CN115330144B - 一种计及实时碳减排的需求响应机制模型建立方法 - Google Patents
一种计及实时碳减排的需求响应机制模型建立方法 Download PDFInfo
- Publication number
- CN115330144B CN115330144B CN202210881013.9A CN202210881013A CN115330144B CN 115330144 B CN115330144 B CN 115330144B CN 202210881013 A CN202210881013 A CN 202210881013A CN 115330144 B CN115330144 B CN 115330144B
- Authority
- CN
- China
- Prior art keywords
- electricity
- model
- producer
- consumer
- discount
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 68
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 230000009467 reduction Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000007246 mechanism Effects 0.000 title claims abstract description 16
- 230000004044 response Effects 0.000 title claims abstract description 11
- 230000005611 electricity Effects 0.000 claims abstract description 153
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000010248 power generation Methods 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000370 acceptor Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010792 warming Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- 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
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开发明了一种计及实时碳减排的需求响应机制模型建立方法,建立系统碳排放模型,并在双曲正切函数的基础上进行模型设计,建立碳成本折扣因子模型;针对产消者的负荷调节量,构建电价折扣因子模型;根据碳成本折扣因子模型以及电价折扣因子模型,确定总体折扣因子模型;根据总体折扣因子确定售电商总收益模型;构建产消者自身用电收益模型、产消者舒适度损失数学模型;根据总体折扣因子模型、产消者自身用电收益模型、产消者舒适度损失数学模型确定产消者总收益模型;基于粒子群算法对售电商最优电价以及最优折扣进行迭代优化,实现售电商与产消者智能终端的协同,最终得到模型中售电商最优电价信号以及最优折扣信号。
Description
技术领域
本发明涉及电力系统调度管理技术领域,具体涉及一种计及实时碳减排的需求响应机制模型建立方法。
背景技术
全球变暖问题日趋严重,减少温室气体的排放被看作是解决这一问题的主要办法。对此,作为碳排放大户,电力行业可再生能源发电趋势日益增长。目前电力行业仍不能完全依赖可再生能源发电。可将电力市场看作由外部电网、售电商以及用户组成的运营系统,售电商担任外部电网受体和用户供体。除此采用电力市场与碳市场交互作用的市场机制,促进电力行业低碳发展。但对于电力市场,碳排放成本并未直接与电价机制联动。导致只能从发电侧管理减少碳排放,无法从用户侧推动电力行业低碳发展进程。因此,对考虑碳排放因素的运营系统进行精确建模,建立新的价格型需求响应机制模型,能够有效加强碳排放成本与电价机制的联动性,从需求侧管理提高电力行业的碳减排力度,具有十分重要的意义。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种计及实时碳减排的需求响应机制模型建立方法,具有快速性、稳定性和有效性,达到从需求侧管理提高电力行业碳减排力度的目的。
