модуля в нормальных условиях; I/°C и V/°С – температурные коэффициенты тока и напряжения модуля, Вт/м2, для радиации, получаемой с помощью модуля под углом 10°, при температуре ячейки 25 °С, интенсивности излучения 800 Вт/м2, при температуре окружающей среды 25 °С и скорости ветра 1 м/с. 2.2. Модель системы хранения 2.2.1. Модель заряда и разряда В расчётах используется модель, разработанная в [19] для расчета емкости в зависимости от мощности, вырабатываемой генератором PV, и нагрузки спроса. Моделирование батарей необходимо, в частности, для установления мгновенного значения заряда с целью оптимизации управления энергией внутри системы. Состояние заряда аккумулятора в момент Т определено в зависимости от его предыдущего состояния (Т – 1). Чтобы упростить исследование, мы рассмотрим эффективность заряда и разряда в общей производительности батареи. Энергия, которая называется «энергией батареи», принята равной фактической энергии для зарядки [5, 20]. Время работы аккумулятора зависит от нескольких параметров, в том числе колеблется в зависимости от состояния заряда батареи (в зависимости от тока нагрузки). Во время зарядки этот показатель находится между 0,65 и 0,85. В данном исследовании его значение = 85 %. Если питание производится от генератора PV, определяется величина мгновенной мощности. Тогда время зарядки аккумулятора, мощность за время Т могут быть описаны следующим образом: . Когда потребляемая мощность нагрузки превышает объем энергии, производимой генератором PV, аккумулятор разряжен. Для того чтобы восполнить пробел, накопленная энергия для времени Т должна быть выражена соотношением Здесь и – соответственно значения энергии, запасенной в аккумуляторной батарее, Вт ∙ ч, в моменты времени T и (T – 1). 2.2.2. Напряжение аккумулятора Напряжение всех батарей определяется следующим образом [21–23]: . Здесь Eco (t) – напряжение разомкнутой цепи аккумулятора в момент времени t; Rбат (t) – его внутреннее сопротивление. Напряжение холостого хода может быть выражено следующим образом: где VF – напряжение на батарею, когда она полностью заряжена. Внутреннее сопротивление Rбат(t) батареи изменяется в основном из-за сопротивления электродов (Rэлектрода) и сопротивления электролита (Rэлектролита). Изменение Rэлектрода и Rэлектролита в зависимости от состояния заряда SOC может быть выражено формулой и , где r1, r2, r3 и r4 – константы, значения которых различаются по способу зарядки или разрядки батареи (табл. 3). Таблица 3 Характеристики свинцово-кислотных аккумуляторов Параметр VF , В b Режим зарядки 13,250 0,810 0,062 0,046 95,638 52,671 Режим разрядки 12,662 0,724 0,055 –0,010 4,270 –100,730 Эта модель состоит из свинцово-кислотных батарей с номинальной стандартизированной мощностью, которые могут быть использованы для различных размеров аккумулятора. Наконец, мы имеем: 3. Критерии для оценки производительности системы 3.1. Определение критериев Выбор критериев является важным шагом в разработке оптимизационной задачи. Критерии, используемые в этом исследовании, были получены на основании изучения мнения группы специалистов и должностных лиц, занимающихся вопросами электрификации сельских районов в Бенине, местных ассоциаций – бенефициаров фотоэлектрических систем в Бенине, техников и пользователей этих систем. Целью анкеты являлся сбор данных для выявления различных мнений и определения их общего значения в процессе принятия решений о реализации фотоэлектрических систем в сельской местности. После этого анализа возникают две функции FC1 и FC2 ограничений и FS сервисных функций. Для выполнения этих функций необходимо определить критерии для поддержки принятия решений. Задача оптимизации имеет вид древовидной иерархии. В нашем случае дерево имеет несколько уровней, которые характеризуются