适用于用户侧微电网的概率收益分析方法和可读存储介质

1.本发明涉及微电网收益分析技术，具体涉及一种适用于用户侧微电网的概率收益分析方法。


背景技术：

2.随着化石燃料的日益枯竭，可再生能源收到了世界各国的推广应用，越来越多的分布式可再生能源接入电力系统。虽然分布式发电技术在节能减排、预防大面积停电方面具有优势，但是分布式能源的大量接入造成了电网的运行调度的难度增大、电能质量变差和影响继电保护等问题。
3.为协调分布式能源的接入，微电网作为一种能够实现自我控制、保护和管理的小型发配电系统以其灵活消纳可再生能源、增加供电可靠性以及带来经济收益等方面的优势迅速发展。对于一些大型工商业用户而言，在投建微电网或对微电网中的设备进行投运或扩容之前需要对收益进行评估，从而进行风险决策。然而，相对于大电网而言，微电网的不确定性更强，具体表现为负荷的不确定性更强，太阳能和风能等不可调度资源的渗透率更高，负荷/光伏出力/风电出力的预测误差也更大。因此，对于微电网未来一段时间运行的收益是不确定的，并且微电网的成本和收益受到很多因素的影响，如微电网配置参数、负荷/光伏出力/风电出力的情况、电价水平、调度算法等，需要统筹考虑多方面的因素，通需要过合理且准确的方法分析与评价用户侧微电网的收益。
4.目前，现有的方案都是根据历史数据对微电网进行生产模拟，从而确定微电网运行的收益，本质上属于确定性分析，参考意义有限；同时，现有的微电网收益分析方法在用电成本方面通常只考虑了电度成本，并未考虑实际两部制电价中的需量费用或容量费用对收益的影响。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提供一种合理且准确的、适用于用户侧微电网的概率收益分析方法。
6.为实现上述目的，本发明采用了如下技术方案：
7.一种适用于用户侧微电网的概率收益分析方法，包括如下步骤：
8.s1：获取每日的历史数据和预测数据，聚类每日历史数据中的历史曲线得到负荷及可再生资源发电功率的每日类型，并选取负荷、可再生资源发电功率的每日类型组合形成多个每日典型类型；
9.s2：选取一个每日典型类型，根据每日的历史数据和预测数据得到所选的每日典型类型的模拟场景集；
10.s3:重复步骤s2直到获得所有每日典型类型的模拟场景集，进行步骤s4；
11.s4：根据各个每日典型类型的比例，在各个每日典型类型的模拟场景集中随机抽样计算得出收益及收益的概率。
12.优选的，在步骤s1中，所述历史数据包括每日的历史负荷曲线以及至少一种可再生能源发电功率的历史曲线，所述预测数据包括负荷预测曲线和可再生能源发电功率的预测曲线，分别聚类历史负荷曲线和可再生能源发电功率的历史曲线得到多个每日类型及每日类型的比例，选取一种负荷的每日类型及其比例以及至少一种可再生资源发电功率的每日类型及其比例进行自由组合得到多种每日典型类型及其比例。
13.优选的，步骤s2包括以下步骤，
14.s2.1：选取多个每日典型类型中的一个，根据与每日典型类型相关的历史负荷曲线、负荷预测曲线、可再生能源发电功率的历史曲线及其预测曲线计算出绝对预测误差并得到预测误差概率模型；
15.s2.2：在所选每日典型类型中，对负荷历史曲线及可再生能源发电功率的历史曲线分别进行随机抽样，并使用与所抽样本相对应的预测曲线进行日前调度；
16.s2.3：根据预测曲线与预测误差概率模型，得到模拟场景曲线进行实时调度，进行一次精细化生产模拟；
17.s2.4：重复n次步骤s2.2～s2.3，直至获得所选每日典型类型的模拟场景集。
18.优选的，在步骤s1中，所述可再生能源发电功率包括光伏出力和风电出力，若每日的负荷、光伏出力和风电出力为相互独立的，并且在未来一段时间内负荷、光伏出力和风电出力各类型的比例不变，各个每日典型类型的比例为：
19.p(l)＝p
load(i)·
p
pv
(j)
·
p
wind
