高耗能企業采用光伏系統發電的效益分析

楊雙銘

摘要：在高耗能企業的整個生產過程中，能耗成本占了總成本中較高的比例，本文旨在分析高耗能企業采用光伏發電系統在分時電價下的經濟效益，選擇某地區的一家高耗能企業作為實際案例，根據電力系統組件、電價、運行成本等構建數學模型來找出對該企業經濟效益最佳的方案并對可能影響系統成本的因素進行整體分析。結果表明，最經濟的配置是采用光伏發電系統實現的，項目全周期內的凈現成本（NPC）為61467611.54元，可再生能源發電占比為24.7%。研究表明：采取此類工程可以為高耗能企業提供清潔，經濟和可靠的電力能源。

關鍵詞：混合發電系統;微電網容量優化;光伏系統; 新能源發電

1引言

高耗能企業也被稱為能源消費密集型企業[1]，電能的合理調度、優化配置是高耗能企業能源轉型的重中之重[2]。在參考文獻[3]中，作者應用并網太陽能光伏發電為印度的一所大學通電，擬議的系統已經取得了經濟效益。[4]研究了光伏和電池的采用對德國國家電網的影響，在德國提高光伏電池使用率的過程中，電價上漲比降低光伏電池價格更重要。

本文對某高能耗企業的實際案例進行研究，考慮到光伏發電系統的出力特性與高耗能企業對電價的高敏感度[5]，結合當地電網電價，在系統并網保證用電可靠性的前提下，減少購電成本，旨在評估該系統在經濟效益上的可行性。

2系統模型

2.1負荷評估

本文通過對選定的高耗能企業的用電量進行調查，得出該企業2019年度具體用電平均負荷需求為21659kW/天，峰值用電為2330kW。該企業在11、12月份用電量較大，8月用電量較小。

2.2微網結構與經濟性模型

該系統由光伏系統、儲能、電網、變流器以及用電負荷組成。在本小節中，將說明混合能源

系統單元的組成。仿真中可以達到最小凈現成本值（NPC）的微網系統被認為是最佳模型。使用以下表達式計算系統的總NPC。

其中Ctot，ann代表著系統年化總成本（元/年），i代表實際利率（%），t代表著項目生命周期（年），CRF代表資本回收因子，本研究將項目周期定為10年，實際年利率為5.88%。

2.3光伏板參數

本次仿真中，光伏板的成本與技術參數如下。其具體的容量與規模將適配具體的模型由仿真結果得出。其中光伏板的追蹤方式為固定式，電站投資成本約為5000元/kW。

2.4電網

該地區電網對于高耗能企業的購電費率設置了三種不同的價格：谷時電價0：00-8：00、峰時電價價：8：00-12：00，12：00-17：00和平時電價17：00-0：00。價格分別為0.3119元/千瓦時/1.0597元/千瓦時和0.6358元/千瓦時。

3計算結果及分析

系統建模的要素分為三個部分：系統組成、成本與一些參數變量。所有系統組合根據NPC和度電成本COE的最小值依次列出，并尋找出最高效益的微網組合。

在該電網電價下，企業配置1600kW光伏板和900kW變流器與電網混合供電是最佳效益組合，此時一年內該企業的光伏發電量、電網購電量及其占比如圖1所示，光伏發電量為2001971kW/年，電網購電量為6112354kW/年，。NPC值為61467611.54元，COE值為0.669元/度。含光伏的發電系統與單一由電網供電兩種模式的具體參數對比如表1所示。

4 結論

本文通過仿真分析了選定企業采用光伏發電在經濟上的可行性。

該企業采用1600kW光伏發電系統與900kW變流器與電網組成聯合發電系統時可以產生最好的經濟效益。此時需要前期的投資為1230萬元，每度電的成本為0.66元。 結果證明光伏發電作為一種相對可靠的可再生能源應用于我國的高耗能企業，不但符合我國綠色節能的發展要求，還可以產生一定的經濟效益。

參考文獻：

[1]秦睿，張世才，張順.高耗能企業電價承受能力分析及對策[J].工業儀表與自動化裝置，2013（06）：117-119.

[2]Adaramola MS，V?gnes EE. Preliminary assessment of a small-scale rooftop PV-grid tied in Norwegian climatic conditions. Energy Convers Manag. 2015 ; 90： 458-65.

[3]Tomar V，Tiwari GN. Techno-economic evaluation of grid connected PV system for households with feed in tariff and time of day tariff regulation in New Delhie A sustainable approach. Renew Sustain Energy Rev 2017; 70： 822-35.

[4]Alyousef A，Adepetu A，de Meer H. Analysis and model-based predictions of solar PV and battery adoption in Germany： an agent-based approach. Comput Sci Res Dev 2017;32（1e2）：211-23.

[5]胡真. 基于需求響應的高耗能企業發用電效益優化[D].湘潭大學，2016.