خلاصه

فتوولتائیک ها به عنوان یکی از مهم ترین انرژی های تجدیدپذیر در آلمان، در سال های اخیر افزایش قابل توجهی داشته اند و تا 50 درصد از تامین برق آلمان را در روزهای آفتابی پوشش می دهند. برای بررسی اثرات چندگانه افزایش انرژی‌های تجدیدپذیر، داده‌های تفکیک‌شده مکانی-زمانی در تولید برق از سیستم‌های فتوولتائیک (PV) اغلب اجباری هستند. به دلیل قوانین سختگیرانه حفاظت از داده ها، چنین اطلاعاتی برای آلمان آزادانه در دسترس نیست. برای پر کردن این شکاف، شبیه‌سازی‌های عددی با استفاده از داده‌های آب‌وهوا و کارخانه در دسترس عموم می‌تواند برای تعیین تولید الکتریسیته مکانی-زمانی مورد نیاز اعمال شود. برای این، تبدیل نور خورشید به نیرو با کمک ابزار وب دسترسی باز سیستم اطلاعات جغرافیایی فتوولتائیک (PVGIS) مدل‌سازی می‌شود. شبیه سازی های ارائه شده برای سال 2016 انجام شده است و نزدیک به 1.612 میلیون سیستم PV را در آلمان در نظر می گیرد که قبل از انجام محاسبات در مناطق شهری تجمیع شده اند. سری‌های زمانی حل‌شده ساعتی کل مجموعه گیاهی به یک سری زمانی با وضوح روزانه تبدیل می‌شوند و با داده‌های اندازه‌گیری شده خوراک مقایسه می‌شوند تا شبیه‌سازی‌های عددی را تأیید کنند که درجه بالایی از توافق را نشان می‌دهند. چنین داده‌های تولید انرژی را می‌توان برای نظارت و بهینه‌سازی سیستم‌های انرژی تجدیدپذیر در مقیاس‌های مکانی و زمانی مختلف مورد استفاده قرار داد. سری‌های زمانی حل‌شده ساعتی کل مجموعه گیاهی به یک سری زمانی با وضوح روزانه تبدیل می‌شوند و با داده‌های اندازه‌گیری شده خوراک مقایسه می‌شوند تا شبیه‌سازی‌های عددی را تأیید کنند که درجه بالایی از توافق را نشان می‌دهند. چنین داده‌های تولید انرژی را می‌توان برای نظارت و بهینه‌سازی سیستم‌های انرژی تجدیدپذیر در مقیاس‌های مکانی و زمانی مختلف مورد استفاده قرار داد. سری‌های زمانی حل‌شده ساعتی کل مجموعه گیاهی به یک سری زمانی با وضوح روزانه تبدیل می‌شوند و با داده‌های اندازه‌گیری شده خوراک مقایسه می‌شوند تا شبیه‌سازی‌های عددی را تأیید کنند که درجه بالایی از توافق را نشان می‌دهند. چنین داده‌های تولید انرژی را می‌توان برای نظارت و بهینه‌سازی سیستم‌های انرژی تجدیدپذیر در مقیاس‌های مکانی و زمانی مختلف مورد استفاده قرار داد.

کلید واژه ها:

مدلسازی فضایی و زمانی فتوولتائیک ؛ تولید برق ؛ داده های هواشناسی مبتنی بر ماهواره

1. معرفی

فتوولتائیک ها در آلمان از زمانی که با معرفی قانون انرژی تجدیدپذیر آلمان (EEG) در سال 2000 شروع به کار کردند، دوران پرتلاطمی را پشت سر گذاشتند. تولید پانل به دلیل فشار قیمت از سوی بازارهای جهانی، بسیاری از آنها را مجبور به ترک تجارت خود در سال های بعد کرد. با این حال، آلمان نه در میان کشورهایی که بیشترین ساعات آفتابی را دارند، یکی از بالاترین نرخ‌های تولید برق فتوولتائیک (PV) را در سراسر جهان دارد. با ظرفیت نصب شده 49.02 گیگاوات در سال 2019 از 0.11 گیگاوات در سال 2000 [ 1بر اساس گزارش آژانس بین المللی انرژی های تجدیدپذیر (IRENA) این کشور پس از چندین سال پیشروی در رتبه چهارم جهان قرار گرفت [ 2 ]. پس از لغو سقف 52 گیگاواتی آلمان برای مشوق های خورشیدی در ژوئن 2020، ظرفیت PV به دلیل کاهش هزینه های سطح برق [3] و کربن زدایی مورد نیاز بخش برق برای رسیدن به اهداف ملی آب و هوایی به افزایش خود ادامه خواهد داد. به عنوان مثال، بر اساس قانون فدرال تغییر آب و هوا (KSG 2019) تا سال 2030 انتشار گازهای گلخانه ای را حداقل 55 درصد کمتر از سطح 1990 کاهش دهید.
برخلاف نیروگاه‌های معمولی متمرکز بر تولیدکنندگان بزرگ و متمرکز، هزاران اپراتور پنل خورشیدی کوچک و توزیع‌شده به بخش مهمی از بخش برق آلمان تبدیل شده‌اند. پیشرفت سریع فتوولتائیک در آلمان در طی سال های اخیر نه تنها تأثیر اساسی بر شبکه های برق، بلکه در بسیاری از زمینه های دیگر بخش برق نیز داشته است و نیاز به تحقیقات بیشتر را برانگیخته است. تاکنون، مطالعات انرژی فعلی اغلب حاوی داده‌های تولید برق از سیستم‌های PV با وضوح مکانی بالا هستند، اما فاقد وضوح زمانی بالا هستند، مانند تجزیه و تحلیل انتقال انرژی در بخش برق آلمان [4] یا تعیین وضوح بالا پتانسیل فنی برای سیستم های سقفی در آلمان [ 5]. برای به دست آوردن درک بهتر از چالش‌های بخش انرژی در حال تغییر سریع‌تر به دلیل افزایش انرژی‌های تجدیدپذیر متغیر، توزیع‌های مکانی و زمانی تولید برق، به عنوان مثال، تا تصمیم‌های شهری و ساعتی، برای تحقیقات آینده مهم‌تر خواهد شد. به خصوص، مطالعات منطقه ای و تصمیم گیرندگان می توانند از چنین داده هایی بهره مند شوند، به عنوان مثال، برای کاهش کسادی تاریک احتمالی در منبع تغذیه در مقیاس محلی [6] یا برای ترویج پذیرش سیستم های PV جدید بسته به منطقه جغرافیایی [ 7 ].
با این حال، فقدان چنین داده‌هایی برای یک منطقه و دوره مورد نیاز، به‌عنوان مثال، به دلیل قوانین سخت‌گیرانه حفاظت از داده‌ها، یافتن اثرات متعدد افزایش انرژی‌های تجدیدپذیر بر شبکه‌های برق منطقه‌ای، محیط‌زیست و محققان را برای محققان و تصمیم‌گیران دشوار می‌سازد. بازارهای برق این مطالعه یک رویکرد مدل برای ایجاد داده‌های تولید توان بسیار حل‌شده سیستم‌های PV با استفاده از داده‌های موجود عمومی و آب و هوا ارائه می‌کند، که می‌تواند به بستن شکافی که قبلا ذکر شد کمک کند. تاکنون، نقشه‌های انتقال انرژی برای حمایت از تصمیم‌گیرندگان با داده‌ها در سطح محلی توسعه یافته‌اند [ 4]، اما فقط بر اساس تولید برق سالانه از سیستم های PV. برای اینکه بتوان این اطلاعات را برای مدت زمان کوتاه تری نیز ارائه کرد، داده های تفکیک شده مکانی-زمانی ضروری است که با رویکرد نشان داده شده در دسترس قرار می گیرند.
بقیه این نشریه به صورت زیر سازماندهی شده است: بخش 2 داده های مورد استفاده گیاه و آب و هوا و همچنین داده های مورد نیاز برای انطباق و اعتبارسنجی شبیه سازی های عددی را ارائه می دهد. مدل PV که متعلق به مدل های فیزیکی است و پیاده سازی آن در بخش 3 توضیح داده شده است . در بخش 4 ، این مدل شبیه سازی برای یک سیستم PV واحد اندازه گیری شده و همچنین برای مجموعه ای از 1.612 میلیون سیستم PV واقع در آلمان اعمال می شود. متعاقباً، سری‌های زمانی حاصل جمع‌آوری شده و با داده‌های اندازه‌گیری شده برای اعتبارسنجی مقایسه می‌شوند. بخش 5نتایج به‌دست‌آمده را مورد بحث قرار می‌دهد و با استفاده از شبیه‌سازی‌های ارائه‌شده، اولین نمونه‌های استفاده را معرفی می‌کند. در نهایت، این مقاله با نتیجه گیری های کوتاه در بخش 6 به پایان می رسد .