следующим образом: - уровень 0: PV системы проектирования отражает наилучший возможный компромисс, позволяющий максимально удовлетворить различным критериям одновременно; - уровень 1: критерии принятия решения FC1, FC2 и FS: FC1 обеспечивает порог рентабельности, FC2 обеспечивает уровень устойчивости и FS-система обеспечивает уровень охвата потребителей; - уровень 2: характеристика критериев: CI, CR, CMR, TRI, LCCloss, LPSP, ТОО, CDOM, TRE, GES. Здесь CI – характеристика начальной стоимости инвестиций; CR – стоимость замены компонентов; CMR – затраты на техническое обслуживание и ремонт; TRI – время возврата инвестиций; LCCloss – относительная стоимость к стоимости идеальной системы; LPSP – скорость сброса энергии; ТОО – скорость сброса времени; CDOM – затраты, связанные с нарушениями здоровья и окружающей среды; TRE – время возмещения энергетических затрат; GES – влияние выбросов CO2 на производство компонентов системы. 3.2. Модели критериев Случайные факторы, характеризующие производственную систему, потребовали учёта энергетических и экономических затрат всего жизненного цикла системы. 3.2.1. Экономические издержки жизненного цикла системы Эта стоимость включает в себя стоимость первоначальных инвестиций, стоимость замены компонентов, стоимость технического обслуживания и ремонта, стоимость простоя. Для оценки компонента в системе, характеризующего экономические издержки жизненного цикла, могут быть использованы следующие уравнения [24, 25]: . Если Rv делится на Li, Если Rv не делится на Li, , . Здесь Ni – число компонентов; CIi – начальная величина инвестиций; CRi – стоимость замены компонентов; K – коэффициент дисконтирования; CMRi – затраты на техническое обслуживание и ремонт; PWA – годовой коэффициент дисконтирования; ir – фактическая процентная ставка; Rv – срок службы системы; уi – число замен компонентов; Li – продолжительность жизни компонента. Во время работы T системы дефицит энергии LOEE, Вт ∙ ч, может быть выражен формулой где LPS (t) – разница между потребляемой мощностью и мощностью генератора PV и аккумулятора в зависимости от времени; ∆t – шаг симуляции, ч. Стоимость простоя системы во время моделирования T может быть выражена зависимостью [25]: Затем мы выводим общую экономическую стоимость жизненного цикла системы: В этом исследовании мы взяли Rv = 20 лет. Экономический ущерб от различных компонентов системы приведен в табл. 4 [24, 26, 27]. Таблица 4 Экономический ущерб от различных компонентов Компоненты PV CI CR CMR Доходность, % Срок службы, лет Модуль PV 4€/Вт. 4 €/Вт. 0 13 20 Батарея 0,4€/(Вт ∙ ч) 0,4 €/(Вт ∙ ч) 7 €/год 85 4 Инвертор 0,5€/(В ∙ A) 0,5 €/(В ∙ A) 28 €/год 90 15 Кабель – 0 0 – 50 3.2.2. Стоимость одного кВт ∙ ч Эта стоимость включает в себя все экономические последствия, вызванные решением компонента или системы. В нашем исследовании эта стоимость принимается равной 5,6 долл. США/(кВт ∙ ч) [28]. 3.2.3. Срок окупаемости системы Срок окупаемости системы представляет собой соотношение между общей экономической стоимостью жизненного цикла системы и стоимостью энергии, производимой системой в год: 3.2.4. Стоимость энергии жизненного цикла Анализ жизненного цикла является инструментом для поддержки принятия решений для оценки воздействия на окружающую среду системы от добычи сырья до конца жизни системы. Показатели, выбранные в нашем исследовании: TRE, GES и Cdom. 3.2.4.1. Стоимость мероприятий, связанных с устранением ущерба для здоровья и окружающей среды Cdom. Эта стоимость обеспечивает всестороннюю оценку воздействия внедрения системы на здоровье человека и окружающую среду, частью которого он является. Убытки, связанные с созданием фотоэлектрической системы, могут быть оценены в финансовом плане. Так, в Южной Европе [29] эти затраты составляют до 0,15 евроцента за один кВт ∙ ч. Таким образом, эквивалентная стоимости жизненного цикла системы . 3.2.4.2. Срок окупаемости системы производства энергии Величина срока окупаемости системы производства энергии выражается как отношение общей энергии, потребляемой для построения системы, и ее годового производства: , где GER – количество основной фотоэлектрической энергии, Вт ∙ ч; GERPV – первичная энергия PV, Вт ∙ ч/Вт; Pc – пиковая мощность PV, Вт; GERбат – первичная энергия аккумулятора, Вт ∙ ч/(Вт ∙ ч); yb – количество замен батареи; GERинв – потеря энергия инвертора, Вт/(В ∙ А); yинв – число замен инвертора; GERкабеля – потеря энергии кабеля, Вт ∙ ч/м. 3.2.4.3. Выбросы CO2 Потребление энергии во время работы системы генерирует CO2, объем которого вычисляется по формуле , где GES – выбросы CO2 фотоэлектрической системы, кг CO2; GESPV – выбросы CO2 от PV, кг CO2/Вт, при пиковой мощности массива PV, GESбат, Вт; выбросы CO2 аккумулятором, кг CO2/(Вт ∙ ч); GESинв – выбросы CO2 преобразователя, кг CO2/Вт; GESкабеля – выброс CO2 кабеля, кг CO2/м. Данные о потреблении энергии и выбросов CO2 представлены в табл. 5 [26, 30–32]. Таблица 5 Потребление энергии и выбросы CO2 Компонент PV Энергия потребления Выброс CO2 Модуль PV 9,73 кВт∙ч/Вт 2,98 кг CO2/Вт Батарея 359 кВт∙ч/(кВт ∙ ч) 0,06 кг CO2/Вт Инвертор 0,4 кВт∙ч/В 0,125 кг CO2/Вт Кабель 144 кВт∙ч/м 65 кг/м 3.2.5. Оценка утечки энергии Утечка энергии может быть определена как доля общих потерь энергии. Для T периода анализа она представляет собой отношение суммы всех значений потерь энергии в том же периоде к величине расчётной потери. Потери энергии выражаются формулой [19]: Скорость сброса энергии выражается формулой 3.2.6. Скорость разгрузки Потеря времени – это отношение суммарного времени, когда потребителем не предусмотрена потребность в энергии, к общему времени работы системы: 4. Модели удовлетворения Различные критерии, используемые в этом исследовании, обладают различными характеристиками. Чтобы решить проблему масштабирования, использована методика для преобразования их в критерии безразмерных переменных. Для этой цели используется понятие уровня критериев (табл. 6) и функции желательности Харрингтона [3, 33]: avec, где d является желательной функцией, связанной с критерием Ym; AUC – верхний допуск для испытания; USL – верхнее предельное значение для критерия. Таблица 6 Уровни критериев Критерий Цель Верхнее предельное значение, USL Верхний допуск, AUC CI Минимизировать 100 € 8 000 € CR Минимизировать 100 € 8 000 € CMR Минимизировать 0 € 100 € TRI Минимизировать 2 года 20 лет LCCloss Минимизировать 0 € 100 000 € LPSP Минимизировать 1 % 50 % LLP Минимизировать 1 % 50 % Cdom Минимизировать 0 10 € TRE Минимизировать 3 года 20 лет GES Минимизировать 106 г CO2 108 г CO2 Наличие нескольких противоречивых критериев делает возможным использование метода агрегации, который основан на средневзвешенной геометрической функции желательности, связанной с различными критериями [34]: Здесь DOIk обозначают индексы целесообразности и относительного веса критериев. Тогда мы получим три показателя желательности, связанные со значением трех вышеупомянутых функций (FC1, FC2 и FS), которые выражают удовлетворение уровнем функций. Объединив показатели принципа целесообразности, можно получить глобальную функцию цели. Мы имеем Здесь w, k – весовые коэффициенты, касающиеся индекса целесообразности. Для определения этих коэффициентов мы использовали метод анализа иерархических процессов (Analytic Hierarchy Process – AHP) [22]. Оригинальный метод имеет четыре этапа. Первый основывается на приоритетности критериев по важности – от наиболее важных к менее важным. Мы хотели улучшить этот шаг, вводя новый подход к критериям ранжирования. Для этого мы использовали метод анализа вида, последствий и критичности отказа (Failure Mode, Effects and Critical Analysis – FMECA), который позволяет оценить неудовлетворенность критерием при проектировании системы. Она определяется из произведения трех других индексов [23]: , где G определяет гравитационный эффект; O – вероятность и D – вероятность неудовлетворённости. Мы попросили наших экспертов пользоваться шкалой от 1 класса до 10 [23], чтобы выделить каждый критерий для этих трех индексов. Результаты представлены в табл. 7 и 8. Таблица 7 Классификация функций Функция Критичность Шкала FS 426 1-я FC1 261 2-я FC2 196 3-я Таблица 8 Критерии классификации Критерий Критичность Шкала FS LPSP 426 1-я LLP 426 1-я FC1 CI 326 1-я CMR 294 2-я CR 274 3-я TRI 225 4-я LCCloss 185 5-я FC2 Cdom 225 1-я TRE 208 2-я GES 155 3-я Установлено, что производительность занимает первое место. Для двоичного сравнения мы попросили наших экспертов обвести номер 3, если они считают, например, что CI в три раза больше, чем CMR (рис. 4). Этот шаг помогает развивать матрицы суждений, которые служили в качестве плацдарма для определения веса критерия. Результаты представлены в табл. 9–12. Рис. 4. Двоичный ряд сравнения критериев Таблица 9 Вес каждой из трех функций Функция FS FC1 FC2 Вес, % 67,38 22,55 10,07 Таблица 10 Вес критериев, связанных с FC1 Критерий CI CR CMR TRI LCCloss Вес, % 52,24 24,93 13,4 6,79 3,64 Таблица 11 Вес критериев, связанных с FS Критерий LPSP LLP Вес, % 50 50 Таблица 12 Вес критериев, связанных с FC2 Критерий Cdom TRE GES Вес, % 62,67 27,97 9,36 При расчёте коэффициентов установлено, что расхождения составляют менее 10 %. Это означает, что суждения, выданные нашими экспертами, согласованы. 5. Классификация решений В этом исследовании рассматриваются действия с десятью критериями. К ним относятся: - минимизация всех критериев в соответствии с FC1 (CI, CR, CMR, TRI, LCCloss); - минимизация всех критериев в соответствии с FS (LPSP, LLP); - минимизация всех критериев в соответствии с FC2 (Cdom, TRE, GES). После моделирования задачи путем оптимизации критерии могут быть обобщены следующим образом: Находим: Это максимизирует в зависимости от Адекватность модели будет определяться путём систематической проверки проектных переменных. Таким образом, для разных наборов сочетаний переменных мы определяем все объективные функции, соответствующие поставленным задачам. Это дает в общей сложности 3 840 вариантов решений, которые мы классифицируем в порядке убывания в соответствии с их соответствием вероятности удовлетворения. Результаты исследований и их анализ На рис. 5 показаны два критерия: стоимость жизненного цикла системы и скорость сброса энергии. Эти цифры являются иллюстрацией противоречивого характера, свойственного большинству наших критериев. Мы видим, что для нулевого уровня сброса нагрузки стоимость жизненного цикла составляет около 6 000 евро, а для уровня 50 % – всего 4 000 евро. Рис. 5. Динамика затрат в течение жизненного цикла системы для различных значений LPSP На рис. 6 и 7 показаны соответственно зависимости и 3D-представление для различных комбинаций модулей и батарей при различных значениях LPSP. Установлено, что оптимальное сочетание меняется от одного контура к другому. С увеличением числа модулей и батарей скорость сброса уменьшается. Рис. 6. Контуры для различных комбинаций модулей и батарей для различных значений LPSP Рис. 7. 3D-изображение для различных комбинаций модулей и батарей для различных значений LPSP На рис. 8 представлен индекс целесообразности DOI1 на экономический критерий, соответствующий всем возможным сочетаниям дизайна переменных. Оптимальное сочетание соответствует индексу желательности значения 0,8648 и указанному сочетанию параметров системы. Рис. 8. Динамика индекса целесообразности DOI1 в рамках экономических критериев, основанных на различных конфигурациях На рис. 9 показано 3D-представление индекса целесообразности DOI1 для различных комбинаций модулей и батарей, а на рис. 10 – контуров DOI1 комбинации для различных наборов количества модулей и батарей различных типов и целей. Количество батарей Рис. 9. 3D-изображение для различных комбинаций модулей и батарей для различных значений DOI1 Рис. 10. Уровень кривых для различных комбинаций модулей и батарей для различных значений DOI1 Таблица 13 Характеристики десяти лучших решений Количество модулей Количество батарей Tpv Tбат Tкабеля CI CR CMR LCCloss TRI TRE GES LPSP LLP OF 9 2 2 2 1 5079 4990 42 102 14,6 1,7 4422900 0,054 0,041 0,9043 7 3 2 2 1 4913 4830 49 37 13,6 2,2 4169500 0,019 0,041 0,9011 10 2 2 2 1 5402 5310 42 60 10,5 1,6 4693600 0,032 0,041 0,8961 11 1 2 2 1 5245 5150 35 168 15,3 1,4 4676300 0,089 0,097 0,8959 10 2 2 1 1 5162 5070 42 134 14,9 1,6 4549600 0,071 0,083 0,8958 8 3 2 2 1 5236 5150 49 0 9 2 4440200 0 0 0,8933 12 3 1 2 1 5088 4990 49 44 14,4 2,3 4451100 0,023 0,041 0,8910 11 2 2 1 1 5485 5390 42 93 11,3 1,5 4820300 0,049 0,041 0,8899 9 3 2 1 1 5199 5110 49 65 12,2 1,8 4494900 0,034 0,041 0,8897 12 1 2 2 1 5568 5470 35 125 11,8 1,4 49470000 0,066 0,083 0,8886 Перейдем теперь к расширению перечня проектных переменных, включая соединительные кабели между различными компонентами системы только на участке постоянного тока. Данные табл. 13 служат для выбора решений и обеспечения непрерывного покрытия потребностей потребителей. Работы по проектированию автономных фотоэлектрических систем с учетом выбора кабелей редки. Большинство из этих работ ограничено только размером фотоэлектрических систем и аккумуляторных батарей для удовлетворения потребностей потребителя независимо от типа используемого кабеля между различными компонентами. Тем не менее мы сравнили наши результаты с результатами в [35]. При проведении анализа установлено, что по основным показателям существует небольшая разница между данными отношениями и теми, которые мы определили. Эта разница объясняется несколькими факторами. Климатические условия и условия потребления энергии, используемые в [35], согласуются с контекстом Гонконга, в то время как наши исследования проводились в контексте Бенина. Основной особенностью нашей работы является то, что мы изучали фотоэлектрические системы с позиций их жизненного цикла. Заключение Таким образом, нами описано определение критериев оценки эффективности фотоэлектрической автономной системы в течение ее жизненного цикла. Для достижения этой цели мы разработали новый метод, который сочетает АHP и FMEA методы составления списков критериев, необходимых для определения их веса, соответствующего различным частям. Были приняты во внимание результаты работы экспертов, специально выбранных для оценки поставленной задачи. Кроме того, был использован простой и эффективный метод оптимизации, основанный на моделировании компонентов и определении критериев для поддержки принятия решений. Моделирование вели с использованием системы Matlab. Она определяет все возможные решения без ограничений путем систематического сканирования дизайна переменных. Например, решение, соответствующее созданию полной фотоэлектрической системы, требует затрат около 5 300 евро в качестве первоначальной стоимости инвестиций, без учета замены компонентов расходов, технического обслуживания, ремонтов и простоев. Это лучшее решение с начальными критериям с точки зрения охвата потребностей. Это решение требует высокого уровня жизни. Решение проблемы с необходимым ограничением начальных напряжений с точки зрения потребностей будет предоставлять новые экономические решения с соответствующей долей оплаты жителями.
References

1. Rühl C. BP Statical review of world energy. 2010 [Elektronnyy resurs]: http://www.Bp.com/statisticalreview.

2. Kaabeche A. Techno-economic valuation and optimization of integrated photovoltaic/wind energy conversion system / A. Kaabeche, M. Belhamel, R. Ibtiouen // Solar energy. 2011. 85. P. 2407-2420.

3. Yang H. Optimal sizing method for stand-alone hybrid solar-wind system with LPSP technology by using genetic algorithm / H. Yang, W. Zhou, Lu Lin, Z. Fang // Solar energy. 2008. 82. P. 354-367.

4. Chedid R. Unit sizing and control of hybrid windsolar power systems / R. Chedid, S. Rahman // IEEE Transactions on Energy Conversion. 1997. 12. P. 79-85.

5. Shen W. X. Optimally sizing of solar array and battery in a stand-alone photovoltaic system in Malaysia / W. X. Shen // Renewable energy. 2009. 34. P. 348-352.

6. Deshmukh M. K. Modeling of hybrid renewable energy systems / M. K. Deshmukh, S. S. Deshmukh // Renewable and Sustainable Energy Reviews. 2008. 12. P. 235-249.

7. Diaf S. Technical and economic assessment of hybrid photovoltaic/wind system with battery storage in Corsica Island / S. Diaf, M. Belhamelb, M. Haddadi, A. Louche // Energy Policy. 2008. 36. P. 743-754.

8. Diaf S. Design and techno-economical optimization for hybrid PV/wind system under various meteorological conditions / S. Diaf, M. Belhamelb, M. Haddadi, A. Louche // Applied Energy. 2008. 85. P. 968-987.

9. Pelet X. Multiobjective optimisation of integrated energy systems for remote communities considering economics and CO2 emissions / X. Pelet, D. Favrat, G. Leyland // Int. J. Thermal. Sci. 2005. 44 (12). P. 1180-1189.

10. Bernal-Agustin J. L. Design of isolated hybrid systems minimizing costs and pollutant emissions / J. L. Bernal-Agustin, R. Dufo-Lupez, D. M. Rivas-Ascaso // Renew Energy. 2006. 31 (14). P. 2227-2244.

11. Dufo-Lupez R. Multi-objective optimization minimizing cost and life cycle emissions of stand-alone PV-wind-diesel systems with batteries storage / R. Dufo-Lupez, J. L. Bernal-Agustnn, J. M. Yusta-Loyo, J. A. Domίnguez-Navarro, I. J. Ramίrez-Rosado, J. Lujano, I. Aso // Applied Energy. 2011. 88. P. 4033-4041.

12. Alarcon-Rodriguez A. Multi-objective planning framework for stochastic and controllable distributed energy resources’ / A. Alarcon-Rodriguez, E. Haesen, G. Ault, J. Driesen, R. Belmans // IET Renew. Power Gener. 2009. 3 (2). P. 227-238.

13. Dufo-Lupez R. Multi-objective design of PV - wind - diesel - hydrogen - battery systems / R. Dufo-Lupez, J. L. Bernal-Agustin // Renewable Energy. 2008. 33. P. 2559-2572.

14. Faucher J. Pratique de l’AMDEC - Assurer la qualité et la sûreté de fonctionnement de vos produits, équipements et procédés / J. Faucher. Paris: Dunod, 2004.

15. Lefayet Sultan Lipol. Risk analysis method: FMEA/FMECA in the organizations / Lefayet Sultan Lipol, Jahirul Haq // International Journal of Basic Applied Sciences. 2011. 11 (05). P. 74-82.

16. Sukamongkol Y. A simulation model for predicting the performance of a solar photovoltaic system with alternating current loads / Y. Sukamongkol, S. Chungpaibulpatana, W. Ongsakul // Renewable Energy. 2002. 27. P. 237-258.

17. Yoon-Ho K. Design of interface circuits with electrical battery models / K. Yoon-Ho, H. Hoi-Doo // IEEE Transactions on Industrial Electronics. 1997. 44. P. 81-86.

18. Kassmi K. Conception et modélisation d’un systéme photovoltapque adapté a une commande MPPT analogique / K. Kassmi // Revue des Energies Renouvelables. 2007. Vol. 4. P. 451-462.

19. Bogdan B. S. M. Methodology for optimally sizing the combination of a battery bank and PV array in a wind/PV hybrid system / B. S. Bogdan, Z. M. Salameh // IEEE Transactions on Energy Conversion. 1996. 11. P. 367-375.

20. Boitier A. Dimensionnement d’un systéme photovoltapque / A. Boitier, C. Alonso // CETSIS’2005, Nancy, 25-27 Octobre 2005.

21. Wagner T. Integration of preferences in hypervolume-based multi-objective evolutionary algorithms by means of desirability functions / T. Wagner, H. Trautmann // IEE transactions on evolutionary computation. 2010. Vol. 14, N 5. P. 688-701.

22. Saaty T. L. A scaling method for priorities in hierarchical structures / T. L. Saaty // Journal of Mathematical Psychology. 1977. Vol. 15. P. 234-281.

23. Belhomme A. 2011 [Elektronnyy resurs]: http://btsmiforges.free.fr.

24. Navaeefard A. Distributed energy resources capacity determination of a hybrid power system in electricity market / A. Navaeefard, S. M. Moghaddas Tafreshi, Derafshian Maram Mehdi // 25th International Power System Conference 10-E-EPM-2163, PSC. 2010.

25. Dehghan S. Optimal sizing of a hybrid Wind/PV Plant considering reliability indices / S. Dehghan, B. Kiani, A. Kazemi, A. Parizad. World Academy of Sciences, Engineering and Technology, 56, 2009.

26. Thiaux Yaël. Optimisation des profils de consommation pour minimiser les coûts économique et énergétique sur cycle de vie des systèmes photovoltaïques autonomes et hybrides: Évaluation du potentiel de la technologie Li-ion / Yaël Thiaux: Thèse de doctorat. Ecole Nationale Supérieure de Cachan. 2010.

27. Khan M. J. Pre-feasibility study of stand-alone hybrid energy systems for applications in Newfoundland / M. J. Khan, M. T. Iqbal // Renewable Energy. 2005. Vol. 30. P. 835-854.

28. Garcia R. S. A wind-diesel system with hydrogen storage: Joint optimization of design and dispatch / R. S. Garcia, D. Weisser // Renewable Energy. 2006. 31. P. 2296-2320.

29. Fthenakis V. Progress in photovoltaics, 2006 (PV data) and Dones and Heck / V. Fthenakis, E. Alsema // MRS’ Symposium proceedings. 2006.

30. Alsema E. A. Environmental impact of crystalline silicon photovoltaic module production / E. A. Alsema, M. J. de Wild-Scholten // Presented at 13th CIRP Intern. Conf. on Life cycle energineering, Leuven, 2006, 31 may - 2 June.

31. Environnemental product declaration : converter module DSC 400 // Technical report, ABB, automation division drives. Lamperthein Germany, 2003.

32. Baldasano Recio J. M. Estimate of energy consumption and CO2 emission associated with the production, use and final disposal of PVC, XLPE and PE cables / J. M. Baldasano Recio // Report: PVC-Cab-200411-2. Barcelona, 2005, November.

33. Sebastian P. Multi-objective optimization of the design of two-stage flash evaporators: Part 2. Multi-objective optimization / P. Sebastian, T. Quirante, V. Ho Kon Tiat, Y. Ledoux // International Journal of Thermal Sciences. 2010. 49. P. 2459-2466.

34. Derringer G. Simultaneous optimization of several response variables / G. Derringer et al. // JQT, 1980. Vol. 12.

35. Ai B. Computer-aided design of PV/wind hybrid system / B. Ai, H. Yang, H. Shen, X. Lia // Renewable Energy. 2003. 28. P. 1491-1512.


Login or Create
* Forgot password?