CN105160597A - 一种基于电力系统的温室气体减排控制方法 - Google Patents

Abstract

本发明涉及一种基于电力系统的温室气体减排控制方法，该方法采用静态博弈方法模拟各利益相关方的市场博弈行为及其对政策数据的响应机制，利用电力系统生产运行模拟方法计算出政策数据下的实际减排数据，进而计算出各政策场景下各利益相关方的温室气体减排数量，并根据所述温室气体减排数量对温室气体进行减排控制。本发明的技术方案遵循电力系统生产运行实际情况，充分考虑政策作用下各利益相关方之间的市场博弈行为及其政策响应机制，能够为政府制定政策提供理论依据，避免政策实施效果不明显或温室气体减排诉求难以满足的不足，提高政府政策制定的针对性和政策实施的效果，最终实现对温室气体的减排控制。

Description

一种基于电力系统的温室气体减排控制方法

技术领域

本发明属于电力系统的智能电网技术领域，具体涉及一种基于电力系统的温室气体减排控制方法。

背景技术

温室气体排放加速了全球气候变暖进程，电力行业提出“清洁替代”和“电能替代”战略，以减少化石能源消费，促进温室气体减排。倡导新能源发电是“清洁替代”的主要实施手段，推动电动汽车发展是“电能替代”的重要实施手段。目前，新能源发电技术和电动汽车技术的经济性与常规电源和燃油汽车相比尚不具备竞争力，但减少温室气体排放又是政府可持续发展战略的迫切诉求和刻不容缓的责任，因此，政府已经频繁出台补贴、税收等相关激励政策，以提升新能源发电和电动汽车的竞争力，促进新能源发电和电动汽车的发展，实现温室气体减排目标。然而，由于缺乏政府政策与电力系统温室气体减排效果之间定量关系模拟分析的系统性方法，目前政府出台政策时只是从定性角度出发，没有考虑政策作用下各利益相关方之间的市场博弈行为及其政策响应机制，无法准确刻画政策与温室气体减排之间的定量关系，进而导致政府打出政策组合拳时缺乏一定的理论依据，容易出现政策效果不明显或者政府减排诉求难以满足的局面。

作为现代数学的一个分支和运筹学的重要组成部分，博弈论是定量研究竞争-合作环境中优化问题的科学，可以用来描述多市场利益主体的市场博弈行为，常用在经济领域的投资决策方面，在电力系统领域的应用也大多隶属于投资决策问题。智能电网背景下，参与主导电力系统运营的决策主体趋于多样化，博弈论将成为解决智能电网领域的诸多关键难题的有力工具。另外，包含机组组合和经济调度的电力系统生产运行模拟技术已在电力系统广泛应用，其目的是在保证电力系统安全可靠运行的前提下追求电力系统运行的经济性，该方法能够模拟电力系统中各发电机组和负荷的实际电量情况及其系统运行的经济水平。本发明在电力系统中首次创造性地将博弈论方法和电力系统生产运行模拟方法相结合，建立多利益主体的智能电网博弈模型和电力生产运行模拟模型，以政府政策作为智能电网博弈论模型的输入变量进行博弈决策，将智能电网利益主体的决策变量输入到电力系统运行生产模拟模型，得到各利益主体的电量及其温室气体减排效果。

综上所述，本发明提出了一种基于电力系统的温室气体减排控制方法，充分考虑政策作用下各利益相关方之间的市场博弈行为及其政策响应机制，为政府制定政策提供理论依据。

发明内容

本发明的目的在于提出一种基于电力系统的温室气体减排控制方法，采用静态博弈方法模拟各利益相关方的市场博弈行为及其政策响应机制，利用电力系统生产运行模拟方法计算出政策数据下的实际减排数据，进而计算出各政策场景下各利益相关方的温室气体减排数量，并根据所述温室气体减排数量对温室气体进行减排控制。

本发明的技术方案如下：

一种基于电力系统的温室气体减排控制方法，具体包括以下步骤：

步骤A：对利益相关方的政策数据空间进行划分，从而得到划分后的政策数据空间；

步骤B：根据全社会电动汽车保有量，采用MonteCarlo方法模拟电动汽车用户用车行为，得到电动汽车的充电负荷曲线，将电动汽车的充电负荷曲线与电力系统负荷曲线相加，从而得到系统的总负荷曲线；

