光伏系统的辐射散热

查看完整白皮书。

夜间谜题

几年前，我们受邀分析一个光伏测试设施的数据。这是我们第一次收到夜间数据，令我们惊讶的是，日落后组件温度竟然比环境空气温度更低。

24小时内组件和环境温度变化

由于光伏行业使用的传统温度模型——Faiman模型——预测夜间组件温度必须等于环境温度，我们匆忙得出结论认为测量存在偏差。“你们的热电偶有负偏移，“我们告诉该设施，并相应地调整了组件温度。

我们可能不是第一个因为这个错误结论而感到尴尬的人，也可能不是第一个在几周后恍然大悟，然后发现这个异常现象早就被解释过的人。

夜间偏移实际上是真实的。它是由辐射冷却引起的。正如经典的Duffie和Beckman所解释的，太阳能电池板从环境空气中吸收热量，并将其辐射到寒冷的夜空中。这种热流意味着组件温度必须介于空气温度和天空温度之间。

这个观察对光伏电站有什么意义呢？它简单地说明了Faiman模型没有准确考虑向天空的辐射散热。

此外，它还引出了更重要的问题：

辐射散热是否会在白天引入Faiman模型与现实之间的差异？如果是这样，这种差异是否大到足以影响发电量预测？如果是这样，我们能否使用热物理学来改进我们的预测？

这些问题在我们最新的白皮书”光伏系统的辐射散热”中得到了研究。

这篇博文描述了我们研究的主要收获。详细内容请参考白皮书。

向天空辐射：散热的主要贡献者

太阳能电池板在白天将30%到60%的热量辐射到天空。如果天空寒冷，电池板辐射更多热量，帮助它们在较低温度下运行，从而产生更多电力。

下图说明了丹佛附近单轴跟踪器（SAT）辐射损失的规模。它解释了在两天内落在光伏组件上的太阳能发生了什么，第一天是晴天，第二天也是晴天，直到乌云滚滚而来，破坏了下午的好天气。图表显示约20%的太阳能转换为电力（橙色区域），其余的以热量形式散发（蓝色区域）。在这些热量中，约三分之一在正午时分辐射到天空，在一天的早晚和厚云时，辐射的比例甚至更高。

该图还显示，日落后组件从空气中吸收热量并将其辐射到夜空中。即使在夜间，我们也可以研究光伏组件的行为！

能量流图

在发电量预测中考虑辐射散热

大多数发电量预测采用简单的Faiman热模型，该模型将所有热损失打包到单个方程中，并假设它们取决于组件温度和环境温度之间的差异（T_mod – T_amb）。

虽然简单的方程有其优势，但更准确地说，辐射散热取决于（T_mod – T_sky），其中T_sky是天空温度。（完整方程请参见白皮书。）

我们可以在下图中看到Faiman模型必须引入误差。该图绘制了罗斯基勒（沿海潮湿）和阿尔布开克（内陆干燥）一年中每小时的T_sky与T_amb对比。它显示在相同的T_amb下，阿尔布开克的天空比罗斯基勒冷10-20°C。因此，在具有相同辐照度和T_amb的日子里，我们预期阿尔布开克会有更多的辐射冷却——因此发电量更高——而不是罗斯基勒。然而，简单的辐射损失方法根本无法预测任何差异。

我们的白皮书计算了Faiman方法在几个地点引入的发电量误差。它还描述了如何通过更现实的辐射模型来减轻误差。

天空与环境温度对比

实验验证

在评估发电量之前，我们通过比较测量和模拟的组件温度，在五个实验测试点测试了现实辐射模型的适用性。模拟使用了三种热模型之一：

*U_c = 29, U_v = 0

重要的是，现实的辐射散热模型没有引入任何额外的自由变量。它只是区分了散失到环境的热量和散失到天空的热量，并从卫星数据中加载T_sky。

下图绘制了结果。它显示现实方法在五个地点中的四个提供了更优的组件温度预测。在最佳情况下，仅通过引入现实的辐射损失模型，组件温度的均方根误差（RMSE）就从3.0°C降低到1.8°C（比较M3与M2）。

这些结果表明，现实的热模型——没有额外的自由参数——可以提高发电量预测的准确性。

模型验证结果

辐射损失导致的发电量预测误差

大多数发电量程序，包括PVsyst，都采用简单的Faiman热模型。这涉及设置一个或两个”U值”来控制散失到环境的热量，并假设它们在一年中的所有时间都是恒定的。

然而，正如我们所讨论的，辐射散热实际上取决于T_sky，它（相对于T_amb）每天、每季节、每个地点都在变化。这意味着U值的辐射成分也必须不断变化，因此假设U值恒定会引入误差。

误差有多大？

下图绘制了特定SAT配置的日发电量误差。该误差是在校准其U值以在丹佛测试设施的三周测试期间提供最佳拟合后计算的。因此，计算的误差尽可能低，仅考虑辐射散热的变化。

图表显示误差如何因地点而异，以及当湿度和漫射分数（与云覆盖相关）降低时误差如何变得更负。丹佛、阿尔布开克和查伊南托（阿塔卡马沙漠）等寒冷干燥地点的误差与新加坡等温暖潮湿地点的误差相差约0.6-1.0%。在阿尔布开克，非常干燥的日子与潮湿日子的误差相差约1%。

我们还发现季节性误差变化通常为0.4%，但根据地点和配置，可能在0.1%到1.1%之间。（固定倾斜系统的误差比SAT更大。）

发电量预测误差分析

用现实辐射模型提高准确性

我们已经看到，大多数发电量软件中使用的简单方法通过假设恒定的U值引入了不确定性。我们得出结论，仅此假设就会在年发电量中引入高达±0.5%的不确定性，在日发电量中引入额外的±0.5%。

在许多情况下，这种量级的误差并非可以忽略。如果辐射损失的不准确预测导致发电量被低估或高估0.5%或1%，这可能是调试测试通过或失败的区别。

幸运的是，通过应用更现实的辐射散热方程，可以减轻大部分误差。这些方程已在SunSolve Yield中实施。这并不是说辐射和非辐射模型不能进一步完善和验证，我们鼓励光伏研究人员继续研究光伏系统的热行为。

下载白皮书了解更多关于光伏系统辐射散热及其如何影响发电量预测的信息。

超越温度建模：光伏仿真的物理优先方法

本文描述的热建模改进仅代表SunSolve超越现状的一个领域。我们的使命是通过在每个步骤——光学、热学和电学——应用严格的基于物理的建模，为太阳能行业提供研究级仿真工具。

虽然许多发电量建模工具主要关注年能量估算，但我们相信准确建模始于在每个单独时间步长上正确掌握基础知识。只有建立这种基于物理准确性的坚实基础，我们才能在整个运行年份中提供真正可靠的预测。

无论是实施现实的辐射传热、考虑复杂的光学相互作用，还是精确建模电气行为，SunSolve致力于推进光伏仿真背后的科学——一次一个时间步长。

立即开始

准备体验研究级光伏建模？联系我们了解SunSolve的物理优先方法如何改变您的性能预测。

致谢

这项工作得到了澳大利亚可再生能源署（ARENA）的资金支持。此处表达的观点不一定代表澳大利亚政府的观点，澳大利亚政府不对此处包含的任何信息或建议承担责任。