文章快速检索     高级检索
  山东大学学报(工学版)  2017, Vol. 47 Issue (6): 83-88  DOI: 10.6040/j.issn.1672-3961.0.2016.480
0

引用本文 

谢国辉, 樊昊. 太阳能光热发电技术成熟度预测模型[J]. 山东大学学报(工学版), 2017, 47(6): 83-88. DOI: 10.6040/j.issn.1672-3961.0.2016.480.
XIE Guohui, FAN Hao. Prediction model of concentrating solar power technology maturity[J]. Journal of Shandong University (Engineering Science), 2017, 47(6): 83-88. DOI: 10.6040/j.issn.1672-3961.0.2016.480.

基金项目

国家电网公司全球能源互联网科技资助项目(SGTYHT/14-JS-188)

作者简介

谢国辉(1981-), 男, 福建龙岩人,高级工程师, 博士, 主要研究方向为新能源并网运行分析, 新能源技术趋势分析, 电力系统运行分析等. E-mail:xieguohui@sgeri.sgcc.com.cn

文章历史

收稿日期:2016-12-21
网络出版时间:2017-06-26 14:10:58
太阳能光热发电技术成熟度预测模型
谢国辉, 樊昊     
国网能源研究院, 北京 102209
摘要:研判光热发电(concentrating solar power, CSP)技术发展进程, 可为全球能源互联网规划和建设提供重要参考依据。建立基于S型曲线的光热发电技术成熟度(global energy interconnection, GEI)预测模型, 通过整理分析光热发电技术专利信息, 对模型参数进行回归分析, 进而预测未来典型年份光热发电的技术成熟度, 并分析政策驱动和资金投入对光热发电技术发展进程的影响。研究表明, 当前光热发电技术成熟度较低, 仍处于技术发展期的初级阶段, 预计在2032年左右, 全球光热发电技术高度成熟, 将进入大规模商业化应用阶段, 在北非、南美洲东西海岸、我国西部等地区推进大型光热电站建设, 支撑全球能源互联网构建。
关键词CSP    GEI    全球能源互联网    预测模型    
Prediction model of concentrating solar power technology maturity
XIE Guohui, FAN Hao     
State Grid Energy Research Inistitute, Bejing 102209, China
Abstract: Judging concentrating solar power (CSP) technology trend could provide critical reference for global energy interconnection(GEI)planning and construction. The technology maturity prediction model of CSP based on S-shaped growth curve was established, and the CSP patent information was collected and the model parameters regression analysis was made in order to predict the technical maturity of CSP in the future. The impact on CSP technology trend from policy driven and capital investment was studied. The results showed that the current maturity of CSP was much lower, which was still in the early technology development stages. CSP technology maturity would reach a high degree by 2032, entering extensive commercial application stage. Large-scale CSP stations which were built in North Africa, South East and West coast of the Latin America, western China and other regions, would play an important role in supporting the construction of GEI.
Key words: CSP    GEI    technology maturity    prediction model    
0 引言

光热发电是重夷战略性新兴产业, 已经成为全球新能源发展的新兴力量[1]。与光伏发电相比, 光热发电具有单机容量大、出力平稳可控、能够提供电网调峰调频服务、能量转换效率高等优势, 是未来支撑全球能源互联网构建的重要源端电源[2]。近年来, 光热发电得到我国政府企业的高度重视, 相关部委已出台制定支持光热发电发展的系列政策措施。截至2015年底, 全球光热发电装机容量4.96 GW[3], 与光伏发电装机容量234 GW相比, 光热发电仍处于商业化应用的初期。