步骤C：从所述政策数据空间中选取一个政策场景数据；

步骤D：针对目标电力系统，根据所述政策场景数据和所述系统的总负荷曲线，采用静态博弈方法计算出对应于所述政策场景数据的风力发电装机容量和火力发电装机容量；

步骤E：采用基于电力系统生产模拟的机组组合和经济调度方法，计算出风力发电和火力发电的实际发电量、电动汽车的实际耗电量和火电机组温室气体总排放量；

步骤F：根据步骤D和步骤E的计算结果，采用电力系统温室气体减排计算方法，计算在所述政策场景数据下的温室气体减排数量；

步骤G：重复步骤D到步骤F，遍历所述政策数据空间中所有的政策场景数据，从而得到所有政策场景数据下温室气体的减排数量；根据上述所有政策场景数据下温室气体的减排数量对温室气体进行减排控制。

进一步的，步骤A具体为：

将某一类政策作用于某一个利益相关方视为一个独立政策数据，根据I个利益相关方与J类政策数据的关联关系，得到N个独立政策数据，并设定所述N个独立政策数据的合理可调区间；将每个独立政策数据在其可调区间内离散地划分为K段，每一段对应一个实际的独立政策数据值；N个独立政策的所有的段构成了所有利益相关方的政策数据空间，所述政策数据空间共包含K^N个点。

进一步的，步骤B具体包括步骤B1-B13：

步骤B1：建立电动汽车用户充电行为的概率模型，包括用车模式、行驶里程、平均车速、单车容量、充电行为、充电方式的概率分布模型；

步骤B2：令m＝1，其中m表示第m次MonteCarlo模拟；

步骤B3：按照电动汽车使用模式的概率分布随机抽样出用车模式，进而得到总里程数L，并令i＝1，其中i表示第i个里程；

步骤B4：根据早晨、午间、傍晚、夜间用车时间的概率分布随机抽样用车时间点；

步骤B5：根据里程的概率分布和平均车速的概率分布分别随机抽样得到里程和车速；

步骤B6：根据电动汽车用户类型的概率分布随机抽样获得电动汽车用户类型；

步骤B7：根据抽样得到的第i个里程的用车时间、里程、平均车速、每百公里耗电量即可计算出第i个里程的用车结束时间和剩余电量；

步骤B8：根据用户类型，选择充电行为；

步骤B9：进而得到一个里程的充电曲线，以及充电结束后或者下一里程开始时的电动汽车剩余电量状态；令i＝i+1；

步骤B10：重复步骤B7-B9，直到i＝L，进而得到一次模拟的充电曲线；

步骤B11：令m＝m+1，重复B3-B10直到m＝M，其中M表示所有M次MonteCarlo模拟；

步骤B12：求所有M次MonteCarlo模拟得到的充电曲线的数学期望，并乘以电动汽车保有量，即可得到最终的电动汽车充电曲线；

步骤B13：将电动汽车充电曲线与电力系统负荷曲线相加得到系统的总负荷曲线。

进一步的，步骤D通过如下方式实现：以政策场景数据和所述系统的总负荷曲线作为输入量，通过建立风力发电和火力发电的博弈数据模型，来模拟风力发电和火力发电对政策数据的响应，从而获得风力发电装机容量和火力发电装机容量。

进一步的，步骤D具体包括步骤D1-D3：

步骤D1：设所述政策数据空间的子集中可选政策数据集合为风力发电上网电价补贴和火力发电碳税，上述政策数据对应的利益相关方为风力发电机组、火力发电机组，分别用W和T表示两个利益相关方，并作为博弈参与者参与两方博弈，博弈参与者的策略：

$P_W\∈\{S_W=\[P_W^{\min },P_W^{max}\]\}$

$P_T\∈\{S_T=\[P_T^{\min },P_T^{max}\]\}$

其中，P为装机容量，S为策略空间，下标表示不同的利益相关方，上标min表示装机容量的最小值，上标max表示装机容量的最大值。为风电装机容量的最小值，为风电装机容量的最大值，为火电装机容量的最小值，为火电装机容量的最大值；

步骤D2：博弈参与者W和T的收益为其收入与费用之差，分别记为I_W和I_T；参与者的收益具体表现为：

I_i＝I_iSEL+I_iAUX+I_iD-C_iINV-C_iOM-C_iFUE-C_iEENS-C_iPUR

其中，下标i表示风力发电和火力发电两个不同的利益相关方，即i∈{W,T}。I_iSEL为售电收益和补贴收益、I_iD为报废收入、I_iAUX为辅助服务收益，C_iINV为投资建设费用、C_iOM为运行维护费用、C_iFUE为燃料费用、C_iEENS为停电补偿费用、C_iPUR为购电费用；