技术方案:本发明提供了一种计及实时碳减排的需求响应机制模型建立方法,包括如下步骤:
步骤1:建立系统碳排放模型,用于模拟运营系统中的碳减排程度与产消者发电量的数值关系,碳减排程度ΔN数学表达式如下:
其中,ΔN为碳减排程度,e为产消者实际光伏发电量,N为碳排放基准值,g为二氧化碳排放因子,N,g均以当地规定为准,Q为运营系统需要的总电量;
步骤2:根据系统碳排放模型中所获取的碳减排程度值,在双曲正切函数的基础上进行模型设计,建立碳成本折扣因子模型;
步骤3:分析产消者的光伏发电量、实际用电量以及基线负荷,针对产消者的负荷调节量,构建电价折扣因子模型;
步骤4:根据步骤2碳成本折扣因子模型以及步骤3电价折扣因子模型,确定总体折扣因子模型;
步骤5:根据步骤4总体折扣因子模型的总体折扣因子确定售电商总收益模型;
步骤6:构建产消者自身用电收益模型、产消者舒适度损失数学模型;
步骤7:根据步骤4总体折扣因子模型、步骤6产消者自身用电收益模型、产消者舒适度损失数学模型确定产消者总收益模型;
步骤8:边云协同架构下求解最优折扣及最优电价策略,基于粒子群算法对售电商最优电价以及最优折扣进行迭代优化,实现售电商与产消者智能终端的协同,最终得到模型中售电商最优电价信号以及最优折扣信号。
进一步地,所述步骤2中在设计模型时考虑增加一个折扣系数,碳成本折扣因子数学表达式如下:
其中,为产消者i的碳成本折扣因子,k为碳成本折扣系数,tanh为双曲正切函数,其表达式为:/>
进一步地,所述步骤3中,设计电价折扣因子模型过程中采用符号函数表示产消者负荷调节量的方向,结果为1时表示负荷往正方向调整;结果为-1时表示负荷往负方向调整,且采用与碳成本折扣因子相同的折扣系数k作为电价折扣系数,得到电价折扣因子γi2的表达式如下:
γi2=1-tanh(k·sgn(∑Vi-∑Bi)·Di) (3)
其中,γi2为产消者i的电价折扣因子,k为电价折扣系数,tanh为双曲正切函数,sgn为符号函数,Vi是产消者i的光伏发电量,Bi是产消者i的总基线负荷,Di是产消者i的负荷调节量,其表达式为Di=Ai-Bi,其中,Ai是产消者的实际用电量。
进一步地,所述步骤4中总体折扣因子模型为:
γi=γi1(k,ΔN)×γi2(k,ΔL)=[1-tanh(kΔN)]·[1-tanh(k·sgn(∑Vi-∑Bi)·Di)]=1-tanh(k·sgn(∑Vi-∑Bi)·Di)-tanh(kΔN)+tanh(kΔN)·tanh(k·sgn(∑Vi-∑Bi)·Di (4)
其中,γi为总体折扣因子。
进一步地,所述步骤5中售电商总收益分为收益和损失两部分,其中收益又可分为两部分,一部分是售电商向产消者售出电量后获取收益,另一部分是售电商向外电网售出电量获得收益;损失也分为两部分,一部分为售电商向外电网购电的损失,另一部分为售电商向产消者购电的损失,所以售电商总收益模型为:
其中,Yi为第i个产消者所购入的电量,Pbuy为产消者的单位电量购电价格,γi为总折扣因子模型,Pout为售电商向外部电网单位电量卖出的价格,Lout为售电商对外部电网售出的电量,Si为产消者售出的电量,Psell为回收产消者单位电量的价格,Pin为售电商由外部电网单位电量购电的价格,Lin为售电商由外部电网所购进的电量。
进一步地,所述步骤6中产消者自身用电收益模型、产消者舒适度损失数学模型分别为:
产消者自身用电收益模型:
其中,U是产消者用电收益,Ai是第i个产消者的用电量,ωi是第i个产消者的弹性系数,vi是第i个产消者的设定参数,d表示微分;
产消者舒适度损失数学模型:
其中,Ci为第i个产消者的舒适度损失,βi和αi为舒适度损失函数的设定参数。
进一步地,所述步骤7中产消者总收益模型为:
Oi=Ui+SiPsell-Ci-YiPbuyγi (8)
其中,Oi为产消者总收益,Ui为第i个产消者的用电效益模型,Si为第i个产消者售出的电量,Psell为产消者售出的单位电价,Ci为第i个产消者的舒适度损失模型,Yi是第i个产消者的购入的电量,Pbuy是产消者购买的单位电价,γi为总折扣因子模型。
进一步地,所述步骤8中基于粒子群算法对售电商最优电价以及最优折扣进行迭代优化的具有操作为:
S8.1:随机初始化粒子群,将售电商总收益I最大化作为目标函数,定义粒子群种群为S,则:S={X1,X2,...,Xm},设置粒子群大小以及折扣系数k,产消者的单位电量购电价格Pbuy,回收产消者单位电量的价格Pseu初始值,其中,Xi表示第i个粒子,/>表示t时刻第i个产消者的购电价格,/>表示t时刻第i个产消者的售电价格,/>表示t时刻第i个产消者的折扣系数;
S8.2:智能终端在时间t接收粒子群初始值后进行优化,得到最优期望购电量与期望售电量/>并将结果反馈给售电商;