(k)
20.l＝1...n,i＝1...n
load
,j＝1...n
pv
,k＝1...n
wind
21.其中n为每日典型类型的数量，n＝n
load
·npv
·nwind
；n
load
，n
pv
，n
wind
分别为负荷、光伏出力、风电出力的每日历史曲线类型数量。
22.优选的，在步骤s2中，采用非参数核密度估计方法描述每一时刻的预测误差概率分布和相邻时刻间预测误差的联合概率分布。
23.优选的，在步骤s2.3中，采用实际的调度策略进行精细化生产模拟，所述调度策略包括日前计划和实时调度两个阶段；
24.所述日前计划阶段将全天分为若干个时段，在步骤s1所获得的负荷预测曲线及可再生能源发电功率的预测曲线中进行随机抽样，以全天微电网运行成本最小为优化目标，将日前计划建模为混合整数线性规划问题；
25.所述实时调度阶段，针对下一个优化时段，利用当前负荷及可再生能源发电功率，以微电网各设备与日前计划偏差最小为优化目标，将实时调度建模为二次规划问题。
26.优选的，所述实时调度阶段，逐点模拟每一时刻的预测误差，用负荷预测曲线、可再生能源发电功率预测曲线减去每点的预测误差得到每一时刻负荷模拟值、可再生能源发电功率的模拟值，其中，第一时刻的预测误差在对应预测误差概率分布中进行随机抽样得到，其他时刻的预测误差在确定前一时刻预测误差后，在对应的预测误差联合概率分布中进行随机抽样得到。
27.优选的，在步骤s4中，根据各个每日典型类型的比例，随机确定某日的每日典型类型，并从该每日典型类型的模拟场景集中随机选取该每日典型类型下的负荷和可再生能源发电功率预测曲线用于日前计划，利用已得到的误差预测分布模型，逐个时刻进行随机抽样确定每一时刻的预测误差，并在预测曲线的基础上得到模拟的负荷和可再生能源发电功
率曲线，用于实施调度；由此得到某日的微电网运行情况，并结合每日微电网运行成本计算出微电网收益。
28.优选的，在步骤s4中，用于计算收益需要给定微电网配置参数、运行模式、电价计算方式以及微电网历史一段时间的负荷及可再生能源发电的历史曲线和预测曲线。
29.优选的，在步骤s4中，用于计算收益需要考虑用户侧微电网的成本，所述用户侧微电网的成本包括折算的设备投资和运维成本；用户侧微电网的收益包括两部制电费节省收益、余电上网收益。
30.本发明公开了一种适用于用户侧微电网的概率收益分析方法，该方法将用户侧微电网的收益的不确定性转化为概率问题进行分析。首先对微电网中的不确定性资源(负荷、光伏发电、风力发电等)在长时间尺度上的分布进行分析，并考虑预测误差的影响，建立不确定性资源的概率模型。通过概率模型抽样模拟未来的不确定性资源场景，根据实际微电网调度方式进行精细化生产模拟，利用蒙特卡洛模拟方法得到微电网收益的概率分布。本发明考虑了对不确定性资源场景模拟的合理性，在计算微电网运行成本收益时，从公共电网购电/售电的电费计及了两部制电价和分时电价对微电网收益的影响。
附图说明
31.图1是本发明一种适用于用户侧微电网的概率收益分析方法的示意图；
32.图2是本发明一种适用于用户侧微电网的概率收益分析方法的实施例中微电网系统示意图；
33.图3是本发明一种适用于用户侧微电网的概率收益分析方法中实施例的夏季电价曲线；
34.图4是本发明一种适用于用户侧微电网的概率收益分析方法中实施例的负荷数据图；
35.图5是本发明一种适用于用户侧微电网的概率收益分析方法中实施例的光伏出力数据图；
36.图6是本发明一种适用于用户侧微电网的概率收益分析方法中高水平负荷类型相邻时段预测误差相关系数；
37.图7是本发明一种适用于用户侧微电网的概率收益分析方法中月收益概率分布图(投入500kwh/170kw储能)；
38.图8是本发明一种适用于用户侧微电网的概率收益分析方法中月收益概率分布图(投入750kwh/250kw储能)。
具体实施方式
