CN116307437A - 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统 - Google Patents

基于碳排放权兑换机制的虚拟电厂优化调度方法及系统 Download PDF

Info

Publication number
CN116307437A
CN116307437A CN202211274266.6A CN202211274266A CN116307437A CN 116307437 A CN116307437 A CN 116307437A CN 202211274266 A CN202211274266 A CN 202211274266A CN 116307437 A CN116307437 A CN 116307437A
Authority
CN
China
Prior art keywords
power plant
virtual power
time
data
carbon emission
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
Application number
CN202211274266.6A
Other languages
English (en)
Inventor
汪洋
张奇峰
葛愿
束峻峰
陈彦斌
舒晓欣
钱诚
尹成
汪涵
刘于良
黄晟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Polytechnic University
Wuhu Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Anhui Polytechnic University
Wuhu Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Polytechnic University, Wuhu Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Anhui Polytechnic University
Priority to CN202211274266.6A priority Critical patent/CN116307437A/zh
Publication of CN116307437A publication Critical patent/CN116307437A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于碳排放权兑换机制的虚拟电厂优化调度方法及系统，包括：S1、采集虚拟电厂的实时数据和预测数据；S2、采集虚拟电厂相关的价格数据；S3、建立求解模型，在保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，基于步骤S1、S2中的数据对模型进行求解，获取虚拟电厂中各单元的出力数据；S4、基于S3中获取的虚拟电厂中各单元的出力数据对虚拟电厂进行调度控制。本发明加入了实时碳交易市场和分时阶梯式碳排放权兑换机制，充分挖掘了各个单元的发电潜力，结合云计算等技术实时计算出合适的能量协同调控策略，提高虚拟电厂内部的资源利用率，提升虚拟电厂运行收益的同时减少碳排放量。

Description

基于碳排放权兑换机制的虚拟电厂优化调度方法及系统
技术领域
本发明涉及电网调度控制领域，特别涉及一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法及系统。
背景技术
分布式能源具有位置分散、随机性强、难于管理等特点，大量无序并网会对电网的运行造成巨大冲击，虚拟电厂作为一种独特的分布式能源聚合与管理技术，通过先进的通信技术，将分布式能源进行集中调度，不仅能够降低其出力波动性对电网造成的冲击，同时能够降低调度难度，使分布式能源更好地参与到电网调度运营中。由于分布式可再生能源出力的随机性以及成本缺乏竞争力，虚拟电厂在实际调度中会存在弃风弃光的问题，这一问题阻碍了虚拟电厂发挥其低碳减排的潜能。
碳交易机制是通过建立合法的碳排放权，并允许生产商到市场进行碳排放权交易进而达到控制碳排放的目的。每个碳排放源的碳排放权配额由监管部门进行分配，生产商要根据配额来调节生产和排放，若实际碳排放量未超过配额，则多余碳排放权可通过碳交易市场进行交易，反之则需要在碳交易市场购买超出的配额，目前国内主要采用的配额方法为无偿配额。因分布式可再生能源消纳的同时必然会减少火力发电的发电量，而减少的碳排放配额可通过兑换机制兑换给虚拟电厂，同时考虑到分时电价的影响下，不同时段的火电和分布式可再生能源发电量的占比也不同，为进一步限制碳排放，本发明提出了分时阶梯式碳排放权兑换机制，解决了虚拟电厂在实际调度中存在的弃风弃光，不低碳环保，调度不到位等问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法及系统，在传统虚拟电厂优化调度系统的基础上，加入了实时碳交易市场和分时阶梯式碳排放权兑换机制，充分挖掘了各个单元的发电潜力，结合云计算等技术实时计算出合适的能量协同调控策略，提高虚拟电厂内部的资源利用率，提升虚拟电厂运行收益的同时减少碳排放量，革新电力服务的传统模式，保障双方利益。
