CN116341836A - 一种园区综合能源系统多能源市场运营方法及系统 - Google Patents

一种园区综合能源系统多能源市场运营方法及系统 Download PDF

Info

Publication number
CN116341836A
CN116341836A CN202310172201.9A CN202310172201A CN116341836A CN 116341836 A CN116341836 A CN 116341836A CN 202310172201 A CN202310172201 A CN 202310172201A CN 116341836 A CN116341836 A CN 116341836A
Authority
CN
China
Prior art keywords
energy
model
master
operator
slave game
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
Application number
CN202310172201.9A
Other languages
English (en)
Other versions
CN116341836B (zh
Inventor
葛杨
韩立群
周通
张宝宇
邢晨
李云贤
李冰
陈新华
谢海远
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.)
Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Dezhou Power Supply Co of State Grid Shandong 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 Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Dezhou Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202310172201.9A priority Critical patent/CN116341836B/zh
Publication of CN116341836A publication Critical patent/CN116341836A/zh
Application granted granted Critical
Publication of CN116341836B publication Critical patent/CN116341836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (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)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)

Abstract

本发明属于综合能源系统技术领域，提供了一种园区综合能源系统多能源市场运营方法及系统。该方法包括，根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；采用Nash‑Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。本发明实现了多种能量之间的供需平衡、能源间的互补、保护了各主体的自身隐私，使得多主体综合能源系统在保证低碳运行的同时，协调系统内各主体的利益。

Description

一种园区综合能源系统多能源市场运营方法及系统
技术领域
本发明属于综合能源系统技术领域，尤其涉及一种园区综合能源系统多能源市场运营方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着能源短缺和环境恶化，现在迫切需要实现能源、环境的可持续发展，包含碳交易的市场运营机制已经成为众多的可持续发展的战略之一。在现有研究中，包含碳交易的市场运营机制至少存在以下问题：
1、在降低系统的碳排量的目标下，很难保证多种能量之间的供需平衡以及能源间的互补性；
2、若获取各主体的具体碳额度需求来进行调节的话，涉及各主体的隐私信息；而且当符合聚合商基数过大时，中控需要极大的计算能力和通信能力，具有更高的控制成本；
3、在降低综合能源系统碳排放总量的同时，会使各能源供应主体的能源供应成本有所增加，导致各能源供应主体运行积极性相对降低，损害各主体的利益。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种园区综合能源系统多能源市场运营方法及系统，其采用Nash-Q学习算法求解主从博弈优化模型，并引入阶梯式碳交易机制，实现了多种能量之间的供需平衡、能源间的互补、保护了各主体的自身隐私，使得多主体综合能源系统在保证低碳运行的同时，协调系统内各主体的利益。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种园区综合能源系统多能源市场运营方法。
一种园区综合能源系统多能源市场运营方法，包括：
根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；
根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；
采用Nash-Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。
进一步地，所述阶梯式碳交易机制为：
Figure BDA0004099666020000021
Md＝Mbuy,r+Mtotal,r-Mbuy-MCHP-MGB
Figure BDA0004099666020000022
Figure BDA0004099666020000023
式中，
Figure BDA0004099666020000031
为能源供应商的碳交易成本，Md为综合能源系统的碳排放权交易额，λ,l,α分别为碳交易基价、碳排放量区间和价格增长率，Mbuy,r,Mtotal,r为上级购电、综合能源系统实际碳排放量，Mbuy,MCHP,MGB分别为上级购电、热电联产机组和燃气锅炉的碳排放权配额，a1,b1,c1和a2,b2,c2分别为燃煤机组和耗天然气型供能设备的碳排放计算参数。
进一步地，所述能源供应商模型包括能源供应商目标函数，所述能源供应商目标函数为：
Figure BDA0004099666020000032
式中，T为24小时，
Figure BDA0004099666020000033
为第t时刻向能源运营商的售能收入，/>
Figure BDA0004099666020000034
为第t时刻能源供应商的产能成本。
进一步地，所述能源运营商模型包括能源运营商目标函数，所述能源运营商目标函数为：
Figure BDA0004099666020000035
式中，
Figure BDA0004099666020000036
为第t时刻向负荷聚合商的售能收入，/>
Figure BDA0004099666020000037
为第t时刻向能源供应商的购能成本。
进一步地，所述负荷聚合商模型包括负荷聚合商目标函数，所述负荷聚合商目标函数为：
Figure BDA0004099666020000038
式中，
Figure BDA0004099666020000039
为用户的效用函数，/>
Figure BDA00040996660200000310
和/>
Figure BDA00040996660200000311
分别为t时刻负荷聚合商的电负荷和热负荷，/>
Figure BDA00040996660200000312
和/>
Figure BDA00040996660200000313
分别为t时刻能源运营商向负荷聚合商的售电价格和售热价格。
进一步地，所述主从博弈优化模型为：
Figure BDA0004099666020000041
式中，EH、ES、PS分别表示能源供应商、能源运营商和负荷聚合商三个参与者；S和F分别表示各参与者的策略集和利益目标集。
进一步地，所述在采用Nash-Q学习算法求解主从博弈优化模型的过程中，包括对主从博弈优化模型训练的过程；所述对主从博弈优化模型训练的过程包括：采用Nash-Q学习算法对主从博弈优化模型进行预训练，直到满足设定的条件时，得到已训练的主从博弈优化模型。
本发明的第二个方面提供一种园区综合能源系统多能源市场运营系统。
一种园区综合能源系统多能源市场运营系统，包括：
模型构建模块，其被配置为：根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；
主从博弈模块，其被配置为：根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；
求解模块，其被配置为：采用Nash-Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的园区综合能源系统多能源市场运营方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的园区综合能源系统多能源市场运营方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明考虑多种能源的约束和供需，在降低系统的碳排量的目标下，保证多种能量之间的供需平衡以及能源间的互补性；
本发明采用Nash-Q学习算法求解主体主从博弈优化模型，能够实现各主体在保护自身隐私的同时，降低系统的运营成本。
本发明以能源供应商和负荷聚合商为领导者，能源运营商为跟随者，构建系统内各主体主从博弈优化模型，使得多主体综合能源系统在保证低碳运行的同时，协调系统内各主体的利益。
本发明通过引入阶梯式碳交易机制，能够有效降低系统的运行成本和碳排放量，实现经济性和环保性的双赢。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的园区综合能源系统多能源市场运营方法的流程图；
图2是本发明示出的综合能源系统架构图；
图3是本发明示出的系统内各主体主从博弈模型图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，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，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种园区综合能源系统多能源市场运营方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；
根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；
采用Nash-Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。
首先，本实施例提供一种由能源输入、能源转换和能源输出三部组成的综合能源系统，如图2所示。且在该架构中，电负荷主要由电储能系统、分布式可再生能源、热电联产机组以及电网可直接供给。热负荷主要由气网通过热电联产机组和燃气锅炉转换成热能供给。如图3所示。
之后，本实施例以能源供应商和负荷聚合商为领导者，能源运营商为跟随者，构建系统内各主体主从博弈优化模型。其中能源供应商由分布式可再生能源、能源转换设备、储能设备等组成，负荷聚合商由多个用户的电热负荷组成，能源运营商作为桥梁，通过价格信号引导供需侧参与综合需求响应。
下面对本实施例中各主体模型进行分析：
1、能源供应商模型
本实施例中考虑能源供应商的收益最大化，建立目标函数表示如下：
Figure BDA0004099666020000081
式中，T为24小时，
Figure BDA0004099666020000082
为第t时刻向能源运营商的售能收入，为第t时刻能源供应商的产能成本。以上各项可以表示为：
Figure BDA0004099666020000083
Figure BDA0004099666020000084
Figure BDA0004099666020000085
Figure BDA0004099666020000086
式中，Δt表示时间长度，
Figure BDA0004099666020000087
和/>
Figure BDA0004099666020000088
分别为t时刻能源供应商输出的电功率和热功率，/>
Figure BDA0004099666020000089
和/>
Figure BDA00040996660200000810
分别为t时刻热电联产机组输出电功率和热功率，/>
Figure BDA00040996660200000811
和/>
Figure BDA00040996660200000812
分别为t时刻能源供应商的电网购电功率和气网购气功率，/>
Figure BDA00040996660200000813
为t时刻燃气锅炉输出热功率，/>
Figure BDA00040996660200000814
和/>
Figure BDA00040996660200000815
分别为t时刻能源供应商售电价格和售热价格，/>
Figure BDA00040996660200000816
和/>
Figure BDA00040996660200000817
分别为t时刻电网售电价格和气网的售气价格，/>
Figure BDA00040996660200000818
为能源供应商的碳交易成本。
其中，碳交易成本由碳交易机制确定，政府首先为企业分配初始的免费碳排放额度，如果企业在实际生产中碳排放量低于碳配额，则可以在碳交易市场上将多余的碳额度进行出售，从而获得一定的收益。如果实际碳排放量超出碳配额，则企业需要额外购买碳额度。本实施例中采用阶梯式碳交易机制，具体可表示为：
Figure BDA0004099666020000091
式中，Md为综合能源系统的碳排放权交易额，λ,l,α分别为碳交易基价、碳排放量区间和价格增长率。以上各项可以表示为：
Md＝Mbuy,r+Mtotal,r-Mbuy-MCHP-MGB
Figure BDA0004099666020000092
Figure BDA0004099666020000093
式中，Mbuy,r,Mtotal,r为上级购电、综合能源系统实际碳排放量，Mbuy,MCHP,MGB分别为上级购电、热电联产机组和燃气锅炉的碳排放权配额，a1,b1,c1和a2,b2,c2分别为燃煤机组和耗天然气型供能设备的碳排放计算参数。
同时，能源供应商中的热电联产机组、燃气锅炉t时刻的出力需满足如下约束：
Figure BDA0004099666020000094
Figure BDA0004099666020000095
式中，
Figure BDA0004099666020000096
分别为热电联产机组、燃气锅炉的额定容量。
2、能源运营商模型
能源运营商处于联系能源供应商和负荷聚合商的中间位置，基于供需关系，优化购入、售出的电热价，协调系统供需平衡。它在考虑供能侧出力计划和用能侧负荷需求的基础上制定价格策略，优化目标是收益最大，表示如下：
Figure BDA0004099666020000101
式中，
Figure BDA0004099666020000102
为第t时刻向负荷聚合商的售能收入，/>
Figure BDA0004099666020000103
为第t时刻向能源供应商的购能成本，以上各项可以表示为：
Figure BDA0004099666020000104
Figure BDA0004099666020000105
式中，
Figure BDA0004099666020000106
和/>
Figure BDA0004099666020000107
分别为t时刻负荷聚合商的电负荷和热负荷，/>
Figure BDA0004099666020000108
和/>
Figure BDA0004099666020000109
分别为t时刻能源运营商向负荷聚合商的售电价格和售热价格。
3、负荷聚合商模型
负荷聚合商的目标函数是令消费者剩余最大化，其目标函数如下：
Figure BDA00040996660200001010
式中
Figure BDA00040996660200001011
为用户的效用函数，表示用户对购买电能和热能的满意程度，可表示为如下：
Figure BDA00040996660200001012
式中ae、be、ah、bh分别为用户对消费电能和热能的偏好系数，可以影响用户侧需求量的大小。
用户的电负荷包含固定电负荷和可平移电负荷，表示如下：
Figure BDA00040996660200001013
式中，
Figure BDA00040996660200001014
为t时刻的固定电负荷，/>
Figure BDA00040996660200001015
为t时刻的可平移电负荷。
需要满足的约束条件如下：
Figure BDA0004099666020000111
Figure BDA0004099666020000112
式中，
Figure BDA0004099666020000113
为最大可平移负荷，Wssell为24个时刻内可平移负荷的总量。
用户的热负荷包含固定热负荷和可削减热负荷，表示如下：
Figure BDA0004099666020000114
式中，
Figure BDA0004099666020000115
为t时刻的固定热负荷，/>
Figure BDA0004099666020000116
为t时刻的可削减热负荷。
需要满足的约束条件如下：
Figure BDA0004099666020000117
式中，
Figure BDA0004099666020000118
为最大可削减热负荷。
在能源交易过程中，能源供应商的售电价格策略会影响能源运营商向能源供应商的购电量，同时，能源运营商制定的综合能源系统内部购售能价格策略会影响能源供应商售能策略以及负荷聚合商需求响应策略。相反，能源供应商的售能策略和负荷聚合商的需求响应策略的变化将导致能源运营商重新调整内部购售能价格策略以及向能源供应商的购电策略，从而进一步影响能源供应商调整电价策略。故基于主从博弈理论，将能源供应商和负荷聚合商作为领导者，能源运营商作为其跟随者，建立主从博弈优化模型，可表示为：
Figure BDA0004099666020000119
式中，EH、ES、PS分别表示能源供应商、能源运营商和负荷聚合商三个参与者；S和F分别表示各参与者的策略集和利益目标集。
当各主体不能单方面改变均衡解的策略来获取更大收益时，博弈达到均衡，即满足下式，则认为策略
Figure BDA00040996660200001110
为博弈的均衡解。
针对上述模型，本实施例采用Nash-Q学习多智能体强化学习算法进行求解。
Nash-Q学习算法的核心思想是对Q值函数进行反复迭代求解多主体序贯决策问题的Nash均衡，得到博弈问题的Nash均衡解，具体步骤如下：Nash-Q学习算法伪码
Figure BDA0004099666020000121
通过上述步骤，将所构建的主从博弈模型进行预学习训练，智能体从历史信息中学习了丰富的经验，能根据当前所处的状态做出比较合理的决策。基于预学习得到的模型，可对优化问题进行决策求解，得到博弈问题最终的Nash均衡解。
根据求解结果，得到园区多主体综合能源系统经济低碳高效运营策略。
实施例二
本实施例提供了一种园区综合能源系统多能源市场运营系统。
一种园区综合能源系统多能源市场运营系统，包括：
模型构建模块，其被配置为：根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；
主从博弈模块，其被配置为：根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；
求解模块，其被配置为：采用Nash-Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。
此处需要说明的是，上述模型构建模块、主从博弈模块和求解模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的园区综合能源系统多能源市场运营方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的园区综合能源系统多能源市场运营方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种园区综合能源系统多能源市场运营方法，其特征在于，包括：
根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；
根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；
采用Nash-Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。
2.根据权利要求1所述的园区综合能源系统多能源市场运营方法，其特征在于，所述阶梯式碳交易机制为：
Figure FDA0004099665990000011
Md＝Mbuy,r+Mtotal,r-Mbuy-MCHP-MGB
Figure FDA0004099665990000012
Figure FDA0004099665990000013
式中，
Figure FDA0004099665990000014
为能源供应商的碳交易成本，Md为综合能源系统的碳排放权交易额，λ,l,α分别为碳交易基价、碳排放量区间和价格增长率，Mbuy,r,Mtotal,r为上级购电、综合能源系统实际碳排放量，Mbuy,MCHP,MGB分别为上级购电、热电联产机组和燃气锅炉的碳排放权配额，a1,b1,c1和a2,b2,c2分别为燃煤机组和耗天然气型供能设备的碳排放计算参数。
3.根据权利要求1所述的园区综合能源系统多能源市场运营方法，其特征在于，所述能源供应商模型包括能源供应商目标函数，所述能源供应商目标函数为：
Figure FDA0004099665990000021
式中，T为24小时，
Figure FDA0004099665990000022
为第t时刻向能源运营商的售能收入，/>
Figure FDA0004099665990000023
为第t时刻能源供应商的产能成本。
4.根据权利要求1所述的园区综合能源系统多能源市场运营方法，其特征在于，所述能源运营商模型包括能源运营商目标函数，所述能源运营商目标函数为：
Figure FDA0004099665990000024
式中，
Figure FDA0004099665990000025
为第t时刻向负荷聚合商的售能收入，/>
Figure FDA0004099665990000026
为第t时刻向能源供应商的购能成本。
5.根据权利要求1所述的园区综合能源系统多能源市场运营方法，其特征在于，所述负荷聚合商模型包括负荷聚合商目标函数，所述负荷聚合商目标函数为：
Figure FDA0004099665990000027
式中，
Figure FDA0004099665990000028
为用户的效用函数，/>
Figure FDA0004099665990000029
和/>
Figure FDA00040996659900000210
分别为t时刻负荷聚合商的电负荷和热负荷，/>
Figure FDA00040996659900000211
和/>
Figure FDA00040996659900000212
分别为t时刻能源运营商向负荷聚合商的售电价格和售热价格。
6.根据权利要求1所述的园区综合能源系统多能源市场运营方法，其特征在于，所述主从博弈优化模型为：
Figure FDA0004099665990000031
式中，EH、ES、PS分别表示能源供应商、能源运营商和负荷聚合商三个参与者；S和F分别表示各参与者的策略集和利益目标集。
7.根据权利要求1所述的园区综合能源系统多能源市场运营方法，其特征在于，所述在采用Nash-Q学习算法求解主从博弈优化模型的过程中，包括对主从博弈优化模型训练的过程；所述对主从博弈优化模型训练的过程包括：采用Nash-Q学习算法对主从博弈优化模型进行预训练，直到满足设定的条件时，得到已训练的主从博弈优化模型。
8.一种园区综合能源系统多能源市场运营系统，其特征在于，包括：
模型构建模块，其被配置为：根据园区多主体综合能源系统，引入阶梯式碳交易机制，以各主体的收益最大化为目标，建立能源供应商模型、能源运营商模型和负荷聚合商模型；
主从博弈模块，其被配置为：根据能源供应商模型、能源运营商模型和负荷聚合商模型，采用主从博弈理论，构建以能源供应商和负荷聚合商为领导者，能源运营商为跟随者的主从博弈优化模型；
求解模块，其被配置为：采用Nash-Q学习算法求解主从博弈优化模型，得到各个主体的最优调度策略。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的园区综合能源系统多能源市场运营方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的园区综合能源系统多能源市场运营方法中的步骤。
CN202310172201.9A 2023-02-22 2023-02-22 一种园区综合能源系统多能源市场运营方法及系统 Active CN116341836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310172201.9A CN116341836B (zh) 2023-02-22 2023-02-22 一种园区综合能源系统多能源市场运营方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310172201.9A CN116341836B (zh) 2023-02-22 2023-02-22 一种园区综合能源系统多能源市场运营方法及系统

Publications (2)

Publication Number Publication Date
CN116341836A true CN116341836A (zh) 2023-06-27
CN116341836B CN116341836B (zh) 2024-04-09

Family

ID=86886820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310172201.9A Active CN116341836B (zh) 2023-02-22 2023-02-22 一种园区综合能源系统多能源市场运营方法及系统

Country Status (1)

Country Link
CN (1) CN116341836B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070087756A1 (en) * 2005-10-04 2007-04-19 Hoffberg Steven M Multifactorial optimization system and method
US20130024243A1 (en) * 2011-07-20 2013-01-24 Nec Laboratories America, Inc. Systems and methods for optimizing microgrid capacity and storage investment under environmental regulations
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
CN111460358A (zh) * 2020-03-23 2020-07-28 四川大学 基于供需博弈互动的园区运营商能源交易优化决策方法
CN113393125A (zh) * 2021-06-16 2021-09-14 沈阳工程学院 基于源荷双侧互动博弈的综合能源系统协同调度方法
CN113705906A (zh) * 2021-08-31 2021-11-26 国网四川省电力公司经济技术研究院 一种综合能源园区能源协调优化运行方法及系统
CN114676886A (zh) * 2022-03-04 2022-06-28 三峡大学 基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度方法
WO2022160705A1 (zh) * 2021-01-26 2022-08-04 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN114865718A (zh) * 2022-05-12 2022-08-05 国网湖北省电力有限公司电力科学研究院 一种基于Nash-Q方法的市场化初期多利益主体参与下配电网日前市场交易方法
CN115186926A (zh) * 2022-07-29 2022-10-14 华北电力大学 一种基于电-碳共享的园区能量优化方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070087756A1 (en) * 2005-10-04 2007-04-19 Hoffberg Steven M Multifactorial optimization system and method
US20130024243A1 (en) * 2011-07-20 2013-01-24 Nec Laboratories America, Inc. Systems and methods for optimizing microgrid capacity and storage investment under environmental regulations
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 基于随机规划和模型预测控制的区域能源互联网调度方法
CN111460358A (zh) * 2020-03-23 2020-07-28 四川大学 基于供需博弈互动的园区运营商能源交易优化决策方法
WO2022160705A1 (zh) * 2021-01-26 2022-08-04 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN113393125A (zh) * 2021-06-16 2021-09-14 沈阳工程学院 基于源荷双侧互动博弈的综合能源系统协同调度方法
CN113705906A (zh) * 2021-08-31 2021-11-26 国网四川省电力公司经济技术研究院 一种综合能源园区能源协调优化运行方法及系统
CN114676886A (zh) * 2022-03-04 2022-06-28 三峡大学 基于综合需求响应和奖惩阶梯碳交易的能源枢纽主从博弈优化调度方法
CN114865718A (zh) * 2022-05-12 2022-08-05 国网湖北省电力有限公司电力科学研究院 一种基于Nash-Q方法的市场化初期多利益主体参与下配电网日前市场交易方法
CN115186926A (zh) * 2022-07-29 2022-10-14 华北电力大学 一种基于电-碳共享的园区能量优化方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAOFEI LI 等: "Interactive Equilibrium of Electricity-Gas Energy Distribution System and Integrated Load Aggregators Considering Energy Pricings: A Master-Slave Approach", IEEE ACCESS, vol. 08, 10 April 2020 (2020-04-10), pages 70527 - 70541, XP011785167, DOI: 10.1109/ACCESS.2020.2987035 *
孙齐: "考虑碳交易的热电联产电厂报价策略研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 05, 15 May 2022 (2022-05-15), pages 027 - 288 *
岳淑文: "基于博弈论的电热综合能源优化调度研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 02, 15 February 2023 (2023-02-15), pages 039 - 181 *
郑一飞: "基于主从博弈考虑电转气的综合能源系统运行优化研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 02, 15 February 2023 (2023-02-15), pages 039 - 104 *

Also Published As

Publication number Publication date
CN116341836B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Li et al. Decentralized on-demand energy supply for blockchain in internet of things: a microgrids approach
Qin et al. Consensus-based distributed coordination between economic dispatch and demand response
Moon et al. Smart production scheduling with time-dependent and machine-dependent electricity cost by considering distributed energy resources and energy storage
Tushar et al. Prioritizing consumers in smart grid: A game theoretic approach
Wang et al. Non-cooperative game-based multilateral contract transactions in power-heating integrated systems
Geng et al. Bi‐Objective Re‐Entrant Hybrid Flow Shop Scheduling considering Energy Consumption Cost under Time‐of‐Use Electricity Tariffs
WO2023134759A1 (zh) 数据处理方法及装置
Skarvelis-Kazakos et al. Implementing agent-based emissions trading for controlling Virtual Power Plant emissions
Zhou et al. Demand response in smart grids: A randomized auction approach
CN110543697A (zh) 一种电力市场仿真模拟运行系统
Zhu et al. Real‐Time Pricing for Demand Response in Smart Grid Based on Alternating Direction Method of Multipliers
Meng et al. A bilevel optimization approach to demand response management for the smart grid
Bokkisam et al. Effective community energy management through transactive energy marketplace
Zhou et al. Game-theoretical energy management design for smart cyber-physical power systems
Zhang et al. A distributed dynamic programming-based solution for load management in smart grids
Li et al. Deep Reinforcement Learning-Based Explainable Pricing Policy for Virtual Storage Rental Service
Zhang et al. Stochastic unit commitment with air conditioning loads participating in reserve service
CN116341836B (zh) 一种园区综合能源系统多能源市场运营方法及系统
Ji et al. Optimal dispatching and game analysis of power grid considering demand response and pumped storage
CN116070754A (zh) 考虑能量共享的多主体综合能源系统优化运行方法及系统
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
Wang et al. Social profit optimization with demand response management in electricity market: A multi-timescale leader-following approach
CN115271438A (zh) 一种可计及碳排放的多主体博弈协同调度方法及电子设备
Abdullah et al. Optimizing time of use (ToU) electricity pricing in regulated market
CN113570405A (zh) 一种自备发电厂发用电成本建模分析方法及装置

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