39.以下结合附图1至8给出的实施例，进一步说明本发明的一种适用于用户侧微电网的概率收益分析方法的具体实施方式。本发明的一种适用于用户侧微电网的概率收益分析方法不限于以下实施例的描述。
40.一种适用于用户侧微电网的概率收益分析方法，包括如下步骤：
41.s1：获取每日的历史数据和预测数据，聚类每日历史数据中的历史曲线得到负荷及可再生资源发电功率的每日类型，并选取负荷、可再生资源发电功率的每日类型组合形
成多个每日典型类型；
42.s2：选取一个每日典型类型，根据每日的历史数据和预测数据得到所选的每日典型类型的模拟场景集；
43.s3:重复步骤s2直到获得所有每日典型类型的模拟场景集，进行步骤s4；
44.s4：根据各个每日典型类型的比例，在各个每日典型类型的模拟场景集中随机抽样计算得出收益及收益的概率。
45.本发明公开了一种适用于用户侧微电网的概率收益分析方法，该方法将用户侧微电网的收益的不确定性转化为概率问题进行分析。首先对微电网中的不确定性资源(负荷、光伏发电、风力发电等)在长时间尺度上的分布进行分析，并考虑预测误差的影响，建立不确定性资源的概率模型。通过概率模型抽样模拟未来的不确定性资源场景，根据实际微电网调度方式进行精细化生产模拟，利用蒙特卡洛模拟方法得到微电网收益的概率分布。本发明考虑了对不确定性资源场景模拟的合理性，在计算微电网运行成本收益时，从公共电网购电/售电的电费计及了两部制电价和分时电价对微电网收益的影响。
46.一种适用于用户侧微电网的概率收益分析方法包括如下步骤：
47.步骤s1，从数据库中获取每日的历史数据和预测数据，所述历史数据包括每日负荷和其他影响因素(在本实施例中，其他影响因素为可再生能源发电功率，如光伏、风电等)历史曲线，并根据每日负荷和可再生能源发电功率的历史曲线以及每日的天气类型、最高温度、最低温度进行预测，得到相应的预测数据；分别对每日负荷和可再生能源发电功率的历史曲线分别采用kmeans聚类方法得到多个每日类型，所述每日类型包括各自的负荷及可再生能源发电功率的比例情况，从多个每日类型中选取两种或两种以上进行自由组合得到多种每日典型类型及其比例，被选取自由组合的每日类型的比例乘积作为每日典型类型的比例。所述预测数据包括负荷预测曲线和可再生能源发电功率的预测曲线。
48.优选的，在步骤s1中，按季度/月进行收益分析，假设在每季度或每月内的每日负荷和每日的可再生能源发电功率是独立的，并且在未来的同一时段内负荷和可再生能发电功率各类型的比例不变，在本实施例中，可再生能源发电功率包括光伏出力和风电出力，各典型类型的比例为：
49.p(l)＝p
load(i)·
p
pv
(j)
·
p
wind
(k)
50.l＝1...n,i＝1...n
load
,j＝1...n
pv
,k＝1...n
wind
51.其中n为典型类型的数量，n＝n
load
·npv
·nwind
；n
load
，n
pv
，n
wind
分别为负荷、光伏出力、风电出力的每日历史曲线类型数量。
52.步骤s2：对每日典型类型进行分析，具体包括如下步骤：
53.步骤s2.1：选取步骤s1中所得到的一个每日典型类型进行分析，根据与每日典型类型相关的历史负荷曲线、负荷预测曲线、可再生能源发电功率的历史曲线及其预测曲线计算出绝对预测误差，利用非参数核密度估计方法得到预测误差概率模型，即利用非参数核密度估计方法描述每一时刻预测误差的概率分布和相邻时刻预测误差的联合概率分布，无需对分布的模型作出假设，直接输入历史预测误差即可得到概率分布模型。
54.步骤s2.2：在所选每日典型类型中，对负荷历史曲线及可再生能源发电功率的历史曲线分别进行随机抽样，使用与之相对应的预测曲线进行日前调度。
55.步骤s2.3：根据预测曲线与预测误差概率模型，得到模拟场景曲线进行实时调度，
进行一次精细化生产模拟。
