CN116826859A - 一种电源碳电协同规划方法、装置、设备及存储介质 - Google Patents
一种电源碳电协同规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116826859A CN116826859A CN202310685079.5A CN202310685079A CN116826859A CN 116826859 A CN116826859 A CN 116826859A CN 202310685079 A CN202310685079 A CN 202310685079A CN 116826859 A CN116826859 A CN 116826859A
- Authority
- CN
- China
- Prior art keywords
- unit
- carbon
- output
- photovoltaic
- wind turbine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 129
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 127
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 239000003245 coal Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 35
- 230000005611 electricity Effects 0.000 claims description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电源碳电协同规划方法、装置、设备及存储介质，通过获取风电机组和光伏机组的历史出力数据；结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。充分考虑到电力、电量和碳量三大平衡约束，能够精准地实现电源碳电协同规划。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种电源碳电协同规划方法、装置、设备及存储介质。
背景技术
当前，随着能源、环境、气候变化问题的日益突出，可再生能源的发展成为世界能源发展的重点内容。为提高电网对大规模清洁能源的消纳能力以及电力系统安全稳定水平，有必要在电源规划时充分考虑到碳电协同，实现经济性、供电可靠性、低碳性的统一。
碳电协同发展体系是以碳电结构协同、安全协同、质效协同、价值协同、治理协同等五个协同为脉络，逐步实现碳减排与电气化提升协同推进的局面。当前，以清洁低碳和电气化为主要特征的新一轮能源革命正在蓬勃兴起，在碳电协同发展要求下，新能源占比将逐步提升，新型电力系统的结构形态将发生重大变化，从承担电力能源发输配用扩展到推进新能源、减少碳排放的灵活系统，同时，新能源出力带来的不确定性导致电源规划边界条件发生变化，其月度出力的变化对电力电量碳量平衡计算造成一定影响，导致当前碳电协同规划精度降低。
发明内容
针对上述缺陷，本发明提供一种电源碳电协同规划方法、装置、设备及存储介质，充分考虑到电力、电量、碳量三大平衡约束，能够准确实现电源碳电协同规划。
本发明实施例提供一种电源碳电协同规划方法，所述方法包括：
获取风电机组和光伏机组的历史出力数据；
结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；
根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；
根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。
优选地，在获取风电机组和光伏机组的历史出力数据之后，所述方法还包括：
对获取的历史出力数据进行归一化处理；
从归一化处理后的数据中剔除预设比例的极大值数据和极小值数据。
作为一种优选方案，所述风电机组出力可信度和所述光伏机组出力可信度的计算过程具体包括：
根据预建的概率密度函数的核估计模型分别计算光伏机组出力的核密度估计和风电机组出力的核密度估计；
将光伏机组出力的核密度估计和风电机组出力的核密度估计分别代入预建的出力可信度计算模型中，分别计算风电机组出力可信度和光伏机组出力可信度；
其中，所述概率密度函数的核估计模型为λPV＝∫f0.5(x)dx为所述出力可信度计算模型，λPV为风电机组出力可信度或光伏机组出力可信度，n为样本容量；K()是核函数，x1,x2,…,xn是光伏机组或风电机组的n个样本的历史出力数据，f0.5(x)是光伏机组出力的核密度估计或风电机组出力的核密度估计。
优选地，所述电碳排放模型为：
其中，Ccoal和Cgas分别为燃煤机组和燃气机组在t0至t1时间段内的碳排放量；Pcoal(t)和Pgas(t)分别为t时刻燃煤机组有功功率和燃气机组有功功率；ρcoal和ρgas分别为燃煤机组、燃气机组的电碳排放因子。
作为一种优选方案，所述电力平衡约束为；
CapPVλPV,k+Capwindλwind,k+Capcoalλcoal+Capgasλgas+CapNuclearλNuclear+Capwaterλwater≥Pload,k；
所述电量平衡约束为：
所述碳量平衡约束为：
Capcoalhcoalρcoal+Capgashgasρgas≤Cmax；
其中，CapPV、Capwind、Capcoal、Capgas、CapNuclear和Capwater分别为光伏机组、风电机组、燃煤机组、燃气机组、核电机组和水电机组的装机容量，λPV,k和λwind,k分别为第k个月份光伏机组和风电机组的月度出力可信度，λcoal、λgas、λNuclear和λwater分别为燃煤机组、燃气机组、核电机组和水电机组的出力可信度，Pload,k为第k个月份的最大负荷；hPV,k和hwind,k分别为风电机组和光伏机组的月度利用小时数；hcoal、hgas、hNuclear和hwater分别为燃煤机组、燃气机组、核电机组和水电机组年度利用小时数；Eload为年度用电量；Cmax为年度允许碳排放的最大值。
优选地，所述结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量，具体包括：
以各机组的投资成本与运行成本之和最小作为所述成本约束的目标函数，结合电力平衡约束、电量平衡约束和碳量平衡约束构建电源碳电协同规划模型；
利用线性规划求解算法求解所述电源碳电协同规划模型，得到规划各类型机组的新建装机预测容量。
本发明实施例还提供一种电源碳电协同规划装置，所述装置包括：
数据获取模块，用于获取风电机组和光伏机组的历史出力数据；
可信度计算模块，用于结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；
碳排放计算模块，用于根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；
约束模块，用于根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
协同规划模块，用于结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。
优选地，所述装置还包括数据处理模块，用于：
在获取风电机组和光伏机组的历史出力数据之后，对获取的历史出力数据进行归一化处理；
从归一化处理后的数据中剔除预设比例的极大值数据和极小值数据。
优选地，所述风电机组出力可信度和所述光伏机组出力可信度的计算过程具体包括：
根据预建的概率密度函数的核估计模型分别计算光伏机组出力的核密度估计和风电机组出力的核密度估计；
将光伏机组出力的核密度估计和风电机组出力的核密度估计分别代入预建的出力可信度计算模型中，分别计算风电机组出力可信度和光伏机组出力可信度；
其中，所述概率密度函数的核估计模型为λPV＝∫f0.5(x)dx为所述出力可信度计算模型，λPV为风电机组出力可信度或光伏机组出力可信度，n为样本容量；K()是核函数，x1,x2,…,xn是光伏机组或风电机组的n个样本的历史出力数据，f0.5(x)是光伏机组出力的核密度估计或风电机组出力的核密度估计。
作为一种优选方案，所述电碳排放模型为：
其中，Ccoal和Cgas分别为燃煤机组和燃气机组在t0至t1时间段内的碳排放量；Pcoal(t)和Pgas(t)分别为t时刻燃煤机组有功功率和燃气机组有功功率；ρcoal和ρgas分别为燃煤机组、燃气机组的电碳排放因子。
优选地，所述电力平衡约束为；
CapPVλPV,k+Capwindλwind,k+Capcoalλcoal+Capgasλgas+CapNuclearλNuclear+Capwaterλwater≥Pload,k；
所述电量平衡约束为：
所述碳量平衡约束为：
Capcoalhcoalρcoal+Capgashgasρgas≤Cmax；
其中，CapPV、Capwind、Capcoal、Capgas、CapNuclear和Capwater分别为光伏机组、风电机组、燃煤机组、燃气机组、核电机组和水电机组的装机容量，λPV,k和λwind,k分别为第k个月份光伏机组和风电机组的月度出力可信度，λcoal、λgas、λNuclear和λwater分别为燃煤机组、燃气机组、核电机组和水电机组的出力可信度，Pload,k为第k个月份的最大负荷；hPV,k和hwind,k分别为风电机组和光伏机组的月度利用小时数；hcoal、hgas、hNuclear和hwater分别为燃煤机组、燃气机组、核电机组和水电机组年度利用小时数；Eload为年度用电量；Cmax为年度允许碳排放的最大值。
优选地，所述协同规划模块具体用于：
以各机组的投资成本与运行成本之和最小作为所述成本约束的目标函数，结合电力平衡约束、电量平衡约束和碳量平衡约束构建电源碳电协同规划模型；
利用线性规划求解算法求解所述电源碳电协同规划模型，得到规划各类型机组的新建装机预测容量。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的电源碳电协同规划方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例中任意一项所述的电源碳电协同规划方法。
本发明提供的电源碳电协同规划方法、装置、设备及存储介质，通过获取风电机组和光伏机组的历史出力数据；结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。充分考虑到电力、电量和碳量三大平衡约束，能够精准地实现电源碳电协同规划。
附图说明
图1是本发明实施例提供一种电源碳电协同规划方法的流程示意图；
图2是本发明实施例提供的一种电源碳电协同规划装置的结构示意图；
图3是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
参见图1，是本发明实施例提供一种电源碳电协同规划方法的流程示意图，所述方法包括步骤S1～S5：
S1，获取风电机组和光伏机组的历史出力数据；
S2，结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；
S3，根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；
S4，根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
S5，结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。
在本实施例具体实施时，首先进行数据收集与数据处理，获取待规划区域内正在运行风电机组、光伏机组月度历史出力数据。
考虑风电机组和光伏机组出力特性分布，基于核密度估计方法计算风电机组和光伏机组分月的出力可信度。
根据各类型机组的生产参数，构建各类型机组的电碳排放模型，进而确定各类型机组的电碳排放特性。
各类型机组主要包括光伏机组、风电机组、燃煤机组、燃气机组、核电机组和水电机组；
根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
考虑供电可靠性、经济性以及低碳性，结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，并求解电源碳电协同规划模型，得到规划水平年下各类型机组新建装机容量。
针对规划时间尺度风电机组和光伏机组出力不确定性，单独计算风电机组和光伏机组分月的出力可信度，并进一步在电源碳电规划中充分考虑到电力平衡约束、电量平衡约束和碳量平衡约束；考虑供电可靠性、经济性以及低碳性，构建电源碳电协同规划优化模型，并求解，得到规划水平年下各类型机组新建装机容量。本实施例有效考虑在风电、光伏机组出力不确定前提下实现电源碳电协同规划，能够有效促进电力系统低碳转型。提供一种考虑风光出力不确定性的电源碳电协同规划方法，充分考虑到电力、电量、碳量三大平衡约束，能够快速、高精度地实现电源碳电协同规划。
在本发明提供的又一实施例中，在步骤S1后，所述方法还包括：
对获取的历史出力数据进行归一化处理；
从归一化处理后的数据中剔除预设比例的极大值数据和极小值数据。
在本实施例具体实施时，获取待规划区域内正在运行风电机组、光伏机组月度历史出力数据后，利用出力数据除以装机容量，进行数据归一化处理，避免由于机组装机容量差距导致数据对于机组出力数据的误差。
同时为去除数据中极值数据的影响，从极小和极大的机组出力数据剔除相应极端数据，选取所有机组出力数据中百分之五的极小机组出力数据和极大机组出力数据进行剔除，最终得到处理后的风电机组、光伏机组历史出力数据。
在本发明提供的又一实施例中，所述风电机组出力可信度和所述光伏机组出力可信度的计算过程具体包括：
根据预建的概率密度函数的核估计模型分别计算光伏机组出力的核密度估计和风电机组出力的核密度估计；
将光伏机组出力的核密度估计和风电机组出力的核密度估计分别代入预建的出力可信度计算模型中，分别计算风电机组出力可信度和光伏机组出力可信度；
其中，所述概率密度函数的核估计模型为λPV＝∫f0.5(x)dx为所述出力可信度计算模型，λPV为风电机组出力可信度或光伏机组出力可信度，n为样本容量；K()是核函数，x1,x2,…,xn是光伏机组或风电机组的n个样本的历史出力数据，f0.5(x)是光伏机组出力的核密度估计或风电机组出力的核密度估计。
在本实施例具体实施时，考虑风电、光伏机组出力特性分布，基于核密度估计方法计算风电机组和光伏机组分月出力可信度的过程具体包括：
若x1,x2,…,xn是某地某月的光伏机组或风电机组的n个样本的历史出力数据，光伏机组或风电机组出力的概率密度函数为f(x)，则概率密度函数的核估计模型为：
其中，n为样本容量；h是带宽，充当光滑系数；K()是核函数。利用统计规律判断光伏机组出力满足特征分布类型，设其满足高斯分布，选取标准高斯函数为核函数，设带宽为0.5，则根据预建的概率密度函数的核估计模型分别计算光伏机组出力的核密度估计和风电机组出力的核密度估计；
概率密度函数的核估计模型具体为：
其中，f0.5(x)是光伏机组出力的核密度估计或风电机组出力的核密度估计；
将光伏机组出力的核密度估计和风电机组出力的核密度估计分别代入预建的出力可信度计算模型中，分别计算风电机组出力可信度和光伏机组出力可信度。
出力可信度计算模型具体为：
λPV＝∫f0.5(x)dx；
参见表1，是根据以上方法计算的该光伏机组月度的出力可信度计算结果；
表1某地某月的光伏机组月度的出力可信度
在本发明提供的又一实施例中，所述电碳排放模型为：
其中，Ccoal和Cgas分别为燃煤机组和燃气机组在t0至t1时间段内的碳排放量；Pcoal(t)和Pgas(t)分别为t时刻燃煤机组有功功率和燃气机组有功功率；ρcoal和ρgas分别为燃煤机组、燃气机组的电碳排放因子。
在本实施例具体实施时，构建各类型机组电碳排放模型。考虑到风电、光伏、水电、核电机组电能生产过程中不伴随二氧化碳排放，因此构建的电碳排放模型，具体为：
式中，Ccoal、Cgas分别为燃煤机组和燃气机组在t0至t1时间段内碳排放量；Pcoal(t)和Pgas(t)分别为t时刻燃煤机组和燃气机组有功功率；ρcoal和ρgas分别为燃煤机组和燃气机组的电碳排放因子，单位为kgCO2/kWh。
作为一种优选实施例，燃煤机组电碳排放因子取0.739kgCO2/kWh，燃气机组电碳排放因子取0.356kgCO2/kWh。在其他实施例中，燃煤机组和燃气机组的电碳排放因子可取其他值。
在本发明提供的又一实施例中，所述电力平衡约束为；
CapPVλPV,k+Capwindλwind,k+Capcoalλcoal+Capgasλgas+CapNuclearλNuclear+Capwaterλwater≥Pload,k；
所述电量平衡约束为：
所述碳量平衡约束为：
Capcoalhcoalρcoal+Capgashgasρgas≤Cmax；
其中，CapPV、Capwind、Capcoal、Capgas、CapNuclear和Capwater分别为光伏机组、风电机组、燃煤机组、燃气机组、核电机组和水电机组的装机容量，λPV,k和λwind,k分别为第k个月份光伏机组和风电机组的月度出力可信度，λcoal、λgas、λNuclear和λwater分别为燃煤机组、燃气机组、核电机组和水电机组的出力可信度，Pload,k为第k个月份的最大负荷；hPV,k和hwind,k分别为风电机组和光伏机组的月度利用小时数；hcoal、hgas、hNuclear和hwater分别为燃煤机组、燃气机组、核电机组和水电机组年度利用小时数；Eload为年度用电量；Cmax为年度允许碳排放的最大值。
在本实施例具体实施时，根据各类型机组装机容量、出力特性、碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束。电源碳电协同规划要满足用户安全供电的前提下实现电力系统低碳性和经济性的平衡，需要计算电力、电量、碳量平衡约束。考虑到新能源出力分月波动性较大，因此电力平衡约束需要以月度为单位进行分别计算，电力平衡约束为：
CapPVλPV,k+Capwindλwind,k+Capcoalλcoal+Capgasλgas+CapNuclearλNuclear+Capwaterλwater≥Pload,k；
式中，CapPV、Capwind、Capcoal、Capgas、CapNuclear和Capwater分别为光伏机组、风电机组、燃煤机组、燃气机组、核电机组和水电机组的装机容量，λPV,k和λwind,k分别为第k个月份光伏机组和风电机组的月度出力可信度，λcoal、λgas、λNuclear和λwater分别为燃煤机组、燃气机组、核电机组和水电机组的出力可信度，Pload,k为第k个月份的最大负荷。
电量平衡约束为：
式中，hPV,k和hwind,k分别为风电机组和光伏机组的月度利用小时数；hcoal、hgas、hNuclear和hwater分别为燃煤机组、燃气机组、核电机组和水电机组年度利用小时数；Eload为年度用电量。
碳量平衡约束计算方法为：
Capcoalhcoalρcoal+Capgashgasρgas≤Cmax；
式中，Cmax为规划年度允许碳排放的最大值。
在本发明提供的又一实施例中，所述步骤S5具体包括：
以各机组的投资成本与运行成本之和最小作为所述成本约束的目标函数，结合电力平衡约束、电量平衡约束和碳量平衡约束构建电源碳电协同规划模型；
利用线性规划求解算法求解所述电源碳电协同规划模型，得到规划各类型机组的新建装机预测容量。
在本实施例具体实施时，考虑供电可靠性、经济性以及低碳性，构建电源碳电协同规划优化模型，并求解，得到规划水平年下各类型机组新建装机容量，具体包括：
设目标函数为社会福利最大化，即投资成本与运行成本之和最小，构建成本约束。
约束条件考虑电力平衡约束、电量平衡约束和碳量平衡约束，构建电源碳电协同规划模型；
电源碳电协同规划模型为线性规划，利用线性规划求解算法求解该模型得到规划水平年下各类型机组新建装机容量。
本发明实施例给出了各类型电厂的生产参数设置，参见表2：
表2各类型电厂的生产参数设置
| 机组类型 | 度电碳排放 | 平均上网电价 |
| 1.煤电 | 0.739 | 0.408 |
| 2.气电 | 0.356 | 0.883 |
| 3.水电 | 0 | 0.429 |
| 4.核电 | 0 | 0.412 |
| 5.风电 | 0 | 0.439 |
| 6.光伏 | 0 | 0.532 |
在不同的碳排放限制下，各类型机组装机容量规划结果参见表3：
表3各类型机组装机容量规划结果
本实施例提供的电源碳电协同规划方法，考虑供电可靠性、经济性以及低碳性，构建电源碳电协同规划优化模型，并求解，得到规划水平年下各类型机组新建装机容量。本发明所提模型和策略有效考虑在风电、光伏机组出力不确定前提下实现电源碳电协同规划，能够有效促进电力系统低碳转型。
本方发明实施例还提供一种电源碳电协同规划装置，参见图2，是本发明实施例提供的一种电源碳电协同规划装置的结构示意图，所述装置包括：
数据获取模块，用于获取风电机组和光伏机组的历史出力数据；
可信度计算模块，用于结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；
碳排放计算模块，用于根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；
约束模块，用于根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
协同规划模块，用于结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。
需要说明的是，本发明实施例提供的所述电源碳电协同规划装置能够执行上述实施例中任意实施例所述的电源碳电协同规划方法，对电源碳电协同规划装置的具体功能在此不作赘述。
参见图3，是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如电源碳电协同规划程序。所述处理器执行所述计算机程序时实现上述各个电源碳电协同规划方法实施例中的步骤，例如图1所示的步骤S1～S5。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成各个模块，各模块具体功能再次不作赘述。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电源碳电协同规划方法，其特征在于，所述方法包括：
获取风电机组和光伏机组的历史出力数据；
结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；
根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；
根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。
2.如权利要求1所述的电源碳电协同规划方法，其特征在于，在获取风电机组和光伏机组的历史出力数据之后，所述方法还包括：
对获取的历史出力数据进行归一化处理；
从归一化处理后的数据中剔除预设比例的极大值数据和极小值数据。
3.如权利要求1所述的电源碳电协同规划方法，其特征在于，所述风电机组出力可信度和所述光伏机组出力可信度的计算过程具体包括：
根据预建的概率密度函数的核估计模型分别计算光伏机组出力的核密度估计和风电机组出力的核密度估计；
将光伏机组出力的核密度估计和风电机组出力的核密度估计分别代入预建的出力可信度计算模型中，分别计算风电机组出力可信度和光伏机组出力可信度；
其中，所述概率密度函数的核估计模型为λPV＝∫f0.5(x)dx为所述出力可信度计算模型，λPV为风电机组出力可信度或光伏机组出力可信度，n为样本容量；K()是核函数，x1,x2,…,xn是光伏机组或风电机组的n个样本的历史出力数据，f0.5(x)是光伏机组出力的核密度估计或风电机组出力的核密度估计。
4.如权利要求1所述的电源碳电协同规划方法，其特征在于，所述电碳排放模型为：
其中，Ccoal和Cgas分别为燃煤机组和燃气机组在t0至t1时间段内的碳排放量；Pcoal(t)和Pgas(t)分别为t时刻燃煤机组有功功率和燃气机组有功功率；ρcoal和ρgas分别为燃煤机组、燃气机组的电碳排放因子。
5.如权利要求1所述的电源碳电协同规划方法，其特征在于，所述电力平衡约束为；
CapPVλPV,k+Capwindλwind,k+Capcoalλcoal+Capgasλgas+CapNuclearλNuclear+Capwaterλwater≥Pload,k；
所述电量平衡约束为：
所述碳量平衡约束为：
Capcoalhcoalρcoal+Capgashgasρgas≤Cmax；
其中，CapPV、Capwind、Capcoal、Capgas、CapNuclear和Capwater分别为光伏机组、风电机组、燃煤机组、燃气机组、核电机组和水电机组的装机容量，λPV,k和λwind,k分别为第k个月份光伏机组和风电机组的月度出力可信度，λcoal、λgas、λNuclear和λwater分别为燃煤机组、燃气机组、核电机组和水电机组的出力可信度，Pload,k为第k个月份的最大负荷；hPV,k和hwind,k分别为风电机组和光伏机组的月度利用小时数；hcoal、hgas、hNuclear和hwater分别为燃煤机组、燃气机组、核电机组和水电机组年度利用小时数；Eload为年度用电量；Cmax为年度允许碳排放的最大值。
6.如权利要求1所述的电源碳电协同规划方法，其特征在于，所述结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量，具体包括：
以各机组的投资成本与运行成本之和最小作为所述成本约束的目标函数，结合电力平衡约束、电量平衡约束和碳量平衡约束构建电源碳电协同规划模型；
利用线性规划求解算法求解所述电源碳电协同规划模型，得到规划各类型机组的新建装机预测容量。
7.一种电源碳电协同规划装置，其特征在于，所述装置包括：
数据获取模块，用于获取风电机组和光伏机组的历史出力数据；
可信度计算模块，用于结合风电机组和光伏机组出力特性分布，根据获取的历史出力数据基于核密度估计方法计算风电机组出力可信度和光伏机组出力可信度；
碳排放计算模块，用于根据各类型机组的生产参数构建各类型机组的电碳排放模型，确定各类型机组的碳排放特性；
约束模块，用于根据各类型机组装机容量、出力可信度和碳排放特性，构建电力平衡约束、电量平衡约束和碳量平衡约束；
协同规划模块，用于结合电力平衡约束、电量平衡约束、碳量平衡约束和成本约束构建电源碳电协同规划模型，求解得到规划各类型机组的新建装机预测容量。
8.如权利要求7所述的电源碳电协同规划装置，其特征在于，所述风电机组出力可信度和所述光伏机组出力可信度的计算过程具体包括：
根据预建的概率密度函数的核估计模型分别计算光伏机组出力的核密度估计和风电机组出力的核密度估计；
将光伏机组出力的核密度估计和风电机组出力的核密度估计分别代入预建的出力可信度计算模型中，分别计算风电机组出力可信度和光伏机组出力可信度；
其中，所述概率密度函数的核估计模型为λPV＝∫f0.5(x)dx为所述出力可信度计算模型，λPV为风电机组出力可信度或光伏机组出力可信度，n为样本容量；K()是核函数，x1,x2,…,xn是光伏机组或风电机组的n个样本的历史出力数据，f0.5(x)是光伏机组出力的核密度估计或风电机组出力的核密度估计。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的电源碳电协同规划方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的电源碳电协同规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310685079.5A CN116826859A (zh) | 2023-06-09 | 2023-06-09 | 一种电源碳电协同规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310685079.5A CN116826859A (zh) | 2023-06-09 | 2023-06-09 | 一种电源碳电协同规划方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116826859A true CN116826859A (zh) | 2023-09-29 |
Family
ID=88113825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310685079.5A Pending CN116826859A (zh) | 2023-06-09 | 2023-06-09 | 一种电源碳电协同规划方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116826859A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787750A (zh) * | 2023-12-29 | 2024-03-29 | 烽光新能(上海)科技发展有限公司 | 能源协同调度方法、装置、计算机设备及存储介质 |
-
2023
- 2023-06-09 CN CN202310685079.5A patent/CN116826859A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787750A (zh) * | 2023-12-29 | 2024-03-29 | 烽光新能(上海)科技发展有限公司 | 能源协同调度方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110247397B (zh) | 一种储能配置方法、系统、装置及可读存储介质 | |
| CN110348695B (zh) | 电力系统的灵活性评估方法、装置、设备及存储介质 | |
| CN116826859A (zh) | 一种电源碳电协同规划方法、装置、设备及存储介质 | |
| CN113488995B (zh) | 基于储能成本的共享储能容量优化配置方法和装置 | |
| CN112564160B (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
| CN109787217B (zh) | 基于风电多状态模型及机会成本修正的备用出清方法 | |
| CN112260267B (zh) | 一种包含风电的电网调度控制方法及装置 | |
| CN115659098A (zh) | 一种分布式新能源消纳能力计算方法、装置、设备及介质 | |
| CN116111580A (zh) | 电力优化调度方法、装置、设备及存储介质 | |
| CN110808614B (zh) | 新能源消纳能力计算方法、系统及存储介质 | |
| CN110571861B (zh) | 一种发电机组的输出电量的确定方法及装置 | |
| CN112560947A (zh) | 基于能源供需结构分析的聚类方法及装置 | |
| CN116760126B (zh) | 有功功率的确定方法、装置、电子设备及存储介质 | |
| CN116805804B (zh) | 一种水风光互补运行方法、装置、计算机设备及存储介质 | |
| CN117313415A (zh) | 风电场风机叶片延长改造选址评估方法、装置及存储介质 | |
| CN112183971B (zh) | 一种节能分配处理方法、装置、介质及终端设备 | |
| CN113809773A (zh) | 基于海上风电机组的电力系统生产模拟方法、装置及设备 | |
| CN116722585A (zh) | 一种基于市场化的抽水蓄能电站调度方法、介质及设备 | |
| CN117335483A (zh) | 一种基于交流并网优化海上风电场规模的方法及系统 | |
| CN118261469A (zh) | 一种输电网-储能联合规划综合评估方法及系统 | |
| CN116826858A (zh) | 氢电耦合电力系统的能量管理方法、装置、设备及介质 | |
| CN116093943A (zh) | 一种基于拟谱型配点法的含风电电力系统概率最优潮流确定方法、设备及介质 | |
| CN118297277A (zh) | 一种电网碳排放因子计算方法、装置、设备及存储介质 | |
| CN116127336A (zh) | 基于模型的自适应性聚类数据处理方法、处理器 | |
| CN117728460A (zh) | 省级电力系统储能优化配置方法、装置、设备及介质 |
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 |