S8.3:售电商根据接收到的反馈值,优化以及/>并得到每次迭代后的个体及种群最优值;
S8.4:售电商进行下次迭代之前,需更新各个粒子的速度和位置,定义粒子i的速度为vi,粒子i的位置为xi,对粒子群更新速度及位置,更新数学表达式如下:
其中,c1、c2是加速常数,r1、r2为区间[0,1]的随机数,Pi为粒子i迭代后的最优位置,Pg为粒子群迭代后的最优位置,ρ为控制速度权重的约束因子;
S8.5:检验是否达到最大迭代次数,若达到最大迭代次数,则输出最优解,算法结束;若未达到最大迭代次数,则需重复S8.3。
有益效果:
本发明提出了售电商与用户交易机制的物理模型,并将系统复杂交易过程转化成数学问题,简单明了。设计的方法是在边云协同构架下进行建模,实现售电商与用户的互动协同,使模型更加快速、安全。设计的模型能够在保证售电商收益情况下,引导用户改变用电行为,达到更好地系统碳减排效果。
附图说明
图1为本发明整体实施流程图;
图2为本发明系统边云协同架构图;
图3为本发明以粒子群算法为基础的迭代优化策略流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
针对加强碳排放成本与电价机制的联动性问题,本发明公开了一种具有快速性、稳定性和有效性的计及实时碳减排的需求响应机制模型建立方法,达到从需求侧管理提高电力行业碳减排力度的目的。
在售电商运营架构中,其供体和受体分别为外部电网和用户。本发明将用户界定为靠光伏发电的产消者。同时将碳排放量内部化为碳排放成本(以下简称为碳成本)参与系统运营时的价格制定。将售电商设定为云端,将产消者的智能终端作为边缘侧。在边云协同架构下,售电商获取外部电网的售电、购电价格信号后,制定相应的售电、购电价格并将信号发送给产消者的智能终端。智能终端根据产消者自身发电、用电情况向售电商反馈所需购买和出售的电量,售电商根据所接收到的信号确定最终售电、购电价格。
计及实时碳减排的需求响应机制模型建立方法的具体操作步骤如下:
步骤1:建立系统碳排放模型,用于模拟运营系统中的碳减排程度与产消者发电量的数值关系。碳减排程度ΔN数学表达式如下:
其中,ΔN为碳减排程度,e为产消者实际光伏发电量,N为碳排放基准值,g为二氧化碳排放因子,N,g均以当地规定为准,Q为运营系统需要的总电量。
步骤2:建立碳成本折扣因子模型。利用公式(1)中所获取的碳减排程度值,在双曲正切函数的基础上进行模型设计。同时为了保证折扣因子的可调节度,在设计模型时考虑增加一个折扣系数。碳成本折扣因子数学表达式如下:
其中,为产消者i的碳成本折扣因子,k为碳成本折扣系数,tanh为双曲正切函数,其表达式为:/>
步骤3:建立电价折扣因子模型。分析产消者的光伏发电量、实际用电量以及基线负荷。针对产消者的负荷调节量,对电价折扣因子进行模型设计。设计过程中采用符号函数表示产消者负荷调节量的方向,结果为1时表示负荷往正方向调整;结果为-1时表示负荷往负方向调整。为了保证电价折扣因子与碳成本折扣因子具有相同程度的贡献度,采用与碳成本折扣因子相同的折扣系数k作为电价折扣系数。得到电价折扣因子γi2的表达式如下:
γi2=1-tanh(k·sgn(∑Vi-∑Bi)·Di) (3)
其中,γi2为产消者i的电价折扣因子,k为电价折扣系数,tanh为双曲正切函数,sgn为符号函数,Vi是产消者i的光伏发电量,Bi是产消者i的总基线负荷,Di是产消者i的负荷调节量,其表达式为Di=Ai-Bi,其中,Ai是产消者的实际用电量。
步骤4:建立总体折扣因子模型。综合步骤2和步骤3,设计总体折扣因子保证折扣因子能够在引导用户的用电行为向增大碳减排程度调整的同时,也能调整降低负荷不平衡。将公式(2)(3)代入下式,得到总体折扣因子γi的表达式如下:
γi=γi1(k,ΔN)×γi2(k,ΔL)=[1-tanh(kΔN)]·[1-tanh(k·sgn(∑Vi-∑Bi)·Di)]=1-tanh(k·sgn(∑Vi-∑Bi)·Di)-tanh(kΔN)+tanh(kΔN)·tanh(k·sgn(∑Vi-∑Bi)·Di (4)
步骤5:建立售电商总收益模型。考虑边云协同架构,将售电商作为运营系统的云端。售电商总收益分为收益和损失两大部分。其中收益又可分为两部分,一部分是售电商向产消者售出电量后获取收益,另一部分是售电商向外电网售出电量获得收益。损失也可分为两部分,一部分为售电商向外电网购电的损失,另一部分为售电商向产消者购电的损失。将公式(4)中的γi代入下式,获得售电商总收益I模型如下:
其中,Yi为第i个产消者所购入的电量,Pbuy为产消者的单位电量购电价格,γi为总折扣因子模型,Pout为售电商向外部电网单位电量卖出的价格,Lout为售电商对外部电网售出的电量,Si为产消者售出的电量,Psell为回收产消者单位电量的价格,Pin为售电商由外部电网单位电量购电的价格,Lin为售电商由外部电网所购进的电量。
