基于概率可靠度的槽式太陽能電站優(yōu)化設(shè)計

張燕平，張宇超，劉易飛

基于概率可靠度的槽式太陽能電站優(yōu)化設(shè)計

張燕平1，張宇超2，劉易飛2

（1．華中科技大學(xué)能源與動力工程學(xué)院，湖北省 武漢市 430074；2．華中科技大學(xué)中歐清潔與可再生能源學(xué)院，湖北省 武漢市 430074）

基于概率可靠度對槽式太陽能電站系統(tǒng)配置進行了優(yōu)化設(shè)計。首先，通過SAM軟件對建設(shè)50MW槽式太陽能電站進行了模擬，并考慮不確定性因素帶來的隨機性，結(jié)合神經(jīng)網(wǎng)絡(luò)-蒙特卡羅法，建立了槽式太陽能電站基于其太陽倍數(shù)、蓄熱系統(tǒng)蓄熱時長以及集熱槽行間距3個設(shè)計參數(shù)的不確定性模型。其次，建立了可靠度計算模型，選取平準化度電成本(levelized cost of energy，LCOE)、容量因子(capacity factor，CF)和總發(fā)電效率作為性能評價指標(biāo)，以各性能評價指標(biāo)的可靠性指標(biāo)最優(yōu)為優(yōu)化目標(biāo)，進行了可靠性計算與分析。最后，將不確定性模型下得出的各設(shè)計參數(shù)的最優(yōu)配置與確定性模型下的優(yōu)化結(jié)果進行了對比。由于考慮了不確定性因素的影響，不確定性模型下的計算結(jié)果更接近實際情況。

槽式太陽能電站；概率可靠度；優(yōu)化設(shè)計；不確定性；神經(jīng)網(wǎng)絡(luò)

0 引言

近年來，太陽能開發(fā)利用規(guī)模快速擴大，技術(shù)進步和產(chǎn)業(yè)升級加快，太陽能熱發(fā)電技術(shù)已取得較大進展[1-2]。槽式太陽能熱發(fā)電技術(shù)是目前發(fā)展最成熟的太陽能熱發(fā)電技術(shù)，已在許多國家實現(xiàn)了商業(yè)運行，并取得了很大收益。在槽式太陽能熱發(fā)電系統(tǒng)中，集熱場面積決定著整個系統(tǒng)輸入能量的大小，但由于集熱器成本較高，集熱場的面積大小很大程度上決定著系統(tǒng)的總成本。蓄熱裝置可使系統(tǒng)在額定負荷下的運行時間更長，但增加蓄熱裝置會使系統(tǒng)更加復(fù)雜[3]。由于太陽能場的遮蔽效應(yīng)和集熱場的熱能損失等問題，集熱槽行間距的選擇也會對系統(tǒng)的性能造成影響。因此，妥善解決這些參數(shù)的配置問題，選擇較為合適的系統(tǒng)配置，對系統(tǒng)的運行性能和經(jīng)濟性的改善具有至關(guān)重要的意義。

