分布式光伏能源站全生命周期碳排放核算预测模型研究

国网浙江省电力有限公司杭州市萧山区供电公司 沈鸿达 徐 峰 楼冯梁 浙江中新电力工程建设有限公司 金迪君

光伏发电，将太阳能到电能进行了一个转换，从而替代其他电力资源，但光伏发电具有间歇性、波动大等缺点，会增加电网调节难度，导致供电不稳定[1]。光伏发电在发电过程中，主要是利用光伏组件通过借助电池的存放电功能，对光伏用电峰谷进行调节。目前，分布式能源系统正在成为目前能源发展的重要类型，其中光伏发电作为低碳能源，可以有效改善环境。光伏-储能系统在带来一定的经济效益的同时，也带来了一定的环境影响，特别是带来的碳排放，对于碳排放的预测，也成为一直以来的重要研究课题[2]。

在光伏能源站的碳排放核算预测中，主要有以下几种研究。文献[3]提出基于部分线性面板数据模型的碳排放预测，基于部分线性面板数据模型，对锂电池的全生命周期环境进行分析，建立生命周期框架结构，将能源分析引入到光伏系统中，从而对碳排放进行预测与核算。该方法考虑到内在耦合之间的关系，其预测结果较为准确。文献[4]提出基于迭代寻优的中长期碳排放预测模型，采用生命周期评价理论，并基于迭代寻优方法，对能耗与体形系数的关系进行分析，同时选择多个影响建筑碳排放的因素，对碳排放进行预测。该预测模型对碳排放进行了较为准确地计算，预测结果较好，得到广泛地应用。本文以分布式光伏能源站作为主要研究对象，对光伏能源站全生命周期碳排放进行核算预测。

1 分布式光伏能源站全生命周期碳排放核算预测模型

1.1 确定碳排放系数

为了达到有效地对分布式光伏能源站全生命周期碳排放核算预测，对碳排放系数进行确定。引入多个独立变量，该变量与结构和技术均相关，碳排放系数进行选取，选取过程如图1所示。

图1 数据选取流程

按照该流程，对各种能源的低位发热量进行计算，公式表示为：

其中，j为能源的热量参数，A为转换标煤参数，k为换算系数，N为燃烧氧化率，得到能源的低位发热量，在此基础上，对碳排放系数进行计算[5]，其函数公式表示为：

其中w为各类能源碳排放系数，l为单位转换系数，f为燃料氧化率参数，g为转标煤系数，按照该参数对碳排放系数进行计算，可以得到碳排放系数[6]，见表1。

表1 碳排放系数

得到确定的碳排放系数，根据该系数，对分布式光伏能源站全生命周期碳排放进行核算。

1.2 全生命周期碳排放核算

基于碳排放系数，对分布式光伏能源站全生命周期碳排放进行核算。使用灰色关联分析法，对变量之间的关联程度进行分析，按照分布式光伏能源站的生命周期，将碳排放分为不同的阶段，其生命周期边界如图2所示。

图2 生命周期边界

按照生命周期的边界，将生命周期过程划分为不同的阶段后，其中在产品生产阶段，主要包括光伏组件生产等过程，还有前期工业硅制备多晶硅，并包括最后的电池片封装成组件等过程，在生产运输阶段，主要指的是系统各设备进行安装的过程。对不同阶段的碳排放进行计算。对生产初期的碳排放进行计算，其公式表示为：

其中，p为材料的消耗量参数，t为主体结构材料用量参数，r为部分建材的碳排放因子，e为单位能量产生的二氧化碳排放量参数，根据该参数对生产运输阶段的碳排放进行计算，公式表示为：

其中，O为建材使用量参数，i为建材种类参数，y为运输距离，为了减少由于使用年限的不同，导致全生命周期碳排放核算出现误差的问题，同时对能源站维护更换期间的碳排放进行计算，公式表示为：

其中，F为材料更换使用量参数，G为材料更换的碳排放系数，H为维护材料使用量，N为维护材料更换过程的碳排放系数。在此基础上，对材料拆除处理期间的碳排放运输过程中，其碳排放系数进行计算，表示如下：

其中，P为可回收材料数量，Z为回收利用矢量，X为再加工碳排放系数，K为生产碳排放系数，将全生命周期分为以上几个过程，将几个过程进行相加，得到全生命周期碳排放核算量，表示为：

