CN116523683A - 一种基于智能园区虚拟电厂的碳交易方法 - Google Patents
一种基于智能园区虚拟电厂的碳交易方法 Download PDFInfo
- Publication number
- CN116523683A CN116523683A CN202310524799.3A CN202310524799A CN116523683A CN 116523683 A CN116523683 A CN 116523683A CN 202310524799 A CN202310524799 A CN 202310524799A CN 116523683 A CN116523683 A CN 116523683A
- Authority
- CN
- China
- Prior art keywords
- carbon
- model
- power plant
- virtual power
- load
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 131
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000012067 mathematical method Methods 0.000 claims abstract description 7
- 238000005265 energy consumption Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 17
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 13
- 235000013601 eggs Nutrition 0.000 claims description 12
- 238000004146 energy storage Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 241000544061 Cuculus canorus Species 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 235000005770 birds nest Nutrition 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 235000005765 wild carrot Nutrition 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims 4
- 230000004913 activation Effects 0.000 claims 2
- 238000007792 addition Methods 0.000 claims 2
- 239000003245 coal Substances 0.000 claims 2
- 238000005286 illumination Methods 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 claims 1
- 241000208422 Rhododendron Species 0.000 claims 1
- 230000032683 aging Effects 0.000 claims 1
- 238000001816 cooling Methods 0.000 claims 1
- 238000005520 cutting process Methods 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000012821 model calculation Methods 0.000 claims 1
- 230000035772 mutation Effects 0.000 claims 1
- 238000005057 refrigeration Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum 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
- 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
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能源互联网领域，涉及一种基于智能园区虚拟电厂的碳交易方法。首先，在需求侧考虑多元负荷灵活的响应能力构建需求响应模型。其次，运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，精确计算系统的总碳排量。构建虚拟电厂日前交易优化模型；构建计及CVaR的虚拟电厂日前交易优化模型；应用基于奖惩阶梯型的虚拟电厂碳交易方法；构建阶梯型碳交易成本模型；然后采用遗传算法和CPLEX求解器相结合来混合求解博弈迭代优化问题；通过的折衷规划法数学方法来进行多目标问题的求解，在得到Pareto解集后常采用模糊数学方法挑选出最优解；下层用户的用能成本最小的问题则直接调用CPELX求解器进行求解，降低碳交易的成本。
Description
技术领域
本发明涉及能源互联网领域，涉及一种基于智能园区虚拟电厂的碳交易方法。
背景技术
虚拟电厂能够聚合多种类型的分布式能源参与电力市场运行，可以以市场手段促进发电资源的优化配置，充当分布式能源与电网调度、电力市场之间的中介，代表分布式能源所有者执行市场出清结果，实现电力交易。由于拥有多样化的发电资源，虚拟电厂还可以参与辅助服务市场，参与多种电力市场的运营模式及调度框架，对发电资源的广泛优化配置起到积极的促进作用。而需求响应可以充分挖、掘合理配置负荷侧资源，缓解电网的供需矛盾。
园区在供能上既有与电网交互的集中式需求，又具有形成分布式微电网独立供电的特征。而智能园区则是在园区的基础上，采用先进的信息技术和自动化技术对园区的电网基础设施和自动化系统进行改造，使之成为具有低碳节能、供电可靠、友好互动等特征的智能园区。
能源互联网可理解为综合运用先进的电力电子技术,信息技术和智能管理技术,将大量由分布式能量采集装置,分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来,以实现能量双向流动的能量对等交换与共享网络。能源互联网作为未来能源系统的主要表现形式与发展模式，是开展零碳演进发展的重要物理与信息载体。现有能源互联网以各个层级的综合能源系统为物理载体、以系统平台与一次设备间的通信和控制装置为信息载体，一般以多能互补、提质增效为建设与运行目标，可以起到一定的碳减排效果，但缺少向零碳演进发展的过程且难以实现最终的零碳目标。本发明基于以上问题提出了一种基于智能园区虚拟电厂的碳交易方法。
发明内容
本发明要解决的技术问题是，提供一种基于智能园区虚拟电厂的碳交易方法。
本发明是提供一种基于智能园区虚拟电厂的碳交易方法，首先，在需求侧考虑多元负荷灵活的响应能力构建需求响应模型。其次，运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，精确计算系统的总碳排量。构建EEMD-CS-ELM及CVAR方法的虚拟电厂日前交易优化模型；构建计及CVaR的虚拟电厂日前交易优化模型；应用基于奖惩阶梯型的虚拟电厂碳交易方法；构建阶梯型碳交易成本模型；然后采用遗传算法和CPLEX求解器相结合来混合求解博弈迭代优化问题；对于上层的碳排放最小与成本最小的两个多目标问题的求解是通过的折衷规划法数学方法来进行多目标问题的求解，在得到Pareto解集后常采用模糊数学方法挑选出最优解；下层用户的用能成本最小的问题则直接调用CPELX求解器进行求解，降低碳交易的成本。
本发明的一种基于智能园区虚拟电厂的碳交易方法，包括如下步骤。
步骤1建立基于智能园区虚拟电厂的综合能源系统模型，在需求侧考虑多元负荷灵活的响应能力构建需求响应模型；运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，计算系统的总碳排量，其中。
步骤1.1建立基于智能园区虚拟电厂的综合能源系统模型。
根据能源的流动的途径，可以将综合能源系统分为三个模块，分别为：能源输入模块、能源转换模块、和能源供应模块。如图1所示。
步骤1.2负荷需求响应模型。
电负荷和气负荷市场商品属性相似，都是随着市场价格的变化改变需求响应量，存在如下关系。
式中：ΔD和ΔQ分别为电、气负荷需求响应量矩阵；Δρe，Δρg为电、气负荷价格变化量矩阵；为需求响应价格弹性系数矩阵；ΔDt，ΔQT分别为需求响应后t时段电、气负荷的需求变化量；/>和/>分别为t时段需求响应前电负荷和气负荷需求；T为调度周期。
本发明考虑了综合能源系统中电、气负荷可以实现各自时间维度上的转移，任一种负荷可以划分为可削减负荷、可转移负荷以及可替代负荷3部分。
式中：为t时段电、气负荷i的可削减负荷响应量；/> 为电、气负荷的可转移负荷响应量；/>为电、气负荷的可替代负荷响应量；Pe,load(t)，Pg,load(t)分别为t时段需求响应后电、气负荷量。
步骤1.3运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，计算系统的总碳排量。
实际碳排放模型本发明运用生命周期分析方法计算后的归一化碳排放系数计入实际碳排放模型中。
实际参与到碳交易市场的碳排放权交易额ΔEIES为：
ΔEIES＝EIES,a-EIES
式中，ΔEIES碳排放权交易额，EIES,a实际的综合能源系统碳排量。
步骤2运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹计算系统的总碳排量；构建EEMD-CS-ELM及CVAR方法的虚拟电厂日前交易优化模型，然后构建计及CVaR的虚拟电厂日前交易优化模型，再建立基于奖惩阶梯型的虚拟电厂碳交易方法。
步骤2.1运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹计算系统的总碳排量。
该系统的实际碳排量包括上级购电、以天然气为原料的CHP和GB，WT，甲烷反应器(MethaneReactor，MR)和碳捕集设备。
式中：EIES,a，Ee,buy,a,EG,a，EW,a，EMR,a，ECCS,a分别为实际的综合能源系统碳排量、实际的上级购电碳排量、实际的天然气碳排量、实际的WT碳排量、实际MR吸收CO2量、实际碳捕集设备捕集的CO2量；
步骤2.2基于EEMD-CS-ELM及CVAR方法的虚拟电厂日前交易优化模型。
(1)集合经验模态分解。
集合经验模态分解是在原有经验模态分解(EMD)的基础上改进的新型自适应序列分析技术，有效克服了EMD方法的模态混叠问题。基于经验模态分解，在原功率信号中加入一系列高斯白噪声信号，结合频谱均衡分布的统计特征，对原序列中具有不同特征的趋势进行逐级筛选统计，形成以特征为聚类的固有模态分量(IMF)。最后，抵消各分量中的高斯白噪声但可保留功率序列的原特征，从而解决了EMD方法中出现模态混叠的问题。
(2)布谷鸟算法。
布谷鸟算法(CS)是2009年剑桥大学杨新社教授与Suash Deb开发的自然启发式算法。CS基于布谷鸟的又巢寄生行为。布谷鸟在宿主的巢里产卵，并会把宿主的蛋移走。一些看起来像宿主蛋的布谷鸟蛋，有机会被养育成为成年布谷鸟。在其他情况下，这些蛋会被宿主鸟类发现并被扔掉，或者宿主离开巢穴，寻找其他地方来建造新的鸟巢，即此时所有蛋都被放弃继续培育。巢中的每个蛋代表一种解决方法，一个布谷鸟蛋代表一种新的解决方法。CS使用新的和可能更好的解决方案来替换嵌套中不太好的解决方案。
(3)极限学习机算法。
极限学习机(ELM)是黄光斌教授在2004年提出的，是一种快速高效的单层前馈神经网络算法。ELM本质是基于线性参数模式求解输出权重的智能算法。由于输入权值和隐层阈值是随机给定的，隐层节点的个数对模型的性能有很大的影响。对于单隐层前馈神经网络(SLFN)，ELM利用隐层数进行网络训练，大大减少了训练时间和计算复杂度。ELM的主要思想是随机设置网络权值，得到隐层的逆输出矩阵。ELM与其他学习模式相比，具有操作速度极快，精确度更高的优点，在许多领域得到了广泛的应用。在实际的极端学习训练过程中，ELM只需确定隐藏层中的神经元数目即可。
步骤2.3构建计及CVaR的虚拟电厂日前交易优化模型。
考虑到虚拟电厂参与日前市场的主要目的是为了提高分布式能源对电力市场的参与度，因此，在分布式可再生能源机组出力的基础上引入需求响应机制及储能等可控负荷，聚合为虚拟电厂以平衡其出力波动及调控。在分布式可再生能源机组发电侧接入储能机组后，可结合储能系统“低充高放”的灵活性，对多余出力进行储存，从而减少虚拟电厂竞标时的正偏差电量，且在竞标电量产生负偏差时，利用储能机组及可中断负荷机制，进行电量卖出及部分负荷的转移，减少在日前市场结算时的电量偏差惩罚成本。
考虑到日前市场的交易规则，虚拟电厂在交易日的前一日进行发电计划的申报。由于虚拟电厂的容量较小，在市场中的竞争能力不强，且其电量与容量对市场的价格出清不产生较大影响，在市场中往往作为“价格接受者”进行分析，因此，分析虚拟电厂的日前申报行为时，市场仅需对虚拟电厂的报量进行。
基于图2虚拟电厂的组成及图3虚拟电厂参与日前市场的交易流程，为实现分布式能源的整合及调度，考虑虚拟电厂中可再生能源的消纳水平，参与市场交易，也需考虑自身效益，而虚拟电厂作为市场价格的接受者，在此可通过减少运行成本来获取更多的市场利益。在日前申报发电计划后，ISO对市场所有报价报量进行整合出力、集合优化，形成新的发电计划，结合ISO给出的发电计划，虚拟电厂根据目标对机组的出力运行做出调整，虚拟电厂参与日前市场交易的流程如图3所示。
结合虚拟电厂在日前市场中的交易需求，目标函数可表示为，
其中
CVPP＝CESS+CWPP+CPV+CDR+CMT
式中，和/>为风电和光伏机组在t时段的运行成本；/>和/>为风电和光伏机组的折旧成本；g'WPP·pWPP与g'PV·pPV为风电与光伏机组的偏差成本；αMT，bMT及cMT为MT机组的成本参数；/>为t时刻储能买卖电能的价格；/>为t时刻储能买入电能进行充电的量；/>为t时刻储能的运行成本。
步骤2.4基于奖惩阶梯型的虚拟电厂碳交易方法。
对不同气象条件下的风电、光伏出力特征建模分析。考虑虚拟电厂实际减碳情况，给出基于奖惩阶梯型的虚拟电厂碳交易方法。基于时间序列分析法，建立ARIMA自回归积分滑动平均模型，预测日前市场碳价。考虑现货市场碳价的波动性，建立现货价格不确定性模型，分别计算不同市场机制下售碳收入选择交易方法。
步骤2.4.1气象条件不确定下风电场、光伏电站的可靠性评估。
单个风电出力单元、光伏出力单元的电力不足时间概率表达式为：
式中：δLOLP为电力不足时间概率；pl为处于系统状态l时发生停运的概率；tl为处于系统状态l时发生停运的时长。当机组容量不满足负荷需要时，该指标可判断电力系统的停电时间概率，但未考虑停电量的大小。
单个风电出力单元、光伏出力单元的电力不足时间期望表达式为：
式中：δLOLE为电力不足时间期望；p[X…Ce-Le,z]为第e个时间段第z天机组停运容量大于等于备用容量的概率，Ce为第e个时间段系统的装机容量，Le,z为第e个时间段第z天的负荷峰值；me为一年中的时间段数；nz,e为第e个时间段中的天数。该指标可判断电力系统机组停运容量大于等于备用容量的概率。
单个风电出力单元、光伏出力单元的电量不足期望值表达式为：
式中：δEENS为电量不足期望值；PI(X)为第I个小时机组停运容量大于等于I的概率；CI为第I个小时系统中的装机容量；LI为第I个小时的负荷；T为模拟小时数。该指标反映了电力系统由于机组受迫停运而对用户减少供电的期望值。
单个风电场、光伏电站的可靠性指标的计算公式为：
式中：δEENS(ZY,o)为电量不足期望函数，ZY,o为第Y次模拟中第0个时间点的系统状态；D(ZY,o)为系统处于状态ZY,o的持续时间；No为系统状态数；NY为模拟计算次数；为第Y次计算风电场或光伏电站的电量不足期望值。
风电场、光伏电站的置信容量计算公式为。
δEENS(CN,Ls)＝δEENS(Cr,Ls)
式中：δEENS(.,.)为电量不足期望函数；Ls为系统负荷。
所有风电场、光伏电站总的置信容量计算公式为：
式中：Call为所有风电场、光伏电站总的置信容量；M为所有风电场、光伏电站的数量；Cu为第u个风电场或光伏电站的置信容量。
步骤2.4.2VPP参与碳交易市场的收益。
通常情况下，由政府部门制定一个碳排放总量，再按照碳排放量配额比例分配。碳排放配额即公司在碳交易市场取得的碳排放量权益。针对文中建立的电热柔性负荷的综合能源系统模型，采用无偿分配碳额，CHP机组发电且产热，燃气锅炉不发电仅产热，则t时段电-热IES的碳排放配额Ep(t)为：
κ为区域点位电量碳配额，α为电量折算系数,Pbuy(t)从电网买电量，与为CHP机组的电、热功率，PGB(t)为GB的功率。
步骤3采用遗传算法和CPLEX求解器相结合来混合求解博弈迭代优化问题。
步骤3.1折衷规划法数学方法来进行多目标问题的求解。
折衷规划法：对于多目标问题的求解有许多种方法，本发明采用折衷规划法将上层IESP系统的多目标优化问题首先转化为单目标来进行求解。折衷规划法的优化目是在最后对解集处理的过程中进行最小化。在多目标问题的求解过程中，对于需要被求的多目标函数最大值的问题可以转换为负的最小值问题来求解：
因此多目标问题可以表示为：
用折衷规划求解就是在多目标问题的先转化为单目标问题求解得到单目标解之后进行折衷得到距离最优的理想解，这就原来的多目标问题转化为了单目标问题，目标函数如下
式中的p在不同情况下表示的式目标函数的意义不同，当p时目标函数定义为切比雪夫距离。
折衷规划求解两个目标问题，对于本发明所考虑多目标解的问题，折衷规划法解多目标方法是通过把两个目标值分别单独进行求解，在求解出来的单个目标求解的问题下，找到单个目标解的解集中与理想最优的距离最小解的值，既为折衷规划的解。在两个目标函数的约束条件下还需要满足以下约束。
minF＝δ
(f1-f1,min)·(w1/f1,min)≤δ
(f2-f2,min)·(w2/f2,min)≤δ
w1+w2＝1
式中：δ为切比雪夫距离；f1,min，f2,min为对多目标问题分别单独求解所求得到的单个目标的最优解折衷规划的具体求解流程如图5所示。
步骤3.2基于主从博弈的双层优化模型的求解。
求解流程如图6所示，过程主要包括以下的步骤。
步骤1：建立基于IESP系统与园区用户的主从博弈模型，随之将主从博弈的模型转换成上下交互的双层问题进行求解。
步骤2：初始化双层模型相关参数，输入IESP运行的综合能源系统各项设备的参数、风光预测数据、电网的购电价与售电价及用户的用能负荷等系列参数。
步骤3：初始化遗传算法的参数，首先由上层的IESP系统随机生成一组电、热、冷能量的售价，并将生成的价格传递给下层园区用户。
步骤4：下层的园区用户在接收到IESP系统所提供的能价后，调整自身的用能方式，由CPELX求解器对下层的园区用户进行削减与转移的电、热、冷的负荷进行求解，得到用户的实际负荷，与用户的实际的用能成本，并将用户实际的负荷反馈给上层的IESP系统。
步骤5：上层的IESP系统根据所接收到下层园区用户的负荷量，在遗传算法内嵌套折衷规划法求解以综合运行成本与碳排放量两个目标最小化来优化的综合能源系统内部的机组出力，保存求解得出的联合多目标最优解。
步骤6：重复步骤3、步骤4、步骤5(由上层IESP系统的遗传算法继续选择、交叉、变异重新生成一组新的电、热、冷能量的售价)。
步骤7：对于步骤6所得出的IESP系统的联合最优解与用户的用能成本进行比较是否优于之前的求解结果，保存最优的求解结果。
步骤8：判断是否达到终止条件(终止条件为迭代次数达到上限)，若满足则进行下一步，否则回到步骤6。
步骤9：输出均衡解情况下的IESP系统机组运行情况与用户实际的负荷需求量，结束程序。
附图说明
图1综合能源系统结构图。
图2虚拟电厂组成。
图3虚拟电厂参与日前市场交易流程。
图4参与碳市场交易方法流程。
图5折衷规划法的优化流程图。
图6IESP系统与园区用户双层模型求解流程图。
图7上层IESP系统Pareto解集与下层用户迭代图。
图8不同奖励系数下的碳交易成本。
图9为上下双层博弈优化结果。
具体实施方式
(1)根据实际电厂运行情况和能源的流动的途径，可以将综合能源系统分为三个模块，分别为：能源输入模块、能源转换模块、和能源供应模块，然后建立基于智能园区虚拟电厂的综合能源统模型。
综合能源系统中电、气负荷可以实现各自时间维度上的转移，任一种负荷可以划分为可削减负荷、可转移负荷以及可替代负荷3部分，在需求侧考虑多元负荷灵活的响应能力构建需求响应模型。
(2)运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，计算系统的总碳排量；构建EEMD-CS-ELM方法的虚拟电厂日前交易优化模型；并构建计及CVaR方法的虚拟电厂日前交易优化模型；在此基础上，建立基于奖惩阶梯型的虚拟电厂碳交易方法。
计算系统的总碳排量，运用生命周期分析方法计算后的归一化碳排放系数计入实际碳排放模型中，该系统的实际碳排量包括上级购电、以天然气为原料的CHP和GB，WT，甲烷反应器(Methane Reactor，MR)和碳捕集设备。然后构建EEMD-CS-ELM方法的虚拟电厂日前交易优化模型；并构建计及CVaR方法的虚拟电厂日前交易优化模型，结合风电与光伏预测出力与实际出力的偏差，对CVaR值进行改进；虑到日前市场的交易规则，虚拟电厂在交易日的前一日进行发电计划的申报。由于虚拟电厂的容量较小，在市场中的竞争能力不强，且其电量与容量对市场的价格出清不产生较大影响，在市场中往往作为“价格接受者”进行分析，因此，分析虚拟电厂的日前申报行为时，市场仅需对虚拟电厂的报量进行考虑。在此基础上，建立基于奖惩阶梯型的虚拟电厂碳交易方法。
(3)构建阶梯型碳交易成本模型，然后采用遗传算法和CPLEX求解器相结合来混合求解博弈迭代优化问题，减少碳交易成本。
最后对比了三种方案依次为：场景一：园区用户电、热和冷负荷都不参与需求响应；场景二：园区用户的电负荷参与需求响应，热、冷负荷不参与需求响应；场景三：园区用户的电、热、冷负荷均参与需求响应；最后对比图7图8和图9可知：本发明方案对实现系统低碳经济运行提供了一种有效的方法。对于在如今的低碳主题下兼顾园区综合能源系统与园区用户多利益主体的运营方式具有一定的参考价值。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。
Claims (10)
1.一种基于智能园区虚拟电厂的碳交易方法，其特征在于，包括如下步骤：
1)建立基于智能园区虚拟电厂的综合能源系统模型；
2)在需求侧考虑多元负荷灵活的响应能力构建需求响应模型；
3)运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，计算系统的总碳排量；
4)构建EEMD-CS-ELM方法的虚拟电厂日前交易优化模型；
5)构建计及CVaR方法的虚拟电厂日前交易优化模型；
6)基于奖惩阶梯型的虚拟电厂碳交易方法；
7)构建阶梯型碳交易成本模型；
8)采用遗传算法和CPLEX求解器相结合来混合求解博弈迭代优化问题；
9)对于上层的碳排放最小与成本最小的两个多目标问题的求解是通过折衷规划法来进行多目标问题的求解，在得到Pareto解集后采用模糊数学方法挑选出最优解；
10)下层用户的用能成本最小的问题采用双变异差分进化算法嵌套CPLEX求解器求解。
2.根据权利要求1所述的一种基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤1)中所述建立基于智能园区虚拟电厂的综合能源系统模型包括：
光伏发电模型表示为：
式中：为光伏阵列在t时刻输出功率；fpv是考虑光伏面板老化、灰层等影响而引起功率下降系数，取0.9；N为太阳能电池板的数量；It表示t时刻光照强度；ISTC为标准情况下的光照强度；
风力发电模型：风力发电模型发电功率与风速关系表示为：
式中：v为风力发电机的实际风速；vin为切入运行时的风速；vout为切出时风速；vr为风机额定风速；为风机额定输出功率，PWT为风机在风速为v时的输出功率；
热电联产机组模型：热电联产机组模型表示为：
式中为t时刻燃气轮机耗气量；ηMT为发电效率；QLHV为天然气低热值；ηloss为热损失率；δheat为制热系数；
燃气锅炉模型：燃气轮机数学模型表示为：
式中：为燃气锅炉输出热功率，/>输入燃气功率，ηGB为燃气锅炉气转热效率；
吸收式制冷机模型：吸收式制冷机数学模型表示为：
式中：为制冷机制冷功率；HAC为制冷机输入热功率；ηAC为制冷机的制冷效率；
电制冷机模型：电制冷机数学模型表示为：
式中：为电制冷机制冷功率；Pec为电制冷机输入电功率；COPEC为电制冷机的制冷能效比；
电转气装置模型法人数学模型为：
式中：表示输出的燃气功率，ηP2G表示机组的运行效率；PP2G表示机组输入的电功率；
储能装置模型表示为：
式中：WEES(t)和WEES(t-1)表示储能装置在t时刻和t-1时刻的容量；τEES表示储能装置充放能损耗系数；ηEES,ch和ηEES,dh表示储能装置的充放能效率；
PEES,ch和PEES,dh(t)为储能装置在t时刻的充放能功率。
3.根据权利要求1所述的一种建立基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤2)中所述需求侧考虑多元负荷灵活的响应能力构建需求响应模型包括：
负荷需求响应模型为：
式中：ΔD和ΔQ分别为电、气负荷需求响应量矩阵；Δρe，Δρg为电、气负荷价格变化量矩阵；为需求响应价格弹性系数矩阵；ΔDt，ΔQT分别为需求响应后t时段电、气负荷的需求变化量；/>和/>分别为t时段需求响应前电负荷和气负荷需求；T为调度周期；
基于考虑了综合能源系统中电、气负荷能够实现各自时间维度上的转移，任一种负荷能够划分为可削减负荷、可转移负荷以及可替代负荷3部分
式中：为t时段电、气负荷i的可削减负荷响应量；/>为电、气负荷的可转移负荷响应量；/>为电、气负荷的可替代负荷响应量；Pe，load(t)，Pg，load(t)分别为t时段需求响应后电、气负荷量。
4.根据权利要求1所述的一种建立基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤3)中所述运用生命周期评估方法分析综合能源系统中不同能源链的碳轨迹，计算系统的总碳排量包括：
实际碳排放模型运用生命周期分析方法计算后的归一化碳排放系数计入实际碳排放模型中：
式中：EIES，a，Ee，buy，a，EG，a，EW,a，EMR,a，ECCS，a分别为实际的综合能源系统碳排量、实际的上级购电碳排量、实际的天然气碳排量、实际的WT碳排量、实际MR吸收CO2量、实际碳捕集设备捕集的CO2量；
实际参与到碳交易市场的碳排放权交易额ΔEIES为：
ΔEIES＝EIES，a-EIES。
5.根据权利要求1所述的一种建立基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤4)中所述构建EEMD-CS-ELM方法的虚拟电厂日前交易优化模型包括：
方法选择
(1)集合经验模态分解的实现方法如下：
A、对于功率信号P(t)，加入高斯白噪声信号κ(t)，新得功率信号P′(t)，有
P′(t)＝P(t)+κ(t)
B、对P′(t)进行EMD分解，则可得IMF分量，表示为，
式中，rn(t)为分解后的残量，Ii(t)为第i层的IMF，i＝1，2，...，n，并按照频率从高到底进排列；
C、在P(t)中继续加入j次高斯白噪声，并重复上述步骤，可得
式中，Iji(t)为第j次高斯白噪声加入后得到的第i个IMF分量；
D、结合EMD不相关随机序列统计均值为0的原理，对Iji(t)进行整体平均处理，抵消多次高斯白噪声加入对功率信号的影响，最终IMF可表示为，
在EEMD的处理过程中，高斯白噪声信号应满足ε代表高斯白噪声信号的幅值，N为加入高斯白噪声信号的整体平均次数；当N取100-300时，值取0.001-0.5倍的信号标准差；εn为原始功率信号与EEMD处理后功率信号的误差值；
(2)布谷鸟算法；
CS的运行规则如下：每只杜鹃一次只产一个蛋，并把这个蛋随机放入一个鸟巢中；带有最高质量的蛋的巢将可以继续到下一代；
假设在D维搜索空间中有N个鸟蛋，第k次迭代第i个鸟蛋的位置为新位置/>可表示为，
式中，α＞0表示步长，由问题的规模决定。δi为需进行的位置变化量，为矩阵乘法；
随机步长由对称Levy分布产生，有
式中，u(u1,u1,...,ud)，v(v1,v1,...,vd)为D维空间的向量，且有β＝3/2；u和v的每个分量服从如下正态分布，
(3)极限学习机算法；
设N组初始训练集(xi,tt)，输入层为xi＝[xi1,xi2,...,xin]∈Rn，目标输出层为ti＝[t1i,x2i,...,xmi]T∈Rm，隐层含有L个节点，其激活函数g(x)表达如下：
式中，yj表示使用ELM模型的输出向量，βi表示连接隐藏层与输出层的权重向量，wi表示连接隐藏层与输入层的权重向量，bi和g(wi·xi+bi)分别为隐藏节点i的阈值和输出值；
ELM的目标是寻找一个合适的β、ω和b集合来逼近所有训练样本对，且误差为零；
上式可表示为：
Hβ＝T
式中，H是隐层的输出矩阵；β是连接隐层节点和输出层神经元的权重向量；T表示目标输出；
当激活函数无穷可微时，ELM可通过搜索线性方程最小的范数最小二乘解，输出隐藏层的解；
Hβ＝T
式中，HT代表隐藏层矩阵的Moore-Penrose广义逆矩阵。
6.根据权利要求1所述的一种基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤5)构建计及CVaR的虚拟电厂日前交易优化模型为：
结合风电与光伏预测出力与实际出力的偏差，对CVaR值进行改进，风电的出力偏差可表示为，
式中，风电出力的预测偏差服从正态分布则概率密度函数满足：
同理，光伏出力预测偏差的概率密度函数满足：
考虑到虚拟电厂中，风电与光伏机组均为虚拟电厂出力的必要组件，其出力曲线可看作共同出力，且为了简化模型计算，其共同出力的偏差可表达为：
式中，表示风光共同出力的预测误差；
此时，由于风电与光伏的出力在出力特性上无联系，则根据卷积公式，的概率密度分布函数为，
且有
式中，c(α)为标准正态分布α的百分位数。
7.根据权利要求1所述的一种建立基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤6)中所述基于奖惩阶梯型的虚拟电厂碳交易方法为：
阶梯型碳交易成本模型考虑到系统中的实际碳排放多数产生于CHP系统和GB的使用过程，认为电网购电部分来自于煤电机组，则t时段系统实际碳排放量Eac(t)为：
Eac(t)＝Ebuy(t)+ECHP(t)+EGB(t)
其中：
Ebuy(t)＝ηPbuy(t)
EGB(t)＝κGBPGB(t)
Ebuy(t)电网购电产生的实际碳排放量；ECHP(t)为CHP系统的实际碳排放量；EGB(t)为GB的实际碳排放量，η为煤电机组的碳排放系数；ECHP(t)与κGB为CHP和燃气轮机的能源在其生产运输阶段的碳排放系数；
则实际参与到市场的碳交易量Es(t)为
Es(t)＝Eac(t)-Ep(t)。
8.根据权利要求1所述的一种基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤7)中所述构建阶梯型碳交易成本模型包括：
构建奖惩阶梯型碳交易机制，将碳排放权划分多个区间，碳交易价格随碳配额呈阶梯式上升；在出售多余碳排放配额时引入奖励系数进行激励，以保证未用完的碳排放额度能够全部售出；当碳交易量为正时进行惩罚，此时需要付出更大成本购买碳排放额度，且所需额度越大，碳交易价格越高；碳交易量为负时进行奖励，企业能够出售多余碳配额以获得奖励；因此t时段碳交易成本为：
式中k为当日碳交易基价；l为区间长度；θ为价格增幅，此处取0.25；ω为奖励系数；为正时代表此刻碳排放超额，需要从碳交易市场购买额度，/>为负时代表此刻碳排放额度未用完，可以售出以获得收益；Bc为参与碳交易市场收益。
9.根据权利要求1所述的一种基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤8)中所述的采用遗传算法和CPLEX求解器相结合来混合求解博弈迭代优化问题为：
折衷规划法：采用折衷规划法将上层IESP系统的多目标优化问题首先转化为单目标来进行求解：
因此多目标问题可以表示为：
用折衷规划求解就是在多目标问题的先转化为单目标问题求解得到单目标解之后进行折衷得到距离最优的理想解，这就原来的多目标问题转化为了单目标问题，目标函数如下
式中的p在不同情况下表示的式目标函数的意义不同，当p∈∞时目标函数定义为切比雪夫距离。
10.根据权利要求1所述的一种基于智能园区虚拟电厂的碳交易方法，其特征在于，步骤9)中所述对于上层的碳排放最小与成本最小的两个多目标问题的求解是通过的折衷规划法数学方法来进行多目标问题的求解，在得到Pareto解集后常采用模糊数学方法挑选出最优解如下所示：
多目标优化问题会有k个决策变量、n个目标函数和m个约束函数组成，表达式如下：
maxy＝f(x)＝(f1(x)，f2(x)，...，fn(x))
g(x)＝(g1(x)，g2(x)，…，gm(x))≤0
其中x＝(x1，x2，…，xk)∈X，y＝(y1，y2，…，yk)∈Y
具体的方法为：先根据下面公式计算出每组解每个目标函数的满意度，每组解的满意度就是两个目标函数满意度中较小的那个，确定每一组解的满意度之后，将Pareto解集中所有解的满意度进行比较，满意度最高的一组解就是最优解；
式中，表示目标函数m的第n组解的满意度，/>分别为目标函数m折衷规划得到的Pareto中最大值和最小值的解，/>表示目标函数m的第n个解。
步骤10)中所述下层用户的用能成本最小的问题则用采用双变异差分进化算法嵌套CPLEX求解器求解包括：
差分进化算法的变异策略会影响种群多样性，而种群多样性又与算法搜索能力紧密联系，故利用双变异策略来平衡差分进化算法的全局搜索
式中：xcenter(g为g代种群的中心解；NP为种群规模；xi(g)为g代种群个体；μ(g)为g代种群相似度；faver(g)、f(xbest(g)和(xworst(g))分别为g代种群平均适应度值、最优解适应度值和最差解适应度值；双变异策略为
式中：vi(g)为g代种群变异个体；r0、r1和r2为[1，NP]上不等于i的两两互不相等的整数；λ为局部参数，取0.1；rand表示在(0，1)区间上的随机数；F为缩放因子，F取(0，1)区间上的随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310524799.3A CN116523683A (zh) | 2023-05-10 | 2023-05-10 | 一种基于智能园区虚拟电厂的碳交易方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310524799.3A CN116523683A (zh) | 2023-05-10 | 2023-05-10 | 一种基于智能园区虚拟电厂的碳交易方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523683A true CN116523683A (zh) | 2023-08-01 |
Family
ID=87393881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310524799.3A Pending CN116523683A (zh) | 2023-05-10 | 2023-05-10 | 一种基于智能园区虚拟电厂的碳交易方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523683A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117424295A (zh) * | 2023-12-19 | 2024-01-19 | 山西中能博源能源科技有限公司 | 优化分布式资源聚合的虚拟电厂智慧控制系统 |
| CN117674303A (zh) * | 2024-02-02 | 2024-03-08 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
-
2023
- 2023-05-10 CN CN202310524799.3A patent/CN116523683A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117424295A (zh) * | 2023-12-19 | 2024-01-19 | 山西中能博源能源科技有限公司 | 优化分布式资源聚合的虚拟电厂智慧控制系统 |
| CN117424295B (zh) * | 2023-12-19 | 2024-02-27 | 山西中能博源能源科技有限公司 | 优化分布式资源聚合的虚拟电厂智慧控制系统 |
| CN117674303A (zh) * | 2024-02-02 | 2024-03-08 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
| CN117674303B (zh) * | 2024-02-02 | 2024-05-14 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system | |
| CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
| Ju et al. | Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response | |
| Yang et al. | A multi-objective stochastic optimization model for electricity retailers with energy storage system considering uncertainty and demand response | |
| Li et al. | Optimal management of multi-stakeholder distributed energy systems in low-carbon communities considering demand response resources and carbon tax | |
| CN111985702A (zh) | 一种计及电能替代效果的园区级综合能源系统优化方法 | |
| Zhao et al. | Hierarchical optimal configuration of multi-energy microgrids system considering energy management in electricity market environment | |
| CN116523683A (zh) | 一种基于智能园区虚拟电厂的碳交易方法 | |
| Wang et al. | Two-stage stochastic planning for integrated energy systems accounting for carbon trading price uncertainty | |
| Qiu et al. | Mean-field multi-agent reinforcement learning for peer-to-peer multi-energy trading | |
| Ali et al. | Economic planning and comparative analysis of market-driven multi-microgrid system for peer-to-peer energy trading | |
| Zhong et al. | Deep reinforcement learning framework for dynamic pricing demand response of regenerative electric heating | |
| Jordehi | Two-stage stochastic programming for risk-aware scheduling of energy hubs participating in day-ahead and real-time electricity markets | |
| Hussain et al. | A two-layer decentralized charging approach for residential electric vehicles based on fuzzy data fusion | |
| Yang et al. | Optimal economic-emission planning of multi-energy systems integrated electric vehicles with modified group search optimization | |
| Tavakoli et al. | Optimal probabilistic operation of energy hub with various energy converters and electrical storage based on electricity, heat, natural gas, and biomass by proposing innovative uncertainty modeling methods | |
| Petrichenko et al. | Modelling the Future of the Baltic Energy Systems: A Green Scenario | |
| CN115936220A (zh) | 一种园区综合能源系统规划及运行优化方法和终端 | |
| Ali | Development and Improvement of Renewable Energy Integrated with Energy Trading Schemes based on Advanced Optimization Approaches | |
| Chakraborty et al. | Profit maximization of retailers with intermittent renewable sources and energy storage systems in deregulated electricity market with modern optimization techniques: A review | |
| Makhdoomi et al. | Optimal Scheduling of Electrical Storage System and Flexible Loads to Participate in Energy and Flexible Ramping Product Markets | |
| Azizi et al. | Daily operation of multi‐energy systems based on stochastic optimization considering prediction of renewable energy generation | |
| Miseta et al. | Energy trading strategy for storage-based renewable power plants | |
| Wu et al. | Energy management for PV prosumers inside microgrids based on Stackelberg–Nash game considering demand response | |
| Nammouchi et al. | Robust opportunistic optimal energy management of a mixed microgrid under asymmetrical uncertainties |
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 |