目前，國內(nèi)外許多學(xué)者對槽式太陽能電站的系統(tǒng)特性進行了研究。趙明智等[3]利用SAM軟件對美國達科特地區(qū)建設(shè)50MW的槽式太陽能電站進行模擬，研究了選擇系統(tǒng)最佳太陽倍數(shù)與蓄熱時長的方法。李然等[4]綜述了帶熔融鹽儲熱系統(tǒng)的槽式太陽能熱發(fā)電技術(shù)系統(tǒng)流程，得出了使電價最低的集熱場面積與蓄熱時長的最佳配置。IZQUIERDO等[5]從年發(fā)電量和功率因子的關(guān)系出發(fā)，研究了槽式和塔式電站最佳的集熱場面積。以上學(xué)者均采用確定性方法對槽式太陽能電站進行研究，然而確定性模型的研究方法并未考慮系統(tǒng)輸入變量的不確定性[6]。而不確定性分析方法能滿足這種客觀要求。在使用不確定性分析方法進行優(yōu)化時，由于考慮了隨機性因素的影響，輸入變量并不是一個確定性的數(shù)值，而是一個區(qū)間變化的值，該區(qū)間變化的值反映了輸入變量值的可能范圍。由此可對系統(tǒng)性能評價指標(biāo)進行區(qū)間預(yù)測，從而可以更好地判斷可能存在的不確定性因素對系統(tǒng)造成的影響，進而對優(yōu)化結(jié)果做出更合理的決策。目前不確定性研究方法的發(fā)展較成熟，已在其他領(lǐng)域廣泛使用。HANAK等[7]基于燃煤電廠輸入的不確定性，研究了電廠設(shè)備故障的概率，該研究為有效降低電廠投資和運營成本提供了參考。牛文娟等[8]通過建立電廠不確定性優(yōu)化模型得出，在需求響應(yīng)電廠模型中考慮不確定性的影響，可提高系統(tǒng)可靠性、降低系統(tǒng)風(fēng)險成本。FREY等[9]對燃煤電廠排放控制系統(tǒng)的性能和成本進行了隨機分析，結(jié)果表明不確定性建模的隨機方法能更深入地了解系統(tǒng)的過程性能。

鑒于傳統(tǒng)確定性方法并未考慮不確定性因素對電站帶來的干擾，而在槽式太陽能熱發(fā)電領(lǐng)域還鮮有使用不確定性分析方法進行系統(tǒng)優(yōu)化的先例，本文建立了槽式太陽能電站基于其太陽倍數(shù)、蓄熱系統(tǒng)蓄熱時長以及集熱槽行間距3個參數(shù)的不確定性模型，并基于概率可靠度研究這3個參數(shù)在給定性能評價指標(biāo)下的最優(yōu)配置。

1 槽式太陽能熱發(fā)電系統(tǒng)

1.1 系統(tǒng)組成及模擬軟件介紹

本文將對圖1所示的50MW槽式太陽能熱發(fā)電系統(tǒng)進行計算分析，該槽式太陽能熱發(fā)電系統(tǒng)由太陽能集熱場、蓄熱系統(tǒng)、發(fā)電系統(tǒng)等組成。蓄熱系統(tǒng)使用的是雙罐蓄熱系統(tǒng)，其中冷罐用來存儲來自集熱場多余的熱量，熱罐用來在夜晚或者光照較弱時將熱量傳至發(fā)電系統(tǒng)發(fā)電。本文模擬軟件使用的是美國國家可再生能源實驗室(national renewable energy laboratory，NREL)開發(fā)的SAM軟件，該軟件可以通過輸入環(huán)境參數(shù)、各子系統(tǒng)運行參數(shù)以及經(jīng)濟參數(shù)來對電廠的運行進行模擬，從而可以對系統(tǒng)的運行、經(jīng)濟性能進行計算與分析。

圖1 槽式太陽能熱發(fā)電系統(tǒng)

1.2 系統(tǒng)模擬參數(shù)說明

太陽能熱發(fā)電廠的選址通常要考慮當(dāng)?shù)氐奶栞椛鋸姸取Ｎ覈鞅辈恳约皟?nèi)蒙地區(qū)太陽能資源豐富，適宜建造太陽能熱發(fā)電站。在本文所研究的槽式太陽能電站中，選用了我國拉薩地區(qū)的氣象數(shù)據(jù)，這些數(shù)據(jù)來源于NREL太陽輻射數(shù)據(jù)庫(NSRDB)。相關(guān)設(shè)計參數(shù)見表1。

