本发明涉及微电网储能配置领域，尤其是一种多边共享的储能优化配置及其成本分摊 方法。
背景技术
在新能源快速发展的同时，微电网中新能源的渗透率也在不断的提高，这将会加大新 能源功率波动对微电网及其接入系统安全稳定的影响和运行调度的难度。储能可以弥补新能 源在随机波动性方面的先天缺陷，从根本上上解决高比例新能源消纳的难题，微电网可利用 储能的充放电特性平抑系统功率波动，提高新能源消纳能力，减小微电网对其接入系统的功 率波动冲击频度，实现微电网的友好并网。微电网的建设与发展对储能资源及其相关服务的 需求明显提高。储能是高成本资料，这使得其在高比例新能源微电网中的规模化应用受到限 制。对于多个新能源微电网，通过共享储能SES，可促进储能资源高效应用以及提高系统综 合效益，因此需要研究多微电网的储能需求、共享储能的配置及其成本分摊方法。
在中国专利文献上公开的“一种计及需求响应的光伏微电网储能多目标容量配置方 法”，其公开号为CN105846423B，本发明公开了属于微电网优化运行技术领域的一种计及需 求响应的光伏微电网储能多目标容量配置方法。技术方案是，构建基于电量电价弹性矩阵的 用户多时段电价响应模型，提出分时电价下储能充放电策略及光伏微电网优化运行策略，根 据系统调度和约束条件，以光伏消纳率最大和年净利润最大为双目标，采用改进非劣排序遗 传算法(NSGA-II)进行光伏微电网储能容量优化配置。本发明提出的方法，考虑了电力市场环 境下，用户侧参与需求响应带来的负荷优化对光伏微电网储能配置的影响，在满足系统要求 的基础上，达到光伏微电网储能投资的合理性。但是该发明并未涉及到除光伏微电网以外的 新能源微电网配置方法。
技术实现要素：
本发明解决了多个微电网之间多边共享的储能配置往往不能得到优化造成资源以及 成本浪费的问题，一种多边共享的储能优化配置及其成本分摊方法，通过获取各个微电网的 负荷数据以及发电数据，建立预测净负荷需求函数以及微电网储能成本模型，最后与最佳储 能学习模型进行对比，实现了各微电网之间的灵活调度，降低使用成本，增加反馈模型进行 对比，提高配置的准确性。
为了实现上述目的，本发明采用以下技术方案：一种多边共享的储能优化配置及其成 本分摊方法，包括以下步骤：
S1，获取各个微电网的历史负荷数据以及风电、光伏发电数据；
S2，检测得到环境参数，包括光伏组件倾斜面总辐射量、温度、风电机组风速以及风向；
S3，建立预测净负荷需求函数；
S4，综合净负荷需求函数以及微电网储能成本模型求解；
S5，进行最佳储能配置以及成本分摊，与最佳储能学习模型对比判断。
本发明中，首先，需要获取每个微电网的历史负荷数据以及其中风电或者光伏发电数 据，分别对风电发电中的风速以及风向进行实时检测，对光伏发电中光伏组件倾斜面总辐射 量和温度等数据进行实时检测，并依据功率曲线求出风电场发电的输出功率，依据光伏发电 的公式求出光伏发电输出功率，综合各项数据得到微电网储能需求功率，建立主要关于微电 网储能运行成本和微电网储能建造成本的成本模型，并进行条件约束，求出最佳配置参数和 成本分摊数据，最后进入最佳储能学习模型与之对比，完成配置，本发明实现了各微电网之 间的灵活调度，降低使用成本。
作为优选，所述步骤S2中环境参数为实时检测，根据实时检测到的光伏组件倾斜面 总辐射量和温度以及光伏发电计算公式预测光伏发电的输出功率：
P1＝Q×S×η1×η
其中，P1表示光伏发电的输出功率，Q表示倾斜面总辐射量，S表示光伏组件面积，η1表示 光伏组件转化效率，η表示光伏系统总效率；
根据实时检测到的风速以及风电机组输出功率和风速之间的功率曲线预测风电场发电的输出 功率。
本发明中的光伏发电计算依据传统的光伏组件倾斜面以及光伏组件的面积计算出在 一定时间内的光伏发电功率，而风电场发电将检测得到风速与风机组绘制完成的功率曲线进 行对比捏合，可得出具体的风电机组输出功率。
作为优选，所述步骤S3中，各微电网的预测净负荷需求函数具体为：
P净＝P1+P2-Pa
其中，P净表示预测净负荷需求函数，P1表示光伏发电的输出功率，P2表示风电场发电的输出 功率，Pa表示微电网的负荷需求；
微电网联盟的总净负荷需求函数为：
P净总＝P储
其中，P储表示微电网储能需求功率。
本发明中，预测净负荷需求函数的建立为成本模型的建立提供基础。
作为优选，所述步骤S4包括以下步骤，
S41，微电网储能成本模型为：
Jmin＝C运行+C建造
其中，Jmin表示微电网储能最小成本，C运行表示微电网储能运行成本，C建造表示微电网储能 建造成本；
微电网储能运行成本C运行具体为：
其中，表示微电网储能充放电单位成本，D1和D2表示二进制0-1变量，当其值取1时分别 表示微电网储能在t时段进行充电或者放电操作，D1取1时，D2取0，P充电和P放电表示微电 网储能在t时段的充电和放电功率；T为一天所分的调度时段数量，这里取T＝24；
微电网储能建造成本C建造具体为：
其中，r表示折现率，y表示微电网储能的实用年限，α和β表示单位能量容量成本和单位 功率容量成本，E容和P容分别表示微电网储能的能量容量和功率容量；
S42，微电网储能充放电约束条件为，
D1×D2＝0
P充电≥0，P放电≤P容；
S43，微电网联盟功率平衡约束；
S44，微电网储能电量上下界约束：
SminE容≤Et≤SmaxE容
其中，Smin和Smax表示微电网储能的最小和最大荷电状态，Et表示在t时段的电量；
S45，微电网储能相邻两时段的电量关系：
Et＝Et-1+Δt(η充P充-η放P放)；
其中，Δt表示微电网储能相邻两时段的时间间隔，η充和η放分别表示为微电网储能的充电和 放电效率；
S46，根据约束条件进行求解。
本发明中，成本模型中的成本主要分为两大类，主要有运行成本和建造成本，运行成 本包括在运行过程中的维修更换等费用，在约束条件中，微电网储能不能同时进行充电和放 电操作，利用约束条件对成本模型进行求解，实现最佳经济效益。
作为优选，所述步骤S5中完成最佳储能配置和成本分摊后，对于储能配置以及成本 分摊的信息进行储存，并进行特征提取，提取训练特征，生成训练样本，基于训练样本，采 用深度学习方式建立最佳储能学习模型，将每次得到的最佳储能配置和成本与最佳储能学习 模型进行相似度对比，若与最佳储能学习模型中最接近的数据相差3％以上，则需要重新进行 检测、预测和计算。
本发明中，建立基于储能配置信息和成本分摊信息的最佳储能学习模型，其能利用历 史的优化配置信息，深度学习，作为对比模型，在每次得到的最佳储能配置和成本信息输入 到最佳储能学习模型对比判断，依据相似度决定是否重新计算，保证配置的准确性和安全性。
作为优选，相邻微电网之间的分布距离相等。
本发明中，保证分布距离基本上相等是为了排除各微电网由于分布距离产生的额外能 量以及经济损失。
本发明的有益效果是：通过本发明的优化配置方法，促进了储能资料的高效利用，提 高了环境以及经济效益，实现了各微电网之间的灵活调度，降低使用成本，增加反馈模型进 行对比，提高配置的准确性。
附图说明
图1是本发明的流程图；
图2是本发明的结构框图。
具体实施方式
实施例：
本实施例提出一种多边共享的储能优化配置及其成本分摊方法，参考图1和图2，包括有以 下多个步骤：步骤S1，获取各个微电网的历史负荷数据和风电、光伏发电数据；在此步骤中， 获得数据后进行暂时储存。
步骤S2，检测获取环境参数，其中，环境参数主要有光伏组件倾斜面总辐射量、温度、 风电机组风速以及风向；在此步骤中，可得到光伏发电的输出功率：
P1＝Q×S×η1×η
在上式子，P1指的是光伏发电的输出功率，Q指的是倾斜面总辐射量，S指的是光伏组件面 积，η1指的是光伏组件转化效率，η指的是光伏系统总效率；而风电场的发电输出功率是根 据检测到的风速和绘制完成的功率曲线进行拟合操作得到的。
步骤S3，建立预测净负荷需求函数；在此步骤中，具体有：
P净＝P1+P2-Pa
在上式中P净指的是预测净负荷需求函数，P1指的是光伏发电的输出功率，P2指的是风电场发 电的输出功率，Pa指的是微电网的负荷需求；
随后进行多个微电网即微电网联盟的总总净负荷需求函数计算：
P净总＝P储
在上式中，P储指的是微电网储能需求功率。
步骤S4，综合净负荷需求函数以及微电网储能成本模型求解；在此步骤中，具体有步 骤S41，建立微电网成本模型；
Jmin＝C运行+C建造
上式子中，Jmin指的是微电网储能最小成本，C运行指的是微电网储能运行成本，C建造指的是 微电网储能建造成本；
其中微电网储能运行成本C运行计算公式如下：
在上式子中，指的是微电网储能充放电单位成本，D1和D2均指的是二进制0或1，D1取 1时，D2取0，反之亦然，P充电和P放电指的是微电网储能在t时段的充电和放电功率；T指的 是一天所分的调度时段数量，在本实施例中，取T＝24；
最后求出微电网储能建造成本：
在上式中，r指的是当时的折现率，y指的是微电网储能的实用年限，α和β分别指的是单 位能量容量成本和单位功率容量成本，E容和P容分别指的是微电网储能的能量容量和功率容 量。
随后进行步骤S42，在此步骤中，有约束条件微电网储能不能同时进行充电与放电：
D1×D2＝0
P充电≥0，P放电≤P容。
步骤S43，微电网联盟一直遵循功率平衡的约束。
步骤S44，具体的微电网储能还有电量上下界的约束，参考下式：
SminE容≤Et≤SmaxE容
在上式子中，Smin和Smax分别指的是微电网储能的最小和最大荷电状态，Et指的是在t时段 的电量。
步骤S5，进行最佳储能配置以及成本分摊，与最佳储能学习模型对比判断。
步骤S45，还有以下关系式：
Et＝Et-1+Δt(η充P充-η放P放)；
上式中，Δt指的是微电网储能相邻两时段的时间间隔，η充和η放分别指的是微电网储能的充 电和放电效率；式子表示的是相邻两个时间端的电量关系，
步骤S46，根据约束条件以及函数模型求出最终结果。
本发明中，首先，需要获取每个微电网的历史负荷数据以及其中风电或者光伏发电数 据，分别对风电发电中的风速以及风向进行实时检测，对光伏发电中光伏组件倾斜面总辐射 量和温度等数据进行实时检测，并依据功率曲线求出风电场发电的输出功率，依据光伏发电 的公式求出光伏发电输出功率，综合各项数据得到微电网储能需求功率，建立主要关于微电 网储能运行成本和微电网储能建造成本的成本模型，并进行条件约束，求出最佳配置参数和 成本分摊数据，最后进入最佳储能学习模型与之对比，完成配置，本发明实现了各微电网之 间的灵活调度，降低使用成本。
本发明中的光伏发电计算依据传统的光伏组件倾斜面以及光伏组件的面积计算出在 一定时间内的光伏发电功率，而风电场发电将检测得到风速与风机组绘制完成的功率曲线进 行对比捏合，可得出具体的风电机组输出功率。
本发明中，预测净负荷需求函数的建立为成本模型的建立提供基础。
本发明中，成本模型中的成本主要分为两大类，主要有运行成本和建造成本，运行成 本包括在运行过程中的维修更换等费用，在约束条件中，微电网储能不能同时进行充电和放 电操作，利用约束条件对成本模型进行求解，实现最佳经济效益。
本发明中，建立基于储能配置信息和成本分摊信息的最佳储能学习模型，其能利用历 史的优化配置信息，深度学习，作为对比模型，在每次得到的最佳储能配置和成本信息输入 到最佳储能学习模型对比判断，依据相似度决定是否重新计算，保证配置的准确性和安全性。
本发明中，保证分布距离基本上相等是为了排除各微电网由于分布距离产生的额外能 量以及经济损失。
本发明所述的方法，通过获取各个微电网的负荷数据以及发电数据，建立预测净负荷 需求函数以及微电网储能成本模型，最后与最佳储能学习模型进行对比，实现了各微电网之 间的灵活调度，降低使用成本，在最后还设置有具有深度学习的最佳储能学习模型，利用相 似度进行比较，可以明显鉴别配置信息是否准确，提高配置的准确性。
上述实施例是对本发明的进一步阐述和说明，以便于理解，并不是对本发明的任何限 制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。