大部分研究集中在光热发电技术预测方法, 部分研究分析了光热发电技术专利现状。文献[4]系统总结并提出了短期和长期技术预测方法, 短期预测方法主要包括德尔菲法调查法、情景分析方法等; 长期预测方法包括联想预测、基于技术现状外推法和系统动力学法; 文献[5]借鉴技术生命周期理论, 建立基于专利分析的技术增长Logistic模型; 文献[6-7]在探索预测法的基础上, 深入研究了多维技术成熟度预测的方法和模型; 文献[8-10]提出采用支持向量机方法, 基于人工神经网络模型预测技术成熟度; 文献[11-12]首次提出基于专利信息的技术预测方法, 分析了专利信息对技术预测的科学性和有效性, 构建了一整套基于专利地图的技术预测体系。文献[13-14]提出技术预测的粗糙集理论和方法, 用于预测灾害性风险; 文献[15-16]根据光热发电技术专利数据, 分析国际上太阳能光热发电技术竞争态势, 包括专利申请年度分布、研发力量、技术优势等。

本研究在上述文献研究基础上, 采用基于专利信息分析的技术成熟度预测方法, 构建光热发电技术成熟度预测模型。检索全球专利数据库, 梳理分析光热发电技术专利数据, 研判光热发电的技术成熟度。进一步结合光热发电成本变化趋势, 分析光热发电技术的应用前景及其对全球能源互联网构建的支撑作用。

1 技术成熟度预测模型 1.1 技术生命周期理论

技术成熟度是指技术相对某个具体系统或项目所处的发展状态, 反映了技术对于项目预期目标的满足程度。技术成熟度等级是对技术成熟程度进行度量和评测的一种标准, 可用于特定技术的成熟度, 以及判断不同技术对同一项目目标的满足程度。

一项技术的出现和发展过程, 有其规则轨迹可依循, 其出现的状况如同人类的生命周期现象, 都会经历萌芽期、成长期、成熟期、衰退期, 在其生命的初期, 生长较为缓慢, 但经过某一定时间会有一段快速成长的时期, 接着进入成长迟缓期而达到某一极限为止, 故称为技术成长曲线或技术生命周期曲线[5]。因此, 一项技术发展一般要经历萌芽期、成长期、成熟期和衰退期四个阶段, 这些阶段组成了技术生命周期, 总体上呈现出S型曲线增长趋势, 如图 1所示。某一技术在该进化过程中所处的阶段就是该技术的技术成熟度。

图 1 技术成熟度的S型曲线 Figure 1 S-shaped curve of technology maturity
1.2 基于S型曲线技术成熟度模型

S型曲线可用Logistic模型刻画[5], 其数学模型如下:

$ y=\frac{{{y}_{\max }}}{\left( 1+{{\rm{e}}^{-b\left. \left( t-\tau \right) \right)}} \right)}, $ (1)

式中:y表示某项技术的成熟度; ymax为技术成熟度的理论上限值; t为时间; bτS型曲线参数。ymaxbτ参数确定根据历史数据统计进行回归分析。

根据文献[6]研究结论, S型曲线对应三个重夷拐点:

拐点1 当$t=\frac{b\tau-\ln \left( 2+\sqrt{2} \right)}{b}$时, 技术步入加速发展阶段, 即技术从萌芽期开始进入技术发展期阶段。该阶段的技术成熟度为$y=\frac{1}{3+\sqrt{3}}{{y}_{\max }}$, 该阶段可认为是技术萌芽期与技术成长期的分界点。

拐点2 当t=τ时, 技术发展速度达到最快, 该阶段的技术成熟度刚好等于技术成熟度理论上限值的一半, 即${{y}_{\tau }}=\frac{1}{2}{{y}_{\max }}$。该阶段是技术成长期与技术成熟期的分界点。

拐点3 当$t=\frac{b\tau-\ln \left( 2-\sqrt{3} \right)}{b}$时, 技术发展进入饱和或衰退阶段, 即技术从成长期开始进入技术成熟期阶段。该阶段技术成熟度为$y=\frac{1}{3-\sqrt{3}}{{y}_{\max }}$, 该阶段是技术成熟期与技术衰退期的分界点。

1.3 整体技术的成熟度预测模型

对于一个技术整体来看, 通常更希望利用某个单一综合指标来反映其技术成熟度, 即将该技术研究领域的各项子技术的成熟度综合为整个技术的成熟度。如果某一技术的每个关键技术都遵循S型曲线, 那么该技术整体上也遵循S型曲线。

对于一项整体技术yc, 取其技术成熟度的上限值ymax=1进行归一化, 则其S型曲线模型如下:

$ {{y}_{c}}=\frac{1}{\left( 1+{{e}^{-{{b}_{c}}\left( t-{{\tau }_{c}} \right)}} \right)}。$ (2)

该项技术可以分解多个子关键技术, 每项关键技术yi的S型曲线模型可以表示为:

$ {{y}_{i}}=\frac{1}{\left( 1+{{e}^{-{{b}_{i}}\left( t-{{\tau }_{i}} \right)}} \right)}。$ (3)

设定每项关键技术的权重为wi, 根据文献[6]研究结论, 可以证明整体技术与每项关键技术预测模型参数的数学关系:

$ {{b}_{c}}=\frac{\sum\limits_{i}^{N}{{{w}_{i}}}}{\sum\limits_{i}^{N}{\left( 1/{{b}_{i}} \right)}}, $ (4)
$ {{\tau }_{c}}=\frac{\sum\limits_{i}^{N}{{{w}_{i}}\times {{\tau }_{i}}}}{\sum\limits_{i}^{N}{{{w}_{i}}}}, $ (5)

式中:i为子关键技术; N为整体技术包括的子关键技术数量; biτi分别为第i项子关键技术S型曲线参数; wi为子关键技术i的权重。

2 光热发电技术成熟度研究

本研究应用S型曲线模型, 研究测算未来不同阶段光热发电技术的成熟度。

2.1 模型计算流程

第一步:辨识影响光热发电发展的关键技术。根据光热发电技术专利信息的分布热点, 提炼影响光热发电发展的关键技术。

第二步:利用全球专利数据库, 整理截至2015年底光热发电关键技术逐年累计申请的专利信息。然后利用式(1)进行回归计算, 确定每个关键技术S型曲线的ymaxbτ三个参数, 进而根据式(4、5)得到光热发电整体技术成熟预测模型。

第三步:根据光热发电技术的成熟度预测模型, 绘制光热发电技术成熟度的S型曲线, 计算光热发电技术发展三个重要拐点。

第四步:给定具体时间节点, 根据S型曲线获得光热发电在该时间节点的技术成熟度值。并根据三个拐点值, 评估在该时间节点下光热发电技术技术成熟度。

2.2 光热发电技术成熟度预测

利用德温特专利数据库, 检索全球光热发电技术的专利信息。

2.2.1 光热发电技术专利现状分析

截至2015年底, 共检索到光热发电已授权相关专利文献4 174条。从光热发电逐年申请专利数量的时间分布来看(图 2), 在1980年左右, 全球光热发电专利申请数量经历了一个发展高峰, 之后技术专利发展步入低谷期, 直到2007年之后, 光热发电专利申请规模逐步增长。

图 2 光热发电技术逐年专利申请量 Figure 2 Annual patent applications of CSP technology

从光热发电技术的专利分布热点来看(图 3), 光热发电技术研究主要集中在定日镜、发电机、集热器、储热设备等方面。因此, 将定日镜、发电机、集热器和储热确定为光热发电四个关键技术。

图 3 截至2015年底光热发电关键技术累计专利申请量 Figure 3 Accumulative patent applications of CSP key technology by the end of 2015
2.2.2 光热发电技术成熟度预测

根据式(2), 计算光热发电技术S曲线三个拐点的技术成熟度值分别为0.21、0.50、0.79。

(1) 四项关键技术成熟度

整理定日镜、发电机、集热器、储热技术从1985-2015年底逐年累计专利申请量, 作为各项技术成熟度模型回归分析的原始数据, 如表 1所示。

表 1 四项光热发电关键技术逐年累计专利申请量 Table 1 Annual accumulative patent applications ofCSP four key technologies

