##common.pageHeaderLogo.altText##
Tạp chí Vật liệu & Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Các nhân tố ảnh hưởng đến năng suất của hệ thống điện năng lượng mặt trời tại Việt Nam

Nguyễn Đăng Trình , Lê Hải Đăng , Nguyễn Phúc Hạnh , Trần Đức Học

Tóm tắt

Những năm gần đây, sự phát triển bùng nổ của ngành năng lượng tái tạo là một xu hướng chung trên toàn thế giới, trong đó nguồn năng lượng gió và năng lượng mặt trời được xem là tiềm năng và dễ dàng khai thác hơn cả. Tại Việt Nam các dự án năng lượng tái tạo đặc biệt là năng lượng gió và mặt trời được phát triển mạnh trên khắp cả nước. Tuy nhiên, chưa có nhiều nghiên cứu trong nước về lĩnh vực này, đặc biệt trong việc đánh giá các yếu tố ảnh hưởng đến năng suất - sự thành công của một dự án điện mặt trời. Do đó, bài báo tiến hành nghiên cứu để khám phá và đưa ra các nhân tố chính, cũng như mức độ ảnh hưởng của các nhân tố này đến năng suất của một dự án điện mặt trời. Dựa vào một số nghiên cứu đã có trên thế giới, cùng với việc khảo sát các chuyên gia trong lĩnh vực năng lượng mặt trời, quản lý dự án, xây dựng và nhà đầu tư các dự án năng lượng mặt trời tại Việt Nam, nhóm đã đưa ra hơn 36 nhân tố có khả năng ảnh hưởng đến năng suất cũng như khả năng thành công của một dự án điện năng lượng mặt trời. Kết quả khảo sát cho thấy một số nhân tố nổi bật như sau: Khả năng đáp ứng của lưới điện tại địa phương; Cường độ chiếu sáng và cường độ bức xạ năng lượng mặt trời phát ra; Chính sách khuyến khích (giá, quy hoạch, ưu đãi về thuế, giấy phép) của chính phủ; Độ cao địa hình xây dựng; Số giờ nắng trong ngày; Hiệu suất chuyển hóa của tấm pin.

Tài liệu tham khảo

  1. . T. Q. Dung, “Photovoltaic technology and solar energy development in Vietnam,” Tech Monit., pp. 29–36, 2009.
  2. . Prime Minister, “Quyết định 2068/QĐ-TTG năm 2015 phê duyệt chiến lược phát triển năng lượng tái tạo của Việt Nam đến năm 2030, tầm nhìn đến năm 2050 do thủ tướng chính phủ ban hành.” 2009.
  3. . K. Vidyanandan, “An Overview of Factors Affecting the Performance of Solar PV Systems,” Energy Scan, vol. 27, no. February, pp. 2–8, 2017.
  4. . H. Aprillia, H. T. Yang, and C. M. Huang, “Short-term photovoltaic power forecasting using a convolutional neural network-salp swarm algorithm,” Energies, vol. 13, no. 8, 2020, doi: 10.3390/en13081879.
  5. . A. Mellit and A. M. Pavan, “A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy,” Sol. Energy, vol. 84, no. 5, pp. 807–821, 2010, doi: https://doi.org/10.1016/j.solener.2010.02.006.
  6. . P. Li, K. Zhou, X. Lu, and S. Yang, “A hybrid deep learning model for short-term PV power forecasting,” Appl. Energy, 2020, doi: 10.1016/j.apenergy.2019.114216.
  7. . M. Shravanth Vasisht, J. Srinivasan, and S. K. Ramasesha, “Performance of solar photovoltaic installations: Effect of seasonal variations,” Sol. Energy, vol. 131, pp. 39–46, 2016, doi: 10.1016/j.solener.2016.02.013.
  8. . R. Ballal, L. P. Sagar S, and G. Kumar, “Effect of Shading on the Performance of Solar PV Panel,” vol. 5, no. 1A, pp. 1–4, 2015, doi: 10.5923/c.ep.201501.01.
  9. . L. N. M. N. Hoàng Trọng, “Phân tích dữ liệu nghiên cứu với SPSS - Tập 2,” pp. 27–45, 2008.
  10. . L. Hou et al., “Roles of different initial Maillard intermediates and pathways in meat flavor formation for cysteine-xylose-glycine model reaction systems,” Food Chemistry, vol. 232. pp. 135–144, 2017, doi: 10.1016/j.foodchem.2017.03.133.