步骤D3：采用粒子群算法迭代求解上述博弈论模型，进一步包括步骤D31-步骤D33：

步骤D31：设定均衡点初值(P_W,0,P_T,0)；

步骤D32：各博弈参与者依次进行独立优化：

记第j轮的优化的结果为(P_W,j,P_T,j)，通过优化计算得到最优策略组合(P_W,j+1,P_T,j+1)，满足

$P_{W,j+1}=\arg \underset{P_W}{max}{I}_W(P_W,P_{T,j})$

$P_{T,j+1}=\arg \underset{P_T}{max}{I}_T(P_{W,j},P_T)$

其中，表示以P_W为变量求取最大值，表示以P_T为变量求取最大值，arg表示取满足条件的元素，P_W,j表示第j轮优化后风电的装机容量，P_T,j表示第j轮优化后火电的装机容量，P_W,j+1表示第j+1轮优化后风电的装机容量，P_T,j+1表示第j+1轮优化后火电的装机容量，I_W(P_W,P_T,j)表示风电装机容量为P_W且火电装机容量为P_T,j下风电的收益，I_T(P_W,j,P_T)表示电装机容量为P_W,j且火电装机容量为P_T下火电的收益；

步骤D33：判断系统是否找到Nash均衡点。若相邻两次得到的最优解相同，即

(P_W,j+1,P_T,j+1)＝(P_W,j,P_T,j)＝(P_W ^*,P_T ^*)

其中，P_W,j+1表示第j+1轮优化后风电的装机容量，P_T,j+1表示第j+1轮优化后火电的装机容量，P_W,j表示第j轮优化后风电的装机容量，P_T,j表示第j轮优化后火电的装机容量，P_W ^*表示纳什均衡点对应的风电装机容量，P_T ^*表示纳什均衡点对应的火电装机容量；

则根据Nash均衡点的定义，认为该策略组合下博弈达到Nash均衡点，即求得风力发电和火力发电的装机容量。

进一步的，步骤F具体包括步骤F1-步骤F5：

步骤F1：火电机组单位电量的温室气体排放量为：

E_W1＝E_heat/W_heat

其中，E_heat为火电机组温室温室气体总排放量，单位为吨；W_heat为火电机组总发电量，单位为千瓦时；

步骤F2：电动汽车耗电量对应的温室气体排放量为：

$E_{EV}=\frac{W_{heat}}{W_{heat}+W_{wind}}{W}_{EV}{E}_{W1}$

其中，W_wind为风电发电量，单位为兆瓦时；W_EV为电力系统内电动汽车的耗电量，单位为兆瓦时；

步骤F3：电动汽车代替燃油车行驶里程对应的温室气体排放量为：

$E_O=\frac{W_{EV}}{W_{100}}{O}_{100}{E}_{O1}$

其中，W_EV为电力系统内电动汽车的耗电量，单位为兆瓦时；W₁₀₀为电动汽车百公里耗电量，单位为千瓦时；O₁₀₀为燃油车百公里耗油量，单位为升；E_O1为每升油油的温室气体排放，单位为千克每升；E_O的单位为吨；

步骤F4：风力发电代替火电机组产生的温室气体减排数量为：

E_wind＝W_windE_W1

其中，W_wind为风电发电量，单位为兆瓦时；

步骤F5：电动汽车和风电产生的温室气体减排数量为：

E＝(E_O-E_EV)+E_wind。

有益效果：

本方法的技术方案采用静态博弈方法模拟各利益相关方的市场博弈行为及其对政策数据的响应机制，利用电力系统生产运行模拟方法计算出政策数据下的实际减排数据，进而计算出各政策场景下各利益相关方的温室气体减排数量，并根据所述温室气体减排数量对温室气体进行减排控制。本发明的技术方案遵循电力系统生产运行实际情况，充分考虑政策作用下各利益相关方之间的市场博弈行为及其政策响应机制，能够为政府制定政策提供理论依据，避免政策实施效果不明显或温室气体减排诉求难以满足的不足，提高政府政策制定的针对性和政策实施的效果。

附图说明

图1是本发明方法的流程框图。

图2是本发明方法中电动汽车充电曲线修正系统净负荷流程框图。

图3电动汽车使用模式概率分布图。

图4电动汽车用户分类概率分布。

图5目标电力系统拓扑结构图。

图6政策温室气体减排定量关系图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案做进一步的解释和说明。

一种基于电力系统的温室气体减排控制方法，具体包括以下步骤：

步骤A：对利益相关方的政策数据空间进行划分，从而得到划分后的政策数据空间；

步骤B：根据全社会电动汽车保有量，采用MonteCarlo方法模拟电动汽车用户用车行为，得到电动汽车的充电负荷曲线，将电动汽车的充电负荷曲线与电力系统负荷曲线相加，从而得到系统的总负荷曲线；

