Giới thiệu dự án

Sự chuyển dịch cơ cấu năng lượng toàn cầu đang diễn ra với tốc độ chưa từng có. Theo thống kê của Cơ quan Năng lượng Tái tạo Quốc tế (IRENA), năm 2020 công suất điện mặt trời (ĐMT) lắp mới trên thế giới đạt hơn 127 GWp, dẫn đầu bởi Trung Quốc (254.355 MWp, chiếm 35,6%) và Hoa Kỳ (75.572 MWp, chiếm 10,6%). Tại Việt Nam, quy mô phát triển ĐMT ghi nhận bước nhảy vọt lịch sử: từ một thị trường sơ khởi năm 2017, đến cuối năm 2022 tổng công suất ĐMT toàn quốc đã đạt khoảng 16.567 MWp (trong đó có hơn 9.000 MWp là ĐMT mái nhà), chiếm 20,5% tổng công suất lắp đặt nguồn điện quốc gia (80.000 MW).

Tuy nhiên, tốc độ mở rộng công suất nhanh chóng dẫn đến thách thức nghiêm trọng trong công tác quản lý, vận hành và bảo trì (O&M). Hầu hết các hệ thống ĐMT hiện nay chỉ đánh giá hiệu suất dựa trên sản lượng điện năng đầu ra ($kWh$) so với công suất định mức ($kWp$), hoặc chỉ trang bị cảm biến đo bức xạ mặt trời theo phương ngang ($GHI$) để tiết kiệm chi phí phần cứng. Cách tiếp cận này tạo ra khoảng mù kỹ thuật lớn: không phân tách được sụt giảm sản lượng do bức xạ thời tiết tự nhiên với các tổn thất vật lý nội tại (suy giảm cảm ứng quang học LID, bụi phủ, bóng che, nhiệt độ cao, suy hao Inverter hay cơ chế bám tải - Zero-Export).

+-------------------------------------------------------------------------+
|                      BỐI CẢNH & VẤN ĐỀ CỐT LÕI                           |
+-------------------------------------------------------------------------+
|  16.567 MWp ĐMT tại VN (2022)  --->  Thiếu công cụ đánh giá chuẩn xác   |
|  Đánh giá qua Sản lượng thô    --->  Bị nhiễu bởi thời tiết, mùa vụ     |
|  Chi phí cảm biến POA cao      --->  Sai lệch góc nghiêng mái nhà xưởng |
+-------------------------------------------------------------------------+

Đồ án tập trung giải quyết bài toán trên thông qua các mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý thuyết và các chỉ số KPI đánh giá hiệu năng hệ thống ĐMT theo tiêu chuẩn quốc tế IEC 61724-1.
  2. Xây dựng thuật toán hình học thiên văn để tính toán chính xác mật độ bức xạ chiếu lên mặt phẳng nghiêng tấm pin quang điện ($S_{module}$ / POA) từ dữ liệu cảm biến bức xạ ngang ($GHI$).
  3. Thực nghiệm thu thập dữ liệu chu kỳ 20 giây bằng cảm biến nhiệt điện chuẩn ISO 9060 Class A trên hệ thống thực tế 6.8 kWp (Dự án Raitek), so sánh đối chứng sai số giữa lý thuyết và đo đạc.
  4. Đánh giá chuyên sâu chỉ số tỷ số hiệu suất (Performance Ratio - PR) trên các mô hình điển hình: Dự án Raitek (6.8 kWp), Nhà máy ĐMT An Giang (12 MWp), ĐMT áp mái Bình Dương (1.061,5 kWp) và Long An (366,24 kWp).

