DOI: https://doi.org/10.1038/s41598-026-38053-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41639271
تاريخ النشر: 2026-02-04
المؤلف: Stefan Wieland وآخرون
الموضوع الرئيسي: الاستثمار الرأسمالي وتحليل المخاطر
نظرة عامة
تقدم البحث نهجًا جديدًا، يُطلق عليه اسم طريقة ACME، لتتبع انتشار عدم اليقين في التحليلات المالية لأنظمة الطاقة الشمسية الكهروضوئية (PV)، مع التركيز بشكل خاص على القيمة الحالية الصافية (NPV) وتكلفة الطاقة الموحدة (LCOE). على عكس الطرق التقليدية التي تعتمد على تقديرات خشنة أو محاكاة مونت كارلو الواسعة، تعمل طريقة ACME على مستوى توزيعات الاحتمالات وتفترض متغيرات إدخال مستقلة. تستخدم هذه الطريقة اختصارات تحليلية من خلال التبديل بين تمثيلات مختلفة لتوزيعات الاحتمالات، مما يؤدي إلى إطار عمل فعال عدديًا يمكن أن يوفر رؤى كبيرة حول تأثير عدم اليقين في المدخلات على المقاييس المالية.
تشير النتائج إلى أن عدم اليقين في المدخلات يمكن أن يؤثر بشكل كبير على نتائج التحليلات المالية، حيث توفر طريقة ACME فهمًا أكثر دقة مقارنة بالتقديرات القياسية. تكشف الدراسة أنه بينما يؤدي زيادة عدم اليقين في المدخلات عمومًا إلى زيادة عدم اليقين في المخرجات، فإن العلاقة معقدة؛ على سبيل المثال، قد تظل توقعات NPV غير متأثرة أو حتى تنخفض مع زيادة عدم اليقين في المدخلات، بينما تظهر توقعات LCOE استجابة غير خطية. بالإضافة إلى ذلك، تُظهر التحليلات أن دقة التوقعات تختلف مع عمر المشروع، وأن المدخلات غير الغاوسية يمكن أن تؤدي إلى مخرجات غير غاوسية، مما يتحدى الافتراضات التقليدية. تتماشى طريقة ACME جيدًا مع التقديرات القياسية تحت ظروف معينة ولكنها تنحرف في السيناريوهات التي تتضمن عدم يقين غير خطي كبير، مما يشير إلى الحاجة إلى مزيد من البحث في متغيرات الإدخال المرتبطة وتطبيقات أوسع في نمذجة أداء الطاقة الشمسية الكهروضوئية.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتقييم ربحية محطات الطاقة الشمسية الكهروضوئية (PV)، مع التأكيد على التفاعل بين العوامل المؤثرة المختلفة. يتأثر العائد الكهربائي لمحطة الطاقة الشمسية الكهروضوئية بشكل أساسي بالظروف الجوية المحلية، بما في ذلك الإشعاع، ودرجات الحرارة المحيطة، والرياح، بالإضافة إلى المواصفات الفنية مثل تكوين الوحدات ونسب الأداء، فضلاً عن تدهور مكونات المحطة. تلعب الاعتبارات الاقتصادية أيضًا دورًا حاسمًا، لا سيما سعر بيع الكهرباء، وتكاليف التشغيل والصيانة (O&M)، وتكاليف الاستثمار الأولية.
لإجراء تحليل مقارن لطريقة ACME مقابل التقدير القياسي، تركز الدراسة على المقاييس المالية الرئيسية: القيمة الحالية الصافية (NPV) وتكلفة الطاقة الموحدة (LCOE). تأخذ التحليلات في الاعتبار عدم اليقين في فئتين من متغيرات الإدخال، وهو ما يعد ذا صلة خاصة من منظور المستثمر، نظرًا للطبيعة المؤكدة نسبيًا للمدخلات الخاصة بالمشروع مقارنةً بعدم اليقين المرتبط بالعوامل البيئية.
نتائج
في هذا القسم، يقوم المؤلفون بالتحقيق بشكل منهجي في انتشار عدم اليقين في تحليلات القيمة الحالية الصافية (NPV) وتكلفة الطاقة الموحدة (LCOE) لمحطات الطاقة الشمسية الكهروضوئية باستخدام إطارين. يستخدمون المعادلات (4a)-(4d) من التقدير القياسي لحساب القيم التقريبية لـ NPV وLCOE، والتي تتم مقارنتها بعد ذلك بالقيم الدقيقة المستمدة من طريقة ACME. تشمل المقاييس الرئيسية التي تم تحليلها المتوسطات والانحرافات المعيارية وقيم P90، مع الحصول على رؤى إضافية من دوال التوزيع التراكمي لاستكشاف سلوك قيم P90.
تتضمن التحليلات أيضًا احتمال الربحية، المشار إليه بـ $P(NPV \geq 0)$، ومعامل التباين لـ LCOE. يتم حساب مخرجات ACME لسيناريوهات YO وwYO باستخدام المعادلات (6) و(7) لـ NPV وعكس جيل-بيلايز للمعادلة (9) لـ LCOE. في سيناريو O، يتم استخدام المعادلات (7) و(8) لـ NPV وعكس جيل-بيلايز للمعادلة (10) لـ LCOE، مع ضمان خضوع جميع المخرجات لفحوصات التناسق. يقوم المؤلفون أيضًا بتقييم غاوسية دوال كثافة الاحتمال (PDFs) الأساسية لطريقة ACME لتحديد صحة افتراض توزيعات غاوسية في النماذج المبسطة مثل التقدير القياسي.
مناقشة
في هذا القسم، يناقش المؤلفون حساب القيمة الحالية الصافية (NPV) وتكلفة الكهرباء الموحدة (LCOE) في أنظمة الطاقة الشمسية الكهروضوئية (PV)، مع التأكيد على أهمية انتشار عدم اليقين في هذه المقاييس. يتم حساب NPV باستخدام الصيغة \( \text{NPV} = \sum_{t=1}^{T} s \cdot Y_t – OM – OR_t / (1 + r_{DI})^t – I \)، حيث يمثل \( Y_t \) العائد المحدد، و\( OM \) هي تكاليف التشغيل والصيانة الثابتة، و\( OR_t \) هي تكاليف الإصلاح. يتم اشتقاق LCOE كالتالي \( \text{LCOE} = \frac{I + \sum_{t=1}^{T} (OM + OR_t) / (1 + r_{DI})^t}{\sum_{t=1}^{T} Y_t / (1 + r_{DI})^t} \)، مما يوفر وسيلة لمقارنة التنافسية الاقتصادية لطرق توليد الكهرباء المختلفة. يبرز المؤلفون أنه بينما تكون NPV مفيدة لتقييم الربحية، فإن LCOE تعمل كمقياس مقارن عبر أحجام المحطات المختلفة وهياكل التكاليف.
تتضمن التحليلات عدم اليقين في متغيرين رئيسيين من المدخلات: العوائد المحددة السنوية \( \{Y_t\} \) وتكاليف التشغيل والصيانة المحددة السنوية المتعلقة بالإصلاح \( \{OR_t\} \). تم تعريف ثلاثة سيناريوهات لاستكشاف تأثير هذه الشكوك: سيناريو O مع عوائد حتمية، سيناريو YO الذي يجمع بين \( OR_t \) الموزعة بشكل أسي مع توزيع غاما ضيق لـ \( Y_t \)، وسيناريو wYO مع توزيع غاما أوسع يعكس تباينًا أكبر في العائد. يجادل المؤلفون بأن استقلالية هذه المتغيرات تبسط التحليل، مما يسمح بتطبيق الدوال المميزة لحساب دوال كثافة الاحتمال (PDFs) ودوال التوزيع التراكمي (CDFs) لكل من NPV وLCOE. يختتم القسم بالإشارة إلى ضرورة أخذ القياس الزمني في الاعتبار وإمكانية تعديل النهج ليشمل متغيرات الإدخال المرتبطة، مما قد يعزز واقعية التقييمات الاقتصادية.
DOI: https://doi.org/10.1038/s41598-026-38053-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41639271
Publication Date: 2026-02-04
Author(s): Stefan Wieland et al.
Primary Topic: Capital Investment and Risk Analysis
Overview
The research presents a novel approach, termed the ACME method, for tracing uncertainty propagation in financial analyses of photovoltaic (PV) systems, specifically focusing on Net Present Value (NPV) and Levelized Cost of Energy (LCOE). Unlike traditional methods that rely on coarse approximations or extensive Monte Carlo simulations, the ACME approach operates on the level of probability distributions and assumes independent input variables. This method utilizes analytic shortcuts by switching between different representations of probability distributions, resulting in a numerically efficient framework that can yield significant insights into the impact of input uncertainty on financial metrics.
The findings indicate that input uncertainty can substantially affect the outcomes of financial analyses, with the ACME method providing a more nuanced understanding compared to standard approximations. The study reveals that while increased input uncertainty generally leads to greater output uncertainty, the relationship is complex; for instance, NPV forecasts may remain unaffected or even decrease with rising input uncertainty, whereas LCOE forecasts exhibit a nonlinear response. Additionally, the analysis shows that forecast accuracy varies with project lifetime, and non-Gaussian inputs can lead to non-Gaussian outputs, challenging conventional assumptions. The ACME method aligns well with standard approximations under certain conditions but diverges in scenarios involving significant nonlinear uncertainties, suggesting the need for further research into correlated input variables and broader applications in PV performance modeling.
Methods
In this section, the authors outline the methodology used to evaluate the profitability of photovoltaic (PV) plants, emphasizing the interplay between various influencing factors. The electric yield of a PV plant is primarily affected by local meteorological conditions, including irradiance, ambient temperatures, and wind, alongside technical specifications such as module configuration and performance ratios, as well as the degradation of plant components. Economic considerations also play a crucial role, particularly the selling price of electricity, operation and maintenance (O&M) costs, and initial investment costs.
To conduct a comparative analysis of the ACME approach versus standard approximation, the study focuses on key financial metrics: Net Present Value (NPV) and Levelized Cost of Energy (LCOE). The analysis accounts for uncertainties in two categories of input variables, which is particularly relevant from an investor’s standpoint, given the relatively certain nature of project-specific inputs contrasted with the inherent uncertainties associated with environmental factors.
Results
In this section, the authors systematically investigate uncertainty propagation in the Net Present Value (NPV) and Levelized Cost of Energy (LCOE) analyses of photovoltaic (PV) plants using two frameworks. They employ equations (4a)-(4d) from the standard approximation to compute approximate values for NPV and LCOE, which are then compared to exact values derived from the ACME approach. Key metrics analyzed include averages, standard deviations, and P90 values, with additional insights gained from cumulative distribution functions to explore the behavior of P90 values.
The analysis also incorporates the probability of profitability, denoted as $P(NPV \geq 0)$, and the coefficient of variation for LCOE. The ACME outputs for the YO and wYO scenarios are calculated using equations (6) and (7) for NPV and the Gil-Pelaez inversion of equation (9) for LCOE. In the O-scenario, equations (7) and (8) for NPV and the Gil-Pelaez inversion of equation (10) for LCOE are utilized, ensuring all outputs undergo consistency checks. The authors further assess the Gaussianity of the underlying ACME probability density functions (PDFs) to determine the validity of assuming Gaussian distributions in simplified models like the standard approximation.
Discussion
In this section, the authors discuss the computation of net present value (NPV) and levelized cost of electricity (LCOE) in photovoltaic (PV) systems, emphasizing the importance of uncertainty propagation in these metrics. The NPV is calculated using the formula \( \text{NPV} = \sum_{t=1}^{T} s \cdot Y_t – OM – OR_t / (1 + r_{DI})^t – I \), where \( Y_t \) represents specific yield, \( OM \) is constant operation and maintenance costs, and \( OR_t \) are repair-related costs. The LCOE is derived as \( \text{LCOE} = \frac{I + \sum_{t=1}^{T} (OM + OR_t) / (1 + r_{DI})^t}{\sum_{t=1}^{T} Y_t / (1 + r_{DI})^t} \), providing a means to compare the economic competitiveness of different electricity generation methods. The authors highlight that while NPV is useful for assessing profitability, LCOE serves as a comparative metric across varying plant sizes and cost structures.
The analysis incorporates uncertainty in two key input variables: annual specific yields \( \{Y_t\} \) and annual specific repair-related O&M costs \( \{OR_t\} \). Three scenarios are defined to explore the impact of these uncertainties: the O-scenario with deterministic yields, the YO-scenario combining exponentially distributed \( OR_t \) with a narrow Gamma distribution for \( Y_t \), and the wYO-scenario with a wider Gamma distribution reflecting greater yield variability. The authors argue that the independence of these variables simplifies the analysis, allowing for the application of characteristic functions to compute the probability density functions (PDFs) and cumulative distribution functions (CDFs) for both NPV and LCOE. The section concludes by noting the necessity of accounting for temporal scaling and the potential for adapting the approach to include correlated input variables, which could enhance the realism of the economic assessments.