2021-4-9 | 光伏技术论文
引言
太阳能一直被认为是人类社会可持续发展的重要可再生的、清洁的能源,世界各国都把太阳能光伏发电的利用和商业化作为重要的发展方向。从世界范围看,从2002~2009年,全球光伏电源累计安装容量从2175•5兆瓦增长到22928•9兆瓦,增长幅度达9•5倍之多。根据欧洲JRC的预测,到2030年太阳能发电将在世界电力的供应中显现其重要作用,达到10%以上;2050年太阳能发电将占全球总能耗的20%,到本世纪末太阳能发电将在能源结构中起到主导作用[1]。每年中国陆地接收的太阳辐射总量相当于24000亿吨标准煤,约等于1000年的能源消费量;全国总面积2/3地区年日照时间都超过2000小时[2]。
目前太阳能主要用来发电和发热。我国太阳能热水器年生产能力已达到2300万平方米,太阳能热水器使用总量超过1•2亿平方米,占世界总使用量的60%[3],与此相比,我国光伏产业与国际光伏发展仍有较大的距离,世界光伏产业每年以31%的速度发展,而我国的光伏产业每年增长率仅为15%[2]。我国具有发展太阳能的天然基础,有效利用太阳能资源已经成为解决我国能源环境问题的重要突破口之一,学者张治民认为制约我国太阳能资源发展的重要问题就是技术层面上的落后[4],太阳能光伏技术扩散问题亟待解决。本文运用基本扩散模型对我国太阳能光伏发电技术扩散趋势进行预测,试图模拟出我国未来太阳能光伏发电技术发展曲线,以期对国家可再生能源发展利用提出政策依据。
1太阳能光伏技术扩散模型构建
1•1扩散模型
在已有的关于新能源技术扩散研究中,扩散模型运用较多。Collantes(2006)[5]运用logistic模型研究燃料电池车的市场增长问题,Masini、Frankl(2002)[6]、Isoard,Soria(2001)[7]、Ibenholt(2002)[8]运用学习曲线对太阳能、风能扩散进行评价,Neij(1997)[9]、Lund(2002)[10]运用经验曲线对新能源技术运用前景及需求,Lund(2005)[11]、Purohit,Kandpal(2005)[12]、UshaRao、Kishore(2009)[13]运用Bass模型对新能源市场扩散问题、印度风能问题进行研究,Peter,Ra-maseshan,Nayar•(2002)[14]运用Rogers模型对发展中国家太阳能光伏市场发展状况进行分析。这些文献研究为本文模型选择提供了基础。按照创新扩散过程的影响因素,可以将上述模型分为3类,内部影响模型,如Logistic模型,考虑系统内部因素主要是过去使用者对扩散的影响;外部影响模型,将技术扩散完全归于系统的外部因素;混合影响模型,如Bass模型,综合考虑了内外部因素对扩散的影响。混合模型中涉及的未知参数较多,对于数据充足性要求较高。外部影响模型将潜在的采用者市场氛围已采纳创新者和未采纳创新者两大类。内部影响模型假定创新扩散完全是由潜在市场内部的信息传播推动,其描述的创新扩散过程与传染病的传播过程相似,也被称为标准传染模型。本文研究认为太阳能光伏技术扩散过程符合传染病扩散过程:即初始阶段技术进入市场,由于潜在采用者的不确定性及技术本身的风险,扩散速度缓慢;加速阶段,随着用户增多,市场传播速度加快,普及量开始迅速增加;饱和阶段,当超过最大加速度点之后,技术市场扩散速度开始减慢,最终达到市场饱和,即最大开发量,这一过程通过下文图1能够清楚的看出。Fisher和Pry(1970)、Henry(1972)和Blaekmna(1974)等人通过比较研究各种技术创新扩散过程,认为内部扩散模型(Logistic模型)可以较好地描述技术创新扩散过程。因此本文研究采用Logistic模型对太阳能光伏技术扩散趋势进行预测。假设在某一时点t太阳能的市场最大开发能力Nt,时间t点上太阳能光伏的市场普及量或者已有的市场潜能为nt,若太阳能光伏技术采用比率为β,则在无限小的时间间隔dt中,市场采用数量可以表示为如下:令f(t)=ntNt,表示时间t上太阳能光伏的市场开发率,即某一时点上,太阳能光伏技术市场普及量nt在最大经济可开发量Nt中所占得比例。公式(1)可以变形如下:在Logistic模型中,市场开发率f(t)可以作为衡量技术扩散程度主要因素,然而现实中,技术扩散速度随着时间的增长呈现缓慢减弱趋势,对此,我们将公式(6)做如下变形:分析公式(7)易知随着时间的无限增长,公式逐渐减小并逐步趋向于0,这一变化趋势与模型假设以及现实都是相符合的,另外,Mansfield认为技术扩散比率与已经采纳新技术市场份额有关[5],由此可知,Logistic模型能够比较合理的解释太阳能光伏技术的扩散趋势。本文模型中自变量只有时间一个量,对于逻辑模型中只有一个自变量的情况,预测结果倾向于定性结果。因此本文的结果更多的定性反映了太阳能光伏发电技术扩散的整体趋势。
1•2模型参数估计
模型中β表示扩散速度,定义为太阳能技术扩散的市场渗透比率,是扩散研究中的关键参数。从公式(4)中可以看出,市场渗透比率在长期过程随着新技术市场占有率的提高在逐步下降,β决定了扩散曲线的斜率和坡度。对于扩散速率β的影响因素,国内外学者研究颇多。Mansifield认为技术扩散比率与技术的投资额度和收益率以及已经采纳新技术市场份额有关[6],R•Kemp(1997)认为影响可再生能源扩散过程的主要因素为采用者特征,社会经济环境特征、技术本身及技术使用者特征,Jacobson,Johnson则通过技术系统视角认为社会受众知识基础,政治环境制度以及技术原动力三方能够影响可再生能源扩散速度[15]。Reddy和Painuly则通过采访利益相关者,得出政府介入以及提高可再生能源贡献能够加快可再生能源扩散速度[16]。Peter通过研究太阳能光伏技术扩散研究发现,财政收入,政府导向积极性,投资成本,技术可靠性,信息传播程度以及环保意识能够影响新能源技术扩散速度[17]。所有这些因素对于估计β的值都有影响作用,但是在新能源研究中,这方面的数据相对较少。在Logistic模型中,数据充足时,参数估计方法通常有普通最小二乘法(Bass,1969)、极大似然估计法(sehmittlein,1982)和非线性最小二乘法(Srinirasna,1986)。而在缺乏有效数据的情况下,参数可以通过管理判断或者历史上类似创新的扩散情况来获得,用历史数据估计模型中的参数值作为一种数据确实情况下的估值方法被众多学者论证过[13],Collantes根据市场竞争者的历史数据估计出了燃料电池车的市场扩散速率,并证明了历史数据估值的有效性[5]。我国学者李继峰,张阿玲在对我国新能源可再生能源发展预测研究中,参数β值的确定也采用了专家意见及经验数据[1]。国外学者在研究太阳能光伏技术扩散方面数据较为全面,根据文献研究,德国,芬兰,以及世界范围下的太阳能光伏技术扩散市场开发率要达到50%,分别需要21、23、44年的时间,其扩散速度也有较大差别。我们取3种情况下的平均值作为假设条件下我国太阳能光伏技术扩散系数,其中扩散比率Ttop,β取自表1,将这两个参数值代入公式Ttop=α/β得α的值。参数值计算结果如表2所示。