教程4. 引入不对称性

我们现在引入不对称不确定性,这是应用蒙特卡洛模拟进行P90计算的主要原因之一。

我们从两个不对称来源开始:GHI和可用性。

对于GHI,我们应用具有下表所示参数的偏斜高斯分布。

输入

值

GHI, 从文件加载, 1.029, 0.04, -5

这个偏斜高斯分布拟合了由韩国能源研究所的Kim等人发表的在韩国木浦27年测量的GHI的年际变异性(IAV)[1]。据我们所知,这代表了GHI IAV中具有高不对称性的场地。(一些场地的不对称性可以忽略不计。)

下图绘制了他们的测量值(直方图)和在[1]中绘制的示例高斯曲线(橙色线),并将其与我们的偏斜高斯拟合(红线)进行比较。

请注意,我们对直方图的最佳拟合具有ξ = 1.038,但我们在模拟中改用ξ = 1.029。我们这样做是为了将分布向左移动,使其P50等于1。然后,我们可以将此不对称分布应用于我们的GHI TMY数据,而无需修改其P50。

输出不确定性

对于可用性,我们应用具有这些参数的威布尔函数:

输入

值

x₀

Availability, 1, 1, 0.024, 1.6, -1

此分布与Natural Power的Chawla根据美国68个项目测量的1,800个月数据确定的可用性最佳拟合威布尔函数匹配[2]。下图是从他们的白皮书中获取的图像。

输出不确定性

我们现在可以找到当仅将这两个不确定性来源应用于我们的默认单轴跟踪器(SAT)系统时的产量不确定性。

首先通过将此文本块复制到步骤3来加载输入:

# Set uncertainty simulation constants
simulation_options = build_simulation_options(
    number_of_years=1,
    number_of_simulations=10000
)

# 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
operational_settings = build_operational_settings(
    availability=1
)

#Otherwise use all defaults
optical_settings = build_optical_settings()
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=0.85,
    bin_delta=0.01,
    p_values=[1, 5, 10, 25, 75, 90, 95, 99]
)

然后通过将下面的文本块复制到步骤6来加载分布。请注意,即使GHI代表年际变化,我们仍对其使用simToSim分布。这是因为我们在此示例中求解单年。我们将在下一个教程中介绍多年求解。

distribution_list = [
    create_distribution(DistributionInput.GHI, simToSim=['SkewedGaussian', 1.029, 0.04, -5]),
    create_distribution(DistributionInput.Availability, simToSim=['Weibull', 1, 0.024, 1.6, False]),
]
print("Distribution list created.")

下面绘制了生成的直方图。它具有明显的不对称性,即下行尾部比上行尾部更长。

例如,其P90比率为0.959,而其P10比率为1.030;其P95比率为0.946,而其P5为1.036。

输出不确定性

当然,还有许多其他重要的不确定性来源未包含在此处。因此,我们再次强调,此输出不代表光伏电站的实际不确定性分布或其实际不对称程度。

[1] S.Y. Kim et al. “Prefeasibility study of photovoltaic power potential based on a skew-normal distribution,” Energies 13, p. 676, 2020.

[2] D. Chawla, “A database assessment of solar project availability in the United States,” white paper, Natural Power, 2024.