根据该碳排放核算参数，对分布式光伏能源站全生命周期碳排放进行预测。

1.3 全生命周期碳排放预测

基于全生命周期碳排放核算参数，对分布式光伏能源站全生命周期碳排放进行预测。预测流程如图3所示。

图3 全生命周期碳排放预测流程

使用循环神经网络结构，将碳排放核算参数作为输入参数，建立LSTM 网络结构，结构如图4所示。

图4 LSTM 网络结构

根据该结构，将变量与核算的碳排放参数进行归一化处理，公式表示为：

其中，χ1为训练样本参数，χmax为最大参数，χmin为最小参数，之后设置训练步长为4，并以此调整LSTM 模型参数，进行迭代计算，最终得到最佳参数值，将最佳参数值，由SVR 模型进行样本训练，得到1×4向量，之后将向量进行反归一化处理，得到最终的输出结果，该结果为最终的全生命周期碳排放核算预测结果。

2 实验与分析

为了验证设计的碳排放核算预测模型的预测效果，进行分布式光伏能源站全生命周期碳排放预测实验。

2.1 实验对象

本文以某地区的分布式光伏发电项目，作为主要的研究对象。该地区的光伏组件信息与支架信息见表2。

表2 光伏组件信息与支架信息

此外光伏组件运输距离为320km，支架运输距离为3600km，分布式光伏项目主要有四个类型，其中主要为5kW、14kW、10kW、15kW，衰减率第1年为2.5%，其余为0.7%，光电转换效率为16.5%，逆变器信息同时也有四种类型，6kW、8kW、10kW、15kW，运输距离为1056km，储能电池的类型为磷酸铁锂，放电效率为96%，放电深度为90%，能量转换效率为98%，使用寿命为9年，运输距离为13km，保修年限为5年。以该参数为基础，进行分布式光伏能源站全生命周期碳排放预测实验。

2.2 实验参数

该地区的分布式光伏发电项目中，基于全生命周期的主要碳排放清单见表3。

表3 全生命周期碳排放清单

按照该数据，使用三种模型，先对其进行训练，之后再进行测试。

2.3 评价指标

实验选择均方根误差作为实验评估指标，计算公式如下所示：

其中，c1为实际数值，c2为预测数值，x为预测数量。根据该指标对其进行分析。

2.4 实验结果与分析

使用本文设计模型及文献[3]与文献[4]模型，对碳排放进行预测，可以得到其预测结果如图5所示。

图5 本文设计模型预测效果

从图5中可以看出，使用本文设计的模型，对分布式光伏能源站全生命周期中的碳排放进行预测，其预测的结果与实际结果直接误差较小。

使用文献[3]模型进行实验，可以得到其分布式光伏能源站全生命周期碳排放预测结果如图6所示。

图6 文献[3]模型转速控制效果

从图6中可以看出，该模型下的预测结果，与实际结果相差较大，对分布式光伏能源站全生命周期碳排放的预测的误差较大。

使用文献[4]模型进行实验，可以得到对分布式光伏能源站全生命周期碳排放的预测结果如图7所示。

图7 文献[4]模型转速控制效果

从图7中可以看出，该模型下的预测结果，与实际结果相差很大，对分布式光伏能源站全生命周期碳排放的预测的误差很大。

对有储能与无储能下的分布式光伏能源站碳排放预测情况进行统计，可以得到其预测的相对误差，如图8所示。

图8 预测误差统计

从图8中可以看出，在不同的装机规模下，本文设计的预测模型，其预测的误差比其他两种对比模型小，说明能够对碳排放进行较好的预测。

对有储能下的分布式光伏能源站全生命周期碳排放进行预测，其分布式光伏能源站全生命周期碳排放的预测的误差见表4。

表4 有储能下分布式光伏能源站全生命周期碳排放的预测的误差

对无储能下的分布式光伏能源站全生命周期碳排放进行预测，其分布式光伏能源站全生命周期碳排放的预测的误差见表5。

表5 无储能分布式光伏能源站全生命周期碳排放的预测的误差

从表5中可以看出，本文设计的模型，在对有储能与无储能的分布式光伏能源碳排放进行预测后，其预测结果均较好，能够准确地对其分布式光伏能源站全生命周期碳排放进行预测。

本文提出了分布式光伏能源站全生命周期碳排放核算预测模型。选取并计算了碳排放系数，使用灰色关联分析法，对变量之间的关联程度进行了分析，并按照分布式光伏能源站的生命周期，建立LSTM 网络结构，对碳排放进行了预测，预测的误差较小，希望能为分布式光伏能源站全生命周期碳排放核算预测提供部分借鉴意义。