步骤C：从所述政策数据空间中选取一个政策场景数据；

步骤D：针对目标电力系统，根据所述政策场景数据和所述系统的总负荷曲线，采用静态博弈方法计算出对应于所述政策场景数据的风力发电装机容量和火力发电装机容量；

步骤E：采用基于电力系统生产模拟的机组组合和经济调度方法，计算出风力发电和火力发电的实际发电量、电动汽车的实际耗电量和火电机组温室气体总排放量；

步骤F：根据步骤D和步骤E的计算结果，采用电力系统温室气体减排计算方法，计算在所述政策场景数据下的温室气体减排数量；

步骤G：重复步骤D到步骤F，遍历所述政策数据空间中所有的政策场景数据，从而得到所有政策场景数据下温室气体的减排数量；根据上述所有政策场景数据下温室气体的减排数量对温室气体进行减排控制。

进一步的，步骤A具体为：

将某一类政策作用于某一个利益相关方视为一个独立政策数据，根据I个利益相关方与J类政策数据的关联关系，得到N个独立政策数据，并设定所述N个独立政策数据的合理可调区间；将每个独立政策数据在其可调区间内离散地划分为K段，每一段对应一个实际的独立政策数据值；N个独立政策的所有的段构成了所有利益相关方的政策数据空间，所述政策数据空间共包含K^N个点。

进一步的，步骤B具体包括步骤B1-B13：

步骤B1：建立电动汽车用户充电行为的概率模型，包括用车模式、行驶里程、平均车速、单车容量、充电行为、充电方式的概率分布模型；

步骤B2：令m＝1，其中m表示第m次MonteCarlo模拟；

步骤B3：按照电动汽车使用模式的概率分布随机抽样出用车模式，进而得到总里程数L，并令i＝1，其中i表示第i个里程；

步骤B4：根据早晨、午间、傍晚、夜间用车时间的概率分布随机抽样用车时间点；

步骤B5：根据里程的概率分布和平均车速的概率分布分别随机抽样得到里程和车速；

步骤B6：根据电动汽车用户类型的概率分布随机抽样获得电动汽车用户类型；

步骤B7：根据抽样得到的第i个里程的用车时间、里程、平均车速、每百公里耗电量即可计算出第i个里程的用车结束时间和剩余电量；

步骤B8：根据用户类型，选择充电行为；

步骤B9：进而得到一个里程的充电曲线，以及充电结束后或者下一里程开始时的电动汽车剩余电量状态；令i＝i+1；

步骤B10：重复步骤B7-B9，直到i＝L，进而得到一次模拟的充电曲线；

步骤B11：令m＝m+1，重复B3-B10直到m＝M，其中M表示所有M次MonteCarlo模拟；

步骤B12：求所有M次MonteCarlo模拟得到的充电曲线的数学期望，并乘以电动汽车保有量，即可得到最终的电动汽车充电曲线；

步骤B13：将电动汽车充电曲线与电力系统负荷曲线相加得到系统的总负荷曲线。

进一步的，步骤D通过如下方式实现：以政策场景数据和所述系统的总负荷曲线作为输入量，通过建立风力发电和火力发电的博弈数据模型，来模拟风力发电和火力发电对政策数据的响应，从而获得风力发电装机容量和火力发电装机容量。

进一步的，步骤D具体包括步骤D1-D3：

步骤D1：设所述政策数据空间的子集中可选政策数据集合为风力发电上网电价补贴和火力发电碳税，上述政策数据对应的利益相关方为风力发电机组、火力发电机组，分别用W和T表示两个利益相关方，并作为博弈参与者参与两方博弈，博弈参与者的策略：

$P_W\∈\{S_W=\[P_W^{\min },P_W^{max}\]\}$

$P_T\∈\{S_T=\[P_T^{\min },P_T^{max}\]\}$

其中，P为装机容量，S为策略空间，下标表示不同的利益相关方，上标min表示装机容量的最小值，上标max表示装机容量的最大值。为风电装机容量的最小值，为风电装机容量的最大值，为火电装机容量的最小值，为火电装机容量的最大值；

步骤D2：博弈参与者W和T的收益为其收入与费用之差，分别记为I_W和I_T；参与者的收益具体表现为：

I_i＝I_iSEL+I_iAUX+I_iD-C_iINV-C_iOM-C_iFUE-C_iEENS-C_iPUR

其中，下标i表示风力发电和火力发电两个不同的利益相关方，即i∈{W,T}。I_iSEL为售电收益和补贴收益、I_iD为报废收入、I_iAUX为辅助服务收益，C_iINV为投资建设费用、C_iOM为运行维护费用、C_iFUE为燃料费用、C_iEENS为停电补偿费用、C_iPUR为购电费用；

