比较用于生成集体自消费预分配系数的各种方法

《ENERGY AND BUILDINGS》：Comparison of methods for generating ex-ante distribution coefficients for collective self-consumption

【字体：大中小】 时间：2026年05月10日 来源：ENERGY AND BUILDINGS 7.1

编辑推荐：

　　玛丽娜·卡尔卡尼奥托（Marina Calcagnotto）| 乔安娜·奥尔蒂斯（Joana Ortiz）| 尤利娅·马斯科娃（Iuliia Maskova）| 弗朗塞斯克·马德里（Francesc Madrid）| 乔迪·帕斯夸尔（Jordi Pascual）| 贾乌梅·萨洛姆（Jaume Salom）

**气候中性与韧性建筑与社区（REACT）**
加泰罗尼亚能源研究所（Institut de Recerca en Energia de Catalunya, IREC）
西班牙巴塞罗那圣阿德里亚德贝索斯（Sant Adrià de Besòs）

**摘要**
基于集体自消费（Collective Self-Consumption, CSC）的可再生能源社区（Renewable Energy Communities, REC）必须将产生的电力分配给参与消费者。一些国家采用的分配方法是根据预先设定的分配系数进行分配，这些系数可能是固定的或可变的。本研究评估了16种生成固定和每小时变化分配系数的方法，使用了不同的时间分辨率和计算方法：按消费比例分配（Proportional to Consumption, PTC）和数值优化（Numerical Optimisation, OPT），以最大化整体自消费率（Self-Consumption Rate, SCR）。通过两个西班牙的案例研究分析了这些方法对能源和经济关键绩效指标（Key Performance Indicators, KPIs）的影响。案例研究1包括一栋正能量住宅建筑和一家医疗机构，案例研究2包括一所学校和159户家庭。在两个案例研究中，PTC和OPT计算方法都比单独自消费情景带来了更有利的结果。案例研究1的REC平均SCR分别为86.4%（OPT）和85.3%（PTC），案例研究2分别为89.2%（OPT）和88.8%（PTC）。OPT方法的平均SCR略高于PTC方法，但在案例研究1和案例研究2中，OPT方法的平均SCR分别比理想分配（即事后分配）低2个和3个百分点。在每种方法中，提高时间分辨率可以增加REC的SCR值。在两个案例研究中，“WDWE + M”类型的日子在所有方法中都能带来最高的SCR。然而，提高时间分辨率会增加计算时间，案例研究1中的OPT方法计算时间最长达到了8.32分钟。尽管每天使用24个系数相比恒定系数能带来一定程度的改进，但这不足以抵消增加的计算资源消耗。与单独自消费的基础情景相比，两个案例研究中REC的经济节省额分别增加了14%和127%。尽管如此，这一KPI受计算方法的影响较小，更多取决于电价类型和消费模式。

**1. 引言**
**1.1 动机**
能源转型是欧盟（EU）正在进行脱碳进程的支柱之一，意味着向可再生能源技术的转变以及新的商业模式和市场的出现。这一背景为消费者提供了在能源领域发挥更积极作用的机遇，而这一领域传统上由大型能源公司主导[1]。
在欧盟的法律框架下，能源社区（Energy Communities, EC）有两种形式：“可再生能源社区”（Renewable Energy Communities, REC）和“公民能源社区”（Citizen Energy Communities, CEC）[2]。这些定义指的是具有共同目的的特定组织形式或机构，即产生社会和环境效益而非仅仅是经济效益，并且参与者是开放和自愿的[2]、[3]。
尽管欧盟指令在各成员国的本土法规中的转化情况参差不齐[4]，但许多不同成熟度的REC和CEC已经建立并正在运行中。EC的活动可以包括能源生产、供应、消费与共享、分配、能源服务（如建筑翻新、电动出行）以及其他服务（如信息传播和意识提升）[2]。虽然最普遍的项目涉及能源生产[2]，但由于建立此类实体的多种目的和动机，许多商业模式都适用于EC[5]。
特别是在西班牙，生产与共享可再生能源电力是能源社区倡议中最广泛的活动。当前的框架将这些活动纳入了“集体自消费”（Collective Self-Consumption, CSC）的概念中，该概念不需要任何法定实体或特定组织形式。这种类型项目占主导地位的原因可能是有一套连贯的监管框架以及技术的可负担性，尤其是在光伏（Photovoltaic, PV）领域[2]。
研究表明，多栋建筑共享光伏安装的经济效益优于单独安装，尤其是当能源在具有不同用户类型的建筑之间共享时[6]。研究还发现，将多样化的负载特征整合到CSC中可以提高成本节省潜力[6]。对于不配备储能系统的CSC来说，最大化直接自消费是实现最佳整体效果的目标，这需要尽可能匹配生产和负载曲线[6]。鉴于光伏生产的控制能力有限，改善这一匹配的方式可能是通过调整负载，可能通过消费者行为或能源灵活策略来实现[7]、[8]。
西班牙当前的电力自消费框架主要由皇家法令244/2019规定[9]，该法令确定了其行政、技术和经济条件。皇家法令18/2022的后续修改将电网接入距离限制在2000米以内，该规定自2025年9月起生效[10]。根据是否可以将剩余电力注入电网，自消费分为两种模式：有剩余电力的模式和没有剩余电力的模式。有剩余电力的模式允许最大功率为100千瓦的光伏安装采用简化的补偿机制[9]。该机制采用净计费系统，对并入电网的剩余电力按照约定的电价进行补偿（详见第2.3节）。
关于产生的电力分配，必须事先向配电系统运营商发送协议以告知每个参与者的分配系数。每个生产者的发电量需要按每小时数据进行测量，以便进行分配和虚拟净计量。目前，每位参与者每年每小时允许一个分配系数，即8760个系数[11]，并且这种分配每四个月可以修改一次。所有参与者的系数总和必须为一，以确保产生的电力得到完全分配。其他国家的CSC框架也允许通过分配系数进行固定分配，例如法国[12]和葡萄牙[13]。

**1.2 研究文献**
能源分配通常是EC设计考虑的一个重要方面，因为它强烈依赖于成员类型和目标，无论是个人还是集体[14]。预先设定的系数可以根据用户的签约功率、对初始投资的贡献或所有参与者协商的任何其他标准来确定[11]。实际项目中应用的一些方法包括平等分配（即所有参与者相同的系数）和与年度费用相关的安装功率份额[15]。马斯科娃等人[15]评估了一个CEC案例，其中30%的发电量分配给装有光伏设施的建筑，剩余部分按每千瓦每年100欧元的费用分配给附近的家庭。参与者的社会经济状况也可以作为分配的标准，例如一个包含公共建筑和弱势居民消费者的CSC模型[16]。结果表明，为所有弱势消费者分配每小时变化的系数虽然总发电量相同，但为这一群体带来了最大的节省，尽管这阻碍了公共建筑的节省潜力[16]。另一项研究发现，与固定系数相比，每小时变化的系数提高了CSC项目的盈利能力[17]。然而，影响的程度取决于项目的具体特征（如安装功率、用户数量等）。
西班牙现行法规仅涵盖预先固定的系数，但预计未来将逐步转向事后动态系数，尽管立法提到需要进一步分析并定义统一的分配标准[11]。事后动态系数显示出最大化本地发电消费的潜力，从而为参与者带来更大的经济节省[18]。这在用户消费模式不同的参与者中尤为重要，例如办公室在周末关闭，或者学校在夏季关闭[19]。有一种方法旨在通过事后分配键优化本地发电的分配，以最小化所有成员的电费总和[19]。提出了两种策略来解决潜在的分配不对称问题：为所有成员设定最低自给率，并设置初始分配键以确保每个成员的最低收入[19]。
在[20]中评估了基于消费预测的动态系数策略与电池储能系统（Batteries Energy Storage Systems, BESS）的整合效果，结果显示与预先分配系数相比，EC的能源和经济KPI有所改善。在[21]中评估了几种计算动态分配键的方法，适用于具有不同消费模式的8位用户。主要结论之一是，如果考虑EC中涉及的不同类型用户，分配策略会带来更好的结果。此外，基于消费比例的计算往往有利于高消费用户，从而阻碍了节能努力[21]。
更复杂的共享策略不需要分配系数，包括点对点（Peer-to-Peer, P2P）交易，这种策略可以克服可再生能源供应的时间间歇性问题，同时考虑建筑能源需求的随机特性[22]。在P2P交易中，共享标准也有所不同，例如[23]提出通过最大化整个社区的自消费来最大化社会福利，P2P交易由每个生产者的支付意愿决定[22]。此外，通过事后系数和P2P交易进行分配扩展了REC应用更复杂能源管理策略（如需求响应）的可能性[24]。
表1总结了所回顾的研究，涵盖了实施国家、分配系数定义（预先设定、事后设定或其他）、研究目标和贡献以及用于评估结果的指标。

**表1. 审视的研究和当前研究总结**
| 国家 | 预先设定 | 事后设定 | 其他 | 目标/贡献 | 评估指标 |
|-------------|----------------|-----------------|-----------------|-----------------------------------------------------------|
| 西班牙 | x | x | 不同的生产者建筑和相关家庭场景；固定分配系数 | 自给率；总发电量；总自消费量；供电家庭数量；剩余发电量 |
| | | | | |
| | | | 基于年度、月度及小时时间性的三种分配策略（相同系数、相同节省量及相同能源） | 年度节省量（总计和每位用户）；按客户类别的能源分配 |
| | | | 社区自消费的能源份额；剩余能源的补偿份额；未补偿的能源份额 | |
| | | | 评估200种不同的光伏容量、固定或可变分配系数和电价场景 | 年度节省量；简单回收期 |
| | | | | |
| 奥地利 | | | 评估带有静态和动态分配的REC的电力流动和成本 | 电力支出；自给率 |
| | | | | |
| 美国 | | 两种能源共享模型：福利优化模型和考虑能源资产所有者和消费者的博弈论模型 | 总成本；总排放量；总发电量；剩余能源 |
| | | | | |
| 西班牙 | | 使用长短期记忆（Long Short-Term Memory, LSTM）神经网络和BESS整合的动态分配 | 自消费率；经济节省；回收期；内部收益率 |
| | | | | |
| 意大利 | | 比较五种基于参与者贡献的动态分配方法，旨在实现公平的能源分配标准 | 共享能源 |
| 香港 | | 一种应用于混合太阳能-风能系统、BESS和可连接电网的商业生产者的P2P能源共享模式 | 自消费率；自给率；进口能源；出口能源；等效CO2排放 |
| | | | | |
| | | 优化模型，考虑包含PV系统的社区的社交福利 | PV发电在社区内通过P2P交易，考虑每个生产者的支付意愿 | 生产者的年度利润；温室气体排放 |
| | | | | |
| 当前研究 | | 两个基于光伏的CSC案例研究，应用多种分配系数计算方法，并比较总体和个体能源及经济KPI | 自消费率；自给率；经济节省 |鉴于此，本研究旨在根据西班牙CSC（社区共享能源）的实际条件来评估能源分配，这意味着需要确定可精确到1小时的预分配系数。在已确定的研究中，没有一项研究探讨过结合时间分辨率和计算方法（与消费成比例（PTC）及数值优化（OPT）来计算预分配系数的不同模式。需要根据相关的能源和经济关键绩效指标（KPIs）以及在实际REC1.4框架下的适用性来评估这些不同的模式。

**研究贡献**：
本研究重点比较了基于数值优化方法（OPT）和基于每个参与者相对于REC总消耗量的份额（PTC）的更直接方法，以计算CSC的分配系数。在每个类别内，分析旨在提供关于适当时间粒度的见解，即根据一天中的不同时间、一天中的不同类型（工作日或周末）或月份应用不同系数的重要性，以最大化REC的自消耗。该框架在图1中进行了总结。结果从能源和经济KPI的角度进行了分析。此外，研究还收集了优化方法所需的计算时间数据，并比较了每种评估模式的实际应用性。

**下载**: 下载高分辨率图像（249KB）| 下载全尺寸图像

**图1. 分配系数计算模式评估的提议框架。**

将本研究应用于西班牙的两个案例研究，旨在了解应用程序的简洁性与为REC和个别参与者获得的结果之间的平衡。预期这些结果将为CSC内的能源分配提供有价值的决策依据，并引起对公平分配收益的关注。

本文分为以下部分：第2节描述了本研究中使用的方法和材料；第3节分析和讨论了结果，比较了不同的方法和案例研究；第4节陈述了研究的主要结论。

**2. 方法**：
REC能源平衡计算的基本概念是单个生产者-消费者的平衡。每小时t评估总消耗量Ect和总发电量Egt。当一组n个关联消费者从共同的电源共享能源时，使用一组分配系数β来确定每个消费者的能源平衡：
(1) $E_{gi,t} = β_{i,t}E_{gt}$, 其中$E_{gi,t}$是分配给消费者i的能源，$β_{i,t}$是消费者i的分配系数，$E_{gt}$是时间t的总发电量。每个时间步长t的β_{i}之和必须始终等于一。

对于静态系数，根据所选择的分配标准，为每个用户计算一次分配系数。例如，用户的年消耗量占所有用户年总消耗量的比例。

在确定可变分配系数时，可以考虑预期的消费模式和其他消费者偏好。可以直接根据时间序列的值来计算，或者实施优化过程。在后一种情况下，可能的优化目标包括最小化能源出口、总成本、排放等。在本研究中，使用了几种配置来确定分配系数，应用了不同的时间分辨率和计算方法。通过分析三个KPI [25][26]（与文献中发现的相关KPI对齐，见表1）来比较和评估不同的方法。以下KPI分别针对参与者和REC进行评估：
- **自消耗率（SCR）**，表示直接自消耗的总分配量的比例（公式2），范围从0（无自消耗）到1（完全自消耗）：
$$(2) SCR = \frac{\text{Total self-consumed energy}}{\text{Total allocated energy}} = \int_{t} P_{c}(t) \, dt$$
其中$P_{a}$是分配的功率（千瓦），$P_{c}$是消耗的功率（千瓦）。
- **自给率（SSR）**（公式3），量化自消耗能源覆盖的总能耗的比例：
$$(3) SSR = \frac{\text{Total self-consumed energy}}{\text{Total consumed energy}} = \int_{t} P_{c}(t) \, dt$$

年度节省量是通过汇总每月账单并与参考案例（无自消耗）进行比较来计算的。第2.3节提供了详细描述。

**2.1. 预分配系数的计算模式**
电力生产和消费模式在一年中呈现出相当大的变化性，但可以识别出三种明显的模式：日变化模式、工作日-周末变化模式和季节性变化模式。定义了几种计算分配系数的方法，结合了日设定和一天中的不同类型，并使用两种不同的计算方法进行评估。

**日设定：**
- **恒定（CON）**：适用于一天中所有小时的单一恒定值。
- **24小时轮廓（24h）**：每小时的分配系数，即一天中的一个系数。

**一天中的不同类型：**
- **单一（S）**：全年适用相同的日分配系数集。
- **工作日-周末（WDWE）**：工作日和周末使用不同的日分配系数集，其中消费模式可能有所不同。
- **月度（M）**：为每年的每个月定义不同的日分配系数集，以适应能源消耗和生产的季节性变化。
- **WDWE + 月度（WDWE + M）**：结合前两种方法，考虑每个月不同的日分配系数集，并进一步区分工作日和周末。它同时考虑了季节性和一天中的不同类型变化。

**计算方法：**
- **优化（OPT）**：通过数值优化计算系数，旨在最大化选定的KPI，在本研究中该KPI是SCRREC。选择这一KPI作为目标函数，因为在当前的CSC框架下，最大化自消耗通常对REC最为有利。优化的约束条件是所有系数均为正数，并且每个小时的所有系数之和等于1。公平性和计算效率没有直接包含在优化中，但在比较计算模式时进行了分析。优化模块基于Scipy.Optimize [27] Python库，更具体地说，使用Basin-Hopping算法来找到目标函数的全局最小值。
- **与消费成比例（PTC）**：系数设置为与每个消费者相对于REC总消耗量的消耗量成比例。系数的值根据公式4确定：
$$β_{i,t} = \frac{P_{i,t}}{\sum_{j,t} P_{j,t}}$$
其中$P_{i,t}$是时间间隔t时消费者i的功率，$P_{j,t}$是参与REC的每个消费者的功率。请注意，t将取决于每种模式的时间聚合方式，由日设定和一天中的类型决定。

鉴于光伏生产仅在上午6:00至晚上8:00期间进行，因此这些时段不考虑实际共享；因此，这些时段不进行优化，从而减少了处理时间。在PTC模式下，每天每小时计算系数，尽管那些不在光伏生产时间内的系数没有实际价值。

**图2**表示用于获取分配系数的计算工作流程。模块的输入是每个参与者的消耗和发电轮廓、参与方案（即哪些消费者有资格从特定生产者接收能源）、能源费率以及分配系数模式。后者由计算方法、日设定和一天中的类型组成。对于OPT模式，还需要指定的要最大化的KPI，在本研究中始终是SCRREC。优化模块仅用于OPT模式，而对于PTC模式，系数的计算嵌入在社区模块的能源平衡函数中。算法执行REC的能源平衡，根据选定的模式确定分配系数，并计算节省量。输出包括每个消费者（个别水平）和REC的全球水平的KPI，以及每个消费者的每小时分配系数文件。

**图3**。

**下载**: 下载高分辨率图像（188KB）| 下载全尺寸图像
**图2. 分配系数计算工作流程**
**下载**: 下载高分辨率图像（309KB）| 下载全尺寸图像
**图3. a) 住宅建筑 b) 带有光伏安装的屋顶**

**来源：INCASOL**

包括“理想分配”模式以供比较，该模式假设所有生成的能源都可供社区使用，不管它被分配给哪个具体用户。这相当于事后动态分配的情况，可以产生SCR的最大可实现理论值。

总共定义了16种不同的方法，如表2所示。案例研究1评估了所有模式，而案例研究2由于在案例研究1中观察到的KPI改进较少，因此没有应用24小时日设定；因此，只评估了8种模式。

**表2. 分配系数计算模式**
| 计算方法 | 一天中的类型 | 生成的系数数量 |
| --- | --- | --- |
| IDEAL | - | 8 |
| OPT-CON-S | 1 | 7 |
| OPT-CON-WDWE | 2 | 6 |
| MONTHLY (M) | 1 | 2 |
| OPT-CON-WDWE + M | 2 | 4 |
| OPT-24h-SWDWE | 3 | 2 |
| MONTHLY (M) | 1 | 9 |
| OPT-24h ?WDWE | 2 | 8 |
| OPT-24h ?M | 4 | 7 |
| PTCCON-S | 1 | 2 |
| PTC-CON-SWDWE | 2 | 2 |
| MONTHLY (M) | 1 | 2 |
| PTC-CON-WDWE | 2 | 2 |
| OPT-24h-SWDWE | 4 | 8 |
| OPT-24h ?WDWE | 2 | 8 |
| OPT-24h ?M | 5 | 7 |
| OPT-24h ?WDWE | 5 | 6 |
*在OPT-24h模式下，优化仅限于上午6:00至晚上8:00之间的16个分配系数，对应于光伏生产时间。表中实际计算的数量在括号外，理论上的系数数量在括号内。*

**2.2. 案例研究描述**
**2.2.1. 案例研究1：正能量住宅建筑和医疗设施**
案例研究1基于位于Santa Coloma de Gramenet的一个理论REC，包括一个用于住宅用途的正能量建筑（来自syn.ikia项目的示范站点[28]）和一个公共医疗设施。
住宅建筑如图2所示，包括公共区域（ComAreas）的消耗和现场光伏安装（PVres）的发电。ComAreas包括建筑的集中能源消耗，如供暖和热水（DHW）集中系统、公共区域的照明和电梯消耗。
医疗设施包括两个部分：医疗消费者（HC）及其专用的光伏系统（PVhc）。用于电气消费轮廓的数据来自医疗建筑的历史每小时消耗数据。对于住宅建筑，没有实际数据；因此，通过模拟[28][29][30]中描述的详细建筑模型在TRNSYS18 [31]中生成消费轮廓。两栋建筑的光伏发电量使用TRNSYS18根据执行项目中的设计获得，没有考虑任何遮挡效应。住宅建筑的光伏安装旨在最大化可用的屋顶面积上的安装功率。PVres由114块355 Wp的太阳能板组成，总安装功率为39.1 kWp。安装朝向东29.7°，倾斜角度为30°。医疗设施的光伏安装仅限于建筑屋顶的一部分，可用面积为155平方米。因此，PVhc由75块400 Wp的太阳能板组成，总安装功率为30 kWp。

**图4**总结了每个消费者的能源消耗和每个光伏安装的发电量。图4a显示PVres的年发电量接近ComAreas的总消耗量，然而，在分析年平均日轮廓时，消耗和发电之间存在不匹配。在初步分析个别自消耗情况（即不考虑共享）时，PVres和ComAreas之间的年能源平衡显示出47.31%的SCR。这表明有额外的电力生成潜力，可以供应其他消费者，形成一个CSC。此外，38.68%的SSR表明现场光伏发电量覆盖的ComAreas消耗不足，这是由于负荷和发电之间的不匹配。

**另一方面，医疗设施的年消耗量大约是PVhc年发电量的4倍（图4c），平均日轮廓显示在光伏发电时段内消耗量很高（图4d）。实际上，其大部分光伏发电都在现场消耗，年SCR为97.22%。由于能源消耗在大多数时间超过PVhc的发电量，因此SSR较低，仅为18.04%。因此，医疗保健行业是基于光伏发电（PVres）安装产生的剩余电量进行共享自消费的潜在消费者。从平均每日用电情况来看，不同建筑物的消费行为各不相同，这增加了在能源收集系统（EC）中实现有益协同效应的潜力。以下情况被考虑并在图5中展示：
- 单独情景：不考虑能源共享，即每个生产者仅向其指定的消费者供电。具体来说，PVres仅向ComAreas供电，而PVhc仅向医疗保健部门供电。
- 共享情景：将ComAreas和医疗保健部门视为生产消费者（prosumers），并将PVres视为共享安装设施。PVhc继续仅向医疗保健部门供电。

图5. 案例研究1参与概要：a) 单独情景；b) 共享情景。

2.2.2 案例研究2：学校和普通住宅单元
案例研究2基于一个理论上的能源收集系统（CSC），涉及Gabriel Vallseca学校及其周边的普通住宅家庭。该学校建筑是ARV项目[32]的一部分，包含多个两层高的建筑单元，这些单元的屋顶适合安装光伏设备。如图6a所示，该建筑位于Llevant创新区，这是一个正在经历城市再生过程的帕尔马周边社区。
图6. 案例研究2：a) Gabriel Vallseca学校建筑。（关于此图例中颜色参考的解释，请参阅本文的网络版本。）来源：谷歌地图。b) 光伏安装设计，光伏板由橙色矩形表示，而红色区域则用于其他用途。来源：EMAYA

本案例研究中考虑的分析框架和关键组成部分如图7所示。Gabriel Vallseca学校（以下简称学校）作为生产消费者（prosumer），其屋顶安装的光伏系统旨在为其自身用电和住宅用户的用电发电。普通住宅单元（以下简称家庭HHs）被视为整体考虑，其聚合的用电量代表了所选区域的典型用电情况。
图7. 案例研究2参与概要：a) 单独情景；b) 共享情景。

2023年的学校历史用电数据是分析的基础，年总用电量约为66.8 MWh。对于住宅用电，选择了Datadis[33]中帕尔马邮政编码07,008区域的平均每小时用电数据，代表一个典型的住宅单元每年约消耗2,795 kWh的电力（图8）。
图8. 案例研究2：a) Gabriel Vallseca学校建筑图像。（关于此图中颜色参考的解释，请参阅本文的网络版本。）来源：谷歌地图。b) 光伏安装设计，光伏板用橙色矩形表示，红色区域用于其他用途。来源：EMAYA

根据帕尔马市政公用事业公司EMAYA[34]提供的实际项目前数据，确定了光伏安装参数。可用的屋顶面积为1,315平方米，可容纳总共209块光伏板，产生的总峰值功率为114.95 kWp。光伏系统面向东方向，倾角为10°。使用帕尔马的tmy文件[35]和基于PVGIS方法论的Python代码[36]估计了每小时的光伏发电量，未考虑阴影效应。该安装的年能量产出估计为181.6 MWh，每千瓦峰值功率的年能量产出约为1,579 kWh。创建包括HHs在内的CSC的前提是将产生的能源的30%分配给学校，70%分配给HHs，初始出口比例上限为每年15%。根据这一分配策略，总共可能有159户住宅家庭有效地参与到能源共享安排中，每户家庭从光伏安装中分得约0.5 kWp的电力。需要强调的是，这只是CSC的设计标准，实际分配比例将在应用不同计算模式得出的分配系数时进行调整。

如图8所示，这种社区配置突显了学校和住宅建筑之间的互补消费模式，表明有显著潜力提高能源利用效率（SCR）并为社区成员节省大量经济费用。此外，在学校由于夏季活动减少或无活动而导致用电量较低期间，HHs可以从分配的能源中获得更大份额。因此，预计每年整体的可再生能源证书（REC）收益会更好。

2.3 经济计算
为了计算每个用户的经济节省额，评估了电费中的能源费用部分。电费中的功率费用部分保持不变，因此不会带来节省。每种情景的节省额都是相对于安装光伏前的电费价格计算的。对于合同功率超过15 kW的消费者（ComAreas和学校），采用的电价为3.0TD电价，基于6个时间段（6P）。家庭（HHs）的节省额根据两种不同的电价进行评估：PVPC（针对小消费者的小型自愿价格），这是一种基于批发市场的时变定价的监管电价；以及2.0TD电价，一个基于3个时间段（3P）的电价。3P和6P电价按每日时间段划分，具体取决于月份、工作日和地点（案例研究1为西班牙大陆，案例研究2为巴利阿里群岛）。对于3P和6P电价，每个时间段适用的价格和固定剩余价格均采用2025年3月的市场数据来构建评估年份的每小时电价时间序列。对于PVPC电价，使用的是2024年的历史每小时价格数据。图9展示了夏季一个代表日的所有电价的每日价格，未包含税费。每月电费需缴纳的税率为5.113%的电费和21%的增值税。

图9. a) 每小时电价；b) 6月7日所有电价下的每小时剩余价格。

简化补偿机制包括一种计算每个计费周期能源费用价值的方法，考虑了剩余电量。

图10. 显示了每个计费周期能源费用计算的流程图，考虑到剩余电量的简化补偿机制。

请注意，如果能源费用计算结果为负数，最终值将为0，因为用户无法获得任何货币收益。应用的剩余价格是恒定的，分别为6P和3P电价的0.065 €/kWh和0.06 €/kWh。对于PVPC电价，剩余价格每小时变化，2024年的平均价格为0.062 €/kWh，尽管在光伏发电量较高的时段平均价格较低（如图9所示）。从经济角度来看，自消费通常比将剩余电力注入电网更有利，因为补偿价格低于市场电网价格。由于本研究不涉及对光伏安装投资可行性的分析，因此没有考虑与光伏安装私人所有权相关的额外成本。

3. 结果与讨论
在接下来的部分中，将分析不同情景和分配系数模式的结果，以评估哪种配置在自消费和经济节省方面为每个案例研究提供了更好的效果。

3.1 案例研究1的结果
3.1.1 案例研究1 - 能源关键绩效指标（KPIs）
对于案例研究1，在单独情景下，KPI值为：
- 医疗保健能源利用效率（SCR）= 97.2%，能源短缺率（SSR）= 18.0%，这表明消费与生产之间存在不匹配。另一方面，ComAreas的SCR = 47.3%，SSR = 38.7%，表明有可共享的剩余能源。理想分配下可实现的最高SCRREC为88.3%。图11展示了此案例研究中16种情景的SCRREC（a）和单个参与者的SCR（b）结果。完整的KPI集在附件中提供。

图11. 案例研究1的KPI结果：a) SCRREC；b) 所有模式下的单个参与者SCR

分析全局的SCRREC和SavingsREC结果，OPT模式通常比PTC模式表现更好，尽管差异较小。采用OPT模式获得的SCRREC平均值比PTC模式高出0.9个百分点。在所有模式中，OPT-24h-WDWE+M模式产生的SCRREC值最高，接近理想情景下的数值。在OPT模式下，每天设定为24小时的SCRREC值高于恒定每日设定下的值，但平均差异仅为0.07个百分点。然而，对于PTC方法，趋势相反，CON模式下的SCRREC平均值比24小时设定高出0.21个百分点。这是由于PTC方法的局限性，该方法将每个生产者视为唯一的电力来源，忽略了消费者可能由多个电源供电的事实。这导致在所有情景中都出现了过度分配，特别是在每天设定为24小时的模式下更为明显。

3.1.2 案例研究1 - 经济节省
图12展示了REC和个体用户的节省额结果。16种共享模式的平均SavingsREC为17,953欧元，相当于节省了32.2%，比单独情景增加了13.7%。SavingsREC的最高值出现在OPT-24h-WDWE+M模式下，这也是SCRREC表现最佳的模式。

图12. 案例研究1中所有模式的REC和个体用户节省额

在分析个体节省额时，总节省额的分配是不均等的，其中医疗保健部门的节省额占总节省额的82%，而ComAreas部门的节省额仅占18%。有趣的是，与单独情景相比，医疗保健部门的节省额有所增加（平均增加93.8%），而ComAreas部门的节省额则减少（平均减少60%）。这意味着ComAreas部门从与医疗保健部门共享部分PVres中并没有获得经济利益。由于共享导致ComAreas部门的经济节省减少，可能迫使医疗保健部门支付额外的费用以补偿这部分电力。关于不同的模式，医疗保健部门的较高节省额出现在PTC模式下，而ComAreas部门的较高节省额出现在OPT模式下。在这两种情况下，表现最佳的模式都是时间粒度较高的“-24h-WDWE+M”。

3.1.3 案例研究1 - 优化计算时间
虽然PTC模式通常在不到一秒钟的时间内就能生成全年的分配系数集，但分配系数的数值优化过程则耗时更多。表3汇总了案例研究1中每种OPT模式的计算时间。
表3. 案例研究1的优化分布系数数量和计算时间
模式总系数数量优化时间（分钟）
OPT-CON-S 20.00 20.00
OPT-CON-WDWE 24.03 40.00
OPT-CON-M 40.00 40.08
OPT-24h-S 32.00 42.90
OPT-24h-WDWE 38.4 29.0
OPT-24h-M 64.1 11.7
OPT-24h-WDWE+M 76 88.32

优化在一个配备了以下配置的专用计算机上进行：Microsoft Windows 10 Pro，第11代Intel(R) Core(TM) i5-1135G7 @ 2.40 GHz，1382 MHz，4核，8个逻辑处理器，以及16 GB安装物理内存。图13a展示了优化值数量与达到最优解所需时间之间的总体关系。
图13. a) 每种情景下的计算时间与系数数量之间的关系；b) 所有优化模式的SCRREC和计算时间。

图13b显示了与实现的SCRREC相关的所有优化情况下的计算时间。每天设定为恒定值的模式（CON）产生的SCRREC结果与24小时模式相似，且计算时间更少。所需的处理速度取决于应用程序的类型，例如，如果优化方法用于自动化流程，则可能更倾向于选择更低的计算时间。图13b可以为根据所需精度和所需时间选择最合适的方法提供实际指导。

3.2 案例研究2的结果案例研究2 ? 能源关键绩效指标（KPIs）

在案例研究2中，仅在学校这一单个场景下，光伏（PV）系统用于自我消耗。因此，KPI值SCRREC = 24.6%和SSRCREC = 10.0%表明该光伏系统的规模过大，不适合仅用于自我消耗。当将住宅用户纳入共享铜电网（CSC）后，SCRREC显著提高，所有模式的平均值为89.0%，增加了64个百分点。SSRCREC的平均值为31.6%，比单独使用光伏系统的场景高出21.6个百分点。图14显示了该案例研究8种评估场景下的SCRREC（a）和单独SCR（b）结果。完整的KPI列表见附录。比较不同模式下的KPI值，优化潮流（OPT）模式的性能略优于动力潮流（PTC）模式，SCRREC和SSRCREC的平均值分别高出0.43个百分点和0.15个百分点。

下载：高分辨率图片（161KB）
下载：全尺寸图片
图14. 案例研究2的KPI结果：a) SCRREC；b) SCR

在所有模式下，能源KPI值最高的模式是OPT-CON-WDWE + M，实际上，该模式的SCRREC仅比理想模式低1.9个百分点。OPT和PTC方法内的模式间差异并不显著，尤其是PTC模式，最佳和最差模式的SCRREC差异仅为1.5个百分点。在OPT和PTC模式中，“-WDWE”和“M”类型的日变化结果相似。

3.2.2 案例研究2 – 经济效益

关于案例研究2的经济效益，图15显示了所有消费者和模式的节省情况，分别使用PVPC（a）和3P（b）电价标准。PVPC下的SavingsREC平均为24,688欧元（31.2%），3P下的SavingsREC平均为32,246欧元（34.7%）。与单独使用光伏系统的场景相比，所有共享模式下的SavingsREC显著增加，平均分别增加了96.8%和157.1%。尽管在应用PVPC电价标准时，OPT模式的SavingsREC平均值与PTC模式的差异较大（5.39个百分点），但在应用3P电价标准时差异为1.49个百分点。最佳模式仍然是OPT-CON-WDWE + M，这与能源KPI的结果一致。

下载：高分辨率图片（234KB）
下载：全尺寸图片
图15. 案例研究2的节省情况：a) 使用PVPC电价标准的家庭（HHs）；b) 使用3P电价标准的高消费家庭（HHS）。学校的节省金额保持不变。

就个人节省情况而言，SavingsSchool平均减少了68.5%，这意味着学校通过与其他用户共享未能获得经济效益。另一方面，高消费家庭（HHs）在单独使用光伏系统的场景下没有节省，因此他们是最大的受益者，也是SavingsREC增加的原因。3P电价标准被证明是使住宅用户和共享铜电网（REC）获得最大节省的模式。

比较不同模式下的结果发现，在SavingsSchool方面，OPT和PTC模式的平均值相似，分别为31.6%和29.9%。然而，OPT模式下的SavingsSchool范围更广，介于26.2%到35.5%之间。OPT-CON-WDWE + M模式为学校带来的节省最多，且与单独使用光伏系统的场景相比差异较小。对于高消费家庭（HHs），无论采用PVPC还是3P电价标准，OPT模式下的SavingsHHs变化较小。与学校类似，OPT模式下的SavingsHHs在不同电价标准下的分散度更大。对于PVPC电价标准，最佳模式是OPT-CON-M；对于3P电价标准，最佳模式是OPT-CON-S。

3.3 案例研究比较

比较两个案例研究时，值得注意的是，尽管最终的REC（共享铜电网）KPI值相似，但与单独使用光伏系统的场景相比，案例研究2的改进更为显著。这可能是由于安装规模标准的不同所致。在案例研究1中，安装的发电功率更符合实际消耗需求，因为系统最初是为自我消耗而设计的；而在案例研究2中，系统从一开始就考虑了包括周边家庭在内的共享铜电网。在不同系数计算方法中，两种方法的最佳模式相同，即结合了工作日和周末类型的每日设定以及优化计算方法（OPT-CON-WDWE + M）。正如预期的那样，这种模式能够在周末和假期期间更好地分配能源，因为此时某些用户的消耗量较低（例如医疗机构和学校）。然而，不同模式间的变化并不明显，尤其是在经济效益方面，最大值与最小值之间的差异分别为案例研究1的1.63%、案例研究2的3.94%（PVPC）和1.16%（3P）。需要强调的是，调整系数以优化能源分配的影响是有限的，因为光伏发电和负荷曲线的模式最终限制了自我消耗的潜力。未来的研究可以评估分配系数在更多消费者和更复杂消费结构中的影响。此外，经济效益与多余能源的补偿价格密切相关，而目前这一价格较低。未来的研究还可以探讨其他更有影响力的策略，例如通过聚合器以更高价格出售多余能源或储存电能。

在两个案例研究中，都发现了参与者之间的重要不对称性，即一个消费者从共享中受益而另一个消费者受损。这种不对称性可以通过为共享电力分配固定内部电价或年度参与者费用来减轻[37]。成本分配方法对能源交易效率（EC）的表现以及参与者对公平性和透明度的感知有显著影响[37]。因此，提议的补偿机制有助于保持REC的整体积极效果，并促进经济效益的公平分配。目标是让生产者（prosumer）弥补因不共享而造成的经济损失。以案例研究1的最佳模式（OPT-24h - WDWE + M）为例，医疗机构为共享能源支付的补偿价格为0.112欧元/千瓦时，低于本研究考虑的任何时期的价格。在案例研究2中，为了确保学校保持与单独使用光伏系统相同的节省效果，每个家庭的年度费用估计在50.2至57.7欧元之间。这一费用使高消费家庭（HHs）的节省金额减少了42.3%至37.2%。在实际应用中，补偿方案可能会因所有权和投资考虑而变得更加复杂，文献中有许多研究探讨了EC中的成本分配和内部交易问题[38]。

4. 结论

基于包括多个生产者和消费者的共享铜电网（CSC）的建立，需要定义分配系数来确定如何将产生的电能分配给各参与者。西班牙和其他欧盟成员国的CSC法规允许通过预先确定的系数进行分配，这些系数可以是静态的也可以是动态的。本文扩展了关于使用不同时间分辨率和计算方法预先确定系数的现有文献。通过分析西班牙的两个CSC案例研究，测试并比较了不同的分配选项。动力潮流（PTC）方法证明是一种有效的方法，能够将更多能源分配给需求较高的用户。优化潮流（OPT）方法更进一步，实现了更高的自我消耗水平，尽管REC的KPI增长并不明显。案例研究1下的SCRREC平均值为86.4%（OPT）和85.3%（PTC），案例研究2下的SCRREC平均值为89.2%（OPT）和88.8%（PTC）。总体而言，OPT模式下的SCRREC平均值比理想模式低2至3个百分点。尽管结果良好，但需要注意的是，这些分配系数是基于历史数据或模拟数据预先确定的，因此该方法存在固有的不确定性。未来的研究可以评估应用于事后计量每小时消费数据集的预先确定系数的KPI。

关于时间粒度，结果表明，考虑日类型（工作日和周末）或月度变化在能源平衡和计算时间方面更有效。案例研究1表明，每天使用24个系数的改进并未抵消计算工作量。最详细的OPT模式的处理时间达到了8.32分钟，这根据应用场景的不同可能被认为较高。与仅依赖自我消耗的基准场景相比，两种案例研究中的REC经济效益都有所增加，分别增加了14%和127%。尽管如此，这一KPI受所选计算方法的影响较小，更多取决于电价类型和消费模式。

案例研究的一个重要局限性是仅考虑了两种消费类型。预计随着更多具有不同消费模式的参与者参与CSC，使用OPT方法得到的结果将比PTC方法更加显著。从所有CSC参与者收集每小时消费数据也会增加实际应用的复杂性。CSC分配的常见方法包括依赖年度或月度汇总数据的PTC-CON-S和PTC-CON-M模式，这些模式在某些情况下因应用简便而更受欢迎。未来的研究需要进一步评估结合能源和经济效益的平衡，并探索最大化本地能源消耗和REC经济效益的分配方案。还可以探索更复杂的优化方法，将其他KPI作为次要目标。此外，还需要更详细地探讨分配的公平性，特别是确保REC成员的个体利益，特别是在弱势成员的情况下。

CRediT作者贡献声明：
Marina Calcagnotto：撰写——原始草稿、可视化、软件、研究；
Joana Ortiz：撰写——审阅与编辑、可视化、方法论、概念化；
Iuliia Maskova：撰写——审阅与编辑、研究；
Francesc Madrid：软件；
Jordi Pascual：方法论、概念化；
Jaume Salom：监督、方法论、概念化。

热点排行