在槽式太陽能熱電系統(tǒng)中，通常用太陽倍數(shù)來表征集熱場面積，其計算公式如下：

式中：SM為太陽倍數(shù)；S為集熱場的集熱功率，由集熱場面積決定；P為汽輪發(fā)電機組額定進口熱功率，由電站設(shè)計容量決定。由于集熱器成本較高，考慮到占地和初始投資等實際情況，建設(shè)槽式電站時太陽倍數(shù)不宜過大。

為了解決集熱場面積、蓄熱系統(tǒng)容量及集熱槽行間距3個參數(shù)的配置問題，選擇較為合適的系統(tǒng)配置，本文分別選取太陽倍數(shù)、蓄熱系統(tǒng)最大蓄熱時長、集熱槽行間距作為輸入變量，研究其對槽式太陽能電站性能評價指標(biāo)的影響，并基于各性能評價指標(biāo)研究其最佳配置。

表1 槽式太陽能熱發(fā)電系統(tǒng)設(shè)計參數(shù)

1.3 系統(tǒng)性能評價指標(biāo)及其允許極限的確定

為表征太陽能電站的發(fā)電性能，選取容量因子(capacity factor，CF)、平準化度電成本(levelized cost of energy，LCOE)、總發(fā)電效率作為槽式太陽能電站的性能評價指標(biāo)。容量因子表征了太陽能電廠的年發(fā)電能力，計算公式如下：

式中：CF為容量因子；t為年總發(fā)電量；r為電廠額定發(fā)電功率。

平準化度電成本為項目生命周期內(nèi)的成本和發(fā)電量進行平準化后得到的發(fā)電成本，其計算公式如下：

式中：LCOE為平準化度電成本；i為總投資成本；O&M為運營和維修成本。

本文中，系統(tǒng)容量因子和平準化度電成本可以通過SAM模擬直接計算得出，而總發(fā)電效率計算公式如下：

式中：為太陽倍數(shù)為1時的集熱面積；DNI為年太陽直接輻射總量。電站相關(guān)經(jīng)濟性參數(shù)取值參考文獻[10-11]。

在槽式太陽能熱發(fā)電領(lǐng)域，國內(nèi)外許多專家學(xué)者均對電站的容量因子、平準化度電成本、總發(fā)電效率進行了研究。BOUKELIA等[12]在阿爾及利亞地區(qū)模擬建造槽式太陽能電站，在太陽倍數(shù)為1~3.6的范圍內(nèi)，得出其容量因子可達54.60%，LCOE可低至8.48美分/(kW?h)。王慧富等[13]則在拉薩地區(qū)模擬建造槽式太陽能電站，得出太陽倍數(shù)在3~5的范圍內(nèi)，其最大總發(fā)電效率可達到13.5%。

為了對本文槽式太陽能電站進行可靠性分析與計算，分別對各性能評價指標(biāo)選擇其允許極限，結(jié)果見表2。

表2 各性能評價指標(biāo)的允許極限

2 基于概率可靠度的不確定性優(yōu)化模型

2.1 概率可靠性分析模型

電力系統(tǒng)中的可靠性分析是指用概率統(tǒng)計方法對發(fā)電系統(tǒng)按規(guī)定的供電質(zhì)量標(biāo)準連續(xù)供電能力的定量分析或評估。在進行可靠性分析時，通過相應(yīng)的功能函數(shù)可以對每個參數(shù)逐一進行可靠性評估，設(shè)=(1,2,…,x)為電廠的輸入向量，功能函數(shù)可以表示為

式中：()為輸出變量的允許極限，通常由設(shè)計標(biāo)準和實踐決定；()為相應(yīng)輸出變量的實際預(yù)測值。在本文中，輸入向量=(1,2,3)，其中1,2,3分別為電廠的太陽倍數(shù)、蓄熱系統(tǒng)蓄熱時長及集熱槽行間距。輸出向量則分別為容量因子、LCOE和總發(fā)電效率。()=0為極限狀態(tài)面，它將基本變量空間分為失效區(qū)和安全區(qū)。若平準化度電成本實際預(yù)測值超過其允許上限值，即當(dāng)()<0時，為失效。若容量因子和總發(fā)電效率實際預(yù)測值低于其允許下限值，即當(dāng)()>0時，為失效。各性能評價指標(biāo)的可靠度表示為