步骤D3：采用粒子群算法迭代求解上述博弈论模型，进一步包括步骤D31-步骤D33：

步骤D31：设定均衡点初值(P_W,0,P_T,0)；

步骤D32：各博弈参与者依次进行独立优化：

记第j轮的优化的结果为(P_W,j,P_T,j)，通过优化计算得到最优策略组合(P_W,j+1,P_T,j+1)，满足

$P_{W,j+1}=\arg \underset{P_W}{max}{I}_W(P_W,P_{T,j})$

$P_{T,j+1}=\arg \underset{P_T}{max}{I}_T(P_{W,j},P_T)$

其中，表示以P_W为变量求取最大值，表示以P_T为变量求取最大值，arg表示取满足条件的元素，P_W,j表示第j轮优化后风电的装机容量，P_T,j表示第j轮优化后火电的装机容量，P_W,j+1表示第j+1轮优化后风电的装机容量，P_T,j+1表示第j+1轮优化后火电的装机容量，I_W(P_W,P_T,j)表示风电装机容量为P_W且火电装机容量为P_T,j下风电的收益，I_T(P_W,j,P_T)表示电装机容量为P_W,j且火电装机容量为P_T下火电的收益；

步骤D33：判断系统是否找到Nash均衡点。若相邻两次得到的最优解相同，即

(P_W,j+1,P_T,j+1)＝(P_W,j,P_T,j)＝(P_W ^*,P_T ^*)

其中，P_W,j+1表示第j+1轮优化后风电的装机容量，P_T,j+1表示第j+1轮优化后火电的装机容量，P_W,j表示第j轮优化后风电的装机容量，P_T,j表示第j轮优化后火电的装机容量，P_W ^*表示纳什均衡点对应的风电装机容量，P_T ^*表示纳什均衡点对应的火电装机容量；

则根据Nash均衡点的定义，认为该策略组合下博弈达到Nash均衡点，即求得风力发电和火力发电的装机容量。

进一步的，步骤F具体包括步骤F1-步骤F5：

步骤F1：火电机组单位电量的温室气体排放量为：

E_W1＝E_heat/W_heat

其中，E_heat为火电机组温室温室气体总排放量，单位为吨；W_heat为火电机组总发电量，单位为千瓦时；

步骤F2：电动汽车耗电量对应的温室气体排放量为：

$E_{EV}=\frac{W_{heat}}{W_{heat}+W_{wind}}{W}_{EV}{E}_{W1}$

其中，W_wind为风电发电量，单位为兆瓦时；W_EV为电力系统内电动汽车的耗电量，单位为兆瓦时；

步骤F3：电动汽车代替燃油车行驶里程对应的温室气体排放量为：

$E_O=\frac{W_{EV}}{W_{100}}{O}_{100}{E}_{O1}$

其中，W_EV为电力系统内电动汽车的耗电量，单位为兆瓦时；W₁₀₀为电动汽车百公里耗电量，单位为千瓦时；O₁₀₀为燃油车百公里耗油量，单位为升；E_O1为每升油油的温室气体排放，单位为千克每升；E_O的单位为吨；

步骤F4：风力发电代替火电机组产生的温室气体减排数量为：

E_wind＝W_windE_W1

其中，W_wind为风电发电量，单位为兆瓦时；

步骤F5：电动汽车和风电产生的温室气体减排数量为：

E＝(E_O-E_EV)+E_wind。

下面结合具体的实施例对本发明的技术方案做进一步的说明。

步骤A：划分利益相关方的政策数据空间。以风力发电作为新能源发电的代表，火力发电作为传统能源发电的代表，以风电上网电价补贴和火电碳排放税收作为利益相关方相关政策，具体利益相关方政策数据空间如表1所示。

表1利益相关方政策数据空间

步骤B：设电动汽车保有量为1万辆，采用MonteCarlo方法模拟电动汽车用户用车行为，得到电动汽车的充电负荷曲线，进一步修正电力系统总的负荷曲线，得到系统的总负荷曲线。

(1)电动汽车使用模式及其概率模型

根据日出行次数和出行时段的不同，可以将电动汽车的使用模式分为四种不同的类型。模式1：通勤模式，包含两个里程，即早晨出行、傍晚回家。模式2：通勤+午间灵活用车模式，包含三个里程，即早晨出行、午间灵活用车、傍晚回家。模式3：通勤+晚间灵活用车模式，包含三个里程，即早晨出行、傍晚回家、晚间灵活用车。模式4：通勤+午间与晚间灵活用车模式，包含四个里程，即早晨出行、午间灵活用车、傍晚回家、晚间灵活用车。由于现有统计数据有限，初步合理假设四种电动汽车使用模式服从图3所示的概率分布。