为了实现上述目的，本发明采用的技术方案为：基于碳排放权兑换机制的虚拟电厂优化调度方法，包括如下步骤：
S1、采集虚拟电厂的实时数据和预测数据；
S2、采集虚拟电厂相关的价格数据；
S3、建立求解模型，在保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，基于步骤S1、S2中的数据对模型进行求解，获取虚拟电厂中各单元的出力数据；
S4、基于S3中获取的虚拟电厂中各单元的出力数据对虚拟电厂进行调度控制。
步骤S1中采集虚拟电厂的实时数据包括：采集源-荷-储的实时数据，其中，源端数据包括：光伏实时发电量、风机实时发电量；荷端包括：负荷实际功率；储端包括：储能实时荷电状态、储能最大充放电功率。
虚拟电厂的预测数据采集包括：环境检测仪采集光伏和风机附近的实时天气信息：温湿度、风速，利用历史存储的数据训练得出预测模型，通过获取天气预测数据来预测源-荷-储的未来数据。
步骤S2包括：从实时电力市场和碳交易市场获取到当地电网的分时购电价、分时售电价和碳交易价信息同时未来的价格数据采用日前价格信息。
步骤S3包括：
S31、以虚拟电厂日运行收益最大为目标函数建立优化调度模型：
Figure BDA0003895843060000031
Figure BDA0003895843060000032
Figure BDA0003895843060000033
Figure BDA0003895843060000034
式中：PVPP,PCTM,PGRID和
Figure BDA0003895843060000035
分别为虚拟电厂日运行收益，碳交易市场收益，电网交互收益和虚拟电厂内部运行收益；/>
Figure BDA0003895843060000036
和/>
Figure BDA0003895843060000037
分别为t时刻的碳交易单价，电网购电，电网售电和虚拟电厂内部售电单价；/>
Figure BDA0003895843060000038
和/>
Figure BDA0003895843060000039
分别为分布式可再生能源在t时刻出力所兑换的碳排放量和监管部门分配的基础配额；/>
Figure BDA00038958430600000310
和/>
Figure BDA00038958430600000311
分别为在t时刻电网从虚拟电厂购买电量，虚拟电厂从电网购买电量，虚拟电厂内部负荷所需功率，风机出力，光伏出力和储能充放电量；/>
Figure BDA00038958430600000312
和/>
Figure BDA00038958430600000313
分别为风机出力成本，光伏出力成本和储能充放电成本；
S32、将步骤S1、S2中获取到虚拟电厂内的数据和各市场的电价、碳价带入模型中，并设置模型中的约束条件；
S33、采用闪电连接过程优化算法对步骤S32中通过约束条件约束的模型进行求解获取得到虚拟电厂中各单元的出力数据。
步骤S22中约束条件包括：
(1)虚拟电厂内部供需平衡约束条件：
Figure BDA0003895843060000041
式中：
Figure BDA0003895843060000042
为储能的充放电量，当/>
Figure BDA0003895843060000043
是代表储能放电，反之代表储能充电；
(2)虚拟电厂与电网间电量交互约束条件：
Figure BDA0003895843060000044
Figure BDA0003895843060000045
式中：
Figure BDA0003895843060000046
为虚拟电厂与电网的交互电量；
(3)储能设备的约束条件：
对储能设备最大充放电量进行了限制，同时储能电池的荷电状态需要保持在一定范围内并约束储能设备的SOC值在开始和结束时应该相等，且同一时刻储能设备只能是“充电”，“放电”，“静置”三种状态中的一种：
Figure BDA0003895843060000047
Figure BDA0003895843060000048
SOCmin≤SOCt≤SOCmax
Figure BDA0003895843060000049
Figure BDA00038958430600000410
式中：SOCt和SOCt+1分别为储能设备在t和t+1时刻的SOC值；
Figure BDA00038958430600000411
为储能的最大容量；SOCmin和SOCmax为储能SOC的最小和最大值；STt cha,STt dis和STt sta为储能设备在t时刻的状态，依次分别为“充电”，“放电”，“静置”。
步骤S33包括：
1)、初始化种群
随机在定义域内产生一个初始种群，种群中的每个个体代表一个候选解；
Figure BDA0003895843060000051
Figure BDA0003895843060000052
Figure BDA0003895843060000053
Figure BDA0003895843060000054
式中：
Figure BDA0003895843060000055
表示t时刻下虚拟电厂内部各单元出力情况矩阵；
求出各个种群的适应度值，即目标函数值；
PVPP,i＝obj(Xi)
2)确定闪电的下一跳
首先计算出所有候选点的平均值点，再计算平均值点的适应度值；
Xavg＝mean(Xi)
PVPP,avg＝obj(Xi)