式中：f為失效概率；f為失效區(qū)；f()為3個基本變量的聯(lián)合概率密度函數(shù)。

可靠性指標(biāo)表示了平均可靠性裕度與極限狀態(tài)表面的距離，其值越大，說明系統(tǒng)性能越好，各性能評價指標(biāo)的可靠性指標(biāo)計算公式如下：

2.2 不確定性分析模型

在傳統(tǒng)的SAM軟件建立的確定性模型中，設(shè)計參數(shù)往往是以定值代入模型進行計算的，而在實際應(yīng)用中，由于受不確定性因素的干擾，各設(shè)計參數(shù)往往會在一定范圍內(nèi)動態(tài)波動，因此計算結(jié)果往往存在誤差。為了表示各設(shè)計參數(shù)的不確定性，可以近似地將各設(shè)計參數(shù)的波動看作是給定均值和方差的正態(tài)分布變化。因此，可以利用蒙特卡羅隨機抽樣的方法，根據(jù)各設(shè)計參數(shù)的統(tǒng)計分布生成隨機數(shù)組，用于表示一段時間內(nèi)各設(shè)計參數(shù)值的變化[15]。本文中選取的隨機數(shù)組為3000組。

為了建立槽式太陽能熱發(fā)電系統(tǒng)輸入、輸出之間的函數(shù)映射關(guān)系，以對性能評價指標(biāo)進行預(yù)測，本文建立了神經(jīng)網(wǎng)絡(luò)預(yù)測模型。選取太陽倍數(shù)、蓄熱系統(tǒng)蓄熱時長、集熱槽行間距3個設(shè)計參數(shù)的值分別為1~6、0~16h、15~31m，并進行了排列組合，共設(shè)計1925組不同配置的樣本，代入SAM軟件中進行參數(shù)化模擬，分別計算出各性能評價指標(biāo)的值，并將結(jié)果作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，建立可以對系統(tǒng)各性能評價指標(biāo)進行確定性預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。采用BP神經(jīng)網(wǎng)絡(luò)中的Levenberg-Marquardt算法來訓(xùn)練網(wǎng)絡(luò)模型，設(shè)置隱含層神經(jīng)元為30個。圖2為神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖。

圖2 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖

將各設(shè)計參數(shù)配置在給定分布下隨機生成的3000組數(shù)代入已建立的神經(jīng)網(wǎng)絡(luò)模型，借助神經(jīng)網(wǎng)絡(luò)映射的函數(shù)關(guān)系，可以對各性能評價指標(biāo)進行預(yù)測，從而建立了槽式太陽能熱發(fā)電廠基于其3個設(shè)計參數(shù)的不確定性模型。最后，根據(jù)式(5)判斷每一次預(yù)測是否失效。再依據(jù)

對各性能評價指標(biāo)進行可靠度計算，式中：s為總失效次數(shù)；為總次數(shù)。

在考慮了極限狀態(tài)的失效概率后，可用式(7)來評估各性能評價指標(biāo)的可靠性指標(biāo)。其中，選取的各設(shè)計參數(shù)的均值范圍與方差[16-17]見表3。系統(tǒng)可靠性計算流程見圖3。

表3 各設(shè)計參數(shù)的分布參數(shù)

2.3 優(yōu)化模型

可靠性指標(biāo)的值越大，失效概率越小[7]。為了對系統(tǒng)各性能評價指標(biāo)進行優(yōu)化，保證最低的失效概率，有必要找出使系統(tǒng)性能評價指標(biāo)最優(yōu)的設(shè)計參數(shù)配置。由于設(shè)計參數(shù)配置很難同時保證各性能評價指標(biāo)的可靠度，因此基于不同性能評價指標(biāo)，結(jié)合可靠度計算模型，分別找出使系統(tǒng)性能評價指標(biāo)的可靠性指標(biāo)最大的設(shè)計參數(shù)配置。其優(yōu)化目標(biāo)如下：