2. داده ها

در این بخش داده‌های اصلی لازم برای انجام شبیه‌سازی‌های عددی شامل مبدا و ویژگی‌های آن‌ها ارائه می‌شود.

2.1. داده های گیاهی

برای شبیه‌سازی، داده‌های دقیق کارخانه از سیستم‌های PV مورد بررسی قرار می‌گیرد. مجموعه داده استفاده شده از داده های در دسترس عموم چهار اپراتور سیستم انتقال آلمان (TSO) که در پلتفرم اینترنتی مشترک آنها ( www.netztransparenz.de ) ارائه شده است، سرچشمه می گیرد [ 8 ]. پس از ادغام چهار مجموعه داده خام کمی متفاوت، تأیید محتوا با مطالعات داده های موجود [ 1 ، 9]، و فیلتر کردن داده‌های TSO توسط سیستم‌های PV که در سال مورد بررسی 2016 کار می‌کردند، مجموعه داده نهایی شامل حدود 1.612 میلیون نیروگاه است. این مجموعه داده شامل تمام سیستم‌های میدان باز و سقفی در آلمان است که طبق EEG قیمت‌های تضمینی تغذیه برق را دریافت می‌کنند. بر اساس گزارش AGEE-Stat، مجموع ظرفیت نصب شده به 40.44 گیگاوات می رسد که مطابق با ارزش رسمی 40.68 گیگاوات برای سال 2016 است [ 1 ]. انحراف کوچک کمتر از 0.6٪ از مجموع رسمی نشان می دهد که تقریباً تمام سیستم های PV در مجموعه داده نهایی گنجانده شده اند. برای هر سیستم PV، مجموعه داده نیروگاه شامل موقعیت جغرافیایی با استفاده از واحد اداری محلی (LAU) – شناسه 1 است.یا به صورت اختیاری مختصات طول و عرض جغرافیایی، ظرفیت نصب شده، و تاریخ (خارج از) راه اندازی، همانطور که در جدول 1 نشان داده شده است .
با توجه به تعداد زیاد نیروگاه‌ها و کمبود اطلاعات در مورد موقعیت دقیق سیستم‌های سقف، سیستم‌های PV قبل از انجام شبیه‌سازی‌های عددی در مناطق شهری (LAU2)، جایی که در آن قرار دارند، تجمیع می‌شوند. ظرفیت نصب شده مربوطه در وضوح فضایی LAU2 برای سال 2016 و به عنوان اطلاعات اضافی، افزایش درون سالانه ظرفیت نصب شده برای این سال در شکل 1 نشان داده شده است .

2.2. پارامترهای ورودی

برای انطباق منطقی مدل شبیه سازی، داده های ورودی بیشتری مورد نیاز است که در مجموعه داده های گیاهی نشان داده شده در جدول 1 گنجانده نشده است.. به دلیل فقدان اطلاعات فنی دقیق در مورد هر سیستم PV، به ویژه برای سیستم های سقفی، مقادیر معمولی یا متوسط ​​​​باید برای پارامترهای ناشناخته یافت شود. برای مثال، مقدار تلفات سیستم و فناوری ماژول موجود باید برای محاسبه توان خروجی تنظیم شود. تلفات سیستم تمام تلفات یک سیستم PV را توصیف می کند، که منجر به این می شود که الکتریسیته تحویل شده به شبکه برق کمتر از برق تولید شده توسط ماژول های PV باشد. دلایل متعددی برای این از بین رفتن سیستم وجود دارد، مانند تلفات در کابل ها، اینورترهای برق و کثیفی یا برف روی سطح پنل های خورشیدی. علاوه بر این، در طول سال ها، ماژول ها نیز کمی از عملکرد خود را از دست می دهند و بنابراین، میانگین خروجی در طول عمر ماژول چند درصد کمتر از خروجی الکتریکی در زمان نصب است.10 ] که می تواند منجر به تخمین بیش از حد محافظه کارانه خروجی الکتریکی شود، همانطور که توسط پلت فرم اینترنتی ( www.photovoltaik-web.de ) گزارش شده است [ 11]]. چنین پلتفرم‌های PV اغلب مقادیر حدود 10% را توصیه می‌کنند، به‌خصوص زمانی که PVGIS برای یک سیستم PV شناخته شده در یک دوره بدون برف استفاده می‌شود. از این رو، برای شبیه‌سازی سیستم سقف اندازه‌گیری شده در این مطالعه، تلفات سیستم 10 درصد اعمال می‌شود که در انطباق مدل، مقدار معقولی نشان داده شده است. برای شبیه سازی مجموعه نیروگاه در یک دوره سالانه، تلفات اضافی باید در نظر گرفته شود، به عنوان مثال، وقفه های احتمالی تغذیه و اتلاف برق به دلیل برف روی صفحات خورشیدی، و بنابراین، از اتلاف سیستم 14٪ استفاده می شود. برای کل گروه فن آوری ماژول های PV نیز برای هر سیستم PV شناخته شده نیست. تاکنون، سیلیکون کریستالی همچنان ماده نیمه هادی غالب برای تولید سلول های خورشیدی در سراسر جهان است [ 12]]. علاوه بر این، در PVGIS، در نظر گرفتن تلفات ماژول به دلیل تغییرات طیفی نور خورشید و تغییرات دمای محیط در حال حاضر فقط برای پانل‌های سیلیکون کریستالی و تلورید کادمیوم در دسترس است [10 ] . بنابراین، سیلیکون کریستالی به عنوان فناوری ماژول برای شبیه سازی های انجام شده تنظیم شده است. علاوه بر این، برای شیب و زوایای آزیموت مورد نیاز پانل‌های خورشیدی، به دلیل فقدان چنین اطلاعاتی در هر سیستم PV، مقادیر متوسطی برای مجموعه نیروگاه باید یافت شود.