(2)电动汽车出行时间的概率模型

早晨出行时间服从正态分布N(7.5,0.5²)，即其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_m\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_m)}^2}{2{\mathrm{\σ}}_m^2}\]---\left(1\right)$

式中，早晨出行时间的数学期望μ_m＝7.5,早晨出行时间的标准差σ_m＝0.5，单位：小时。

午间出行时间服从正态分布N(12,1²)，即其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_n\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_n)}^2}{2{\mathrm{\σ}}_n^2}\]---\left(2\right)$

式中，午间出行时间的数学期望μ_n＝12,午间出行时间的标准差σ_n＝1，单位：小时。

傍晚回家时间服从正态分布N(17,1²)，即其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_a\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_a)}^2}{2{\mathrm{\σ}}_a^2}\]---\left(3\right)$

式中，傍晚回家时间的数学期望μ_a＝17，傍晚回家时间的标准差σ_a＝1，单位：小时。

夜间灵活用车时间服从正态分布N(20,1²)，即其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_e\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_e)}^2}{2{\mathrm{\σ}}_e^2}\]---\left(4\right)$

式中，夜间灵活用车时间的数学期望μ_e＝20,夜间灵活用车时间的标准差σ_e＝1，单位：小时。

(3)电动汽车单次行驶里程的概率模型

单一里程服从正态分布N(30,10²)，即期望值为30km、均方差为10km的正态分布，其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_l\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_l)}^2}{2{\mathrm{\σ}}_l^2}\]---\left(5\right)$

式中，单一里程的数学期望μ_l＝30,单一里程的标准差σ_l＝10，单位：km。

(4)电动汽车单次行驶里程平均车速的概率模型

假设单一里程平均车速服从正态分布N(30,10²)，即期望值为30km/h、均方差为10km/h的正态分布，其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_s\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_s)}^2}{2{\mathrm{\σ}}_s^2}\]---\left(6\right)$

式中，平均车速的数学期望μ_s＝30,平均车速的标准差σ_s＝10，单位：km/h。

(5)电动汽车单车电池容量的概率模型

考虑到电动汽车差异，单一电动汽车的容量服从(20，30)kWh上的均匀分布，其概率密度函数为：

(6)电动汽车充电行为的概率模型

根据电动汽车用户充电行为，将用户分为两类：第一类用户，行为较为粗糙，只要电量低于70％就选择充电，电量高于70％选择不充电；第二类用户，行为较为细致，如果剩余电量能够满足下一出行里程的电量要求，选择不充电，等到回家进行慢充；如果无法满足下一里程要求，进行充电，并希望充满。两类用户满足图4的概率分布。

(7)电动汽车充电方式的概率模型

慢速充电：0.2C，每小时充额定容量的1/5，充满需要5小时。居民小区、单位停车场采用该充电方式。

常规充电：1.25C，每小时充额定容量的1.25倍，充满需要0.8小时。如果停车时，电量低于70％或者难以满足该次出行时，午间或夜间灵活出行时采用该充电方式。

设灵活用车中间时刻会停车，停车时间服从N(0.8,0.2²)的正态分布，其概率密度函数为：

$f\left(x\right)=\frac{1}{{\mathrm{\σ}}_p\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(x-{\mathrm{\μ}}_p)}^2}{2{\mathrm{\σ}}_p^2}\]---\left(8\right)$

式中，μ_p＝0.8,σ_s＝0.2。

由于停车时间的限制，灵活用车短时普通充电时间限制在停车时间以内。灵活用车行程结束后，根据电量情况和能否满足后续行程情况，进行慢充。

步骤C：选取政策场景。如选择S_i＝(0.5,0.1)，表示对风电上网电价补贴50％，以1.5倍标杆电价上网，对火电征收上网电价的10％作为碳税。

步骤D：将RTS-24节点系统择改为25节点系作为目标电力系统，其拓扑结构见图5。采用完全信息静态博弈方法，计算出实际政策场景下，风力发电装机容量和火力发电装机容量。以政策、系统净负荷作为输入量，建立风力发电和火力发电的博弈模型，模拟风力发电和火力发电对政策的响应，获得风力发电和火力发电的装机容量。

步骤E：利用电力系统运行模拟方法，采用ABB公司开发的GridView软件进行机组组合和经济调度，计算出风力发电和火力发电的实际发电量、电动汽车的实际耗电量和火电机组温室气体总排放量；