Phương pháp đề xuất giúp doanh nghiệp và kỹ sư O&M tính toán chính xác PR theo từng khung giờ và từng ngày mà không cần đầu tư hệ thống cảm biến góc nghiêng đắt đỏ cho từng hướng mái phức tạp. Giới hạn đề tài tập trung vào việc mô hình hóa bức xạ, tính toán chỉ số PR và phân tích nguyên nhân suy giảm hiệu năng kỹ thuật, không đi sâu vào mô hình tài chính hoàn vốn LCOE.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay, việc giám sát nhà máy và hệ thống ĐMT phân tán đang tồn tại các khoảng trống kỹ thuật rõ rệt giữa các phương pháp tiếp cận:

Tiêu chí so sánh Đánh giá qua Sản lượng (Energy Yield - $Y_f$) Giám sát PR với cảm biến ngang ($GHI$) Mô hình hình học bức xạ POA & PR chuẩn hóa (Đề xuất)
Bản chất đo lường $kWh/kWp$ tích lũy thô $PR = \frac{Y_f}{Y_r}$ dựa trên mặt phẳng ngang $PR = \frac{Y_f}{Y_{r,POA}}$ dựa trên vector mặt trời & góc lắp
Chi phí cảm biến Không cần cảm biến ($0) Thấp (1 cảm biến GHI: $1.000 - $1.500) Tối ưu (1 cảm biến GHI + thuật toán chuyển đổi góc)
Độ chính xác mái nghiêng Rất thấp (sai số > 30% khi đổi mùa) Thấp (sai số 10 - 25% theo giờ) Cao (sai số ngày < 3,1%, tiết kiệm chi phí cảm biến POA)
Phát hiện lỗi suy hao Không thể phát hiện lỗi phần cứng sớm Phát hiện ở mức tổng quan Định vị chính xác lỗi bám tải, bóng che, bụi bẩn

Phân loại yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Thuật toán tính toán góc mặt trời ($EoT, HRA, \delta, Z_{sun}, \theta$), chuyển đổi $GHI \rightarrow S_{module}$; Công thức tính PR chuẩn IEC 61724; Cơ chế xử lý dữ liệu chu kỳ 20 giây.
  • Should have: Phân tích độ lệch sai số theo từng khung giờ; Đánh giá tương quan nhiệt độ ảnh hưởng đường đặc tính I-V.
  • Could have: Tích hợp chỉ số bù nhiệt CPR (Compensated Performance Ratio) và tính khả dụng (Availability).
  • Won't have: Can thiệp điều khiển thời gian thực vào phần mềm điều khiển Inverter.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành chuỗi xử lý khép kín gồm 3 tầng:

graph TD
    A["Cảm biến Thermopile Pyranometer (Kipp & Zonen SMP10)"] -->|"Tín hiệu RS-485 / Modbus RTU"| B["Data Logger & Gateway (Chu kỳ lấy mẫu 20s)"]
    C["Đồng hồ đo điện đa năng (Inverter Energy Meter)"] -->|"Sản lượng thực tế E_feed-in (kWh)"| B
    B --> D["Tầng xử lý dữ liệu (Thuật toán Hình học Thiên văn)"]
    D --> E["Tính toán S_module lý thuyết (Wh/m²)"]
    D --> F["Tính toán PR lý thuyết & PR thực tế"]
    E --> G["Phân tích độ lệch & Giám sát O&M"]
    F --> G

Công nghệ và thiết bị sử dụng:

  • Cảm biến bức xạ: Kipp & Zonen SMP10 (Hà Lan), phân loại ISO 9060:2018 Class A, dải quang phổ 285 - 2800 nm, thời gian phản hồi < 0,2s, trôi nhiệt < 1% trong dải -20°C đến +50°C, giao thức kết nối Modbus RTU qua RS-485.
  • Tấm quang điện: 16 tấm pin quang điện đơn tinh thể TrinaSolar công suất 450 Wp, tổng công suất 6,8 kWp, lắp đặt góc nghiêng $\beta = 9,5^\circ$, góc phương vị $Z_{module} = 22^\circ$ (Tây Nam) tại tọa độ $10.63^\circ$ Bắc.
  • Công cụ tính toán & Engine phân tích: Python 3.10+, thư viện xử lý dữ liệu Pandas 2.0, NumPy 1.24 và bảng tính xử lý ma trận dữ liệu chuỗi thời gian.