3 優(yōu)化結(jié)果分析與對比

3.1 不同性能評價指標(biāo)最優(yōu)配置的可靠性分析

在表3設(shè)計參數(shù)所在均值范圍與設(shè)定方差下，根據(jù)概率可靠度計算模型及優(yōu)化模型，分別找出使各性能評價指標(biāo)的可靠性指標(biāo)最優(yōu)的設(shè)計參數(shù)配置。其結(jié)果見表4。

表4 基于不同性能評價指標(biāo)的最優(yōu)配置及其可靠性計算結(jié)果

圖4—6為基于LCOE最優(yōu)的設(shè)計參數(shù)配置下各性能評價指標(biāo)的累積概率與發(fā)生概率分布，其中黑色虛線為允許極限。由圖4可見，受不確定性因素的影響，平準化度電成本的值近似以正態(tài)分布在14~15.5美分/(kW?h)的范圍內(nèi)變化，均遠低于其允許極限，且平準化度電成本的值分布在14.3美分/(kW?h)附近的概率高達0.9。因此，不確定性因素對該組配置下的平準化度電成本影響不顯著。在本文設(shè)定允許極限下，該組配置的平準化度電成本的可靠度為0.988，可靠性指標(biāo)為8.37，該組設(shè)計參數(shù)配置可實現(xiàn)最低的平準化度電成本。由圖5可見，該組配置下容量因子會近似以正態(tài)分布在55%~75%的范圍內(nèi)變化，其中分布在67%附近的概率最大。該組配置下容量因子可靠度為0.973，可靠性指標(biāo)為2.31。由圖6可見，該組配置下電廠總發(fā)電效率近似以正態(tài)分布在10%~15.2%的范圍內(nèi)變化，其中分布在13.5%附近的概率最大。該組配置下總發(fā)電效率可靠度僅為0.44，可靠性指標(biāo)為?0.26。

圖4 基于LCOE最優(yōu)的設(shè)計參數(shù)配置下LCOE的累積概率與發(fā)生概率分布

圖5 基于LCOE最優(yōu)的設(shè)計參數(shù)配置下容量因子的累積概率與發(fā)生概率分布

圖6 基于LCOE最優(yōu)的設(shè)計參數(shù)配置下總發(fā)電效率的累積概率與發(fā)生概率分布

圖7—9為基于容量因子最優(yōu)的設(shè)計參數(shù)配置下各性能評價指標(biāo)的累積概率與發(fā)生概率分布，其中黑色虛線為允許極限。由圖7可知，受不確定性因素的影響，該組配置下容量因子近似以正態(tài)分布在73%~86%的范圍內(nèi)變化，其中容量因子取值在79%處附近的概率最大，但不超過0.2。因此，不確定性因素對該組配置下的容量因子影響顯著。在本文設(shè)定允許極限下，該組配置下容量因子的可靠度為1，可靠性指標(biāo)為10.81，可實現(xiàn)系統(tǒng)最優(yōu)的容量因子。由圖8可知，該組配置下電廠的平準化度電成本近似以正態(tài)分布在14~18美分/(kW?h)的范圍內(nèi)變化，其中分布在15.6美分/(kW?h)附近的概率最大。該組配置下平準化度電成本的可靠度為0.98，可靠性指標(biāo)為2.34。由圖9可知，電廠的總發(fā)電效率近似以正態(tài)分布在8%~13%的范圍內(nèi)變化，其中分布在10.5%附近的概率最大。該組配置下總發(fā)電效率的可靠度為0，可靠性指標(biāo)為?3.75。

