CN115907575A - 基于acp和碳-绿证交易的工业综合能源系统协同运行方法 - Google Patents
基于acp和碳-绿证交易的工业综合能源系统协同运行方法 Download PDFInfo
- Publication number
- CN115907575A CN115907575A CN202310059467.2A CN202310059467A CN115907575A CN 115907575 A CN115907575 A CN 115907575A CN 202310059467 A CN202310059467 A CN 202310059467A CN 115907575 A CN115907575 A CN 115907575A
- Authority
- CN
- China
- Prior art keywords
- energy
- industrial
- network
- distribution network
- transaction
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ACP和碳‑绿证交易的工业综合能源系统协同运行方法,包括:构建多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制;以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型;以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型;对优化运行模型进行求解,获得系统协同运行最优策略,输入至多工业综合能源系统平行控制模型,进行平行控制和策略修正。
Description
技术领域
本发明属于工业综合能源系统技术领域,具体涉及一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法。
背景技术
工业综合能源系统具有多种产能,是以工业负荷为主的复杂能源系统,涉及电、热、气、冷等多种能源的生产、转换、存储及消费,负荷需求量大、自动化程度高、负荷特性复杂、供能可靠性要求高,是典型的高碳排放用能系统。工业综合能源系统的低碳运行和管理需要突破传统能源系统的技术、市场和管理壁垒,将电、气、热、冷等各类能源统一规划、统一调度,同时推动能源结构转型,推进能源革命。
随着经济社会的发展,同一区域内多个子工业能源系统互联,并接入上级配网形成多工业综合能源系统,各个子工业能源系统间的能量交互、协同优化运行以及子工业能源系统与上级配网的能量交互等都对多工业综合能源系统的经济调度产生较大影响。另外,随着环境问题日益严峻,我国构建将以可再生能源为主体的新型综合能源系统,在可再生能源平价上网的新形势下,我国建立绿色证书交易机制和碳排放交易体系,借助市场手段从调整能源结构方面推动能源转型,通过碳排放配额和绿电配额的交易机制,相当于在各个子工业能源系统之间进行碳交易和绿证交易,满足各自的配额需求,共同实现低碳经济绿色运行。因此,如何将碳交易、绿证交易引入多工业综合能源系统中,提高能源利用效率,促进节能减排,降低碳排放量,促进可再生能源的消纳是目前急需解决的问题。
基于上述技术问题,需要设计一种新的基于ACP和碳-绿证交易的工业综合能源系统协同运行方法。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法,能够借助平行控制、区块链技术、碳交易和绿证交易机制,建立配网层优化运行模型和工业能源层优化运行模型,能够满足各自的碳需求和绿证需求,实现了协同优化运行,提高了系统低碳经济绿色运行,并且交易速度快、延迟低,交易过程安全可信,提升了系统的安全可行性。
为了解决上述技术问题,本发明的技术方案是:
本发明提供了一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法,所述工业综合能源系统协同运行方法包括:
构建多工业综合能源系统平行控制模型;所述多工业综合能源系统包括配网层和工业能源层,所述配网层包括配电网、配气网和配热网,所述工业能源层包括能源运营商和多个工业能源网;
基于所述多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制;
以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型;
将基于配网层优化运行模型决策出的配网层和工业能源层之间的交互功率下发给各个工业能源网,以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型;所述工业能源网的总成本至少包括设备运维成本、与配网层交互成本、工业能源网间交互功率成本、碳排放成本、绿证交易成本和碳交易成本;
对所述配网层优化运行模型和所述工业能源层优化运行模型进行求解,获得系统协同运行最优策略;
将系统协同运行最优策略输入至所述多工业综合能源系统平行控制模型,进行平行控制和不断修正系统协同运行最优策略。
进一步,所述配网层和所述工业能源层之间进行信息和能量交互的通道为配网-工业能源联络线,所述多个工业能源网之间进行信息和能量交互的通道为能源网-能源网联络线;所述配网层中的配电网、配气网和配热网分别通过配网-工业能源联络线向各个工业能源网供给电能、天然气和热能;所述多个工业能源网之间通过能源网-能源网联络线进行电能、天然气和热能的交互;单个工业能源网的设备包括可再生能源机组、燃气轮机、燃气锅炉、余热锅炉、储能装置和制冷机,所述可再生能源机组包括风力发电、光伏发电、太阳能发电和地热能发电。