步骤6:建立产消者自身用电收益模型。考虑边云协同架构,将产消者作为运营系统的边缘侧。文献[1]的分段函数对用电收益模型进行设计,其收益模型数学表达式如下:
其中,U是产消者用电收益,Ai是第i个产消者的用电量,ωi是第i个产消者的弹性系数,vi是第i个产消者的设定参数,d表示微分。
步骤7:建立产消者舒适度损失数学模型。此处的舒适度即用户根据电价的改变(主要指电价上涨)而形成的满意程度变化。文献[2]对产消者调整用电行为造成的舒适度损失进行建模,其数学表达式如下:
其中,Ci为第i个产消者的舒适度损失,βi和αi为舒适度损失函数的设定参数。
步骤8:建立产消者总收益模型。产消者总收益分为收益和损失两大部分。其中收益可分为步骤6的产消者自身收益和向售电商出售电量所获收益。损失可分为步骤7的舒适度损失和向售电商购买电量的损失。将公式(4)(6)(7)代入下式,获得第i个产消者总收益Oi模型如下:
Oi=Ui+SiPsell-Ci-YiPbuyγi (8)
其中,Oi为产消者总收益,Ui为第i个产消者的用电效益模型,Si为第i个产消者售出的电量,Psell为产消者售出的单位电价,Ci为第i个产消者的舒适度损失模型,Yi是第i个产消者的购入的电量,Pbuy是产消者购买的单位电价,γi为总折扣因子模型。
步骤9:边云协同架构下求解最优折扣及最优电价策略。基于粒子群算法对售电商最优电价以及最优折扣进行迭代优化,实现售电商与产消者智能终端的协同,最终得到模型中售电商最优电价信号以及最优折扣信号。
9.1:随机初始化粒子群。将售电商总收益I最大化作为目标函数,定义粒子群种群为S,则:S={X1,X2,...,Xm},设置粒子群大小以及公式(4)中k,公式(5)中Pbuy,Psell初始值。
其中,Xi表示第i个粒子,表示t时刻第i个产消者的购电价格,/>表示t时刻第i个产消者的售电价格,/>表示t时刻第i个产消者的折扣系数。
9.2:智能终端接收并反馈信号。智能终端在时间t接收粒子群初始值后进行优化,得到最优期望购电量与期望售电量/>并将结果反馈给售电商。
9.3:计算目标函数,得到全局最优。售电商根据接收到的反馈值,优化以及/>并得到每次迭代后的个体及种群最优值。
9.4:更新各个粒子的速度和位置。售电商进行下次迭代之前,需更新各个粒子的速度和位置。定义粒子i的速度为vi,粒子i的位置为xi,文献[3]对粒子群更新速度及位置进行建模,更新数学表达式如下:
其中,c1、c2是加速常数,r1、r2为区间[0,1]的随机数,Pi为粒子i迭代后的最优位置,Pg为粒子群迭代后的最优位置,ρ为控制速度权重的约束因子。
9.5:检验是否达到最大迭代次数。若达到最大迭代次数,则输出最优解,算法结束;若未达到最大迭代次数,则需重复步骤9.3。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种计及实时碳减排的需求响应机制模型建立方法,其特征在于,包括如下步骤:
步骤1:建立系统碳排放模型,用于模拟运营系统中的碳减排程度与产消者发电量的数值关系,碳减排程度ΔN数学表达式如下:
其中,ΔN为碳减排程度,e为产消者实际光伏发电量,N为碳排放基准值,g为二氧化碳排放因子,Q为运营系统需要的总电量;
步骤2:根据系统碳排放模型中所获取的碳减排程度值,在双曲正切函数的基础上进行模型设计,建立碳成本折扣因子模型;
在设计模型时考虑增加一个折扣系数,产消者i的碳成本折扣因子γi1数学表达式如下:
γi1=1-tanh(k1ΔN) (2)
其中,γi1为产消者i的碳成本折扣因子,k1为碳成本折扣系数,tanh为双曲正切函数,其表达式为:
步骤3:分析产消者的光伏发电量、实际用电量以及基线负荷,针对产消者的负荷调节量,构建电价折扣因子模型;
产消者i的电价折扣因子γi2的表达式如下:
γi2=1-tanh(k2·sgn(∑Vi-∑Bi)·Di) (3)
其中,γi2为产消者i的电价折扣因子,k2为电价折扣系数,tanh为双曲正切函数,sgn为符号函数,Vi是产消者i的光伏发电量,Bi是产消者i的总基线负荷,Di是产消者i的负荷调节量,其表达式为Di=Ai-Bi,其中,Ai是第i个产消者的的实际用电量;设计电价折扣因子模型过程中采用符号函数表示产消者负荷调节量的方向,结果为1时表示负荷往正方向调整;结果为-1时表示负荷往负方向调整,且采用与碳成本折扣系数相同的折扣系数作为电价折扣系数;
步骤4:根据步骤2碳成本折扣因子模型以及步骤3电价折扣因子模型,确定总体折扣因子模型;
总体折扣因子模型为:
