Разбивка затрат на солнечную ферму: бесплатный шаблон внутри — RatedPower

Извлечение параметров местоположения и солнечной системы из временных рядов измерения мощности

Фотоэлектрические (PV) системы считаются важной опорой в переходе на энергию, поскольку они обычно располагаются рядом с потребителями. Чтобы обеспечить точные модели фотоэлектрических систем, например, для моделирования микросетей или гибридно-физических прогнозных моделей, очень важно знать базовые параметры фотоэлектрической системы, такие как местоположение, ориентация панели и пиковая мощность. В большинстве открытых баз данных по производству фотоэлектрических систем эти параметры отсутствуют или неточны. В этой статье мы представляем структуру, основанную на оптимизации роя частиц и модели PVWatts для оценки параметров фотоэлектрической системы с использованием только измерений подачи энергии и спутниковых данных ERA5. данные реанализа. Наш анализ чувствительности указывает на наиболее важные параметры фотоэлектрической системы, такие как пиковая мощность панели и инвертора, ориентация панели, расположение системы и небольшое, но не пренебрежимо малое влияние температуры окружающей среды и альбедо. Подробная оценка одной примерной фотоэлектрической системы показывает приемлемую точность азимута и наклона панели для использования в моделировании микросетевой фотоэлектрической системы. Извлеченное местоположение в лучшем случае имеет ошибку позиционирования менее 25 км, что более чем удовлетворительно по отношению к базовому разрешению данных набора данных ERA5. Аналогичные результаты наблюдаются для 10 систем в Европе и США.

Введение

В связи с переходом энергосистемы на чистую энергию наблюдается растущее проникновение распределенных возобновляемых источников энергии, в основном фотоэлектрических (PV) систем на крышах. С одной стороны, такое распределенное производство электроэнергии оказывает дополнительное давление на энергосистему, когда речь идет об управлении сетью (лимиты сети, стабильность напряжения или другие вспомогательные услуги), но, с другой стороны, сокращение расстояния между производством и потреблением электроэнергии обеспечивает огромный потенциал для оптимизации регионального потребления.

Тенденция появления энергетических сообществ и микросетей, а также формирование виртуальных электростанций для участия в рынках вспомогательных услуг, таких как первичная частотная характеристика, требует точных моделей производства электроэнергии как для моделирования различных сценариев, так и для улучшения прогнозирования с помощью физико-гибридных моделей. В частности, для моделей фотоэлектрической генерации обычно требуются основные системные параметры, такие как азимут панели, наклон панели, место установки, а также электрические характеристики фотоэлектрической ячейки и инвертора (например, влияние температуры окружающей среды, пределы эффективности и номинальной мощности).

Некоторые из этих параметров фотоэлектрических систем доступны в базах данных электростанций, таких как PVOutput.org, или в национальных регистрационных базах данных. Однако качество данных неоднозначное, потому что эти значения иногда генерируются пользователями и, таким образом, страдают неправильными отчетами. Хагдади и др. показали, что наклон панели для 10 % из 5000 32 образцов с pvoutput.org отсутствует и оказался неправильным в 2017 % случаев (Haghdadi et al., 45). Кроме того, эти базы данных часто имеют неточное разрешение значений (например, интервал 0 ∘ по азимуту панели при определении только направления по компасу) или были идентифицированы как значения по умолчанию (например, углы наклона 1 ∘ или 2018 ∘) (Killinger et al. 2016). ). Тем не менее, генерируемая выходная мощность фотоэлектрической системы обычно измеряется в целях вознаграждения с помощью интеллектуальных счетчиков или контролируется с помощью значений от инверторов. Эти данные можно использовать для автоматического определения или проверки заданных параметров фотоэлектрической системы и получения более точной фотоэлектрической модели для моделирования или прогнозирования микросетей. Как показали Chen et al., обнаружение данных об энергии также может вызвать проблемы с конфиденциальностью. (2017 г.); Чен и Ирвин (XNUMXa).

Чтобы проанализировать осуществимость такого автоматического инструмента оценки параметров фотоэлектрической системы, мы рассмотрим следующий исследовательский вопрос: Каковы наиболее важные параметры всей фотоэлектрической системы и насколько точно эти параметры можно оценить, рассматривая только исторические временные ряды измерений входной мощности и глобально доступные спутниковые данные о погоде?