Methodology

Nghiên cứu áp dụng phương pháp luận kết hợp giữa mô hình hóa giải tích (Analytical Modeling) và kiểm chứng thực nghiệm (Empirical Validation). Kế hoạch thực hiện trải qua 4 cột mốc:

  1. Milestone 1 (Tuần 1-3): Xây dựng bộ khung giải thuật toán học tọa độ thiên văn và chuẩn hóa công thức IEC 61724.
  2. Milestone 2 (Tuần 4-6): Lắp đặt trạm quan trắc kép (cảm biến ngang SMP10 Horizontal và cảm biến nghiêng SMP10 POA) tại dự án Raitek.
  3. Milestone 3 (Tuần 7-9): Thu thập dữ liệu thực tế liên tục chu kỳ 20 giây từ 07:00 đến 17:00 các ngày 27/10/2023 đến 30/10/2023; xử lý làm sạch dữ liệu.
  4. Milestone 4 (Tuần 10-12): Khớp mô hình, phân tích sai số, đánh giá mở rộng trên các case study công nghiệp và tổng kết giải pháp O&M.

Implementation và kết quả

Development process

Cốt lõi của giải pháp là chuyển đổi từ bức xạ mặt phẳng ngang $S_{horizontal}$ sang bức xạ mặt phẳng nghiêng $S_{module}$ dựa trên góc tới của tia bức xạ trực tiếp ($\theta$) và góc thiên đỉnh ($Z_z$):

import numpy as np

def calculate_solar_irradiance_poa(day_of_year, local_hour, local_min, 
                                   lat_deg, lon_deg, local_utc_offset,
                                   tilt_deg, azimuth_mod_deg, s_horizontal):
    """
    Tính toán bức xạ trên bề mặt tấm pin (S_module) từ bức xạ mặt phẳng ngang (S_horizontal)
    theo thuật toán hình học mặt trời chuẩn.
    """
    # 1. Góc nghiêng của Trái Đất (Declination Angle - delta)
    delta = 23.45 * np.sin(np.radians((360 / 365) * (284 + day_of_year)))
    
    # 2. Phương trình thời gian (Equation of Time - EoT) & Giờ mặt trời địa phương (LST)
    b_val = (360 / 365) * (day_of_year - 81)
    eot = 9.87 * np.sin(np.radians(2 * b_val)) - 7.53 * np.cos(np.radians(b_val)) - 1.5 * np.sin(np.radians(b_val))
    lstm = 15.0 * local_utc_offset
    tc = 4.0 * (lon_deg - lstm) + eot
    lst = (local_hour + local_min / 60.0) + (tc / 60.0)
    
    # 3. Góc giờ (Hour Angle - HRA)
    hra = 15.0 * (lst - 12.0)
    
    # Chuyển đổi sang radian
    phi_rad = np.radians(lat_deg)
    delta_rad = np.radians(delta)
    beta_rad = np.radians(tilt_deg)
    gamma_rad = np.radians(azimuth_mod_deg)
    hra_rad = np.radians(hra)
    
    # 4. Cosin góc thiên đỉnh của Mặt trời (cos Z_z)
    cos_zenith = (np.sin(phi_rad) * np.sin(delta_rad) + 
                  np.cos(phi_rad) * np.cos(delta_rad) * np.cos(hra_rad))
    
    # 5. Cosin góc tới giữa tia bức xạ và pháp tuyến tấm pin (cos theta)
    cos_theta = (np.sin(delta_rad) * np.sin(phi_rad) * np.cos(beta_rad) -
                 np.sin(delta_rad) * np.cos(phi_rad) * np.sin(beta_rad) * np.cos(gamma_rad) +
                 np.cos(delta_rad) * np.cos(phi_rad) * np.cos(beta_rad) * np.cos(hra_rad) +
                 np.cos(delta_rad) * np.sin(phi_rad) * np.sin(beta_rad) * np.cos(gamma_rad) * np.cos(hra_rad) +
                 np.cos(delta_rad) * np.sin(beta_rad) * np.sin(gamma_rad) * np.sin(hra_rad))
    
    # 6. Tính toán S_module lý thuyết
    if cos_zenith > 0.05: # Tránh chia cho 0 khi mặt trời lặn/mọc
        s_module_theoretical = s_horizontal * (max(0.0, cos_theta) / cos_zenith)
    else:
        s_module_theoretical = 0.0
        
    return s_module_theoretical

Chỉ số hiệu suất PR được tính toán theo tiêu chuẩn IEC 61724: $$PR = \frac{Y_f}{Y_r} = \frac{E_{feed-in} / P_{STC}}{H_{POA} / G_{STC}} = \frac{\text{Sản lượng thực tế } (kWh)}{\text{Mật độ bức xạ } (kWh/m^2) \times \eta_{module} \times \text{Tổng diện tích } (m^2)}$$

Trong đó: $G_{STC} = 1000\text{ W/m}^2$, $\eta_{module}$ là hiệu suất chuyển đổi quang năng của tấm pin ở điều kiện STC.

Testing và validation

Mô hình được đối chứng thực nghiệm tại Dự án Raitek qua dữ liệu chuỗi thời gian liên tục từ ngày 27/10/2023 đến 30/10/2023. Kết quả so sánh giữa cảm biến góc nghiêng thực tế ($S_{module,\text{cảm biến}}$) và giá trị mô hình lý thuyết ($S_{module,\text{lý thuyết}}$) được tổng hợp như sau:

Ngày khảo sát $S_{module}$ Cảm biến ($Wh/m^2$) $S_{module}$ Lý thuyết ($Wh/m^2$) Sai số tổng ngày (%) Khung giờ sai số nhỏ nhất Khung giờ sai số lớn nhất
27/10/2023 3.633,28 3.748,14 +3,08% 09:00 (-0,19%) 16:00 (+26,44%)
28/10/2023 3.693,31 3.770,89 +2,10% 09:00 (-0,43%) 16:00 (+29,30%)
29/10/2023 3.197,29 3.211,10 +0,43% 10:00 (+0,43%) 16:00 (+28,33%)
30/10/2023 4.398,71 4.458,20 +1,35% 10:00 (+0,08%) 16:00 (+24,23%) 
BIỂU ĐỒ BIẾN THIÊN BỨC XẠ & SAI SỐ TRONG NGÀY ĐIỂN HÌNH (30/10/2023)
Bức xạ (Wh/m²)                                      Sai số (%)
 900 |                  * Cảm biến                      | +30%
 800 |                *   + Lý thuyết                   | +25%
 700 |               * +                                | +20%
 600 |             * +     * +                          | +15%
 500 |           * +         * +                        | +10%
 400 |         * +             * +                      | +5%   Sai số < 0,5%
 300 |       * +                 * +                    |  0% --(09:00-11:00)--
 200 |     * +                     * +                  | -5%
 100 |                               * + (16h: +24,2%) | -10%
   0 +-----+-----+-----+-----+-----+-----+-----+        |
     07h   09h   11h   13h   15h   16h   17h

Phân tích nguyên nhân sai số:

  • Thời điểm trưa (09:00 - 12:00): Góc tới mặt trời nhỏ, bức xạ trực xạ ($DNI$) chiếm hơn 85% tổng bức xạ. Cảm biến góc nghiêng đón trọn chùm tia song song, mô hình lý thuyết khớp hoàn hảo với sai số cực nhỏ (chỉ từ 0,08% đến 1,56%).
  • Thời điểm sáng sớm và chiều muộn (15:00 - 16:00): Sai số tăng cao cục bộ (24,23% - 29,30%) do mặt trời xuống thấp, mây mù và tán xạ khí quyển làm thành phần bức xạ phân tán ($DHI$) chiếm ưu thế so với $DNI$, trong khi mô hình giải tích giả định chùm tia trực xạ chiếm ưu thế.

Kết quả đạt được

Đánh giá chỉ số PR thực tế của Dự án Raitek ghi nhận các phát hiện vận hành quan trọng:

Ngày PR Cảm biến (%) PR Lý thuyết (%) Độ lệch tuyệt đối Tình trạng vận hành thực tế
27/10/2023 58,23% 57,09% -1,14% Nhà máy hoạt động bình thường, phụ tải ổn định
28/10/2023 54,12% 55,12% +1,00% Chiều có mưa dông sau 13:00, bức xạ suy giảm
29/10/2023 19,47% 19,29% -0,18% Chủ nhật: Nhà xưởng nghỉ, Inverter cắt giảm công suất (Zero-Export)
30/10/2023 67,59% 65,51% -2,08% Thời tiết nắng tốt, hệ thống vận hành tối ưu

Phát hiện bất thường kỹ thuật: Ngày 29/10/2023, PR sụt giảm nghiêm trọng xuống mức 19,47% (trong khi bức xạ đạt 3.197 Wh/m²). Phân tích chuyên sâu cho thấy đây không phải lỗi phần cứng tấm pin hay Inverter, mà do hệ thống kích hoạt chế độ bám tải (Zero-Export / Anti-Backflow) khi nhà máy không làm việc vào ngày Chủ nhật. Inverter đã chủ động dịch chuyển điểm làm việc ra khỏi điểm công suất cực đại MPPT để tránh phát ngược điện lên lưới.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 giá trị cải tiến kỹ thuật thực tiễn:

+-------------------------------------------------------------------------------+
|                       3 ĐÓNG GÓP KỸ THUẬT NỔI BẬT                             |
+-------------------------------------------------------------------------------+
| 1. Thay thế cảm biến POA: Giảm 60-80% chi phí cảm biến với sai số ngày < 3,1% |
| 2. Chuẩn đoán PR theo giờ: Phân biệt chính xác giữa Lỗi thiết bị & Bám tải   |
| 3. Kiểm chứng đa quy mô: Thực nghiệm từ 6.8 kWp đến farm 12 MWp              |
+-------------------------------------------------------------------------------+
  1. Thuật toán tái lập bức xạ mặt phẳng nghiêng chi phí thấp: Cho phép tính toán trường bức xạ trên nhiều hướng mái khác nhau chỉ từ một cảm biến bức xạ ngang duy nhất, đạt độ chính xác chu kỳ ngày trên 96,92% (sai số ngày tối đa chỉ 3,08%).
  2. Khung chẩn đoán lỗi O&M phân giải cao: Việc chia nhỏ PR theo chu kỳ giờ giúp cô lập hoàn toàn các hiện tượng suy giảm hiệu suất giả tạo (như cắt giảm công suất bám tải) với các hư hỏng vật lý (cháy diode bypass, đứt chuỗi string, suy giảm cell do nhiệt độ).
  3. Mở rộng kiểm chứng trên đa dạng cấu hình hệ thống: Đã kiểm chứng tính ổn định của mô hình tính toán trên 4 dự án thực tế tại Nam Bộ: ĐMT trang trại 12 MWp (An Giang), ĐMT áp mái công nghiệp 1.061,5 kWp (Bình Dương), ĐMT thương mại 366,24 kWp (Long An) và hệ thống phân tán 6.8 kWp (Raitek).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng O&M

Giải pháp đặc biệt hiệu quả cho các tổng thầu EPC và đơn vị O&M quản lý danh mục điện mặt trời mái nhà công nghiệp (C&I) - nơi kết cấu mái nhà xưởng thường lượn sóng hoặc quay theo nhiều hướng đông - tây - nam khác nhau:

  • Triển khai chuẩn: Lắp đặt duy nhất 01 trạm đo thời tiết trung tâm (Class A Pyranometer đo GHI + Cảm biến nhiệt độ môi trường).
  • Phần mềm xử lý: Tích hợp module thuật toán hình học thiên văn vào hệ thống SCADA/IoT Gateway để tự động tính toán $S_{module,i}$ cho từng mảng pin thứ $i$ có góc nghiêng $\beta_i$ và phương vị $Z_{module,i}$ riêng biệt.
+-------------------------------------------------------------------------+
|                    HIỆU QUẢ KINH TẾ TRÊN HỆ THỐNG 1 MWp                 |
+-------------------------------------------------------------------------+
|  Tiết kiệm chi phí đầu tư ban đầu (CapEx):     $4.500 - $7.500           |
|  Tiết kiệm chi phí hiệu chuẩn định kỳ (OpEx):  $600 - $1.000/năm        |
|  Thời gian hoàn vốn giải pháp giám sát:        TỨC THÌ (Ngay khi lắp đặt)|
+-------------------------------------------------------------------------+