56.在步骤s2.3中，采用实际的调度策略对微电网进行精细化生产模拟，精细化生产模拟是给定微电网的调度策略、负荷和光伏的预测数据和实际数据以及其他给定调节，通过编程对微电网运行进行仿真，属于现有技术。所述调度策略优选分为日前计划和实时调度两个阶段。
57.在日前计划中，负荷和可再生能源发电功率的预测结果直接在预测曲线中随机抽样获得，所述日前计划具体阶段包括以下步骤，将全天分为若干时段，利用负荷和可再生能源发电功率的预测结果，以全天微电网运行成本最小为优化目标，将日前计划建模为混合整数线性规划问题。
58.在实时调度阶段，将全天划分为多个优化时段，其中每个优化时段的间隔小于日前计划所划分的每个时段，在本实施例中，日前计划阶段将全天分为96个时段，实时调阶段将全天划分为1440个时段，针对下一个优化时段，利用当前负荷和可再生能源发电功率的实际值作为下一时段的负荷和可再生能源发电功率进行实时调度，以电网各设备与日前计划偏差最小为优化目标，将实时调度建模为二次规划问题。
59.在实时调度阶段，逐点模拟每一时刻的预测误差，用预测曲线减去每点的预测误差得到每一时刻负荷和可再生能源发电功率的模拟值，其中，第一时刻的预测误差在对应预测误差概率分布中进行随机抽样得到，其他时刻的预测误差在确定前一时刻预测误差后，在对应的预测误差联合概率分布中进行随机抽样得到。
60.步骤s2.4：重复n次步骤s2.2～s2.3，直至获得所选每日典型类型的模拟场景集。由于在进行步骤s2.2时，每次对历史数据进行随机抽样，相应的预测曲线也可能不同，在步骤s2.3中，根据预测误差概率模型对每个时刻预测误差进行抽样，并且在预测曲线的基础上得到模拟场景，即：模拟值＝预测值-预测误差，因此进行重复多次可以得到不同的模拟场景，根据模拟场景进行生产模拟以得到该场景下微电网各时段是如何运行的，由此计算出微电网的运行成本。
61.步骤s3：在获得所有每日典型类型的模拟场景集后进行步骤s4。
62.步骤s4：根据各个每日典型类型的比例，在各个每日典型类型的模拟场景集中随机抽样，计算收益，优选收益的计算按月或按季度计算，通过10000次以上对全月收益的模拟得到全月的收益概率分布。
63.具体过程为，在每次模拟全月收益时，根据每日典型类型的比例，随机确定该月各个每日典型类型的天数nj，并分别从相应的每日典型类型的模拟场景集中选取nj个结果，由此构成该月每日的运行成本。再根据选取出的每日中的需量最大值计算出该月的需量费用。该月的总成本即每日的运行成本之和加上月需量费用，与配置储能前的总成本(即不考虑储能时，负荷的电度费用和月需量费用)对比即得到全月的收益。概率收益分析本质上是对微电网一段时间内的成本和收益进行不确定性评估，具有多个应用场景，如微电网运行成本收益评估、微电网设备投资风险决策、微电网调度方案优选等。
64.本技术的方法适用于任意类型、任意容量配比的由可控电源、不可控电源和储能设备组成的各种运行方式下的微电网。分析收益时需给定微电网配置参数、运行模式以及电价计算方式，还需要微电网历史一段时间的负荷、可再生能源发电功率实际历史日曲线和预测曲线。用户侧微电网的成本包括折算的设备(储能系统、可控电源、不可控电源、控制
系统等)投资和运维成本。用户侧微电网的收益包括但不限于两部制电费节省收益(基本电费和电镀电费)、余电上网收益。
65.结合图1-4及表1-3提供一种具体的计算过程：
66.某园区的微电网系统如图2所示，微电网系统的基本参数如表1所示，该园区微电网在夏季时的电价情况如表2所示。
67.微电网系统基本参数如表1所示：
68.表1微电网系统基本参数
[0069][0070]
表2夏季分时电价
[0071]
[0072][0073]
从如图4、5所示的数据库中获取该系统某月的负荷和光伏发电的历史数据和预测数据，其中将一天的时间划分为96点，即为数据时间间隔为15min，在此基础上对该月进行概率收益分析。利用k-means聚类算法将本月每一天的负荷和光伏出力的历史曲线分别进行聚类，根据聚类结果将负荷分为低水平负荷、中水平负荷和高水平负荷三类，将光伏出力分为光资源较强和光资源较弱两类。选取其中的两种进行自由组合得到6种典型类型，由自由组合的两种类型比例做乘积以获得每日典型类型的比例，并根据负荷和光伏出力各自的比例组合得到6种每日典型类型的比例(参见表3)。
[0074]
表3各个每日典型类型的比例
[0075][0076]
以高水平负荷类型为例，计算高水平负荷类型中相邻时段预测误差的皮尔森相关系数(pearson correlation coefficient)，以此验证相邻时段预测误差的相关性，详细步骤如下：
[0077]
a)首先利用历史负荷数据和负荷预测数据，计算出该类型负荷每一天各时段的绝对预测误差。绝对预测误差计算公式为：
[0078]
δp＝p
′‑
p
[0079]
其中δp为绝对预测误差，p
′
为负荷预测值，p为负荷真实值。
[0080]
b)把所有历史日同一时段的预测误差设为一组随机变量，在本实施例中采用将一天的数据分为96点，即可以得到96组随机变量，根据如下公式计算相邻时刻预测误差的皮尔森相关系数：
[0081][0082]
其中δpi和δp
i+1
分别为第i和i+1时刻的预测误差随机变量，ri为第i和i+1时刻预测误差之间的相关系数。
[0083]
其计算结果如图6所示。
[0084]
在高水平负荷类型下，相邻时段预测误差相关系数大部分时间都大于0.7，均值约为0.79。利用皮尔森相关系数分析相关性没有统一的标准，一般情况下，皮尔森相关系数绝对值大于0.6或0.7则可认为两个变量相关性较强。因此，在高水平负荷类型下，相邻时段预测误差的相关性是较强的。其他类型的负荷及光伏预测误差也具有类似的结果。因此，采用相邻时段预测误差联合概率分布的方法对预测误差进行建模后抽样是合理的，利用非参数核密度估计方法得到每一个相邻时段预测误差联合概率分布。
[0085]
根据每一时刻预测误差随机变量，用非参数核密度估计理论得到各类型的负荷和光伏出力的每一时间的预测误差概率分布和相邻时刻预测误差的联合概率分布。
[0086]
假设x1，x2，...，xn是由未知概率密度函数f描述的分布中得到的d维随机向量样本。核密度估计定义为：
[0087][0088]
其中h是对称正定的d
×
d带宽矩阵；k是核函数，是一个对称的多维概率密度函数。
[0089]
目前大多数的编程语言都有核密度估计的拓展库，在本技术中使用julia语言中的kernel density，只需输入每一时刻的预测误差随机变量即可获取核密度估计的结果。该园区微电网的经济调度采用日前计划加实时调度方式，对一个月其中一天的模拟方式为：根据各每日典型类型的比例，随机确定这一天的典型类型，并从该典型类型的模拟场景集中随机选取该典型类型下的负荷和光伏预测曲线，用于日前计划，例如，该典型类型为i，典型类型i的比例为20％，则在全月中，每天的日类型是典型类型i的概率为20％，该典型类型i所对应的是负荷类型i+光伏类型i，则需要从历史数据中选取一个属于负荷类型i的某日的负荷预测曲线以及属于光伏类型i的某日的光伏预测曲线；利用上述得到的预测误差分布，逐个时刻进行随机抽样确定每一时刻的预测误差，由此在预测曲线的基础上得到模拟的负荷和光伏曲线，用于实时调度。由此可以得到该日微电网各时段的pcc点功率、储能充放电功率、柴油发电机运行功率等微电网运行情况。
[0090]
该微电网的月运行成本包括该月需量电费dc、该月每天的电度电费c
grid
(包括余电上网收益)、柴油发电机供电成本cg。月需量电费计算方式为需量电价乘以该月实际最大需量，该月实际最大需量是指一个月中的功率(15分钟均值)最大值。月需量电费、每天的电度电费、柴油发电机供电成本和计算公式为：
[0091][0092][0093][0094]
其中c
dc
为每月需量费用的费率；为该月微电网向公共电网购电的功率的最大值；为t时刻微电网向公共电网购电的功率；是与分时电价对应的购电费率；为t时刻微电网余电上网的功率；是与余电上网价格对应的余电上网费
率；为t时刻柴油发电机运行功率；是柴油发电机供电的费率。
[0095]
根据每一天的模拟情况以及实际最大需量，可以计算出该月微电网运行的成本。在计算每日电度电费时，生产模拟得到各个时段向主网购电/售电的功率，分别乘以该时段对应的购电/售电费率就得到了每个时段的电度电费，如此计算过程考虑了分时电价，即不同时段电价是不同的；在计算全月需量费用时，根据全月每天生产模拟的结果可以得到该月向主网购电的最大功率，该功率就是该月的最大需量，最大需量乘以需量费用的费率即为需量费用，例如，微电网8月向主网购电的最大功率为500kw，月需量费用的费率为42元/kw，则该月需量费用为500*42＝21000元。对比储能投入前微电网的运行成本，即可得到储能投入在该月带来的收益。利用蒙特卡洛模拟方法，对该月进行大量次数(10000次以上)的模拟，根据每次模拟得到的结果利用核密度估计得到月收益的概率分布。
[0096]
假设微电网投入500kwh/170kw的储能系统，投资成本为100万元，则根据上述方法得到的月收益的概率密度函数和累积分布函数如图7所示(图7中，上半部分是月收益的概率密度函数，下半部分是收益累积分布函数，曲线上的点为，纵坐标为月收益超过横坐标值的概率)。
[0097]
分析结果可知，微电网投入500kwh/170kw的储能系统后，收益超过16664元的概率为90％，收益超过19966元的概率为50％，收益超过22096元的概率为1％。因此在储能投资风险决策时我们可以认为：16664元是对月收益的保守估计，预期月收益的中位数约为19966元，月收益可能达到的最大值约为22096元。
[0098]
假如微电网投入750kwh/250kw的储能系统，投资成本为150万元，月收益概率分布结果如图8所示。此时月收益的保守估计值为22744元，预期月收益的中位数约为25150元，月收益可能达到的最大值约为29393元。可见增加储能投资的规模可以有效提高储能带来的电费节省收益，但需要投资储能系统需要的成本也会提高，因此需要根据实际的目标和需求在投资成本和收益之间进行权衡。
[0099]
假设该项目的目标为需要在保守估计收益下尽快回收成本，以上述方式计算全年每月收益的保守估计值，得到微电网投入500kwh/170kw的储能系统的年收益保守估计为17.4万元，投入750kwh/250kw的储能系统的年收益保守估计为24.1万元。则在不考虑贴现率情况下，基于已知的500kwh/170kw和750kwh/250kw的储能系统的投入成本计算，成本回收期分别为5.75年和6.22年，因此选择500kwh/170kw更为合适。
[0100]
本技术中的微电网中的负荷可再生能源具有不确定性，因此收益为一个不确定值，在计算微电网收益时需要选择一个特定的微电网，也需要根据微电网选择特定的调度策略，并且不限于日前计划和实时调度这两种，只要是依赖日前预测进行的微网调度都可以使用本专利中的方法进行概率收益分析。另外，日前计划为混合整数线性规划问题，实时调度为二次规划问题为现有技术。
[0101]
本发明还提供一种计算机，包括处理器和存储器，存储器存储实现本发明适用于用户侧微电网的概率收益分析方法的计算机指令，处理器执行存储器存储的计算机指令，以执行用于用户侧微电网的概率收益分析方法中的步骤。
[0102]
一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行本发明适用于用户侧微电网的概率收益分
析方法中的步骤。
[0103]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。