Чтобы ответить на этот вопрос, мы вносим свой вклад в следующие моменты:

Выполнение глобального анализа чувствительности на основе дисперсии для модели NREL PVWatts Национальной лаборатории возобновляемых источников энергии, чтобы уменьшить размер пространства поиска и извлечь наиболее важные параметры модели, а именно: пиковую мощность, азимут панели и наклон панели, а также местоположение.

Описание и внедрение основанной на Particle Swarm Optimization (PSO) структуры для оценки параметров фотоэлектрической системы на основе модели NREL PVWatts (Dobos 2014) и данных спутникового реанализа климата ERA5 (Hersbach et al. 2020), которые доступны для большинства частей земного шара.

Оценка применимости представленного подхода с помощью подробного численного эксперимента на одной примерной фотоэлектрической системе, демонстрирующей достаточную точность пиковой мощности, местоположения, а также азимута и наклона панели. Тесты повторяются на 10 системах в Европе и США.

В следующем разделе «Связанная работа» представлен обзор соответствующей литературы по оценке параметров PV. В разделе «Методология» определена оптимизационная задача поиска соответствующих параметров фотоэлектрической системы на основе модели PVWatts с использованием данных реанализа ERA5 и различных метрик ошибок. Кроме того, обсуждается PSO как метаэвристический решатель. В разделе «Эксперименты и обсуждение» предложенный метод тестируется на измеренных данных и представлена ​​точность оцениваемых параметров. Наконец, работа завершена, и в разделе «Заключение» представлен прогноз потенциальной будущей работы.

Связанных с работой

В литературе оценка параметров PV проводилась на уровень ячейки/панели и системный уровень. Структурированное резюме соответствующей работы приведено в Таблице 1.

On клеточный уровень, большинство авторов сосредотачиваются на эквивалентных моделях электрических цепей, таких как модель с одним диодом (SDM) (да Коста и др., 2010; Сун и Лоу, 2012; Ма и др., 2013; Силва и др., 2016; Канг и др., 2018; Джадли). и др., 2018 г.), Модель двойного диода (DDM) (Дали и др., 2015 г.) или они сравнивают обе модели (Могол и др., 2017 г.; Олива и др., 2017 г.; Олива и др., 2017 г.; Чен и др., 2019 г.). SDM и более сложный DDM используются для моделирования вольтамперной (ВАХ) выходной характеристики одиночных фотоэлектрических элементов или панелей в зависимости от внешнего воздействия излучения и температуры. Это достигается путем установления эквивалентной электрической схемы ячейки с, по крайней мере, последовательным и шунтирующим сопротивлением, обратным током насыщения диода и коэффициентом идеальности диода (Грей, 2011). Разумные результаты, основанные на кривых ВАХ при стандартных условиях испытаний (STC), извлеченных из таблиц данных или серий измерений в различных условиях окружающей среды, подчеркивают удобство использования различных метаэвристик для решения задачи нелинейной оптимизации для оценки параметров. Большинство авторов используют среднеквадратичную ошибку (RMSE) или среднеквадратичную ошибку (MSE), а также показатели средней абсолютной ошибки (MAE) для оценки пригодности пробного решения. Эквивалентные модели электрических цепей ограничены характеристиками фотоэлемента или панели и требуют точных измерений ВАХ для параметризации. Поскольку, с одной стороны, измерения IV ячейки обычно недоступны в данных интеллектуальных счетчиков, а с другой стороны, моделирование подробных характеристик фотоэлектрических ячеек является лишь частью всей фотоэлектрической системы (отсутствуют местоположение, наклон панели и ориентация), чисто эквивалентные модели электрических схем далее не рассматриваются.

Руэль и др. (2016) предлагают оценивать параметры фотоэлектрической системы (ориентация панели и пиковая мощность) с использованием метода прямого поиска, чтобы минимизировать нормализованную MAE между данными моделирования фотоэлектрической системы и измеренными данными. Чтобы избежать локального минимума, начальная оценка устанавливается по наилучшему набору переменных из 100 исходных выборок. Их имитационная модель основана на SDM как части модели производительности массива Sandia (SAPM) (таким образом, включая расчеты излучения плоскости массива (POA)), которая параметризована предполагаемыми электрическими переменными. Влияние этих переменных дополнительно не анализировалось, и местонахождение системы известно. Повышение производительности достигается за счет фильтрации пасмурных дней и затененных часов.

Сен-Дренан и др. (2015) разработали алгоритм для оценки ориентации панели с использованием фотоэлектрической мощности и измерений метеорологических данных из известного места. Их модель PV имеет три переменные: наклон панели, азимут и коэффициент угловых потерь, с помощью которых рассчитывается эффективная освещенность, а смоделированная выходная мощность извлекается из справочной таблицы (LUT), которая принимает освещенность и температуру воздуха в качестве входных данных. Переменные фотоэлектрической системы с максимальной вероятностью соответствия моделируемой мощности измеренной мощности принимаются в качестве наилучшей оценки.

Мейсон и др. (2020) представляют подход Deep Neural Network (DNN), который извлекает наклон и азимут фотоэлектрической панели из данных измерения чистой нагрузки. Для этого они определили соответствующие функции, которые связаны с наклоном и азимутом фотоэлектрической панели. Их модель обучается на смоделированных данных PV в одном конкретном месте, которые были объединены с профилями нагрузки клиентов. Их подход был оценен в одном известном месте на синтетических данных.

Мэн и др. (2020) предлагают основанный на данных метод параметризации азимута и наклона панели на основе нормализованной формы одного дня безоблачного неба в месяц. Наилучшие наборы подходящих параметров (наименьшее среднеквадратичное отклонение между освещенностью POA и нормализованными измерениями) перекрываются, чтобы вывести окончательную оценку. Они подтвердили свой метод, используя смоделированные и реальные измерения фотоэлектрической мощности. Их метод подгонки кривой требует данных глобального горизонтального излучения (GHI), которые были взяты с ближайших наземных станций измерения или со спутников с повышенной ошибкой оценки. Этот метод не был разработан для определения местоположения фотоэлектрической системы, но работал сопоставимо хорошо при разрешении данных 15, 30 и 60 минут.

Хагдади и др. (2017) представили двухэтапную оценку местоположения и ориентации панели. Во-первых, долгота, которая считается независимой от других переменных, извлекается из положения солнечного полудня. Подобный подход также описан в Williams et al. (2012). Во-вторых, широта, азимут панели и наклон оцениваются с использованием метода наименьших квадратов, чтобы подогнать переменные модели моделирования (с использованием модели NREL PVWatts) к измеренной мощности. Это выполнялось только в дни безоблачного неба, которые определялись колебаниями выходной мощности и подгонкой трехмерной поверхности к выходным данным. Три обширных тематических исследования дали хорошие результаты для наклона панели и азимута (MAE 3 ∘ и 2.75 ∘), однако несоответствие местоположения довольно велико по широте (5.85 ∘ ∼ 4.08 км), которое можно улучшить, используя данные о погоде.

Чен и др. (2016) описывают метод независимого определения широты и долготы. Во-первых, пиковая выработка электроэнергии в день укладывается в уравнение времени, чтобы компенсировать разницу между кажущимся солнечным временем (фактическое движение солнца) и средним солнечным временем (солнечный полдень с разницей в 24 часа). Затем долгота выводится из извлеченного солнечного полудня с использованием бинарного поиска по необратимому алгоритму расчета заката/восхода солнца. Во-вторых, широта — как функция длины дня — определяется путем извлечения средней продолжительности дня в течение года. Для их подхода требуются данные измерения солнечной энергии с высоким разрешением (наименьшая возможная площадь для данных с малым разрешением составляет радиус 28 км), а их прототипная оценка сосредоточена на почти южных системах в Северном полушарии. Тем не менее, влияние наклона и ориентации панели было показано как важный фактор для определения местоположения системы, но это было перенесено на будущую работу.

В дальнейшей работе Chen et al. 2017b итеративно применить многошаговый бинарный поиск, чтобы подогнать размер панели (первый шаг), ориентацию (второй шаг) и наклон (третий шаг) модели генерации при ясном небе к ежедневной максимальной выработке мощности предварительно обработанных почасовых интеллектуальных измерение полезной нагрузки метра. В качестве начальных параметров выбрана оптимальная ориентация панели. Основное внимание в этой работе уделяется дезагрегированию измерений чистой нагрузки на потребление и солнечную генерацию только в известном месте.

Для поиска различных типов данных об энергии (потребление, ветер и солнечная энергия) Chen et al. использовать сигнатуру погоды, основанную на температуре, скорости ветра и облачном покрове с наземных метеорологических станций, расположенных в разных местах (Чен и Ирвин, 2017a). Чтобы уменьшить пространство поиска, используется дневная корреляция для начальной фильтрации (кластеризация k-средних) большой базы данных погоды перед извлечением взвешенной (корреляционной) средней точки местоположений в кластере на основе почасового анализа. Чтобы интерпретировать и сравнить характеристики погоды с данными солнечной генерации, физическая модель с приблизительно оцененными параметрами с использованием комбинированного подхода Chen et al. (2016) и Chen and Irwin (2017b). К сожалению, точность параметров системы (пиковая мощность панели, угол наклона и азимут) не комментируется, а детализация, а также распределение лежащих в основе наземных метеостанций не проясняются. Спутниковые данные могут обеспечить более равномерное покрытие, несмотря на потенциально более низкое пространственное разрешение.

Сравнивая различные подходы в литературе, можно увидеть, что в большинстве родственных работ местоположение фотоэлектрической системы, ориентация панели (азимут и наклон) и размер компонентов фотоэлектрической системы (пиковая мощность панели и инвертора) не рассматриваются одновременно как неизвестные параметры (исключения в Haghdadi et al. и др. (2017); Чен и Ирвин (2017a)) и, таким образом, ограничиваются их конкретным вариантом использования. Для сокращения пространства поиска и избежания локальных оптимумов использовались физически идеальные начальные параметры (Чен и Ирвин, 2017b), лучший из набора начальных выборок (Руэль и др., 2016) и фильтрация с данными более низкого разрешения (Чен и Ирвин, 2017а). . Поскольку все параметры влияют на выработку электроэнергии в совокупности, мы рассматриваем возможность оценки всех параметров сразу. Таким образом, мы предлагаем PSO на основе моделирования, который использует данные повторного анализа ERA5 для улучшения оценки местоположения. Использование PSO мотивируется далее в разделе «Оптимизация роя частиц».

методология

Для предлагаемой системы оценки параметров фотоэлектрической системы сначала подробно описывается фотоэлектрическая модель, которая рассчитывает выходную мощность на основе соответствующих входных переменных. Затем объясняется целевая функция с использованием различных метрик ошибок для сравнения и метод решения.

Фотоэлектрическая модель

В отличие от эквивалентных моделей электрических цепей, модель PVWatts напрямую оценивает выходную мощность фотоэлектрической панели. Для оценки более широко доступную пиковую мощность фотоэлектрической панели можно сравнить с расчетным параметром из модели постоянного тока PVWatts; Кривые ВАХ, измеренные в различных условиях окружающей среды, не требуются. Модель PVWatts по-прежнему охватывает основные физические отношения входа и выхода, полагаясь на значимые параметры, тогда как другие модели, такие как SAPM, в основном основаны на эмпирических измерениях (King et al. 2004). Таким образом, мы рассматриваем цепочку модели фотоэлектрической системы, которая в основном основана на модели PVWatts и подробно описана ниже.

Модель в этой работе ограничена широко используемыми односторонними фотоэлектрическими панелями, также исключаются трекеры оси фотоэлектрических панелей. Основное внимание уделяется односторонней ориентации фотоэлектрических панелей, однако комбинации панелей восток-запад также работают, как показано ниже.

Модель инвертора

Модель PVWatts включает несколько подмоделей. Одной из них является модель инвертора, которая объединяет эффективность инвертора. η определяя преобразование из постоянного тока P_dc к сети переменного тока P_ac и ограничение номинальной мощности инвертора P_ac, как показано в (1).

Разбивка затрат на солнечную ферму: Бесплатный шаблон внутри

Как правильно понять и эффективно распределить и снизить затраты на проект солнечной электростанции.

4 мая, 21 / ОБНОВЛЕНО 27 сен, 21

Мы уже обсудили все ключевые тенденции, такие как двусторонние модули, плавающие солнечные батареи и проблему утилизации фотоэлектрических элементов. Однако задумывались ли вы когда-нибудь, какова средняя стоимость солнечной фермы в вашей стране? И по всему миру? Какие расходы представляют собой более высокий процент в ваших счетах и, что более важно, как мы можем уменьшить эти расходы.

Что ж, давайте приступим к изучению впечатляющего исследования, проведенного IRENA по стоимости производства возобновляемой энергии. По данным IRENA, средние по стране общие установленные затраты на солнечные фотоэлектрические системы коммунального масштаба в изучаемых странах варьировались от 618 долларов США/кВт в Индии до 2,117 долларов США/кВт в Российской Федерации в 2019 году. Сравнивая их, самая высокая средняя стоимость солнечной фермы была примерно в 3.5 раза выше, чем самая низкая, несмотря на сближение установленных затрат на основных рынках в последние годы. Средняя общая установленная стоимость составила 1191.5 долл. США/кВт.

Избавьтесь от хлопот, связанных с корректировкой затрат на фотоэлектрическую установку. Бесплатно взломайте этот шаблон инвентаризационной ведомости. +1,000 инженеров-солнечников экономят с ним время. Скачать сейчас

Виды затрат на солнечную электростанцию

Баланс системных затрат (BoS) можно разбить на три широкие категории: немодульное и инверторное оборудование, затраты на установку и программные затраты. Эти три категории можно разбить на более подробные подкатегории.

Стоимость немодульного оборудования

Прокладка кабеля

• Все компоненты постоянного тока (DC), такие как кабели постоянного тока, разъемы и блоки объединения постоянного тока
• Все низковольтные компоненты переменного тока, такие как кабели, разъемы и блоки коммутации переменного тока

Стеллаж и монтаж

• Полная система крепления, включая трамбовочные профили, фундаменты и все материалы для сборки
• Все материалы, необходимые для монтажа инвертора и всех типов комбайнов

Безопасность и охрана

• Заборы
• Камера и система безопасности
• Все стационарно установленное оборудование для защиты от кражи и/или пожара

Подключение к сети

• Все кабели и разъемы среднего напряжения
• Переключение ушей и плат управления
• Трансформаторы и/или трансформаторные подстанции и корпуса
• Измеритель (ы)

Мониторинг и контроль

• Система наблюдения
• Метеорологическая система (например, датчик облучения и температуры)
• Диспетчерское управление и система данных

Затраты на установку

Механический монтаж (строительство)

• Подъездные и внутренние дороги
• Подготовка к прокладке кабеля (например, кабельная траншея, система кабельных каналов)
• Установка монтажной/стеллажной системы
• Установка солнечных модулей и инверторов
• Монтаж компонентов подключения к сети
• Загрузка и транспортировка компонентов/оборудования

Электрическая инсталяция

• Установка постоянного тока (соединение модулей и прокладка кабелей постоянного тока)
• Установка переменного тока среднего напряжения
• Монтаж системы мониторинга и контроля
• Электрические испытания (например, измерение цепи постоянного тока)

Инспекция (строительный надзор)

• Надзор за строительством
• Проверки здоровья и безопасности

Эксплуатация и техническое обслуживание (расходы на эксплуатацию)

Затраты на эксплуатацию и техническое обслуживание, обычно называемые затратами на эксплуатацию и техническое обслуживание, включают все категории расходов с момента начала эксплуатации фотоэлектрической установки. Примерами их являются очистка фотоэлектрических модулей, мониторинг или проверка на месте.

Насколько сложно получить низкий уровень LCOE от солнечной энергии и высокий уровень рентабельности инвестиций. Этот шаблон ведомости объемов работ экономит массу времени более чем 1,000 инженеров-солнечников по всему миру. Загрузите его сейчас.

Мягкие расходы

Поощрительное приложение

• Все расходы, связанные с соблюдением требований, чтобы воспользоваться преимуществами политик поддержки

Разрешение

• Все расходы на получение разрешений, необходимых для разработки, строительства и эксплуатации
• Все расходы, связанные с соблюдением экологических норм

Проектирование системы

• Затраты на экологические изыскания или структурный анализ
• Расходы на геодезистов
• Стоимость концептуального и детального проектирования
• Расходы на подготовку документации

Привлечение клиентов

• Стоимость прав на проект, если таковые имеются
• Любой тип резерва, выплачиваемый для заключения проектных и / или договоров о закупке

Расходы на финансирование

• Все финансовые затраты, необходимые для разработки и строительства фотоэлектрической системы, например, затраты на финансирование строительства

Маржинальная

• Маржа для EPC-компании и/или для разработчика проекта по реконструкции и строительству фотоэлектрической системы включает прибыль, заработную плату, финансы, обслуживание клиентов, юридические, человеческие ресурсы, аренду, канцелярские товары, приобретенные корпоративные профессиональные услуги и транспортные расходы.

Мы знаем, что стоимость электроэнергии, вырабатываемой новыми фотоэлектрическими солнечными электростанциями, с 82 года снизилась на 2010%. Приведенная стоимость энергии, вырабатываемой крупными солнечными электростанциями, составляет около 0.068 долл. США/кВтч по сравнению с 0.378 долл. США десять лет назад. Однако интересно отметить, что это снижение затрат было обусловлено аппаратными компонентами, при этом на модули и инверторы приходилось 62% общемирового снижения средневзвешенной общей установленной стоимости в период с 2010 по 2019 год.

Таким образом, затраты на баланс системных затрат являются важным фактором снижения общемировых средневзвешенных общих затрат на установку, при этом 13 % глобального сокращения приходится на более низкие затраты на установку, 7 % — на установку в стеллажи, 3 % — на другое оборудование BoS (например, кабели, распределительные коробки и т. д.) и 15% из ряда более мелких категорий.

При более внимательном изучении данных, полученных от IRENA, можно выделить следующие показатели:

• Хотя модули в среднем составляют 30% от общей стоимости установки (357.9 долл. США/кВт), в некоторых странах эти цены могут сильно отличаться. В Южной Африке, например, в среднем эти затраты могут достигать 557 долларов США/кВт, что составляет 42.2% от общих затрат станции.
• С другой стороны, затраты на установку также могут существенно отклоняться от среднего значения в зависимости от страны. В Японии самые высокие затраты на установку механического оборудования (456.2 долл. США/кВт и 22% затрат), что более чем вдвое превышает средние мировые затраты ((119 долл. США/кВт, 10% затрат станции). С другой стороны, в Индонезии затраты на механическую и электрическую установку в сумме составляют всего (41.5 долл. США/кВт и 3.6% от общих затрат станции) по сравнению со средним мировым показателем в 4 раза (187.7 долл. США/кВт, 15.8% затрат). низкие трудозатраты.
• И последнее, но не менее важное: также интересно сравнить маржинальные издержки между странами, которые могут варьироваться от (260.9 долл. США/кВт) в случае Мексики до всего лишь (25.6 долл. США/кВт) в Индонезии, что является средним мировым показателем (долл. США/кВт). 132.9/кВт).

Распределяйте расходы эффективно: реальный кейс

pvDesign Проект Атакама

Загрузите наш BoQ для прямых затрат на этот проект (путем их данных), чтобы понять в реальном сценарии, как различное количество оборудования и единичные цены влияют на LCOE вашего завода. Загрузите его сейчас.

Не стесняйтесь использовать нашу электронную таблицу в качестве шаблона и экспериментировать с различными элементами, из которых состоит солнечная ферма: модулями, инверторами, электростанциями, траншеями, люками, дорогами, различными типами кабелей и даже разными вещами, такими как камеры наблюдения.

Использование данных, планирование и использование технологий являются ключом к снижению затрат

Солнечная энергия была возобновляемой энергией с наибольшим снижением затрат за последнее десятилетие. Причины этого можно свести к следующим: конкурентное давление, больший опыт установщиков, распространение лучших практик установки и дополнительных затрат, повышение эффективности модулей и цифровизация.

Тем не менее, хотя эти причины до сих пор объясняют снижение затрат, если кривая хочет сохранить свою траекторию снижения, инвестиции в цифровизацию и технологии искусственного интеллекта являются обязательными.

Понятно, что затраты могут сильно различаться в зависимости от вашего местоположения и условий завода. Тем не менее, мы всегда должны уделять первоочередное внимание предоставлению наиболее точного предварительного проекта на основе известных исторических данных, чтобы правильно спланировать проект заранее и избежать непредвиденных затрат.

Как мы можем сделать это?

Знаете ли вы, что недавнее исследование Inderwildi et al. (2020), оценивает, что цифровизация может увеличить сокращение выбросов углерода на 20%?

Позвольте нам представить программное обеспечение RatedPower, pvDesign, которое позволит вам выполнять различные симуляции для тщательного анализа осуществимости различных проектов, мест и оборудования, при этом оптимизируя макет ваших солнечных фотоэлектрических проектов, а затем получая + 300 страниц документации для планирования и финансов. анализ. Посмотрите наше вступительное видео для получения дополнительной информации и не стесняйтесь обращаться к нам!

Что ты должен делать сейчас

Когда вы будете готовы, вот 4 способа, которыми мы можем помочь вам развить ваш бизнес в области солнечной энергетики и снизить LCOE ваших фотоэлектрических установок.