Photovoltaics output model with independent weather factors. Implications for the capacity management and its sensitivity analysis

• Autorzy: Brzęczek Tomasz

Warianty tytułu

PL

Model empiryczny produkcji fotowoltaicznej z niezależnymi zmiennymi meteo. Rekomendacje dla planowania mocy zainstalowanej i jej analizy wrażliwości

• Języki publikacji: EN

Abstrakty

EN

Businesses and households that operate photovoltaics became prosumers of energy. A prosumer produces solar energy for self-consumption and exports production surplus to the grid. When consumption exceeds production the missing energy is imported from the grid. We analyze the photovoltaics stand-alone optimal capacity for which energy flows between a prosumer and the grid compensate fully. This considers that net-metering equals 0 and export to the grid is balanced with import from the grid. Under net-billing energy export is subject to financial risk due to market price. However, installation of energy warehouse of appropriate capacity mitigates this problem. We apply the optimization model known from the literature although verified here with empirical hourly output during whole year and its generalized least squares regression. We propose how to measure risk of energy flows imbalance with confidence interval for mean efficiency of photovoltaics. Additionally, costs relation range for the optimal capacity solution is considered. The bigger the estimate is the smaller the output risk is and the shorter is optimal capacity interval. We control results for weather independent variables such as wind, air pressure, temperature and humidity.

PL

Przedsiębiorstwa i gospodarstwa domowe, które eksploatują fotowoltaikę, stały się prosumentami energii. Prosument produkuje energię słoneczną na potrzeby własne, a nadwyżki produkcyjne eksportuje do sieci. Gdy zużycie przewyższa produkcję, brakująca energia jest importowana z sieci. Analizujemy wolnostoj ącą moc optymalną fotowoltaiki, dla której przepływy energii między prosumentem a siecią W pełni kompensują przepływy energii. Zakłada to, że net-metering jest równy 0, a eksport do sieci jest równoważony importem z sieci. W ramach net-billingu eksport energii jest obarczony ryzykiem finansowym ze względu na cenę rynkową. Jednak instalacja magazynu energii o odpowiedniej pojemności łagodzi ten problem. Stosujemy model optymalizacyjny znany z literatury, choć tutaj zweryfikowany empirycznymi wynikami godzinowymi w ciągu całego roku i jego uogólnioną regresja metodą najmniejszych kwadratów. Podpowiadamy, w jaki sposób mierzyć ryzyko niezbilansowania przepływów energii za pomocą przedziału ufności dla średniej sprawności fotowoltaiki. Dodatkowo brany jest pod uwagę zakres relacji kosztów dla optymalnego rozwiązania wydajnościowego.” Im większe jest oszacowanie, tym mniejsze jest ryzyko produkcji i tym krótszy jest optymalny przedział wydajności. Kontrolujemy wyniki dla zmiennych niezależnych od pogody, takich jak wiatr, ciśnienie powietrza, temperatura i wilgotność.

Słowa kluczowe

EN

capacity management; efficiency; harmonic regression; sensitivity analysis; changeable weather

PL

zarządzanie zdolnościami przewozowymi; efektywność; regresja harmonicznych; analiza wrażliwości; zmienne pogody

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2025
• Tom: Nr 4
• Strony: 98--104
• Opis fizyczny: Bibliogr. 20 poz., fig., tab.

Twórcy

autor

Brzęczek Tomasz

• Politechnika Poznańska

• https://orcid.org/0000-0002-2505-5089

Bibliografia

• [1] Brzeczek, T. (2016). Using portfolio theory to predict the impact of reduction in product width on sales. Journal of Business Economics and Management, 17(6), 1222-1236. https://doi.org/10.3 846/16111699.2015.1120769
• [2] Brzęczek, T., Hadaś, Ł.(2024). Photovoltaics capacity management for investment effectiveness, Energies 17(13):3194.
• [3] Białek, P.; Frąckowiak, R.; Gałan, T. (2018). Grafiki obciążenia elektrycznego profili standardowych dla odbiorców zaliczanych do grupy gospodarstw domowych. [Electicity load graphs for standard profiles of households] Academic Journals 2018, 94. Poznan University of Technology.
• [4] Chen, B.; Kwan, K.H.; Tan, R. (2014). Battery capacity for grid-connected solar photovoltaic systems. IEEE Xplore AP SIPA.
• [5] Gryko, J. (2020). Efektywność stosowania instalacji fotowoltaicznych w gospodarstwach domowych [Efficiency of residential photovoltaics]. Wiadomości Elektrotechniczne 88(1), 9-13.
• [6] Li, Y.; Gao, W.; Ruan, Y. (2018). Performance investigation of grid-connected residential PV-batterysystem focusing on enhancing self—consumption and peak shaving in Kyushu, Japan. Renewable Energy 127: 514-523.
• [7] Lin, J-M.; Liu, P-H. (2015). Economic analysis of Lagrangianand genetic algorithm for the optimal capacity planning of photovoltaic generation. Mathematical Problems in Engineering 9: 1—7.
• [8] Marchi, B.; Zanoni, S.; Pasetti, M. (2019). Multi-period newsvendor problem for the management of battery energy storage systems in support of distributed generation. Energies 12:4598.
• [9] Merrick, J.H. (2016). On representation of temporal variability in electricity capacity planning models. Energy Economics 592261—274, https://doi.org/10.1016/j.eneco.2016.08.001.
• [10] Neto, J.R., Vieira, G.B.B., Vidor, G. et al. Integrating portfolio decisions into sales and operations planning: a literature review and novel framework for holistic decision-making. Rev Manag Sci (2024). https://doi.org/10.1007/311846-024-00831-4
• [11] Saran, P.; Goentzel, J.; Siegert, C.W. (2010). Economic analysis of wind plant and battery storage operation using supply chain management techniques. IEEE General Meeting Power & Energy Society 2010:1-8.
• [12] Samiak, M. (2020). Analiza efektywności energetycznej oraz rozkładu mocy wyjściowej falownika dla instalacji fotowoltaicznej w aspekcie procesu projektowania [Analysis of electro-efficiency and converter power distribution in photovoltaics design]. Rynek Energii 2:3 7—43.
• [13] Schneider, M.; Biel, K.; Pfaller, S.; Schaede, H.; Rinderknecht, S.; Glock, C.H. (2016). Using inventory : models for sizing energy storage systems: An interdisciplinary approach, Joumal of Energy Storage 6:339—348.
• [14] Thomas, B.G.; Bollapragada, S. (2010), General Electric Uses an Integrated Framework for product Costing, Demand Forecasting, and Capacity Planning of New Photovoltaic Technology Products, Interfaces 40(5): 353— 367, doi.org/10.1287/inte.1100.0518
• [15] Vasin, A.,Kartunova, P.,Weber, G.W. (2013). Models for capacity and electricity market design. Central European Journal of Operational Research 21: 651—661. https: //doi. org/10. 1007/510100- 012- 0259-2
• [16] Wichmann, M.G.; Johannes, C.; Spengler, T.S. (2019). Energy oriented lot-sizing and scheduling considering energy storages. International Journal of Production Economics 216:202—214.
• [17] Yang, B. „Guo Y.,Xiao, X.; Tian, P. (2020). Bi—level capacity planning of wmd PV—battery hybrid generation system considering return on investment, Energies 13:3046.
• [18] Yi, T.; Tong, L.; Qiu, M.; Liu, J. (2019). Analysis of Driving Factors of Photovoltaic Power Generation Efficiency: A Case Study in China. Energies 12:355. https://doi.org/10.3390/en12030355
• [19] Yoza, A.; Yona, A.; Senjyu, T.; Funabashi, T. (2014) Optimal capacity and expansion planning methodology of PV and battery in smart house. Renewable Energy 69:25—33.
• [20] Zhang, I.; Nakagawa, K.; Matsumoto, K. (2023). Evaluating solar photovoltaic power efficiency based on economic dimensions for 26 countries using a three-stage data envelopment analysis, Applied Energy 335 20714, https://doi.org/10.1016/j.apenergy.2023.120714.