进一步,构建多工业综合能源系统平行控制模型包括:通过实际多工业综合能源系统中设置的数据采集装置感知实际数据信息;利用实际多工业综合能源系统的数据信息、物理实体结构和参数,并采用机理描述、知识表示和机器学习方法,建立人工多工业综合能源系统;通过计算实验,并将实验结果输入至由实际多工业综合能源系统和人工多工业综合能源系统组合形成的平行智慧供热系统,进行平行执行,不断修正人工多工业综合能源系统的模型结构和参数,使人工多工业综合能源系统趋近实际多工业综合能源系统,进行人工多工业综合能源系统的培育。
进一步,所述基于所述多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制,包括:
基于所述工业综合能源系统平行控制模型,在人工多工业综合能源系统中按照实际多工业综合能源系统的运行数据进行同步计算实验,采用机器学习方法建立各个工业能源网的工业画像和负荷预测模型,获得各个工业能源网的电负荷、热负荷、气负荷和冷负荷的需求预测值,并通过向所述配网层进行购能,以及跨工业能源网进行购能来满足相应负荷需求;
计算各个工业能源网的碳排放量和生产的绿电量,为各个工业能源网设置碳排放配额和绿电配额,比较各个工业能源网的碳排放量和碳排放配额,超额排放的工业能源网通过碳交易平台进行碳排放额度的交易;以及比较各个工业能源网生产的绿电量和绿电配额,工业能源网根据其绿电生产能力将超出配额的可再生能源电力按比例获取绿色证书,并通过绿证交易平台进行买卖;
通过区块链技术建立碳交易和绿证交易的安全交易机制,包括通过写入链下匹配信息、实时发布碳交易和绿证交易供求信息、自动进行交易结算;在碳交易和绿证交易过程中,盈余方作为作为卖方出售碳排放配额、绿电配额和相关售价信息,亏欠方作为买方发布碳排放需求额、绿电需求额和相关出价信息,当满足双方交易需求时进行交易,交易后的碳排放配额和绿电配额每发生一次转移,交易信息遍记录上链不支持篡改,同时通过智能合约技术对网络中的碳排放配额和绿电配额进行监管。
进一步,所述通过区块链技术建立碳交易和绿证交易的安全交易机制,具体过程包括:
区块链计量碳排放量和绿电量,利用分布式账本技术对碳排放配额和绿电配额进行公证;
盈余方作为卖方,将出售的碳排放配额、绿电配额和相关售价信息发送到区块链中;亏欠方作为买方,将需要的碳排放需求额、绿电需求额和相关出价信息发送到区块链中;
利用智能合约技术对网络中碳排放量、绿电量进行计量和监管,判断其是否超过配额要求,在满足交易要求的范围内由买方读取交易信息,生成报价并进行交易对象选择;若碳排放量超过设置的配额,生产的绿电量小于设置的配额,且不进行碳交易和绿证交易时,区块链将对其进行处罚,并将处理结果记入区块链中;
在买卖双方交易成功后,则在智能合约执行下自动更新碳排放配额和绿电配额,记录在区块中,当有新的交易需求时,进行新一轮的链上交易。
进一步,所述建立各个工业能源网的工业画像,包括:选取和工业服务相关的用户数据、用能行为和用能水平信息;根据工业用户数据和用能行为建立工业用能类别特征画像、工业需求响应特征画像,根据画像信息不同配置相应的服务方式。
进一步,所述以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型,包括:
以配网层向工业能源层售能收益最大为目标函数,表示为:
maxF1=FEPS+FNGS+FDHS;FEPS为配电网向工业能源层售能的收益;FNGS为配气网向工业能源层售能的收益;FDHS为配热网向工业能源层售能的收益;Pt EPS,i为配电网与工业能源层交互的电功率,ce为工业能源层向配电网购售电的电价,m为接入配电网的工业能源层总数;cg为工业能源层向配气网购气的价格,Pt NGS,i为工业能源层从配气网购买的天然气量,LNG为天然气低热值;ch为工业能源层向配热网购热的价格,Pt DHS,i为工业能源层从配热网购买的热量;
以配网层和工业能源层之间的交互功率为决策变量,同时建立配电网、配气网和配热网的运行约束条件,构建配网层优化运行模型;所述运行约束条件包括功率平衡约束、流量平衡约束、热量平衡约束、节点电压约束、节点气压约束、支路容量约束、管道流量约束、管道热量约束以及配电网与工业能源层交互功率约束、配气网与工业能源层交互流量约束、配热网与工业能源层交互热量约束。
进一步,所述以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型,包括:
以工业能源网的总成本最小为目标函数,表示为:
minF2=Fom+Fnet+Fec+FMG+FGCT+FCAR;Fom为设备运维成本;Fnet为与配网层交互成本;Fec为碳排放成本;FMG为工业能源网间交互功率成本;FGCT为绿证交易成本;FCAR为碳交易成本;
所述与配网层交互成本Fnet=FEPS+FNGS+FDHS;
所述碳交易成本FCAR为工业能源网碳交易成本;为单位碳排放权交易价格;BQUO为工业能源网的碳排放配额;所述碳排放量BGEN=BCGT+BGRID+BGCNY;BGEN为工业能源网产生的总碳排放量;BCGT为工业能源网设备运行产生的碳排放量;BGRID为从配网层购能产生的碳排放量;BGCNY为从另一工业能源网购能产生的碳排放量;
所述绿证交易成本FGCT=αGCT(NGC,nc-NGC,ob);FGCT为参与绿证交易成本;αGCT为单位绿证交易价格;所述绿色证书所需数量NGC,nc=Pq·Δt/1000;NGC,nc为满足消纳绿电配额所需的绿色证书数量;Δt为单位调度时段;所述绿色证书获取数量NGC,ob为需要获取的绿色证书数量;为第t时段第j种绿电发电功率;n为新能源种类数量;T为调度周期;ψ为绿电处理预测影响参数;所述绿电配额Pq=w(1+ξ)Ps;Pq为绿电配额需求电量;w为绿电配额系数;Ps为总用电量预测值;ξ为历史配额完成度影响系数;
以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,同时建立工业能源网层约束条件,构建工业能源层优化运行模型;所述工业能源网层约束条件包括功率平衡约束、配网-工业能源联络线功率约束、能源网-能源网联络线功率约束和储能设备约束。
