产品推荐

火箭蓄电池UXL(LH)系列2V
  火箭蓄电池UXL(LH)系列2V电池2V200AH  产品: 火箭蓄电池UXL(LH)...【详细】
火箭蓄电池GB系列
它由特殊的钙合金组成,以保持强大的启动性能。 防止在高温下电池寿命...【详细】

联系我们

服务热线
13240167779

地址:北京市大兴区魏永路2号
网址:www.jltvip.cn

需求特性对光伏自发自用和电池储能性能的影响:五个地中海案例研究

发布者:火箭蓄电池 发布时间:2026-11-19 15:07:03 阅读:次

摘要

本研究评估了在希腊克里特岛气象条件下,五种不同消费者画像(大学校园、水族馆、工业设施、住宅群和旅行社)在配备和未配备电池储能系统的光伏(PV)自发自用情况。通过每小时分辨率的年度时间序列模拟,评估了25年评估期内的需求覆盖率、剩余发电量和经济表现,且剩余电量不计入收益。该模型包含了电池充放电功率限制以及0的年度衰减率。光伏发电容量为5%,电池储能容量为2%,并包含装备更换假设。归一化的发电与储能参数便于不同案例间的比较。单因素敏感性分析对每个消费者选定的配置分别考察了六个技术与经济参数。在不考虑储能的情况下,测试配置满足了大学36.1–45.8%的年需求量、水族馆36.5%的需求量、工业设施47.7–67.3%的需求量、住宅群体24.2–29.2%的需求量以及旅行社50.2–55.1%的需求量。在报告的配置中,每种情况下实现最高年平均需求覆盖率的配置供应了89.5–94.6%的需求,同时保留了20.1–77.1%的盈余比例。在住宅案例中,在1000 kWh的固定储能容量下,将光伏容量从500 kW增加到1000 kW,覆盖率仅提高2.6个百分点,而盈余从55.3%增加到77.1%。退化对有效供应的影响与名义资产性能不同:盈余发电缓冲了直接光伏供应的下降,而电池退化通常是导致总覆盖率下降的原因。经济结果对电价和需求水平特别敏感,住宅和旅行社配置对有利经济假设的依赖程度更高。研究结果支持基于需求时段和边际有效能量增益的光伏-电池联合容量配置,而非仅基于年能量匹配或最大覆盖率。
关键词:
自发自用光伏发电; 分布式发电; 电化学储能电池

 

1. 简介

社会经济发展促进了电力需求的持续增长[1]。化石燃料的使用造成了严重的环境破坏[2],而相关的温室气体排放加剧了全球变暖和气候变化[3]。全球向清洁能源的转型是减少对化石燃料依赖、确保能源安全的重要方面[4]。在可再生能源(RES)中,太阳能[5,6] 和风能 [7,8,9]是技术最成熟且应用最广泛的方案之一[10],能够提供充足且清洁的发电。然而,其波动性给电网带来了巨大挑战[ %%],并为发电规划引入了不确定性[11] and introduces uncertainty into generation planning [12].
储能系统(ESS)可以通过在低需求期间吸收可再生能源的剩余电量,并在可再生能源输出较低时将其输送回电网,从而为这种波动性提供一种有前景的解决方案 [13]14常见的储能技术形式可分为三类 [15]:机械储能,包括抽水蓄能(PHS)[16] 和压缩空气储能(CAES)[17],电化学储能,最显著的是锂离子电池[18]和化学燃料储存,例如氢气[19,20]。Abdon等人[21]提出了一种评估方法,用于比较固定式储能技术,综合考虑其在技术、经济和环境方面的整体表现。研究表明,对于短时间尺度,电池储能是优势最明显的解决方案,而对于大规模系统,抽水蓄能(PHS)和压缩空气储能(CAES)表现最佳。对于小型、非联网应用,如果主要目标是在保持供应安全的同时实现高比例可再生能源贡献,也可以考虑小型PHS和微型CAES系统[22,23].
分布式可再生能源与储能系统(RES–ESS)的部署使发电更接近用电点[24,25],减少了输配电损耗并支持了供应安全[26]。这也促使消费者演变为所谓的“产消者”[27],即利用发电和储能系统主动管理自身能源需求的消费者[ %%]。能源社区将消费者、生产者和产消者聚集在一起,以协调能源的生产、消费和分配[28,29]。它们作为一种增加公民参与能源转型的手段正日益受到重视[30]并支持一个更清洁、更民主的能源系统[31]。Santos等人[32,33]提出了一种社区能源管理系统,用于评估巴西分时电价体系框架下的基于价格的需求响应策略,利用社区成员间的分布式共享光伏(PV)系统和电池储能系统(BESS),结果显示每日可节省约20%的费用。近期研究探讨了合作治理如何与经济评估和多准则决策支持相结合,包括二级可再生能源合作社的拟议角色[34] proposed a community energy management system to evaluate a price-based demand response strategy within the Brazilian Time-of-Use tariff system framework, utilising distributed, shared photovoltaic (PV) systems and Battery Energy Storage Systems (BESS) among community members, with results demonstrating daily financial savings of around 20%. More recent work has examined how cooperative governance can be linked to economic appraisal and multi-criteria decision support, including the proposed role of second-level renewable energy cooperatives [35].
光伏系统最显著的优势之一在于其模块化特性;无论是在住宅安装还是公用事业规模的电站,它们在经济和技术上都保持着可行性[36]。主导光伏发电市场的两种电力定价方案是净计量和净计费[37]。在这两种情况下,多余的电能都会输送回电网,但它们在多余电能的价值评估方式上有所不同。在净计量模式下,多余的电量将按零售电价抵扣未来的用电量,而在净计费模式下,则按较低的费率进行抵扣[38]。近年来,包括希腊在内的许多国家已从净计量电价转向净结算电价[39]。在希腊的背景下,事实证明净计量电价更具优势,能提供更快的投资回收期、更稳定的回报以及更强的价格波动保护[ %%]。Simoglou等人[40大学;41评估了希腊背景下住宅和工业用户采用净计量和净计费光伏自发自用方案的情况,报告称住宅用户的年平均自发自用率为45–50%,工业用户为51–69%。该研究进一步证实了净计量方案相较于净计费方案的比较优势。
实地测量为地中海气候条件下的光伏性能提供了补充证据。Savvakis和Tsoutsos [42]对克里特岛的一个并网薄膜光伏系统进行了为期两年的评估,研究了温度影响以及经验运行温度模型的性能。
为了解决净计费模式下无储能光伏系统的局限性,可以集成电池储能系统(BESS)。BESS能缓解光伏的间歇性[43],提高自发自用率并减少从电网购电[44]。电池系统比抽水蓄能(PHS)和压缩空气储能(CAES)系统更具可扩展性且更易安装[ %%],能够灵活匹配需求并储存多余发电量[ %%]。结合其不断下降的成本[45] 以及他们的快速响应 [46],这些特征使BESS成为当前能源转型中的核心技术。An等人[47]优化了城市地区的BESS规模,目标是最大化自给率、最小化峰值负荷并最大化经济效益。结果表明,建筑物内的小型BESS安装提高了自发自用率;然而,相关的经济效益有限。48], these characteristics have positioned BESS as a central technology in the ongoing energy transition. An et al. [49] optimised BESS sizing in urban areas with the objective of maximising the self-sufficiency rate, minimising peak load and maximising the economic benefit. The results indicate that small-scale BESS installations in buildings increased self-consumption; however, the associated economic benefits were limited.
在更广泛的能源系统配置中,工业应用也得到了考察。Savvakis等人[50]研究了食品行业中整合多种能源资源的技经性能。Chen等人[51提出了一种针对建筑能源共享社区(包括工厂、办公室和宿舍)内光伏-电池储能系统(PV-BESS)的多性向优化方法。优化目标是最大化光伏自发自用率、最小化投资回收期并减少电力传输损耗。光伏发电量和每栋建筑的用电需求被确定为影响电池储能系统(BESS)分配优先级的关键参数,而系统整体BESS容量则受光伏阵列表面积、峰谷电价差以及电网对能源进出口的限制所制约。
Sifakis[52] 将技术经济模拟与多准则决策分析相结合,用于港口基础设施中的混合可再生能源系统,将配置评估与经济、环境及利益相关者相关标准联系起来。
Lara等人[53]评估了多米尼加共和国住宅部门中,用于自发自用目的的PV与BESS集成系统的经济可行性。结果表明,BESS的集成将自发自用率从73.4%提高到98.3%,但由于投资成本较高,降低了整体盈利能力。分析进一步表明,PV自发自用仅对高需求用户有利可图,其盈利能力与每小时需求曲线强相关。
除了初始系统规模确定外,长期评估必须考虑资产性能的变化。Cholidis等人[54]为PV-BESS支持的岸电系统开发了考虑退化的数字影子,将不断变化的PV性能和电池可用容量纳入运行监控参考。
Migliari等人[55]评估了光伏-电池储能系统在欧洲各电力市场中用于自供电的成本效益,其中撒丁岛市场表现出较强的经济可行性。相反,西班牙和德国市场的盈利能力较弱,这归因于低电价或负电价的频繁出现,部分配置甚至产生了负收益。尽管电池储能系统的集成提高了自发自用率,但并未提升项目的经济可行性,事实证明低容量系统更具经济优势。
时间匹配在其他形式的现场电气化中也至关重要。Sifakis等人[56]在一项渡轮港口案例研究中表明,尽管年光伏发电量足以满足电力需求,但由于夜间和季节性缺口,仍无法消除对电网的依赖。他们的研究结果证明了为何必须将年能源充足性与时间上的需求覆盖区分开来。

2. 本文的范围与贡献

本研究评估了五种消费者类型在配备和未配备电池储能的情况下,分布式光伏系统的能源性能和经济条件可行性:
  • University;
  • 展览设施;
  • 工业设施;
  • 住宅建筑;
  • 商业设施。

所研究的设施位于克里特岛。该研究针对地中海气候条件以及第3.1节中描述的需求概况。地中海气候通常以冬季温和多雨、夏季温暖至炎热干燥为特征,夏季月份拥有充足的太阳能资源。在沿海地区,海洋影响可缓解极端气温。然而,地中海气候应与作为地理区域的地中海盆地区分开来,后者包含受纬度、海拔、地形和离海距离影响的多种气候条件。因此,本研究结果与其他地区的关联性取决于当地气候条件的相似性,而不仅仅是地理上是否位于地中海盆地。
本研究通过按时间顺序的逐小时模拟,探讨了分布式光伏自发自用(含储能与不含储能)在提高需求覆盖率和降低年度购电成本方面的潜力。通过对比五种不同的需求曲线,可以评估它们对年度覆盖率以及光伏发电与电池放电逐小时分配的影响。
基于每小时模拟计算的负荷覆盖率并不意味着电网的独立性或自主性。只要光伏发电量和可用电池放电量不足以满足需求,就仍需从电网购电。
未对剩余光伏电力分配任何收益,仅基于避免的购电成本提供保守的投资回报估算。这一假设反映了在容量受限的电网中可能存在的出口限制和弃电情况,以及可出口能源量和出口补偿的不确定性。因此,该评估代表的是零出口运行情景,而非净计费模式下可获得的所有收益机会。
该研究采用了成熟的光伏和电池模拟方法。其方法是对选定的容量方案进行基于模拟的评估,而非正式的优化程序。其目的是考察特定案例的性能趋势和容量权衡,而不建立最优配置。其贡献在于,在相同的气象条件下,对五种对比鲜明的消费者需求曲线的自供电性能和容量权衡进行了比较评估,且未对剩余电量进行补偿。该分析探讨了新增光伏容量在多大程度上能提高有效需求覆盖率,电池储能如何改变这一关系,以及在接近全年需求全覆盖时相关的投资和未利用发电惩罚。特别关注了边际收益递减,以及高需求覆盖率、光伏发电的高效利用与经济表现之间的区别。研究结果仅适用于所调查的案例和假设,不作为相应消费者类别的普遍阈值。补充的单因素敏感性分析探讨了六个技术和经济参数如何影响选定的配置,但未评估参数间的相互作用或不同规模方案排名稳定性。

3. 方法论与数据

该方法将年度需求概况与每个调查消费者的模拟光伏发电相结合。对于学术机构、展览设施和工业消费者的案例,使用了包含每小时平均值的实测年度需求时间序列。
这些电力需求时间序列由设施的供电供应商提供。上述所有设施均位于克里特岛北海岸(伊拉克利翁省)。
对于商业案例,从克里特岛伊拉克利翁的一家旅行社获取了选定时段的实测每日需求概况。这些测量数据被用于重建年度需求时间序列。
关于住宅建筑,电力需求每日概况取自科学文献,同时也参考了典型希腊城市的案例。所有这些电力需求数据将在下文中详细展示3.1节中描述的需求概况。.
2025年的逐小时环境温度和风速数据获取自ECMWF [57],而同年的全球水平辐照度地面测量数据由HMU提供。数据集及其位置在第3.2.1节中描述.
最后,在第3.3节中解释了主操作模拟算法。.

3.1. 功率需求数据

3.1.1. HMU、克里特水族馆和工业设施

图1和图2分别展示了HMU主校区和克里特水族馆的年度需求概况。
Energies 19 05470 g001
图1。2025年HMU年度电力需求波动。
Energies 19 05470 g002
图2。2025年克里特水族馆年度用电需求波动。
图1显示了大学在圣诞节、复活节和8月假期期间的用电需求下降。水族馆则未观察到相应的下降。相比之下,水族馆的需求在夏季达到峰值,这主要是由于旅游旺季游客数量较多。
图3和图4展示了选定时段的负荷曲线:2025年2月11日至20日HMU,以及2025年7月25日至8月4日克里特水族馆。两处设施均表现出较高的日间负荷,有利于光伏发电的实时覆盖。HMU的周末负荷明显下降,而水族馆则不然。
Energies 19 05470 g003
图3。2025年2月11日至20日HMU的电力需求波动。
Energies 19 05470 g004
图4。2025年7月25日至8月4日克里特水族馆的电力需求波动。
图5和图6分别展示了铝框架制造工厂的年度用电需求概况和选定的十天期间的用电需求。如这些图表清晰所示,该工厂在8月份的十天期间和周日不运行。
Energies 19 05470 g005
图5。2025年铝框架制造工厂的年度用电需求波动。
Energies 19 05470 g006
图6。2025年6月29日至7月8日铝框架制造工厂的用电需求波动。
在HMU和克里特水族馆,工厂的需求在白天达到峰值,有利于光伏发电的直接覆盖。

3.1.2. 住宅建筑

住宅日需求曲线如图图7和图8所示,这些数据来源于文献中报告的实测数据[58]。值得注意的是,这些曲线是基于希腊塞萨洛尼基120户家庭样本的测量数据得出的。因此,相比基于理论模型的相应可用曲线,人们更倾向于使用这些曲线。
Energies 19 05470 g007
图7。4个随机选择的住宅用户的每日用电量测量值。
Energies 19 05470 g008
图8。电力需求每日测量值与家庭儿童数量的关系。
图7和图8需求高峰出现在上午(约07:00–09:00)以及傍晚和夜间(约17:00–19:00)。正午前后需求较低,此时光伏发电通常达到最高,限制了直接需求覆盖。这种需求模式限制了住宅用电与光伏发电在时间上的重叠。
住宅用户年度电力需求时间序列的开发基于以下文献中提供的每日住宅需求曲线图7和图8。假设这些图表所示曲线对总电力需求的构成贡献百分比如下:
  • 个人资料1-4,各占10%(共40%);
  • 1个孩子的家庭,20%;
  • 2个孩子的家庭,30%;
  • 3个孩子的家庭,10%。

基于上述各日负荷曲线的百分比贡献,为住宅群体构建了综合日负荷曲线。
年度需求时间序列是通过在全年重复复合日曲线,并应用0.923至1.091的月度权重因子构建的。这些因子代表了需求规模的季节性变化,同时保持了月份间的平滑过渡。图9展示了这100户住宅群的年度需求曲线,而图10则显示了一个选定的十天周期。
Energies 19 05470 g009
图9。100户住宅的年用电量波动。
Energies 19 05470 g010
图10。7月5日至14日期间100户住宅的用电需求波动。
这些住宅样本的选取基于其与居住相关的日常用电结构,其特点是早晨和傍晚/夜间出现用电高峰,而在典型工作时间内需求较低。它们的使用情况代表了这种家庭运行模式,而非塞萨洛尼基的地理平均值。因此,它们为评估在本研究所调查的地中海气象条件下的类似居住住宅提供了实证需求原型。

3.1.3. 商业设施

该商业案例以克里特岛伊拉克利翁的一家旅行社为代表。可获得特定时段的每日需求曲线,包括6月、8月和12月各一周的数据。根据现有的电力需求数据,通过现有测量值重建了年度序列,并考虑了空间调节负荷和IT装备(包括计算机和服务器)。该旅行社的年度电力需求波动情况见图11,而图12展示了高峰需求季节中为期十天的需求情况。
Energies 19 05470 g011
图11。2025年旅行社年度用电需求波动。
Energies 19 05470 g012
图12。8月1日至10日旅行社的用电需求波动。
图11和图12由于夏季制冷需求增加以及旅游旺季的活动增多,需求在夏季达到峰值。较高的日间需求有利于光伏直接满足需求。由于服务器持续运行而产生的持续夜间基础负荷限制了直接覆盖,并促使使用储能。

3.1.4. 需求数据摘要

3.1节中描述的需求概况。基于上述测量和源数据,展示了五个案例所使用的年度需求时间序列:
  • 希腊地中海大学主校区;
  • 克里特水族馆;
  • 一家铝制框架制造厂;
  • 一家旅行社;
  • 100处住宅。

这些设施的基本电力和用电量数据汇总在表1.
表1。所调查设施的用电量和采购成本的现有数据摘要。

HMU和克里特水族馆的年用电量和采购成本数据是可用的(表1)。它们的平均购电价格是通过年采购成本除以年用电量计算得出的。由于其他用户的相应成本数据不可用,因此也采用了水族馆的平均采购价格,如在第3.3节中解释了主操作模拟算法。.
除住宅建筑外,所有调查的设施均表现出日间需求峰值,有利于光伏直接满足需求。
住宅和旅行社的年度需求系列是基于实测数据构建的场景。家庭聚合和月度权重假设,以及旅行社测量数据的外推,并未建立相应消费类别在统计上的代表性。因此,由此得出的覆盖范围和经济指标仅适用于指定的概况和系统配置;针对特定项目的评估需要使用与相关消费者相匹配的年度需求数据。

3.2. 气象数据与光伏发电量

3.2.1. 气象数据

2025年的逐小时平均环境温度和风速数据来自ECMWF [57](位置35.25° N, 25.25° E,约克里特岛北海岸以南8.5公里处)。同年的地面全球水平辐照度测量数据来自HMU(35.31° N, 25.10° E)。图13和图14分别显示了环境温度和实测辐照度。
Energies 19 05470 g013
图13。环境温度年波动。
Energies 19 05470 g014
图14。水平面上的入射太阳辐射。
年风速波动情况展示在图15.
Energies 19 05470 g015
图15。风速年波动。
每小时平均环境温度在5.2 °C至33.1 °C之间,年平均温度为18.7 °C。年平均风速为4.9 m/s,盛行西北风。相对较低的环境温度和盛行西北风有利于光伏性能,因为它们限制了电池板温度[59].
最后,如图所示图14,每日最大全球水平辐照度范围约为400–500 W/m2(冬季),夏季年最大值可达973 W/m2。年累计辐照量为1792.1 kWh/m2,表明该研究地点拥有丰富的太阳能资源。
根据已建立的太阳几何和辐射关系,计算了不同倾角下朝南倾斜表面的年辐射量[60]. 表2总结了该计算结果,指出克里特岛北部海岸光伏面板的最佳安装角度为28°。
表2。不同倾角下朝南表面的年辐射量。

图16展示了在28°选定倾角下,朝南表面的年辐照度分布,并区分了直接、散射和反射分量。总入射太阳辐照度由这些分量之和得出,用于计算光伏发电量。
Energies 19 05470 g016
图16。克里特岛北海岸朝南表面在28°倾角下的年入射太阳辐照度波动。

3.2.2. 光伏发电

光伏功率输出是使用文献中描述的既定经验方法计算的[61],根据公式
Ppv=cpv·Pnom,Ppv=cpv·Pnom,

其中c是光伏面板功率因数,P是额定装机光伏功率。pvnom
光伏功率因数c由以下关系式给出pv
cpv=PRopt·PRNIT·PRT·ηtrans,cpv=PRopt·PRNIT·PRT·ηtrans,

其中各项含义如下:
  • PRopt,PRNIT和PRT分别是光学性能比(与阴影或污垢损失相关)、非辐照度和温度性能比(表示逆变器中的损失,与太阳辐照度或电池温度无关)以及温度性能比(表示与电池温度相关的损失);
  • ηtrans代表与电缆和变压器输电相关的效率。

PR采用97.5%、97.0%和98.5%的值opt,PRNIT和ηtrans,分别对应。
温度性能比PR由以下关系式给出T
PRT=1+γmp·(θc,wa−θSTC),PRT=1+γmp·θc,wa−θSTC,

适用于以下情况:
  • θSTCθSTC是标准测试条件下的电池温度,等于25 °C;
  • γ是最大功率温度系数。它表示相对于标准测试温度,光伏电池温度每变化一度时最大光伏功率的百分比变化,采用值等于−0.0045 K;mpθSTCθSTC−1
  • θc,waθc,wa是电池的加权平均温度,即光伏电池的实际温度。
光伏电池的工作温度由以下公式给出θc,waθc,wa
θc,wa=θa+F·κ(wSD)·G,θc,wa=θa+F·κwSD·G,

其中涉及以下内容:
  • θaθa是环境温度(图13);
  • F是安装/安装系数。它代表系统的通风情况(例如,是地面安装还是屋顶集成);
  • κ(wSD)κwSD是风冷却系数,其中w是风速(SD图15)。它表示由于风提供的冷却作用而导致的面板温度降低;
  • G是光伏面板表面的入射太阳辐照度(图16).
安装/安装系数F由以下关系式给出
F=2.32−0.0017·G,F=2.32−0.0017·G,

最后是风冷却系数由以下关系式给出 κ(wSD) κwSD
κ(wSD)=T1·eB·wSD+T2+ΔθGSTCκwSD=T1·eB·wSD+T2+ΔθGSTC

其中以下内容适用[62,63,64]:
  • 是初始温升分量,等于19.6 °C。该参数代表在静止空气(零风速)条件下,电池温度升至环境温度以上的最大热贡献,并按单位标准辐照度进行了归一化处理;1 is the initial temperature rise component, equal to 19.6 °C. This parameter represents the maximum thermal contribution to the cell’s temperature rise above ambient conditions under stagnant air (zero wind speed), normalised per unit of standard irradiance;
  • B是指数风冷常数,等于−0.223 (m/s)。这是一个经验性的指数衰减因子,用于量化风的对流冷却效果。负号确保了随着风速w增加,指数项减小,从而准确模拟模块表面的散热过程;−1SDeB·wSDeB·wSD
  • 是恒定热偏移量,等于11.5 °C。它是一个恒定温度参数,代表光伏组件在稳态运行条件下的基准热平衡偏移;2 is the constant thermal offset, equal to 11.5 °C. It is a constant temperature parameter that represents the baseline thermal equilibrium shift of the photovoltaic module under steady-state operational conditions;
  • Δθ是内部热梯度,等于3 °C。该参数反映了核心光伏硅电池Tcell与组件正面玻璃表面Tmodule之间的内部温差,这是由封装层的导热热阻引起的;
  • 是参考太阳辐照度,等于1000 W/m²STC is the reference solar irradiance, equal to 1000 W/m2.

将此方法应用于上述参数值和气象数据,可得出每千瓦装机容量的每小时光伏输出p,如图17所示。对该时间序列进行积分,可得年发电量为1726.1 kWh/kWp,对应的容量系数为19.7%。
Energies 19 05470 g017
图17。每千瓦光伏装机容量的年光伏发电量波动p。
计算出的年产量与所调查区域的预期生产水平一致,但这种一致性不应被解读为特定场址的经验验证。缺乏可用于独立验证的、包含削减记录和运行可用性的可比实测发电序列。

3.3. 计算模拟方法与全年龄数据及参数

光伏和电池配置是通过循序渐进、结果导向的探索方式选定的。评估始于相对较低的光伏容量且不带储能,随后根据产生的需求覆盖率、剩余发电量和经济指标来调整光伏和电池容量。该程序旨在考察容量变化的影响,并确定相关的技术与经济权衡。它并未涉及对设计空间进行详尽或系统的搜索,也未采用数学优化公式或建立局部/全局最优性的程序。因此,本研究中重点介绍的配置均为选定的替代方案,未测试的组合可能会带来更理想的结果。
模拟分别评估每个消费者,使用带有和不带电池储能的光伏系统按小时的能量平衡数据。在整个研究中,“小时需求覆盖率”表示在每个一小时模拟间隔内,由同时进行的光伏发电和/或电池放电所满足的电力需求。年度需求覆盖率通过将全年的供应能量相加并除以年度总需求来计算。由于计算使用的是小时平均功率值,因此无法解决小时内的需求与发电不匹配问题,也无法确定瞬时需求覆盖率。
以下定义贯穿整个分析过程:
  • 直接光伏需求覆盖率表示在每个小时模拟间隔内,由并发光伏发电供应给读档的电量;
  • 总光伏-电池需求覆盖率还包括通过电池放电输送给读档的电量;
  • 两种覆盖率百分比均相对于年度用电需求进行计算;
  • 盈余发电百分比表示相对于年度光伏总发电量,既未被直接消耗也未被储能吸收的光伏电力;
  • 电池吸收的电量与释放到读档的电量因存储损耗而有所区别。

对于每个小时计算时间步j,时间步长Δt = 1小时,应用以下步骤:
  • 如果P是当前功率需求,而P是当前光伏发电量,那么来自光伏发电的每小时需求覆盖率P可通过以下关系计算得出dpvd,pv
    if Pd≥Ppv then Pd,pv=Ppvif Pd<Ppv then Pd,pv=Pdif Pd≥Ppv then Pd,pv=Ppvif Pd<Ppv then Pd,pv=Pd
  • 剩余的功率需求P未被当前的太阳能发电直接覆盖的部分是d,rem
    Pd,rem=Pd−Pd,pvPd,rem=Pd−Pd,pv
  • 太阳能发电功率P潜在可用于存储的部分是pv,st
    Ppv,st=Ppv−Pd,pvPpv,st=Ppv−Pd,pv
  • 如果C是电池的储能容量,P是电池的额定充电功率,η是储能效率,E(j−1)是上一时间步的电池电量,那么电池吸收用于储能的PV功率P是batchar,nomststst
    if Est(j−1)+Ppv,st·Δt·ηst≤Cbat then Pst,pot=Ppv,stif Est(j−1)+Ppv,st·Δt·ηst>Cbat then Pst,pot=Cbat−Est(j−1)ηst·Δtif Pst,pot ≥ Pchar,nom, then Pst=Pchar,nomif Pst,pot<Pchar,nom, then Pst=Pst,potif Estj−1+Ppv,st·Δt·ηst≤Cbat then Pst,pot=Ppv,stif Estj−1+Ppv,st·Δt·ηst>Cbat then Pst,pot=Cbat−Estj−1ηst·Δtif Pst,pot ≥ Pchar,nom, then Pst=Pchar,nomif Pst,pot<Pchar,nom, then Pst=Pst,pot

    其中P是存储的潜在功率,仅考虑电池的存储容量(即在检查电池的额定充电功率之前)。st,pot
  • 如果 η是电池的放电效率,P是电池的额定放电功率,E是最小所需储能,那么电池的功率需求覆盖 P为disdis,nomminbat
    if Pd,rem=0, then Pbat=0if Pd,rem≠0, then:if Est(j−1)−Pd,rem·Δtηdis≥Emin then Pbat,pot=Pd,remif Est(j−1)−Pd,rem·Δtηdis<Emin then Pbat,pot=[Est(j−1)−Emin]·ηdisΔtif Pbat,pot ≥ Pdis,nom, then Pbat=Pdis,nomif Pbat,pot<Pdis,nom, then Pbat=Pbat,potif Pd,rem=0, then Pbat=0if Pd,rem≠0, then:if Estj−1−Pd,rem·Δtηdis≥Emin then Pbat,pot=Pd,remif Estj−1−Pd,rem·Δtηdis<Emin then Pbat,pot=Estj−1−Emin·ηdisΔtif Pbat,pot ≥ Pdis,nom, then Pbat=Pdis,nomif Pbat,pot<Pdis,nom, then Pbat=Pbat,pot

    其中P是电池的潜在发电功率,仅考虑上一个时间步存储的电量(即在检查电池的额定放电功率之前)。bat,pot
  • 电池的新充电水平E(j) 在当前时间步结束时为st
    Est(j)=Est(j−1)+Pst·ηst·Δt−Pbat·ΔtηdisEstj=Estj−1+Pst·ηst·Δt−Pbat·Δtηdis

在上述算法中,充放电效率均设定为95%。初始荷电状态和最大放电深度分别设定为额定容量的50%和80%。所有这些数据均取自所采用电池型号的技术规格书,由其制造商提供。
电池退化通过假设每年存储容量减少2%来模拟,该比例应用于每年年初的剩余容量。同样,光伏退化通过每年将有效额定功率容量降低0.5%来模拟,该比例相对于每年年初的数值。
规定的电池容量衰减率是一种简化的评估假设,而非全面的老化模型。尽管运行模拟强制执行了荷电状态和充放电功率限制,但衰减率并非根据由此产生的循环历史、温度、充放电速率或累计能量吞吐量计算得出。特定商用电池系统的校准老化参数和电池温度历史数据不可用。因此,长期结果取决于假设的容量衰减轨迹和预定义的更换策略。
模拟过程针对每个消费者以及光伏功率容量和电池能量容量的不同组合重复进行。为了便于不同案例间的比较,年度光伏发电量和额定电池容量被归一化为
rpv=Epv,annualEd,annualrpv=Epv,annualEd,annual

hB=CbatEd,annual8760hB=CbatEd,annual8760

适用于以下情况:
rpv 标准化的光伏年发电量;
hB 归一化电池储能容量(单位:kWh/kW);
Epv,annual 年光伏发电量;
Ed,annual 年用电需求量;
Cbat 电池标称储能容量。

参数rpv是年光伏发电量与年用电需求量的比值。参数hB是电池标称能量容量除以年平均需求功率。其单位为小时,代表平均需求的等效小时数。这些参数为比较和解释不同用户画像的配置报告提供了共同基础。它们的引入并不构成优化程序,也不确定最佳容量值。
每个情景使用以下能源和经济指标进行评估:
  • 光伏电站与电池储能系统综合输出对年用电需求覆盖的百分比,相对于年用电需求计算;
  • 光伏电站年发电盈余百分比(指既不与用电需求同时发生又无法储存的发电量),相对于相应年份的光伏发电量计算;
  • 年购电成本降低额,计算为年用电需求覆盖量与采用的购电价格之积(HMU为0.2524 €/kWh,其他所有消费者为0.2172 €/kWh);
  • 总投资的简单回收期,计算为初始投资成本与年购电成本降低额的比值;
  • 年用电覆盖的单位成本,使用以下公式计算

ccom=Cpv+CbLPEcomccom=Cpv+CbLPEcom

适用于以下情况:
ccom 年用电需求覆盖的单位成本;
Cpv 光伏电站的总建设成本(采购与安装);
Cb 电池组的总建设成本(采购与安装);
LP 电站的使用寿命,由光伏电站或电池组的使用寿命中较长者决定;
Ecom 年用电需求覆盖率,由光伏电站和电池组共同提供。
  • 电池投资的简单回收期,计算方式为

PBB=CbEbat·pelPBB=CbEbat·pel

适用于以下情况:
Ebat 年度电力需求覆盖情况,特别是来自电池的覆盖情况;
pel 各调查消费者所采用的电力采购价格;
Cb 电池的总建设成本(采购与安装)。
  • 整体投资和电池投资的折现回收期,使用年度货币节省的现值计算得出。

光伏投资成本按800欧元/千瓦的交钥匙采购和安装成本计算p.
在25年的评估期内,采用4%的恒定实际折现率。这一假设与欧盟委员会《2014-2020年规划期投资项目成本效益分析指南》中提出的参考财务折现率一致[65]。它为比较所研究的配置提供了一个通用基准,而非针对特定项目的投资者要求回报率估算或未来利率预测。购电价格和更换成本均以2025年恒定欧元表示,与使用实际贴现率保持一致。由此得出的折现回收期仍取决于这一假设。
列出的电池系统表3被用于相应的容量配置场景;报告的成本为交钥匙成本。
表3。研究涉及的电化学电池模型与技术。

经济评估和回收期计算采用以下假设:
  • 所有投资均按全股权融资方式进行评估,以提供统一的比较基准,而不引入特定消费者的借款条款。结果不评估债务偿还能力或杠杆投资者的回报;
  • 常规运行维护成本不包含在报告的经济指标中表4, 表5, 表6, 表7和表8。在第4.4节中呈现的补充敏感性分析中,明确包含了年度运营和维护(O&M)支出,其参考值等于初始光伏和电池投资的1%;
  • 评估周期设定为25年,电池更换时间为第16年年初。相应的更换支出折现至现值;
  • 在整个评估期内,电力采购价格按2025年水平保持不变(以实际价格计)。这是一个假设实际价格不增长的基准情景,而非对未来电价的预测。不同的价格走势将影响预估的节省金额和回收期。

表4。HMU主校区测试的光伏和电池配置的模拟结果。

表5。克里特岛水族馆测试的光伏和电池配置的模拟结果。

表6。该工业设施中测试的光伏和电池配置的模拟结果。

表7。住宅群组中测试的光伏和电池配置的模拟结果。

表8。商业设施中测试的光伏和电池配置的模拟结果。

对于敏感性分析,经济指标是根据年度净现金流重新计算的,包括在各自时间点发生的运维支出和装备更换成本。因此,这些指标与参考经济比较所使用的现金流基础不同表4, 表5, 表6, 表7和表8如果不考虑这些差异,就不应直接进行比较。计算程序在4.4节.
最后,所有储能配置均采用统一的电池更换计划:每个电池系统在第16年年初更换,恢复其初始标称能量容量。无论制造商报告的寿命如何,均采用此假设表3中明确规定,包括使用寿命超过15年的模型。它在不同情景下提供了一致的更换基准,并在模拟15年退化后恢复了储能容量。更换的电池也适用相同的年容量退化率,相应的更换支出被纳入经济评估中。这代表了一种假设的更新政策,而非断言所有电池模型在15年后都会达到使用寿命终点。

4. 结果

4.1. 迭代计算结果

表4, 表5, 表6, 表7和表8展示了五个消费者案例的模拟结果。测试的光伏和电池容量反映了每个案例的需求规模。结果分为能源和经济指标,并使用下文所述的方法和假设进行计算第3.3节中解释了主操作模拟算法。.
表4, 表5, 表6, 表7和表8报告了所选配置,这些配置展示了在更大规模模拟中观察到的主要趋势,遵循了在第3.3节中解释了主操作模拟算法。中描述的顺序探索过程。所呈现的配置仅为说明性的尺寸方案,不应被视为设计空间的详尽代表或已证实的最佳解决方案。
结果显示表4, 表5, 表6, 表7和表8支持以下观察结果:
  • 在不使用储能的情况下,直接光伏供电在HMU约占年需求的36–46%,在克里特水族馆占36%,在旅行社占50–55%,在工业设施占48–67%,在住宅群体占24–29%,具体取决于测试的光伏容量。相应的剩余比例分别约为14–46%、7.2%、37–66%、18–42%和72–87%。这些结果说明了需求时间对直接光伏利用率的影响,以及储能对于实现更高需求覆盖率的重要性;
  • 报告的配置说明了需求覆盖与盈余发电之间的权衡。当发电量超过同时需求以及储能系统可吸收的能量时,增加光伏容量会增加盈余。电池储能可以提高这些盈余的利用率,但其贡献取决于充电机会、剩余需求以及电池的功率和能量限制。结果并未建立光伏容量与电池能量容量之间的比例配比规则。在所有五个案例中,所选配置的年平均需求覆盖率均接近或超过90%。在HMU,93.1%的覆盖率伴随着41.9%的光伏盈余比例。克里特水族馆的相应数值为89.8%和20.1%,工业设施为94.6%和44.2%,配备500千瓦光伏和1000千瓦时储能的住宅配置为90.6%和55.3%,旅行社为89.5%和41.7%。这些示例描述了特定报告配置的性能,并未确定最佳规模;
  • 按采用的购电价格(HMU为0.2524 €/kWh,其他消费者为0.2172 €/kWh)计算,预计的简单投资回收期分别为:HMU为7.6年,水族馆为6.8年,工业设施为8.5年,住宅群体为12.5年,旅行社为14.5年;
  • 年购电成本的降低额计算结果为:HMU为453,700欧元,克里特水族馆为806,600欧元,工业设施为28,800欧元,100户家庭组为73,600欧元(每户736欧元),旅行社为2000欧元。

上述结果表明,对于所有研究案例,实现较高的年度电力消耗覆盖率是可行的,其经济表现如报告所示表4, 表5, 表6, 表7和表8.
图18, 图19, 图20, 图21和图22总结测试配置的年度光伏发电量和需求覆盖情况。每种配置均以其光伏容量和电池储能容量进行标注。堆叠柱状图在主纵轴上以MWh为单位显示年度能量值,柱状图的总高度代表年度光伏发电量。该发电量被划分为四个互斥的组成部分:
Energies 19 05470 g018
图18。HMU主校区的年度能源平衡与需求覆盖情况。
Energies 19 05470 g019
图19。克里特水族馆的年度能源平衡与需求覆盖情况。
Energies 19 05470 g020
图20。工业设施的年度能量平衡与需求覆盖情况。
Energies 19 05470 g021
图21。住宅建筑的年度能源平衡与需求覆盖率。
Energies 19 05470 g022
图22。旅行社的年能量平衡和需求覆盖情况。
  • 光伏直接自发自用,即由负载同时消耗的发电量(绿色);
  • 从电池放电至负载的能量(蓝色);
  • 电池回合损耗,计算为存储能量与随后输出能量之间的差值(灰色);
  • 无法被设施吸收并出口至电网或被削减的光伏剩余电量(橙色)。

前三个分量的总和对应于设施吸收的总光伏能量(包括损耗)。前两个分量的总和代表输送给读档的有用能量。虚线标示了每个设施的年用电需求,以便直接读取输送能量与读档的对比情况。次垂直轴显示了每种情景的需求覆盖百分比(带有数值标注的棕色标记),将绝对能量流与实现自给自足的程度联系起来。
每张图下方的图例列出了光伏发电量、电池容量和归一化参数rPV和hB。在每种储能场景中,电池损耗均接近存储能量的10%(9.4–10.8%,最小旅行社电池为12.2%),因此不再赘述。由于电池退化和第16年的电池更换,第一年的覆盖率高于下文引用的平均值,而第15年的覆盖率则低于平均值。例如,HMU场景7的覆盖率在第1年为95.5%,平均为93.1%,第15年为89.6%。
在HMU(图18),将光伏容量从500kW翻倍至1000kW可使年发电量增加813.2 MWh,但直接需求覆盖量仅增加187.8 MWh,相当于新增发电量的23.1%。因此,需求覆盖率从36.1%上升至45.8%,而盈余比例从14.3%增加到45.6%。储能进一步提升了覆盖率,尽管其边际贡献取决于具体配置。在1500kW光伏容量下,将电池容量从1000kWh增加到2000kWh可使覆盖率从60.7%提升至72.6%,增幅为11.9个百分点。在2000kW光伏容量下,将储能从3000kWh扩展至4000kWh可增加137.6 MWh的年供应量,并将覆盖率从86.0%提升至93.1%。这一最终储能增量带来的收益较小,表明在所测试的配置中存在收益递减现象。即使是覆盖率最高的配置仍有41.9%的光伏发电未被利用,这表明高需求覆盖率可以与大量盈余发电量并存。
该水族馆展示了光伏发电的高效利用与高需求覆盖之间的区别(图19). 在拥有1000千瓦光伏且无储能的情况下,92.8%的发电量被直接消耗,但仅能满足36.5%的年需求。增加500千瓦时的储能仅能将覆盖率提高1.7个百分点,因为可用于充电的剩余电量相对较少。更大的光伏容量为储能利用创造了更多机会。在2000千瓦光伏下,将电池容量从2000千瓦时增加到4000千瓦时,可增加392.7兆瓦时的年供应量,并将覆盖率从56.7%提高到66.2%。在3000千瓦下,将储能从4000千瓦时增加到8000千瓦时,可将覆盖率从70.9%提高到89.8%,并将剩余发电量从37.8%降低到20.1%。因此,在测试的配置中,当有足够的发电量可用于充电时,储能扩展能带来显著收益。
该工业设施实现了相对较高的光伏直接需求覆盖率,但额外的发电和储能呈现出边际收益递减(图20)。将光伏容量从50kW提升至100kW,覆盖率从47.7%提高到67.3%;然而,新增发电量中仅有27.6 MWh(即33.9%)被直接消耗。在100kW光伏容量下,前100kWh的储能使覆盖率提升了14.7个百分点,而后续的100kWh仅增加5.8个百分点,这是基于基础能量值计算得出的。当储能固定为200kWh时,将光伏容量从100kW增加到150kW,新增发电量为81.4 MWh,但仅产生9.6 MWh的有效供应,相当于新增发电量的11.8%。覆盖率达到946%,而剩余发电量从22.3%增加到44.2%。因此,最终的扩展虽然接近实现全年需求的全覆盖,但代价是新增光伏发电的利用率大幅下降。
住宅案例显示,在没有储能的情况下,对光伏扩展的响应最弱(图21)。将光伏容量从200kW提升至500kW,年发电量增加了487.9 MWh,但直接消耗仅增加18.4 MWh,仅占增量的3.8%。覆盖率从24.2%提升至29.2%,而剩余发电量达到86.6%。在200kW的安装基础上增加500kWh的储能,覆盖率则提升至55.6%,提高了31.4个百分点。在1000kWh的固定储能容量下,将光伏容量从300kW提升至500kW,覆盖率从86.1%提升至90.6%,但剩余比例从29.1%增加到55.3%。进一步增加至1000kW,覆盖率仅提升2.6个百分点至93.2%,而剩余比例达到77.1%。在这三种配置中,电池放电量保持在223.3–229.7 MWh之间,这表明一旦储能介导的供应变化不大,仅增加光伏容量带来的收益有限。
最后,在旅行社(图22),将光伏容量从5kW提高到10kW,使需求覆盖率从50.2%提高到55.1%,同时剩余发电量从37.0%增加到65.6%。根据四舍五入后的能量值,新增光伏发电量中仅有约6%被直接消耗。表8在光伏容量固定为10千瓦的情况下,储能容量每增加5千瓦时,覆盖率分别提升至66.9%、78.7%和89.5%,对应的增幅分别为11.8、11.8和10.8个百分点。这种近乎均匀的增幅表明,在测试范围内,扩展储能容量依然有效。然而,配置15千瓦时储能时,仍有41.7%的发电量未被利用,同时需从电网购入10.5%的年需求量。这种并存现象表明时间上的不匹配依然存在,这支持了应进一步探索灵活性选项,而非仅仅增加光伏容量的观点。
在测试的纯光伏配置中,住宅组的最高年平均需求覆盖率为29.2%,工业设施为67.3%。在表9中选定的用于交叉案例比较的配置,其年平均需求覆盖率达到86.1–94.6%,rpv1.18–1.74的值和hB数值约为12.5–23.4小时。具有高直接覆盖上限的读档,如工业设施和旅行社,每单位需求所需的存储量较少。住宅总量需求最大。测试的几种光伏容量增量在大幅增加剩余发电量的同时,仅能提供有限的额外需求覆盖。
表9。所调查场景的交叉评估结果。

归一化尺寸参数 rPV和hB在表4, 表5, 表6, 表7和表8为解释所研究案例中年度发电量、储能容量与电力需求之间的平衡提供共同基础。在没有储能的情况下,增加rPV虽然提高了需求覆盖率,但随着新增发电量日益超过同期消耗量,收益却在递减。这种效应在所研究的住宅群体中尤为明显:将rPV从0.87提高到2.17,覆盖率仅从24.2%提升至29.2%,而剩余发电量却从72.1%增加到86.6%。在固定rPV,增加hB通过将原本闲置的发电量转移到后续需求时段,改善了覆盖率并减少了盈余。然而,这种收益取决于盈余能源的可用性和剩余需求的时间点,而非仅仅取决于储能容量。例如,在rPV= 1.16时,将hB从0增加到6.24 kWh/kW,使工业需求覆盖率从67.3%提升至82.0%,而进一步增加到12.49 kWh/kW时,覆盖率仅提升至87.8%,表明储能收益呈递减趋势。在测试的配置中,当r达到一定水平时,年平均需求覆盖率可超过90%pv数值范围从1.68到4.35以及hB数值范围从12.49到23.43小时。这些范围描述了相应的测试配置,并不构成通用的尺寸阈值。在存储容量不变的情况下,进一步的PV扩展可能会带来相对较小的覆盖率增益,同时伴随着盈余和投资成本的大幅增加,正如h处的住宅场景所示B= 23.43 小时。总体而言,年发电量超过年需求量不足以确保高自给率,且增加任一标准化规模参数并不一定能改善经济性能。因此,应综合考虑需求时间、可接受的剩余电网依赖度以及每单位容量增加所带来的额外节省,来共同选择光伏和电池容量。

4.2. 发电综合图表

图23, 图24, 图25, 图26和图27展示在选定的十天期间内,光伏发电和电池放电对需求的贡献,这些数据取自电站运行的第一年(最大光伏产量和电池储能容量)。对于每位消费者,图(a)展示了无储能的配置,而图(b)展示了储能配置,其年需求覆盖率超过90%。
Energies 19 05470 g023
图23。 () 第一种情景下(500 kW光伏/0 kWh储能),1月1日至10日HMU的电力需求与生产波动。(p) 第七种情景下(2000 kW光伏/4000 kWh储能),1月1日至10日HMU的电力需求与生产波动。) Power demand and production fluctuation on 1–10 January in HMU for the 7th scenario (2000 kWp PV/4000 kWh storage).
Energies 19 05470 g024
图24。 ()7月1日至10日克里特水族馆第1种情景(1000 kW光伏/0 kWh储能),1月1日至10日HMU的电力需求与生产波动。(p)7月1日至10日克里特水族馆第8种情景(3000 kW光伏/8000 kWh储能)的电力需求与生产波动。) Power demand and production fluctuation on 1–10 July in Crete Aquarium for the 8th scenario (3000 kWp PV/8000 kWh storage).
Energies 19 05470 g025
图25。 ()5月21日至30日铝框制造工厂的电力需求与生产波动,针对第1种情景(50 kW光伏/0 kWh储能),1月1日至10日HMU的电力需求与生产波动。(p)5月21日至30日铝框制造工厂的电力需求与生产波动,针对第5种情景(150 kW光伏/200 kWh储能)。) Power demand and production fluctuation on 21–30 May in the aluminium frame manufacturing facility for the 5th scenario (150 kWp PV/200 kWh storage).
Energies 19 05470 g026
图26。 ()100户家庭组和第1种情景(200 kW光伏/0 kWh储能),1月1日至10日HMU的电力需求与生产波动。(p)1月1日至10日100户家庭组和第6种情景(500 kW光伏/1000 kWh储能)的电力需求与生产波动。) Power demand and production fluctuation on 1–10 January for the 100 households group and the 6th scenario (500 kWp PV/1000 kWh storage).
Energies 19 05470 g027
图27。 ()旅行社在7月1日至10日的用电需求和发电波动,以及第1种情景(5 kW光伏/0 kWh储能),1月1日至10日HMU的电力需求与生产波动。(p)旅行社在7月1日至10日的用电需求和发电波动,以及第5种情景(10 kW光伏/15 kWh储能)。) Power demand and production fluctuation on 1–10 July for the travel agency and the 5th scenario (10 kWp PV/15 kWh storage).
图23a、b 指的是HMU。由于圣诞假期,年初几天的较低用电需求完全由光伏储能电站覆盖。在研究所正常运行期间(从1月8日起),电池中储存的电量不足以完全满足日出后新一轮光伏发电开始前的清晨用电需求。在所研究的无储能支持的情景下,所有光伏发电均被同时的负荷消耗。由于光伏额定功率较低(500 kWp),在特定时间段内没有光伏发电盈余。图23a、b图展示了需求与光伏发电的时间匹配如何影响每小时的需求覆盖率以及储能系统所需提供的贡献。
图24a、b在克里特岛水族馆表现出相似的行为。由于夏季旅游旺季,所描绘的时间段处于年度用电高峰期。在第一种情景中,光伏发电仅在白天发生,且没有储能支持。相对较低的光伏装机容量(1000 kWp),就电力需求规模而言,几乎实现了光伏发电的充分利用,剩余发电量微乎其微。在第二种情景下,高入射太阳辐照度结合充足的储能容量,使得在所示期间内几乎完全满足了需求。
对于铝框架制造工厂的情况,如图图25a、b所示,光伏发电与用电高峰在时间上的重合对于实现高小时用电需求覆盖率的重要性被清晰地揭示出来。因此,在图图25b所示的光伏-电池配置中,在所描绘的时间段内,白天的需求完全由光伏发电供应。电池放电仅在所描绘时间段的夜间供应需求。
在住宅案例中,白天低需求限制了光伏的直接需求覆盖率,并增加了对储能的依赖。在所示期间,若无储能,覆盖率较低。若有储能,未满足的需求则集中在日出前的清晨。图中所示的冬季较低辐照度图14进一步限制了该时段的覆盖率。
在旅行社,高峰需求与光伏发电相吻合,支持了高直接需求覆盖率。在图图27a,b所示的7月期间,光伏-电池配置满足了除日出前清晨时段外的需求。高太阳能可用性和充足的储能也使得能够持续供应夜间基础负荷。

4.3. 光伏与电池退化影响

模拟假设光伏系统每年退化0.5%,电池容量每年退化2%,并在第16年更换电池。图28展示了这些名义退化率如何影响输送至读档的能量。每年的能量流均以同一场景第1年的数值为基准进行归一化处理,以便直接比较规模差异巨大的系统。图28a中的粗灰色线代表名义光伏退化率,所有场景的光伏发电量均遵循此退化率。图28b代表电池的标称容量(每年-2%,在第16年更换)。
Energies 19 05470 g028
图28。所有32种情景的第1年归一化年流量:() 负载直接消耗的光伏能源;() 由电池覆盖的电力需求。b) demand covered by the batteries.
每个场景的光伏发电量完全遵循标称曲线,到第25年降至初始值的0.887。光伏能源的直接消耗衰减程度要小得多(图28a). 它在第25年保留了第1年价值的0.905–0.990(中位数为0.980),相当于每年0.04–0.41%,而非每年0.5%。
原因在于每小时的平衡。在每一小时内,给定负载P%%时,负载吸收光伏输出P%%的min(P%%, P%%)%%。当输出超过负载时,其中一部分即为盈余:P%%的减少PV首先从该盈余中提取,且读档保持完全覆盖。只有在光伏输出低于读档的小时内,降解才会导致直接消耗按比例减少。d) of the PV output PPV, given the load Pd. When the output exceeds the load, part of it is surplus: a reduction in PPV is first taken from that surplus, and the load remains fully covered. Only in hours in which the PV output is below the load does the degradation reduce the direct consumption one-to-one.
当每小时的读档超过光伏输出时,适用下限。当光伏在每个发电小时内超过读档时,适用上限。因此,每个场景在两个界限之间的位置由第一年剩余的光伏发电比例决定。规模较小但满足大量白天读档的光伏系统(剩余比例0.10–0.19)接近下限,例如第25年为0.905–0.933。大型电站则保持在0.98–0.99。
补偿是按小时进行的,而非按年。在没有储能的情况下,一小时的剩余电量无法抵消另一小时的缺口。因衰减而损失的能量会从剩余电量中扣除,因此可用于电池充电的剩余电量下降速度比光伏发电量更快。
在大多数情况下,电池的贡献紧随标称容量的变化(图28b)。到第15年,它会下降到初始值的约0.75,并在第16年更换后几乎完全恢复。因此,电池退化是总覆盖范围下降的主要原因。在大多数配置中,这使得第15年(而非最后一年)成为覆盖范围最低的一年。
发生了两种偏差:
  • 超大容量电池未完成全循环,因为日落后的负荷小于其容量。在这些场景中,前几年的容量损失对交付能量影响微乎其微,第15年的贡献率仍保持在0.83–0.91;
  • 规模不足的光伏电站产生的剩余电量太少,无法充满电池,因此电池的贡献量随剩余电量的减少而下降,而非取决于容量。在最极端的情况下(HCMR,1000 kWp配500 kWh),第15年的贡献量降至0.64。更换后仅恢复至0.74,到第25年降至0.54,成为覆盖率最低的一年。

因此,光伏系统的衰减对需求覆盖率的影响较小。电池的衰减对覆盖率的影响大致与其在覆盖能源中所占的比例成正比,并且在光伏盈余限制电池充电的情况下,这种影响会被放大。

4.4. 敏感性分析

进行了一次单因素敏感性分析,以研究选定的技术和经济假设如何影响所调查的光伏-电池系统。为每个用户选择了一种高需求覆盖率的配置:HMU采用情景7(2000 kWp光伏和4000 kWh储能),HCMR采用情景8(3000 kWp和8000 kWh),铝厂采用情景5(150 kWp和200 kWh),住宅群采用情景6(500 kWp和1000 kWh),旅行社采用情景5(10 kWp和15 kWh)。这些配置在整个分析过程中保持不变;敏感性计算不涉及重新调整尺寸或优化。
考察了六个参数:购电价格、光伏投资成本、电池投资成本、电池年容量衰减率、用电需求以及年运行维护(O&M)成本。每个参数在保持其他参数不变的情况下,独立在参考值的50%至150%范围内以10%为增量进行变化。图29, 图30, 图31, 图32和图33因此,将每个参数表示为其参考值的百分比,100%表示参考案例。所选范围为测试配置的响应提供了一个通用框架,不应被解释为统计不确定性界限。
Energies 19 05470 g029aEnergies 19 05470 g029b
图29。 () HMU折现回收期的敏感性分析(情景7)。() HMU内部收益率的敏感性分析(情景7)。() HMU年均需求覆盖率的敏感性分析(情景7)。() HMU年均光伏剩余电量的敏感性分析(情景7)。c) Sensitivity of mean annual demand coverage for HMU (Scenario 7). (d) Sensitivity of mean annual PV surplus for HMU (Scenario 7).
Energies 19 05470 g030aEnergies 19 05470 g030b
图30。 () HCMR折现回收期的敏感性分析(情景8)。() HCMR内部收益率的敏感性分析(情景8)。() HCMR年均需求覆盖率的敏感性分析(情景8)。() HCMR年均PV盈余的敏感性分析(情景8)。c) Sensitivity of mean annual demand coverage for HCMR (Scenario 8). (d) Sensitivity of mean annual PV surplus for HCMR (Scenario 8).
Energies 19 05470 g031aEnergies 19 05470 g031b
图31。 () 铝厂折现回收期的敏感性分析(情景5)。() 铝厂内部收益率的敏感性分析(情景5)。() 铝厂年均需求覆盖率的敏感性分析(情景5)。() 铝厂年均光伏剩余电量的敏感性分析(情景5)。c) Sensitivity of mean annual demand coverage for the aluminium factory (Scenario 5). (d) Sensitivity of mean annual PV surplus for the aluminium factory (Scenario 5).
Energies 19 05470 g032aEnergies 19 05470 g032b
图32。 () 住宅群折现回收期的敏感性分析(情景6)。() 住宅群内部收益率(IRR)的敏感性分析(情景6)。() 住宅群年均需求覆盖率的敏感性分析(情景6)。() 住宅群年均光伏剩余电量的敏感性分析(情景6)。c) Sensitivity of mean annual demand coverage for the group of residences (Scenario 6). (d) Sensitivity of mean annual PV surplus for the group of residences (Scenario 6).
Energies 19 05470 g033aEnergies 19 05470 g033b
图33。 () 旅行社折现回收期的敏感性分析(情景5)。() 旅行社内部收益率的敏感性分析(情景5)。() 旅行社年均需求覆盖率的敏感性分析(情景5)。() 旅行社年均PV盈余的敏感性分析(情景5)。c) Sensitivity of mean annual demand coverage for the travel agency (Scenario 5). (d) Sensitivity of mean annual PV surplus for the travel agency (Scenario 5).
参考年运维成本设定为初始光伏和电池投资的1%,分别对应HMU 27,600欧元、HCMR 43,000欧元、铝厂1,950欧元、住宅群7,200欧元和旅行社205欧元。当光伏或电池投资成本发生变化时,该年金额保持不变,仅在运维敏感性计算中有所调整。电池投资成本的变化同时应用于初始采购和后续更换。通过将完整的每小时需求序列乘以相应系数来改变电力需求,同时保持其时间分布。年电池容量衰减率在参考值2%左右从1%变化到3%,并依次应用于剩余容量。参考光伏衰减率、电池效率、充放电功率限制以及允许的放电深度保持不变。
评估了四个指标:折现回收期、内部收益率(IRR)、年均需求覆盖率,以及25年评估期内的年均剩余光伏发电比例。这两个能源指标按年度百分比的算术平均值计算,剩余部分相对于年光伏发电量表示。经济指标基于年度现金流重新计算,采用4%的实际折现率、恒定的实际购电价格、年度运维支出、12年后更换逆变器,以及在第16年年初更换电池。更换支出在相应时间计入,而非计入初始投资。若更换支出导致累计折现余额在初始恢复后再次变为负值,则回收期定义为最终转为非负余额并维持至第25年。在评估期内未实现折现回收期的案例不计入回收期图表,也不代表回收期为零。
在参考条件下,HMU的折现回收期为7.51年,HCMR为6.30年,铝厂为8.65年,住宅群为20.52年。相应的内部收益率(IRR)分别为14.06%、16.87%、12.01%和5.67%。对于旅行社,参考IRR为3.52%,且25年内未实现折现回收。这些估算纳入了上述指定的运营维护和更换现金流假设。
在所有五种情况下,购电价格都强烈影响着经济指标。在测试的价格范围内,HMU的内部收益率(IRR)从2.64%上升至23.35%,HCMR的IRR从4.49%上升至27.32%,铝厂的IRR则从1.20%上升至20.52%(图29b,图30b和图31b). 住宅组的对应范围为−4.60%至12.67%,旅行社为−8.17%至10.85%(图32b和图33b). 在参考价格的50%时,HCMR在23.48年内实现折现回收,而其他四种配置在25年内无法回收其折现支出。在150%时,HMU、HCMR、铝厂、住宅组和旅行社的回收期分别降至4.62、3.92、5.27、8.08和8.77年。
较高的PV和电池投资成本会降低IRR并延长折现回收期。在两种投资成本参数的测试范围内,HMU、HCMR和铝厂的折现回收期均保持在25年以内。当任一成本达到其参考值的130%或更多时,住宅配置无法实现折现回收。旅行社配置对电池成本尤为敏感;将该成本降低50%可将IRR提升至9.86%,并在9.68年内实现折现回收,而参考成本下则无法实现折现回收。当更换支出推迟了累计折现余额的最终回收时,某些回收曲线会出现突变。
电力需求同时影响能源利用和经济表现。在保持光伏和电池容量不变的情况下,需求增加通常会降低需求覆盖率,但会增加供给给读档的绝对电量,从而提高避免购买的节省额。当参考需求从50%增加到150%时,HMU的年平均覆盖率从99.83%降至78.53%,HCMR从99.43%降至70.97%,铝厂从99.75%降至84.96%。相应的降幅为住宅群从99.77%降至69.99%,旅行社从99.51%降至75.42%。同时,所有案例中的盈余比例均有所下降。例如,HCMR从55.56%降至6.30%,铝厂从70.54%降至25.02%。因此,较高的需求覆盖率并不一定意味着更好的经济表现:低需求可以产生高覆盖率,同时留下大量未使用的光伏发电量。
在测试范围内,电池退化对经济的影响小于电价或投资成本的影响,尽管其对需求覆盖率的影响在不同配置之间存在差异。年容量退化率从1%增加到3%,HMU的平均年覆盖率从94.21%降至91.68%,HCMR从91.22%降至88.07%,铝厂从95.10%降至94.13%。住宅群的相应范围为93.00–87.93%,旅行社为91.33–87.93%。储能容量的减少也会增加剩余发电量。对于旅行社,IRR从3.82%降至3.21%,始终低于4%的折现率;因此,未出现电池退化曲线图33a.
在测试范围内,年度运维支出对经济指标的影响较为温和。然而,对于经济利润空间有限的配置而言,将其纳入考量至关重要。对于住宅群体,运维支出在参考值的50%至150%之间变化时,折现回收期从18.97年变为22.40年。对于旅行社,在运维支出为参考值50%时,23.95年即可实现折现回收,但在参考值水平下则无法实现。在所采用的运行策略下,电价、光伏成本、电池成本和运维支出均不影响模拟的能量流;因此,它们在需求覆盖和盈余图中的曲线完全重合。
总体而言,分析表明购电价格和需求水平是影响经济结果的主要因素,而需求规模的调整也会显著改变覆盖范围和盈余发电量。在所有测试的单个参数变化下,HCMR均能在25年内实现折现回收期,而住宅和旅行社配置则更依赖于有利的经济假设。这些发现适用于所选的配置、需求概况和建模假设。由于参数是单独变化的,该分析未能捕捉到它们之间的相互作用、需求概况形状的不确定性,或替代配置排名变化的影响。

5. 讨论

结果表明,光伏自发自用电力的有效性在很大程度上取决于用电需求与太阳能发电在时间上的匹配程度。在所研究的常见气候条件下,运行时间表和系统规模的差异会导致需求覆盖率和剩余发电量结果出现显著不同。因此,较高的太阳能可用性为自发自用提供了有利条件,但仅凭这一点并不能确保已安装容量的高效利用。本对比研究的贡献在于量化这些差异如何影响不同测试规模方案下的有效能源收益,而非引入新的模拟方法或确立全球最优设计。
在解读这些结果时,区分需求覆盖率和光伏自发自用率至关重要。需求覆盖率表示由光伏和电池供应的消费比例,而自发自用率则涉及光伏发电的利用情况。在水族馆中,1000 kW纯光伏配置直接使用了92.8%的发电量,但仅满足了36.5%的年度需求。相反,配备1000 kW光伏和1000 kWh储能的住宅配置满足了93.2%的需求,同时有77.1%的发电量未被使用。因此,这两个指标都不能互相替代。这种区别也限制了与以往研究中报告的自发自用百分比进行直接的数值比较[41,53]。年度能源自给与对剩余电网依赖的并存,与港口电气化中发现的时间错配现象一致[56].
运行时间表有助于解释对光伏和储能扩展的不同响应。在测试的光伏仅配置中,白天的工业活动支持了47.7–67.3%的直接需求覆盖,而住宅组的比例为24.2–29.2%。大学将白天的活动与周末和节假日的减少相结合,而水族馆则全年保持着大量的需求。旅行社将白天的活动与持续的夜间基础负荷相结合。这些发现进一步证实了先前研究中确定的需求特征的相关性[51,53然而,不同配置在相对发电量和储能容量上存在差异;其结果的差异不应完全归因于消费者类型。归一化参数rpv和hB虽然便于比较,但不能替代在等效归一化光伏和电池容量下的比较。
住宅场景说明了为什么应通过光伏实际供给读档的能量来评估新增光伏容量。在没有储能的情况下,将光伏容量从200kW增加到500kW,新增发电量中仅有3.8%能直接被利用。当储能固定为1000kWh时,将光伏容量从300kW增加到500kW,覆盖率从86.1%提高到90.6%,但盈余从29.1%增加到55.3%。再次将光伏容量翻倍至1000kW,覆盖率仅增加2.6个百分点,而盈余则达到77.1%。因此,接受一定程度的电网依赖可以大幅降低所需的发电容量。300kW的配置提供了一个有用的低容量对比,但在修订后的假设下,它已无法满足平均覆盖率超过90%的目标。
储能效果取决于充电机会和后续需求。在水族馆,与1000千瓦光伏系统配对的小型电池仅将覆盖率提高1.7个百分点,因为剩余电量很少。而在3000千瓦光伏系统中,将储能从4000千瓦时增加到8000千瓦时,覆盖率反而提高了18.9个百分点。在工业设施中,第二个100千瓦时储能增量的覆盖率提升幅度明显小于第一个。因此,光伏功率与电池能量容量之间的固定关系不足以确定合适的配置。必须综合考虑能量容量、充放电功率、效率以及按时间顺序排列的剩余需求。
降解分析进一步区分了名义资产退化与有效能量交付。尽管到第25年光伏发电量降至初始值的88.7%,但在所有测试场景中,直接光伏供应仍保持在90.5%–99.0%。当发电量超过同期需求时,降解最初会减少盈余,而非有效直接供应。这种缓冲作用取决于每小时的平衡情况,不应被解释为光伏降解通常可以忽略不计的证据。盈余减少也可能限制电池充电。在大多数储能配置中,电池容量的下降是导致覆盖率降低的主要原因,覆盖率在第15年左右达到最低,随后在第16年进行更换。在发电受限的配置中,更换电池无法完全恢复其初始贡献,因为可用的光伏盈余也已下降。这些结果支持评估有效供应的演变,而不是直接将资产退化率应用于所有年度能量流。考虑退化的运行监测[54]可以补充此类预测,尽管它并未验证此处假设的降解率。
经济表现必须与最大能源覆盖率分开评估。这一比较结果与之前的研究一致,即更高的自发自用或自给率并不一定能提高盈利能力[49,53,55]。电池投资回收期也应与全系统回收期区分开来,因为它涉及与储能相关的额外支出和节省。修订后的评估考虑了25年的时间跨度和装备更换成本,而不是在不同的电池依赖时间跨度上比较配置。折现指标必须根据其陈述的现金流假设进行解读,而简单回收期则未考虑货币的时间价值。报告的指标是在共同的全股权融资、恒定实际价格情景下的条件性经济估算,而非全面投资可行性的证据。常规运维支出在参考比较中被排除在外表4, 表5, 表6, 表7和表8但在敏感性分析中明确包含并进行了变化4.4节替代的电价走势和融资安排未纳入评估,可能进一步影响财务结果。在未充分体现运营支出和其他生命周期成本的情况下,不应将所供应电力的特定成本视为全面的平准化成本。将平均购电价格应用于替代能源,也假设这些价格代表了可避免的费用;将固定和可变电价部分分开,将有助于提高节约估算值。
由于多余发电量不予补偿,经济研究结果涉及的是在采用零出口评估模式下避免的购电成本。它们并未涵盖净计费模式下所有可用的收入机会。这一界限适用于出口受限的应用场景,但并不意味着特定项目一定能获得并网批准,也不意味着出口限制将保持不变。如果存在出口收入,可能会改变具有大量剩余电量的配置方案的相对吸引力。多准则决策支持[52] 还可以帮助用户比较成本、剩余电网依赖度和其他目标,而无需将覆盖率最高的选项视为普遍优选。
敏感性分析表明,仅靠高需求覆盖率并不能确保良好的经济表现。电价和需求水平对经济指标有显著影响,而增加需求虽然会降低需求覆盖百分比,但能提高光伏利用率和财务回报。在所选配置中,HCMR在每种测试的单个参数变化下都能在25年内实现折现回收期,而住宅和旅行社配置对经济假设的依赖程度更高。在所研究的范围内,电池退化对经济的影响较小,尽管其对需求覆盖的影响仍然存在,特别是对于住宅配置而言。这些发现支持对经济结果进行有条件的解读,而非对投资可行性的普遍断言。
结果取决于所采用的数据和假设。报告的负荷覆盖率是根据每小时平均功率平衡计算得出的,并未展示瞬时覆盖、持续自主性或停电韧性。Beck等人[66]表明时间分辨率的影响取决于读档特征和评估的数量。在他们的住宅案例研究中,小时级分辨率足以用于确定光伏功率和电池容量,而电池逆变器功率确定则需要更高分辨率的数据。这一区别支持根据预期应用来评估时间分辨率,同时承认小时级模拟无法解决小时内的需求与发电不匹配问题。
三个设施的年度实测负荷序列是可用的,而旅行社序列是重建的,住宅序列则代表了文献推导的占用模式。后者提供的是经验原型,而非地中海所有家庭的地理平均值。重建的序列均未被证明在统计上能代表其更广泛的消费者类别。他们的模拟结果说明了特定需求假设所带来的后果,而不同的家庭构成、季节性需求模式或商业运营时间表可能会产生不同的覆盖范围和经济结果。
尽管光伏计算使用了地面辐照度测量值,但模拟的年均比发电量为1726.1 kWh/kWp尚未针对可比的光伏发电数据集进行独立验证。这一局限性影响了对需求覆盖、电池充电、剩余发电量和经济性能的解读。敏感性分析也未能解决这一不确定性,因为光伏产量并未直接进行变化。单一的气象年和固定的年降解假设无法捕捉年际变化或依赖于运行条件的衰老过程。电池更换也是预设的,而非由健康状态阈值或经济决策标准触发。因此,假设的容量衰减率和更换时间可能会影响预测的需求覆盖范围以及不同配置的经济性比较。这种顺序尺寸探索并非穷举法,所报告的配置是经过测试的替代方案,而非已证实的全局最优解。若要研究在明确定义的目标和约束条件下的最优配置,则需要进行系统的设计空间搜索或正式的多目标优化。单因素敏感性分析量化了所选配置对六个参数的响应,但未评估参数的同步变化、需求曲线形状的不确定性,或替代配置之间排名稳定性。多年测量、更精细的时间分辨率以及联合不确定性分析将为研究结果的稳健性提供进一步证据。
在追求进一步的光伏扩展之前,应进一步研究需求响应、互补性负荷共享和替代性储能调度,特别是在存在大量盈余和剩余进口的情况下。这些选项的提出源于早期的社区研究[34,51],但其效益在本次模拟中尚未量化。将研究结果推广到其他岛屿应用时,需要结合当地实施条件与技术性能进行综合考虑。Savvakis等人[67] 提出了一个欧洲岛屿能源转型的复制框架,该框架将技术和经济评估与利益相关者参与及社会公平考量相结合。类似的占用时间表可能支持将住宅负荷曲线作为其他地区的说明性情景,但它们并未建立定量可移植性。在其他地方应用该评估需要当地适用的气象数据、季节性需求模式和电价,同时还需考虑消费者行为。所报告的覆盖范围和经济指标仍取决于本文研究的负荷曲线和假设。
光伏和电池容量的正式优化超出了本研究的范围。光伏-电池容量配置通常被表述为单目标或多目标优化问题。已建立的方法包括基于枚举的工具(如HOMER [68])、数学规划(如混合整数线性规划 [66,69])以及元启发式算法(如遗传算法 [70]、粒子群优化 [71,72] 和多目标进化算法(如NSGA-II [73]。最近提出的元启发式算法,例如音乐椅算法[74,75] 和星鼻鼹鼠优化器 [76],也被应用于能源系统问题。与现有方法相比,它们在光伏-电池储能系统容量配置方面的相对性能仍有待验证。元启发式算法的结果还取决于目标函数、输入数据和算法参数设置,且无法保证全局最优。将本文提出的逐小时模拟模型与此类方法相结合,将有助于对设计空间进行系统性搜索。本研究中确定的覆盖率-盈余-成本权衡关系可作为相应的目标和约束条件。

6. 结论

本研究评估了在希腊克里特岛气候条件下,五种消费者配置在有无电化学储能情况下的光伏自发自用情况。评估采用了25年跨度的逐小时时间序列模拟,并纳入了电池功率限制、光伏和电池退化以及装备更换假设。对于所研究的案例,结果表明需求与光伏发电的时间匹配度强烈影响着有效能源的交付和储能利用率。仅凭年度能源总量无法捕捉到这些差异。
在测试的纯光伏配置中,HMU的年平均需求覆盖率为36.1–45.8%,水族馆为36.5%,工业设施为47.7–67.3%,住宅组为24.2–29.2%,旅行社为50.2–55.1%。测试的几种容量增量在需求覆盖率方面仅带来相对较小的提升,同时剩余发电量却大幅增加,尤其是在住宅案例中。这些范围仅描述了测试的配置,并非消费者类别的普遍覆盖极限。
在测试的配置中,达到的最高年平均需求覆盖率为:HMU 93.1%,水族馆 89.8%,工业设施 94.6%,住宅组 93.2%,旅行社 89.5%。它们的剩余发电比例在20.1%至77.1%之间。因此,高需求覆盖率并不意味着光伏发电的充分利用,也不意味着能持续脱离电网。
联合配比对于住宅需求尤为重要。在1000 kWh储能容量下,将光伏容量从300 kW增加到500 kW,平均覆盖率从86.1%提升至90.6%,而进一步增加到1000 kW时,覆盖率仅提升至93.2%。剩余发电量分别从29.1%增加到55.3%和77.1%。在两种平均覆盖率超过90%的住宅备选方案中,500 kW配置是规模较小的一种;这一发现并未在未测试的组合中确定最优方案。
资产退化与有效能量输出的下降速率并不一致。多余发电量缓冲了光伏退化对直接需求覆盖的影响。在假设的退化速率下,电池容量损失是大多数测试配置中存储介导供应下降的主要原因,而在某些情况下,光伏盈余减少也会限制充电。在第16年进行更换可恢复大多数配置中电池的大部分贡献,但无法完全补偿光伏盈余有限时充电能量的减少。因此,平均性能及其在项目寿命期间的演变都应为容量配置决策提供参考。
敏感性分析表明,经济结果在很大程度上取决于购电价格和需求水平。在所选配置中,HCMR在每种测试的单个参数变化下都能在25年内实现折现回收期,而住宅和旅行社配置对不利的经济假设更为敏感。需求增加通常会提高光伏利用率和经济表现,同时降低需求覆盖百分比。这些发现仅针对所选配置,并未确定不同规模方案之间排名的稳定性。
研究结果支持将光伏和电池容量进行综合考虑,并关注需求时机、剩余电网依赖度以及经济目标。最大覆盖范围未必能提供最具吸引力的投资回报。这些定量结论仅适用于所采用的克里特岛气象数据集、经济假设、零出口运行模式和退化模型下的测试配置及调查的需求曲线。不应将其解读为地中海地区住宅或商业用户的通用性能评估。模拟的光伏发电量尚未与可比的实测发电量进行独立验证;因此,报告的能源和经济结果仍取决于所采用的光伏生产模型。结合多年运行数据进行联合不确定性分析和验证,将进一步支持特定项目的决策以及地理可移植性的评估。
主要发现是,需求特征强烈影响光伏利用率,而储能可显著提高年度需求覆盖率。模拟识别了特定案例的容量权衡,而非展示全局最优的光伏-电池配置。