步骤F：取W₁₀₀＝16、O₁₀₀＝8和E_O1＝2.605，按照电力系统温室气体减排计算方法，计算风力发电和电动汽车的温室气体减排效果；

步骤G：遍历利益相关方的政策数据空间中所有点，即每一个政策场景，重复步骤D-步骤F，得到所有政策场景下电力系统的温室气体减排数量。政策与温室气体减排定量关系见图6。根据上述所有政策场景数据下温室气体的减排数量对温室气体进行减排控制。即设定政策数据的范围，由政策主管部门根据温室气体减排数量所对应的政策数据制定补贴、税收和价格政策，从而控制电力系统行业各参与方调整投资和运营策略，最终实现减排目标。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于电力系统的温室气体减排控制方法，其特征在于，具体包括以下步骤：

步骤A：对利益相关方的政策数据空间进行划分，从而得到划分后的政策数据空间；

步骤B：根据全社会电动汽车保有量，采用MonteCarlo方法模拟电动汽车用户用车行为，得到电动汽车的充电负荷曲线，将电动汽车的充电负荷曲线与电力系统负荷曲线相加，从而得到系统的总负荷曲线；

步骤C：从所述政策数据空间中选取一个政策场景数据；

步骤D：针对目标电力系统，根据所述政策场景数据和所述系统的总负荷曲线，采用静态博弈方法计算出对应于所述政策场景数据的风力发电装机容量和火力发电装机容量；

步骤E：采用基于电力系统生产模拟的机组组合和经济调度方法，计算出风力发电和火力发电的实际发电量、电动汽车的实际耗电量和火电机组温室气体总排放量；

步骤F：根据步骤D和步骤E的计算结果，采用电力系统温室气体减排计算方法，计算在所述政策场景数据下的温室气体减排数量；

步骤G：重复步骤D到步骤F，遍历所述政策数据空间中所有的政策场景数据，从而得到所有政策场景数据下温室气体的减排数量；根据上述所有政策场景数据下温室气体的减排数量对温室气体进行减排控制。

2.如权利要求1所述的方法，其特征在于，步骤A具体为：

将某一类政策作用于某一个利益相关方视为一个独立政策数据，根据I个利益相关方与J类政策数据的关联关系，得到N个独立政策数据，并设定所述N个独立政策数据的合理可调区间；将每个独立政策数据在其可调区间内离散地划分为K段，每一段对应一个实际的独立政策数据值；N个独立政策的所有的段构成了所有利益相关方的政策数据空间，所述政策数据空间共包含K^N个点。

3.如权利要求1所述的方法，其特征在于，步骤B具体包括步骤B1-B13：

步骤B1：建立电动汽车用户充电行为的概率模型，包括用车模式、行驶里程、平均车速、单车容量、充电行为、充电方式的概率分布模型；

步骤B2：令m＝1，其中m表示第m次MonteCarlo模拟；

步骤B3：按照电动汽车使用模式的概率分布随机抽样出用车模式，进而得到总里程数L，并令i＝1，其中i表示第i个里程；

步骤B4：根据早晨、午间、傍晚、夜间用车时间的概率分布随机抽样用车时间点；

步骤B5：根据里程的概率分布和平均车速的概率分布分别随机抽样得到里程和车速；

步骤B6：根据电动汽车用户类型的概率分布随机抽样获得电动汽车用户类型；

步骤B7：根据抽样得到的第i个里程的用车时间、里程、平均车速、每百公里耗电量即可计算出第i个里程的用车结束时间和剩余电量；

步骤B8：根据用户类型，选择充电行为；

步骤B9：进而得到一个里程的充电曲线，以及充电结束后或者下一里程开始时的电动汽车剩余电量状态；令i＝i+1；

步骤B10：重复步骤B7-B9，直到i＝L，进而得到一次模拟的充电曲线；

步骤B11：令m＝m+1，重复B3-B10直到m＝M，其中M表示所有M次MonteCarlo模拟；

步骤B12：求所有M次MonteCarlo模拟得到的充电曲线的数学期望，并乘以电动汽车保有量，即可得到最终的电动汽车充电曲线；

步骤B13：将电动汽车充电曲线与电力系统负荷曲线相加得到系统的总负荷曲线。

4.如权利要求1所述的方法，其特征在于，步骤D通过如下方式实现：以政策场景数据和所述系统的总负荷曲线作为输入量，通过建立风力发电和火力发电的博弈数据模型，来模拟风力发电和火力发电对政策数据的响应，从而获得风力发电装机容量和火力发电装机容量。

5.如权利要求1-4中任一项所述的方法，其特征在于，步骤D具体包括步骤D1-D3：

步骤D1：设所述政策数据空间的子集中可选政策数据集合为风力发电上网电价补贴和火力发电碳税，上述政策数据对应的利益相关方为风力发电机组、火力发电机组，分别用W和T表示两个利益相关方，并作为博弈参与者参与两方博弈，博弈参与者的策略：