γi=γi1(k1,ΔN)×γi2(k2,ΔL)=[1-tanh(k1ΔN)]·[1-tanh(k2·sgn(∑Vi-∑Bi)·Di)]=1-tanh(k2·sgn(∑Vi-∑Bi)·Di)-tanh(k1ΔN)+tanh(k1ΔN)·tanh(k2·sgn(∑Vi-∑Bi)·Di (4)
其中,γi为总体折扣因子;
步骤5:根据步骤4总体折扣因子模型的总体折扣因子确定售电商总收益模型;
售电商总收益分为收益和损失两部分,其中收益又可分为两部分,一部分是售电商向产消者售出电量后获取收益,另一部分是售电商向外电网售出电量获得收益;损失也分为两部分,一部分为售电商向外电网购电的损失,另一部分为售电商向产消者购电的损失,所以售电商总收益模型为:
其中,Yi为第i个产消者所购入的电量,Pbuy为产消者的单位电量购电价格,γi为总体折扣因子,Pout为售电商向外部电网单位电量卖出的价格,Lout为售电商对外部电网售出的电量,Si为第i个产消者售出的电量,Psell为产消者售出的单位电价,Pin为售电商由外部电网单位电量购电的价格,Lin为售电商由外部电网所购进的电量;
步骤6:构建产消者自身用电收益模型、产消者舒适度损失数学模型;
产消者自身用电收益模型:
其中,Ui是第i个产消者的用电收益,Ai是第i个产消者的实际用电量,ωi是第i个产消者的弹性系数,vi是第i个产消者的设定参数,d表示微分;
产消者舒适度损失数学模型:
其中,Ci为第i个产消者的舒适度损失,βi和αi为舒适度损失函数的设定参数;
步骤7:根据步骤4总体折扣因子模型、步骤6产消者自身用电收益模型、产消者舒适度损失数学模型确定产消者总收益模型;产消者总收益模型为:
Oi=Ui+SiPSell-Ci-YiPbuyγi (8)
其中,Oi为产消者总收益,Ui为第i个产消者的用电收益,Si为第i个产消者售出的电量,Psell为产消者售出的单位电价,Ci为第i个产消者的舒适度损失,Yi是第i个产消者所购入的电量,Pbuy是产消者的单位电量购电价格,γi为总体折扣因子;
步骤8:边云协同架构下求解最优折扣及最优电价策略,基于粒子群算法对售电商最优电价以及最优折扣进行迭代优化,实现售电商与产消者智能终端的协同,最终得到模型中售电商最优电价信号以及最优折扣信号。
2.根据权利要求1所述的计及实时碳减排的需求响应机制模型建立方法,其特征在于,所述步骤8中基于粒子群算法对售电商最优电价以及最优折扣进行迭代优化的具有操作为:
S8.1:随机初始化粒子群,将售电商总收益I最大化作为目标函数,定义粒子群种群为S,则:S={X1,X2,...,Xm},设置粒子群大小,产消者的单位电量购电价格Pbuy,产消者售出的单位电价Psell初始值,其中,Xj表示第j个粒子,/>表示t时刻第i个产消者的购电价格,/>表示t时刻第i个产消者的售电价格,/>表示t时刻第i个产消者的折扣系数;
S8.2:智能终端在时间t接收粒子群初始值后进行优化,得到最优期望购电量与期望售电量/>并将结果反馈给售电商;
S8.3:售电商根据接收到的反馈值,优化以及/>并得到每次迭代后的个体及种群最优值;
S8.4:售电商进行下次迭代之前,需更新各个粒子的速度和位置,定义粒子j的速度为vj,粒子j的位置为xj,对粒子群更新速度及位置,更新数学表达式如下:
其中,c1、c2是加速常数,r1、r2为区间[0,1]的随机数,Pj为粒子j迭代后的最优位置,Pg为粒子群迭代后的最优位置,ρ为控制速度权重的约束因子;
S8.5:检验是否达到最大迭代次数,若达到最大迭代次数,则输出最优解,算法结束;若未达到最大迭代次数,则需重复S8.3。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022105360120 | 2022-05-17 | ||
CN202210536012 | 2022-05-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330144A CN115330144A (zh) | 2022-11-11 |
CN115330144B true CN115330144B (zh) | 2023-11-28 |
Family