2.3. داده های آب و هوا

داده‌های آب و هوایی با وضوح بالا یک نیاز کلیدی برای مدل‌سازی تولید برق از سیستم‌های PV هستند و در اینجا، کیفیت داده‌ها نقش مهمی برای دقت نتایج شبیه‌سازی ایفا می‌کند. برای منطقه آلمان یا اروپای مرکزی، پایگاه‌های اطلاعاتی آب و هوای مختلف با وضوح‌های مکانی و زمانی مختلف از طریق رابط‌های وب سرویس‌های هواشناسی در اروپا در دسترس عموم هستند. داده‌های به اصطلاح تحلیل مجدد به عنوان یک منبع محبوب داده‌های آب و هوا برای بسیاری از مطالعات تولید برق ظاهر شده‌اند. این نوع داده های آب و هوا با استفاده از مدل های عددی پیش بینی آب و هوا، اجرای مجدد مدل ها برای دوره معینی در گذشته و انجام اصلاحات با استفاده از اندازه گیری های هواشناسی موجود محاسبه می شود. به طور کلی، محصولات تحلیل مجدد جهانی دارای وضوح فضایی هستند که برای سطح جزئیات مورد نیاز در این مطالعه کافی نیستند. داده‌های تحلیل مجدد منطقه‌ای معمولا وضوح فضایی بالاتری را نشان می‌دهند، به عنوان مثال، محصول آب و هوای COSMO-REA6 اروپا را با وضوح فضایی حدود 6 کیلومتر [13 ]، و بنابراین، نتایج دقیق را با مدل PV ارائه شده امکان پذیر می کند.
این مطالعه یک قدم فراتر می رود و از داده های آب و هوای مبتنی بر ماهواره از همکاری تسهیلات کاربردی ماهواره در نظارت بر آب و هوا (CMSAF) [ 14 ] از طریق رابط وب دسترسی باز PVGIS [ 10] استفاده می کند.]. محصول CMSAF در PVGIS دارای وضوح ساعتی و تفکیک مکانی حدود 2.5 کیلومتر برای منطقه اروپای مرکزی است. با توجه به این وضوح فضایی بالا و بازیابی داده های CMSAF برای هر مکان مشخص شده کارخانه در PVGIS، هیچ درونیابی اضافی از داده های آب و هوا برای شبیه سازی های عددی لازم نیست. علاوه بر این، محاسبه تابش خورشید در سطح زمین از تصاویر ماهواره‌ای با الگوریتم‌های جامع برای داده‌های آب‌وهوای CMSAF، که نه تنها از تصاویر ماهواره‌ای بلکه از داده‌های جوی روی بخار آب، ذرات معلق در هوا و ازن استفاده می‌کند، به دست می‌آید. چنین الگوریتم‌هایی معمولاً خوب کار می‌کنند، اما در برخی موارد ممکن است شکست بخورند. به عنوان مثال، برف روی زمین ممکن است توسط الگوریتم‌هایی که تابش‌های بسیار کم را محاسبه می‌کنند به صورت ابر دیده شوند. علاوه بر این،10 ]. از این رو، داده‌های تابش خورشیدی به‌دست‌آمده از تصاویر ماهواره‌ای باید با اندازه‌گیری‌های ایستگاه‌های زمینی مقایسه شود تا ایده‌ای درباره عدم قطعیت چنین داده‌های مبتنی بر ماهواره به دست آید. برای منطقه اروپای مرکزی، دقت محصول CMSAF نزدیک به سطح اطمینان اندازه‌گیری‌های زمینی و به طور قابل‌توجهی بهتر از دقت هدف 10 W/m² است [15 ] . کیفیت بالای این داده های تشعشعی نیز توسط مطالعات اعتبارسنجی اخیر تایید شد [ 16]. در PVGIS، سری زمانی حل شده ساعتی برای یک دوره معین شامل اطلاعات زیر است: تاریخ و زمان در زمان جهانی هماهنگ (UTC)، توان خروجی، تابش جهانی در صفحه ماژول شیبدار، زاویه ارتفاع خورشید در آسمان، محیط دما در 2 متر و سرعت کل باد در 10 متر بالاتر از سطح زمین. برای به دست آوردن این اطلاعات از طریق رابط وب PVGIS، باید موقعیت جغرافیایی با طول و عرض جغرافیایی، ظرفیت نصب شده، شیب و زوایای آزیموت ماژول های PV، مدت زمان مورد نیاز و در نهایت پایگاه داده آب و هوا مشخص شود. برای شبیه‌سازی‌های نشان‌داده‌شده در این مقاله، PVGIS 5.1 با محصول هواشناسی CMSAF به دلیل وضوح و دقت مکانی بالا استفاده شد.