遍历种群，找出种群中适应度值最大的个体Xj，若个体Xi的适应度优于平均值点的适应度，则闪电向Xavg和Xj点的方向移动，否则，闪电移向反方向；
Figure BDA0003895843060000056
3)闪电分支消失
如果新候选点的适应度值优于前一个候选点，则新候选点所在的分支保留，反之，该分支消失；这是算法的第一个阶段，在这个阶段可以视为下行先导向地面移动的阶段；
Figure BDA0003895843060000057
4)上迎先导的移动
在第一个阶段中，所有的候选点都被认为是下行先导，并向下移动；在第二个阶段，所有的候选点都被认为是上迎先导，并向上移动；上迎先导的移动和下行引导的电荷分布有关，下行先导的电荷沿闪电通道大致呈指数分布；
Figure BDA0003895843060000058
式中：l是当前迭代次数，lmax是最大迭代次数；
下迎先导的下一个候选点的选择过程可以用如下公式表示：
Xnew＝X+rand×S×(Xmax-Xmin)
式中：分别Xmax和Xmin分别为种群的最佳解和最差解，S为指数因子，rand为取值范围[0,1]的随机数；
5)连接点的确定
当上迎先导和下行先导彼此相遇时，连接点确定，分别计算出上迎先导和下行先导更新的两个种群的适应度，选取两个种群中对应个体最优的组成新的种群，此时闪电连接过程停止，重复2)，3)，4)直到满足算法终止条件l＝lmax或
Figure BDA0003895843060000061
则优化求解完成；此时各设备的最优出力情况为Xmax。
Figure BDA0003895843060000062
分布式可再生能源在t时刻出力所兑换的碳排放量包括：
Figure BDA0003895843060000063
式中：
Figure BDA0003895843060000064
为分布式可再生能源在t时刻出力所兑换的碳排放量，Wt为t时刻火力发电量与分布式可再生能源发电量的比值，S为电量与碳排放配额的兑换系数，λ为增长率，Pt为t时刻分布式可再生能源的实际出力，ω为分布式可再生能源出力区间，Pt S为分布式可再生能源在t时刻的总发电功率。
基于碳排放权兑换机制的虚拟电厂优化调度系统，所述系统用于运行所述的基于碳排放权兑换机制的虚拟电厂优化调度方法；所述系统包括：
数据采集处理模块：读取和上传虚拟电厂内源-荷-储的实时数据和环境数据信息，并获取一天内的天气预测数据，预测出源-荷-储的未来数据，并将数据传输至模型求解模块；
价格采集模块：从实时电力市场和碳交易市场分别获取电网侧的分时购售电价和碳交易价，并将获取的价格传输至模型求解模块；
模型求解模块：在保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，并将分时阶梯式碳排放权兑换机制融入模型中，接着将获取到虚拟电厂内的实时数据和各市场的电碳价带入模型中，最后通过闪电连接过程优化算法求解各个单元出力情况，并将结果传输至实时调度模块；
实时调度模块：收到调度信息后该模块将各单元的出力数据通过MQTT协议发送至虚拟电厂各设备上，基于分时阶梯式碳排放权兑换机制，虚拟电厂调度的同时使用Https协议在实时碳交易市场兑换对应的碳排放权。
本发明的优点在于：提出一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法及系统，在传统虚拟电厂优化调度平台的基础上，加入了实时碳交易市场和分时阶梯式碳排放权兑换机制，充分挖掘了各个单元的发电潜力，结合云计算等技术实时计算出合适的能量协同调控策略，提高虚拟电厂内部的资源利用率，提升虚拟电厂运行收益的同时减少碳排放量，革新电力服务的传统模式，保障双方利益，从而提高人民生活质量。
附图说明
下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：
图1是本发明提出机制下的系统总体框架图；
图2是本发明提出机制下的系统模型求解流程图。
具体实施方式
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
本方案提出一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法及系统，在传统虚拟电厂优化调度系统的基础上，加入了实时碳交易市场和分时阶梯式碳排放权兑换机制，充分挖掘了各个单元的发电潜力，结合云计算等技术实时计算出合适的能量协同调控策略，提高虚拟电厂内部的资源利用率，提升虚拟电厂运行收益的同时减少碳排放量，革新电力服务的传统模式，保障双方利益，从而提高人民生活质量。
一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法及系统，所述系统主体包括：
(1)数据采集处理模块：读取和上传虚拟电厂内源-荷-储的实时数据和环境数据信息，并获取一天内的天气预测数据，预测出源-荷-储的未来数据，并将数据传输至模型求解模块；
(2)价格采集模块：从实时电力市场和碳交易市场分别获取电网侧的分时购售电价和碳交易价，并将获取的价格传输至模型求解模块；
(3)模型求解模块：该模块保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，并将分时阶梯式碳排放权兑换机制融入模型中，接着将获取到虚拟电厂内的实时数据和各市场的电碳价带入模型中，最后通过闪电连接过程优化算法求解各个单元出力情况，并将结果传输至实时调度模块；
(4)实时调度模块：收到调度信息后该模块将各单元的出力数据通过MQTT 协议发送至各设备上，基于分时阶梯式碳排放权兑换机制，虚拟电厂调度的同时使用Https协议在实时碳交易市场兑换对应的碳排放权，需要购售电或者出售碳排放权时与实时电力市场和碳交易市场进行交易。
基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法及系统框架如图1所示，虚拟电厂包括储能、风力发电、光伏发电等，调度系统涉及有云端平台进行调度计算和处理，数据的传输和调度采用边缘网关、聚合路由等；调度系统的云平台和电力市场交易、区域电网、虚拟电厂数据交互可以通过边缘网关、聚合路由等。基于该框架下的调度方法包括如下：
一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度方法，包括以下步骤：
S1：边缘网关采集源-荷-储的实时数据并上传到系统(源端：光伏实时发电量，风机实时发电量；荷端：负荷实际功率，储端：储能实时荷电状态，储能最大充放电功率)，环境检测仪采集光伏和风机附近的实时天气信息(光伏：温湿度，风机：风速)，利用历史存储的数据训练得出预测模型，通过获取天气预测数据来预测源-荷-储的未来数据，并将数据传输至模型求解模块；基于历史数据对神经网络、机器学习等模型训练完成后可以用于实现预测结果的使出。
S2：系统从实时电力市场和碳交易市场获取到当地电网的分时购售电价和碳交易价信息；
S3：系统在保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，并将分时阶梯式碳排放权兑换机制融入模型中，接着将获取到虚拟电厂内的实时数据和各市场的电碳价带入模型中，最后通过闪电连接过程优化算法实时求解各个单元出力情况，并将结果传输至实时调度模块；
S4：收到调度信息后该模块将各单元的出力数据通过MQTT协议发送至边缘网关上，基于分时阶梯式碳排放权兑换机制，虚拟电厂调度光伏和风机出力的同时使用Https协议在实时碳交易市场兑换对应的碳排放权，需要购售电或者出售碳排放权时与实时电力市场和碳交易市场进行交易。
闪电连接过程优化算法求解基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度模型的流程图如图2所示。
一种基于分时阶梯式碳排放权兑换机制的虚拟电厂优化调度系统，包括以下步骤：
S1：数据采集处理，边缘网关采集并上传源-荷-储的实时数据到系统(源端：光伏实时发电量，风机实时发电量；荷端：负荷实际功率，储端：储能实时荷电状态，储能最大充放电功率)，环境检测仪采集光伏和风机附近的实时天气信息(光伏：温湿度，风机：风速)，使用LSTM网络训练得出预测模型，通过获取天气预测数据来预测源-荷-储的未来数据，并将数据传输至模型求解模块；
S2：读取价格数据，系统从实时电力市场和碳交易市场获取到当地电网的分时购电价，分时售电价和碳交易价信息，未来的价格数据采取日前价格，并将数据传输至模型求解模块；
S3：模型的建立，基于分时阶梯式碳排放权兑换机制的虚拟电厂调度系统以日运行收益最大为目标函数建立优化调度模型如下所示：
Figure BDA0003895843060000101
Figure BDA0003895843060000102
Figure BDA0003895843060000103
Figure BDA0003895843060000104
式中：PVPP,PCTM,PGRID和
Figure BDA0003895843060000105
分别为虚拟电厂日运行收益，碳交易市场收益，电网交互收益和虚拟电厂内部运行收益；/>
Figure BDA0003895843060000106
和/>
Figure BDA0003895843060000107
分别为t时刻的碳交易单价，电网购电，电网售电和虚拟电厂内部售电单价；/>
Figure BDA0003895843060000108
和/>
Figure BDA0003895843060000109
分别为分布式可再生能源在t时刻出力所兑换的碳排放量和监管部门分配的基础配额；/>
Figure BDA00038958430600001010
和/>
Figure BDA00038958430600001011
分别为在t时刻电网从虚拟电厂购买电量，虚拟电厂从电网购买电量，虚拟电厂内部负荷所需功率，风机出力，光伏出力和储能充放电量；/>
Figure BDA00038958430600001012
和/>
Figure BDA00038958430600001013
分别为风机出力成本，光伏出力成本和储能充放电成本。
其中：
随着分布式可再生能源消纳电量的增加，相应区间的碳排放配额也增加，其模型如(1)所示。
Figure BDA0003895843060000111
式中：
Figure BDA0003895843060000112
为分布式可再生能源在t时刻出力所兑换的碳排放量，Wt为t时刻火力发电量与分布式可再生能源发电量的比值，S为电量与碳排放配额的兑换系数，λ为配额增长率，Pt为t时刻分布式可再生能源的实际出力，ω为分布式可再生能源出力区间，Pt S为分布式可再生能源在t时刻的总发电功率。S为兑换系数，S为固定值。
接着将获取到虚拟电厂内的数据和各市场的电价，碳价带入模型中，保证虚拟电厂内部供需平衡，约束条件如下所示
Figure BDA0003895843060000113
式中：
Figure BDA0003895843060000114
为储能的充放电量，当/>
Figure BDA0003895843060000115
是代表储能放电，反之代表储能充电。
由于输电线路输送功率有限，虚拟电厂与电网间电量交互有一定的上限。
Figure BDA0003895843060000116
Figure BDA0003895843060000117
式中：
Figure BDA0003895843060000118
为虚拟电厂与电网的交互电量；/>
Figure BDA0003895843060000119
为与电网最大交互电量。
为避免过度充电和过度放电对储能电池的影响，保障其使用寿命，对其最大充放电量进行了限制，同时储能电池的荷电状态需要保持在一定范围内。为保证调度的可持续进行，储能设备的SOC值在开始和结束时应该相等，且同一时刻储能设备只能是“充电”，“放电”，“静置”三种状态中的一种。
Figure BDA00038958430600001110
Figure BDA00038958430600001111
SOCmin≤SOCt≤SOCmax (11)
Figure BDA0003895843060000121
Figure BDA0003895843060000122
式中：SOCt和SOCt+1分别为储能设备在t和t+1时刻的SOC值；
Figure BDA0003895843060000123
为储能的最大容量；SOCmin和SOCmax为储能SOC的最小和最大值；STt cha,STt dis和STt sta为储能设备在t时刻的状态，依次分别为“充电”，“放电”，“静置”。/>
Figure BDA0003895843060000124
为储能最大充电量、/>
Figure BDA0003895843060000125
为储能最大放电量、/>
Figure BDA0003895843060000126
为t时刻储能充电量、/>
Figure BDA0003895843060000127
为t时刻储能放电量，/>
Figure BDA0003895843060000128
表示STt cha、STt dis和STt sta三个状态的集合。
最后通过闪电连接过程优化算法实时进行求解：
1)初始化种群
随机在定义域内产生一个初始种群，种群中的每个个体代表一个候选解，即各个设备的出力情况
Figure BDA0003895843060000129
Figure BDA00038958430600001210
Figure BDA00038958430600001211
Figure BDA00038958430600001212
式中：
Figure BDA00038958430600001213
表示t时刻下虚拟电厂内部各单元出力情况矩阵；rand为取值范围[0,1]的随机数。
求出各个种群的适应度值，即目标函数值。PVPP,i为第i个个体求得的VPP调度收益。Obj为求解目标函数的函数
PVPP,i＝obj(Xi) (18)
2)确定闪电的下一跳
首先计算出所有候选点的平均值点，再计算平均值点的适应度值。
Xavg＝mean(Xi) (19)
PVPP,avg＝obj(Xi) (20)
Xavg为该种群的平均值个体，mean为平均值函数，遍历种群，找出种群中适应度值最大的个体Xj，若个体Xi的适应度优于平均值点的适应度，则闪电向Xavg和Xj点的方向移动，否则，闪电移向反方向。
Figure BDA0003895843060000131
3)闪电分支消失
如果新候选点的适应度值优于前一个候选点，则新候选点所在的分支保留，反之，该分支消失。这是算法的第一个阶段，在这个阶段可以视为下行先导向地面移动的阶段。
Figure BDA0003895843060000132
Figure BDA0003895843060000133
为下行先导后根据第i个个体更新出的新个体。
4)上迎先导的移动
在第一个阶段中，所有的候选点都被认为是下行先导，并向下移动。在第二个阶段，所有的候选点都被认为是上迎先导，并向上移动。上迎先导的移动和下行引导的电荷分布有关，下行先导的电荷沿闪电通道大致呈指数分布。
Figure BDA0003895843060000134
式中：l是当前迭代次数，lmax是最大迭代次数。
下迎先导的下一个候选点的选择过程可以用如下公式表示。
Xnew＝X+rand×S×(Xmax-Xmin) (24)
式中：分别Xmax和Xmin分别为种群的最优解和最劣解对应的个体，S为指数因子，rand为取值范围[0,1]的随机数。
5)连接点的确定
当上迎先导和下行先导彼此相遇时，连接点确定，分别计算出上迎先导和下行先导更新的两个种群的适应度，选取两个种群中对应个体最优的组成新的种群，此时闪电连接过程停止，重复2)，3)，4)直到满足算法终止条件l＝lmax或
Figure BDA0003895843060000135
则优化求解完成。此时各设备的最优出力情况为Xmax，并将结果传输至实时调度模块；
S4：收到调度信息后该模块将各单元的出力数据通过MQTT协议发送至边缘网关上，基于分时阶梯式碳排放权兑换机制，虚拟电厂调度光伏和风机出力的同时使用Https协议在实时碳交易市场兑换对应的碳排放权，需要购售电或者出售碳排放权时与实时电力市场和碳交易市场进行交易。
本发明提出一种基于分时阶梯式碳排放权兑换机制的虚拟电厂调度系统，在传统虚拟电厂优化调度系统的基础上，加入了实时碳交易市场和分时阶梯式碳排放权兑换机制，充分挖掘了各个单元的发电潜力，结合云计算等技术实时计算出合适的能量协同调控策略，提高虚拟电厂内部的资源利用率，提升虚拟电厂运行收益的同时减少碳排放量，革新电力服务的传统模式，保障双方利益，从而提高人民生活质量。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。

Claims (9)

1.基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：包括如下步骤：
S1、采集虚拟电厂的实时数据和预测数据；
S2、采集虚拟电厂相关的价格数据；
S3、建立求解模型，在保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，基于步骤S1、S2中的数据对模型进行求解，获取虚拟电厂中各单元的出力数据；
S4、基于S3中获取的虚拟电厂中各单元的出力数据对虚拟电厂进行调度控制。
2.如权利要求1所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：步骤S1中采集虚拟电厂的实时数据包括：采集源-荷-储的实时数据，其中，源端数据包括：光伏实时发电量、风机实时发电量；荷端包括：负荷实际功率；储端包括：储能实时荷电状态、储能最大充放电功率。
3.如权利要求2所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：虚拟电厂的预测数据采集包括：环境检测仪采集光伏和风机附近的实时天气信息：温湿度、风速，利用历史存储的数据训练得出预测模型，通过获取天气预测数据来预测源-荷-储的未来数据。
4.如权利要求1所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：步骤S2包括：从实时电力市场和碳交易市场获取到当地电网的分时购电价、分时售电价和碳交易价信息同时未来的价格数据采用日前价格信息。
5.如权利要求1所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：步骤S3包括：
S31、以虚拟电厂日运行收益最大为目标函数建立优化调度模型：
Figure FDA0003895843050000021
Figure FDA0003895843050000022
Figure FDA0003895843050000023
Figure FDA0003895843050000024
式中：PVPP,PCTM,PGRID和
Figure FDA0003895843050000025
分别为虚拟电厂日运行收益，碳交易市场收益，电网交互收益和虚拟电厂内部运行收益；/>
Figure FDA0003895843050000026
和/>
Figure FDA0003895843050000027
分别为t时刻的碳交易单价，电网购电，电网售电和虚拟电厂内部售电单价；/>
Figure FDA0003895843050000028
和/>
Figure FDA0003895843050000029
分别为分布式可再生能源在t时刻出力所兑换的碳排放量和监管部门分配的基础配额；/>
Figure FDA00038958430500000210
和/>
Figure FDA00038958430500000211
分别为在t时刻电网从虚拟电厂购买电量，虚拟电厂从电网购买电量，虚拟电厂内部负荷所需功率，风机出力，光伏出力和储能充放电量；/>
Figure FDA00038958430500000212
和/>
Figure FDA00038958430500000213
分别为风机出力成本，光伏出力成本和储能充放电成本；
S32、将步骤S1、S2中获取到虚拟电厂内的数据和各市场的电价、碳价带入模型中，并设置模型中的约束条件；
S33、采用闪电连接过程优化算法对步骤S32中通过约束条件约束的模型进行求解获取得到虚拟电厂中各单元的出力数据。
6.如权利要求5所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：步骤S22中约束条件包括：
(1)虚拟电厂内部供需平衡约束条件：
Figure FDA00038958430500000214
式中：
Figure FDA00038958430500000215
为储能的充放电量，当/>
Figure FDA00038958430500000216
是代表储能放电，反之代表储能充电；
(2)虚拟电厂与电网间电量交互约束条件：
Figure FDA0003895843050000031
Figure FDA0003895843050000032
式中：
Figure FDA0003895843050000033
为虚拟电厂与电网的交互电量；
(3)储能设备的约束条件：
对储能设备最大充放电量进行了限制，同时储能电池的荷电状态需要保持在一定范围内并约束储能设备的SOC值在开始和结束时应该相等，且同一时刻储能设备只能是“充电”，“放电”，“静置”三种状态中的一种：
Figure FDA0003895843050000034
Figure FDA0003895843050000035
SOCmin≤SOCt≤SOCmax
Figure FDA0003895843050000036
STt cha+STt dis+STt sta＝1,STt *∈{0,1}
式中：SOCt和SOCt+1分别为储能设备在t和t+1时刻的SOC值；
Figure FDA0003895843050000037
为储能的最大容量；SOCmin和SOCmax为储能SOC的最小和最大值；STt cha,STt dis和STt sta为储能设备在t时刻的状态，依次分别为“充电”，“放电”，“静置”。
7.如权利要求5所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：步骤S33包括：
1)、初始化种群
随机在定义域内产生一个初始种群，种群中的每个个体代表一个候选解；
Figure FDA0003895843050000038
Figure FDA0003895843050000039
Figure FDA00038958430500000310
Figure FDA0003895843050000041
式中：
Figure FDA0003895843050000042
表示t时刻下虚拟电厂内部各单元出力情况矩阵；
求出各个种群的适应度值，即目标函数值；
PVPP,i＝obj(Xi)
2)确定闪电的下一跳
首先计算出所有候选点的平均值点，再计算平均值点的适应度值；
Xavg＝mean(Xi)
PVPP,avg＝obj(Xi)
遍历种群，找出种群中适应度值最大的个体Xj，若个体Xi的适应度优于平均值点的适应度，则闪电向Xavg和Xj点的方向移动，否则，闪电移向反方向；
Figure FDA0003895843050000043
3)闪电分支消失
如果新候选点的适应度值优于前一个候选点，则新候选点所在的分支保留，反之，该分支消失；这是算法的第一个阶段，在这个阶段可以视为下行先导向地面移动的阶段；
Figure FDA0003895843050000044
4)上迎先导的移动
在第一个阶段中，所有的候选点都被认为是下行先导，并向下移动；在第二个阶段，所有的候选点都被认为是上迎先导，并向上移动；上迎先导的移动和下行引导的电荷分布有关，下行先导的电荷沿闪电通道大致呈指数分布；
Figure FDA0003895843050000045
式中：l是当前迭代次数，lmax是最大迭代次数；
下迎先导的下一个候选点的选择过程可以用如下公式表示：
Xnew＝X+rand×S×(Xmax-Xmin)
式中：分别Xmax和Xmin分别为种群的最佳解和最差解，S为指数因子，rand为取值范围[0,1]的随机数；
5)连接点的确定
当上迎先导和下行先导彼此相遇时，连接点确定，分别计算出上迎先导和下行先导更新的两个种群的适应度，选取两个种群中对应个体最优的组成新的种群，此时闪电连接过程停止，重复2)，3)，4)直到满足算法终止条件l＝lmax或
Figure FDA0003895843050000051
则优化求解完成；此时各设备的最优出力情况为Xmax。
8.如权利要求5所述的基于碳排放权兑换机制的虚拟电厂优化调度方法，其特征在于：
Figure FDA0003895843050000052
分布式可再生能源在t时刻出力所兑换的碳排放量包括：
Figure FDA0003895843050000053
式中：
Figure FDA0003895843050000054
为分布式可再生能源在t时刻出力所兑换的碳排放量，Wt为t时刻火力发电量与分布式可再生能源发电量的比值，S为电量与碳排放配额的兑换系数，λ为增长率，Pt为t时刻分布式可再生能源的实际出力，ω为分布式可再生能源出力区间，Pt S为分布式可再生能源在t时刻的总发电功率。
9.基于碳排放权兑换机制的虚拟电厂优化调度系统，其特征在于：所述系统用于运行如权利要求1-8任一所述的基于碳排放权兑换机制的虚拟电厂优化调度方法；所述系统包括：
数据采集处理模块：读取和上传虚拟电厂内源-荷-储的实时数据和环境数据信息，并获取一天内的天气预测数据，预测出源-荷-储的未来数据，并将数据传输至模型求解模块；
价格采集模块：从实时电力市场和碳交易市场分别获取电网侧的分时购售电价和碳交易价，并将获取的价格传输至模型求解模块；
模型求解模块：在保证虚拟电厂内部供需平衡的同时以虚拟电厂日运行收益为目标函数建立模型，并将分时阶梯式碳排放权兑换机制融入模型中，接着将获取到虚拟电厂内的实时数据和各市场的电碳价带入模型中，最后通过闪电连接过程优化算法求解各个单元出力情况，并将结果传输至实时调度模块；
实时调度模块：收到调度信息后该模块将各单元的出力数据通过MQTT协议发送至虚拟电厂各设备上，基于分时阶梯式碳排放权兑换机制，虚拟电厂调度的同时使用Https协议在实时碳交易市场兑换对应的碳排放权。
CN202211274266.6A 2022-10-18 2022-10-18 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统 Pending CN116307437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211274266.6A CN116307437A (zh) 2022-10-18 2022-10-18 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211274266.6A CN116307437A (zh) 2022-10-18 2022-10-18 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN116307437A true CN116307437A (zh) 2023-06-23

Family

ID=86826335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211274266.6A Pending CN116307437A (zh) 2022-10-18 2022-10-18 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN116307437A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117498469A (zh) * 2024-01-03 2024-02-02 国网浙江省电力有限公司宁波供电公司 虚拟电厂能源管控方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117498469A (zh) * 2024-01-03 2024-02-02 国网浙江省电力有限公司宁波供电公司 虚拟电厂能源管控方法、装置、计算机设备及存储介质
CN117498469B (zh) * 2024-01-03 2024-05-17 国网浙江省电力有限公司宁波供电公司 虚拟电厂能源管控方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN107301470B (zh) 一种配电网扩展规划与光储选址定容的双层优化方法
CN112467722B (zh) 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
CN114938035B (zh) 考虑储能退化成本的共享储能能量调度方法及系统
KR20210094033A (ko) 에너지 관리 시스템을 동작시키기 위한 방법, 그 방법을 수행하기 위한 전자 컴퓨팅 디바이스, 컴퓨터 프로그램, 및 데이터 캐리어
CN108830479A (zh) 一种计及电网全成本链的主配协同规划方法
CN114971899A (zh) 新能源参与下的日前、日内和实时市场电能交易优化方法
CN111553750A (zh) 一种计及电价不确定性和损耗成本的储能竞价策略方法
CN111091239A (zh) 基于差分进化算法的能源服务商电价策略制定方法及装置
CN116402307A (zh) 考虑可调度柔性资源运行特性的电网规划容量分析方法
CN115358519A (zh) 一种虚拟电厂优化调度方法及装置
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN116979612A (zh) 一种综合考虑多类型储能特性的优化调度计算方法
CN116307437A (zh) 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统
CN104112168B (zh) 一种基于多代理系统的智能家居优化方法
CN110992206B (zh) 一种多源电场的优化调度方法及系统
Wu et al. Decomposed particle swarm optimization for optimal scheduling in energy hub considering battery lifetime
CN112564151A (zh) 一种计及隐私意识的多微网云储能优化调度方法及系统
CN112785093B (zh) 一种基于电力消费模式的光伏储能容量配置优化方法
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统
CN115545429A (zh) 基于cpss架构的多场景低压可再生资源负荷预测方法
CN112508241A (zh) 一种智能电网能量优化调度方法
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
Ul Hijaz Paul et al. Development of Short-Term Load Forecasting Model for DSM by Regulating Charging and Discharging of EVs and ESS with RES Based on the Prediction of this Model.
US20220337061A1 (en) Artificial intelligence based p2p power trading method and apparatus
CN117910655A (zh) 一种风险规避的虚拟电厂运营商日前电力市场竞标优化方法

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