进一步,所述对所述配网层优化运行模型和所述工业能源层优化运行模型进行求解时,采用改进的多元宇宙优化算法;
所述改进的多元宇宙优化算法包括:在生成初始宇宙种群后选取一半个体执行反向学习,采取随机生成和反向学习混合的初始化策略,增加种群的多样性;引入莱维飞行扰动策略,对迭代前期宇宙个体的位置信息进行扰动:引入自适应加权学习因子使得子代宇宙个体保持原先自身位置信息的同时也能在一定程度上进行莱维扰动,获得新的宇宙子代种群。
进一步,所述将系统协同运行最优策略输入至所述多工业综合能源系统平行控制模型,进行平行控制和不断修正系统协同运行最优策略,包括:
将系统协同运行最优策略同时输入至人工多工业综合能源系统和实际多工业综合能源系统,进行平行控制,人工多工业综合能源系统按照实际智慧供热系统的状态数据进行同步计算实验,获得人工多工业综合能源系统状态数据,通过数据比较和反馈误差,不断修正系统协同运行最优策略,使实际多工业综合能源系统协同运行最优策略趋近人工多工业综合能源系统协同运行最优策略。
本发明的有益效果是:
(1)本发明提出构建工业综合能源系统平行控制模型,并基于平行控制模型,在人工多工业综合能源系统中按照实际多工业综合能源系统的运行数据进行同步计算实验,一方面在平行控制模型中,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制;另一方面,在平行控制模型中建立配网层优化运行模型和工业能源层优化运行模型,再进行模型求解获得系统协同运行最优策略;能够借助平行控制模型,采用实际多工业综合能源系统与虚拟的人工多工业综合能源系统平行计算方式,由实际多工业综合能源系统辅助虚拟多工业综合能源系统实现数据建模与更新,虚拟系统与实际系统平行计算,将系统协同运行最优策略提供给实际多工业综合能源系统,实现平行执行、预测与优化,提升系统运行稳定性与经济性;
(2)本发明采用区块链技术建立多个工业能源网之间的碳交易和绿证交易机制,已智能合约作为交易手段结合碳交易、绿证交易构建相应的交易机制,买卖双方通过智能合约进行点对点的交易,并自动完成交易,形成能源区块链网络,使得碳交易、绿证交易的交易速度快、延迟低,所有参与交易的主体为了自身利益会主动维护系统的运行,节点可以在无需第三方信任中心的监督下,随时进行碳交易和绿证交易,并且交易信息可信,不可篡改;
(3)本发明建立配网层优化运行模型和工业能源层优化运行模型,实现了多能协同交互的两层优化调度模型,在配网层以售能收益最大为目标函数向工业能源层供能;工业能源层优化运行模型考虑各个工业能源网之间能量交互,并且融合碳交易、绿证交易,以总成本最小为目标函数向配网层购能、与其他工业能源网之间进行购能和碳交易、绿证交易,满足各自的碳需求和绿证需求,实现了协同优化运行,提高了系统低碳经济绿色运行。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法流程示意图;
图2为本发明多工业综合能源系统平行控制模型框架示意图;
图3为本发明基于区块链技术的碳交易和绿证交易示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明所涉及的一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法流程示意图。
图2是本发明所涉及的多工业综合能源系统平行控制模型框架示意图。
图3是本发明所涉及的基于区块链技术的碳交易和绿证交易示意图。
如图1-3所示,本实施例1提供了一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法,所述工业综合能源系统协同运行方法包括:
构建多工业综合能源系统平行控制模型;所述多工业综合能源系统包括配网层和工业能源层,所述配网层包括配电网、配气网和配热网,所述工业能源层包括能源运营商和多个工业能源网;
基于所述多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制;
以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型;
将基于配网层优化运行模型决策出的配网层和工业能源层之间的交互功率下发给各个工业能源网,以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型;所述工业能源网的总成本至少包括设备运维成本、与配网层交互成本、工业能源网间交互功率成本、碳排放成本、绿证交易成本和碳交易成本;
对所述配网层优化运行模型和所述工业能源层优化运行模型进行求解,获得系统协同运行最优策略;
将系统协同运行最优策略输入至所述多工业综合能源系统平行控制模型,进行平行控制和不断修正系统协同运行最优策略。
在本实施例中,所述配网层和所述工业能源层之间进行信息和能量交互的通道为配网-工业能源联络线,所述多个工业能源网之间进行信息和能量交互的通道为能源网-能源网联络线;所述配网层中的配电网、配气网和配热网分别通过配网-工业能源联络线向各个工业能源网供给电能、天然气和热能;所述多个工业能源网之间通过能源网-能源网联络线进行电能、天然气和热能的交互;单个工业能源网的设备包括可再生能源机组、燃气轮机、燃气锅炉、余热锅炉、储能装置和制冷机,所述可再生能源机组包括风力发电、光伏发电、太阳能发电和地热能发电。
在本实施例中,构建多工业综合能源系统平行控制模型包括:通过实际多工业综合能源系统中设置的数据采集装置感知实际数据信息;利用实际多工业综合能源系统的数据信息、物理实体结构和参数,并采用机理描述、知识表示和机器学习方法,建立人工多工业综合能源系统;通过计算实验,并将实验结果输入至由实际多工业综合能源系统和人工多工业综合能源系统组合形成的平行智慧供热系统,进行平行执行,不断修正人工多工业综合能源系统的模型结构和参数,使人工多工业综合能源系统趋近实际多工业综合能源系统,进行人工多工业综合能源系统的培育。