2.4. داده های اعتبارسنجی

نتایج محاسبه‌شده از شبیه‌سازی‌های عددی باید با اندازه‌گیری‌های روی سیستم‌های واقعی به منظور اعتبارسنجی مدل شبیه‌سازی اساسی و ارزیابی دقت آن مقایسه شود. با این حال، تأیید صریح تبدیل نور خورشید به توان مورد نیاز نیست، زیرا محاسبه توان خروجی از ماژول‌های PV با کمک الگوریتم‌های داخلی PVGIS که قبلاً در نشریات مختلف مورد استفاده و تأیید قرار گرفته‌اند، انجام می‌شود، به عنوان مثال، [ 17 ، 18 ]. با این وجود، مدل ارائه شده با داده های اندازه گیری شده یک سیستم PV منفرد اعتبار سنجی می شود تا مطمئن شود که پارامترهای ورودی اعمال شده منجر به نتایج شبیه سازی واقعی می شود. اندازه‌گیری‌های مورد استفاده، که به صورت عمومی در وب‌سایت 100% Erneuerbare Energien ( www.100pro-erneuerbare.com) در دسترس هستند) [ 19 ]، بر روی یک سیستم سقفی واقع در شهر کرونبرگ بین 1 مارس و 31 ژوئیه 2011 انجام شد.
علاوه بر این، مدل PV نه تنها از الگوریتم‌های فیزیکی برای تبدیل نور خورشید به نیرو تشکیل شده است، بلکه تغییرات درون سالیانه نیروگاه را برای تعیین توان تولیدی، تبدیل سری‌های زمانی محاسبه‌شده به زمان محلی و زمان مناسب در نظر می‌گیرد. تجمع مکانی – زمانی نتایج شبیه‌سازی از این رو، نتایج شبیه‌سازی‌های عددی که میزان برق تولیدی را نشان می‌دهند باید با داده‌های اندازه‌گیری شده اعتبارسنجی شوند. سری‌های زمانی تغذیه‌ای از انرژی‌های تجدیدپذیر متغیر مانند فتوولتائیک فقط برای مناطق بزرگ‌تر مانند کل کشورها در دسترس هستند. بنابراین، نتایج شبیه‌سازی از همه نیروگاه‌ها به صورت مکانی جمع‌آوری می‌شوند تا آنها را با داده‌های اندازه‌گیری شده برق برای کل آلمان، ارائه شده توسط پلتفرم اینترنتی SMARD آژانس شبکه فدرال مقایسه کنیم.www.smard.de ) [ 20 ]. از این پلتفرم، کل ورودی اندازه گیری شده از تمام سیستم های PV آلمان برای سال 2016 دانلود شد. لازم به ذکر است که در سه روز مختلف در سال 2016 هیچ اندازه گیری توسط SMARD در دسترس نبود و بنابراین مقادیر صفر حاصل نمی شود. برای اعتبارسنجی در نظر گرفته شده و در شکل 4 محو شده است .

3. مدل

این بخش در مورد مدل شبیه سازی برای تولید برق از سیستم های PV در آلمان توضیح می دهد. به طور کلی، تولید برق برای مطالعات انرژی را می توان با روش های آماری، به عنوان مثال، مدل های رگرسیون خودکار و مونت کارلو، یا با مدل های فیزیکی [ 21 ، 22 ] مدل سازی کرد. بر خلاف مدل های آماری [ 23 ]، نتایج مدل های فیزیکی، مانند مدل PV ارائه شده در اینجا، بر اساس داده های با وضوح بالا از مدل ها یا اندازه گیری های هواشناسی است. از این رو، یک مزیت فیزیکی در مقایسه با مدل‌های آماری، امکان ارائه داده‌های تولید توان در مقیاس مکانی-زمانی بسیار حل‌شده است. نمودارهای جریان در شکل 2روند توسعه را از انطباق تا اعتبار مدل شبیه سازی و ساختار داخلی آن ترسیم کنید. داده های ورودی و خروجی به صورت کانتینری در هر دو شکل نمادین شده اند و فلش ها جهت جریان داده را نشان می دهند.
داده های کارخانه و آب و هوا و همچنین مقادیر مورد نیاز برای پارامترهای فنی شناخته شده و ناشناخته نشان دهنده داده های ورودی برای مدل PV است، همانطور که در شکل 2 نشان داده شده است . تمام داده های خاص مورد نیاز به عنوان ورودی برای شبیه سازی ها در سه زیربخش اول بخش 2 توضیح داده شده است . محاسبات مورد نیاز که به صورت مستطیل در شکل 2 ب نشان داده شده اند را می توان به مراحل اصلی زیر تقسیم کرد:
  • شبیه سازی توان خروجی از یک سیستم PV با استفاده از PVGIS.
  • محاسبه برق تولیدی از این سیستم PV.
  • تجمیع نتایج شبیه سازی و ذخیره سازی داده ها.
شبیه سازی توان خروجی از ماژول های PV با کمک الگوریتم های داخلی PVGIS انجام می شود. بنابراین، اثرات زیر در حال حاضر برای تبدیل نور خورشید به نیرو پوشش داده شده است: اول، محاسبه تابش خورشید در صفحات شیبدار. به طور کلی، داده های تابش خورشیدی مبتنی بر ماهواره، همانطور که در بخش 2.3 معرفی شد، تابش را در صفحه افقی ارائه می دهد. با این حال، اکثر پانل های خورشیدی با یک سطح شیبدار نسبت به صفحه افقی کار می کنند. بنابراین، بسته به زاویه شیب و آزیموت پانل های نصب شده و موقعیت خورشید در آسمان، داده های بازیابی شده توسط ماهواره باید به تابش در سطوح ماژول تبدیل شوند. الگوریتم های PVGIS از تابش های ماهواره ای در صفحه افقی به عنوان داده های ورودی برای تعیین مقادیر مربوطه بر روی سطوح شیب دار با اعمال محاسبات جامع استفاده می کنند. ثانیاً، در نظر گرفتن سایه ها از زمین های اطراف. اگر سیستم PV نزدیک به تپه ها یا کوه ها باشد، ممکن است زمان هایی باشد که خورشید در پشت آنها باشد و تابش خورشید به تابش خورشیدی که از آسمان آبی یا ابرها می رسد کاهش یابد. PVGIS از اطلاعات مربوط به ارتفاع زمین با وضوح حدود 90 متر استفاده می کند.10 ]. از این داده ها، ارتفاع افق اطراف هر سیستم PV و متعاقباً زمان هایی که خورشید توسط تپه ها یا کوه ها سایه می افتد محاسبه می شود. با این حال، با وضوح حدود 90 متر، مدل محاسباتی مربوطه قادر به در نظر گرفتن اثرات سایه از اجسام مجاور، مانند درختان یا خانه ها نیست. ثالثاً و در نهایت، در PVGIS، اثرات تغییرات در طیف خورشیدی و دمای محیط برای تعیین توان خروجی در وابستگی به فناوری ماژول در نظر گرفته می‌شود.
پس از محاسبه توان خروجی از یک سیستم PV، مرحله بعدی در مدل شبیه سازی، تعیین الکتریسیته تولید شده است. برای این، مقدار توان خروجی در شکاف زمانی داده شده ضرب می شود که با وضوح زمانی محصول آب و هوای استفاده شده معمولاً وضوح ساعتی را ارائه می دهد. این مرحله همچنین تاریخ (خارج از) راه اندازی را در نظر می گیرد تا تغییرات احتمالی درون سالی کارخانه را در نظر بگیرد. در نهایت، سری زمانی حاصل از UTC به زمان محلی تبدیل می‌شود و به منطقه شهری خود مرتب می‌شود و در صورت لزوم، به یک سری زمانی اضافی با وضوح روزانه تبدیل می‌شود. پس از انجام مراحل توصیف شده برای هر سیستم PV از مجموعه داده کارخانه، سری های زمانی کل مجموعه به عنوان مقادیر جدا شده با کاما برای پردازش بعدی ذخیره می شوند، به عنوان مثال،

4. نتایج

این بخش نتایج شبیه‌سازی را با استفاده از داده‌های ورودی و مدل PV که قبلاً توضیح داده شد، ارائه می‌کند.

4.1. شبیه سازی یک سیستم PV منفرد

برای اثبات مفهوم و اعتبار مدل، الکتریسیته تولید شده از یک سیستم PV شبیه سازی شده و سپس با داده های اندازه گیری شده این نیروگاه مقایسه می شود. اندازه گیری های نشان داده شده بر روی یک سیستم سقفی واقع در کرونبرگ بین 1 مارس و 31 ژوئیه 2011، همانطور که در بخش 2.4 معرفی شد، انجام شد . این سیستم PV با ظرفیت نصب شده 4.51 کیلووات دارای زاویه زاویه 40 درجه به سمت غرب و شیب 30 درجه است که برای شبیه سازی استفاده می شود. از آنجایی که اطلاعات بیشتری در دسترس نبود، مقادیر معمولی برای از دست دادن سیستم و فناوری ماژول برای تکمیل انطباق مدل اعمال شد. همانطور که در بخش 2.2 توضیح داده شد، برای از دست دادن سیستم از مقدار 10% استفاده شد و فناوری ماژول روی سیلیکون کریستالی تنظیم شد. سری‌های زمانی شبیه‌سازی‌شده و اندازه‌گیری شده، که برای مقایسه بهتر به وضوح روزانه تبدیل شده‌اند، در شکل 3 الف نشان داده شده‌اند.
همانطور که در شکل 3 نشان داده شده است، مدل شبیه سازی الگوی داده های اندازه گیری شده را به خوبی بازتولید می کند (الف) در کل دوره و (ب) همچنین در طول یک روز. با وجود انحرافات موجود، مدل شبیه سازی ارائه شده منجر به نتایج واقعی با مقادیر انتخاب شده برای پارامترهای فنی ناشناخته می شود. ریشه میانگین مربع خطا (RMSE) مقادیر روزانه، به عنوان یک معیار آماری برای چنین انحرافات، 1.9 کیلووات ساعت است. در رابطه با تولید کل برق اندازه گیری شده 2.98 مگاوات ساعت برای این دوره پنج ماهه، RMSE به مقدار 0.06 درصد می رسد. از این رو، مدل PV سازگار و داده های آب و هوای CMSAF را می توان برای شبیه سازی تولید برق برای کل مجموعه نیروگاه استفاده کرد.

4.2. شبیه سازی گروه گیاهی

با توجه به فقدان سری زمانی تولید برق در دسترس عموم از سیستم‌های PV با وضوح مکانی و زمانی بالا، که انگیزه اصلی مدل شبیه‌سازی ارائه‌شده در اینجا بود، نمی‌توان عملکرد کل مجموعه نیروگاه را در مقیاس فضایی محک زد. با این حال، اگر سری‌های زمانی شبیه‌سازی‌شده به‌صورت فضایی در آلمان تجمیع شوند، می‌توان آن‌ها را با اندازه‌گیری‌های خوراک در دسترس عموم برای کل آلمان، ارائه شده توسط SMARD [ 20 ] مقایسه کرد.
مدل PV شرح داده شده در بخش 3 برای تعیین میزان تولید برق از سیستم های PV در آلمان برای سال 2016 استفاده شد. در این زمینه، موقعیت جغرافیایی یک منطقه شهرداری با مختصات مرکز آن تعیین شد. با این وجود، اوج قدرت و تاریخ (خارج از) راه اندازی سال مورد بررسی 2016 به صورت جداگانه برای هر سیستم PV در نظر گرفته شد. از آنجایی که هیچ اطلاعات بیشتری در مورد مجموعه گیاهان از منابع رسمی در دسترس نبود، 14 درصد از دست دادن سیستم اعمال شد و فناوری ماژول بر روی سیلیکون کریستالی برای همه گیاهان تنظیم شد، همانطور که در بخش 2.2 توضیح داده شد .. علاوه بر این، برای زوایای شیب و آزیموت مورد نیاز صفحات خورشیدی، از مقادیر ثابت برای شبیه‌سازی استفاده شد. برای شیب، زاویه 20 درجه اعمال شد، زیرا سیستم‌های میدان باز اغلب با زوایای شیب در این محدوده ساخته می‌شوند تا سایه متقابل پنل‌های خورشیدی را به حداقل برسانند، به‌ویژه در ماه‌های زمستان که خورشید در آسمان نسبتاً پایین است [24] .]. علاوه بر این، این مقدار از طریق بسیاری از شبیه‌سازی‌ها ثابت شده است که میانگین معقولی برای مجموعه سیستم‌های سقف موجود است. زاویه آزیموت روی صفر تنظیم شد که نشان دهنده جهت پانل در جهت جنوبی است. پس از انجام شبیه‌سازی‌های عددی با این پارامترهای ورودی، سری‌های زمانی تولید الکتریسیته حل‌شده ساعتی در یک سری زمانی تجمیع شدند تا نتایج شبیه‌سازی با کل تغذیه اندازه‌گیری شده از تمام سیستم‌های PV در آلمان مقایسه شود. سری‌های زمانی شبیه‌سازی‌شده و اندازه‌گیری شده، که برای مقایسه بهتر به وضوح روزانه تبدیل شده‌اند، در نمودار زیر، همانطور که در شکل 4 نشان داده شده است، نشان داده شده‌اند .
تولید برق شبیه سازی شده، همانطور که در شکل 4 نشان داده شده است ، مطابقت خوبی با الگوی تغذیه اندازه گیری شده در کل سال دارد. علاوه بر این، به وضوح می توان مشاهده کرد که معمولاً در ماه های تابستان، برق بیشتری نسبت به زمستان تولید می شود. انحرافات موجود عمدتاً ناشی از اثرات زیر است که توسط مدل PV قابل دریافت نیست:
  • عدم قطعیت داده های آب و هوا و واقعیت مقادیر میانگین ساعتی.
  • استفاده از مقادیر معمولی به دلیل عدم وجود داده های خاص برای هر سیستم PV.
  • کاهش توان خروجی به دلیل برف روی سطح پنل های خورشیدی.
  • وقفه های تغذیه به دلیل مازاد انرژی یا تعمیر و نگهداری ماژول.
با این وجود، با RMSE 13.9 گیگاوات ساعت محاسبه شده برای مقادیر روزانه، نتایج شبیه‌سازی از قبل تطابق خوبی با داده‌های خوراک اندازه‌گیری شده نشان می‌دهد. در رابطه با تولید برق سالانه 33.9 تراوات ساعت، تولید شده از تمام سیستم های PV در آلمان برای سال 2016 طبق SMARD، RMSE به مقدار 0.04٪ می رسد. انحرافات نسبتاً زیاد بین 15 و 23 ژانویه توسط برف روی بسیاری از ماژول های PV در آلمان ایجاد شده است که منجر به تولید شبیه سازی شده بالاتر از اندازه گیری واقعی توسط SMARD شده است. انحرافات حوالی روز 125 در سال 2016 با هوای آفتابی، یعنی در ابتدای ماه مه، می تواند ناشی از وقفه های تغذیه به دلیل مازاد انرژی در شبکه های برق باشد، زیرا بسیاری از تعطیلات رسمی و دوره های تعطیلات در آلمان در آن زمان و بنابراین،

5. بحث

از نتایج شبیه‌سازی در بخش 4 می‌توان به وضوح مشاهده کرد که با کمک مدل PV ارائه‌شده و داده‌های در دسترس عموم استفاده می‌شود، هم برای یک سیستم PV و هم برای یک مجموعه کارخانه بزرگ می‌توان به نتایج دقیق کافی دست یافت. علاوه بر این، می‌توان نشان داد که با استفاده از مقادیر معمولی یا متوسط ​​برای پارامترهای فنی ناشناخته، تولید برق شبیه‌سازی شده از الگوی تغذیه اندازه‌گیری شده برای آلمان در سال مورد بررسی 2016 پیروی می‌کند. امسال به دلیل آب و هوای مورد استفاده انتخاب شد. داده ها از طریق PVGIS تنها تا پایان سال 2016 در زمان نگارش این مقاله در دسترس بودند. دلیل دیگر برای امسال، ادامه نقشه های انتقال انرژی در سال 2015 بود [ 4]] با داده های تولید برق سیستم های PV در آلمان برای سال 2016. برای این نقشه های انتقال انرژی، وضوح فضایی در سطح LAU2 مورد نیاز است. از این رو، مدل شبیه سازی ارائه شده در ترکیب با محصول CMSAF در PVGIS، که وضوح فضایی 2.5 کیلومتر [ 10 ] را ارائه می دهد، برای تولید چنین نقشه هایی مفید است. ابزار وب در دسترس عموم renewables.ninja ( www.renewables.ninja ) [ 25 ، 26 ]، که همچنین تولید برق از سیستم های PV را برای منطقه و دوره مورد نیاز ارائه می دهد، فقط از داده های آب و هوای تحلیل مجدد جهانی (MERRA-2) استفاده می کند. وضوح کمتر در حدود 50 کیلومتر [ 27]، که برای سطح جزئیات مورد نیاز برای نقشه‌های انتقال انرژی در سال 2016 کافی نیستند. برخلاف PVGIS، renewables.ninja همچنین سایه‌هایی از زمین اطراف را برای محاسبه توان خروجی از ماژول‌های PV در نظر نمی‌گیرد.
برای شبیه‌سازی‌های انجام‌شده، نزدیک به 1.612 میلیون سیستم PV در نظر گرفته شد و نتایج به‌دست‌آمده به تفکیک فضایی مناطق شهری می‌رسد و وضوح زمانی یک ساعت دارد. تا آنجا که ما می دانیم، چنین وضوح مکانی و زمانی بالایی در تولید برق از سیستم های PV در آلمان با در نظر گرفتن تقریباً همه نیروگاه ها، که قیمت های تغذیه تضمینی برق را طبق EEG دریافت می کنند، قبلا هرگز نشان داده نشده بود.
درک تأثیر تأمین برق سیستم های PV موجود در مقیاس مکانی و زمانی بسیار حل شده، پیش نیازی برای ادغام موفقیت آمیز انرژی های تجدیدپذیر متغیر آینده در شبکه های برق منطقه ای و بازارهای برق مرتبط است. به عنوان اولین مثال استفاده در این موضوع، شکل 5 تولید برق ماهانه از سیستم های PV را در وضوح فضایی LAU2، بر اساس نتایج شبیه سازی ارائه شده نشان می دهد. به این ترتیب، پیشرفت‌های منطقه‌ای انتقال انرژی به سمت سهم‌های بالاتر فتوولتائیک را می‌توان با کمک توزیع‌های مکانی-زمانی تولید برق به‌طور قابل اعتمادی رصد کرد.

علاوه بر این، نتایج شبیه‌سازی را می‌توان در ترکیب با ظرفیت نصب‌شده برای محاسبه فاکتورهای ظرفیت مکانی-زمانی سیستم‌های PV برای تعیین کارایی آنها بسته به منطقه و دوره در نظر گرفته استفاده کرد. برای این کار، ضریب ظرفیت مکانی-زمانی CF st را می توان با توجه به رابطه (1) تعریف کرد:

سیافخیابان=Epvتی⋅سیpv× 100 %سیافخیابان=�pvتی·سیpv×100%
در این معادله T نشان دهنده بازه زمانی در نظر گرفته شده، C pv ظرفیت PV نصب شده در منطقه جغرافیایی در نظر گرفته شده و E pv برق تولید شده از سیستم های PV در این منطقه و دوره است. شکل 6 فاکتورهای ظرفیت ماهانه را در تفکیک مکانی LAU2 در آلمان برای سال 2016 نشان می دهد.
به وضوح مشاهده می شود که فاکتورهای ظرفیت سیستم های PV از آوریل تا سپتامبر بسیار بیشتر از ماه های زمستان بوده است. در تابستان، یعنی از ماه می تا آگوست، فاکتورهای ظرفیت مکانی-زمانی به حداکثر مقادیر حدود 25٪ رسیدند که در ماه می به اوج 25.3٪ در جزیره Rügen رسید. همچنین قابل ذکر است که بخش جنوبی آلمان در ماه دسامبر دارای ضریب ظرفیت کمی بالاتر بود، در حالی که در بخش شمال شرقی آلمان در ژوئن و سپتامبر سال 2016 بالاتر بود.

6. نتیجه گیری

این مطالعه ایده های جدیدی را برای دستیابی به داده های تولید الکتریسیته مکانی-زمانی بسیار حل شده سیستم های PV در آلمان با کمک شبیه سازی عددی ارائه کرده است. هدف این مقاله ایجاد یک مدل شبیه‌سازی بود که در آن تمرکز بر روی یک رویکرد مدل بسیار شفاف، آسان برای تقلید و به اندازه کافی دقیق بود. برای کمک به چنین رویکردی، داده‌های کارخانه و آب و هوای مورد نیاز برای مدل شبیه‌سازی باید در دسترس عموم باشد تا به کاربران بالقوه این فرصت را بدهد تا شبیه‌سازی‌های خود را بر اساس ایده‌های ارائه‌شده توسعه دهند. به وضوح نشان داده شد که مدل PV ارائه‌شده می‌تواند جایگزینی برای محاسبه داده‌های تولید برق با حل‌وفصل بالا با کمک داده‌های عمومی نیروگاه و آب و هوا باشد. بنابراین، بر اساس ساختار مدل نشان داده شده و ابزار وب دسترسی باز PVGIS،
علاوه بر این، مدل PV نشان‌داده‌شده را می‌توان بدون هیچ تغییری در مناطق یا کشورهای دیگر، در صورتی که اطلاعات کارخانه و آب‌وهوای مورد نیاز برای این مناطق در دسترس باشد، اعمال کرد. علاوه بر این، می توان آن را با محصولات مختلف آب و هوا در PVGIS، که دارای وضوح های مختلفی هستند و مناطق مختلف در سراسر جهان را پوشش می دهند، استفاده کرد [ 10 ]. چنین سری‌های زمانی حل‌شده مکانی می‌تواند به ارزیابی تولید الکتریسیته از سیستم‌های PV برای رویدادهای آب و هوایی شدید، به عنوان مثال، دوره‌های طولانی مه شدید یا برف کمک کند. بسیاری از برنامه های کاربردی دیگر، به عنوان مثال، مطالعات ارزیابی سایت برای سیستم های PV آینده [ 28 ، 29 ]، می توانند از داده های تولید توان ارائه شده توسط مدل شبیه سازی ارائه شده در اینجا بهره مند شوند.