$P_W\∈\{S_W=\[P_W^{\min },P_W^{max}\]\}$

$P_T\∈\{S_T=\[P_T^{\min },P_T^{max}\]\}$

其中，P为装机容量，S为策略空间，下标表示不同的利益相关方，上标min表示装机容量的最小值，上标max表示装机容量的最大值。为风电装机容量的最小值，为风电装机容量的最大值，为火电装机容量的最小值，为火电装机容量的最大值；

步骤D2：博弈参与者W和T的收益为其收入与费用之差，分别记为I_W和I_T；参与者的收益具体表现为：

I_i＝I_iSEL+I_iAUX+I_iD-C_iINV-C_iOM-C_iFUE-C_iEENS-C_iPUR

其中，下标i表示风力发电和火力发电两个不同的利益相关方，即i∈{W,T}。I_iSEL为售电收益和补贴收益、I_iD为报废收入、I_iAUX为辅助服务收益，C_iINV为投资建设费用、C_iOM为运行维护费用、C_iFUE为燃料费用、C_iEENS为停电补偿费用、C_iPUR为购电费用；

步骤D3：采用粒子群算法迭代求解上述博弈论模型，进一步包括步骤D31-步骤D33：

步骤D31：设定均衡点初值(P_W,0,P_T,0)；

步骤D32：各博弈参与者依次进行独立优化：

记第j轮的优化的结果为(P_W,j,P_T,j)，通过优化计算得到最优策略组合(P_W,j+1,P_T,j+1)，满足

$P_{W,j+1}=\arg \underset{P_W}{max}{I}_W(P_W,P_{T,j})$

$P_{T,j+1}=\arg \underset{P_T}{max}{I}_T(P_{W,j},P_T)$

其中，表示以P_W为变量求取最大值，表示以P_T为变量求取最大值，arg表示取满足条件的元素，P_W,j表示第j轮优化后风电的装机容量，P_T,j表示第j轮优化后火电的装机容量，P_W,j+1表示第j+1轮优化后风电的装机容量，P_T,j+1表示第j+1轮优化后火电的装机容量，I_W(P_W,P_T,j)表示风电装机容量为P_W且火电装机容量为P_T,j下风电的收益，I_T(P_W,j,P_T)表示电装机容量为P_W,j且火电装机容量为P_T下火电的收益；

步骤D33：判断系统是否找到Nash均衡点。若相邻两次得到的最优解相同，即

(P_W,j+1,P_T,j+1)＝(P_W,j,P_T,j)＝(P_W ^*,P_T ^*)

其中，P_W,j+1表示第j+1轮优化后风电的装机容量，P_T,j+1表示第j+1轮优化后火电的装机容量，P_W,j表示第j轮优化后风电的装机容量，P_T,j表示第j轮优化后火电的装机容量，P_W ^*表示纳什均衡点对应的风电装机容量，P_T ^*表示纳什均衡点对应的火电装机容量；

则根据Nash均衡点的定义，认为该策略组合下博弈达到Nash均衡点，即求得风力发电和火力发电的装机容量。

6.如权利要求1-5中任一项所述的方法，其特征在于，步骤F具体包括步骤F1-步骤F5：

步骤F1：火电机组单位电量的温室气体排放量为：

E_W1＝E_heat/W_heat

其中，E_heat为火电机组温室温室气体总排放量，单位为吨；W_heat为火电机组总发电量，单位为千瓦时；

步骤F2：电动汽车耗电量对应的温室气体排放量为：

$E_{EV}=\frac{W_{heat}}{W_{heat}+W_{wind}}{W}_{EV}{E}_{W1}$

其中，W_wind为风电发电量，单位为兆瓦时；W_EV为电力系统内电动汽车的耗电量，单

位为兆瓦时；

步骤F3：电动汽车代替燃油车行驶里程对应的温室气体排放量为：

$E_O=\frac{W_{EV}}{W_{100}}{O}_{100}{E}_{O1}$

其中，W_EV为电力系统内电动汽车的耗电量，单位为兆瓦时；W₁₀₀为电动汽车百公里耗电量，单位为千瓦时；O₁₀₀为燃油车百公里耗油量，单位为升；E_O1为每升油油的温室气体排放，单位为千克每升；E_O的单位为吨；

步骤F4：风力发电代替火电机组产生的温室气体减排数量为：

E_wind＝W_windE_W1

其中，W_wind为风电发电量，单位为兆瓦时；

步骤F5：电动汽车和风电产生的温室气体减排数量为：

E＝(E_O-E_EV)+E_wind。