CN116883030A - 一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法 - Google Patents
一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法 Download PDFInfo
- Publication number
- CN116883030A CN116883030A CN202211630588.XA CN202211630588A CN116883030A CN 116883030 A CN116883030 A CN 116883030A CN 202211630588 A CN202211630588 A CN 202211630588A CN 116883030 A CN116883030 A CN 116883030A
- Authority
- CN
- China
- Prior art keywords
- coal
- carbon
- price
- power plant
- model
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 136
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 136
- 239000003245 coal Substances 0.000 title claims abstract description 99
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000010248 power generation Methods 0.000 claims abstract description 32
- 230000005611 electricity Effects 0.000 claims abstract description 27
- 230000003442 weekly effect Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000008901 benefit Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 230000008451 emotion Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006477 desulfuration reaction Methods 0.000 claims description 3
- 230000023556 desulfurization Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 5
- 230000018199 S phase Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035899 viability Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,属于电力生产技术领域,构建迁移学习模型,预测全国碳排放市场碳资产价格;构建多源数据融合模型,预测煤炭和电力资产价格;基于燃煤电厂的售电收益、碳配额资产、碳排放成本和购煤成本,构建燃煤电厂发电生产利润模型;以生产利润最大为目标,以生产规则为约束,优化决策出电厂每周的碳排放量、煤炭采购量以及发电量。本发明有效避免电厂无法准确评估生产成本,进而无法最优化发电计划的问题,提出了碳、煤、电三类资产价格的预测方法,充分挖掘交易市场的数据特征,为燃煤电厂生产活动建立综合收益计算方法,有助于建立发电效益评价和管控措施,减少集中式碳交易和盲目式购煤的影响。
Description
技术领域
本发明属于电力生产技术领域,具体涉及一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法。
背景技术
随着全国碳排放权交易市场正式启动,电力行业成为首批纳入市场交易的示范行业。燃煤电厂作为高碳排发电企业,其碳排放成本成为影响生产收益的重要因素。
现有技术中仅将购煤成本和售电收益相结合,计算燃煤电厂的生产利润,并作为燃煤电厂生产优化的最终目标。然而,现有技术没有在发电生产计划中考虑燃煤电厂生产的碳排放成本,也没有考虑政府发放的碳配额资产,而是在碳排放履约期来临前集中式交易。这会导致电厂无法准确地综合评估企业生产成本,进而无法最优化地安排企业发电生产,降低其盈利和生存能力,无法发挥好煤电的基础保障性和系统调节性作用。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,能够对燃煤电厂生产成本进行综合评估,决策出每周最优的发电量、碳排放量和购煤量,从而指导煤电企业对生产活动进行科学合理的安排和规划。
实现上述目的的技术方案是:一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,包括以下步骤:
步骤S1,构建迁移学习模型,预测全国碳排放市场碳资产价格;
步骤S2,构建多源数据融合模型,预测煤炭和电力资产价格;
步骤S3,基于燃煤电厂的售电收益、碳配额资产、碳排放成本和购煤成本,构建燃煤电厂发电生产利润模型;
步骤S4,以生产利润最大为目标,以生产规则为约束,优化决策出电厂每周的碳排放量、煤炭采购量以及发电量。
进一步地,步骤S1中,基于迁移学习模型的碳价预测步骤如下:
S11:基于成熟碳交易市场的大量数据训练碳价预测原型模型;
令W={w1,w2,...,wn1},D={d1,d2,...,dn2}分别为神经网络的权值量集合和偏移量集合,T={T1,T2,...,Tm}为神经网络函数集,定义误差δ=∑[yt-TW,D(At)]2,最小化该误差,求得最优网络模型参数W*,D*;其中,yt是第t期的碳价格,At是t期之前跨度为T的碳价集合,LW,D是以随机给定的W,D为模型参数初值的函数集;
S12:基于新兴碳交易市场的少量数据训练碳价预测目标模型;
将步骤S11优化而得的模型参数W*,D*和神经网络模型迁移至目标碳市场,输入样本数据并计算误差最小化该误差Δ,优化获得碳价预测目标模型,其中,/>是以W*,D*为模型参数初值的函数集,zr是第r期的碳价格,Br是r期之前跨度为T的碳价集合。
进一步地,步骤S11和步骤S12中的神经网络为深度学习网络模型,深度学习神经网络包括输入层,隐藏层和输出层,首先对深度学习网络模型进行训练,然后通过训练好的模型计算结果。
进一步地,步骤S2中,将煤炭或电力资产的价格记为yp,与价格相关的市场交易量和交易金额记为yv,ya,与价格相关的交易者情绪值记为ys,则多源数据记为上述信息相融合的向量Y=[yp,yv,ya,ys];基于多源数据融合的资产价格预测步骤如下:
S21:计算一个星期,即连续5个交易日的多源数据信息均值向量
其中,n为某个交易日,i为交易日n之前的5个交易日,Yi是第i天的多源数据向量;在样本数据集中,从第6个交易日起,逐日计算多源数据均值向量,形成输入数据向量与此对应的输出数据向量为O=[yp6,yp7,...,ypm],m为样本总量;
S22:将样本数据的输入集和输出集输入智能学习模型E,其学习函数集为E={E1,E2,...,Et},t为函数个数;获取学习误差γ=1/(m-5)|O-E(I)|,最小化该误差,获得最优学习模型权值参数P*和偏移参数Q*;将待预测价格资产的输入数据向量n为待预测数据量,其中/>由样本集最后5日的多源数据按照S21中公式计算而得,以此方法逐日后移计算/>将I′输入智能学习模型E,获得资产价格预测值/>其中/>是以P*,Q*为模型参数的函数集。
进一步地,煤炭或电力资产的价格数据,交易量数据和交易金额数据来自于官方交易网站所公开的数据;与价格相关的交易者情绪值来自于交易者社区、微博的公众平台。
进一步地,其中,交易者情绪值ys计算方法为:
其中,nt为公众平台关键词文本中的词组个数,ei为自然处理语言字典中某个词组i的得分值,自然处理语言字典包括:SnowNLP,BosonNLP,CoreNLP,pyLTP或者pyNLPir常用的中文和英文情感分析词典。
进一步地,步骤S3中,构建的燃煤电厂发电生产利润模型如下:
Y=Vp+Va-Ve-αVc,
以此模型计算燃煤电厂发电生产利润Y,其中,Vp为售电全年收益,Va为政府分配的碳配额资产值,Ve为碳排放成本,Vc为购煤成本,α为燃煤电厂用水、脱硫脱硝、人工成本的折算系数。
进一步地,采用以下方式计算售电全年收益Vp:
其中,pl为约定的长期合同电价,为固定值;Ps,i为第i周竞价电价,为i周内5个交易日电价预测值的算术平均值;Ql,i为第i周长期合同电量,Qs,i为第i周竞价电量,m为全年周数;
采用以下方式计算碳配额资产Va:
Va=γHSA,
其中,γH为碳排放履约期碳价预测峰值,SA为政府免费发放的CEA碳配额;
采用以下方式计算碳排放成本Ve:
其中,γL为碳排放履约期碳价预测谷值,Si为第i周碳排放量,γL,r为CCER年度协议转让价,为固定值,ρ为允许CCER抵消CEA的最高比例,m为全年周数;
采用以下方式计算购煤成本Vc:
其中,λl为年度合约购煤价格,为固定值;λs,i为现货市场第i周购煤价格,为i周内5个交易日煤价预测值的算术平均值;Cl,i为年度合约购煤第i周分解量,Cs,i为现货市场第i周购煤量,m为全年周数。
进一步地,步骤S4中,在发电生产利润模型中加入生产规则约束,建立带多项相等和不等约束的最优化数学模型,通过求解该模型的最大化生产利润,来优化决策出电厂每周的碳排放量、煤炭采购量以及发电量。
进一步地,生产规则约束包括碳排放约束、计划发电量约束、年度合约总电量约束、每周煤耗量约束、煤炭库存约束、每周购煤量约束和发电机组出力约束。
有益效果:与现有技术相比,本发明具有以下优点:
本发明建立了完整的燃煤发电生产成本、发电利润、生产规则计算方法,有效避免了燃煤电厂无法准确评估生产成本,进而无法最优化发电计划的问题,提出了碳、煤、电三类资产价格的预测方法,充分地挖掘了交易市场的数据特征,为燃煤电厂生产活动建立综合收益计算方法,有助于建立发电效益评价和管控措施,减少集中式碳交易和盲目式购煤的影响。
附图说明
图1为本发明的一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法的流程架构图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,包括以下步骤:
步骤S1,构建迁移学习模型,预测全国碳排放市场碳资产价格。
步骤S2,构建多源数据融合模型,预测煤炭和电力资产价格。
步骤S3,基于燃煤电厂的售电收益、碳配额资产、碳排放成本和购煤成本,构建燃煤电厂发电生产利润模型。
步骤S4,以生产利润最大为目标,以生产规则为约束,优化决策出电厂每周的碳排放量、煤炭采购量以及发电量。
步骤S1中,构建迁移学习模型,预测全国碳排放市场碳资产价格。具体实现方法如下:
令(At,yt),t=1,2,...,M是来自成熟碳交易市场的第t期样本,其中 是t期之前跨度为T的碳价集合,at是该集合内的碳价,yt是第t期的碳价格。
令(Br,zr),r=1,2,...,N是新兴目标市场的第r期样本,其中 是r期之前跨度为T的碳价集合,br是该集合内的碳价,zr是第r期的碳价格。
令(Cs,ps),s=1,2,...,Q是新兴目标市场的第s期待预测数据,其中 是s期之前跨度为T的碳价集合,cs是该集合内的碳价,ps是待预测的第s期碳价格。
基于迁移学习模型的碳价预测步骤如下:
S11:基于成熟碳交易市场的大量数据训练碳价预测原型模型。
令W={w1,w2,...,wn1},D={d1,d2,...,dn2}分别为神经网络的权值量集合和偏移量集合,L={L1,L2,...,Lm}为神经网络函数集,定义误差δ=∑[yt-LW,D(At)]2,LW,D是以随机给定的W,D为模型参数初值的函数集,最小化该误差δ,求得最优网络模型参数W*,D*。具体实现过程如下:
本实施例采用的神经网络为深度学习神经网络,深度学习神经网络由输入层,隐藏层和输出层组成。
输入层节点为t期之前跨度为T的碳价At,节点个数为T;隐藏层节点个数为2n,n为自然数(本实施方式以n=8为例,则节点个数为256),激活函数为Sigmod函数σ(x)=1/(1+e-x);输出层节点为1个。权值量集合W={w1,w2,...,w256T+256}和偏移量D={d1,d2,...,d2s7}初始值为随机值,深度学习神经网络训练过程如下:
计算隐藏层第一个节点值:
计算隐藏层第二个节点值:
以此类推,计算所有256个隐藏层节点值,形成隐藏层节点值集合Ht={h1,h2,h3,...h256}。
计算输出层节点值:ot=σ(L257(Ht))=σ(L257(h1,h2,h3,…h256))=σ(h1w256T+1+h2w256T+2+…+h256w256T+256+d257)
计算t期输出值与t期真实值的训练误差:δt=(yt-ot)2
按照上述方法,计算样本中所有期的训练总误差δ=∑(yt-ot)2。利用最小二乘方法,计算总误差最小时的神经网络权值量W={w1,w2,...,w256T+256}和偏移量D={d1,d2,...,d257},由此确定深度学习神经网络最优参数W*和D*。
S12:基于新兴碳交易市场的少量数据训练碳价预测目标模型;将步骤S11优化而得的模型参数W*,D*和神经网络模型迁移至目标碳市场,输入样本数据并计算误差 是以W*,D*为模型参数初值的函数集。最小化该误差Δ,优化获得碳价预测目标模型参数W**,D**。具体实现过程如下:
神经网络模型是由S11迁移而来的深度学习神经网络,由输入层,隐藏层和输出层组成。
输入层节点为r期之前跨度为T的碳价Br,节点个数为T;隐藏层节点个数为2n,n=8,则节点个数为256,激活函数为Sigmod函数σ(x)=1/(1+e-x);输出层节点为1个。权值量集合W和偏移量集合D的初始值为S11迁移而来的W*,D*,深度学习神经网络训练过程如下:
计算隐藏层第一个节点值:
计算隐藏层第二个节点值:
以此类推,计算所有256个隐藏层节点值,形成隐藏层节点值集合Hr={h1,h2,h3,...h256}。
计算输出层节点值:or=σ(L257(Hr))=σ(L257(h1,h2,h3,...h256))=σ(h1w256T+1+h2w256T+2+...+h256w256T+256+d257)
计算r期输出值与r期真实值的训练误差:δr=(zr-or)2
按照上述方法,计算样本中所有期的训练总误差δ=∑(zr-or)2。利用最小二乘方法,计算总误差最小时的神经网络权值量W={w1,w2,...,w256T+256}和偏移量D={d1,d2,...,d257},由此确定深度学习神经网络最优参数W**和D**。
S13:基于训练出的碳价预测目标模型,输入待预测数据,获得待预测价格。具体实现过程如下:
神经网络模型是由S12训练而得的深度学习神经网络,由输入层,隐藏层和输出层组成。
输入层节点为s期之前跨度为T的碳价Cs,节点个数为T;隐藏层节点个数为2n,n=8,则节点个数为256,激活函数为Sigmod函数σ(x)=1/(1+e-x);输出层节点为1个。权值量集合W和偏移量集合D的值为S12训练而得的W**,D**,深度学习神经网络预测过程如下:
计算隐藏层第一个节点值:
计算隐藏层第二个节点值:
以此类推,计算所有256个隐藏层节点值,形成隐藏层节点值集合Hs={h1,h2,h3,...h256}。
计算输出层节点值:os=σ(L257(Hs))=σ(L257(h1,h2,h3,...h256))=σ(h1w256T+1+h2w256T+2+...+h256w256T+256+d257)
输出层节点值os即为待预测的第s期碳价格ps,由此实现新兴碳交易市场的碳价预测。
步骤S2中,构建多源数据融合模型,预测煤炭和电力资产价格。具体实现方法如下:
煤炭或电力资产的价格记为yp,与价格相关的市场交易量和交易金额记为yv,ya,与价格相关的交易者情绪值记为ys,则多源数据记为上述信息相融合的向量Y=[yp,yv,ya,ys]。煤炭或电力资产的价格数据,交易量数据和交易金额数据来自于官方交易网站所公开的数据。与价格相关的交易者情绪值来自于交易者社区、微博等公众平台;其中,交易者情绪值ys计算方法为:
其中,nt为公众平台关键词文本中的词组个数,ei为自然处理语言字典中某个词组i的得分值。自然处理语言字典包括:SnowNLP,BosonNLP,CoreNLP,pyLTP,pyNLPir等常用的中文和英文情感分析词典。
基于多源数据融合的资产价格预测步骤如下:
S21:计算一个星期,即连续5个交易日的多源数据信息均值向量
其中,n为某个交易日,i为交易日n之前的5个交易日,Yi是第i天的多源数据向量。在样本数据集中,从第6个交易日起,逐日计算多源数据均值向量,形成输入数据向量与此对应的输出数据向量为O=[yp6,yp7,...,ypm],m为样本总量。
S22:将样本数据的输入集和输出集输入智能学习模型E,该模型由学习函数集构成E={E1,E2,...,Et},t为函数个数。获取学习误差γ=1/(m-5)|O-E(I)|,最小化该误差,获得最优模型权值参数P*和偏移参数Q*;将待预测价格资产的输入数据向量n为待预测数据量,其中/>由样本集最后5日的多源数据按照S21中公式计算而得,以此方法逐日后移计算/>将I′输入智能学习模型E,获得资产价格预测值/>其中/>是以P*和Q*为模型参数的函数集。
智能学习模型E为深度学习网络模型,模型训练具体实现过程如下:
深度学习神经网络输入层节点为某个交易日u所对应的多源数据信息均值向量节点个数为4;隐藏层节点个数为2n,n为自然数(本实施方式以n=6为例,则节点个数为64),激活函数为Sigmod函数σ(x)=1/(1+e-x);输出层节点为1个。权值量集合P={p1,p2,…,p320}和偏移量Q={q1,q2,...,q65}初始值为随机值,深度学习神经网络训练过程如下:
计算隐藏层第一个节点值: 分别表示某个交易日u之前的5个交易日所对应的煤炭或电力资产的价格均值、与价格相关的市场交易量均值、与价格相关的市场交易金额均值、与价格相关的交易者情绪值均值,计算方法为步骤S21中的公式。
计算隐藏层第二个节点值:
以此类推,计算所有64个隐藏层节点值,形成隐藏层节点值集合Hu={h1,h2,h3,...h64}。
计算输出层节点值:ou=σ(E65(Hu))=σ(E65(h1,h2,h3,...h64))=σ(h1p257+h2p258+...+h64p320+q65)
计算交易日u输出值与真实值的训练误差:δu=(ypu-ou)2,ypu表示某个交易日u的煤炭或电力资产的真实价格。
按照上述方法,计算样本中所有交易日的训练总误差δ=∑(ypu-ou)2。利用最小二乘方法,计算总误差最小时的神经网络权值量P={p1,p2,…,p320}和偏移量Q={q1,q2,...,q65},由此确定深度学习神经网络最优参数P*和Q*。
深度学习网络模型训练完成后,利用该模型预测煤炭和电力资产的价格。煤炭和电力资产价格的预测过程一致,以煤炭价格预测为例,具体实现过程如下:
神经网络模型输入层节点为某个交易日v所对应的多源数据信息均值向量节点个数为4;隐藏层节点个数为2n,n=6,则节点个数为64,激活函数为Sigmod函数σ(x)=1/(1+e-x);输出层节点为1个。权值量集合P和偏移量集合Q的值为训练而得的P*,Q*,预测过程如下:
计算隐藏层第一个节点值: 分别表示某个待预测交易日v之前的5个交易日所对应的煤炭或电力资产的价格均值、与价格相关的市场交易量均值、与价格相关的市场交易金额均值、与价格相关的交易者情绪值均值,计算方法为步骤S21中的公式。
计算隐藏层第二个节点值:
以此类推,计算所有64个隐藏层节点值,形成隐藏层节点值集合H’v={h1’,h2’,h3’,...h64’}。
计算输出层节点值:o’v=σ(E65(H′v))=σ(E65(h1’,h2’,h3’,...h64’))=σ(h1′p257+h2′p258+...+h64′p320+q65)
输出层节点值o′v即为待预测的第v交易日的煤碳价格,对所有待预测交易日输入数据执行上述计算过程,形成煤炭预测价格集合O′,实现对煤炭资产价格的预测。
步骤S3中,基于燃煤电厂的售电收益、碳配额资产、碳排放成本和购煤成本,构建燃煤电厂发电生产利润模型过程如下:
采用以下方式计算售电全年收益Vp:
其中,pl为约定的长期合同电价,为固定值;Ps,i为第i周竞价电价,为i周内5个交易日电价预测值的算术平均值;Ql,i为第i周长期合同电量,Qs,i为第i周竞价电量,m为全年周数。
采用以下方式计算碳配额资产Va:
Va=γHSA,
其中,γH为碳排放履约期碳价预测峰值,SA为政府免费发放的CEA碳配额;
采用以下方式计算碳排放成本Ve:
其中,γL为碳排放履约期碳价预测谷值,Si为第i周碳排放量,γL,r为CCER年度协议转让价,为固定值,ρ为允许CCER抵消CEA的最高比例,m为全年周数;
采用以下方式计算购煤成本Vc:
其中,λl为年度合约购煤价格,为固定值;λs,i为现货市场第i周购煤价格,为i周内5个交易日煤价预测值的算术平均值;Cl,i为年度合约购煤第i周分解量,Cs,i为现货市场第i周购煤量,m为全年周数。
基于以上数据,获得发电生产利润模型如下:
Y=Vp+Va-Ve-αVc,
以此模型计算燃煤电厂发电生产利润Y,其中,α为燃煤电厂用水、脱硫脱硝、人工等成本的折算系数,依据工程经验,α取值1.43。
步骤S4中,以生产利润最大为目标,以生产规则为约束,优化决策出电厂每周的碳排放量、煤炭采购量以及发电量,实现过程如下:
确定生产规则约束包括碳排放约束、计划发电量约束、年度合约总电量约束、每周煤耗量约束、煤炭库存约束、每周购煤量约束和发电机组出力约束。
碳排放约束为:Si=rs(Ql,i+Qs,i),i=1,2,...,52,其中rs为供电碳排放强度。
计划发电量约束为:Qi,min≤Ql,i+Qs,i≤Qi,max,i=1,2,...,52,其中Qi,max,Qi,min分别为第i周的最高、最低发电量,由计划发电量上下浮动5%来确定。
年度合约总电量约束为:0≤Ql≤Ql,max,其中Ql=∑Ql,i,Ql,max为长期(年度)合约总电量最大值。
每周煤耗量约束为:Bi=rb(Ql,i+Qs,i),i=1,2,...,52,其中Bi为第i周消耗的标准煤炭量,rb为单位电力标准煤消耗率。
煤炭库存约束为:
Ri=Ri-1+Cl,i+Cs,i-Bi,i=1,2,...,52
Rmin≤Ri≤Rmax,i=1,2,...,52,
R52=R0
其中,Ri为第i周末的煤炭库存,R0、R52分别为初始和年底煤炭库存,Rmin、Rmax分别为最小、最大煤炭库存。
每周购煤量约束为:Cs,i≥0,i=1,2,...,52。
发电机组出力约束为:Pmin≤Pj≤Pmax,j=1,2,...,其中,最大出力Pmax为机组额定功率,最小出力Pmin一般为额定功率的40%,j表示电厂内任一台机组,正常情况下机组每天出力时间为24小时。
在发电生产利润模型中加入生产规则约束,建立带多项相等和不等约束的最优化数学模型如下:
S.T. Si=rs(Ql,i+Qs,i),i=1,2,...,m
Qi,min≤Ql,i+Qs,i≤Qi,max,i=1,2,...,m
0≤Ql≤Ql,max
Bi=rb(Ql,i+Qs,i),i=1,2,...,m
Ri=Ri-1+Cl,i+Cs,i-Bi,i=1,2,...,m
Rmin≤Ri≤Rmax,i=1,2,...,m
R52=R0
Cs,i≥0,i=1,2,...,m
Pmin≤Pj≤Pmax,j=1,2,...
本实施例以周数为例构建优化模型,m为一年的周数。但本专利的方法不限于周度规划,也可以适用日度,月度或季度规划情形。
通过求解该模型的最大化生产利润,来优化决策出电厂每周的碳排放量Si、每周合约煤采购量Cl,i,现货煤采购量Cs,i,合同发电量Ql,i以及竞价发电量Qs,i。
本发明建立了完整的燃煤发电生产成本、发电利润、生产规则计算方法,有效避免了电厂无法准确评估生产成本,进而无法最优化发电计划的问题,提出了碳、煤、电三类资产价格的预测方法,充分地挖掘了交易市场的数据特征,为燃煤电厂生产活动建立综合收益计算方法,有助于建立发电效益评价和管控措施,减少集中式碳交易和盲目式购煤的影响。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明发明,而非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (10)
1.一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,包括以下步骤:
步骤S1,构建迁移学习模型,预测全国碳排放市场碳资产价格;
步骤S2,构建多源数据融合模型,预测煤炭和电力资产价格;
步骤S3,基于燃煤电厂的售电收益、碳配额资产、碳排放成本和购煤成本,构建燃煤电厂发电生产利润模型;
步骤S4,以生产利润最大为目标,以生产规则为约束,优化决策出电厂每周的碳排放量、煤炭采购量以及发电量。
2.根据权利要求1所述的一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,步骤S1中,基于迁移学习模型的碳价预测步骤如下:
S11:基于成熟碳交易市场的大量数据训练碳价预测原型模型;
令W={w1,w2,...,wn1},D={d1,d2,...,dn2}分别为神经网络的权值量集合和偏移量集合,T={T1,T2,...,Tm}为神经网络函数集,定义误差δ=∑[yt-TW,D(At)]2,最小化该误差,求得最优网络模型参数W*,D*;其中,yt是第t期的碳价格,At是t期之前跨度为T的碳价集合,LW,D是以随机给定的W,D为模型参数初值的函数集;
S12:基于新兴碳交易市场的少量数据训练碳价预测目标模型;
将步骤S11优化而得的模型参数W*,D*和神经网络模型迁移至目标碳市场,输入样本数据并计算误差最小化该误差Δ,优化获得碳价预测目标模型,其中,是以W*,D*为模型参数初值的函数集,zr是第r期的碳价格,Br是r期之前跨度为T的碳价集合。
3.根据权利要求2所述的考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,步骤S11和步骤S12中的神经网络为深度学习网络模型,深度学习神经网络包括输入层,隐藏层和输出层,首先对深度学习网络模型进行训练,然后通过训练好的模型计算结果。
4.根据权利要求1所述的一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,步骤S2中,将煤炭或电力资产的价格记为yp,与价格相关的市场交易量和交易金额记为yv,ya,与价格相关的交易者情绪值记为ys,则多源数据记为上述信息相融合的向量Y=[yp,yv,ya,ys];基于多源数据融合的资产价格预测步骤如下:
S21:计算一个星期,即连续5个交易日的多源数据信息均值向量
其中,n为某个交易日,i为交易日n之前的5个交易日,Yi是第i天的多源数据向量;在样本数据集中,从第6个交易日起,逐日计算多源数据均值向量,形成输入数据向量与此对应的输出数据向量为O=[yp6,yp7,...,ypm],m为样本总量;
S22:将样本数据的输入集和输出集输入智能学习模型E,该模型由学习函数集构成E={E1,E2,...,Et},t为函数个数;获取学习误差γ=1/(m-5)|O-E(I)|,最小化该误差,获得最优模型权值参数P*和偏移参数Q*;将待预测价格资产的输入数据向量n为待预测数据量,其中/>由样本集最后5日的多源数据按照S21中公式计算而得,以此方法逐日后移计算/>将I′输入智能学习模型E,获得资产价格预测值/>其中/>是以P*,Q*为模型参数的函数集。
5.根据权利要求4所述的考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,煤炭或电力资产的价格数据,交易量数据和交易金额数据来自于官方交易网站所公开的数据;与价格相关的交易者情绪值来自于交易者社区、微博的公众平台。
6.根据权利要求4所述的考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,交易者情绪值ys计算方法为:
其中,nt为公众平台关键词文本中的词组个数,ei为自然处理语言字典中某个词组i的得分值,自然处理语言字典包括:SnowNLP,BosonNLP,CoreNLP,pyLTP或者pyNLPir常用的中文和英文情感分析词典。
7.根据权利要求1所述的考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,步骤S3中,构建的燃煤电厂发电生产利润模型如下:
Y=Vp+Va-Ve-αVc,
以此模型计算燃煤电厂发电生产利润Y,其中,Vp为售电全年收益,Va为政府分配的碳配额资产值,Ve为碳排放成本,Vc为购煤成本,α为燃煤电厂用水、脱硫脱硝、人工成本的折算系数。
8.根据权利要求7所述的一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,采用以下方式计算售电全年收益Vp:
其中,pl为约定的长期合同电价,为固定值;ps,i为第i周竞价电价,为i周内5个交易日电价预测值的算术平均值;Ql,i为第i周长期合同电量,Qs,i为第i周竞价电量,m为全年周数;
采用以下方式计算碳配额资产Va:
Va=γHSA,
其中,γH为碳排放履约期碳价预测峰值,SA为政府免费发放的CEA碳配额;
采用以下方式计算碳排放成本Ve:
其中,γL为碳排放履约期碳价预测谷值,Si为第i周碳排放量,γL,r为CCER年度协议转让价,为固定值,ρ为允许CCER抵消CEA的最高比例,m为全年周数;
采用以下方式计算购煤成本Vc:
其中,λl为年度合约购煤价格,为固定值;λs,i为现货市场第i周购煤价格,为i周内5个交易日煤价预测值的算术平均值;Cl,i为年度合约购煤第i周分解量,Cs,i为现货市场第i周购煤量,m为全年周数。
9.根据权利要求1所述的一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于,步骤S4中,在发电生产利润模型中加入生产规则约束,建立带多项相等和不等约束的最优化数学模型,通过求解该模型的最大化生产利润,来优化决策出电厂每周的碳排放量、煤炭采购量以及发电量。
10.根据权利要求1所述的一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法,其特征在于:生产规则约束包括碳排放约束、计划发电量约束、年度合约总电量约束、每周煤耗量约束、煤炭库存约束、每周购煤量约束和发电机组出力约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211630588.XA CN116883030A (zh) | 2022-12-15 | 2022-12-15 | 一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211630588.XA CN116883030A (zh) | 2022-12-15 | 2022-12-15 | 一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883030A true CN116883030A (zh) | 2023-10-13 |
Family
ID=88261016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211630588.XA Pending CN116883030A (zh) | 2022-12-15 | 2022-12-15 | 一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883030A (zh) |
-
2022
- 2022-12-15 CN CN202211630588.XA patent/CN116883030A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scott et al. | Modelling hydro reservoir operation in a deregulated electricity market | |
CN109428344B (zh) | 含风电场的多电源投资规划方法和装置 | |
Fridgen et al. | Providing utility to utilities: the value of information systems enabled flexibility in electricity consumption | |
CN112651770A (zh) | 电力现货市场售电商负荷申报优化方法及系统 | |
Movahednasab et al. | A system dynamics analysis of the long run investment in market‐based electric generation expansion with renewable resources | |
Lu et al. | An interval prediction method for day-ahead electricity price in wholesale market considering weather factors | |
Anosike et al. | Analysis of Nigerian electricity generation multi year tariff order pricing model | |
Lee et al. | Currency exchange rate prediction with long short-term memory networks based on attention and news sentiment analysis | |
JP2022079368A (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
Elkabalawy et al. | Optimized resource-constrained method for project schedule compression | |
CN116883030A (zh) | 一种考虑碳排放成本和购煤成本的燃煤电厂生产优化方法 | |
CN111126716A (zh) | 一种基于极端梯度提升算法预测电价的系统模型 | |
Hakam | Market power modelling in electricity market: A critical review | |
CN116205368A (zh) | 一种基于系统动力学的电网项目投资组合优化方法及系统 | |
Khodorovsky et al. | Optimization of financing investments in a power-generation company | |
CN115879975A (zh) | 基于用电企业建设分布式光伏的电力零售套餐制定方法 | |
CN115049314A (zh) | 一种干线运输自备车队规模优化方法 | |
Albers | Stochastic programming tools with application to hydropower production scheduling | |
Vardanyan et al. | Optimal bidding of a profit-maximizing hydropower producer in day-ahead and real-time markets | |
Bartelsman | From new technology to productivity | |
Kim | Improved genetic algorithm for resource-constrained scheduling of large projects | |
Dimoski et al. | Hydropower reservoir management using multi-factor price model and correlation between price and local inflow | |
Lu et al. | Mid-term scheduling and trading decisions for cascade hydropower stations considering multiple variable uncertainties | |
Burchett et al. | The application of the risk management process in capital investment decisions for EHV transmission line projects | |
Steber et al. | A comprehensive electricity market model using simulation and optimization techniques |
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 |