在本实施例中,所述基于所述多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制,包括:
基于所述工业综合能源系统平行控制模型,在人工多工业综合能源系统中按照实际多工业综合能源系统的运行数据进行同步计算实验,采用机器学习方法建立各个工业能源网的工业画像和负荷预测模型,获得各个工业能源网的电负荷、热负荷、气负荷和冷负荷的需求预测值,并通过向所述配网层进行购能,以及跨工业能源网进行购能来满足相应负荷需求;
计算各个工业能源网的碳排放量和生产的绿电量,为各个工业能源网设置碳排放配额和绿电配额,比较各个工业能源网的碳排放量和碳排放配额,超额排放的工业能源网通过碳交易平台进行碳排放额度的交易;以及比较各个工业能源网生产的绿电量和绿电配额,工业能源网根据其绿电生产能力将超出配额的可再生能源电力按比例获取绿色证书,并通过绿证交易平台进行买卖;
通过区块链技术建立碳交易和绿证交易的安全交易机制,包括通过写入链下匹配信息、实时发布碳交易和绿证交易供求信息、自动进行交易结算;在碳交易和绿证交易过程中,盈余方作为作为卖方出售碳排放配额、绿电配额和相关售价信息,亏欠方作为买方发布碳排放需求额、绿电需求额和相关出价信息,当满足双方交易需求时进行交易,交易后的碳排放配额和绿电配额每发生一次转移,交易信息遍记录上链不支持篡改,同时通过智能合约技术对网络中的碳排放配额和绿电配额进行监管。
在本实施例中,所述通过区块链技术建立碳交易和绿证交易的安全交易机制,具体过程包括:
区块链计量碳排放量和绿电量,利用分布式账本技术对碳排放配额和绿电配额进行公证;
盈余方作为卖方,将出售的碳排放配额、绿电配额和相关售价信息发送到区块链中;亏欠方作为买方,将需要的碳排放需求额、绿电需求额和相关出价信息发送到区块链中;
利用智能合约技术对网络中碳排放量、绿电量进行计量和监管,判断其是否超过配额要求,在满足交易要求的范围内由买方读取交易信息,生成报价并进行交易对象选择;若碳排放量超过设置的配额,生产的绿电量小于设置的配额,且不进行碳交易和绿证交易时,区块链将对其进行处罚,并将处理结果记入区块链中;
在买卖双方交易成功后,则在智能合约执行下自动更新碳排放配额和绿电配额,记录在区块中,当有新的交易需求时,进行新一轮的链上交易。
需要说明的是,所有工业能源网用户首先要注册区块链账户,区块链返回用户一对公钥和私钥,作为账户地址和启动账户的钥匙;参与者可以制定交易合约,包括交易内容、交易时间、触发合约自动执行的条件,参与者分别用各自私钥进行签名,以确保合约的有效性;合约通过P2P方式在各个工业能源网中传播,最新的合约集合将以区块的形式传播到交易网络中;交易者确认后的合约经过区块链网络传播并存入区块链,交易节点通过调用得到网络认可的合约,节点会将此合约先保存到内存中。当交易开始后,发送请求,启动状态机对合约执行操作,在规定时间内,经部分节点验证后达成一致,智能合约执行完成。实际上,部署在区块链上代码是能够在开发的原智能合约基础上,根据需求来修改代码,可以理解区块链为一个数据库,而客户端从数据库中读取了存储的运行代码,并在本地运行后,将结果写入到了区块链这个数据库中。
在实际的应用中,为了调动各个工业能源网主体参与碳交易和绿证交易的积极性,同时提高指标执行合约的能力,引入交易合约践行度来量化区块链网络中碳排放指标践行合约能力、绿电生产指标践行合约能力,并以此确定参与交易的优先顺序,交易合约践行度越高的信用主体,则认为对可再生能源的消纳能力越强,对综合能源系统贡献度越高,故可获得的交易信息权限越大,可优先进行碳交易和绿证交易。
各区块链在验证身份信息合法后,均处于相同的初始交易合约践行度,每次工业能源网与区块链进行碳交易和/或绿证交易后,均会对此次交易进行评价,获取对应的碳交易合约践行度和绿证交易合约践行度;若工业能源网对该轮交易结果认可,则显示交易结果为正值并附加时间戳信息,区块链接收到通过私钥加密的评价结果后,连同交易记录向全网广播;否则,显示交易结果为负值,广播该评价结果和时间戳信息。当一个记账周期结束时,区块链对本周期内评价结果解密,获得该周期内的总评价。区块链会在网络中广播各次交易的合约践行度,并检验最高合约践行度主体的可信程度,校核通过后的工业能源网主体获得本次记账权执行交易。
在本实施例中,所述建立各个工业能源网的工业画像,包括:选取和工业服务相关的用户数据、用能行为和用能水平信息;根据工业用户数据和用能行为建立工业用能类别特征画像、工业需求响应特征画像,根据画像信息不同配置相应的服务方式。
在本实施例中,所述以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型,包括:
以配网层向工业能源层售能收益最大为目标函数,表示为:
maxF1=FEPS+FNGS+FDHS;FEPS为配电网向工业能源层售能的收益;FNGS为配气网向工业能源层售能的收益;FDHS为配热网向工业能源层售能的收益;Pt EPS,i为配电网与工业能源层交互的电功率,ce为工业能源层向配电网购售电的电价,m为接入配电网的工业能源层总数;cg为工业能源层向配气网购气的价格,Pt NGS,i为工业能源层从配气网购买的天然气量,LNG为天然气低热值;ch为工业能源层向配热网购热的价格,Pt DHS,i为工业能源层从配热网购买的热量;
以配网层和工业能源层之间的交互功率为决策变量,同时建立配电网、配气网和配热网的运行约束条件,构建配网层优化运行模型;所述运行约束条件包括功率平衡约束、流量平衡约束、热量平衡约束、节点电压约束、节点气压约束、支路容量约束、管道流量约束、管道热量约束以及配电网与工业能源层交互功率约束、配气网与工业能源层交互流量约束、配热网与工业能源层交互热量约束。
在本实施例中,所述以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型,包括:
以工业能源网的总成本最小为目标函数,表示为:
minF2=Fom+Fnet+Fec+FMG+FGCT+FCAR;Fom为设备运维成本;Fnet为与配网层交互成本;Fec为碳排放成本;FMG为工业能源网间交互功率成本;FGCT为绿证交易成本;FCAR为碳交易成本;
所述与配网层交互成本Fnet=FEPS+FNGS+FDHS;
所述碳交易成本FCAR为工业能源网碳交易成本;为单位碳排放权交易价格;BQUO为工业能源网的碳排放配额;所述碳排放量BGEN=BCGT+BGRID+BGCNY;BGEN为工业能源网产生的总碳排放量;BCGT为工业能源网设备运行产生的碳排放量;BGRID为从配网层购能产生的碳排放量;BGCNY为从另一工业能源网购能产生的碳排放量;
所述绿证交易成本FGCT=αGCT(NGC,nc-NGC,ob);FGCT为参与绿证交易成本;αGCT为单位绿证交易价格;所述绿色证书所需数量NGC,nc=Pq·Δt/1000;NGC,nc为满足消纳绿电配额所需的绿色证书数量;Δt为单位调度时段;所述绿色证书获取数量NGC,ob为需要获取的绿色证书数量;为第t时段第j种绿电发电功率;n为新能源种类数量;T为调度周期;ψ为绿电处理预测影响参数;所述绿电配额Pq=w(1+ξ)Ps;Pq为绿电配额需求电量;w为绿电配额系数;Ps为总用电量预测值;ξ为历史配额完成度影响系数;
以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,同时建立工业能源网层约束条件,构建工业能源层优化运行模型;所述工业能源网层约束条件包括功率平衡约束、配网-工业能源联络线功率约束、能源网-能源网联络线功率约束和储能设备约束。
在本实施例中,所述对所述配网层优化运行模型和所述工业能源层优化运行模型进行求解时,采用改进的多元宇宙优化算法;
所述改进的多元宇宙优化算法包括:在生成初始宇宙种群后选取一半个体执行反向学习,采取随机生成和反向学习混合的初始化策略,增加种群的多样性;引入莱维飞行扰动策略,对迭代前期宇宙个体的位置信息进行扰动:引入自适应加权学习因子使得子代宇宙个体保持原先自身位置信息的同时也能在一定程度上进行莱维扰动,获得新的宇宙子代种群。
在本实施例中,所述将系统协同运行最优策略输入至所述多工业综合能源系统平行控制模型,进行平行控制和不断修正系统协同运行最优策略,包括:
将系统协同运行最优策略同时输入至人工多工业综合能源系统和实际多工业综合能源系统,进行平行控制,人工多工业综合能源系统按照实际智慧供热系统的状态数据进行同步计算实验,获得人工多工业综合能源系统状态数据,通过数据比较和反馈误差,不断修正系统协同运行最优策略,使实际多工业综合能源系统协同运行最优策略趋近人工多工业综合能源系统协同运行最优策略。
需要说明的是,由人工社会(Artificial societies)、计算实验(Computationalexperiments)、平行执行(Parallel execution)构成的ACP理论在复杂系统建模与调控中发挥着重要作用。多工业综合能源系统平行控制模型包括人工多工业综合能源系统和实际多工业综合能源系统,核心在于通过虚拟的人工多工业综合能源系统对现实的多工业综合能源系统做出精准描述,从而进行预测智能与引导智能的分析与计算,最后分别平行反馈给现实世界与虚拟人工世界进行优化与控制。采用实际多工业综合能源系统与虚拟的人工多工业综合能源系统平行计算方式,其实实际多工业综合能源系统辅助虚拟多工业综合能源系统实现数据建模与更新,虚拟系统与实际系统平行计算,将系统协同运行最优策略提供给实际多工业综合能源系统,实现平行执行、预测与优化,提升系统运行稳定性与经济性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于ACP和碳-绿证交易的工业综合能源系统协同运行方法,其特征在于,所述工业综合能源系统协同运行方法包括:
构建多工业综合能源系统平行控制模型;所述多工业综合能源系统包括配网层和工业能源层,所述配网层包括配电网、配气网和配热网,所述工业能源层包括能源运营商和多个工业能源网;
基于所述多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制;
以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型;
将基于配网层优化运行模型决策出的配网层和工业能源层之间的交互功率下发给各个工业能源网,以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型;所述工业能源网的总成本至少包括设备运维成本、与配网层交互成本、工业能源网间交互功率成本、碳排放成本、绿证交易成本和碳交易成本;
对所述配网层优化运行模型和所述工业能源层优化运行模型进行求解,获得系统协同运行最优策略;
将系统协同运行最优策略输入至所述多工业综合能源系统平行控制模型,进行平行控制和不断修正系统协同运行最优策略。
2.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,所述配网层和所述工业能源层之间进行信息和能量交互的通道为配网-工业能源联络线,所述多个工业能源网之间进行信息和能量交互的通道为能源网-能源网联络线;所述配网层中的配电网、配气网和配热网分别通过配网-工业能源联络线向各个工业能源网供给电能、天然气和热能;所述多个工业能源网之间通过能源网-能源网联络线进行电能、天然气和热能的交互;单个工业能源网的设备包括可再生能源机组、燃气轮机、燃气锅炉、余热锅炉、储能装置和制冷机,所述可再生能源机组包括风力发电、光伏发电、太阳能发电和地热能发电。
3.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,构建多工业综合能源系统平行控制模型包括:通过实际多工业综合能源系统中设置的数据采集装置感知实际数据信息;利用实际多工业综合能源系统的数据信息、物理实体结构和参数,并采用机理描述、知识表示和机器学习方法,建立人工多工业综合能源系统;通过计算实验,并将实验结果输入至由实际多工业综合能源系统和人工多工业综合能源系统组合形成的平行智慧供热系统,进行平行执行,不断修正人工多工业综合能源系统的模型结构和参数,使人工多工业综合能源系统趋近实际多工业综合能源系统,进行人工多工业综合能源系统的培育。
4.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,所述基于所述多工业综合能源系统平行控制模型,通过绿证交易平台和碳交易平台,并结合区块链技术建立多个工业能源网之间的碳交易和绿证交易机制,包括:
基于所述工业综合能源系统平行控制模型,在人工多工业综合能源系统中按照实际多工业综合能源系统的运行数据进行同步计算实验,采用机器学习方法建立各个工业能源网的工业画像和负荷预测模型,获得各个工业能源网的电负荷、热负荷、气负荷和冷负荷的需求预测值,并通过向所述配网层进行购能,以及跨工业能源网进行购能来满足相应负荷需求;
计算各个工业能源网的碳排放量和生产的绿电量,为各个工业能源网设置碳排放配额和绿电配额,比较各个工业能源网的碳排放量和碳排放配额,超额排放的工业能源网通过碳交易平台进行碳排放额度的交易;以及比较各个工业能源网生产的绿电量和绿电配额,工业能源网根据其绿电生产能力将超出配额的可再生能源电力按比例获取绿色证书,并通过绿证交易平台进行买卖;
通过区块链技术建立碳交易和绿证交易的安全交易机制,包括通过写入链下匹配信息、实时发布碳交易和绿证交易供求信息、自动进行交易结算;在碳交易和绿证交易过程中,盈余方作为作为卖方出售碳排放配额、绿电配额和相关售价信息,亏欠方作为买方发布碳排放需求额、绿电需求额和相关出价信息,当满足双方交易需求时进行交易,交易后的碳排放配额和绿电配额每发生一次转移,交易信息遍记录上链不支持篡改,同时通过智能合约技术对网络中的碳排放配额和绿电配额进行监管。
5.根据权利要求4所述的工业综合能源系统协同运行方法,其特征在于,所述通过区块链技术建立碳交易和绿证交易的安全交易机制,具体过程包括:
区块链计量碳排放量和绿电量,利用分布式账本技术对碳排放配额和绿电配额进行公证;
盈余方作为卖方,将出售的碳排放配额、绿电配额和相关售价信息发送到区块链中;亏欠方作为买方,将需要的碳排放需求额、绿电需求额和相关出价信息发送到区块链中;
利用智能合约技术对网络中碳排放量、绿电量进行计量和监管,判断其是否超过配额要求,在满足交易要求的范围内由买方读取交易信息,生成报价并进行交易对象选择;若碳排放量超过设置的配额,生产的绿电量小于设置的配额,且不进行碳交易和绿证交易时,区块链将对其进行处罚,并将处理结果记入区块链中;
在买卖双方交易成功后,则在智能合约执行下自动更新碳排放配额和绿电配额,记录在区块中,当有新的交易需求时,进行新一轮的链上交易。
6.根据权利要求4所述的工业综合能源系统协同运行方法,其特征在于,所述建立各个工业能源网的工业画像,包括:选取和工业服务相关的用户数据、用能行为和用能水平信息;根据工业用户数据和用能行为建立工业用能类别特征画像、工业需求响应特征画像,根据画像信息不同配置相应的服务方式。
7.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,所述以配网层向工业能源层售能收益最大为目标函数,以配网层和工业能源层之间的交互功率为决策变量,建立配网层优化运行模型,包括:
以配网层向工业能源层售能收益最大为目标函数,表示为:
maxF1=FEPS+FNGS+FDHS;FEPS为配电网向工业能源层售能的收益;FNGS为配气网向工业能源层售能的收益;FDHS为配热网向工业能源层售能的收益;Pt EPS,i为配电网与工业能源层交互的电功率,ce为工业能源层向配电网购售电的电价,m为接入配电网的工业能源层总数;cg为工业能源层向配气网购气的价格,Pt NGS,i为工业能源层从配气网购买的天然气量,LNG为天然气低热值;ch为工业能源层向配热网购热的价格,Pt DHS,i为工业能源层从配热网购买的热量;
以配网层和工业能源层之间的交互功率为决策变量,同时建立配电网、配气网和配热网的运行约束条件,构建配网层优化运行模型;所述运行约束条件包括功率平衡约束、流量平衡约束、热量平衡约束、节点电压约束、节点气压约束、支路容量约束、管道流量约束、管道热量约束以及配电网与工业能源层交互功率约束、配气网与工业能源层交互流量约束、配热网与工业能源层交互热量约束。
8.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,所述以工业能源网的总成本最小为目标函数,以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,建立工业能源层优化运行模型,包括:
以工业能源网的总成本最小为目标函数,表示为:
minF2=Fom+Fnet+Fec+FMG+FGCT+FCAR;Fom为设备运维成本;Fnet为与配网层交互成本;Fec为碳排放成本;FMG为工业能源网间交互功率成本;FGCT为绿证交易成本;FCAR为碳交易成本;
所述与配网层交互成本Fnet=FEPS+FNGS+FDHS;
所述碳交易成本FCAR为工业能源网碳交易成本;为单位碳排放权交易价格;BQUO为工业能源网的碳排放配额;所述碳排放量BGEN=BCGT+BGRID+BGCNY;BGEN为工业能源网产生的总碳排放量;BCGT为工业能源网设备运行产生的碳排放量;BGRID为从配网层购能产生的碳排放量;BGCNY为从另一工业能源网购能产生的碳排放量;
所述绿证交易成本FGCT=αGCT(NGC,nc-NGC,ob);FGCT为参与绿证交易成本;αGCT为单位绿证交易价格;所述绿色证书所需数量NGC,nc=Pq·Δt/1000;NGC,nc为满足消纳绿电配额所需的绿色证书数量;Δt为单位调度时段;所述绿色证书获取数量NGC,ob为需要获取的绿色证书数量;为第t时段第j种绿电发电功率;n为新能源种类数量;T为调度周期;ψ为绿电处理预测影响参数;所述绿电配额Pq=w(1+ξ)Ps;Pq为绿电配额需求电量;w为绿电配额系数;Ps为总用电量预测值;ξ为历史配额完成度影响系数;
以工业能源网内各设备出力、配网层和工业能源网交互功率以及工业能源网间交互功率为决策变量,同时建立工业能源网层约束条件,构建工业能源层优化运行模型;所述工业能源网层约束条件包括功率平衡约束、配网-工业能源联络线功率约束、能源网-能源网联络线功率约束和储能设备约束。
9.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,所述对所述配网层优化运行模型和所述工业能源层优化运行模型进行求解时,采用改进的多元宇宙优化算法;
所述改进的多元宇宙优化算法包括:在生成初始宇宙种群后选取一半个体执行反向学习,采取随机生成和反向学习混合的初始化策略,增加种群的多样性;引入莱维飞行扰动策略,对迭代前期宇宙个体的位置信息进行扰动:引入自适应加权学习因子使得子代宇宙个体保持原先自身位置信息的同时也能在一定程度上进行莱维扰动,获得新的宇宙子代种群。
10.根据权利要求1所述的工业综合能源系统协同运行方法,其特征在于,所述将系统协同运行最优策略输入至所述多工业综合能源系统平行控制模型,进行平行控制和不断修正系统协同运行最优策略,包括:
将系统协同运行最优策略同时输入至人工多工业综合能源系统和实际多工业综合能源系统,进行平行控制,人工多工业综合能源系统按照实际智慧供热系统的状态数据进行同步计算实验,获得人工多工业综合能源系统状态数据,通过数据比较和反馈误差,不断修正系统协同运行最优策略,使实际多工业综合能源系统协同运行最优策略趋近人工多工业综合能源系统协同运行最优策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059467.2A CN115907575A (zh) | 2023-01-18 | 2023-01-18 | 基于acp和碳-绿证交易的工业综合能源系统协同运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059467.2A CN115907575A (zh) | 2023-01-18 | 2023-01-18 | 基于acp和碳-绿证交易的工业综合能源系统协同运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907575A true CN115907575A (zh) | 2023-04-04 |
Family
ID=86472968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310059467.2A Pending CN115907575A (zh) | 2023-01-18 | 2023-01-18 | 基于acp和碳-绿证交易的工业综合能源系统协同运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907575A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883174A (zh) * | 2023-04-10 | 2023-10-13 | 北京金风零碳能源有限公司 | 一种基于区块链的碳资产管理方法、系统及电子设备 |
CN117521920A (zh) * | 2023-12-29 | 2024-02-06 | 湖南工商大学 | 应用于能源系统的协同优化方法和装置 |
-
2023
- 2023-01-18 CN CN202310059467.2A patent/CN115907575A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883174A (zh) * | 2023-04-10 | 2023-10-13 | 北京金风零碳能源有限公司 | 一种基于区块链的碳资产管理方法、系统及电子设备 |
CN116883174B (zh) * | 2023-04-10 | 2024-03-22 | 北京金风零碳能源有限公司 | 一种基于区块链的碳资产管理方法、系统及电子设备 |
CN117521920A (zh) * | 2023-12-29 | 2024-02-06 | 湖南工商大学 | 应用于能源系统的协同优化方法和装置 |
CN117521920B (zh) * | 2023-12-29 | 2024-04-05 | 湖南工商大学 | 应用于能源系统的协同优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soto et al. | Peer-to-peer energy trading: A review of the literature | |
Yan et al. | Blockchain for transacting energy and carbon allowance in networked microgrids | |
Tsao et al. | Toward sustainable microgrids with blockchain technology-based peer-to-peer energy trading mechanism: A fuzzy meta-heuristic approach | |
Luo et al. | Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources | |
Zhou et al. | Credit-based peer-to-peer electricity trading in energy blockchain environment | |
Wang et al. | Adaptive bidding strategy for real-time energy management in multi-energy market enhanced by blockchain | |
CN115907575A (zh) | 基于acp和碳-绿证交易的工业综合能源系统协同运行方法 | |
An et al. | Sto2Auc: A stochastic optimal bidding strategy for microgrids | |
Veit et al. | Simulating the dynamics in two-settlement electricity markets via an agent-based approach | |
Moniruzzaman et al. | Blockchain and cooperative game theory for peer-to-peer energy trading in smart grids | |
CN112381263A (zh) | 基于区块链分布式数据存储多微网日前鲁棒电能交易方法 | |
Liu et al. | Blockchain-based renewable energy trading using information entropy theory | |
CN111461890A (zh) | 基于多种预测和区块链技术的分布式发电交易系统和方法 | |
CN113393227A (zh) | 一种基于多区块链的去中心化调频辅助交易方法 | |
Liu et al. | Comparison of centralized and peer-to-peer decentralized market designs for community markets | |
Kumar et al. | Blockchain based optimized energy trading for e-mobility using quantum reinforcement learning | |
Yin et al. | Trading mode design for a virtual power plant based on main-side consortium blockchains | |
Wang et al. | Optimal dispatch of integrated energy system considering integrated demand response resource trading | |
Ren et al. | Reinforcement Learning-Based Bi-Level strategic bidding model of Gas-fired unit in integrated electricity and natural gas markets preventing market manipulation | |
Tao et al. | Renewable energy certificates and electricity trading models: Bi-level game approach | |
Wang et al. | Dynamic two-layer game for striking the balance of interest in multi-agent electricity market considering bilateral contracts and reward-punishment mechanism | |
Tofighi-Milani et al. | A novel distributed paradigm for energy scheduling of islanded multiagent microgrids | |
Vincent et al. | Sustainable microgrid design with peer-to-peer energy trading involving government subsidies and uncertainties | |
Cui et al. | Peer-to-peer energy trading with energy trading consistency in interconnected multi-energy microgrids: A multi-agent deep reinforcement learning approach | |
Sani et al. | Affine decision rule approximation to address demand response uncertainty in smart grids’ capacity planning |
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 |