高耗能企业采用光伏系统发电的效益分析

杨双铭

摘要：在高耗能企业的整个生产过程中，能耗成本占了总成本中较高的比例，本文旨在分析高耗能企业采用光伏发电系统在分时电价下的经济效益，选择某地区的一家高耗能企业作为实际案例，根据电力系统组件、电价、运行成本等构建数学模型来找出对该企业经济效益最佳的方案并对可能影响系统成本的因素进行整体分析。结果表明，最经济的配置是采用光伏发电系统实现的，项目全周期内的净现成本（NPC）为61467611.54元，可再生能源发电占比为24.7%。研究表明：采取此类工程可以为高耗能企业提供清洁，经济和可靠的电力能源。

关键词：混合发电系统;微电网容量优化;光伏系统; 新能源发电

1引言

高耗能企业也被称为能源消费密集型企业[1]，电能的合理调度、优化配置是高耗能企业能源转型的重中之重[2]。在参考文献[3]中，作者应用并网太阳能光伏发电为印度的一所大学通电，拟议的系统已经取得了经济效益。[4]研究了光伏和电池的采用对德国国家电网的影响，在德国提高光伏电池使用率的过程中，电价上涨比降低光伏电池价格更重要。

本文对某高能耗企业的实际案例进行研究，考虑到光伏发电系统的出力特性与高耗能企业对电价的高敏感度[5]，结合当地电网电价，在系统并网保证用电可靠性的前提下，减少购电成本，旨在评估该系统在经济效益上的可行性。

2系统模型

2.1负荷评估

本文通过对选定的高耗能企业的用电量进行调查，得出该企业2019年度具体用电平均负荷需求为21659kW/天，峰值用电为2330kW。该企业在11、12月份用电量较大，8月用电量较小。

2.2微网结构与经济性模型

该系统由光伏系统、储能、电网、变流器以及用电负荷组成。在本小节中，将说明混合能源

系统单元的组成。仿真中可以达到最小净现成本值（NPC）的微网系统被认为是最佳模型。使用以下表达式计算系统的总NPC。

其中Ctot，ann代表着系统年化总成本（元/年），i代表实际利率（%），t代表着项目生命周期（年），CRF代表资本回收因子，本研究将项目周期定为10年，实际年利率为5.88%。

2.3光伏板参数

本次仿真中，光伏板的成本与技术参数如下。其具体的容量与规模将适配具体的模型由仿真结果得出。其中光伏板的追踪方式为固定式，电站投资成本约为5000元/kW。

2.4电网

该地区电网对于高耗能企业的购电费率设置了三种不同的价格：谷时电价0：00-8：00、峰时电价价：8：00-12：00，12：00-17：00和平时电价17：00-0：00。价格分别为0.3119元/千瓦时/1.0597元/千瓦时和0.6358元/千瓦时。

3计算结果及分析

系统建模的要素分为三个部分：系统组成、成本与一些参数变量。所有系统组合根据NPC和度电成本COE的最小值依次列出，并寻找出最高效益的微网组合。

在该电网电价下，企业配置1600kW光伏板和900kW变流器与电网混合供电是最佳效益组合，此時一年内该企业的光伏发电量、电网购电量及其占比如图1所示，光伏发电量为2001971kW/年，电网购电量为6112354kW/年，。NPC值为61467611.54元，COE值为0.669元/度。含光伏的发电系统与单一由电网供电两种模式的具体参数对比如表1所示。

4 结论

本文通过仿真分析了选定企业采用光伏发电在经济上的可行性。

该企业采用1600kW光伏发电系统与900kW变流器与电网组成联合发电系统时可以产生最好的经济效益。此时需要前期的投资为1230万元，每度电的成本为0.66元。 结果证明光伏发电作为一种相对可靠的可再生能源应用于我国的高耗能企业，不但符合我国绿色节能的发展要求，还可以产生一定的经济效益。

参考文献：

[1]秦睿，张世才，张顺.高耗能企业电价承受能力分析及对策[J].工业仪表与自动化装置，2013（06）：117-119.

[2]Adaramola MS，Vågnes 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. 基于需求响应的高耗能企业发用电效益优化[D].湘潭大学，2016.