ID=83919989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881013.9A Active CN115330144B (zh) | 2022-05-17 | 2022-07-25 | 一种计及实时碳减排的需求响应机制模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330144B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894568B (zh) * | 2023-09-11 | 2024-03-29 | 国网湖北省电力有限公司 | 一种充电桩的碳排放综合管理预测方法及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004246804A (ja) * | 2003-02-17 | 2004-09-02 | Hitachi Ltd | 発電コスト最適化方法および発電コスト最適化装置 |
CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力系统的温室气体减排控制方法 |
CN108182507A (zh) * | 2017-12-05 | 2018-06-19 | 上海电力学院 | 一种计及不确定性的售电商最优电价决策方法 |
CN109447328A (zh) * | 2018-10-08 | 2019-03-08 | 国网福建省电力有限公司 | 计及用户支付意愿的分布式风电场售电收益优化方法 |
CN109829578A (zh) * | 2019-01-18 | 2019-05-31 | 广东电网有限责任公司 | 一种售电商与多元用户需求响应博弈方法及设备 |
CN109829591A (zh) * | 2019-02-15 | 2019-05-31 | 上海电力设计院有限公司 | 一种风电并网的调度方法、装置、设备及存储介质 |
CN111080069A (zh) * | 2019-11-19 | 2020-04-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于多维度因子博弈的居民需求响应模型 |
CN111476414A (zh) * | 2020-04-07 | 2020-07-31 | 华北电力大学 | 一种光伏产消者优化决策方法 |
-
2022
- 2022-07-25 CN CN202210881013.9A patent/CN115330144B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004246804A (ja) * | 2003-02-17 | 2004-09-02 | Hitachi Ltd | 発電コスト最適化方法および発電コスト最適化装置 |
CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力系统的温室气体减排控制方法 |
CN108182507A (zh) * | 2017-12-05 | 2018-06-19 | 上海电力学院 | 一种计及不确定性的售电商最优电价决策方法 |
CN109447328A (zh) * | 2018-10-08 | 2019-03-08 | 国网福建省电力有限公司 | 计及用户支付意愿的分布式风电场售电收益优化方法 |
CN109829578A (zh) * | 2019-01-18 | 2019-05-31 | 广东电网有限责任公司 | 一种售电商与多元用户需求响应博弈方法及设备 |
CN109829591A (zh) * | 2019-02-15 | 2019-05-31 | 上海电力设计院有限公司 | 一种风电并网的调度方法、装置、设备及存储介质 |
CN111080069A (zh) * | 2019-11-19 | 2020-04-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于多维度因子博弈的居民需求响应模型 |
CN111476414A (zh) * | 2020-04-07 | 2020-07-31 | 华北电力大学 | 一种光伏产消者优化决策方法 |
Non-Patent Citations (1)
Title |
---|
"基于竞价优化的虚拟电厂内部利益分配方法研究";王雨晴;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第06期);第C042-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115330144A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tabar et al. | Energy management in hybrid microgrid with considering multiple power market and real time demand response | |
CN115330144B (zh) | 一种计及实时碳减排的需求响应机制模型建立方法 | |
CN113779792B (zh) | 一种基于仿射的综合能源系统优化配置方法 | |
CN107453407A (zh) | 一种智能微电网分布式能源调度方法 | |
Wing et al. | Phoenix model documentation | |
Finnah et al. | Optimizing trading decisions of wind power plants with hybrid energy storage systems using backwards approximate dynamic programming | |
Wang et al. | Energy management in integrated energy system using energy–carbon integrated pricing method | |
CN112132309A (zh) | 可再生能源发电配额制下售电公司购售电优化方法和系统 | |
Gao et al. | Strategy decision game approach of the combination generation system of wind and thermal power participating in the direct power purchase transaction of large consumer | |
Bødal et al. | Capacity expansion planning with stochastic rolling horizon dispatch | |
Zhang et al. | A reinforcement and imitation learning method for pricing strategy of electricity retailer with customers’ flexibility | |
CN111402015B (zh) | 一种基于购售风险的虚拟电厂双层竞标方法及系统 | |
CN111695943B (zh) | 一种计及浮动高峰电价的优化管理方法 | |
Aïd et al. | The coordination of centralised and distributed generation | |
KR102319625B1 (ko) | 대규모 전력계통 운영에 유연성을 제공할 수 있는 마이크로그리드 운영 방법 및 장치 | |
Wang et al. | Optimal day-ahead decision-making scheduling of multiple interruptible load schemes for retailer with price uncertainties | |
Mochi et al. | Empowering customers in local electricity market: A prosumer segmentation and operating envelope strategy for joint cost reduction and profit maximization | |
CN114936671A (zh) | 一种计及绿电期权的可再生能源发电商售电组合优化方法 | |
CN112865101B (zh) | 一种考虑可再生能源出力不确定性的线性化交易方法 | |
Zhao et al. | A bi-level optimal scheduling model for new-type power systems integrating large-scale renewable energy | |
CN115115185A (zh) | 风氢耦合系统的制氢储氢容量配置方法 | |
KR20230121449A (ko) | Re100 달성을 위한 신재생 에너지원 자동 매칭 인공지능 시스템 및 이의 동작 방법 | |
CN112734277A (zh) | 信息物理融合的需求侧响应资源多层级建模方法 | |
Abdulla et al. | Accounting for forecast uncertainty in the optimized operation of energy storage | |
CN111985783A (zh) | 一种电力负荷需求响应博弈建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |