CN117114718B - 碳排放管理方法、装置、电子设备和存储介质 - Google Patents
碳排放管理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117114718B CN117114718B CN202311363974.1A CN202311363974A CN117114718B CN 117114718 B CN117114718 B CN 117114718B CN 202311363974 A CN202311363974 A CN 202311363974A CN 117114718 B CN117114718 B CN 117114718B
- Authority
- CN
- China
- Prior art keywords
- node
- power
- representing
- time
- carbon
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 176
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 176
- 238000007726 management method Methods 0.000 title claims abstract description 28
- 238000010248 power generation Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000004146 energy storage Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect 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
- G06Q30/018—Certifying business or products
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开提供了一种碳排放管理方法、装置、电子设备和存储介质。具体实现方案为:基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建电力系统的碳排放强度的不确定性影响参数分布模型;基于不确定性影响参数分布模型,对电力系统的第一碳流模型进行调整,得到电力系统的概率碳流模型;基于电力系统的概率碳流模型以及各个节点中电动汽车的充电功率,构建针对各个节点中电动汽车的间接排放量的第一约束条件;利用第一约束条件,对电力系统的发电成本函数求解最小值,得到电力系统中各个节点的发电与储能调度策略。采用本公开的技术方案,可以减少电力系统的碳排放。
Description
技术领域
本公开涉及电力技术领域,尤其涉及电碳排放管理领域。本公开具体涉及一种碳排放管理方法、装置、电子设备和存储介质。
背景技术
随着全球对于气候变化的关注度不断升高,对减少各个领域,例如交通和电力生成领域的温室气体的排放也得到了更高的关注。而且,对碳排放尤其关注。电动汽车作为传统汽油动力汽车的替代品而崭露头角,因为它们有可能减少交通领域的碳排放。然而,如果为电动汽车充电的电力是通过对煤等化石燃料进行转化而提供的,那么电动汽车在减少排放方面的优势可能会受到损害,会增加碳排放。
现有的一些技术已经提出了各种策略来管理电力生成方面的碳排放,例如过渡到可再生能源。然而,碳排放的根本驱动因素是消费者的需求,特别是电动汽车不断增长的充电功率需求。因此,需要一种有效的电动汽车碳足迹管理策略,该策略从消费和生成的角度解决排放问题。
在现有的碳排放流模型中,其是确定性的,没有充分考虑与电动汽车的充电需求和电力的碳强度相关的各种不确定性。而且,这种模型也缺乏管理电动汽车碳足迹的方法,并且没有为刺激需求侧措施以减少碳排放提供技术基础。
此外,对碳排放进行的现有方法通常是需要较高算力的,例如蒙特卡洛模拟,这需要较多的时间进行计算,从而对实时性要求较高的应用来说,这种方案是不适用的。
发明内容
本公开提供了一种碳排放管理方法、装置、电子设备和存储介质,能够解决上述问题。
根据本公开的一方面,提供了一种碳排放管理方法,包括:
基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建所述电力系统的碳排放强度的不确定性影响参数分布模型;
基于所述不确定性影响参数分布模型,对所述电力系统的第一碳流模型进行调整,得到所述电力系统的概率碳流模型;
基于所述电力系统的概率碳流模型以及各个所述节点中电动汽车的充电功率,构建针对各个所述节点中电动汽车的间接排放量的第一约束条件;
利用所述第一约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略。
根据本公开的另一方面,提供一种碳排放管理装置,包括:
不确定性模型构建模块,用于基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建所述电力系统的碳排放强度的不确定性影响参数分布模型;
概率碳流模型构建模块,用于基于所述不确定性影响参数分布模型,对所述电力系统的第一碳流模型进行调整,得到所述电力系统的概率碳流模型;
约束条件构建模块,用于基于所述电力系统的概率碳流模型以及各个所述节点中电动汽车的充电功率,构建针对各个所述节点中电动汽车的间接排放量的第一约束条件;
调度策略生成模块,用于利用所述第一约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开实施例中任一碳排放管理方法。
