基于LCOE和学习曲线的储能平准化成本测算及预测模型

基于lcoe和学习曲线的储能平准化成本测算及预测模型
技术领域
1.本发明属于储能平准化成本分析技术领域，具体涉及基于lcoe和学习曲线的储能平准化成本测算及预测模型。


背景技术：

2.近年来，能源短缺及污染问题日益明显，开发与利用风、光等新能源、改善能源结构和减少污染物排放成为世界各国亟待解决的问题。风电和光伏发电等新能源发电具有较强的随机性和波动性，大规模入网后将导致系统调节资源需求大，系统大范围和长周期电力电量平衡难度显著加大，对电网安全构成严重威胁。储能对于推动落实我国“碳达峰、碳中和”目标和保障以新能源为主体的新型电力系统顺利建设具有关键作用，是保障新能源大规模发展和我国能源安全的重要支撑。电化学等新型储能具有调节响应速度快、建设周期短、开发规模受资源条件约束小等优势，将在新型电力系统建设中发挥重要作用，但目前其成本较高，无法弥补投资及运营成本，自负盈亏能力差，商业模式不清晰，对其自身的应用及发展产生了一定的不利影响。因此，本发明提供一种能够对电化学等新型储能的技术经济成本进行分析及预测，研判其未来成本变化情况，为电力系统相关利益主体提供决策参考的新型储能平准化成本及预测模型。


技术实现要素：

3.本发明的目的是为了克服现有技术的不足，而提供一种基于lcoe和学习曲线的储能平准化成本测算及预测模型，能够对电化学等新型储能的技术经济成本进行分析及预测，研判其未来成本变化情况，从而为电力系统相关利益主体提供决策参考。
4.本发明采用的技术方案为：基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于，包括以下具体方法得出：
5.s1：基于储能的全寿命周期成本，对总耗电量进行平准化处理；
6.s2：考虑时间货币价值，引入资金贴现率，更新平准化处理模型，用于对当前储能的平准化成本进行测算；
7.s3：根据学习曲线原始模型，类比得到双因素学习曲线模型；
8.s4：对双因素学习曲线模型进行拟合回归处理，得到新型储能平准化预测模型，用于预测新型储能未来的平准化成本。
9.具体的，所述步骤s1中，对总耗电量进行平准化处理时，采用平准化能源成本模型，其公式为：
[0010][0011]
其中，i0表示储能项目的初始投资成本，o&mn表示第n年的运维成本，gn表示第n年
的储能放电量，n表示储能使用寿命。
[0012]
具体的，所述步骤s2中，引入资金贴现率，得到更新后的平准化处理模型表示如下：
[0013][0014]
其中，i表示资金贴现率。
[0015]
具体的，所述步骤s3具体为：
[0016]
所述学习曲线原始模型表示如下：
[0017]
y＝axb[0018]
其中，y是产品的单位成本，a为第一个产品的单位成本，x为产品的累计产量，b表示学习率指数，0≤b≤1。
[0019]
由学习曲线原始模型，类比得到双因素学习曲线模型，表示如下：
[0020][0021]
其中，c(x
t
,y
t
)为储能在t年的单位成本，c(x0,y0)为储能在基准年的初始单位成本，x
t
为储能在t年的装机容量，x0为储能在基准年的装机容量，α为累积产量弹性系数，y
t
为储能在t年的累积研发投入，y0为储能在基准年的累积研发投入，β为累积研发投入弹性系数。
[0022]
具体的，所述步骤s4具体为：运用最小二乘法对双因素学习曲线模型进行拟合回归，得到新型储能平准化预测模型，表示如下：
[0023][0024]
具体的，在对双因素学习曲线模型进行拟合回归时，计算累积产量弹性系数时的学习率设置为0.96，计算累积研发投入弹性系数时的学习率设置为0.81。
[0025]
本发明的有益效果：本发明在平准化能源成本模型lcoe和学习曲线原始模型的基础上作了改进，在lcoe引入资金贴现率，从储能项目的全生命周期角度综合考虑货币时间价值，对新型储能平准化成本进行测算，对学习曲线原始模型类比得到双因素学习曲线模型，并对其进行了完善，能够对新型储能技术的经济成本进行分析及预测，以此研判其未来成本变化情况，为投资者以及相关主体投资经营决策提供参考。
附图说明
[0026]
图1为本发明的流程图。
具体实施方式
[0027]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。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，以下结合实施例具体说明。
[0028]
如图1所示，本发明提出的测算及预测模型，包括以下具体方法得出：
[0029]
s1：基于储能的全寿命周期成本，对总耗电量进行平准化处理；
[0030]
对总耗电量进行平准化处理时，采用平准化能源成本模型，其公式为：
[0031][0032]
其中，i0表示储能项目的初始投资成本，o&mn表示第n年的运维成本，gn表示第n年的储能放电量，n表示储能使用寿命。
[0033]
s2：考虑时间货币价值，引入资金贴现率，更新平准化处理模型，用于对当前储能的平准化成本进行测算；
[0034]
上述lcoe计算模型尚未考虑货币时间价值，针对这一问题，本发明从储能项目的全生命周期角度综合考虑其技术特征和使用寿命，引入资金贴现率从而考虑货币时间价值，引入资金贴现率，得到更新后的平准化处理模型表示如下：
[0035][0036]
其中，i表示资金贴现率。
[0037]
通过调研，获取典型电化学储能相关成本及技术参数，如表1所示：
[0038]
表1典型电化学储能lcoe
[0039][0040]
由表1得到各参数数据，i0为初始成本加总，o&mn为运维成本，gn表示第n年的储能放电量，储能放电量由表1中的可用能量计算得出，n为储能使用寿命，在本发明中贴现率取8％，将各参数带入更新后的平准化处理模型中，通过计算得到锂离子电池、液流-钒电池和液流-锌电池的平准化成本分别为805元/mwh、1398元/mwh、1653元/mwh。
[0041]
s3：根据学习曲线原始模型，类比得到双因素学习曲线模型；
[0042]
所述学习曲线原始模型表示如下：
[0043]
y＝axb[0044]
其中，y是产品的单位成本，a为第一个产品的单位成本，x为产品的累计产量，b表示学习率指数，0≤b≤1。
[0045]
由学习曲线原始模型，类比得到双因素学习曲线模型，表示如下：
[0046][0047]
其中，c(x
t
,y
t
)为储能在t年的单位成本，c(x0,y0)为储能在基准年的初始单位成本，x
t
为储能在t年的装机容量，x0为储能在基准年的装机容量，α为累积产量弹性系数，y
t
为储能在t年的累积研发投入，y0为储能在基准年的累积研发投入，β为累积研发投入弹性系数。
[0048]
对学习曲线原始模型的处理步骤详细表述如下：对学习曲线方程两侧取对数，转换为直线形式，因此在计算时通常需要将学习曲线的对数形式进行线性拟合。
[0049]
数据搜集，以产量为标准，按照特定时间段搜集各个时间段的产量及成本；
[0050]
数据及变量处理，计算出不同累计产量水平下的单位成本，并对累计产量和单位成本分别取对数；
[0051]
回归分析，对单位成本对数值和累计产量对数值运用最小二乘法进行回归分析，得到回归方程；
[0052]
拟合优度检验，将回归分析得到的回归方程，即学习曲线方程，用于成本预测，并
与实际情况进行比较，并根据比较结果对原回归方程进行必要的修正。
[0053]
s4：对双因素学习曲线模型进行拟合回归处理，得到新型储能平准化预测模型，用于预测新型储能未来的平准化成本。
[0054]
运用最小二乘法对双因素学习曲线模型进行拟合回归，计算累积产量弹性系数时的学习率设置为0.96，计算累积研发投入弹性系数时的学习率设置为0.81，结果如表2所示：
[0055]
表2双因素学习曲线模型参数估计及显著性检验结果
[0056][0057]
根据表2，得到新型储能平准化预测模型，表示如下：
[0058][0059]
其中，储能成本对发展规模的弹性系数为0.045，储能成本对企业研发投入的弹性系数为0.194。
[0060]
根据得到的新型储能平准化预测模型，能够对新型储能技术的经济成本进行分析及预测，以此研判其未来成本变化情况，为投资者以及相关主体投资经营决策提供参考。
[0061]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于，包括以下具体方法得出：s1：基于储能的全寿命周期成本，对总耗电量进行平准化处理；s2：考虑货币时间价值，引入资金贴现率，更新平准化处理模型，用于对当前储能的平准化成本进行测算；s3：根据学习曲线原始模型，类比得到双因素学习曲线模型；s4：对双因素学习曲线模型进行拟合回归处理，得到新型储能平准化预测模型，用于预测新型储能未来的平准化成本。2.根据权利要求1所述的基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于：所述步骤s1中，对总耗电量进行平准化处理时，采用平准化能源成本模型，其公式为：其中，i0表示储能项目的初始投资成本，o&m
n
表示第n年的运维成本，g
n
表示第n年的储能放电量，n表示储能使用寿命。3.根据权利要求2所述的基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于：所述步骤s2中，引入资金贴现率，得到更新后的平准化处理模型表示如下：其中，i表示资金贴现率。4.根据权利要求1所述的基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于，所述步骤s3具体为：所述学习曲线原始模型表示如下：y＝ax
b
其中，y是产品的单位成本，a为第一个产品的单位成本，x为产品的累计产量，b表示学习率指数，0≤b≤1。由学习曲线原始模型，类比得到双因素学习曲线模型，表示如下：其中，c(x
t
,y
t
)为储能在t年的单位成本，c(x0,y0)为储能在基准年的初始单位成本，x
t
为储能在t年的装机容量，x0为储能在基准年的装机容量，α为累积产量弹性系数，y
t
为储能在t年的累积研发投入，y0为储能在基准年的累积研发投入，β为累积研发投入弹性系数。
5.根据权利要求4所述的基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于：所述步骤s4具体为：运用最小二乘法对双因素学习曲线模型进行拟合回归，得到新型储能平准化预测模型，表示如下：6.根据权利要求5所述的基于lcoe和学习曲线的储能平准化成本测算及预测模型，其特征在于：在对双因素学习曲线模型进行拟合回归时，计算累积产量弹性系数时的学习率设置为0.96，计算累积研发投入弹性系数时的学习率设置为0.81。

技术总结
本发明涉及一种基于LCOE和学习曲线的储能平准化成本测算及预测模型，其特征在于，包括以下具体方法得出：S1：基于储能的全寿命周期成本，对总耗电量进行平准化处理；S2：考虑时间货币价值，引入资金贴现率，更新平准化处理模型，用于对当前储能的平准化成本进行测算；S3：根据学习曲线原始模型，类比得到双因素学习曲线模型；S4：对双因素学习曲线模型进行拟合回归处理，得到新型储能平准化预测模型，用于预测储能未来的平准化成本。本发明能够对电化学等新型储能的技术经济成本进行分析及预测，研判其未来成本变化情况，从而为电力系统相关利益主体提供决策参考。相关利益主体提供决策参考。相关利益主体提供决策参考。


技术研发人员：柴喆 尹硕 郭森 王世谦 杨萌 金曼 郭兴五 路尧 陈兴 李虎军 刘军会 邓振立
受保护的技术使用者：国家电网有限公司 华北电力大学
技术研发日：2021.12.06
技术公布日：2022/3/8