CN104751373B - 计及污染气体排放风险的环境经济调度方法 - Google Patents
计及污染气体排放风险的环境经济调度方法 Download PDFInfo
- Publication number
- CN104751373B CN104751373B CN201510128189.7A CN201510128189A CN104751373B CN 104751373 B CN104751373 B CN 104751373B CN 201510128189 A CN201510128189 A CN 201510128189A CN 104751373 B CN104751373 B CN 104751373B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- dusty gas
- gas discharge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000028659 discharge Diseases 0.000 title claims abstract description 136
- 230000007613 environmental effect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012502 risk assessment Methods 0.000 claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 210000000349 chromosome Anatomy 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 17
- 238000009987 spinning Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000010977 unit operation Methods 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000005312 nonlinear dynamic Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 117
- 238000007726 management method Methods 0.000 description 17
- 230000008901 benefit Effects 0.000 description 7
- 230000035699 permeability Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000011109 contamination Methods 0.000 description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 238000005370 electroosmosis Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Coloring Foods And Improving Nutritive Qualities (AREA)
Abstract
本发明公开了一种计及污染气体排放风险的环境经济调度方法,首先考虑到风电出力的随机性,对环境经济调度污染气体排放风险评估指标进行了定义,并采用半绝对离差风险的概念建立了污染气体排放风险评估指标;然后基于多场景建模理论,在日调度周期内建立了计及计及污染气体排放风险的多目标随机动态环境经济调度模型。本发明结合风电出力的场景模拟和场景削减技术,采用内嵌目标相对占优的遗传算法求解所建模型,能够有效的评估出环境经济调度中污染气体排放的风险信息,以及实现污染气体排放风险的有效管理。
Description
技术领域
本发明涉及风电出力排放污染气体的风险评估领域,特别是一种计及污染气体排放风险的环境经济调度方法。
背景技术
在能源短缺和环境污染日益严峻的今天,对占全社会污染气体排放较大比重的电力系统进行污染气体排放的评估与管理具有重要的现实意义。在此背景下,风力发电由于具有不消耗一次能源且无污染气体排放的优点,在世界各国得到的了快速发展。环境经济调度作为电力系统控制污染气体排放的重要手段,如何考虑风电出力的随机性实现污染气体排放的评估与管理是当前环境经济调度优化决策中亟待解决的重大课题。
从本质上讲,兼顾环境保护和经济效益的发电调度即为环境经济调度,其较多的体现形式为在追求火电机组发电运行成本尽可能低的经济调度模型中,增加了使得污染气体排放量尽可能低的目标函数,从而使得环境经济调度转变为含污染气体排放评估指标的多目标优化问题。由此,环境经济调度必然包含2个评估和管理目标:火电机组发电运行成本和污染气体排放。
针对环境经济调度优化目标之一的火电机组发电运行成本的评估与管理,现有文献从确定性评估到不确定性取得了较为丰硕的研究成果。鉴于环境经济调度本质上是经济调度的延续,显然环境经济调度可以借鉴已有的经济调度中的经济性评估指标对火电机组的发电运行成本进行评估和管理。考虑风电出力的随机性,采用火电机组发电运行成本指标或者其期望值来评估环境经济调度中的火电机组运行成本。针对风电出力随机性造成的经济风险,分别将风险价值(value at risk,VaR)、条件风险价值(conditional value atrisk,CVaR)和半绝对离差风险(semi-absolute deviation,SAD)评估指标应用到含风电的经济调度中,在最小化火电机组发电运行成本的同时,以实现对经济风险进行有效的管理。
然而,针对环境经济调度优化目标之二的火电机组污染气体排放的评估指标,目前还没有风险评估指标以及相应的风险管理模型的文献报道。在随机环境下,现有文献大都采用污染气体的排放浓度、某一时段内污染气体的排放量以及单位电量减少的污染气体排放量等,或者以其期望值作为评估指标,而在随机环境下这些指标的实现具有一定的风险性。再就目前电力系统节能减排的实际情况来看,由于缺乏风险管理意识,导致最后以牺牲巨大的经济利益,采用极端的“拉闸限电”手段达到节能减排考核评估的现象,更需要业界对现有的节能减排评估和管理方法的局限性进行深刻的反思。
另一方面,在对环境经济调度的污染气体排放进行评估时,采用了价格罚因子(price penalty factor,PPF)的概念将污染气体的排放转化为火电机组运行的经济成本,从而借助经济性指标来评估污染气体的排放。该思路原理较为简单,但如果将其运用于污染气体排放的风险评估会导致3个问题:1)各地区电源结构和负荷需求的不同PPF的确定必然不同,其评估结果无横向可比性;2)由于人为引入了PPF,其评估结果不能真实的反映污染气体排放风险;3)评估结果与目前各国各地区污染气体排放的评估指标不一致。因此,必须结合环境经济调度污染气体排放的固有特征,建立污染气体排放风险评估指标以及相应的风险管理模型。