根据本公开的技术,利用可再生能源的历史产电量和电动汽车的历史充电功率这些不确定性因素对历史碳排放强度的影响,可以构建得到碳排放强度的不确定性影响参数分布模型,从而,利用不确定性影响参数分布模型对碳流模型进行调整,可以得到考虑了与电动汽车的充电需求、可再生能源的产电量相关的各种不确定性因素的概率碳流模型。进而,以该概率碳流模型构建相应的约束条件,并以该约束条件对电网系的发电成本函数求解最小,以使得满足这些约束条件并且发电成本最小的发电与储能的调度的策略。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开一实施例的碳排放管理方法的流程图;
图2是本公开另一实施例的碳排放管理方法的流程图;
图3是本公开另一实施例的碳排放管理方法的流程图;
图4是本公开一实施例的碳排放管理装置的结构框图;
图5是用来实现本公开实施例的碳排放管理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本公开一实施例的碳排放管理方法的流程图。
如图1所示,该碳排放管理方法,可以包括:
S110,基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建电力系统的碳排放强度的不确定性影响参数分布模型;
S120,基于不确定性影响参数分布模型,对电力系统的第一碳流模型进行调整,得到电力系统的概率碳流模型;
S130,基于电力系统的概率碳流模型以及各个节点中电动汽车的充电功率,构建针对各个节点中电动汽车的间接排放量的第一约束条件;
S140,利用第一约束条件,对电力系统的发电成本函数求解最小值,得到电力系统中各个节点的发电与储能调度策略。
其中,对于可再生能源的历史产电量、电动汽车的历史充电功率以及各个节点的历史碳排放强度等信息,可以预先获取。
其中,发电与储能调度策略包括各个节点中在各个时间点的可再生能源的规划发电量以及各个节点中在各个时间点的电池的储能量。该调度策略在满足第一约束条件的情况下,能够使电力系统的发电成本最低。
根据上述实施方式,利用可再生能源的历史产电量和电动汽车的历史充电功率这些不确定性因素对历史碳排放强度的影响,可以构建得到碳排放强度的不确定性影响参数分布模型,从而,利用不确定性影响参数分布模型对碳流模型进行调整,可以得到考虑了与电动汽车的充电需求、可再生能源的产电量相关的各种不确性因素的概率碳流模型。进而,以该概率碳流模型构建相应的约束条件,并以该约束条件对电网系的发电成本函数求解最小,以使得满足这些约束条件并且发电成本最小的发电与储能的调度的策略。
以下将介绍概率碳流模型的构建过程,具体如下:
在电力系统中,潮流模型可以表示为如下公式:
(1)
(2)
(3)
(4)
其中,表示第i个节点在时间t的火电机组的有功输出功率,/>第i个节点在时间t的第z类可再生能源的发电量,/>表示第i个节点在时间t的电动汽车以外的功率需求,表示第i个节点在时间t的电动汽车的充电功率,/>和/>表示第i个节点在时间t的电池的充电功率和放电功率,/>表示可再生能源的类型集合,/>第i个节点注入第j个节点的有功功率流,/>表示可再生能源的类型集合,/>表示第i个节点相邻的节点集合;
其中,表示第i个节点在时间t的火电机组的无功输出功率,/>表示第i个节点在时间t的电动汽车以外的无功输出功率,/>表示第i个节点注入第j个节点的无功功率流;
其中,表示第i个节点在时间t的节点电压,/>表示第j个节点在时间t的节点电压,/>表示第i个节点与第j个节点在时间t的相位角,/>和/>表示第i个节点与第j个节点之间的电导和电纳。
基于上述的潮流模型,可以计算传统碳流模型中的节点强度,具体如下:
(5)
其中,表示第i个节点在时间t的碳排放强度,/>表示第i个节点在时间t的火电机组的碳排放强度,/>表示第b个传输线在时间t的功率流,/>表示有功功率注入第i个节点的传输线的集合;/>表示第b个传输线的碳排放强度。
其中,碳排放强度的含义是指每单位电力消耗所排放的二氧化碳量。较低的碳排放强度意味着发电效率更高、污染更小,而较高的碳排放强度则意味着效率更低、污染更大。在公式(5)中,第i个节点的碳排放强度等于第i个节点的总碳排放注入除以第i个节点的总功率注入。
然而,传统的碳流模型没有考虑电力系统中的电池储能。考虑到将电池集成到电力系统中,我们对传统的碳流模型进行了调整。电池储能有三种工作状态,即充电、放电和空闲。电池储能空闲时,电池储能的碳排放强度不会发生变化。电池储能在充电时,可以将其视为从电网吸收能量的负载。在这个过程中,电池储能的碳排放强度将受到吸收能量的碳排放强度的影响。当电池储能放电时,它可以被重新用作发电机,碳排放强度不会改变。因此,提出了电池储能的节点碳强度演化方程,如方程(6)所示:
(6)
其中,表示第i个节点在时间t+1的电池的碳排放强度,/>表示第i个节点在时间t的电池的碳排放强度,/>表示第i个节点的电池的能量存储量,/>表示时间t+1与时间t的时间间隔。
从而,碳流模型(即本公开实例中的第一碳流模型),可以重新表示为如下公式:
(7)
,/>(8)
其中,表示功率注入点。
从上述第一碳流模型可以发现,功率流和碳流都受到可再生能源的产电量和电动汽车的电力需求的不确定性影响。因此,将确定的第一碳流模型进一步扩展为概率碳流模型。
假设有m个不确定的输入参数,输出变量(概率碳流模型中的节点的碳排放强度)可以通过非线性函数表示,如下所示:
(9)
本公开采用2m+1点估计方法对概率碳流进行建模。2m+1点估计方是一种用于估计电力系统参数不确定性,并将这种不确定性纳入优化过程的技术。在该方案中,从观测数据中随机选择m个数据点,并基于这m个数据点将估计分布参数。该过程再重复2次,每次使用m个数据点的新随机选择。
不确定性参数的位置分布/>由以下因素决定:
(10)
其中,是随机输入参数/>标准位置,/>和/>是随机输入参数/>的平均值和标准差。
