一种分布式能源发展规模预测方法、设备及介质与流程

本发明涉及分布式能源预测规划的技术领域，具体涉及一种分布式能源发展规模预测方法。

背景技术：

分布式能源的典型特征是清洁高效、灵活多样，大力发展分布式能源是调整我国电力结构、促进能源改革的有效途径。目前分布式能源主要包括分布式光伏、分散式风电和天然气分布式能源，分布式光伏和分散式风电资源丰富、应用范围广且发展较为成熟，具有较大的发展空间；天然气分布式能源虽处于起步阶段，但其具有良好的削峰填谷作用，是传统能源与未来新能源之间最佳的过渡能源。随着政策的支持和技术的进步，我国分布式能源的发展将会稳步增长。

我国分布式能源政策整体利好，各项政策鼓励发展分布式能源，放开分布式能源市场，降低准入门槛，增加财税政策支持力度。尽管分布式能源具有灵活高效的特点，但是分布式能源规模化发展仍面临诸多挑战。

目前，没有研究直接关注分布式能源的发展规模预测。作为电源结构的一部分，分布式能源的规模预测主要借鉴电源结构预测技术方法的模型和思路。然而，当前分布式能源项目开发潜力的测算主要针对自然的风光资源量，未上升到不同分布式能源项目的市场开发空间；微观尺度的选址定容和短期的仿真预测方式不适合宏观发展规模预测应用；中长期尺度的电源结构预测技术与方法包括logistic预测模型、学习曲线模型、情景建模、回归分析预测法的单独应用均无法综合体现政策、项目经济性、技术发展进程对分布式能源装机规模增长的影响。

有鉴于此，亟需提供一种综合了技术扩散模型、平准化度电成本，能够考虑不同分布式能源特点以及开发潜力、项目经济性、配套政策等多方面要素对分布式能源装机增长的动态综合影响的方法。

技术实现要素：

为了解决上述技术问题，本发明所采用的技术方案是提供了一种分布式能源发展规模预测方法，包括以下步骤：

确定并获取各分布式能源累计装机历史数据，并根据历史数据建立基于最大市场可开发量的分布式能源技术扩散预测模型；

根据分布式能源与常规火电之间的成本关系，以及政策对分布式能源项目开发规模的限制，建立分布式能源的最大市场可开发量的分段式函数；

分别确定各分布式能源平准化度电成本及常规火电的平准化度电成本，并计算出各分布式能源的可比成本；

根据各分布式能源的可比成本及所述分布式能源的最大市场可开发量的分段式函数，确定相应的分布式能源市场最大可开发量；

确定不同的场景情况，根据分布式能源技术扩散预测模型，确定对应场景下各分布式能源的装机容量。

在上述方法中，具体预测未来某时间段的各分布式能源的装机容量，具体包括以下步骤：

s11、确定预测时间段t，获取该时间段内初始时刻t的分布式能源的累计装机量、最大技术可开发量、单个分布式能源的平准化度电成本及单个常规火电项目的平准化度电成本；

s12、计算天然气分布式能源的可比度电成本，并根据场景情况与分布式能源的最大市场可开发量的分段式函数确定当前时段市场最大可开发量；

s13、根据技术扩散模型与当前时段市场最大可开发量，确定当前时刻的分布式能源装机规模预测值；

s14、根据装机规模预测值、天然气的当前的价格，确定当前时段分布式能源平准化度电成本的预测值；

s15、输出当前时刻分布式能源累计装机规模xt和分布式能源平准化度电成本的预测值；

s16、判断是否t≥t，若不是，则t＝t+1，并转s12；若是，则结束。

在上述方法中，使用matlab程序结合logistic、gompertz和bass模型开展拟合，选择拟合sse最小的模型为对应分布式能源的技术扩散模型，并依据拟合结果确定模型参数。

在上述方法中，所述分布式能源技术扩散预测模型具体如下式：

xt＝f(nt，t)

式中，nt为t时刻最大市场开发量，p和q为模型参数；在logistic模型中，p决定着曲线的形状，q表示产品的扩散率；gompertz模型中，p决定着曲线的形状，q表示产品的扩散率；bass模型中，p表示创新系数，q表示模仿系数。

在上述方法中，所述分布式能源的最大市场可开发量的分段式函数如下式：

nt＝g(nt-1，lt)

式中，lt为相应分布式能源与常规火电相比的比较成本，u、v则用于体现政策对应分布式能源项目开发规模的限制，λ为分布式电源成本对其市场空间的影响系数，数值根据经验确定；nmax为分布式电源的技术可开发量。

在上述方法中，所述各分布式能源平准化度电成本及常规火电的平准化度电成本通过下式计算：

式中，i0表示初始投资，即项目整体单位造价；n表示年份；n表示全生命周期；dn表示第n年电站项目折旧费用；rn表示第n年电站年运行成本；vn表示第n年增值税等其他税收；wn表示第n年项目贷款利息；bn表示第n年其他来源的收入，如可再生能源补贴等；r表示贴现率；re表示外部因素风险成本。

在上述方法中，各分布式能源可比成本lt可用下式计算：

lt＝h(ct-1)＝ct-1/c^f(4)

式中，ct-1为该分布式能源t-1时段末的平准化度电成本，c^f为常规火电的平准化度电成本。

在上述方法中，所述当前时段分布式能源平准化度电成本的预测值的通过下式计算：

ct＝(xt，yt，pt，t)

式中，c0为初始时分布式能源平准化度电成本，xt为第t年的分布式能源累计装机容量预测值；yt为分布式能源的第t年技术积累量；kl为非研发型投入要素成本占对应分布式能源成本的比例；a、b为经验参数；pt为非研发型投入要素第t期价格。

本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的分布式能源发展规模预测方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的分布式能源发展规模预测方法。

本发明建立技术扩散模型，考虑了分布式能源作为创新能源技术的扩散特点，预测模型综合了技术扩散模型、平准化度电成本，能够考虑不同分布式能源特点以及开发潜力、项目经济性、配套政策等多方面要素对分布能源装机增长的动态综合影响。尤其对于天然气分布式能源弥补了以往模型对于天然气价格变动对装机增长影响分析的缺失；可应用于我国分布式光伏、分散式风电、天然气分布式能源装机规模预测，为相关规划设计、行业企业等提供基础参考。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的分布式能源发展规模预测方法的流程示意图；

图2为本发明提供的预测未来某时间段的各分布式能源的装机容量流程示意图；

图3为本发明提供的设备结构示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面结合具体实施方式和说明书附图对本发明做出详细的说明。

如图1所示，本发明提供了一种分布式能源发展规模预测方法，包括以下步骤：

s1、确定并获取各分布式能源累计装机历史数据，并根据历史数据建立基于最大市场可开发量的分布式能源技术扩散预测模型；其中，历史数据为各分布式电源的年度新增装机容量数据及累积装机容量数据等。

本实施例中，基于历史数据实现不同分布式能源扩散的技术扩散模型选择，使用matlab程序结合logistic、gompertz和bass模型开展拟合，选择拟合sse(thesumofsquaresduetoerror，误差平方和)最小的模型为对应分布式能源的技术扩散模型，并依据拟合结果确定模型参数；分布式能源技术扩散预测模型具体如下式：

xt＝f(nt，t)

式中，nt为t时刻市场最大潜在的采用者数量，用于能源开发时一般指最大市场开发空间(开发量)，p和q为模型参数；在logistic模型中，p决定着曲线的形状，q表示产品的扩散率；gompertz模型中，p决定着曲线的形状，q表示产品的扩散率；bass模型中，p表示创新系数，q表示模仿系数。

s2、根据分布式能源与常规火电之间的成本关系，以及政策对分布式能源项目开发规模的限制，建立分布式能源的最大市场可开发量的分段式函数。

本实施例中，通过分段式函数预测t时刻某一分布式能源的最大市场可开发量nt，分段的依据为lt、u、v(v≥u>0)的大小；其中，lt为相应分布式能源与常规火电相比的比较成本，lt越大则表示该分布式能源成本较常规火电越高，经济性越差。u、v则用于体现政策对应分布式能源项目开发规模的限制，当u趋近于无穷大时，说明发展环境对分布式能源发展具有绝对的限制，开发空间无法进一步拓展；当v趋近于无穷大时，说明发展环境对分布式能源的发展极度利好，规模的开发不受政策的限制；根据现有研究经验值，基准情况下u、v分别取值为5、1.2。因此，分布式能源的最大市场可开发量的分段式函数如下式：

nt＝g(nt-1，lt)

式中，λ为分布式电源成本对其市场空间的影响系数，数值根据经验确定；nmax为分布式电源的技术可开发量，分布式光伏依据可用屋顶面积计算测定，分散式风电依据可用风资源计算测定，天然气分布式能源依据需求场景的可装机容量和需求场景面积计算确定。

s3、分别确定各分布式能源平准化度电成本及常规火电的平准化度电成本，并计算出各分布式能源的可比成本。

本实施例中，采用lcoe(levelizedcostofenergy)方法对不同发电技术和规模的能源项目进行比较。

平准化度电成本实际上是成本的净现值与能量产出的经济时间价值(economictimevalue)的比值。各分布式能源及常规火电的平准化度电成本的计算如下通式：

式中，i0表示初始投资，即项目整体单位造价；n表示年份；n表示全生命周期；dn表示第n年电站项目折旧费用；rn表示第n年电站年运行成本；vn表示第n年增值税等其他税收；wn表示第n年项目贷款利息；bn表示第n年其他来源的收入，如可再生能源补贴等；r表示贴现率；re表示外部因素风险成本，主要包括如财税、金融政策等外部因素变化所引发的成本。

本实施例，各分布式能源的可比成本为各分布式能源平准化度电成本分别与常规火电的平准化度电成本的比值，且本实施例中各分布式能源为当前分布式光伏、分散式风电及天然气分布式能源等。

当前分布式光伏、分散式风电及天然气分布式能源的平准化度电成本均较常规火电高，随着技术的进步，各分布式能源发电成本与常规火电的成本将逐渐减小，成本劣势逐渐降低。t时段各分布式能源可比成本lt可用下式(4)计算：

lt＝h(ct-1)＝ct-1/c^f(4)

式中，ct-1为该分布式能源t-1时段末的平准化度电成本，c^f为常规火电的平准化度电成本。

s4、根据各分布式能源的可比成本及所述分布式能源的最大市场可开发量的分段式函数，确定相应的分布式能源市场最大可开发量。

本实施例，根据步骤s3计算获取的各分布式能源可比成本lt，将其代入公式(2)中即可或的相应的分布式能源最大市场可开发量。

s5、确定场景情况，根据分布式能源技术扩散预测模型，确定对应场景下各分布式能源的装机容量。

本实施例，考虑到不同场景对各分布式能源的装机容量的影响，例如政策、消纳条件的动态变化可以通过情景设置，模拟不同政策、消纳、天然气价格条件下的综合环境，环境条件的变化主要作用于式(2)分段函数的参数u、v。本实施例场景设置与分段函数参数的对应关系见下表1所示。

表1分布式能源规模预测情景设置

因此，本实施例在不同的场景情况(u，v)可确定相应的分布式能源对应的最大市场可开发量nt，并结合技术扩散模型计算，即可确定对应场景下相应分布式能源的装机容量。

本实施例，建立技术扩散模型，考虑了分布式能源作为创新能源技术的扩散特点，预测模型综合了技术扩散模型、平准化度电成本，能够考虑不同分布式能源特点以及开发潜力、项目经济性、配套政策等多方面要素对分布能源装机增长的动态综合影响。尤其对于天然气分布式能源弥补了以往模型对于天然气价格变动对装机增长影响分析的缺失；可应用于我国分布式光伏、分散式风电、天然气分布式能源装机规模预测，为相关规划设计、行业企业等提供基础参考。

本实施例，可通过上述步骤预测未来某时间段的各分布式能源的装机容量，具体包括以下步骤：

s11、确定预测时间段t，获取该时间段内初始时刻t的分布式能源的累计装机量、最大技术可开发量、单个分布式能源的平准化度电成本及单个常规火电项目的平准化度电成本；

s12、计算天然气分布式能源的可比度电成本，并根据场景情况与分布式能源的最大市场可开发量的分段式函数确定当前时段市场最大可开发量；

s13、根据技术扩散模型与当前时段市场最大可开发量，确定当前时刻的分布式能源装机规模预测值。

s14、根据装机规模预测值xt、天然气的当前的价格pt，确定当前时段分布式能源平准化度电成本的预测值。

本实施例，分布式能源技术的平准化度电成本的演变可计算预测出当年的分布式能源成本，即下一年度的预测做好数据输入准备。且当前时刻t的分布式能源平准化度电成本的预测值如下分析计算获得，分布式能源技平准化度电成本演变过程如下:

(1)学习理论

本实施例采用学习曲线(经验曲线)模型研究分布式能源技术，在学习曲线模型中，分布式能源单位成本随累计产量的增长以特定的学习效率而下降是一种基于经验观察的现象，而不是必然的自然规律，单位成本的下降应被看作是基于多种内生和外生因素长期地、动态地共同作用的结果。其基本逻辑即：当期分布式能源单位产出平准化度电成本较高于常规能源技术；然而随着前者技术的发展以及生产经验的积累，其单位成本呈下降趋势。分布式能源的学习曲线的表达式总结见下表2。

表2、分布式能源学习曲线模型分类汇总

其中，ct为t时刻分布式能源平准化度电成本估计值，c0为初始时分布式能源平准化度电成本，xt为累计产量，yt为知识积累或累计研发投入；qt为平均规模发展程度，pj为第j种投入要素价格，a、b、c分别表示相对应要素的弹性系数，d为分布式电源的非研发投入要素价格的弹性系数。

单因素学习曲线模型将一种分布式能源平准化度电成本描述为其累计总产量的函数。双因素学习曲线，将研发对分布式能源技术进步的推动作用从累计产量的增长中离析出来，是对学习曲线理论的一种细化和探索。三因素模型中进一步添加了平均规模发展程度。四因素模型中含有累计产量、累计知识、规模效应和投入要素价格因素。其中，投入要素价格是指某些无法用通货膨胀解释且与研发无关的关键原料价格变动(如核电中铀的价格变动、天然气发电中的天然气价)。其他的一般性投入要素价格变动符合历年通货膨胀水平，可通过考虑一定的通货膨胀率修正；针对某些关键要素的研发所带来的成本下降应考虑为累计知识因素影响范围。

(2)各分布式能源平准化度电成本动态演变

当前时段分布式能源平准化度电成本的预测值的通过下式计算：

ct＝(xt，yt，pt，t)

式中，xt为第t年的分布式能源累计装机容量预测值；yt为分布式能源的第t年技术积累量；kl为非研发型投入要素成本占对应分布式能源成本的比例；a、b为经验参数。pt为非研发型投入要素第t期价格，p0表示最初的非研发投入要素价格，根据实际情况取值；其中，分布式光伏和分散式风电中均无对应要素pt取值为1，kl取值为0。对于天然气分布式能源该要素即为天然气价格，pt、kl依据实际情况取值。对于不同分布式能源，a、b的取值见表3。

表3、各分布式能源参数a、b取值

s15、输出当前时刻分布式能源累计装机规模xt和分布式能源平准化度电成本的预测值ct。

s16、判断是否t≥t，若不是，则t＝t+1，并转s12；若是，则结束。

下面以天然气分布式能源为案例说明本发明方法实现过程。

(一)分布式能源技术扩散预测模型建立过程说明。

首先收取天然气分布式能源累计装机规模的历史统计数据，如对于天然气分布式能源，当前可收集到2013-2018年的累计数据。假设2013-2018年间技术扩散模型最大技术可开发量不变，为根据我们的其他研究估算的最大技术可开发量nmax。此案例中把时间序列数据和nmax作为已知量，利用matlab的拟合功能，比较三种技术扩散模型中(logistic、gompertz和bass模型)拟合效果最好的为bass模型，拟合结果给出了参数p、q的取值。在根据上述步骤s11-s16预测分布式能源发展规模。

首先设定预测时间，若预测到2025年为止的天然气分布式能源累计装机量，且起始年为2013年，则设定t为12，并以2013年为时间起点，收集模型初始参数数据，x0为2013年天然气分布式能源的累计装机数据；n0仍为前面所提的nmax；c0为2013年投产的单个天然气分布式能源的平准化度电成本，根据实际项目数据测算；cf为2013年投产的单个常规火电项目的平准化度电成本，根据实际项目数据测算，因常规火电发展以成熟，这里假定其成本长期不变，分布式能源的平准化度电成本及单个常规火电项目的平准化度电成本通过公式(3)计算求得。

再根据上述求得的分布式能源的平准化度电成本及单个常规火电项目的平准化度电成本，通过公式(4)计算天然气分布式能源的可比度电成本。

根据天然气分布式能源的可比度电成本，以及当前场景情况确定，确定其当前时段天然气分布式能源的最大市场可开发量nt。nt的确定可根据建立的分布式能源技术扩散预测模型求得当前时段的天然气分布式能源装机规模预测值。

根据求得的装机规模预测值xt、天然气的当前的价格pt代入式(5)，求得当前时段天然气分布式能源平准化度电成本的预测值ct，并输出xt和ct。

最后判断终止条件，t是否大于等于t，若满足条件，则流程结束，否则“t＝t+1”，继续循环上述运算，最终预测到2025年为止的天然气分布式能源累计装机量。

如图3所示，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中分布式能源发展规模预测方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实现上述实施例分布式能源发展规模预测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。