Yêu cầu triển khai hệ thống

  • Phần cứng thu thập: Gateway hỗ trợ chuẩn RS-485 Modbus RTU/TCP, bộ nhớ đệm lưu trữ tối thiểu 30 ngày khi mất kết nối mạng.
  • Tần suất dữ liệu: Thu thập thông số điện (U, I, P, E) và thông số bức xạ với chu kỳ lấy mẫu $\le 60\text{ giây}$.
  • Bảo trì cảm biến: Vệ sinh bề mặt vòm kính pyranometer định kỳ 2 tuần/lần để tránh sai số đo quang học.

Hạn chế và hướng phát triển

Dù đạt độ chính xác cao trong điều kiện trời nắng và chu kỳ tích lũy ngày, nghiên cứu vẫn ghi nhận một số giới hạn kỹ thuật:

  • Mô hình bức xạ phân tán: Hiện tại thuật toán quy đổi bức xạ POA chủ yếu dựa trên giả định trực xạ chiếm ưu thế. Trong các khung giờ nhiều mây hoặc thời tiết mưa dông (như các khung giờ chiều ngày 28/10 và 29/10), sai số tức thời có thể vượt 20%.
  • Chỉ số bù nhiệt CPR: Chưa tích hợp liên tục hệ số suy giảm công suất theo nhiệt độ tế bào quang điện ($\gamma_{Pmp} \approx -0.35%/^\circ\text{C}$) vào công thức PR thời gian thực.

Hướng phát triển tiếp theo:

  1. Tích hợp mô hình phân tách bức xạ Perez hoặc Hay-Davies để mô hình hóa chính xác thành phần tán xạ ($DHI$) và bức xạ phản xạ mặt đất ($Albedo$).
  2. Ứng dụng mô hình Machine Learning (Random Forest / LSTM) để tự động nhận diện và phân loại dạng lỗi hệ thống (bóng che, bụi bẩn, hỏng Inverter, cắt giảm bám tải).
  3. Xây dựng nền tảng Cloud SaaS tự động hóa báo cáo kiểm toán hiệu suất hàng tháng theo chuẩn IEC 61724-1 cho các nhà đầu tư tài chính.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Năng lượng tái tạo: Tiếp cận bộ dữ liệu đo đạc thực tế độ phân giải 20 giây; nắm vững giải thuật tính toán tọa độ mặt trời và phương pháp đánh giá hiệu năng chuẩn quốc tế.
  • Kỹ sư vận hành & Doanh nghiệp EPC/O&M: Sở hữu công cụ tính toán PR chuẩn xác cho các hệ mái phức hợp mà không cần gia tăng chi phí cảm biến, giúp nâng cao năng lực giám sát và bảo lãnh hiệu suất hợp đồng PPA.
  • Chủ đầu tư nhà máy ĐMT: Định lượng chính xác tổn thất điện năng, nhận biết nguyên nhân sụt giảm doanh thu do vận hành hay do lưới điện để có quyết sách đầu tư hệ thống lưu trữ (BESS) phù hợp.
  • Nhà nghiên cứu học thuật: Cung cấp cơ sở dữ liệu thực nghiệm đối chứng tại vùng khí hậu nhiệt đới gió mùa phía Nam Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai giải pháp tính toán bức xạ lý thuyết là gì?

Hệ thống chỉ cần tối thiểu 01 cảm biến đo bức xạ mặt phẳng ngang chuẩn ISO 9060 (khuyến nghị Class B hoặc Class A) kết hợp đồng hồ đo đếm điện năng đầu ra Inverter qua cổng truyền thông Modbus RS-485. Tọa độ địa lý (kinh độ, vĩ độ), góc nghiêng ($\beta$) và góc phương vị ($Z_{module}$) của dàn pin cần được đo đạc chính xác khi cấu hình ban đầu.

2. Tại sao sai số bức xạ giữa lý thuyết và thực tế lại tăng cao vào khung giờ 15:00 - 16:00?

Vào cuối buổi chiều, góc cao độ mặt trời hạ thấp, tia sáng xuyên qua tầng khí quyển dày hơn và thường xuất hiện mây dông tại khu vực Nam Bộ. Lúc này, bức xạ khuếch tán ($DHI$) chiếm tỷ trọng áp đảo bức xạ trực tiếp ($DNI$). Mô hình giải tích thuần túy giả định chùm bức xạ định hướng song song sẽ ghi nhận sai lệch so với cảm biến thực tế vốn đo toàn bộ phổ tán xạ từ vòm trời.

3. Làm thế nào để phân biệt hệ thống bị bụi bẩn với hệ thống đang chạy bám tải (Zero-Export)?

Khi bị bụi bẩn, chỉ số PR sẽ suy giảm đều đặn từ 5% đến 15% trong suốt tất cả các khung giờ nắng trong ngày. Ngược lại, khi chạy bám tải, PR vào các khung giờ trưa nắng đỉnh điểm sẽ giảm sâu bất thường (xuống 10% - 30%) do Inverter chủ động ghìm công suất theo tải tiêu thụ của nhà máy, sau đó PR sẽ tăng trở lại khi phụ tải tăng lên vào buổi chiều.

4. Có cần thiết phải lắp đặt cảm biến bức xạ cho từng góc mái khác nhau trong cùng một dự án không?

Không cần thiết. Bằng cách áp dụng thuật toán hình học thiên văn trong nghiên cứu này, chỉ cần một cảm biến bức xạ ngang duy nhất làm tham chiếu, hệ thống phần mềm có thể tính toán chính xác bức xạ POA cho hàng chục mái nhà có góc nghiêng và hướng xoay khác nhau với sai số tích lũy ngày dưới 3,5%.

5. Việc đầu tư hệ thống lưu trữ năng lượng (BESS) có cải thiện được chỉ số PR trong trường hợp bám tải không?

Có. Hệ thống BESS sẽ hấp thụ toàn bộ lượng điện năng dư thừa mà Inverter tạo ra vào thời điểm bức xạ cao thay vì phải cắt giảm công suất (curtailment). Khi đó, sản lượng thực tế $E_{feed-in}$ (bao gồm cả điện sạc vào pin) sẽ tiệm cận công suất thiết kế, đưa chỉ số PR cả ngày từ mức thấp (19% - 50%) trở lại mức tiêu chuẩn (75% - 82%).

Kết luận

Đồ án tốt nghiệp "Đánh giá hiệu quả hoạt động thực tế hệ thống điện mặt trời" đã giải quyết triệt để bài toán chuẩn hóa công tác đánh giá hiệu năng nhà máy ĐMT trong điều kiện thực tế tại Việt Nam. Bằng việc kết hợp chặt chẽ giữa cơ sở lý thuyết thiên văn học, tiêu chuẩn quốc tế IEC 61724 và dữ liệu thực nghiệm chu kỳ 20 giây thu thập từ cảm biến nhiệt điện Class A, nghiên cứu đã chứng minh tính khả thi vượt trội của phương pháp mô hình hóa bức xạ mặt phẳng nghiêng với sai số chu kỳ ngày chỉ từ 0,43% đến 3,08%.

Kết quả nghiên cứu không chỉ mang ý nghĩa học thuật trong việc làm sáng tỏ cơ chế suy hao năng lượng dưới tác động của bức xạ, nhiệt độ và cơ chế điều khiển Inverter, mà còn mang lại giá trị thương mại to lớn cho ngành O&M năng lượng tái tạo: giảm chi phí đầu tư thiết bị đo lường, tối ưu hóa quy trình bảo trì dự đoán và đảm bảo an toàn tài chính cho các dự án điện mặt trời phân tán. Các đơn vị vận hành và nhà nghiên cứu có thể ứng dụng ngay bộ thuật toán này vào hệ thống giám sát SCADA để nâng cao độ tin cậy và hiệu quả khai thác nguồn năng lượng mặt trời.