然后,可以推导出标准位置和重量。标准位置是指表示电力系统参数不确定性的概率分布的中心趋势的鲁棒估计器。权重是指不确定电力系统参数的每个场景的符号值,取决于其发生的概率。标准位置可以公式化为:
(11)
其中,和/>是的偏度和峰度系数,它们可以计算为:
(12)
对于每个,其权重可以表示为:
,/>(13)
(14)
对于每对(,/>),输出变量可以计算为:
(15)
然后,变量的第n个原始矩可以估计为:
(16)
基于公式(16),所提出的概率碳流模型,节点的概率碳排放强度的估计值可以表示为:
(17)
其中,表示第i个节点在时间t的概率碳排放强度;/>表示第i个节点在时间t的输出变量集合。
以下介绍,基于概率碳流模型构建第一约束条件的过程,具体如下:
如果电力不是来自可再生能源,电动汽车不会导致直接碳排放,但会因充电行为而导致间接碳排放。基于碳流模型可以实现电动汽车的碳足迹跟踪。电动汽车的间接排放量等于电动汽车的充电功率乘以其相应节点的碳排放强度,如下所示:
(18)
其中,表示电动汽车的间接排放量。
基于概率碳流模型,电动汽车充电的预期碳排放可以限制为:
(19)
其中,是电动汽车的间接排放量上限值。
此外,可以制定一个机会约束的电动汽车足迹上限标准,如下所示:
(20)
其中,等式(20)意味着节点i在时间t的电动汽车导致的间接排放量小于的概率应该大于/>,/>表示电动汽车的间接排放量上限值。
对于上述公式中的电动汽车的充电功率,需要预先进行测试。电动汽车有以下三种充电方式:在快速充电站充电、在充电桩充电和在家用墙上电动汽车插座上充电。通常,快速充电站和充电桩的充电需求可以从企业获得,因为配备了先进的计量基础设施来计算充电功率。然而,在住宅中,配备的智能电表读取整个用电量数据,包括其他电器。因此,需要对家用墙上插座的电动汽车充电功率进行分类识别。
在一种实施方式中,基于尺度和权重递归图的神经网络,对各个节点中的电动汽车通过家用壁挂式电动汽车充电插座进行充电的充电功率进行检测与识别,得到各个节点的电动汽车通过家用壁挂式电动汽车充电插座进行充电的充电功率。
在本示例中,将基于深度神经网络的非侵入式负荷识别技术应用于家用壁挂式插座,以对电动汽车的充电负荷进行监测。非侵入式负荷识别有两个基本任务,即状态检测和负载分解。考虑到这两个任务之间的强相关性,多任务结构可以充分利用共享的信息来提高整个监控性能。多任务学习是通过利用共享底层来提取一般特征来实现的,并且在底层表示的顶部为每个任务设计了一个特定的塔层。
任务1:状态检测。状态检测是通过观察时间序列中的聚合负载来识别电动汽车的充电/空闲状态/>(映射/>到/>)。
任务2:负荷分解。在本发明中,我们主要关注电动汽车充电功率的监测值,并将其他电器的消耗视为噪声(/>映射到/>),如下所示:
(21)
其中,和/>表示充电功率的噪声。
对于状态检测,损失函数可以表示为:
(22)
其中,是充电/空闲状态/>的预测值;/>是聚合负载;/>是共享层的参数;/>是状态检测塔的参数。
对于负荷分解,损失函数可以表示:
(23)
其中,为荷载分解塔的参数。
需要注意的是,等式(23)不同于基本均方误差损失函数,因为当电动汽车处于空闲状态时,该电动汽车的功耗为0,即,其中,/>是用墙上插座对电动汽车输出的功率。
从智能电表的读数中,分解出通过家用墙上插座()对电动汽车进行充电的充电功率。在节点i对应的区域内,将该充电功率与通过快速充电站和充电桩的方式来对电动汽车进行充电的充电功率进行聚合,可以计算得到节点i处的电动汽车总充电功率(/>)。
本公开提出了一种基于尺度和权重递归图的神经网络(Scale-and-WeightRecurrence Graph-based neural network,SWRNet)来实现多任务学习。其中,SWRNet包括:专家学习器、门和塔楼。
其中,专家学习器是,考虑到非侵入式负荷识别的两项任务之间的强相关性,专家学习者充当了学习共享专家信息的共享底层。在专家学习器中,输入首先通过加权递归图(weighted recurrence graph, WRG)块。WRG可以解释时间序列的内部结构,并提供关于相似性、信息和可预测性的先验知识。它是分析时间序列的周期性、混沌性和非平稳性的一种方法。WRG使用加权距离相似性矩阵来表示和可视化信号中的结构模式。
(24)
其中,是距离相似性矩阵中的元素,/>是以欧拉范数测量的距离相似性函数,表示为:/>。请注意/>,/>。与传统的递归图相比,WRG产生了更多的值,而不是二进制值,因此可以提取更详细的特征。
然后,在专家学习器中使用了三个扩展的时间卷积网络(temporalconvolutional network,TCN)层。TCN可以使用不同的膨胀因子来探索不同长度的复曲面信息。通过扩张TCN,可以获得网络的尺度感知,使网络能够在不同尺度上保持最重要的特征图。
门:门汇集了共享的专家信息和特定任务的信息。对于每项任务,都会建立一个单独的门。这些门是基于自我注意机制设计的,因此,可以关注最具形成性的组成部分。
塔楼:塔楼将输出关于其各自扩张目标的最终分类和回归结果。塔架由两个全连接层组成。
根据上述实施方式,可以准确地获取各个节点的电动汽车的总充电功率。
以下将介绍发电成本函数及其约束条件,具体如下:
在本公开中,碳足迹管理是通过规划可再生能源机组的发电量和灵活调度电池的储能来实现的,同时限制火力发电机的直接碳排放和电动汽车的间接碳排放。
在一种实施方式中,发电成本函数为:
(25)
其中,表示电力系统中火电机组的成本函数,/>表示电池寿命退化的成本系数,/>表示电池的泄漏损失系数,/>表示一组热发生器,/>表示电池集合,/>表示第i个节点在时间t的第z类可再生能源的投资容量,/>表示第i个节点在时间t的第z类可再生能源在规划前的初始容量/>表示可再生能源机组的单位投资成本,/>表示资本回收因素。
