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

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

一种计及实时碳减排的需求响应机制模型建立方法

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γ_i2的表达式如下：

γ_i2＝1-tanh(k·sgn(∑V_i-∑B_i)·D_i) (3)

其中，γ_i2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，V_i是产消者i的光伏发电量，B_i是产消者i的总基线负荷，D_i是产消者i的负荷调节量，其表达式为D_i＝A_i-B_i，其中，A_i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：

γ_i＝γ_i1(k，ΔN)×γ_i2(k，ΔL)＝[1-tanh(kΔN)]·[1-tanh(k·sgn(∑V_i-∑B_i)·D_i)]＝1-tanh(k·sgn(∑V_i-∑B_i)·D_i)-tanh(kΔN)+tanh(kΔN)·tanh(k·sgn(∑V_i-∑B_i)·D_i (4)

其中，γ_i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，Y_i为第i个产消者所购入的电量，P_buy为产消者的单位电量购电价格，γ_i为总折扣因子模型，P_out为售电商向外部电网单位电量卖出的价格，L_out为售电商对外部电网售出的电量，S_i为产消者售出的电量，P_sell为回收产消者单位电量的价格，P_in为售电商由外部电网单位电量购电的价格，L_in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，A_i是第i个产消者的用电量，ω_i是第i个产消者的弹性系数，v_i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，C_i为第i个产消者的舒适度损失，β_i和α_i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：

O_i＝U_i+S_iP_sell-C_i-Y_iP_buyγ_i (8)

其中，O_i为产消者总收益，U_i为第i个产消者的用电效益模型，S_i为第i个产消者售出的电量，P_sell为产消者售出的单位电价，C_i为第i个产消者的舒适度损失模型，Y_i是第i个产消者的购入的电量，P_buy是产消者购买的单位电价，γ_i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，...，X_m}，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P_buy，回收产消者单位电量的价格P_seu初始值，其中，X_i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v_i，粒子i的位置为x_i，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，P_i为粒子i迭代后的最优位置，P_g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γ_i2的表达式如下：

γ_i2＝1-tanh(k·sgn(∑V_i-∑B_i)·D_i) (3)

其中，γ_i2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，V_i是产消者i的光伏发电量，B_i是产消者i的总基线负荷，D_i是产消者i的负荷调节量，其表达式为D_i＝A_i-B_i，其中，A_i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γ_i的表达式如下：

γ_i＝γ_i1(k，ΔN)×γ_i2(k，ΔL)＝[1-tanh(kΔN)]·[1-tanh(k·sgn(∑V_i-∑B_i)·D_i)]＝1-tanh(k·sgn(∑V_i-∑B_i)·D_i)-tanh(kΔN)+tanh(kΔN)·tanh(k·sgn(∑V_i-∑B_i)·D_i (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γ_i代入下式，获得售电商总收益I模型如下：

其中，Y_i为第i个产消者所购入的电量，P_buy为产消者的单位电量购电价格，γ_i为总折扣因子模型，P_out为售电商向外部电网单位电量卖出的价格，L_out为售电商对外部电网售出的电量，S_i为产消者售出的电量，P_sell为回收产消者单位电量的价格，P_in为售电商由外部电网单位电量购电的价格，L_in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，A_i是第i个产消者的用电量，ω_i是第i个产消者的弹性系数，v_i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，C_i为第i个产消者的舒适度损失，β_i和α_i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O_i模型如下：

O_i＝U_i+S_iP_sell-C_i-Y_iP_buyγ_i (8)

其中，O_i为产消者总收益，U_i为第i个产消者的用电效益模型，S_i为第i个产消者售出的电量，P_sell为产消者售出的单位电价，C_i为第i个产消者的舒适度损失模型，Y_i是第i个产消者的购入的电量，P_buy是产消者购买的单位电价，γ_i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，...，X_m}，设置粒子群大小以及公式(4)中k，公式(5)中P_buy，P_sell初始值。

其中，X_i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v_i，粒子i的位置为x_i，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，P_i为粒子i迭代后的最优位置，P_g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γ_i1数学表达式如下：

γ_i1＝1-tanh(k₁ΔN) (2)

其中，γ_i1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γ_i2的表达式如下：

γ_i2＝1-tanh(k₂·sgn(∑V_i-∑B_i)·D_i) (3)

其中，γ_i2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，V_i是产消者i的光伏发电量，B_i是产消者i的总基线负荷，D_i是产消者i的负荷调节量，其表达式为D_i＝A_i-B_i，其中，A_i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：

γ_i＝γ_i1(k₁，ΔN)×γ_i2(k₂，ΔL)＝[1-tanh(k₁ΔN)]·[1-tanh(k₂·sgn(∑V_i-∑B_i)·D_i)]＝1-tanh(k₂·sgn(∑V_i-∑B_i)·D_i)-tanh(k₁ΔN)+tanh(k₁ΔN)·tanh(k₂·sgn(∑V_i-∑B_i)·D_i (4)

其中，γ_i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，Y_i为第i个产消者所购入的电量，P_buy为产消者的单位电量购电价格，γ_i为总体折扣因子，P_out为售电商向外部电网单位电量卖出的价格，L_out为售电商对外部电网售出的电量，S_i为第i个产消者售出的电量，P_sell为产消者售出的单位电价，P_in为售电商由外部电网单位电量购电的价格，L_in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，U_i是第i个产消者的用电收益，A_i是第i个产消者的实际用电量，ω_i是第i个产消者的弹性系数，v_i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，C_i为第i个产消者的舒适度损失，β_i和α_i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：

O_i＝U_i+S_iP_Sell-C_i-Y_iP_buyγ_i (8)

其中，O_i为产消者总收益，U_i为第i个产消者的用电收益，S_i为第i个产消者售出的电量，P_sell为产消者售出的单位电价，C_i为第i个产消者的舒适度损失，Y_i是第i个产消者所购入的电量，P_buy是产消者的单位电量购电价格，γ_i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，...，X_m}，设置粒子群大小，产消者的单位电量购电价格P_buy，产消者售出的单位电价P_sell初始值，其中，X_j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v_j，粒子j的位置为x_j，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，P_j为粒子j迭代后的最优位置，P_g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。