CN109190817A - 燃煤耦合生物质减排发电的二层决策优化方法 - Google Patents
燃煤耦合生物质减排发电的二层决策优化方法 Download PDFInfo
- Publication number
- CN109190817A CN109190817A CN201810986725.0A CN201810986725A CN109190817A CN 109190817 A CN109190817 A CN 109190817A CN 201810986725 A CN201810986725 A CN 201810986725A CN 109190817 A CN109190817 A CN 109190817A
- Authority
- CN
- China
- Prior art keywords
- power plant
- fuel
- model
- decision
- stage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 title claims abstract description 27
- 230000009467 reduction Effects 0.000 title claims abstract description 22
- 239000003245 coal Substances 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 239000000446 fuel Substances 0.000 claims description 112
- 229910052799 carbon Inorganic materials 0.000 claims description 77
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 74
- 239000002028 Biomass Substances 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 20
- 238000002485 combustion reaction Methods 0.000 claims description 19
- 239000003344 environmental pollutant Substances 0.000 claims description 13
- 231100000719 pollutant Toxicity 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000000571 coke Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 239000002916 wood waste Substances 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009841 combustion method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/90—Financial instruments for climate change mitigation, e.g. environmental taxes, subsidies or financing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及煤炭发电管理技术领域,针对燃煤耦合生物质发电过程中决策者之间目的冲突的问题,提出了一种燃煤耦合生物质发电过程中决策者之间目的冲突的问题,包括以下步骤:对相关不确定因素采用模糊数进行描述并计算对应的期望值;根据政府的财政收入目标和环境保护目标及政府的约束条件利用相应的期望值和上层决策变量建立上层模型;根据电厂的经济利润目标及电厂的约束条件利用相应的期望值和下层决策变量建立下层模型;根据上层模型和下层模型构建二层多目标决策优化全局模型;将二层多目标决策优化全局模型转换为二层单目标决策优化全局模型;对二层单目标决策优化全局模型进行求解。本发明适用于燃煤耦合生物质减排发电的决策领域。
Description
技术领域
本发明涉及煤炭发电管理技术领域,特别涉及燃煤耦合生物质减排发电的决策优化方法。
背景技术
二层决策优化技术,用于解决包含上、下两层优化问题,其中上层问题是以下层问题为约束条件。二层优化模型考虑了决策过程中不同决策者(领导与随从)的作用与表现。上层的决策者由于先给出决策,一般称为领导者,下层的决策者要在领导者决策后方能做出决策,一般称为跟随者。上、下层的目标函数和约束条件没有必然的联系,但是一方的变量会参与并影响到另一方的决策过程中。上层首先给出决策,然后观察下层的反应,下层在上层决策方案给定的前提下寻找自己的最优策略。下层给出行动方案后,上层将根据下层的反应调整其方案,力求使自己的利益最大化,重新给出方案,接下来下层将再次根据上层新给出的决策修正自己的方案。反复进行这样的过程,直至上、下层都不愿意继续调整其决策为止。此时模型达到一个相对平衡、满意的状态,这时的决策方案称为相对最优方案。
动态决策优化技术,是将活动过程可以分为若干个互相联系的各个阶段,在每一个阶段都需做出决策,一个阶段的决策确定以后,常常影响到下一个阶段的决策,从而就完全确定了一个过程的活动路线。各个阶段的决策决定以后就构成一个决策序列,称为一个策略。因为每一个阶段都有若干个决策可供选择,因而就有许多策略供我们选取,对应于一个策略可以确定活动的效果,这个效果可以用数量来确定。策略不同,效果也不同,多阶段决策问题,就是要在容许选择的那些策略中间,选取一个最优策略,使在预定的标准下达到最好的效果。
在近年来,决策优化技术已在煤炭发电管理中的发挥越来越重要的作用,如碳排放限额分配,煤炭配比发电管理等。在燃煤耦合生物质减排发电问题中,涉及多个利益主体和决策者,主要是上层政府和下层燃煤电厂;由于各个决策者的目的不同,加之燃料的可购买量和价格存在波动性,决策者间冲突和时间冲突尤为严重。
发明内容
本发明所要解决的技术问题是:克服燃煤耦合生物质发电过程中决策者之间目的冲突的问题,提出一种燃煤耦合生物质减排发电的二层决策优化方法。
本发明解决上述技术问题,采用的技术方案是:
燃煤耦合生物质减排发电的二层决策优化方法,包括以下步骤:
步骤1、对相关不确定因素采用模糊数进行描述并计算对应的期望值;
步骤2、根据政府的财政收入目标和环境保护目标及政府的约束条件利用相应的期望值和上层决策变量建立上层模型;根据电厂的经济利润目标及电厂的约束条件利用相应的期望值和下层决策变量建立下层模型;
步骤3、根据上层模型和下层模型构建二层多目标决策优化全局模型;
步骤4、将所述二层多目标决策优化全局模型转换为二层单目标决策优化全局模型;
步骤5、对二层单目标决策优化全局模型进行求解。
优选的,所述步骤1中,用中间型梯形模糊数和分别表示如下不确定因素:电厂j单位燃料i转换的电量、电厂j的单位燃料i燃烧产生的碳排放、燃料i排放污染物k的数量、燃料种类i的燃料属性t含量或含量所占比例、燃料i焦炭的可燃烧部分占全部的比例、电厂j锅炉所能接受燃料属性t含量或含量所占比例的最低限制和锅炉所能接受燃料属性t含量或含量所占比例的最高限制;
则上述中间型梯形模糊数所述对应的期望值为:
其中,r11ji<r12ji<r13ji<r14ji,r21ji<r22ji<r23ji<r24ji,r31ik<r32ik<r33ik<r34ik,r41it<r42it<r43it<r44it,r51i<r52i<r53i<r54i,r61jt<r62jt<r63jt<r64jt,r71jt<r72jt<r73jt<r74jt;θ1、θ2、θ3、θ4、θ5、θ6和θ7分别为和的乐观系数,0≤θτ≤1,τ∈(0,1,2......7)。
优选的,所述步骤2中,令T为所得税税率,Q为单位电价,为电厂单位燃料i转化的电量的期望值,i为燃料的种类,i∈γ=(1……n),xjis为第s∈σ=(1……r)阶段电厂j使用燃料i的数量,u为单位碳排放限额的价格,yj是政府分配给电厂j的碳排放限额,F1为政府对所管辖电厂的财政收入,F2为政府分配给电厂的碳排放限额总和,yj作为上层决策变量,所述上层模型的目标函数为:
令为电厂j保证自己最低运行标准的碳排,是电厂j开足马力发电的最高碳排,Ej为电厂j的单位碳排放转为的电量,V是地区总的电力需求量,为电厂j的单位燃料i燃烧产生的碳排放的期望值,λ为政府对于碳排放分配限额与实际排放差值的控制,所述上层模型的约束条件为:
令Pjis为第s阶段电厂j购买单位燃料种类i的成本,zjis为第s阶段电厂j购买的燃料种类i的数量,H为单位库存成本,Ijis为第s阶段末电厂j燃料i的库存量,Vjk是电厂j处理单位污染物k的处理成本,k代表污染物种类,k的范围为1~p,是燃料i排放污染物k的数量的期望值,Aj为电厂j的经济利润,zjis和xjis作为下层决策变量,所述下层模型的目标函数为:
令为燃料种类i的燃料属性t含量或含量所占比例的期望值,其中,t为1代表挥发物含量所占比例,t为2代表热值的含量,t为3代表含灰量所占比例,t为4代表含水量所占比例,t为5代表含硫量所占比例;是燃料i焦炭的可燃烧部分的期望值,α为允许的最低燃烧效率,为电厂j的燃料i在第s阶段的最大可获得量,和分别为锅炉所能接受对应燃料属性t含量或含量所占比例的最低和最高限制的期望值,燃料种类i为1~ib代表生物质种类,燃料种类i为ib~n代表煤炭种类;生物质在燃料混合物中配的最高比例为UR:Ujs是电厂j在第s阶段发电量的最低要求,Iji(s-1)是电厂j的燃料i第s阶段的上一阶段期末的库存量,电厂j的仓库容纳上限为所述下层模型的约束函数为:
优选的,所述步骤3中,二层多目标决策优化全局模型为:
优选的,所述步骤4中,令LCE为上一周期的碳排放量,β代表政府对于碳减排的态度,二层单目标决策优化全局模型为:
优选的,所述步骤5包括:
S501、找到上层模型的可行域;
S502、随机选择上层模型可行域内初始的最优解并记为
S503、把上层模型的最优解带入下层模型;
S504、计算下层模型的最优解和
S505、把下层模型的最优解和代回上层模型;
S506、计算上层模型的最优解并记为
S507、判断是否小于1%;如是,则为最终的上层模型的最优解,和为下层模型的最优解,进入步骤S508,否则,将赋值为进入步骤S503;
S508、根据和计算上层模型的目标F1及下层模型的目标Aj的值。
本发明的有益效果是:本发明针对燃煤耦合生物质发电过程中决策者之间目的冲突的问题,引入了模糊数的期望值用来描述不确定因素,建立了二层单目标决策优化全局模型,并针对该模型进行了求解,获得了燃煤耦合生物质发电过程中决的最优解决方案,化解了决策者之间的目的冲突。
附图说明
图1为本发明实施例的燃煤耦合生物质减排发电的二层决策优化方法;
图2为本发明实施例模型求解的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步详细说明。
不同的决策者追求不同的目标,并据此做出不同的决策,因此决策者间的冲突是不可避免的。上层政府考虑各个电厂的实际运行状态,向多个下层电厂分配碳排放限额;下层电厂根据碳排放限额安排燃煤耦合生物质发电计划。在这个机制里,政府的决策优先权较高,有能力首先做决策。政府更重视环境,但也需要保证一定的财务收入。依据对经济发展与环境保护的重视程度不同,政府制定碳排放配额,将配额分配给电厂。电厂彼此独立,追求自己的利润最大化。同时,电厂也通过反馈影响政府的决策,届时它将重新考虑其初步决定并做出进一步调整。这个过程重复了几次直到政府和所有电厂都能接受的最终方案。因此,二层决策优化技术用来解决上层政府和下层电厂之间冲突,实现政府和电厂之间的均衡状态。
即使生物能源的累积碳排放量小于传统化石燃料,生物质的大量使用仍存困难。生物质原料随着月份而变化,燃料的数量和配比也会随之变化。电厂通常会考虑价格和可获得数量,当价格较低时,电厂购买大量燃料储存;但是由于可以存储的数量有限制,它们只能存储到其最大储存容量。当价格较高时,电厂购买较少或不购买并使用上一阶段储存的燃料;但是,为了安全起见,它们通常保证将一定量的安全库存。因此,在这种情况下,站在长远角度,采用动态决策优化技术,优化每个阶段的决策。
为了更清楚的解释本发明,通过如下表1、表2、表3、表4和表5将本发明的相关参数进行了分类说明,其中表1中的参数为确定参数,表2中的参数为不确定参数,表3中的参数为政策控制变量,表4中的参数为决策变量,表5中的参数为目标参数。
表1确定参数
表2不确定参数
表3政策控制变量
参数符号 | 参数符号代表的意义 |
β | 政府对碳减排的态度 |
λ | 政府对于碳排放分配限额与实际排放差值的控制 |
α | 允许的最低燃烧效率 |
表4决策变量
参数符号 | 参数符号代表的意义 |
x<sub>jis</sub> | 电厂j第s阶段使用燃料i的数量 |
z<sub>jis</sub> | 电厂j第s阶段购买燃料i的数量 |
y<sub>j</sub> | 政府分配给电厂j的碳排放限额 |
表5目标参数
参数符号 | 参数符号代表的意义 |
F<sub>1</sub> | 政府对所管辖电厂的财政收入 |
F<sub>2</sub> | 政府分配给电厂的碳排放限额总和 |
A<sub>j</sub> | 电厂j的经济利润 |
本发明针对燃煤耦合生物质发电过程中决策者之间目的冲突的问题,提出一种燃煤耦合生物质减排发电的二层决策优化方法。
如图1所示,燃煤耦合生物质减排发电的二层决策优化方法包括以下步骤:
步骤1、对相关不确定因素采用模糊随机变量进行描述并计算对应的期望值。
决策环境复杂多变,受到来自经济、政治、自然等多方面的影响,因此,不确定现象在实际生活中是难以避免的。“模糊”的概念是用于描述行为活动和观察现象的集合没有确切的边界的情形。燃煤耦合生物质减排发电过程中,存在诸多不确定性变量,本发明中用梯形模糊数和分别表示如下不确定因素:电厂j单位燃料i转换的电量、电厂j的单位燃料i燃烧产生的碳排放、燃料i排放污染物k的数量、燃料种类i的燃料属性t含量或含量所占比例、燃料i焦炭的可燃烧部分占全部的比例、锅炉所能接受燃料属性t含量或含量所占比例的最低限制和锅炉所能接受燃料属性t含量或含量所占比例的最高限制;
则上述中间型梯形模糊数所述对应的期望值为:
其中,r11ji<r12ji<r13ji<r14ji,r21ji<r22ji<r23ji<r24ji,r31ik<r32ik<r33ik<r34ik,r41it<r42it<r43it<r44it,r51i<r52i<r53i<r54i,r61jt<r62jt<r63jt<r64jt,r71jt<r72jt<r73jt<r74jt;θ1、θ2、θ3、θ4、θ5、θ6和θ7分别为和的乐观系数,0≤θτ≤1,τ∈(0,1,2......7)。,当0.5<θτ≤1代表决策者持追求风险的偏向乐观的态度,当θτ=0.5代表决策者持风险中立的中立态度,当0≤θτ<0.5代表决策者厌恶风险持偏向悲观的态度,其中,τ∈(0,1,2......7)。梯形模糊数的具体定义及对应期望值的计算可参见南京师范大学吴叶科的硕士学位论文《基经形模糊数的信息安全风险》。
步骤2、根据政府的财政收入目标和环境保护目标及政府的约束条件利用相应的期望值和上层决策变量建立上层模型;根据电厂的经济目标及电厂的约束条件利用相应的期望值和下层决策变量建立下层模型。
(1)上层模型的目标函数
上层目标包括追求最大化财政收入和最少的碳排放。为保证政府的运行和社会发展,政府对电厂征收所得税和碳排放税。令T为所得税税率,Q为单位电价,为电厂单位燃料i转化的电量的期望值,i为燃料的种类,i∈γ=(1……n),xjis为第s∈σ=(1……r)阶段电厂j使用燃料i的数量,那么是政府征收的所得税。u为单位碳排放限额的价格,yj是政府分配给电厂j的碳排放限额,那么是碳排放税。令F1为政府对所管辖电厂的财政收入,F2为政府分配给电厂的碳排放限额总和,yj作为上层决策变量;如此上层模型的目标函数为:
(2)上层模型的约束条件
上层模型约束条件一:电厂正常运行约束。每个电厂都必须履行义务,同时他的权利也应得到保证。令为电厂j保证自己最低运行标准的碳排,是电厂j开足马力发电的最高碳排,则政府保障电厂正常运行的约束为:
上层模型约束条件二:保障地区电力需求的约束。政府必须确保电力供应能够满足该地区的要求,令Ej为电厂j的单位碳排放转为的电量,V是地区总的电力需求量,则政府保障地区电力需求的约束为:
上层模型约束条件三:实际碳排放与分配差距约束。有时碳排放配额限额与实际情况存在出入,这意味着电厂可能需要为未使用的碳排放限额支付额外的费用。为了合理分配碳排放限额,根据每个电厂的实际情况,政府在决策时需要将误差控制在一定的范围内。令为电厂j的单位燃料i燃烧产生的碳排放的期望值,λ为政府对于碳排放分配限额与实际排放差值的控制,则实际碳排放与分配差距约束为:
(3)下层模型的目标函数
电厂将经济利润放在首要目标,将此作为下层模型的目标。令Pjis为第s阶段电厂j购买单位燃料i的成本,zjis为第s阶段电厂j购买的燃料i的数量,H为单位库存成本,Ijis为第s阶段末电厂j燃料i的库存量,Vjk是电厂j处理单位污染物k的处理成本,k代表污染物种类,k的范围为1~p,是燃料i排放污染物k的数量的期望值,Aj为电厂j的经济利润,zjis和xjis作为下层决策变量。则是电厂的发电收益,是电厂的税后发电收益,为电厂j购买燃料的成本,为电厂j的燃料储存成本,为电厂j的污染物处理成本,uyj为电厂j的碳排放税支出,那么电厂j的经济利润作为下层模型的目标函数用公式表示为:
(4)下层模型的约束条件
下层模型约束条件一:燃烧效率限制。最好的燃烧方法是用最少的损失从燃料中获取电力。对于政府来说,燃料燃烧越充分,燃烧效率越高,那么产生的电越多,对环境和电厂来说越好。在煤炭和生物质的混合燃烧之中,由于燃料混合物中热量值和含水率相对较低,可能会导致燃烧效率总体上的减少。因此为了保证一定的燃烧效率,需要做出一定的约束。Sami等人发现由于生物质燃料具有较高的挥发性物质,所以燃烧特性通常受到易挥发分和碳燃烧程度的限制。令为燃料种类i的燃料属性t的期望值,其中t为1代表挥发物含量,t为2代表热值,t为3代表含灰量,t为4代表含水量,t为5代表含硫量;是燃料i焦炭的可燃烧部分的期望值,α为允许的最低燃烧效率,那么表示混合燃料里的易挥发分成分;表示碳燃烧部分,就代表了混合燃料里能燃烧的部分,则燃烧效率限制的约束为:
下层模型约束条件二:燃料数量的约束。实际生产运营中,对于每个电厂而言,各种燃料的购买量都有一个最大的可获得量,另为电厂j的燃料i在第s阶段的最大可获得量,则燃料数量的约束为:
下层模型约束条件三:锅炉对燃料属性的约束。生物质燃料的性质在物理、化学性质、成分和能量转换方面,与煤炭存在许多不同。大多数生物质燃料含有更多的挥发性物质,更多的灰分,较少的硫和氮,更少的热值,更多的含水率,以及更大颗粒直径。如果燃烧的混合燃料不符合锅炉的要求,可能会产生不利影响,并可能造成严重的问题。因此,为了确保混合煤的生物质能够在现有的锅炉中进行共燃,必须将重点放在燃料混合特性上。令和分别为锅炉所能接受燃料属性t的最低和最高限制的期望值,则锅炉对燃料属性的约束为:
下层模型约束条件四:混然配比的约束。与煤炭相比,生物质燃料的碳含量要低得多,氢和氧的含量较之较高,这意味着生物质能源密度要低得多;也就是说,生物质只有煤燃料密度的十分之一。研究发现,具有一定生物质混合比例的混合物可以提高煤的燃烧效率,但是在原有燃煤发电的基础设施中,混然配比存在一定的范围,生物质在燃料混合物中的配比不能超过一定范围否则会对锅炉和燃烧等造成不利影响。令燃料种类i为1~ib代表生物质种类,燃料种类i为ib~n代表煤炭种类;生物质在燃料混合物中配的最高比例为UR:则混然配比的约束为:
下层模型约束条件五:发电要求的约束。现代企业不仅要关注自己的发展,还要重视社会责任。众所周知,电力是人们现代生活的必需品。没有电力,正常的生活、工作难以开展。作为一个社会成员,各电厂都享有社会资源,并且作为回报,它应该承担一定的发电量。Ujs是电厂j在第s阶段发电量的最低要求,则电厂j发电要求的约束为:
下层模型约束条件六:碳排放的约束。政府对电厂拥有监管职能,电厂也在按政府规定进行生产经营活动。政府首先制定适当的碳排放限额方案,在一个生产周期内,从1到r个阶段,位于下层的电厂的碳排放量不得超过政府分配的碳排放限额,则碳排放的约束为:
下层模型约束条件七:燃料库存的约束。生物质是一种可再生的碳中性能源,可减少污染物的产生,因此它被认为是煤炭替代的最有利的可再生燃料。然而,生物质的使用存在一个极大的问题:其数量随时间波动大。这个问题涉及到长远角度和短期角度,可以用动态优化技术从长远角度,优化各个阶段的短期购买量。电厂j的燃料i第s阶段的上一阶段期末的库存量Iji(s-1)加上当期购买量zjis减去使用了的燃料xjis,余下的Ijis就是本阶段期末的库存量,另任何一个电厂j的仓库都有其容纳的上限那么每种燃料的期末库存量加上期初的购买量zjis必须满足容纳的上限范围之内,如此燃料库存的约束为:
0≤xjis≤zjis+Iji(s-1)
步骤3、根据上层模型和下层模型构建二层多目标决策优化全局模型;
二层多目标决策优化全局模型为:
步骤4、将所述二层多目标决策优化全局模型转换为二层单目标决策优化全局模型。
令LCE为上一周期的碳排放量,β代表政府对于碳减排的态度,二层单目标决策优化全局模型为:
步骤5、对二层单目标决策优化全局模型进行求解。
如图2所示,所述步骤5包括:
S501、找到上层模型的可行域;
S502、随机选择上层模型可行域内初始的最优解并记为
S503、把上层模型的最优解带入下层模型;
S504、计算下层模型的最优解和
S505、把下层模型的最优解和代回上层模型;
S506、计算上层模型的最优解并记为
S507、判断是否小于1%;如是,则为最终的上层模型的最优解,和为下层模型的最优解,进入步骤S508,否则,将赋值为进入步骤S503;
S508、根据和计算上层模型的目标F1及下层模型的目标Aj的值。
实施例
为了能进一步了解本发明的发明内容、特点和用法、兹举以如下实例详细说明。
以江苏省的三个燃煤耦合生物质发电厂即电厂1、电厂2和电厂3为例,他们都使用秸秆、木材废料、煤炭1和煤炭2这四种燃料种类,其中i=1代表秸秆,i=2代表木材废料,i=3代表煤炭1,i=4代表煤炭2;本实施例一个单周期优化模型,每个阶段为1个月即s的取值范围为1~12,s=1为1月份,以此类推,每个周期被划分为12个月,设在周期开始时库存为0。
上述二层单目标决策优化全局模型中需要输入的数据见下表6至表16,其中表6至表10为确定数据的取值,表11~16为不确定数据的最可能的取值,表6到表10中的数据来源于江苏省秸秆发电项目建设管理白皮书、江苏省统计年鉴以及电厂的官网。表11~16中的数据来自江苏省统计年鉴和电厂的官方网站。
表6三个电厂在各阶段发电量的最低要求Ujs
表7燃料的购买成本Pijs及燃料的最大可获得量
表8碳排放量相关参数
表9电厂j处理单位污染物k的处理成本Vjk
表10其他的确定参数
参数 | 值 |
碳排放限额的价格(元/吨)u | 30 |
增值税T | 0.01 |
单位电价:Q(元/千瓦时) | 0.45 |
地区所需总电力(亿千瓦时)V | 5.16 |
生物质掺配最高比例U<sub>R</sub> | 0.1 |
单位库存成本(元/吨)H | 0.125 |
上一周期的碳排放量(百万吨)L<sub>CE</sub> | 4.99 |
表11电厂j单位燃料i转换的电量的最可能取值
表12电厂j的单位燃料i燃烧产生的碳排放的最可能取值
表13单位燃料i排放污染物k的数量的最可能取值
表14各种燃料的燃料属性的最可能取值
表15燃料焦炭的可燃烧部分的最可能取值
表16电厂j锅炉所能接受燃料属性t的最低限制和最高限制的最可能取值
λ为政策控制参数,由于政府对碳排放限额分配的要求高,本实施例中λ设置为0,设置和的乐观系数为中立,即θτ=0.5,τ∈(0,1,2......7)。
根据上述的二层单目标决策优化全局模型及上述步骤5中的交互式求解算法在matlab中编程,将上述数据输入matlab中进行计算,可以得出如下各种场景即α和β变化时最优结果。
表17α=0.44,β=1时,政府财政收入及各个电厂的经济利润和碳排放限额
表18α=0.44,β=0.9时,政府财政收入及各个电厂的经济利润和碳排放限额
表19α=0.435,β=0.9时,政府财政收入及各个电厂的经济利润和碳排放限额
对比表17和18,可以看出政府对碳排放态度变严格的结果;对比表18和19,可以看出燃烧效率变高的结果;对比表17和19,可以看出碳排放态度和燃烧效率同时变严格的结果。
基于以上结果,可以看出国家财政收入、碳排放总量和电厂经济效益随着环境约束的放松而降低。当β减少时,当局对碳排放采取更严格的态度,从而降低了总碳排放量。在有限的碳排放资源减少的情况下,电厂的发电量更少,经济效益更低。由于电厂的税收和碳排放限额减少,财政收入也会减少。其次,如果环境保护较松,将会有更多的财政收入、碳排放总量和经济效益,在那时电厂尽可能多地产生电力,在满负荷生产的情况下排放二氧化碳,并获得最大的经济效益。政府也会获得更多的财政收入,但是却对环境造成极大的破坏。
Claims (6)
1.燃煤耦合生物质减排发电的二层决策优化方法,其特征在于,包括以下步骤:
步骤1、对相关不确定因素采用模糊数进行描述并计算对应的期望值;
步骤2、根据政府的财政收入目标和环境保护目标及政府的约束条件利用相应的期望值和上层决策变量建立上层模型;根据电厂的经济利润目标及电厂的约束条件利用相应的期望值和下层决策变量建立下层模型;
步骤3、根据上层模型和下层模型构建二层多目标决策优化全局模型;
步骤4、将所述二层多目标决策优化全局模型转换为二层单目标决策优化全局模型;
步骤5、对二层单目标决策优化全局模型进行求解。
2.如权利要求1所述的燃煤耦合生物质减排发电的二层决策优化方法,其特征在于,所述步骤1中,用中间型梯形模糊数和分别表示如下不确定因素:电厂j单位燃料i转换的电量、电厂j的单位燃料i燃烧产生的碳排放、燃料i排放污染物k的数量、燃料种类i的燃料属性t含量或含量所占比例、燃料i焦炭的可燃烧部分占全部的比例、电厂j锅炉所能接受燃料属性t含量或含量所占比例的最低限制和锅炉所能接受燃料属性t含量或含量所占比例的最高限制;
则上述中间型梯形模糊数所述对应的期望值为:
其中,r11ji<r12ji<r13ji<r14ji,r21ji<r22ji<r23ji<r24ji,r31ik<r32ik<r33ik<r34ik,r41it<r42it<r43it<r44it,r51i<r52i<r53i<r54i,r61jt<r62jt<r63jt<r64jt,r71jt<r72jt<r73jt<r74jt;θ1、θ2、θ3、θ4、θ5、θ6和θ7分别为和的乐观系数,0≤θτ≤1,τ∈(0,1,2......7)。
3.如权利要求1所述的燃煤耦合生物质减排发电的二层决策优化方法,其特征在于,所述步骤2中,令T为所得税税率,Q为单位电价,为电厂j∈θ=(1……m)单位燃料i转化的电量的期望值,i为燃料的种类,i∈γ=(1……n),xjis为第s∈σ=(1……r)阶段电厂j使用燃料i的数量,u为单位碳排放限额的价格,yj是政府分配给电厂j的碳排放限额,F1为政府对所管辖电厂的财政收入,F2为政府分配给电厂的碳排放限额总和,yj作为上层决策变量,所述上层模型的目标函数为:
令为电厂j保证自己最低运行标准的碳排,是电厂j开足马力发电的最高碳排,Ej为电厂j的单位碳排放转为的电量,V是地区总的电力需求量,为电厂j的单位燃料i燃烧产生的碳排放的期望值,λ为政府对于碳排放分配限额与实际排放差值的控制,所述上层模型的约束条件为:
令Pjis为第s阶段电厂j购买单位燃料i的成本,zjis为第s阶段电厂j购买的燃料i的数量,H为单位库存成本,Ijis为第s阶段末电厂j燃料i的库存量,Vjk是电厂j处理单位污染物k的处理成本,k代表污染物种类,k的范围为1~p,是燃料i排放污染物k的数量的期望值,Aj为电厂j的经济利润,zjis和xjis作为下层决策变量,所述下层模型的目标函数为:
令为燃料i的燃料属性t含量或含量所占比例的期望值,其中,t为1代表挥发物含量所占比例,t为2代表热值的含量,t为3代表含灰量所占比例,t为4代表含水量所占比例,t为5代表含硫量所占比例;是燃料i焦炭的可燃烧部分的期望值,α为允许的最低燃烧效率,为电厂j的燃料i在第s阶段的最大可获得量,和分别为电厂j锅炉所能接受对应燃料属性t含量或含量所占比例的最低和最高限制的期望值,燃料种类i为1~ib代表生物质种类,燃料种类i为ib~n代表煤炭种类;生物质在燃料混合物中配的最高比例为UR:Ujs是电厂j在第s阶段发电量的最低要求,Iji(s-1)是电厂j的燃料i第s阶段的上一阶段期末的库存量,电厂j的仓库容纳上限为所述下层模型的约束函数为:
4.如权利要求3所述的燃煤耦合生物质减排发电的二层决策优化方法,其特征在于,所述步骤3中,二层多目标决策优化全局模型为:
5.如权利要求4所述的燃煤耦合生物质减排发电的二层决策优化方法,其特征在于,所述步骤4中,令LCE为上一周期的碳排放量,β代表政府对于碳减排的态度,二层单目标决策优化全局模型为:
6.如权利要求4所述的燃煤耦合生物质减排发电的二层决策优化方法,其特征在于,所述步骤5包括:
S501、找到上层模型的可行域;
S502、随机选择上层模型可行域内初始的最优解并记为
S503、把上层模型的最优解带入下层模型;
S504、计算下层模型的最优解和
S505、把下层模型的最优解和代回上层模型;
S506、计算上层模型的最优解并
S507、判断是否小于1%;如是,则为最终的上层模型的最优解,和为下层模型的最优解,进入步骤S508,否则,将赋值为进入步骤S503;
S508、根据和计算上层模型的目标F1及下层模型的目标Aj的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986725.0A CN109190817B (zh) | 2018-08-28 | 2018-08-28 | 燃煤耦合生物质减排发电的二层决策优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986725.0A CN109190817B (zh) | 2018-08-28 | 2018-08-28 | 燃煤耦合生物质减排发电的二层决策优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190817A true CN109190817A (zh) | 2019-01-11 |
CN109190817B CN109190817B (zh) | 2021-11-23 |
Family
ID=64916398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810986725.0A Active CN109190817B (zh) | 2018-08-28 | 2018-08-28 | 燃煤耦合生物质减排发电的二层决策优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190817B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636065A (zh) * | 2018-12-28 | 2019-04-16 | 四川大学 | 基于多煤层共采条件的保水采煤优化方法 |
CN112348574A (zh) * | 2020-10-27 | 2021-02-09 | 国网能源研究院有限公司 | 燃煤耦合生物质发电容量规划方法、系统及装置 |
CN114169811A (zh) * | 2021-11-03 | 2022-03-11 | 东南大学 | 一种沿海电厂煤炭库存分配方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005106390A (ja) * | 2003-09-30 | 2005-04-21 | Tokyo Electric Power Co Inc:The | バイオマス燃料供給システム |
WO2015031581A1 (en) * | 2013-08-28 | 2015-03-05 | Robert Bosch Gmbh | System and method for energy asset sizing and optimal dispatch |
CN104598995A (zh) * | 2015-01-27 | 2015-05-06 | 四川大学 | 基于水权的区域水资源分配二层决策优化方法 |
CN105279578A (zh) * | 2015-10-27 | 2016-01-27 | 天津大学 | 一种主动配电网区域电源优化配置双层规划方法 |
CN106202833A (zh) * | 2016-08-10 | 2016-12-07 | 广东工业大学 | 电力调度方法和系统 |
CN106650995A (zh) * | 2016-10-13 | 2017-05-10 | 中国能源建设集团广东省电力设计研究院有限公司 | 节能减排目标下的能源规划及战略支持系统 |
CN107832905A (zh) * | 2017-09-19 | 2018-03-23 | 国家电网公司 | 一种适应分布式发电和储能站发展的配电网规划方法 |
CN108108830A (zh) * | 2016-11-24 | 2018-06-01 | 辽宁东鹰新能源科技股份有限公司 | 一种可再生能源电源规划配置方法 |
-
2018
- 2018-08-28 CN CN201810986725.0A patent/CN109190817B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005106390A (ja) * | 2003-09-30 | 2005-04-21 | Tokyo Electric Power Co Inc:The | バイオマス燃料供給システム |
WO2015031581A1 (en) * | 2013-08-28 | 2015-03-05 | Robert Bosch Gmbh | System and method for energy asset sizing and optimal dispatch |
CN104598995A (zh) * | 2015-01-27 | 2015-05-06 | 四川大学 | 基于水权的区域水资源分配二层决策优化方法 |
CN105279578A (zh) * | 2015-10-27 | 2016-01-27 | 天津大学 | 一种主动配电网区域电源优化配置双层规划方法 |
CN106202833A (zh) * | 2016-08-10 | 2016-12-07 | 广东工业大学 | 电力调度方法和系统 |
CN106650995A (zh) * | 2016-10-13 | 2017-05-10 | 中国能源建设集团广东省电力设计研究院有限公司 | 节能减排目标下的能源规划及战略支持系统 |
CN108108830A (zh) * | 2016-11-24 | 2018-06-01 | 辽宁东鹰新能源科技股份有限公司 | 一种可再生能源电源规划配置方法 |
CN107832905A (zh) * | 2017-09-19 | 2018-03-23 | 国家电网公司 | 一种适应分布式发电和储能站发展的配电网规划方法 |
Non-Patent Citations (2)
Title |
---|
王一坤 等: ""生物质气化耦合发电提升燃煤机组灵活性分析"", 《热力发电》 * |
马安杰 等: ""可再生能源双层结构模型的实例应用及灵敏度分析"", 《科学技术与工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636065A (zh) * | 2018-12-28 | 2019-04-16 | 四川大学 | 基于多煤层共采条件的保水采煤优化方法 |
CN112348574A (zh) * | 2020-10-27 | 2021-02-09 | 国网能源研究院有限公司 | 燃煤耦合生物质发电容量规划方法、系统及装置 |
CN112348574B (zh) * | 2020-10-27 | 2024-05-28 | 国网能源研究院有限公司 | 燃煤耦合生物质发电容量规划方法、系统及装置 |
CN114169811A (zh) * | 2021-11-03 | 2022-03-11 | 东南大学 | 一种沿海电厂煤炭库存分配方法 |
CN114169811B (zh) * | 2021-11-03 | 2024-04-23 | 东南大学 | 一种沿海电厂煤炭库存分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109190817B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balaman et al. | Network design and technology management for waste to energy production: An integrated optimization framework under the principles of circular economy | |
Fisher-Vanden et al. | Carbon taxes and India | |
Neuhoff et al. | A coordinated strategic reserve to safeguard the European energy transition | |
Dafnomilis et al. | Review of solid and liquid biofuel demand and supply in Northwest Europe towards 2030–A comparison of national and regional projections | |
CN109190817A (zh) | 燃煤耦合生物质减排发电的二层决策优化方法 | |
Hargreaves et al. | Long term energy storage in highly renewable systems | |
CN111463838B (zh) | 计及储能参与二次调频的两阶段鲁棒优化调度方法及系统 | |
Haas | Optimal planning of hydropower and energy storage technologies for fully renewable power systems | |
Fathipour et al. | A multi-objective energy planning considering sustainable development by a TOPSIS-based augmented e-constraint | |
Su et al. | A multi-stage multi-horizon stochastic equilibrium model of multi-fuel energy markets | |
Giampietro et al. | Assessing the quality of alternative energy sources: Energy Return On the Investment (EROI), the Metabolic Pattern of Societies and Energy Statistics | |
Respitawulan et al. | The Role of Renewable Energy to Reduce Climate Change: Perspective of Policy Content and Context | |
Ericson | Economics of Environment, Innovation, and Uncertainty | |
Simpson | Tilting at Windmills: the economics of wind power | |
Farida et al. | Energy security and diversification of energy resources are imperative for building a new model of development in Algeria | |
Schwartz | The role of natural gas in future low-carbon energy systems | |
Chen et al. | Environmental/economic dispatch approach for microgrid with uncooperative game control strategy | |
Zipperling et al. | Industrial flexibility options: regulatory framework of the European procurement of system services | |
YUKHYMENKO et al. | FORECASTING THE STOCK PRICES USING GENERATIVE ADVERSARIAL NETWORKS AND SENTIMENT ANALYSIS OF SOCIAL NETWORKS | |
Bohland et al. | Technology Policy and Market Structure: Evidence from the Power Sector | |
Rich | 10 Years of Cap and Trade: A Comprehensive Review of the Regional Greenhouse Gas Initiative | |
Huang et al. | A bi-level model for coal power decarbonization via biomass co-firing considering CO2 emission trading system | |
Cruz Aké et al. | Possible Development Paths for Mexican Energy Transition | |
Díaz-Trujillo et al. | Soft-clustering for conflict management around the water-energy-carbon nexus and energy security | |
Marklund et al. | When comes the sun? A study of stakeholders, driving forces and future scenarios of solar power in Sweden. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Jiuping Inventor after: Huang Qian Inventor before: Xu Jiuping |
|
GR01 | Patent grant | ||
GR01 | Patent grant |