应该满足以下限制条件:
公式(1)-(4),公式(6)-(8)
,/>(26)
,/>(27)
(28)
(29)
,/>(30)
(31)
,/>(32)
(33)
(34)
(35)
(36)
(37)
(38)
其中,公式(1)中的应替换为/>,/>表示第i个节点在时间t的电动汽车在响应价格后的充电功率。
其中,在公式(26)中,和/>表示第i个节点的火电机组的最大发电有功功率和最大发电无功功率。公式(26)是火电机组的输出功率的约束条件。
其中,在公式(27)中,表示第i个节点在时间t-1的火电机组的有功输出功率,和/>表示第i个节点的火电机组的向上爬坡极限值和向下爬坡极限值。公式(27)是火电机组的斜坡约束条件。
其中,公式(28)是可再生能源的输出功率(发电功率)的约束条件。
其中,在公式(29)-(32)中,和/>表示第i个节点的节点电压下限值和节点电压上限值,/>和/>表示第i个节点注入第j个节点的有功功率流上限值和无功功率上限值,/>和/>表示充电效率和放电效率,/>和/>表示第i个节点的电池的能量存储下限值和能量存储上限值,/>表示第i个节点的电池的充电/放电功率上限值。
公式(29)是节点电压的约束条件。公式(30)是传输线的功率流的约束条件。公式(31)是电池储能的功率平衡方程。公式(32)是电池的能量存储状态和充电/放电功率的限制条件。
其中,在公式(33)-(34)中,表示第i个节点的火电机组的碳排放强度,/>表示第i个节点的火电机组的碳排放配额,/>表示区域间碳排放差异的上限值。公式(33)是火电机组的直接碳排放量的约束条件。公式(34)是区域之间的直接碳排放差异的约束条件。
其中,在公式(35)中,表示第i个节点在时间t的电动汽车的充电需求的弹性系数,/>表示电价,/>表示电动汽车的平均充电价格,/>表示碳价格。
其中,公式(36)-(38)是本公开的第一约束条件。公式(1)-(4),公式(6)-(8),以及公式(26)-(35)是本公开的第二约束条件。
其中,对于第一约束条件,其是采用了概率表达方式,也称为机会约束,需要调整为非概率表示方式,这样方便计算。
本公开实施例建立了一个基于概率碳流的机会约束碳足迹管理模型。为了解决优化模型,需要进一步解决几个方面的问题。如图2所示,首先,基于非侵入式负荷识别的结果,可以获得电动汽车充电概况。然后,基于获得的充电概况,以及历史电力需求和可再生能源的发电量,可以构建不确定性模型。这些不确定性模型用于完成概率碳流模型。然后,通过考虑不确定性,重新制定了机会约束。为了便于计算,应该重新表述机会约束。第三,设计求解算法来求解基于概率碳流的机会约束碳足迹管理模型。
以下将介绍不确定性模型的构建过程,具体如下:
在一种实施方式中,基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建电力系统的碳排放强度的不确定性影响参数分布模型,可以包括:利用狄利克雷过程高斯混合模型,对电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响进行处理,得到多变量高斯分布的数量、均值向量和协方差矩阵;基于多变量高斯分布的数量、均值向量和协方差矩阵,构建不确定性的概率密度函数,并以该概率密度函数作为不确定性影响参数分布模型。
在本示例中,利用高斯混合模型(gaussian mixture model,GMM)构造了不确定性的概率密度函数(probability density function,PDF)。GMM是一种概率模型,可用于表示总体分布中具有C个子分布的概率模型。多元向量的GMM的一般表达式如下:
,/>(39)
其中,是分布元素数量;/>是对应的权重;/>是多元高斯分布函数;/>是多元高斯分布中的参数,包括均值/>和协方差/>。
但是,组件的数量是未知的。为此,狄利克雷过程(Dirichlet process,DP)是贝叶斯非参数模型的随机过程,通常用于狄利克雷过程高斯混合模型(Dirichlet processGaussian mixture model,DPGMM)的先验。在DP中,簇的数量限制为无穷大。指示器的条件可以表示为(40)。指标变量的值对观测所属的混合物组分进行编码。
(40)
其中,是第q次观测的指标;/>指示除q以外的所有索引;/>是浓度参数;/>是观测的总数;/>是除点q以外的所有数据点在分量c中的观测次数。
定义组件参数和指标的联合先验分布,该模型可以写成:
(41)
(42)
(43)
其中,为具有基本分布/>(无限混合物模型中组分参数的分布)和浓度参数/>;/>是从中/>提取的随机离散分布。
在给定的情况下,分配给每个组件的观测次数的分布是多项式,如下所示:
(44)
指标的分布可以表示为:
(45)
通过执行DPGMM,可以获得多变量高斯分布的数量、均值向量和协方差矩阵,从而可以构造不确定性的PDF。
根据上述实施方式,可以构建得到碳排放强度的不确定性影响参数分布模型。
在一种实施方式中,利用第一约束条件,对电力系统的发电成本函数求解最小值,得到电力系统中各个节点的发电与储能调度策略,包括:
利用以非概率表达方式来表示的第一约束条件,以及针对电力系统的第二约束条件,对电力系统的发电成本函数求解最小值,得到电力系统中各个节点的发电与储能调度策略。
为了方便计算,需要对机会约束(38)进行线性化处理,具体如下:
在一种实施方式,采用从第j个节点注入到第i个节点的正功率流,对第一碳流模型中的第b个传输线在时间t的功率流的绝对值重新表述为取最大值函数,并对取最大值函数进行线性化,得到第二碳流模型。
其中,第二碳流模型为:
(46)
其中,表示第j个节点注入到第i个节点的正功率流。
其中,第j个节点注入到第i个节点的正功率流可以表示为如下:
(47)
公式(47)是取最大值函数。因此,可以基于Big-M方法对该函数进行线性化,具体如下:
,/>(48)
,/>(49)
,/>(50)
其中,表示一个数值,/>和/>表示辅助二进制变量。
对于公式(46)还可以进一步线性化,以利用不确定性影响参数分布模型将上述的以概率方式表达的约束条件转换成以非概率方式表达的约束条件,从而在后续求解最小值以得到相应调度策略时,可以提高计算效率。
在一种实施方式中,上述方法还可以包括:
对第二碳流模型进行一阶泰勒级数近似,并将一阶泰勒级数近似后的第二碳流模型与各个节点中电动汽车的充电功率相乘,得到各个节点中电动汽车的间接排放量;
其中,间接排放量的计算公式为:
(51)
其中,,/>表示第i个节点在时间t的电动汽车在价格响应后的充电功率,/>表示第i个节点在时间t的概率碳排放强度;
基于上述公式(46),采用概率表达方式来表示第一约束条件:
(52)
其中,和/>表示系数,/>表示为决策变量,/>表示随机变量,随机变量包括/>和/>,/>表示第i个节点在时间t的电动汽车的实际充电功率,/>表示第i个节点在时间t的电动汽车的间接排放量上限值,/>表示第i个节点在时间t的电动汽车的间接排放量小于或等于间接排放量上限值的概率下限值;
然后,对采用概率表达方式所表示的第一约束条件进行表述转换,得到以非概率表达方式来表示的第一约束条件,如下:
(53)
其中,表示/>的概率密度函数中概率为/>的分位数,违反概率为1-/>。
的累积分布函数等于标准高斯分布的累计概率密度的加权和,如
(54)
其中,是标准高斯分布的CDF。基于DPGMM,可以得到分位数/>。
在本公开实施例中,求解数学模型(25)-(38)的困难在于它有两个特殊的约束,即公式(37)和公式(38)。公式(37)中的期望可以通过公 式(9)-(17)中引入的基于概率碳流的点估计方法来解决。根据公式(46)-(54)将机会约束(38)重新表述为普通约束。然后,开发了一种数学和启发式混合算法来解决公式化的问题。
如图3所示,首先,生成规划决策的初始弹出式表达式。然后,基于点估计方法来确定随机变量的值。在固定了随机变量的值之后,将概率最优模型转化为确定性模型。对于每个随机变量,确定性模型将被求解3次。通过使用最小值一次、使用最大值一次和使用输入变量的平均值一次来求解模型,两点估计方法限制了输入变量可能取值的可能取值范围,从而为输出变量提供了可能取值范围。对每个输入变量运行模型三次允许对输出变量的可能值的范围进行合理估计,同时保持相对较低的计算成本。如果每个输入变量的模型运行次数更多,计算成本将增加,但输出变量的可能值范围的估计精度可能会提高。确定性模型(潮流线性化)的求解是基于混合整数线性规划实现的。在给定种群(规划决策)下解决网络的操作后,将评估种群的适合性。最后,将根据进化算法更新种群,直到满足终止标准。
图4是本公开一实施例的碳排放管理装置的结构框图。
如图4所示,该碳排放管理装置,可以包括:
不确定性模型构建模块410,用于基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建所述电力系统的碳排放强度的不确定性影响参数分布模型;
概率碳流模型构建模块420,用于基于所述不确定性影响参数分布模型,对所述电力系统的第一碳流模型进行调整,得到所述电力系统的概率碳流模型;
约束条件构建模块430,用于基于所述电力系统的概率碳流模型以及各个所述节点中电动汽车的充电功率,构建针对各个所述节点中电动汽车的间接排放量的第一约束条件;
调度策略生成模块440,用于利用所述第一约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如一种碳排放管理方法。例如,在一些实施例中,一种碳排放管理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的一种碳排放管理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种碳排放管理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种碳排放管理方法,其特征在于,包括:
基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建所述电力系统的碳排放强度的不确定性影响参数分布模型;
基于所述不确定性影响参数分布模型,对所述电力系统的第一碳流模型进行调整,得到所述电力系统的概率碳流模型;
基于所述电力系统的概率碳流模型以及各个所述节点中电动汽车的充电功率,构建针对各个所述节点中电动汽车的间接排放量的第一约束条件;
利用所述第一约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略;
其中,所述第一碳流模型为:
;
其中,表示所述电力系统中第i个节点在时间t的碳排放强度,/>表示第i个节点在时间t的火电机组的有功输出功率,/>表示第i个节点在时间t的电池的放电功率,/>表示第i个节点在时间t的电池的碳排放强度,/>表示第b个传输线在时间t的功率流,/>表示有功功率注入第i个节点的传输线的集合;/>表示第b个传输线在时间t的碳排放强度,第i个节点在时间t的第z类可再生能源的发电量,/>表示可再生能源的类型集合;
其中,所述概率碳流模型为:
;
其中,表示第i个节点在时间t的概率碳排放强度; />表示第i个节点在时间t的输出变量集合,/>表示第i个节点的不确定性参数的权重;
其中,所述第一约束条件为:第i个节点中电动汽车在时间t的间接排放量小于预设的间接排放量上限值的概率大于预设的概率下限值。
2.根据权利要求1所述的方法,其特征在于,基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建所述电力系统的碳排放强度的不确定性影响参数分布模型,包括:
利用狄利克雷过程高斯混合模型,对电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响进行处理,得到多变量高斯分布的数量、均值向量和协方差矩阵;
基于所述多变量高斯分布的数量、均值向量和协方差矩阵,构建不确定性的概率密度函数,并以该概率密度函数作为所述不确定性影响参数分布模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
采用从第j个节点注入到第i个节点的正功率流,对所述第一碳流模型中的第b个传输线在时间t的功率流的绝对值重新表述为取最大值函数,并对所述取最大值函数进行线性化,得到第二碳流模型;
其中,所述第二碳流模型为:
;
其中,表示第j个节点注入到第i个节点的正功率流,/>表示第i个节点在时间t的第z类可再生能源的容量因素,/>表示第i个节点在时间t的第z类可再生能源的投资容量,/>表示第i个节点在时间t的第z类可再生能源在规划前的初始容量,/>,,/>,/>,/>,/>,/>表示一个数值,和/>表示辅助二进制变量。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对所述第二碳流模型进行一阶泰勒级数近似,并将一阶泰勒级数近似后的所述第二碳流模型与各个所述节点中电动汽车的充电功率相乘,得到各个所述节点中电动汽车的间接排放量;
其中,所述间接排放量的计算公式为:
;
其中,,/>表示第i个节点在时间t的电动汽车在价格响应后的充电功率,/>表示第i个节点在时间t的概率碳排放强度;
采用概率表达方式来表示所述第一约束条件:
;
其中,和/>表示系数,/>表示为决策变量,/>表示随机变量,所述随机变量包括/>和/>,/>表示第i个节点在时间t的电动汽车的实际充电功率,/>表示第i个节点在时间t的电动汽车的间接排放量上限值,/>表示第i个节点在时间t的电动汽车的间接排放量小于或等于所述间接排放量上限值的概率下限值;
对采用概率表达方式所表示的第一约束条件进行表述转换,得到以非概率表达方式来表示的所述第一约束条件,如下:
;
其中,表示/>的所述概率密度函数中概率为/>的分位数。
5.根据权利要求4所述的方法,其特征在于,所述发电成本函数为:
其中,表示所述电力系统中火电机组的成本函数,/>表示电池寿命退化的成本系数,/>表示电池的泄漏损失系数,/>表示一组热发生器,/>表示可再生能源机组的投资容量,/>表示可再生能源机组的单位投资成本,/>表示资本回收因素。
6.根据权利要求5所述的方法,其特征在于,利用所述第一约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略,包括:
利用以非概率表达方式来表示的所述第一约束条件,以及针对所述电力系统的第二约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略;
其中,所述第二约束条件包括:
,/>
,/>
,/>
,/>
其中,表示第i个节点在时间t的火电机组的有功输出功率, />表示第i个节点在时间t的电动汽车以外的功率需求,/>表示第i个节点在时间t的电动汽车在响应价格后的充电功率,/>表示第i个节点在时间t的电池的充电功率,/>第i个节点注入第j个节点的有功功率流,/>表示可再生能源的类型集合,/>表示第i个节点相邻的节点集合;
其中,表示第i个节点在时间t的火电机组的无功输出功率,/>表示第i个节点在时间t的电动汽车以外的无功输出功率,/>表示第i个节点注入第j个节点的无功功率流;
其中,表示第i个节点在时间t的节点电压,/>表示第j个节点在时间t的节点电压,表示第i个节点与第j个节点在时间t的相位角,/>和/>表示第i个节点与第j个节点之间的电导和电纳;
其中,表示第i个节点在时间t+1的电池的碳排放强度,/>表示第i个节点在时间t的电池的碳排放强度,/>表示第i个节点的电池的能量存储量;
其中,和/>表示第i个节点的火电机组的最大发电有功功率和最大发电无功功率;
其中,表示第i个节点在时间t-1的火电机组的有功输出功率,/>和/>表示第i个节点的火电机组的向上爬坡极限值和向下爬坡极限值;
其中,和/>表示第i个节点的节点电压下限值和节点电压上限值,/>和/>表示第i个节点注入第j个节点的有功功率流上限值和无功功率上限值,/>和/>表示充电效率和放电效率,/>和/>表示第i个节点的电池的能量存储下限值和能量存储上限值,/>表示第i个节点的电池的充电/放电功率上限值;
其中,表示第i个节点的火电机组的碳排放强度,/>表示第i个节点的火电机组的碳排放配额,/>表示区域间碳排放差异的上限值;
其中,表示第i个节点在时间t的电动汽车的充电需求的弹性系数,/>表示电价,表示电动汽车的平均充电价格,/>表示碳价格。
7.根据权利要求1所述的方法,其特征在于,电动汽车的历史充电功率包括电动汽车通过家用壁挂式电动汽车充电插座进行充电的充电功率,所述方法还包括:
基于尺度和权重递归图的神经网络,对各个节点中的电动汽车通过家用壁挂式电动汽车充电插座进行充电的充电功率进行检测与识别,得到各个节点的电动汽车通过家用壁挂式电动汽车充电插座进行充电的充电功率。
8.一种碳排放管理装置,其特征在于,包括:
不确定性模型构建模块,用于基于电力系统中各个节点的可再生能源的历史产电量和电动汽车的历史充电功率对各自对应节点的历史碳排放强度的影响,构建所述电力系统的碳排放强度的不确定性影响参数分布模型;
概率碳流模型构建模块,用于基于所述不确定性影响参数分布模型,对所述电力系统的第一碳流模型进行调整,得到所述电力系统的概率碳流模型;
约束条件构建模块,用于基于所述电力系统的概率碳流模型以及各个所述节点中电动汽车的充电功率,构建针对各个所述节点中电动汽车的间接排放量的第一约束条件;
调度策略生成模块,用于利用所述第一约束条件,对所述电力系统的发电成本函数求解最小值,得到所述电力系统中各个节点的发电与储能调度策略;
其中,所述第一碳流模型为:
;
其中,表示所述电力系统中第i个节点在时间t的碳排放强度,/>表示第i个节点在时间t的火电机组的有功输出功率,/>表示第i个节点在时间t的电池的放电功率,/>表示第i个节点在时间t的电池的碳排放强度,/>表示第b个传输线在时间t的功率流,/>表示有功功率注入第i个节点的传输线的集合;/>表示第b个传输线在时间t的碳排放强度,第i个节点在时间t的第z类可再生能源的发电量,/>表示可再生能源的类型集合;
其中,所述概率碳流模型为:
;
其中,表示第i个节点在时间t的概率碳排放强度; />表示第i个节点在时间t的输出变量集合,/>表示第i个节点的不确定性参数的权重;
其中,所述第一约束条件为:第i个节点中电动汽车在时间t的间接排放量小于预设的间接排放量上限值的概率大于预设的概率下限值。
9. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;
其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363974.1A CN117114718B (zh) | 2023-10-20 | 2023-10-20 | 碳排放管理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363974.1A CN117114718B (zh) | 2023-10-20 | 2023-10-20 | 碳排放管理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114718A CN117114718A (zh) | 2023-11-24 |
CN117114718B true CN117114718B (zh) | 2023-12-29 |
Family
ID=88800499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311363974.1A Active CN117114718B (zh) | 2023-10-20 | 2023-10-20 | 碳排放管理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117578627B (zh) * | 2024-01-16 | 2024-04-16 | 国网浙江省电力有限公司 | 发电调度方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723175A (zh) * | 2022-05-09 | 2022-07-08 | 东南大学 | 一种综合能源系统能量流和碳流分布的计算方法 |
CN114782217A (zh) * | 2022-06-21 | 2022-07-22 | 国网江西省电力有限公司电力科学研究院 | 一种电力系统的间接碳排放精细化核算方法及系统 |
CN116258408A (zh) * | 2023-02-17 | 2023-06-13 | 甘肃同兴智能科技发展有限责任公司 | 电网传输碳排放流的指标分解方法、系统、设备及终端 |
CN116361603A (zh) * | 2023-03-28 | 2023-06-30 | 吉林省电力科学研究院有限公司 | 一种电力系统碳排放流计算方法 |
WO2023142503A1 (zh) * | 2022-01-25 | 2023-08-03 | 株洲中车时代电气股份有限公司 | 碳排放需求响应处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-10-20 CN CN202311363974.1A patent/CN117114718B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142503A1 (zh) * | 2022-01-25 | 2023-08-03 | 株洲中车时代电气股份有限公司 | 碳排放需求响应处理方法、装置、计算机设备和存储介质 |
CN114723175A (zh) * | 2022-05-09 | 2022-07-08 | 东南大学 | 一种综合能源系统能量流和碳流分布的计算方法 |
CN114782217A (zh) * | 2022-06-21 | 2022-07-22 | 国网江西省电力有限公司电力科学研究院 | 一种电力系统的间接碳排放精细化核算方法及系统 |
CN116258408A (zh) * | 2023-02-17 | 2023-06-13 | 甘肃同兴智能科技发展有限责任公司 | 电网传输碳排放流的指标分解方法、系统、设备及终端 |
CN116361603A (zh) * | 2023-03-28 | 2023-06-30 | 吉林省电力科学研究院有限公司 | 一种电力系统碳排放流计算方法 |
Non-Patent Citations (2)
Title |
---|
娄素华 ; 张立静 ; 吴耀武 ; 王永灿 ; .低碳经济下电动汽车集群与电力系统间的协调优化运行.电工技术学报.2017,第32卷(第05期),全文. * |
罗一凡 ; 龚昱 ; 蒋传文 ; 李春哲 ; 薛金龙 ; .用户侧碳排放强度评级及绿色电力证书分配研究.水电能源科学.2015,第33卷(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117114718A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Risk-based uncertainty set optimization method for energy management of hybrid AC/DC microgrids with uncertain renewable generation | |
Ciftci et al. | Data-driven nonparametric chance-constrained optimization for microgrid energy management | |
CN117114718B (zh) | 碳排放管理方法、装置、电子设备和存储介质 | |
CN112884270B (zh) | 一种考虑不确定性因素的多场景配电网规划方法及系统 | |
Hassan et al. | Developing chaotic Bonobo optimizer for optimal power flow analysis considering stochastic renewable energy resources | |
CN104462861A (zh) | 一种基于水库调度规则合成的水库调度决策方法 | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Zhu et al. | A novel hybrid scheme for remaining useful life prognostic based on secondary decomposition, BiGRU and error correction | |
Su et al. | An optimized algorithm for optimal power flow based on deep learning | |
CN115618616A (zh) | 一种源、网、荷资源的混合储能可靠性评估模型构建方法 | |
Zhang et al. | Transmission planning considering spatial correlation of wind power | |
Paliwal | A Technical Review on Reliability and Economic Assessment Framework of Hybrid Power System with Solar and Wind Based Distributed Generators | |
Zhu et al. | Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics | |
CN117154736A (zh) | 一种混合储能系统参与火电机组深度调峰优化方法及系统 | |
Mazaheri et al. | Harnessing power system flexibility under multiple uncertainties | |
Sharma et al. | Renewable energy systems energy modeling using deep learning techniques | |
Zhang et al. | Optimal Scheduling Strategy for Power Systems Containing Offshore Wind Farms Considering Wind Power Uncertainty | |
Xin et al. | Short-Term Wind Power Forecasting Based on VMD-QPSO-LSTM | |
Ye et al. | Multi-scenario stochastic optimal scheduling for power systems with source-load matching based on pseudo-inverse Laguerre polynomials | |
Jain et al. | Battery optimization in microgrids using Markov decision process integrated with load and solar forecasting | |
Zhou et al. | Long-term cost planning of data-driven wind-storage hybrid systems | |
Dokuchaev et al. | Optimal energy storing and selling in continuous time stochastic multi-battery setting | |
Sato et al. | Scenario-based robust MPC for energy management systems with renewable generators | |
Sachs et al. | Combined probabilistic and set-based uncertainties for a stochastic model predictive control of island energy systems | |
Bâra et al. | Intelligent systems for predicting and analyzing data in power grid companies |
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 |