圖7 基于容量因子最優(yōu)的設(shè)計參數(shù)配置下容量因子的累積概率與發(fā)生概率分布

圖8 基于容量因子最優(yōu)的設(shè)計參數(shù)配置下LCOE的 累積概率與發(fā)生概率分布

圖9 基于容量因子最優(yōu)的設(shè)計參數(shù)配置下總發(fā)電效率的累積概率與發(fā)生概率分布

圖10—12為基于總發(fā)電效率最優(yōu)的設(shè)計參數(shù)配置下各性能評價指標(biāo)的累積概率與發(fā)生概率分布，其中黑色虛線為允許極限。由圖10可知，受不確定性因素的影響，該組配置下電廠的總發(fā)電效率近似以正態(tài)分布在14%~15.5%的范圍內(nèi)變化。其中總發(fā)電效率分布在15.5%處的概率最大，約為0.7。因此，不確定性因素對該組配置下的總發(fā)電效率影響較小。在本文設(shè)定的允許極限下，總發(fā)電效率的可靠度為0.999，可靠性指標(biāo)為6.24，該組配置能實現(xiàn)最優(yōu)的總發(fā)電效率。由圖11可知，該組配置下平準化度電成本近似以正態(tài)分布在13~27美分/(kW?h)的范圍內(nèi)變化，其中分布在17美分/(kW?h)附近的概率最大。該組配置下平準化度電成本的可靠度為0.43，可靠性指標(biāo)為?0.80。由圖12可知，該組配置下容量因子近似以正態(tài)分布在20%~70%范圍變化，其中分布在50%的概率最大。該組配置下容量因子的可靠度僅為0.223，可靠性指標(biāo)為?0.34。

圖10 基于總發(fā)電效率最優(yōu)的設(shè)計參數(shù)配置下總發(fā)電效率的累積概率與發(fā)生概率分布

圖11 基于總效率最優(yōu)的設(shè)計參數(shù)配置下LCOE的累積概率與發(fā)生概率分布

圖12 基于總發(fā)電效率最優(yōu)的設(shè)計參數(shù)配置下容量因子的累積概率與發(fā)生概率分布

3.2 確定性與不確定性模型的對比

對使用SAM確定性模型參數(shù)化模擬得到的結(jié)果進行優(yōu)化，分別找出基于不同性能評價指標(biāo)的最優(yōu)設(shè)計參數(shù)配置，與本文基于概率可靠度建立的不確定性模型下的優(yōu)化結(jié)果進行對比。其中在不確定性模型的優(yōu)化結(jié)果中，將各設(shè)計參數(shù)配置下的3000組隨機數(shù)計算的性能評價指標(biāo)取其算術(shù)平均值，即為不確定性模型下性能評價指標(biāo)的值。確定性與不確定性模型優(yōu)化結(jié)果見表5。

由表5可知，在基于同一性能評價指標(biāo)進行優(yōu)化的設(shè)計參數(shù)配置下，與確定性模型相比，不確定性模型得出的太陽倍數(shù)與蓄熱系統(tǒng)蓄熱時長的值往往更小。

與確定性模型相比，不確定性模型各設(shè)計參數(shù)最優(yōu)配置下性能評價指標(biāo)的優(yōu)化性能略低。由于確定性模型并未考慮隨機因素的影響，因此優(yōu)化結(jié)果會高估系統(tǒng)性能，計算結(jié)果與真實情況有較大的偏差。而不確定性模型考慮了輸入?yún)?shù)的不確定性，其計算結(jié)果是近似呈正態(tài)分布的概率曲線，而非定值。概率分布曲線能更好地反映性能評價指標(biāo)的分布特征，因此，與確定性模型相比，不確定性模型的計算結(jié)果往往與實際更接近。

表5 確定性與不確定性模型優(yōu)化結(jié)果對比

4 結(jié)論

在概率可靠度模型下，可以得出各性能評價指標(biāo)的累積概率與發(fā)生概率圖，從而可以看出其分布特征，因此在對電力系統(tǒng)進行參數(shù)設(shè)計時，可以綜合考慮幾個性能評價指標(biāo)的可靠度與分布特征，從而對參數(shù)設(shè)計做出更全面的決策。

在所建立的不確定性模型下，基于系統(tǒng)各性能評價指標(biāo)的最優(yōu)可靠性指標(biāo)，得出了系統(tǒng)在不同性能評價指標(biāo)下最優(yōu)的設(shè)計參數(shù)配置。即在各性能評價指標(biāo)下，找到了太陽倍數(shù)、蓄熱系統(tǒng)蓄熱時長、集熱槽行間距之間最佳的對應(yīng)關(guān)系，這對優(yōu)化LCOE和電站總發(fā)電效率及發(fā)電量至關(guān)重要。由于確定性模型并未考慮隨機因素的影響，因此優(yōu)化結(jié)果會高估系統(tǒng)的性能。而所建立的不確定性模型考慮了隨機因素對系統(tǒng)輸入?yún)?shù)的影響，其性能評價指標(biāo)的計算結(jié)果近似呈正態(tài)分布，與確定性模型僅能得出一組確定的性能評價指標(biāo)計算結(jié)果相比，不確定性模型的計算結(jié)果更符合實際。

[1]佟鍇，楊立軍，宋記鋒，等．聚光太陽能集熱場先進技術(shù)綜述[J]．發(fā)電技術(shù)，2019，40(5)：413-425．

TONG K，YANG L J，SONG J F，et al．Review on advanced technology of concentrated solar power concentrators[J]．Power Generation Technology， 2019，40(5)：413-425．

[2]張哲旸，巨星，潘信宇，等．太陽能光伏–光熱復(fù)合發(fā)電技術(shù)及其商業(yè)化應(yīng)用[J]．發(fā)電技術(shù)，2020，41(3)： 220-230．

ZHANG Z Y，JU X，PAN X Y，et al．Photovoltaic/concentrated solar power hybrid technology and its commercial application[J]．Power Generation Technology，2020，41(3)：220-230．

[3]趙明智，張曉明，宋士金，等．槽式太陽能熱發(fā)電系統(tǒng)太陽倍數(shù)和蓄熱時長的選取方法研究[J]．太陽能技術(shù)產(chǎn)品與工程，2015(6)：50-54．

ZHAO M Z，ZHANG X M，SONG S J，et al．Study on the selection method of solar multiple and heat storage duration of trough solar thermal power generation system[J]．Solar Technology Products and Engineering，2015(6)：50-54．

[4]李然，封春菲，田增華．槽式太陽能熱發(fā)電站系統(tǒng)配置的經(jīng)濟性分析[J]．電力勘測設(shè)計，2015(1)：71-75．

LI R，F(xiàn)ENG C F，TIAN Z H．Economic analysis of system configuration of trough solar thermal power station[J]．Electric Power Survey and Design，2015(1)：71-75．

[5]IZQUIERDO S，MONTA?? C，DOPAZO C，et al．Analysis of CSP plants for the definition of energy policies：the influence on electricity cost of solar multiples，capacity factors and energy storage[J]．Energy Policy，2010，38(10)：6215-6221．

[6]HU M，CHO H．A probability constrained multi-objective optimization model for CCHP system operation decision support[J]．Applied Energy，2014，116：230-242．

[7]HANAK D P，KOLIOS A J，BILIYOK C，et al．Probabilistic performance assessment of a coal-fired power plant[J]．Applied Energy，2015，139：350-364．

[8]牛文娟，李揚，王蓓蓓．考慮不確定性的需求響應(yīng)虛擬電廠建模[J]．中國電機工程學(xué)報，2014，34(22)：3630-3637．

NIU W J，LI Y，WANG B B．Modeling of demand response virtual power plant considering uncertainty[J]．Proceedings of the CSEE，2014，34(22)：3630-3637．

[9]FREY H C，RUBIN E S．Probabilistic evaluation of advanced SO2/NOcontrol technology[J]．Journal of the Air & Waste Management Association，1991，41(12)：1585-1593．

[10]KURUP P，TURCHI C．Parabolic trough collector cost update for the system advisor model (SAM)[R]．Golden，Colorado，USA：National Renewable Energy Laboratory，2015．

[11]TURCHI C，HEATH G．Molten salt power tower cost model for the system advisor model[R]．Golden, Colorado，USA：National Renewable Energy Laboratory，2013．

[12]BOUKELIA T E，MECIBAH M S，KUMAR B N，et al．Optimization，selection and feasibility study of solar parabolic trough power plants for Algerian conditions[J]．Energy Conversion and Management，2015，101：450-459．

[13]王慧富，吳玉庭，張曉明．槽式太陽能熱發(fā)電站的模擬優(yōu)化[J]．太陽能學(xué)報，2018，39(7)：1788-1796．

WANG H F，WU Y T，ZHANG X M．Simulation and optimization of trough solar thermal power station[J]．Acta Energiae Solaris Sinica，2018，39(7)：1788-1796．

[14]國家發(fā)展改革委．關(guān)于太陽能熱發(fā)電標(biāo)桿上網(wǎng)電價政策的通知[Z]．北京：國家發(fā)展改革委，2016．

National Development and Reform Commission．Notice on the benchmarking on-grid tariff policy for solar thermal power generation[Z]．Beijing：National Development and Reform Commission，2016．

[15]段楠，薛會民，潘越．用蒙特卡洛法計算可靠度時模擬次數(shù)的選擇[J]．煤礦機械，2002(3)：13-14．

DUAN N，XUE H M，PAN Y．The choice of simulation times when calculating reliability by Monte Carlo method[J]．Coal Mine Machinery，2002(3)：13-14．

[16]HELTON J，DAVIS F．Sampling-based methods for uncertainty and sensitivity analysis[R]．USA：Sandia National Laboratories，2000．

[17]WYSS G，JORGENSEN K．A user’s guide to LHS：Sandia’s Latin hypercube sampling software[R]．USA：Sandia National Laboratories，1998．

Optimization Design of Trough Solar Power Plant Based on Probabilistic Reliability

ZHANG Yanping1,ZHANG Yuchao2, LIU Yifei2

(1. School of Energy and Power Engineering, Huazhong University of Science and Technology, Wuhan 430074,Hubei Province, China; 2. China-EU Institute of Clean and Renewable Energy, Huazhong University of Science and Technology, Wuhan 430074, Hubei Province, China)

Based on the probabilistic reliability, the configuration of the trough solar power plant was optimized. Firstly, the SAM software was used to simulate the 50 MW trough solar power plant. Then, by considering the randomness caused by the uncertainty factor, the uncertainty model of the trough solar power plant based on its solar multiple, the full load hours of storage system and the row spacing distance of the collector was established by neural network-Monte Carlo method. Secondly, the reliability calculation model was established, levelized cost of energy (LCOE), capacity factor (CF) and total generation efficiency were selected as key performance indicators (KPI), then the KPI were optimized based on the reliability indexes of each KPI. Finally, the optimal configuration of each design parameter obtained under the uncertainty model was compared with the optimization result under the deterministic model. Since the influence of the uncertainty factor is considered, the calculation result under the uncertainty model is closer to the actual situation.

trough solar power plant; probabilistic reliability; optimization design; uncertainty; neural network

10.12096/j.2096-4528.pgt.19143

TK 519

湖北省技術(shù)創(chuàng)新專項重大項目(2019AAA017)。

Project Supported by Major Projects of Technological Innovation in Hubei Province (2019AAA017).

2020-03-07。

(責(zé)任編輯 尚彩娟)