通过回归分析估计光热发电四个关键技术S型曲线的参数, 进而分析当前四个关键技术成熟度, 计算结果如表 2所示。根据拐点值判断, 定日镜和集热器处于技术萌芽期的中后期; 储热技术和发电机技术相对成熟, 目前处于技术发展期的初期。

表 2 四项光热发电关键技术S型曲线参数 Table 2 S-shaped curve parameters of CSP fourkey technologies

(2) 光热发电整体技术成熟度

考虑到定日镜、发电机、集热器、储热设备四项关键技术对推动光热发电技术发展的重要性相当, 因此本研究设定四项关键技术的权重均为1。根据式(4、5), 计算光热发电技术S型曲线模型:

$ {{b}_{c}}\rm{=4/(1/0}\rm{.122+1/0}\rm{.126+1/0}\rm{.151+1/0}\rm{.117)=0}\rm{.128, } $
$ \begin{align} & {{\tau }_{c}}=\frac{\left( 42+43+34+37 \right)}{4}=39, \\ & \ \ \ \ {{y}_{c}}=\frac{1}{1+{{\rm{e}}^{-0.128\times \left( {{t}_{c}}-39 \right)}}}。\\ \end{align} $ (6)

(6) 根据式(6), 绘制光热发电技术的S型曲线, 如图 4所示。

图 4 光热发电技术成熟度预测曲线 Figure 4 Predicted S-shaped curve of CSP technology maturity

2015年底全球光热发电技术发展成熟度指标值为0.29, 处于技术发展期的初级阶段。虽然目前光热发电尚处于成长期阶段, 但是技术发展速度相对较快。根据光热发电技术S型(式(6)), 计算得出从2016年始, 经过7 a左右时间至2023年, 光热发电技术刚好进入技术成熟期, 各类光热发电技术将加快进入商业化应用阶段; 预计2032年光热发电技术已经相当成熟, 光热发电技术将由成熟期步入应用期, 技术指标基本成熟, 开发建设成本显著下降, 具备大规模开发应用的竞争力。

2.2.3 影响光热发电技术发展进程的其它因素

光热发电技术发展进程除了受其技术成熟度的影响外, 还受到光热发电的政策导向、资金投入等因素的影响。从政策导向来看, 近中期阶段全球新能源政策以大力推动风电和光伏发电规模化发展为重点, 光热发电政策相对较少; 我国虽然出台了光热发电标杆上网电价和第一批光热发电示范项目, 但支持力度远不够, 预计2023年前光热发电政策驱动力度不大。从资金投入来看, 目前光热发电整体造价昂贵、投资大、门槛高, 有实力投资建设光热发电的企业相对较少, 预计光热发电进入大规模资金投入和建设阶段, 需胰到光热发电技术进步带动电站造价成本下降后。因此, 在2023年光热发电进入技术成熟期之前, 通过有力政策驱动和大量资金投入推动光热发电大规模发展的可能性较小。

3 光热发电支撑全球能源互联网构建的应用前景

突破多种新型能源发电技术, 满足全球大型新能源基地的大规模开发和利用, 是构建全球能源互联网需要重点解决的技术问题[17]。光热发电是全球能源互联网重夷源端电源, 未来可能在北非地区、南美洲东西海岸、澳大利亚、我国西部地区建设大型光热电站, 进一步推动全球新能源基地的规模化开发[18]

未来随着技术成熟和成本进一步下降, 光热发电将具有较好的技术经济特性, 商业化应用前景广阔, 有望成为全球重点发展的战略性新兴产业。从技术趋势看, 塔式光热发电技术具有聚光比高、系统容量大、效率高等优点, 未来塔式光热发电有望成为大容量光热发电的主流技术, 预计2030年整体发电效率将超过30%, 达到应用成熟的晶硅电池效率(30%), 推动全球光热发电规模化发展。从成本趋势看, 预计到2030年, 配置储热系统的光热发电度电成本下降50%左右, 达到0.11~0.16$/kW·h, 接近光伏发电(0.08~0.12$/(kW·h)), 将具备较强的市场竞争力。

根据国际能源署相关预测[19], 在技术突破和成本下降共同推动下, 到2030年, 全球光热发电装机规模将达到260 GW, 比2020年增长接近8倍, 占全部太阳能发电装机容量的比例达到15%左右, 能够提供全球约3%的电力供应。美国将继续引领全球光热市场发展, 光热发电装机约占全球的三分之一; 中东、印度、非洲和中国光热发电将快速发展, 合计占全球的一半左右。2050年全球光热发电装机规模将达到1 000 GW, 主要分布在美国、中东、北非、印度和中国, 我国光热发电装机容量有望达到180 GW, 占全球光热装机比例为18%。

4 结语

本研究借鉴技术生命周期理论, 尝试建立了基于专利信息的光热发电技术成熟度预测的S型曲线模型, 为开展光热发电技术趋势量化研究提供可行的方法和工具。根据模型预测结论, 预计在2032年左右, 全球光热发电技术达到高度成熟, 进入大规模商业化应用阶段, 具有广阔的应用前景, 将在推进全球能源互联网由跨国向跨洲更大范围的互联建设中提供重夷送端电源。由于光热发电技术进程不仅受技术成熟度影响, 还与政策驱动、资金投入等因素密切相关, 下一步将定量化研究政策等其他因素对光热发电技术进程的影响。

参考文献
[1] 刘振亚. 全球能源互联网[M]. 北京: 中国电力出版社, 2015.
[2] 杜尔顺, 张宁, 康重庆, 等. 太阳能光热发电并网运行及优化规划研究综述与展望[J]. 中国电机工程学报, 2016, 36(21): 5765-5775
DU Ershun, ZHANG Ning, KANG Chongqing, et al. Reviews and prospects of the operation and planning optimization for grid intergrated concentrating solar power[J]. Proceedings of the CSEE, 2016, 36(21): 5765-5775
[3] REN21. Renewables 2016 global status report[R]. Paris: REN21 Secretariat, 2016.
[4] 陈德棉, 潘皖印, 毛家杰. 科学预测和技术预测的方法研究[J]. 科学学研究, 1997, 15(4): 56-62
CHEN Demian, PAN Wanyin, MAO Jiajie. Research on scientific prediction and technology forcasting appoaches[J]. Studies in Science of Science, 1997, 15(4): 56-62
[5] 赵莉晓. 基于专利分析的RFID技术预测和专利战略研究--从技术生命周期角度[J]. 科学学与科学技术管理, 2012, 33(11): 24-30
ZHAO Lixiao. Technology foresight of radio frequency identificatcion and patent strategy based on patent analysis:based on technology life cycle[J]. Science of Science and Management of S. & T., 2012, 33(11): 24-30
[6] 杨良选. 技术成熟度多维评估模型研究[D]. 长沙: 国防科学技术大学, 2011.
YANG Liangxuan. Research on technology maturity multi-dimentional assessment model. Changsha: National University of Defense Technology, 2011. http://cdmd.cnki.com.cn/Article/CDMD-90002-1012020711.htm
[7] 程旋. 技术预测模型分析研究[D]. 北京: 华北电力大学, 2010.
CHENG Xuan. Study on the technology forecasting models[J]. Beijing: North China Electric Power University, 2010. http://cdmd.cnki.com.cn/article/cdmd-11412-2009100915.htm
[8] 王丽芳, 蒋国瑞, 黄梯云. 基于支持向量机的技术成熟度预测[J]. 科技管理研究, 2009, 29(5): 296-298
WANG Lifang, JIANG Guorui, HUANG Tiyun. Forecasting technology maturity based on suppt vector machine[J]. Science and Technology Management Research, 2009, 29(5): 296-298
[9] 施珺, 朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11
SHI Jun, ZHU Min. An optimization model for forecasting based on grey system and support vector machine[J]. Journal of Shandong University(Engineering Science), 2012, 42(5): 7-11
[10] 郭志波, 董健, 庞成. 多技术融合的Mean-Shift目标跟踪算法[J]. 山东大学学报(工学版), 2015, 45(2): 10-16
GUO Zhibo, DONG Jian, PANG Cheng. A Mean-Shift target tracking algorithm fused multi technology[J]. Journal of Shandong University (Engineering Science), 2015, 45(2): 10-16 DOI:10.6040/j.issn.1672-3961.2.2014.069
[11] 王兴旺, 汤琰洁. 基于专利地图的技术预测体系构建及其实证研究[J]. 情报理论与实践, 2013, 36(3): 51-55
WANG Xingwang, TANG Yanjie. Research on technology forecasting system and case study based on patent map[J]. Information Studies: Theory & Application, 2013, 36(3): 51-55
[12] 王兴旺. 基于专利地图的技术分析预测方法研究[J]. 情报科学, 2013, 53(12): 88-94
WANG Xingwang. Research on the method of technology analyzing and forecasting based on patent map[J]. Information Science, 2013, 53(12): 88-94
[13] 李慧, 胡云, 李存华. 基于粗糙集理论的瓦斯灾害信息特征提取技术[J]. 山东大学学报(工学版), 2012, 42(5): 91-95
LI Hui, HU Yun, LI Cunhua. The technique of gas disaster information feature extraction based on rough set theory[J]. Journal of Shandong University(Engineering Science), 2012, 42(5): 91-95
[14] 解东升, 石少帅, 陈士林, 等. 高风险岩溶隧道突水突泥灾害前兆规律与应用研究[J]. 山东大学学报(工学版), 2012, 42(1): 81-86
XIE Dongsheng, SHI Shaoshuai, CHEN Shilin, et al. The precursor law of inrush of clay and water in a high-risk karst tunnel and its application[J]. Journal of Shandong University(Engineering Science), 2012, 42(1): 81-86
[15] 侯元元, 夏勇其, 黄裕荣, 等. 基于专利信息的太阳能光热发电技术竞争态势分析[J]. 情报探索, 2014, 8(6): 54-58
HOU Yuanyuan, XIA Yongqi, HUANG Yurong, et al. Patent information-based analysis on competitive situation of concentrating solar power technology[J]. Information Research, 2014, 8(6): 54-58
[16] 高子涵, 侯元元, 潘锐焕. 我国太阳能光热发电技术专利分析[J]. 中国科技信息, 2014, 11(2): 35-38
GAO Zihan, HOU Yuanyuan, PAN Ruihuan. Research on patent information of concentrating solar power technology in China[J]. China Science and Technology Information, 2014, 11(2): 35-38
[17] 谢国辉, 李琼慧. 全球能源互联网技术创新重点领域及关键技术[J]. 中国电力, 2016, 49(3): 18-23
XIE Guohui, LI Qionghui. Important fields and key techonology of innovation for global energy interconnection[J]. Electic Power, 2016, 49(3): 18-23 DOI:10.11930/j.issn.1004-9649.2016.03.018.06
[18] 张恒旭, 施啸寒, 刘玉田, 等. 我国西北地区可再生能源基地对全球能源互联网构建的支撑作用[J]. 山东大学学报(工学版), 2016, 46(4): 96-101
ZHANG Hengxu, SHI Xiaohan, LIU Yutian, et al. Support of the renewable energy base in northwest of China on the construction of global energy interconnection[J]. Journal of Shandong University(Engineering Science), 2016, 46(4): 96-101 DOI:10.6040/j.issn.1672-3961.0.2016.236
[19] International Energy Agency. Technology roadmap solar thermal electricity[R]. Paris: IEA Publications, 2014. https://www.mendeley.com/research-papers/technology-roadmap-solar-thermal-electricity/