منابع

  1. BMWi Zeitreihen zur Entwicklung der erneuerbaren Energien در آلمان تحت Verwendung von Daten der Arbeitsgruppe Erneuerbare Energien-Statistik (AGEE-Stat). در دسترس آنلاین: https://www.erneuerbare-energien.de (در 30 ژوئیه 2020 قابل دسترسی است).
  2. ایرنا. آمار ظرفیت تجدیدپذیر 2019 ; آژانس بین المللی انرژی های تجدیدپذیر (ایرنا): ابوظبی، امارات متحده عربی، 2019. [ Google Scholar ]
  3. ایرنا. هزینه های تولید برق تجدیدپذیر در سال 2019 ؛ آژانس بین المللی انرژی های تجدیدپذیر (ایرنا): ابوظبی، امارات متحده عربی، 2020. [ Google Scholar ]
  4. راونر، اس. Eichhorn، M. Thrän، D. بعد فضایی سیستم قدرت: بررسی نقاط داغ تامین برق تجدیدپذیر هوشمند. Appl. انرژی 2016 ، 184 ، 1038-1050. [ Google Scholar ] [ CrossRef ]
  5. ماینزر، ک. فتح، ک. مک کنا، آر. استنگل، جی. فیشتنر، دبلیو. Schultmann, F. تعیین با وضوح بالا از پتانسیل فنی برای سیستم های فتوولتائیک نصب شده روی سقف مسکونی در آلمان. سول انرژی 2014 ، 105 ، 715-731. [ Google Scholar ] [ CrossRef ]
  6. اوتنبرگر، اس اس; چاکماک، هنگ کنگ؛ جاکوب، دبلیو. بلاتمن، ا. تریبوشنی، دی. راسکوب، دبلیو. Kühnapfel، U. Hagenmeyer, V. یک روش بهینه‌سازی جدید برای توزیع برق منصفانه و انعطاف‌پذیر شهری که از حالت‌های بحرانی شبکه جلوگیری می‌کند. بین المللی جی. کریت. زیرساخت. Prot. 2020 ، 29 ، 100354. [ Google Scholar ] [ CrossRef ]
  7. کورجج، ال. هانل، UJJ; Spada، H. قصد اتخاذ سیستم های فتوولتائیک به دستاوردهای شخصی مورد انتظار صاحب خانه و رفتار همتایان بستگی دارد. تمدید کنید. انرژی 2015 ، 75 ، 407-415. [ Google Scholar ] [ CrossRef ]
  8. EEG-Anlagestammdaten. در دسترس آنلاین: https://www.netztransparenz.de/ (در 30 ژوئیه 2020 قابل دسترسی است).
  9. Eichhorn، M. شفتلوویتز، ام. رایشموث، ام. لورنز، سی. لوکا، ک. شیفلر، ا. کیونکه، آر. باوشمن، ام. پونیتکا، جی. مانسکه، دی. و همکاران توزیع فضایی توربین‌های بادی، سیستم‌های میدان فتوولتائیک، انرژی زیستی و نیروگاه‌های آبی رودخانه در آلمان. داده 2019 ، 4 ، 29. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. مرکز علمی اتحادیه اروپا – سیستم اطلاعات جغرافیایی فتوولتائیک (PVGIS). در دسترس آنلاین: https://ec.europa.eu/jrc/en/pvgis (در 25 ژوئن 2020 قابل دسترسی است).
  11. DAA Deutsche Auftragsagentur GmbH Photovoltaik-Web.de—Infoseite für Photovoltaik. در دسترس آنلاین: https://www.photovoltaik-web.de/ (در 30 سپتامبر 2020 قابل دسترسی است).
  12. حسین الزمان، م. رحیم، ن.ا. سلواراج، ج. حسن الزمان، م. ملک، ABMA؛ ناهار، الف. چشم انداز جهانی، پیشرفت، سیاست ها و اثرات زیست محیطی تولید برق فتوولتائیک خورشیدی. تمدید کنید. حفظ کنید. انرژی Rev. 2015 ، 41 ، 284-297. [ Google Scholar ] [ CrossRef ]
  13. بولمایر، سی. کلر، جی دی. اوهلوین، سی. وال، اس. کرول، اس. فریدریکس، پی. هنس، ا. کیون، جی. نایفل، اس. Pscheidt، I. و همکاران به سمت یک تحلیل مجدد منطقه ای با وضوح بالا برای دامنه CORDEX اروپا. Meteorol QJR. Soc. 2015 ، 141 ، 1-15. [ Google Scholar ] [ CrossRef ]
  14. تسهیلات کاربردی ماهواره در پایش آب و هوا (CM SAF). در دسترس آنلاین: https://www.cmsaf.eu/EN/Home/home_node.html (در 18 مارس 2020 قابل دسترسی است).
  15. مولر، RW; ماتسوکاس، سی. گراتزکی، آ. بهر، HD; Hollmann, R. طرح عملیاتی CM-SAF برای بازیابی تابش سطحی خورشیدی مبتنی بر ماهواره – یک رویکرد ترکیبی بردار ویژه مبتنی بر LUT. سنسور از راه دور محیط. 2009 ، 113 ، 1012-1024. [ Google Scholar ] [ CrossRef ]
  16. اوراکا، آر. Gracia-Amillo، AM; کوبلی، ای. هالد، تی. ترنتمن، جی. ریهلا، ا. لیندفورس، ای وی. پالمر، دی. گوتشالگ، آر. Antonanzas-Torres, F. اعتبار سنجی گسترده محصولات تشعشع سطحی CM SAF در اروپا. سنسور از راه دور محیط. 2017 ، 199 ، 171-186. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  17. سوری، م. هالد، تی. دانلوپ، ای. Ossenbrink، H. پتانسیل تولید برق خورشیدی در کشورهای عضو اتحادیه اروپا و کشورهای نامزد. سول انرژی 2007 ، 81 ، 1295-1305. [ Google Scholar ] [ CrossRef ]
  18. Psomopoulos، CS; Ioannidis، GC; Kaminaris، SD; مردیکیس، ک.د. Katsikas، NG ارزیابی مقایسه ای نرم افزار ارزیابی تولید برق فتوولتائیک (PVGIS، PVWatts و RETScreen). محیط زیست روند. 2015 ، 2 ، 175-189. [ Google Scholar ] [ CrossRef ]
  19. Eberhard, W. 100% Erneuerbare Energien. در دسترس آنلاین: https://www.100pro-erneuerbare.com/ (در 1 سپتامبر 2020 قابل دسترسی است).
  20. SMARD—Strommarktdaten، Stromhandel und Stromerzeugung در آلمان. در دسترس آنلاین: https://www.smard.de/home/ (در 18 مارس 2020 قابل دسترسی است).
  21. برکل، ک. Topič، M. فتوولتائیک (PV) پیش بینی انرژی سیستم بر اساس پیش بینی آب و هوای محلی: مشکلات، عدم قطعیت ها و راه حل ها. Energies 2018 , 11 , 1143. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. لو، ال. یانگ، HX مطالعه ای در مورد شبیه سازی توان خروجی و مدل های عملی برای ساختن سیستم های فتوولتائیک یکپارچه. جی. سول. مهندس انرژی 2004 ، 126 ، 929-935. [ Google Scholar ] [ CrossRef ]
  23. بنث، FE; ابراهیم، ​​NA مدلسازی تصادفی تولید برق فتوولتائیک و قیمت برق. جی. مارک انرژی. 2017 ، 10 ، 1-33. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. Krömke, F. Ertragsgutachten—PV Freiflächenanlage BEMA Halde Korbwerder, Sachsen-Anhalt, Deutschland. در دسترس آنلاین: https://www.helionat.de/ (در 31 اوت 2020 قابل دسترسی است).
  25. پنینگر، اس. Staffell, I. Renewables.ninja. در دسترس آنلاین: https://www.renewables.ninja/ (در 29 سپتامبر 2020 قابل دسترسی است).
  26. پنینگر، اس. Staffell، I. الگوهای بلند مدت خروجی PV اروپا با استفاده از 30 سال تجزیه و تحلیل مجدد ساعتی معتبر و داده های ماهواره ای. انرژی 2016 ، 114 ، 1251-1265. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. گلارو، آر. مک کارتی، دبلیو. سوارز، ام جی; تودلینگ، آر. مولود، ا. تاکاکس، ال. رندلز، کالیفرنیا؛ دارمنوف، آ. بوسیلویچ، ام جی؛ رایشل، آر. و همکاران تحلیل گذشته نگر عصر مدرن برای تحقیقات و کاربردها، نسخه 2 (MERRA-2). جی. کلیم. 2017 ، 30 ، 5419-5454. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. چوی، ی. سو، جی. کیم، اس.-ام. نقشه برداری تابش خورشیدی مبتنی بر GIS، ارزیابی سایت و ارزیابی پتانسیل: یک بررسی. Appl. علمی 2019 ، 9 ، 1960. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. گوایتا پراداس، آی. مارکز پرز، آی. گالگو، آ. Segura، B. تجزیه و تحلیل قلمرو برای توسعه پایدار انرژی فتوولتائیک خورشیدی با استفاده از پایگاه های داده GIS. محیط زیست نظارت کنید. ارزیابی کنید. 2019 ، 191 ، 764. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
Ijgi 09 00621 g001 550
شکل 1. ( الف ) ظرفیت نصب شده و ( ب ) افزایش ظرفیت درون سالانه سیستم های PV در سطح LAU2 در آلمان برای سال 2016. در مناطق خاکستری تیره هیچ سیستم PV ( a ) نصب نشده است یا ( b ) در این مدت اضافه نشده است. سال
Ijgi 09 00621 g002 550
شکل 2. ( الف ) فرآیند توسعه و ( ب ) ساختار مدل PV که به عنوان نمودارهای جریان نشان داده شده است.
Ijgi 09 00621 g003 550
شکل 3. تولید برق شبیه سازی شده (خط سیاه) و اندازه گیری شده (خط نارنجی) از یک سیستم سقفی با ظرفیت نصب شده 4.51 کیلو وات ( a ) در یک دوره پنج ماهه با وضوح روزانه و ( b ) در پنج دوره اول. روزهای این دوره با تفکیک ساعتی.
Ijgi 09 00621 g004 550
شکل 4. تولید برق شبیه سازی شده (خط سیاه) و داده های تغذیه اندازه گیری شده (خط نارنجی) از سیستم های PV در آلمان برای سال 2016 با وضوح روزانه.
Ijgi 09 00621 g005 550
شکل 5. تولید برق ماهانه جمع آوری شده از سیستم های PV در سطح LAU2 در آلمان برای سال 2016. در مناطق خاکستری تیره هیچ سیستم PV نصب نشده است.
Ijgi 09 00621 g006 550
شکل 6. محاسبه فاکتورهای ظرفیت ماهانه سیستم های PV در سطح LAU2 در آلمان برای سال 2016. در مناطق خاکستری تیره هیچ سیستم PV نصب نشده است.

دسته‌بندی نشدهمقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید