跳转到内容
SunSolve

教程1. 年产量的非常简单不确定性分析

我们从解决产量不确定性的非常简单示例开始,其中我们假设

  • 唯一重要的不确定性与GHI、污染和可用性有关;以及
  • 所有不确定性都是高斯分布。

此示例类似于光伏行业执行最简单P90评估的方式。

该分析应用于我们的默认系统,位于悉尼的单轴跟踪器(SAT),采用竖向单面组件,我们只关注第一年的运行。

下表显示了我们假设的不确定性来源的值和95%置信区间(CI)。请注意,GHI的不确定性为±5%相对值,因此1000 W/m²的GHI将有±50 W/m²的不确定性;而污染和可用性的不确定性是绝对值,因此它们的不确定性范围分别为(2 ± 2)%和(99 ± 1)%。

来源值95%置信区间GHI, 变量, ±5% rel污染, 2%, ±2% abs可用性, 99%, ±1% abs

我们如何将这些不确定性加载到SunSolve P90中?

在此示例中,我们假设不确定性为高斯分布,因此我们需要知道它们的标准差。我们通过注意到±x的95% CI等于x/1.96或为简单起见等于x/2的标准差来确定。因此,我们将使用的输入值和高斯分布如下:

输入值x₀σGHI, 在天气文件中, 1, 0.025SoilingFront, 0.02, 1, 0.5Availability, 0.99, 1, 0.0050505

我们在这里提出两个重要观点:

  1. SunSolve P90始终对输入使用分数(而不是百分比)。

  2. 由于我们使用x₀ = 1,σ表示相对标准差,因此对于污染,σ = (2/2) / 2 = 0.5,对于可用性,σ = (1/99) / 2 = 0.0050505。

这些输入值和分布包含在下面的代码块中,您可以将其复制到SunSolve P90的步骤3和6的代码块中。

通过将此代码块复制到步骤3来加载输入:

# Set uncertainty simulation constants
simulation_options = build_simulation_options(
    number_of_years=1,
    number_of_simulations=5000
)


# Load weather: sydney.pvw file is an example weather file
weather_file_path = "Data/sydney.pvw"
weather_data = load_weather_data_from_pvw_file(weather_file_path)


# Assign system inputs
optical_settings = build_optical_settings(
    soiling_front=0.02
)


operational_settings = build_operational_settings(
    availability=0.99
)


#Otherwise use all defaults
module_info = build_module_info()
system_info = build_system_info()
electrical_settings = build_electrical_settings()
thermal_settings = build_thermal_settings()


# Set output options
result_options = build_result_options(
    bin_min=0.9,
    bin_delta=0.01,
    p_values=[90, 95]
)

通过将此代码块复制到步骤6来加载分布:

distribution_list = [
    create_distribution(DistributionInput.GHI, simToSim=["Gaussian", 1, 0.025]),
    create_distribution(DistributionInput.SoilingFront, simToSim=["Gaussian", 1, 0.5]),
    create_distribution(DistributionInput.Availability, simToSim=["Gaussian", 1, 0.0050505]),
]
print("Distribution list created.")

下面的直方图绘制了SunSolve P90执行的蒙特卡洛模拟的结果。它的P90/P50为0.962,P95/P50为0.952。(这些值只是示例输出,并不代表真实系统。)

由于我们的三个不确定性是高斯分布且独立的,我们还可以通过遵循平方和方法来解析确定产量分布。此解析方法在图中绘制为线,并与SunSolve P90输出匹配。

输出不确定性

实际上,如果我们要较真,我们喜欢较真,两种方法之间存在细微差异。这是由两个原因引起的:

首先,污染分布延伸到0%以下(分布的2.5%给出负污染),可用性分布延伸到100%以上(可用性的2.5%高于1)。SunSolve P90将这些参数限制在0到100%之间。

其次,SunSolve P90考虑了与GHI相关的非线性。具体而言,当GHI增加时,组件温度上升,使其效率降低(即组件功率随GHI亚线性增加)。这具有稍微收紧SunSolve P90分布的效果。

因此,解析分布略宽于SunSolve P90分布。其P90为0.962而不是0.966;其P95为0.952而不是0.956。我们将在后面的示例中看到更多这些非线性。

最后说明:设置模拟的另一种方法是加载以下输入和分布。它将给出与我们上面描述的方法相同的结果。使用此方法,σ表示绝对标准差。

输入值x₀σGHI, 在天气文件中, 1, 0.025SoilingFront, 1, 0.02, 0.01Availability, 1, 0.99, 0.005