基于概率可靠度的槽式太阳能电站

1 系统介绍与参数说明

1.1 槽式太阳能发电系统及模拟软件介绍

本文将对50 MW 槽式太阳能热发电系统进行计算分析，模拟软件使用的是美国可再生能源实验室(national renewable energy labor-atory，NERL)开发的 SAM 软件。该槽式太阳能热发电系统由太阳能集热系统、换热系统、发电式中：XSM为太阳倍数；QS为集热场的集热功率，由集热场面积决定；QP 为汽轮发电机组额定进口热功率，由电站设计容量决定。由于集热器成本较高，考虑到占地和初始投资等实际情况，建设槽式电站时太阳倍数不宜过大。

为了解决集热场面积、蓄热系统容量及集热槽行间距 3 个参数的配置问题，选择较为合适的系统配置，本文分别选取太阳倍数、蓄热系统最大蓄热时长、集热槽行间距作为输入变量，研究其对槽式太阳能电站性能评价指标的影响，并基于各性能评价指标研究其最佳配置。

1.3 系统性能评价指标及其允许极限的确定

为了表征太阳能电站的发电性能，选取容量因子、平准化度电成本、总发电效率作为槽式太阳能电站的性能评价指标。容量因子表征了太阳能电厂的年发电能力，计算公式如下：h(PrX CF)/ ( X DNI XSM ×A) (4)式中：A 为太阳倍数为 1 时的集热面积；XDNI 为年太阳直接辐射总量。电站相关经济性参数取值参考文献[8-9]。

在槽式太阳能热发电领域，国内外许多专家学者均对电站的容量因子、平准化度电成本、总发电效率进行了研究。T. E. Boukelia 等[10]在阿尔及利亚地区模拟建造槽式太阳能电站，在太阳倍数为 1~3.6 的范围内，得出其容量因子可达54.60%，LCOE 可低至 8.48 美分/(kW∙h)。王富慧等[11]则在拉萨地区模拟建造槽式太阳能电站， 得出太阳倍数在 3~5 的范围内，其最大年发电效率可达 13.5%。为了对本文槽式太阳能电站进行可靠性分析与计算，分别对各性能评价指标选择其允许极限。

2 可靠性分析模型

2.1 概率可靠性分析模型

电力系统中的可靠性分析是指用概率统计X CF = Et / (8 760Pr )

方法对发电系统按规定的供电质量标准连续供式中：XCF 为容量因子；Et 为年总发电量；Pr 为电厂额定发电功率。

平准化度电成本为项目生命周期内的成本和发电量进行平准化后得到的发电成本，其计算电能力的定量分析或评估。在进行可靠性分析的时候，通过相应的功能函数可以对每个参数逐一进行可靠性评估，设 X=(x1,x2,…,xn)为电厂的输入向量，功能函数可以表示为：

式中：L(X)为输出变量的允许极限，通常由设计为平准化度电成本；Ki 为总投资成标准和实践决定；V(X)为相应输出变量的实际预本；KO&M 为运营和维修成本。

本文中，系统容量因子和平准化度电成本可以通过 SAM 模拟直接计算得出，而总发电效率计算公式如下：测值。在本文中，输入向量 X=(x1,x2,x3)，其中x1,x2,x3  分别为电厂的太阳倍数、蓄热系统蓄热时长及集热槽行间距。输出向量则分别为容量因子、LCOE 和总发电效率。g(X)=0 为极限状态面，它将基本变量空间分为失效区和安全区。若平准化度电成本实际预测值超过其允许上限值，即当g(X)<0 时，为失效。若年容量因子和年发电效率实际预测值低于其允许下限值，即当 g(X)>0 时， 为失效。各系能评价指标的可靠度表示为：

数据，建立了可以对系统各性能评价指标进行确定性预测的神经网络模型。其中采用了 BP 神经网络中的“Levenberg-Marquardt 算法”来训练网络模型，设置隐含层神经元为 30 个。图 2 为神经网络拓扑结构图。将基本变量空间分为失效区和安全区。若平准化度电成本实际预测值超过其允许上限值，即当g(X)<0 时，为失效。若年容量因子和年发电效率实际预测值低于其允许下限值，即当 g(X)>0 时， 为失效。各系能评价指标的可靠度表示为：

式中：Pf 为失效概率；wf 为失效区；fx(x)为 n 个基本变量的联合概率密度函数。

可靠性指标表示了平均可靠性裕度与极限状态表面的距离，其值越大说明系统性能越好， 各性能评价指标的可靠性指标计算公式如下：

式中：mL 和s L 分别为各性能评价指标允许极限的均值和方差；mV 和s V 分别为其实际预测值的均值和方差； rLV 为允许极限和实际预测值的相关系数。

2.2不确定性分析模型

在传统的 SAM 软件建立的确定性模型中， 设计参数往往是以定值代入模型进行计算的，而将各设计参数配置在给定分布下随机生成的3000 组数代入建立好的神经网络模型，借助神经网络映射的函数关系可以对各性能评价指标进行预测，从而建立了槽式太阳能热发电厂基于其三个设计参数的不确定性模型。最后，根据式(5)判断每一次预测是否失效。再依据在实际应用中，由于受不确定性因素的干扰，各Pf = 1- Ns / N

设计参数往往会在一定范围内动态波动，不会一直保持定值，因此计算结果往往存在误差。为了表示各设计参数的不确定性，我们可以近似的将各设计参数的波动看作是以给定均值和方差按正态分布而变化的。因此，在这里我们可以利用蒙特卡洛随机抽样的方法，根据各设计参数的统计分布生成随机数组，用于表示一段时间内各设计参数的值的变化。在这里选取的随机数组为3000 组[13]。

为了建立槽式太阳能热发电系统输入输出之间的函数映射关系从而对性能评价指标进行预测，本文建立了神经网络预测模型。选取太阳倍数、蓄热系统蓄热时长、集热槽行间距三个设计参数的值分别为 1~6、0~16 h、15~31 m，并进行了排列组合，共设计 1925 组不同配置的样本代入 SAM 软件中进行参数化模拟，分别计算出各性能评价指标的值，并将结果作为网络的训练对各性能评价指标进行可靠度计算。式中：Ns 为总失效次数；N 为总次数。在考虑了极限状态的失效概率后，可用式(7)来评估各性能评价指标的可靠性指标。其中，选取的各设计参数的均值范围与方差。系统可靠性计算流程。