发明内容
本发明的目的就是提供一种计及污染气体排放风险的环境经济调度方法,可以实现在风电出力具有随机性的环境下,对环境经济调度中污染气体排放可能面临的风险进行量化评估,使得调度机构能有效的管理环境经济调度中污染气体的排放。
本发明的目的是通过这样的技术方案实现的,它包括有如下具体步骤:
1)构建环境经济调度污染气体排放风险评估指标;
2)在多场景理论框架内建成计及污染气体排放风险的多目标随机动态环境经济调度模型;
3)由所建模型对风电出力场景进行模拟,采用后向场景削减技术对模拟出的风电出力场景进行削减,然后在削减后的风电出力场景集合基础上进行环境经济调度的优化决策;
4)采用内嵌目标相对占优的遗传算法,对削减后形成的复杂动态非线性模型进行求解,得到综合最优解;
5)调度机构根据综合最优解对风电出力污染气体排放风险进行评估及管理;
步骤1)中所述的构建环境经济调度污染气体排放风险评估指标包括:
1-1)污染气体排放风险评估指标的定义:以环境经济调度的调度机构作为行为主体,把风电出力作为影响环境经济调度污染气体排放的随机因素;在风电随机出力环境下,将在设定的调度周期内,火电机组总的污染气体排放量超出期望值的部分作为污染气体排放风险;污染气体排放风险的严重程度作为污染气体排放风险的度量指标,称为环境经济调度污染气体排放风险评估指标;
1-2)采取半绝对离差风险评估指标来构建环境经济调度中污染气体排放风险评估指标,在半绝对离差风险的概念中总回报率及其期望值表示如下:
式(1)(2)中,N表示投资资产的总数,Ri表示第i种投资资产的随机回报率,ri表示Ri的期望,xi表示在总的投资资产中第i种资产的比例;
根据(1)(2)式,采用半绝对离差风险的概念来度量投资组合风险时其风险评估指标可表示如下:
L_(x)=E[|R(x)-E(R(x))|_] (3)
式中E表示期望算子,E(R(x))表示对随机变量R(x)取期望;
针对任意的v,有下式成立:
|v|_=max{0;-v} (4)
式(4)的具体含义为:当v≥0时该表达式取值为0,反之则取值为-v;
1-3)基于半绝对离差风险评估的污染气体排放风险评估指标:在环境经济调度中度量污染气体排放风险的评估指标构建如下:
式中NG表示火电机组的台数,Pi,G表示火电机组i的随机出力,fi(Pi,G)表示火电机组i的污染气体排放量函数;其中对任意的v有下式成立:
|v|+=max{0;v} (6)
式(6)的具体含义为:当v≥0时该表达式取值为v,反之则取值为0;
构建的环境经济调度污染气体排放风险评估指标将应用于计及污染气体排放风险的多目标随机动态环境经济调度模型中,该模型的构建如下:
以日调度周期内环境经济调度火电机组污染气体排放量的期望值,以及污染气体排放风险均最低作为多目标函数,并将火电机组发电运行成本的期望作为约束条件,具体的目标函数及约束条件为:
2-1)设置多目标函数为:
2-1-1)取污染气体排放量的期望值最小值:
式中s表示场景序号,s∈S表示场景s属于集合S,ps表示场景s发生的概率,T表示调度周期时段数,表示第i台火电机组在场景s环境下第t个时段的出力;
其中采用污染气体综合排放函数表示,如下所示:
式中αi、βi、γi、ηi和δi表示火电机组i的污染气体综合排放函数的系数;
2-1-2)使污染气体排放风险达到最小的方式为:将式(5)具体化到调度周期的各时段,则得到下式:
2-2)设置约束条件为:
2-2-1)系统运行约束条件为:
2-2-1-1)火电机组发电运行成本期望约束条件为:
式中C表示火电机组发电运行成本期望值上限,表示火电机组i的发电运行成本函数,具体表达式如下:
式中ai、bi、ci、di和ei表示火电机组i的发电运行成本函数的系数;
2-2-1-2)系统功率平衡约束条件为:
式中表示在场景s环境下风电机组j在第t个时段的功率,表示第t个时段的系统负荷功率;
2-2-1-3)系统上下旋转备用约束条件为:
式中Pi,G,max、Pi,G,min分别表示火电机组i的出力上下限,分别表示系统在第t个时间段的上下旋转备用;
2-2-2)机组运行约束条件为:
2-2-2-1)火电机组出力上下限约束条件为:
2-2-2-2)火电机组爬坡能力约束条件为:
式中Ri,u、Ri,d分别表示火电机组i在相邻时段出力允许的最大上升和下降值;
2-2-2-3)火电机组快速调整量约束条件为:用于保证在不同场景发生时火电机组能及时调整处理,以适应风电出力的随机性变化,表达式为:
式中表示火电机组i在时段t时各个场景中出力的期望值,即最终的机组调度出力,表示场景s环境下在时段t时火电机组i的调度出力与其最终调度出力之间的差值,△i,UG、△i,DG分别表示火电机组i的快速调整量上下限。
进一步,采用该模型进行风电出力的场景模拟并采用后向削减技术对模拟出的场景削减后,形成的复杂动态非线性模型采用内嵌目标相对占优的遗传算法来求解,具体求解方式如下:
3-1)基于目标相对占优的染色体适应度函数构造:将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点,然后再计算各染色体相对各基点的目标值之和,目标值之和最优的染色体即为每次迭代过程中的最优染色体,在满足终止条件时最优染色体就为所求多目标模型的综合最优解,据此,基于目标相对占优的染色体适应度函数可构造如下:
式中A(xi)表示染色体xi的适应度函数,gj(xi)表示惩罚函数,ωj表示惩罚函数系数,Ny表示需要判断的总约束数,F(xi)表示染色体xi相对各基点的目标函数值之和,表达式为:
式中fj(xi)表示染色体对应的子目标函数j的函数值,fj(xj_0)表示子目标函数j的基点xj_0对应的函数值,Nj表示子目标函数的个数;
3-2)内嵌目标相对占优的遗传算法具体步骤如下:
3-2-1)输入原始数据:输入拉丁超立方采样规模、风电出力场景削减后场景集合的场景数、遗传算法中要求的种群规模、交叉概率、变异概率;
3-2-2)风电出力场景生成和削减:首先采用拉丁超立方采样技术生成大量风电出力的原始场景,然后采用后向场景削减技术对该原始场景进行削减,得到满足求解效率和精度要求的风电出力场景集合;
3-2-3)产生初始种群:根据式(15)对随机个体进行编码产生;
3-2-4)启发式调整:对初始种群中的火电机组出力变量进行启发式调整,以满足系统功率平衡约束条件;
3-2-5)适应度评价根据式(21)的目标相对占优的适应度函数对初始种群中的每个随机个体进行适应度评价;
3-2-6)产生子种群:对父代种群中的随机个体进行选择、交叉和变异操作,生成本次迭代的新一代子种群,并对该种群进行启发式调整;
3-2-7)合并种群:合并父代和子代种群以形成本次迭代的新种群;
3-2-8)适应度评价:根据式(21)的目标相对占优的适应度函数进对合并后种群中的每个随机个体进行适应度评价;
3-2-9)保留父代种群:基于最优保存策略,将本次迭代中父代和子代共2N个个体组成新群体,并根据适应度值进行从大到小排序,选择0.5N个优良个体、0.3N个次优个体和0.2N个不良个体,组成N个个体的新的父代种群,保留该新的父代种群;
3-2-10)终止判断:判断是否满足迭代终止条件,若满足终止条件则输出最优个体,否则返回步骤3-2-6)。
由于采用了上述技术方案,本发明具有如下的优点:
1)风电出力的随机性给环境经济调度污染气体的排放管理会带来一定风险,对其污染气体排放风险进行评估和管理具有重要意义。
2)借鉴投资组合理论中半绝对离差风险的概念建立的污染气体排放风险评估指标,能够有效的评估出环境经济调度中污染气体排放的风险信息。
3)建立的多目标随机动态环境经济调度模型能够实现污染气体排放风险的有效管理。
4)随着电力系统中风电渗透率的增大,更需要采用所提的环境经济调度模型对污染气体排放的风险进行管理。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的流程图。
图2为风电出力随机性与污染气体排放风险关系曲线示意图。
图3为火电机组发电成本约束值与污染气体排放风险之间的关系曲线示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供的是一种计及污染气体排放风险的环境经济调度方法,可以实现在风电出力具有随机性的环境下,对环境经济调度中污染气体排放可能面临的风险进行量化评估,使得调度机构能有效的管理环境经济调度中污染气体的排放。实现的具体步骤为:
1)构建环境经济调度污染气体排放风险评估指标:
为了实现社会经济的可持续发展,尽可能降低污染气体的排放量是电力系统环境经济调度的两大目标之一,而从电力系统污染气体排放的来源看主要为常规的火电机组。相对目前负荷预测的研究已具有较大准确性而言,风电出力的预测还存在较大误差。在风电出力具有随机性的环境下,环境经济调度中火电机组的出力本质上也具有一定的随机性特征,从而就极可能导致污染气体排放风险的发生。由此,有必要在风电出力具有随机性的环境下,对环境经济调度中污染气体排放可能面临的风险进行量化评估,以利于调度机构进行污染气体排放风险的管理。
1-1)污染气体排放风险评估指标的定义:
建立表征风险的指标是风险量化评估的前提,其定义方法有以下2种:(1)在一定条件下发生行为主体遭受损失状态的可能性,采用风险后果发生的概率来描述;(2)为由于各种不确定性导致行为主体可能遭受的损失,采用风险后果的严重程度来描述。
本发明采用的是风险评估指标定义中的第2种方法,即以环境经济调度的调度机构作为行为主体,把风电出力作为影响环境经济调度污染气体排放的随机因素。在该随机环境下,将在一定的调度周期内,火电机组总的污染气排放量超出其期望值的部分作为污染气体排放风险;该风险的严重程度作为污染气体排放风险的度量指标,称其为环境经济调度污染气体排放风险评估指标。
1-2)半绝对离差风险评估指标的基本概念:
在环境经济调度背景下,可将调度机构调度机组出力中火电机组的发电运行成本类比为总资产,从各机组出力的组合中相对期望的污染气体排放量而言,减少的污染气体排放量看作其投资回报。由此,环境经济调度中污染气体排放风险的评估问题与经济学中的投资组合理论(portfolio theory,PT)类似,故可借鉴该理论中的经济风险评估指标来解决环境经济调度中污染气体排放风险评估指标的构建问题。
目前,投资组合理论中的经济风险评估指标大都能够在一定程度上反映随机性因素给投资主体带来的经济风险,但也具有一定的局限性。均值-方差指标(mean-variance,MW)最大的缺点是不能体现风险的本质;半方差指标(Semi-Variance,SV)虽然体现了风险的本质,但与均值-方差指标一样依赖于收益率服从正态分布,这在实际中较难满足;风险价值指标(VaR)与条件风险价值指标(CVaR)的缺点是当损失分布不连续时不满足一致性公理(Coherent Axiom),缺乏次可加性(Sub-additive),不适用于组合优化问题,同时条件风险价值依赖于给定的置信水平;绝对离差指标(absolute deviation,AD)的缺点是当风险分布不连续时不满足次可加性,同时也没反映出风险本质。鉴于上述风险评估指标的局限性,提出了半绝对离差(SAD)风险的概念。该概念应用到风险评估指标时能够体现风险的本质,同时还具有一阶矩存在,不严格要求损失分布的优点。在半绝对离差风险的概念中总回报率及其期望值可分别表示如下:
式(1)(2)中,N表示投资资产的总数;Ri表示第i种投资资产的随机回报率;ri表示Ri的期望;xi表示在总的投资资产中第i种资产的比例。根据(1)(2)式,采用半绝对离差风险的概念来度量投资组合的风险时其风险评估指标可表示如下:
L_(x)=E[|R(x)-E(R(x))|_] (3)
式中:E表示期望算子;E(R(x))表示对随机变量R(x)取期望。其中,针对任意的v,有下式成立:
|v|_=max{0;-v} (4)
这里(4)式的具体含义为:当v≥0时表示该表达式取值为0;反之表示该表达式取值为-v。
由(3)式可知,半绝对离差风险评估指标具有以下2个基本的物理内涵:1)度量的是投资组合的总风险;2)体现了风险的本质,高于期望值的收益率对投资者不构成损失,反之则构成损失。
1-3)基于半绝对离差的污染气体排放风险评估指标:在随机环境下投资组合理论将低于期望值的收益率当作投资者的经济风险,这符合风险的基本定义。然而,环境经济调度中多采用污染气体排放量来描述污染气体对环境的污染程度,必然的当环境经济调度产生的污染气体排放量超过对应的期望值时就会导致风险的发生。由此,在环境经济调度中度量污染气体排放风险的评估指标可构建如下:
式中,NG表示火电机组的台数;Pi,G表示火电机组i的随机出力;fi(Pi,G)表示火电机组i的污染气体排放量函数。其中,针对任意的v有下式成立:
|v|+=max{0;v} (6)
式(6)的具体含义为:当v≥0时表示该表达式取值为;反之表示该表达式取值为0。
2)构建计及污染气体排放风险的多目标随机动态环境经济调度模型:将构建的污染气体排放风险评估指标(5)式应用于环境经济调度模型中就可以实现其污染气体排放风险的管理。鉴于风电出力随机性的存在,可在多场景理论框架内建模。以日调度周期内环境经济调度火电机组污染气体排放量的期望值,以及污染气体排放风险均尽可能低作为多目标函数,而将火电机组发电运行成本的期望作为约束条件。即所建模型的物理内涵描述为,在风电出力具有随机性的环境下,以满足一定的火电机组发电运行成本约束为限制条件,研究调度机构在调度周期内如何实现污染气体排放及其风险管理的多目标优化。
