發電預估與成本計算的誤差

 

發電預估與成本計算的誤差

 Uncertainties in Yield Assessments and PV LCOE

當你在計算電站的IRR時，是否曾在心中閃過這樣的疑問- 這發電預估真的準嗎？

影響發電預估與成本計算的誤差到底有多大？又有哪些誤差來源？

這份研究報告就是要解決上述的幾個問題，讓投資者做財務預估時可以更了解誤差範圍，以及改善誤差的可能解決方案。

IEA PVPS Task 13研究報告

本文是一系列國際能源總署Task 13研究報告的導讀之一，關於IEA PVPS Task 13的介紹，以及本期計畫所有報告的列表，請參考以下網址。

報告總覽http://solar543.blogspot.com/2021/03/pvps-task13.html#more

不過這些報告動輒八九十頁，無法在此完整介紹，因此將以摘要導讀的形式，讓大家了解這些報告有哪些內容，對這個題目有興趣的人可以自行下載完整報告研讀。

 

發電預估與成本計算的誤差

本文要介紹的報告是Uncertainties in Yield Assessments and PV LCOE，翻成中文為「發電預估與成本計算的不確定度」，可以在以下連結下載：

https://iea-pvps.org/key-topics/uncertainties-yield-assessments/

「不確定度」是比較學術的名詞，口語一點可以近似為「誤差」的意思。總之，這本報告所探討的問題為，做發電預估時可能會有哪些誤差來源？又會對於發電成本計算造成什麼影響？

 

欲解決的問題

做太陽能電站投資最重要的是前提是先評估發電量（YA）和長期收益預測（LTYP）。接著可以由成本再計算出LCOE（均化度電成本）、投資報酬率IRR等。而投資者面臨的問題是，如果YA和LTYP的估算誤差很大，將會導致IRR有很大的誤差，而使投資決策面臨較大的風險。

因此本研究分析預估YA和LTYP時可能的誤差來源，進一步期望能降低這些評估誤差。以下就評估誤差的幾個主要面向分別說明。

 

資料庫的可靠性

影響發電量評估的最重要參數是日照資料。目前可用的日照資料庫很多，例如NASA、Meteonorm都是常見的資料庫，但是不同資料庫估算的發電量差異可能高達一二十個百分點。尤其台灣地處氣候變化較大的區域，距離差個50km日照條件可能就差很多了，因此資料密度不足也是個大問題。如果自設氣象站收集日照資訊呢？最大的問題是缺乏歷史資料，僅有一兩年的監測資料可能剛好是極端天氣，也會造成預估偏差。因此資料庫的可靠性、適用性，每年的變化，以及長期趨勢都是誤差的來源。

近年熱門的研究「場地適應技術」(Site adaptation techniques)結合了短期測量數據和長期衛星資料，對解決上述問題有些幫助。短期的氣象站測量數據具有特定地點的季節和晝夜特徵，這是衛星資料所沒有的。例如台灣水汽高而地形變化快，僅從衛星資料推算日照值的誤差很大。因此衛星資料搭配地面偵測資料，兩者結合可以整合出既有長時間歷史紀錄，也兼顧地點特徵的準確性，進而減少長期估算中的不確定度，是值得關注的一個研究方向。

 

日照量變化趨勢

本報告引用Müller等學者的研究，對德國44個屋頂裝置的輻照度、PR和發電量的長期趨勢進行了分析。結果顯示，平均每年輻照度增加了1.1％/年。這些系統在2008年至2018年期間，每十年的發電增加為11％。輻照度的增加尤其高於觀察到的性能損失率，因此所分析的系統發電量多年來一直以0.3％/年的平均趨勢增長。顯示長期氣候變化導致實際日照量比歷史紀錄高，導致最終結果與當初的預估不符。雖然這個例子是日照量逐年上升的趨勢，但是有些區域則是呈現下降趨勢，本報告的重點在提醒，要把長期氣候變化的因素納入考量。

 

發電預估的各項因子

發電量預估的典型作法是從水平輻照度開始，到最終注入電網的能量之間，計算每個因子的影響。 從100%開始往下增減，最終得到預估的發電。下表是典型的例子，概述了每個建模步驟的收益/損失以及相關的不確定性。

 

新技術的發展

近年模組與電池的技術快速發展（例如PERC、雙面PV），因為新技術累積的實測結果不多，額定功率與發電量之間的關係還未確定，加上可能有未知的衰減機制，都是造成評估誤差的來源。

 

發電預估的可靠性如何？

這個報告裡最有趣的是做了一個發電預估的「專家PK」。他們找了兩個場址，請7組專家做發電量預估。雖然這幾組都是經驗豐富的專家，但模擬出來的結果卻有很大的差異。

對於Bolzano案場，各專家預估P50（註1）發電量介於1095和1406 kWh / kWp之間，P90介於997和1274 kWh / kWp之間，可以看到最高跟最低的差異達到三成。初始發電量的平均值為1278 kWh / kWp，標準差STD（σ）為9.7％。而實際系統運行期間（2010年至2019年）的平均年發電量為1253 kWh / kWp。在此期間測得的平均發電量為1275 kWh / kWp。由下圖可以看出一開始水平日照資料庫的差異就有6.6%，轉成傾斜角的日照差異擴大為8.3%，計算可用日照時差異變化最大，達到18.9%，計算DC發電量又是一個差異很大的步驟，進展到27.5%，之後逆變器與AC端輸出的估計就沒有很大差別。

對於Alice Springs案場，各專家預估P50介於1757和1985 kWh / kWp之間，P90介於1631和1819 kWh / kWp之間，最高跟最低的差異有一成多。初始發電量的平均值為1878 kWh / kWp，標準差STD（σ）為3.9％。該系統自2009年開始運行，最初的年產量為2075 kWh / kWp，平均年產量1926 kWh / kWp。由下圖可以看出一開始水平日照資料庫的差異只有0.4%，轉成傾斜角的日照差異為0.5%，計算可用日照時差異變為1.9%。計算DC發電量是一個差異很大的步驟，進展到12.8%，之後逆變器與AC端輸出的估計就沒有很大差別。整體來說差異比上面的Bolzano案場小很多。

從這兩個電站的發電預估PK中分析比較，差異主要來自建模者的個人經驗和假設，尤其：

（i）輻照度資料庫的選擇和地點的適用性（尤其是對於山區地形），

（ii）發電衰減率的假設，

（iii）總體建模不確定度

（iv）沙塵和遠近陰影對測定結果的影響最大。

這個研究的目的不是比較哪個專家比較厲害，而是讓大家注意到即使專家也會因為各自的判斷而導致預估結果有很大的差異。大家必須了解 LCOE會有一定程度的變異。因此特別注意估算的假設和建模方式是很重要的。從行業的角度來看，如果有更多的“Live”比對分析結果將是有益的（即長期發電預估與實際測量數據的比較，例如每5年一次）。這些資訊可以作為發電預估的建模者、金融業和保險公司評估的重要反饋和輸入。

 

下載報告全文：

https://iea-pvps.org/key-topics/uncertainties-yield-assessments/

 

註1：P50表示出現此年發電量的機率為50%，是比較樂觀的估計。P90則是出現機率有90%，是比較保守的估計。在歐美的投資評估中，這些估值都會列入考慮。

 

 

關於作者：

林敬傑博士，業界朋友們暱稱為「傑博」

2004年在工業技術研究院從事太陽能模組研發

2005年與德國萊因技術合作，在臺灣建立亞洲第一個太陽能檢測認證實驗室

2007年擔任德資企業a2pak Power茂暘能源技術長

2011年成立顧問公司PV Guider，提供專業諮詢與電站品質管控等服務

 

目前擔任：

PVGuider首席顧問

CNS國家標準審議委員

工研院量測中心顧問

IEA國際能源總署Task 13太陽能可靠度工作組技術專家

SEMI產業標準工作小組召集人

Solar United國際太陽能產業聯盟工作小組技術專家

華聚基金會兩岸共通標準技術專家