不失一般性,模型还作如下简化:(1)忽略网络潮流安全约束;(2)不考虑机组启停问题;(3)一座风电场等效为一台风电机组;(4)忽略网损。
2-1)设置多目标函数:
2-1-1)使得污染气体排放量的期望达到最小:
式中,s表示场景序号;s∈S表示场景s属于集合S;ps表示场景s发生的概率;T表示调度周期时段数,本发明中取24时段;表示第i台火电机组在场景s环境下第t个时段的出力。其中采用污染气体综合排放函数表示,表达式如下:
其中,αi、βi、γi、ηi和δi表示火电机组i的污染气体综合排放函数的系数。
2-1-2)使得污染气体排放风险达到最小:将(5)式具体化到调度周期的各时段,有下式成立:
2-2)设置模型的约束条件:
2-2-1)系统运行约束条件包括:
2-2-1-1)火电机组发电运行成本期望约束条件为:
式中,C表示火电机组发电运行成本期望值上限;表示火电机组i的发电运行成本函数,表达式如下:
式中,ai、bi、ci、di和ei表示火电机组i的发电运行成本函数的系数。
2-2-1-2)系统功率平衡约束条件为:
式中,表示在场景s环境下风电机组j在第t个时段的功率;表示第t个时段的系统负荷功率。
2-2-1-3)系统上下旋转备用约束条件为:鉴于风电出力的随机性较大,需考虑上下两种旋转备用。前者用来应对风电机组出力突然较少或者火电机组强迫停运;后者用于应对负荷突然减少或风电机组出力突然增加。假设上下旋转备用均由火电机组提供,可表示如下:
式中,Pi,G,max、Pi,G,min分别表示火电机组i的出力上下限;分别表示系统在第t个时段的上、下旋转备用。
2-2-2)机组运行约束条件包括:
2-2-2-1)火电机组出力上下限约束条件为:
2-2-2-2)火电机组爬坡能力约束条件为:
式中,Ri,u、Ri,d分别表示火电机组i在相邻时段出力允许的最大上升和下降值。
2-2-2-3)火电机组快速调整量约束条件为:为了保证在不同场景发生时火电机组都有能力及时调整出力,以适应风电出力的随机性变化,需考虑火电机组的快速调整量约束。
式中,表示火电机组i在时段t时各个场景中出力的期望值,即最终的机组调度出力;表示场景s环境下在时段t时火电机组i的调度出力与其最终调度出力间的差值;△i,UG和△i,DG分别表示火电机组i的快速调整量上、下限,该值可取对应火电机组10min内的最大功率改变量。
3)风电出力的场景模拟和场景削减技术:所建模型为多场景随机模型,对其中风电随机出力的场景模拟,可根据风电出力的历史数据得到其对应的统计规律,然后根据该统计规律采用随机模拟的方法产生风电出力样本,一个风电日出力曲线样本就对应一个场景。实际中风电出力场景数的庞大使得模型求解异常困难,为此采用后向场景削减技术(backward scenario reduction,BSR)对模拟出的风电出力场景进行削减,然后在削减后的风电出力场景集合基础上进行环境经济调度的优化决策。
需要指出的是,削减后风电出力场景集合中场景规模需要综合考虑求解效率和精度来确。
4)内嵌目标相对占优的遗传算法:在对风电出力的场景进行模拟并削减的基础上,所建模型为一个复杂的动态非线性模型,可采用经典的遗传算法求解。而针对该模型为多目标模型的特点,为获取其综合最优解可将目标相对占优法引入遗传算法中,形成内嵌目标相对占优的遗传算法,以实现环境经济调度中污染气体排放及其风电的协调管理。其中,为提高风电出力场景的模拟效率可采用高效的拉丁超立方采样技术。
4-1)基于目标相对占优的染色体适应度函数的构造为:基于目标相对占优(Objective Relative Dominant Method)的遗传算法来获取多目标模型的综合最优解,其基本思想是:将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点,然后再计算各染色体相对各基点的目标值之和,目标值之和最优的染色体即为每次迭代过程中的最优染色体,在满足终止条件时最优染色体就为所求多目标模型的综合最优解。据此,基于目标相对占优的染色体适应度函数可构造如下:
式中:A(xi)表示染色体xi的适应度函数;gi(xi)表示惩罚函数;ωj表示惩罚函数系数,若gi(xi)满足约束则ωj为0,否则不为0且约束越重要罚函数系数就越大;Ny表示需要判断的总约束数;F(xi)表示染色体xi相对各基点的目标函数值之和,表达式如下:
式中:fj(xi)表示染色体xi对应的子目标函数j的函数值;fj(xj_0)表示子目标函数j的基点xj_0对应的函数值;Nj表示子目标函数的个数。
4-2)内嵌目标相对占优的遗传算法具体步骤为:结合风电出力的场景模拟和后向削减技术,内嵌目标相对占优的遗传算法流程如下。其中,为了保留最优个体而又不失种群的多样性,采用了最优个体保存策略。
4-2-1)输入原始数据:输入拉丁超立方采样规模、风电出力场景削减后场景集合的场景数,遗传算法中要求的种群规模、交叉概率、变异概率等算法控制参数等。
4-2-2)风电出力场景生成和削减:首先采用拉丁超立方采样技术生成大量风电出力的原始场景,然后采用后向场景削减技术对该原始场景进行削减,得到满足求解效率和精度要求的风电出力场景集合。
4-2-3)产生初始种群:根据(15)式对随机个体进行编码以产生初始种群。
4-2-4)启发式调整:对初始种群中的火电机组出力变量进行启发式调整,以使得其满足系统功率平衡约束(12)式。
4-2-5)适应度评价:根据(21)式的目标相对占优的适应度函数对初始种群中的每个随机个体进行适应度评价。
4-2-6)产生子种群:对父代种群中的随机个体进行选择、交叉和变异操作,生成本次迭代的新一代子种群,并对该种群进行启发式调整。
4-2-7)合并种群:合并父代和子代种群以形成本次迭代的新种群。
4-2-8)适应度评价:根据(21)式的目标相对占优的适应度函数进对合并后种群中的每个随机个体进行适应度评价。
4-2-9)保留父代种群:基于最优保存策略,将本次迭代中父代和子代共2N个个体组成新群体,并根据适应度值进行从大到小排序,选择0.5N个优良个体、0.3N个次优个体和0.2N个不良个体,组成N个个体的新的父代种群,保留该新的父代种群。
4-2-10)终止判断:判断是否满足迭代终止条件,若满足终止条件则输出最优个体,否则返回步骤4-2-6)。
本发明的具体实施方式以2个算例来分别验证所建的污染气体排放风险评估指标和环境经济调度模型的有效性。在下述的2个算例中,旋转备用均取各时段系统负荷的5.0%;火电机组快速调整量均取30MW/h;拉丁超立方采样样本数3000个;削减后风电出力场景集合中场景规模10个。遗传算法参数:种群规模80、交叉概率0.50、变异概率0.10;迭代终止判据为最优个体连续30代保持不变或达到最大迭代300次。
(1)算例1:所建风险评估指标的有效性验证:
本算例由3台火电机组,外加1台风电机组构成;24时段风电出力预测值取10.0%;风电出力的标准差均取各时段预测值的10.0%;24时段系统负荷曲线均按照对应24时段负荷曲线的40.0%折算;设定火电机组发电运行成本期望的约束值为992600美元。
基于上述原始数据,利用后向场景削减技术得到风电出力的10个场景及各场景发生的概率分别如表1、2所示。
表1 10个场景的风电出力
表2 10个场景风电出力发生的概率
为验证所建污染气体排放风险评估指标的有效性,基于本算例原始数据,将风电出力的标准差从其期望值的10.0%逐渐修改至19.0%。由此得到的污染气体排放风险的变化曲线如图2所示。
由图2可知,风电出力标准差逐渐从对应期望值的10.0%增加到19.0%时,污染气体排放风险从325lb逐渐增加到605lb。这是由于当风电出力随机性逐渐增大时,高污染气体排放的火电机组的随机出力超过期望值的概率也逐渐增加,从而导致污染气体风险评估指标中半绝对离差风险逐渐增加。由此证明,风电出力随机性越大,环境经济调度面临的污染气体排放风险也越大,而所建的风险评估指标能够有效评估出风电出力随机性带来的污染气体排放风险的变化。
另外,设定不同的火电机组运行成本限制值,以验证所建污染气体排放风险指标的有效性。基于本算例原始数据,将火电机组发电运行成本期望的约束值从982600美元逐渐修改至1052600美元,由此得到的火电机组发电运行成本期望约束值与污染起排放风险变化关系曲线如图3所示。
由图3可知,当火电机组发电运行成本期望的约束值越高时,所对应的环境经济调度污染气体排放风险就越低。可见,所建的污染气体排放风险评估指标能够有效的评估出不同的火电机组运行成本限制值所带来的风险差异;同时可知,牺牲一定的经济利益可以有效的改善污染气体排放风险。
为说明仿真结果的有效性,在设定的原始数据下,表3给出了最终调度方案中各机组的出力状态。以其中时段1、2、3为例可以看出,上述时段各机组出力均满足系统功率平衡约束、机组出力上下限约束、系统旋转备用约束、各时段之间火电机组爬坡能力约束以及机组快速调整量约束。即仿真结果具有有效性。
表3最终调度机组出力状态
(2)算例2:所建环境经济调度模型的有效性验证:
为验证本发明所建模型的有效性,考虑不同风电渗透率对环境经济调度污染气体排放风险的影响再给出1个算例,并将本文所建模型与不考虑污染气体排放风险的环境经济调度模型进行比较。本算例由40台火电机组,外加1台风电机组构成;并设定本算例最大负荷保持不变,即取10500MW,日负荷曲线参照算例1的日负荷曲线变化趋势等比例产生;风电出力标准差取预测值的10.0%。基于上述原始数据再使得风电渗透率从4.38%逐渐增加到8.76%、13.1%和17.5%,以此构成4种不同的风电渗透率仿真方案。
基于上述4种仿真方案,得到的火电机组污染气体排放量(期望值)、污染气体排放风险如表4所示。
表4 4种风电渗透率对应的仿真结果
由表4中模型仿真结果可看出,随着电力系统中风电渗透率的增大,火电机组污染气体排放量逐步下降,而污染气体排放风险却急剧增加。这说明,风电渗透率的增大使得环境经济调度取得较大环境效益的同时,其出力的随机性也使得污染气体排放面临更大的风险,对环境经济调度的污染气体排放进行风险管理具有必要性。
由仿真结果可以看出本发明所建模型能够有效的降低污染气体排放风险,且能够很好的兼顾污染气体排放的优化与对应风险的协调。由此,在风电渗透率逐渐增加以及大气污染越来越严重的今天,更需要采用本发明所建模型进行环境经济调度以实现污染气体排放风险的有效管理。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种计及污染气体排放风险的环境经济调度方法,其特征在于,具体步骤如下:
1)构建环境经济调度污染气体排放风险评估指标;
2)在多场景理论框架内建成计及污染气体排放风险的多目标随机动态环境经济调度模型;
3)由所建模型对风电出力场景进行模拟,采用后向场景削减技术对模拟出的风电出力场景进行削减,然后在削减后的风电出力场景集合基础上进行环境经济调度的优化决策;
4)采用内嵌目标相对占优的遗传算法,对削减后形成的复杂动态非线性模型进行求解,得到综合最优解;
5)调度机构根据综合最优解对风电出力污染气体排放风险进行评估及管理;
步骤1)中所述的构建环境经济调度污染气体排放风险评估指标包括:
1-1)污染气体排放风险评估指标的定义:以环境经济调度的调度机构作为行为主体,把风电出力作为影响环境经济调度污染气体排放的随机因素;在风电随机出力环境下,将在设定的调度周期内,火电机组总的污染气体排放量超出期望值的部分作为污染气体排放风险;污染气体排放风险的严重程度作为污染气体排放风险的度量指标,称为环境经济调度污染气体排放风险评估指标;
1-2)采取半绝对离差风险评估指标来构建环境经济调度中污染气体排放风险评估指标,在半绝对离差风险的概念中总回报率及其期望值表示如下:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)(2)中,N表示投资资产的总数,Ri表示第i种投资资产的随机回报率,ri表示Ri的期望,xi表示在总的投资资产中第i种资产的比例;
根据(1)(2)式,采用半绝对离差风险的概念来度量投资组合风险时其风险评估指标可表示如下:
L_(x)=E[|R(x)-E(R(x))|_] (3)
式中E表示期望算子,E(R(x))表示对随机变量R(x)取期望;
针对任意的v,有下式成立:
|v|_=max{0;-v} (4)
式(4)的具体含义为:当v≥0时该表达式取值为0,反之则取值为-v;
1-3)基于半绝对离差风险评估的污染气体排放风险评估指标:在环境经济调度中度量污染气体排放风险的评估指标构建如下:
<mrow>
<msub>
<mi>M</mi>
<mo>+</mo>
</msub>
<mo>=</mo>
<mi>E</mi>
<mo>{</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msub>
<mo>|</mo>
<mo>+</mo>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中NG表示火电机组的台数,Pi,G表示火电机组i的随机出力,fi(Pi,G)表示火电机组i的污染气体排放量函数;其中对任意的v有下式成立:
|v|+=max{0;v} (6)
式(6)的具体含义为:当v≥0时该表达式取值为v,反之则取值为0;
构建的环境经济调度污染气体排放风险评估指标将应用于计及污染气体排放风险的多目标随机动态环境经济调度模型中,该模型的构建如下:
以日调度周期内环境经济调度火电机组污染气体排放量的期望值,以及污染气体排放风险均最低作为多目标函数,并将火电机组发电运行成本的期望作为约束条件,具体的目标函数及约束条件为:
2-1)设置多目标函数为:
2-1-1)取污染气体排放量的期望值最小值:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中s表示场景序号,s∈S表示场景s属于集合S,ps表示场景s发生的概率,T表示调度周期时段数,表示第i台火电机组在场景s环境下第t个时段的出力;
其中采用污染气体综合排放函数表示,如下所示:
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中αi、βi、γi、ηi和δi表示火电机组i的污染气体综合排放函数的系数;
2-1-2)使污染气体排放风险达到最小的方式为:将式(5)具体化到调度周期的各时段,则得到下式:
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msub>
<mo>|</mo>
<mo>+</mo>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
2-2)设置约束条件为:
2-2-1)系统运行约束条件为:
2-2-1-1)火电机组发电运行成本期望约束条件为:
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>C</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中C表示火电机组发电运行成本期望值上限,表示火电机组i的发电运行成本函数,具体表达式如下:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式中ai、bi、ci、di和ei表示火电机组i的发电运行成本函数的系数;
2-2-1-2)系统功率平衡约束条件为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>W</mi>
</msub>
</munderover>
<msubsup>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>W</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>P</mi>
<mi>D</mi>
<mi>t</mi>
</msubsup>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
式中表示在场景s环境下风电机组j在第t个时段的功率,表示第t个时段的系统负荷功率;
2-2-1-3)系统上下旋转备用约束条件为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>U</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>D</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
式中Pi,G,max、Pi,G,min分别表示火电机组i的出力上下限,分别表示系统在第t个时间段的上下旋转备用;
2-2-2)机组运行约束条件为:
2-2-2-1)火电机组出力上下限约束条件为:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
2-2-2-2)火电机组爬坡能力约束条件为:
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
式中Ri,u、Ri,d分别表示火电机组i在相邻时段出力允许的最大上升和下降值;
2-2-2-3)火电机组快速调整量约束条件为:用于保证在不同场景发生时火电机组能及时调整处理,以适应风电出力的随机性变化,表达式为:
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>-</mo>
<msub>
<mi>&Delta;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>D</mi>
<mi>G</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>&Delta;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>U</mi>
<mi>G</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
<mo>;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
<mo>;</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
式中表示火电机组i在时段t时各个场景中出力的期望值,即最终的机组调度出力,表示场景s环境下在时段t时火电机组i的调度出力与其最终调度出力之间的差值,△i,UG、△i,DG分别表示火电机组i的快速调整量上下限。
2.如权利要求1所述的计及污染气体排放风险的环境经济调度方法,其特征在于,采用该模型进行风电出力的场景模拟并采用后向削减技术对模拟出的场景削减后,形成的复杂动态非线性模型采用内嵌目标相对占优的遗传算法来求解,具体求解方式如下:
3-1)基于目标相对占优的染色体适应度函数构造:将种群中的各染色体分别根据每个子目标函数值排序,选取每次迭代过程中使得各子目标函数值最小且不为0的染色体作为各子目标函数的基点,然后再计算各染色体相对各基点的目标值之和,目标值之和最优的染色体即为每次迭代过程中的最优染色体,在满足终止条件时最优染色体就为所求多目标模型的综合最优解,据此,基于目标相对占优的染色体适应度函数可构造如下:
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>y</mi>
</msub>
</munderover>
<mo>(</mo>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>g</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
式中A(xi)表示染色体xi的适应度函数,gj(xi)表示惩罚函数,ωj表示惩罚函数系数,Ny表示需要判断的总约束数,F(xi)表示染色体xi相对各基点的目标函数值之和,表达式为:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>/</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>_</mo>
<mn>0</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>21</mn>
<mo>)</mo>
</mrow>
</mrow>
式中fj(xi)表示染色体对应的子目标函数j的函数值,fj(xj_0)表示子目标函数j的基点xj_0对应的函数值,Nj表示子目标函数的个数;
3-2)内嵌目标相对占优的遗传算法具体步骤如下:
3-2-1)输入原始数据:输入拉丁超立方采样规模、风电出力场景削减后场景集合的场景数、遗传算法中要求的种群规模、交叉概率、变异概率;
3-2-2)风电出力场景生成和削减:首先采用拉丁超立方采样技术生成大量风电出力的原始场景,然后采用后向场景削减技术对该原始场景进行削减,得到满足求解效率和精度要求的风电出力场景集合;
3-2-3)产生初始种群:根据式(15)对随机个体进行编码产生;
3-2-4)启发式调整:对初始种群中的火电机组出力变量进行启发式调整,以满足系统功率平衡约束条件;
3-2-5)适应度评价根据式(21)的目标相对占优的适应度函数对初始种群中的每个随机个体进行适应度评价;
3-2-6)产生子种群:对父代种群中的随机个体进行选择、交叉和变异操作,生成本次迭代的新一代子种群,并对该种群进行启发式调整;
3-2-7)合并种群:合并父代和子代种群以形成本次迭代的新种群;
3-2-8)适应度评价:根据式(21)的目标相对占优的适应度函数进对合并后种群中的每个随机个体进行适应度评价;
3-2-9)保留父代种群:基于最优保存策略,将本次迭代中父代和子代共2N个个体组成新群体,并根据适应度值进行从大到小排序,选择0.5N个优良个体、0.3N个次优个体和0.2N个不良个体,组成N个个体的新的父代种群,保留该新的父代种群;
3-2-10)终止判断:判断是否满足迭代终止条件,若满足终止条件则输出最优个体,否则返回步骤3-2-6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510128189.7A CN104751373B (zh) | 2015-03-23 | 2015-03-23 | 计及污染气体排放风险的环境经济调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510128189.7A CN104751373B (zh) | 2015-03-23 | 2015-03-23 | 计及污染气体排放风险的环境经济调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751373A CN104751373A (zh) | 2015-07-01 |
CN104751373B true CN104751373B (zh) | 2018-01-09 |
Family
ID=53591002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510128189.7A Active CN104751373B (zh) | 2015-03-23 | 2015-03-23 | 计及污染气体排放风险的环境经济调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751373B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105870976B (zh) * | 2016-04-15 | 2018-05-29 | 国家电网公司 | 一种基于能源环境效率的低碳调度方法和装置 |
CN107368961A (zh) * | 2017-07-12 | 2017-11-21 | 东南大学 | 一种适用于新能源接入背景下的区域电网碳排放管理方法 |
CN107749643A (zh) * | 2017-11-15 | 2018-03-02 | 南方电网科学研究院有限责任公司 | 一种电力系统新能源接纳能力的分析方法 |
CN108614529A (zh) * | 2018-04-03 | 2018-10-02 | 同济大学 | 一种非等周期的多台并行设备最小设计排风量调度方法 |
CN109146297B (zh) * | 2018-08-28 | 2020-04-07 | 国网湖南省电力有限公司 | 电网降雾霾的优化调度方法及系统 |
CN109583662B (zh) * | 2018-12-07 | 2022-09-02 | 中国科学院生态环境研究中心 | 大气污染二元混合物健康风险评价方法 |
CN109783916B (zh) | 2019-01-02 | 2021-06-18 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
CN110210756B (zh) * | 2019-05-31 | 2022-10-25 | 华南理工大学 | 一种计及污染物扩散里程的电力系统经济调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016374A (ja) * | 2001-06-28 | 2003-01-17 | Toshiba Corp | 発電設備計画の評価方法、発電設備計画の策定方法及びプログラム |
CN102779322A (zh) * | 2012-06-29 | 2012-11-14 | 西安理工大学 | 基于环境保护和经济效益的火电厂综合调度方法 |
CN103326353A (zh) * | 2013-05-21 | 2013-09-25 | 武汉大学 | 基于改进多目标粒子群算法的环境经济发电调度求解方法 |
CN104009494A (zh) * | 2014-04-16 | 2014-08-27 | 武汉大学 | 一种环境经济发电调度方法 |
-
2015
- 2015-03-23 CN CN201510128189.7A patent/CN104751373B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016374A (ja) * | 2001-06-28 | 2003-01-17 | Toshiba Corp | 発電設備計画の評価方法、発電設備計画の策定方法及びプログラム |
CN102779322A (zh) * | 2012-06-29 | 2012-11-14 | 西安理工大学 | 基于环境保护和经济效益的火电厂综合调度方法 |
CN103326353A (zh) * | 2013-05-21 | 2013-09-25 | 武汉大学 | 基于改进多目标粒子群算法的环境经济发电调度求解方法 |
CN104009494A (zh) * | 2014-04-16 | 2014-08-27 | 武汉大学 | 一种环境经济发电调度方法 |
Non-Patent Citations (3)
Title |
---|
含风电场电力系统环境经济动态调度建模与算法;陈功贵等;《中国电机工程学报》;20130405;第33卷(第10期);第93-100页 * |
水火电力系统多目标环境经济调度模型及其求解算法研究;卢有麟;《电力系统保护与控制》;20111201;第39卷(第23期);第959-966页 * |
计及风电和负荷不确定性的日调度计划节能效益概率评估方法;文旭;《电网技术》;20140415;第38卷(第4期);第27-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104751373A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751373B (zh) | 计及污染气体排放风险的环境经济调度方法 | |
Balin et al. | A fuzzy multi-criteria decision making methodology based upon the interval type-2 fuzzy sets for evaluating renewable energy alternatives in Turkey | |
Wu et al. | Evaluation of renewable power sources using a fuzzy MCDM based on cumulative prospect theory: A case in China | |
Chen et al. | Urban energy–water nexus: A network perspective | |
Wang et al. | Distributed energy system for sustainability transition: A comprehensive assessment under uncertainties based on interval multi-criteria decision making method by coupling interval DEMATEL and interval VIKOR | |
Jeddi et al. | A modified harmony search method for environmental/economic load dispatch of real-world power systems | |
Ren et al. | Fuzzy multi-actor multi-criteria decision making for sustainability assessment of biomass-based technologies for hydrogen production | |
Önüt et al. | Multiple criteria evaluation of current energy resources for Turkish manufacturing industry | |
Jin et al. | Game theoretical analysis on capacity configuration for microgrid based on multi-agent system | |
Sadeghi et al. | Sustainable electricity generation mix for Iran: A fuzzy analytic network process approach | |
CN106655246A (zh) | 基于风电预测与需求响应的鲁棒双层优化模型的求解方法 | |
Zhu et al. | Dynamic stochastic fractional programming for sustainable management of electric power systems | |
Holmes et al. | UCLA Institute of the Environment Urban Metabolism Literature Review Winter 2012 | |
Sahin et al. | Renewable hydropower generation as a co-benefit of balanced urban water portfolio management and flood risk mitigation | |
Cao et al. | Applying agent-based modeling to the evolution of eco-industrial systems | |
CN107862466A (zh) | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 | |
Ji et al. | Inexact stochastic risk-aversion optimal day-ahead dispatch model for electricity system management with wind power under uncertainty | |
Noorollahi et al. | The synergy of renewable energies for sustainable energy systems development in oil-rich nations; case of Iran | |
Karaaslan et al. | The evaluation of renewable energy resources in Turkey by integer multi-objective selection problem with interval coefficient | |
CN106951998A (zh) | 一种小型能源互联网多源优化综合评估方法和系统 | |
CN103489044B (zh) | 一种面向智能电网的竞价发电风险控制方法 | |
Xie et al. | Fair allocation of wastewater discharge permits based on satisfaction criteria using data envelopment analysis | |
Sciubba | An exergy–based Ecological Indicator as a measure of our resource use footprint | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
CN109117998B (zh) | 一种多智能体配置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |