CN117217407A - 一种用于预评估电力系统碳排放量的方法、介质及装置 - Google Patents
一种用于预评估电力系统碳排放量的方法、介质及装置 Download PDFInfo
- Publication number
- CN117217407A CN117217407A CN202311160485.6A CN202311160485A CN117217407A CN 117217407 A CN117217407 A CN 117217407A CN 202311160485 A CN202311160485 A CN 202311160485A CN 117217407 A CN117217407 A CN 117217407A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- load
- power system
- carbon
- electric
- 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 365
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 365
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000005611 electricity Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003442 weekly effect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- RYAUSSKQMZRMAI-YESZJQIVSA-N (S)-fenpropimorph Chemical compound C([C@@H](C)CC=1C=CC(=CC=1)C(C)(C)C)N1C[C@H](C)O[C@H](C)C1 RYAUSSKQMZRMAI-YESZJQIVSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种用于预评估电力系统碳排放量的方法、介质及装置,属于碳排放量预评估技术领域,该用于预评估电力系统碳排放量的方法及装置包括以下步骤:根据历史电力负载数据建立电力负载预测模型,预估每个电力负载的任务用电量,并输出预测结果;建立每个电力负载的碳排放模型,寻找未来时间段内总碳排放量最低的调度方案,输出结果;监测电力负载的平均碳排放量,判断碳排放量是否高于预测碳排放量,若高于,调整调度方案;建立电力系统的碳排放监测模型,并定期检测碳排放量,与预测碳排放量进行对比,判断是否超标,若超标,则调整调度方案;收集设备的碳排放数据。本发明能够解决预测碳排放量与实际碳排放量之间产生误差的问题。
Description
技术领域
本发明属于碳排放量预评估技术领域,具体而言,涉及一种用于预评估电力系统碳排放量的方法、介质及装置。
背景技术
电力行业是目前作为二氧化碳减排的主力军之一,为降低电力行业中电力系统的碳排放量,不可避免的需要先对电力系统的碳排放量加以预测,在预测结果上再对电力系统提出有效的改进方案,以达到二氧化碳减排的目的。
现有的电力系统,通常指发电和/或输电、配电系统,如常见的火电系统,对于电力系统的碳排放量的预测方法通常是以长时间段加以预测计算,未细化至电力系统的各设备,且为针对各设备运行状态的变化而对碳排放量加以相关联,导致预测的碳排放量与实际容易产生误差。
发明内容
有鉴于此,本发明提出一种用于预评估电力系统碳排放量的方法、介质及装置,能够解决预测碳排放量与实际碳排放量之间产生误差的问题。
本发明是这样实现的:
本发明的第一方面提供一种用于预评估电力系统碳排放量的方法,其中,包括以下步骤:
S1:根据电力负载设备的历史电力负载数据建立每个未来时间段内每个电力负载预测模型,预估未来时间段内每个电力负载设备的任务用电量,并输出预测结果,所述电力负载为电力负载设备的用电总需求;
S2:建立每个电力负载设备的的碳排放模型,所述碳排放模型与功率大小相关,根据所述碳排放模型和S1输出的预测结构寻找未来时间段内电力系统总碳排放量最低的电力负载调度方案,输出结果,包括最佳调度方案和电力系统的预测碳排放量和每个电力负载的预测碳排放量;
S3:根据所述碳排放模型和每个电力负载设备的运行功率,监测每个电力负载设备在任意时间内的平均碳排放量,判断碳排放量是否高于自身所述电力负载设备预测碳排放量,若高于自身所述电力负载预测碳排放量,则调整所述调度方案;
S4:根据负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与所述电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整所述调度方案;
S5:收集所述负载设备在指定时间段内的碳排放数据,包括每个所述负载设备的碳排放总量和每个时间段的电力系统总碳排放,并生成电力系统碳排放报告。
本发明提供的一种用于预评估电力系统碳排放量的方法的技术效果如下:通过根据历史电力负载数据,对未来时间段内各电力负载待完成的任务所需用电量进行分析,可以预测未来时间内电力的任务用电量;通过建立碳排放模型,根据碳排放模型找出为达到最低排放量每个电力负载设备在未来时间段内的碳排放量,可以在保证完成总任务的前提下最大限度地减少碳排放,输出未来时间内最合理的调度方案;通过实时监测未来时间段内每个设备碳排放量数据,得到碳排放量报表,可以有效实现设备碳排放量的跟踪,并给出计量报表,为后续的碳核查与考核提供数据支持,同时,方便对预测结果进行更新,避免预测结果与实际产生偏差;通过判断实时碳排放量是否超过计划碳排放量,若超过计划碳排放量,则对设备碳排放量进行调整,可避免碳排放量超标。
本发明的第二方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行上述的一种用于预评估电力系统碳排放量的方法。
本发明的第三方面提供一种用于预评估电力系统碳排放量的装置,其中,包括碳排放测量装置和控制系统,所述碳排放测量装置用于测量电力系统的碳排放量,所述控制系统内存储有如上述的计算机存储介质。
与现有技术相比较,本发明提供的一种用于预评估电力系统碳排放量的方法及装置的有益效果是:通过根据历史电力负载数据建立每个未来时间段内电力负载预测模型,预估未来时间段内每个电力负载的任务用电量,并输出预测结果,可以预测未来时间段内的任务用电量;通过建立每个电力负载的碳排放模型,所述碳排放模型与功率大小相关,根据所述碳排放模型寻找未来时间段内总碳排放量最低的各电力负载调度方案,输出结果,可以在保证完成总任务的前提下最大限度地减少碳排放,输出未来时间段内最合理的调度方案;通过根据所述碳排放模型和电力负载的运行功率,监测电力负载在任意时间内的平均碳排放量,判断碳排放量是否高于所述电力负载预测碳排放量,若高于所述电力负载预测碳排放量,则调整所述调度方案,可以判断电力负载设备的碳排放量是否超标,并根据电力负载设备的碳排放量及时调整调度方案;通过根据负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与所述电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整所述调度方案,可判断电力系统的碳排放量是否超标,并及时调整调度方案,同时,方便对预测结果进行更新,避免预测结果与实际产生偏差。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一种用于预评估电力系统碳排放量的方法的流程图;
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1所示,是本发明第一方面提供一种用于预评估电力系统碳排放量的方法的流程图,在发明中,包括以下步骤:
S1:根据电力负载设备的历史电力负载数据建立每个未来时间段内每个电力负载预测模型,预估未来时间段内每个电力负载设备的任务用电量,并输出预测结果,所述电力负载为电力负载设备的用电总需求;
S2:建立每个电力负载设备的的碳排放模型,所述碳排放模型与功率大小相关,根据所述碳排放模型和S1输出的预测结构寻找未来时间段内电力系统总碳排放量最低的电力负载调度方案,输出结果,包括最佳调度方案和电力系统的预测碳排放量和每个电力负载的预测碳排放量;
S3:根据所述碳排放模型和每个电力负载设备的运行功率,监测每个电力负载设备在任意时间内的平均碳排放量,判断碳排放量是否高于自身所述电力负载设备预测碳排放量,若高于自身所述电力负载预测碳排放量,则调整所述调度方案;
S4:根据负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与所述电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整所述调度方案;
S5:收集所述负载设备在指定时间段内的碳排放数据,包括每个所述负载设备的碳排放总量和每个时间段的电力系统总碳排放,并生成电力系统碳排放报告。
通过根据历史电力负载数据,对未来时间段内各电力负载待完成的任务所需用电量进行分析,可以合理将待完成任务量进行分解;通过建立碳排放模型,根据碳排放模型找出为达到最低排放量每个电力负载设备在未来时间段内的碳排放量,可以在保证完成总任务的前提下最大限度地减少碳排放;通过实时监测未来时间段内每个设备碳排放量数据,得到碳排放量报表,可以有效实现设备碳排放量的跟踪,并给出计量报表,为后续的碳核查与考核提供数据支持;通过判断实时碳排放量是否超过计划碳排放量,若超过计划碳排放量,则对设备碳排放量进行调整,可避免碳排放量超标。
其中,在上述技术方案中,步骤S1的技术方案,具体包括:
收集电力系统中各负载历史数据;
对每个负载进行时间序列分析,建立预测模型;
根据预测模型,估计未来每个时间段内每个负载的任务用电量;
输出预测结果,预测结果包括未来时间段内每个电力负载设备的任务用电量。
步骤S1中,根据历史电力负载数据建立每个未来时间段内电力负载预测模型,预估未来时间段内每个电力负载的任务用电量,并输出预测结果具体包括以下步骤:
1)收集历史电力负载数据。设电力系统中共有n个电力负载设备L1,L2,...,Ln(例如工业用电设备、商业设备、residential设备等),对每个电力负载设备Li,i为1~n个负载设备;这些负载设备,可以是电动机、工业大型用电设备,如某个厂房的数控机床、热处理的炉具等。收集其在过去一段时间T内(例如最近1年或1个月)的历史需求数据,记为:
Di={di1,di2,...,dit...,diT};
其中dit表示负载Li在时刻t的电力需求。
2)对每个负载设备进行时间序列分析,建立预测模型。可以使用如ARIMA、LSTM等方法,对每个负载Li的数据Di进行时间序列分析,建立每个电力负载设备的预测模型Mi。模型Mi能够对未来时刻t′的需求dit,进行预测。
3)根据预测结果分解任务。根据所有负载的预测结果,可以估计未来每个时间段内电网的总需求。以每小时为单位划分时间段,预测未来T′个小时内的每个负载设备的任务用电量t′表示第t′个小时。然后根据预测负载曲线,反向计算在每个时段内每个负载的预测用电量/>
其中dit取该负载过去同一时间段的平均用电量。
至此即可获得未来T′个小时内每个负载的预测用电量这即表示了每个负载在这T′个小时内需要完成的任务用电量。
4)输出结果。最终输出结果为一个n×T′的矩阵:
矩阵中的每一列代表一个时间段t′,每一行代表一个负载设备i,矩阵元素即表示负载i在时间段t′需要完成的任务用电量。
进一步的,在上述技术方案中,步骤S2的方案,具体包括:
建立每个电力负载设备的碳排放模型,碳排放模型为在不同功率下的单位时间碳排放量;建立优化问题,寻找设备在完成任务情况下,碳排放量最小的设备调度方案;求解优化问题;输出结果,即最佳调度方案和预测碳排放量,最佳调度方案为设备在时间段内的最优运行方案,以完成指定任务而尽可能低碳。
在S2中,具体可以采用以下优化调度方法:
1)建立碳排放模型。每个设备i需要建立自身的碳排放模型,表示其在不同功率下的单位时间碳排放量。设第i个负载设备Li的功率范围为Pi,min到Pi,max,其碳排放模型Mi可以用一个碳排放率函数fi(Pi)表示:
fi(Pi)=ki×Pi+bi;
其中ki,bi是设备特定的第一、第二变量参数,第一变量参数为调节因子,第二变量参数为常数值,取值为0~1;也可以通过历史数据训练获得,每个负载设备i的功率每增加1kgCO2e,碳排放增加ki个单位,bi为设备功率为0时的碳排放量,Pi是设备的运行功率。
2)建立优化问题。在知晓需要完成的预测的负载需求的情况下,每个负载设备Li需要确定在时间段t′内的运行功率Pit′,以最小化碳排放。则可以建立以下优化问题的目标函数:
其中,Pi,min≤Pi(x)≤Pi,max;
其中,Pi(x)为第i个设备的负载Li随时间变化的功率,x为时间变量,取值为x∈[0,T′]
上述的目标函数表示总碳排放量,约束条件要求完成任务量,并限制功率范围。
3)求解优化问题。可以采用传统优化算法或启发式算法来求解上述目标函数的最优调度问题。如贪心算法、动态规划、进化算法等。由此可以求得时间段T′内设备的最优运行功率
4)输出结果。对于每个设备负载设备Li,输出未来每个时间段T′内的最优运行功率函数这即表示了设备在该时间段内的最优运行方案,以完成指定任务而尽可能低碳。由于满足碳排放的最优功率运行,从而可以使碳排放最低的方案,控制设备降低碳排放。
进一步的,在上述技术方案中,步骤S3中具体包括:
S31:根据碳排放模型得到每个负载设备在任意时间段内的平均碳排放量;包括:
获取每个负载设备的瞬时碳排放模型;
获取设备的瞬时功率,根据瞬时功率得到设备的瞬时排放量;
根据瞬时排放量计算任意一个时间段内的平均碳排放量。
S32:将实际每个设备在任意时间段内的平均碳排放量与预测碳排放量进行对比,检验调度方案的碳排放是否降低,若平均碳排放量明显高于预测碳排放量,则重复步骤S1~S2,更换调度方案;
S33:输出碳排放报表。
S31具体包括以下步骤:
1)在步骤S2中,每个设备i已经建立了一个Mi,为碳排放模型fi(Pi),用于表示设备在功率Pi下的碳排放率:
fi(Pi)=ki×Pi+bi;
其中,ki,bi是设备特定的参数,一个参数为调剂因子,一个参数bi为0一1的常数值,可以通过历史数据训练获得,ki为功率每增加1个单位,碳排放增加ki个单位,bi为设备功率为0时的碳排放,Pi是设备的运行功率。
2)计算瞬时排放量
在任意时刻τ,设备i的瞬时碳排放量Ei(τ)可以按照碳排放模型计算:
Ei(τ)=fi(Pi(τ))=ki×Pi(τ)+bi;ki和bi分别为计算过程中的系数参量,ki可通过历史数据拟合,bi为常数值,取值为0~1;也可以通过历史数据训练获得。
其中Pi(τ)是设备Li在时刻τ的瞬时功率,fi(Pi(τ))为设备Li在时刻τ的瞬时碳排放量。
3)计算平均排放量
对于任意一个时间段[τ1,τ2],设备Li在这个时间段内的平均碳排放量可以计算为:
将Ei(τ)的表达式代入得到:
4)离散近似计算
上式中的积分项可以用左矩形法进行离散近似:
选择N个时刻τ′1,τ′2,...,τ′N均匀分割时间段[τ1,τ2],则
其中Pi(τ′j)为τ′j时刻的瞬时功率,τ′j表示时间段[τ1,τ2]内的第j个时刻,j的取值为[1,N];
增加N的值可以提高计算精度。
5)实现碳排放量监控
通过上述方法,可以实时监测每个电力负载设备在任意时间段内的平均碳排放量。
例如,若每分钟采集一次功率数据,可以计算过去1小时的平均排放;若每小时采集一次平均功率,可以计算过去1天的平均排放,等等。
通过对比不同时间段的碳排放量,可以监控设备的碳排放变化情况。
同时,将监测到的平均碳排放量、电力负载设备的功率等数据填充入历史需求数据Di,对历史需求数据Di进行更新,使实际碳排放量、电力负载设备的功率等数据实时更新历史需求数据,避免预测碳排放量以及调度方案随时间增大误差变大。
6)检验调度方案的效果
可以将实际平均碳排放量与步骤S2规划的结果进行对比,检验调度方案是否有效降低了碳排放。如果实际排放量明显高于预测结果,则需要重新调整调度方案,重复步骤S1~S2,进行碳排放量优化。其中,调度方案,可以是多种方式,如调整用电设备的用电量,将部分负荷转移到晚上,将离散的用电事务,进行集中用电,离散的空闲时间,用电设备停止。建立用电设备和人工的结合。对于人工的处理时间更短的事情,避免采用多设备的复杂的调动,如装配作业。
7)输出碳排放报表
最终,整理所有设备的实时排放监测结果,形成碳排放量报表,包括每个设备在不同时间段的碳排放量数据,以及所有设备的总排放量。该报表即完成了步骤S3的排放量计算和输出。
上述的步骤S3中的另一个实施例,包括:获取电力负载设备的历史瞬时碳排放量数据;将历史瞬时碳排放量数据转换为数值型特征;通过神经网络模型构建碳排放监测量模型;利用特征转换后的数据对碳排放监测模型进行训练;
监控电力负载设备的瞬时碳排放量,通过构建的碳排放量模型,得到每个时间段内的电力负载平均碳排放量;
将电力负载的平均碳排放量与电力负载的预测碳排放量进行对比,检验调度方案的碳排放是否降低,若平均碳排放量明显高于电力负载预测碳排放量,则调整调度方案;
输出碳排放报表。
根据碳排放模型和电力负载的运行功率,监测电力负载在任意时间内的平均碳排放量,判断碳排放量是否高于电力负载预测碳排放量,若高于电力负载预测碳排放量,则调整调度方案,具体步骤包括:
1)收集历史数据。其中,历史数据为电力系统的碳排放量Q,以及当日的时间a、天气b、设备功率c、设备功率d等影响用电量的影响因素。同一时间的影响因素共同对应同一个碳排放数据,第y个碳排放量Qy对应时间ay、by、cy、dy将这些碳排放数据排列起来形成一个历史数据矩阵W
2)通过神经网络构建电力系统的碳排放预测模型。预测模型为与a、b、c、d等影响因素有关的函数,函数的输出为a、b、c、d等影响因素对应的所对应的Q,每个影响因素对应一个影响因子α、β、γ、δ等。
3)通过历史数据矩阵W对碳排放预测模型进行训练,求解影响因子。
4输入当日的影响因素,将输出的结果与检测设备检测到的实时碳排放量进行求差,若差大于阈值,则将实时碳排放量与其影响因子填入碳排放预测模型,对模型进行修正;并调整调度方案。
进一步的,在上述技术方案中,根据负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整调度方案,具体包括:
采集电力系统实时功率及操作数据;
建立电力系统的碳排放监测模型,如LEPA模型、TIMES模型、IES模型等;
定期检测电力系统的碳排放量;
比对电力系统的实际碳排放量与电力系统的预测碳排放量进行对比,判断是否超标,若超标,则调整调度方案。
S4具体包括以下步骤:
1)采集实时功率及操作数据
在设备运行过程中,安装传感器,实时采集设备的功率、电流、电压、能源消耗等运营数据,并上传到云端数据中心。采集的时间间隔可以设置为1分钟一次。
2)建立碳排放监测模型
和S3中的碳排放模型类似,这里也需要建立一个监测模型,用于估算电力系统实时的碳排放量:
E′(τ)=f′(P′(τ),U′(τ),Z′(τ));
其中P′(τ)是时间τ的功率,U′(τ)是设备利用率,Z′(τ)是影响碳排放的其他特征变量,如风速、温度等。f′是一个监测模型,可以基于历史数据训练获得。
3)定期检测碳排放量
每小时根据采集的数据计算一次碳排放量E′hour。
每日进行数据汇总,计算出该日的总碳排放量E′daily。
每周进行数据统计,计算出该周的总碳排放量E′weekly。
4)比对计划目标
将实际检测到的排放量与S2制定的计划目标进行对比:
-每日碳排放量E′daily对比计划的每日排放量E′planned_daily;
-每周碳排放量E′weekly对比计划的每周排放量E′planned_weekly;
5)判断是否超标
如果实际排放量超过计划目标的容差范围,则判定为超标。如:
如果E′daily>E′planned_daily+10%,则判定当日超标。
如果E′weekly>E′planned_weekly+5%,则判定该周超标。
6)反馈调整
如果检测到超标,则需要重新调整S2中的设备调度计划,对设备的工作模式、负载率等进行优化,以将实际碳排放降低到计划目标范围内。
进一步的,在上述技术方案中,收集历史时间段内所有设备的碳排放数据,根据碳排放数据生成碳排放报告,具体包括:
设定计算时间范围;
收集设备碳排放数据,包括电力系统的碳排放数据以及每个负载的碳排放数据;
计算每个时间段内每个设备的碳排放总量;
计算每个时间段的电力系统总碳排放;
生成碳排放报告。
步骤S5具体包括以下步骤:
1)设定计算时间范围
需要计算系统在指定时间范围内的碳排放总量。例如选择最近1年时间,则时间范围为[τ0,τ0+1年],其中τ0为1年前的日期。
将时间范围细分为多个时间段,例如可以分为每月一个时间段,则有12个时间段。定义第k个时间段为[τk-1,τk],k=1,2,...,12。
2)收集电力负载设备的碳排放数据
系统中有n个设备,每台设备都持续测量并记录自身的瞬时碳排放量Ei(τ)。对于第j个时间段[τj-1,τj],收集每台设备在这个时间段内的碳排放量时间序列:
3)计算每个设备的碳排放总量
对于时间段j,设备Li的碳排放总量为时间段内排放量时间序列的累加:
使用矩形法离散近似计算:
选择m个采样点τ1,τ2,...,τm均匀分布在时间段[τj-1,τj]内,则
其中
增加m值可以提高计算精度。
4)计算每个时间段的系统总碳排放
第i个时间段内,系统的总碳排放为所有设备碳排放量之和:
5)生成碳排放报告
针对设定的总时间范围[τ0,τ0+1年],计算每个时间段j的系统总碳排放量ej,并生成碳排放报告,包含:
-每个设备在每个时间段内的碳排放量
-每个时间段系统的总碳排放量ej;
-1年时间范围内所有时间段的碳排放总量汇总;
-不同时间段及不同设备碳排放量的可视化曲线图;
-排放量的月度、季度、年度同比分析;
以上报告内容全面展示了1年范围内电力系统的碳排放情况。计算方法通过数据采集、离散近似积分、时间段划分实现了按规定时间范围准确计算系统碳排放总量的要求。
具体的,本发明的原理是:通过根据历史电力负载数据建立每个未来时间段内电力负载预测模型,预估未来时间段内每个电力负载的任务用电量,并输出预测结果,可以合理将待完成任务量进行分解;通过建立每个电力负载的碳排放模型,所述碳排放模型与功率大小相关,根据所述碳排放模型寻找未来时间段内总碳排放量最低的各电力负载调度方案,输出结果,可以在保证完成总任务的前提下最大限度地减少碳排放;通过根据所述碳排放模型和电力负载的运行功率,监测电力负载在任意时间内的平均碳排放量,判断碳排放量是否高于所述电力负载预测碳排放量,若高于所述电力负载预测碳排放量,则调整所述调度方案,可以判断电力负载设备的碳排放量是否超标,并根据电力负载设备的碳排放量及时调整调度方案;通过根据负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与所述电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整所述调度方案,可判断电力系统的碳排放量是否超标,并及时调整调度方案。
Claims (10)
1.一种用于预评估电力系统碳排放量的方法,所述电力系统包括多个电力负载设备,其特征在于,包括以下步骤:
S1:根据电力负载设备的历史电力负载数据建立每个未来时间段内每个电力负载预测模型,预估未来时间段内每个电力负载设备的任务用电量,并输出预测结果,所述电力负载为电力负载设备的用电总需求;
S2:建立每个电力负载设备的的碳排放模型,所述碳排放模型与功率大小相关,根据所述碳排放模型和S1输出的预测结果寻找未来时间段内电力系统总碳排放量最低的电力负载调度方案,输出结果,包括最佳调度方案和电力系统的预测碳排放量和每个电力负载的预测碳排放量;
S3:根据所述碳排放模型和每个电力负载设备的运行功率,监测每个电力负载设备在任意时间内的平均碳排放量,判断碳排放量是否高于自身所述电力负载设备预测碳排放量,若高于自身所述电力负载预测碳排放量,则调整所述调度方案;
S4:根据电力负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与所述电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整所述调度方案;
S5:收集所述电力负载设备在指定时间段内的碳排放数据,包括每个所述电力负载设备的碳排放总量和每个时间段的电力系统总碳排放,并生成电力系统碳排放报告。
2.根据权利要求1所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述根据历史电力负载数据建立每个未来时间段内电力负载预测模型,预估未来时间段内每个电力负载的任务用电量,并输出预测结果,具体包括:
收集电力系统中各负载历史数据;
对每个负载进行时间序列分析,建立每个电力负载对应的预测模型;
根据预测模型,估计未来每个时间段内每个负载的任务用电量;
输出预测结果,所述预测结果包括未来时间段内每个电力负载设备的任务用电量。
3.根据权利要求2所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述建立每个电力负载的碳排放模型,所述碳排放模型与功率大小相关,根据所述碳排放模型寻找未来时间段内总碳排放量最低的各电力负载调度方案,输出结果,包括最佳调度方案和预测碳排放量,具体包括:
建立每个电力负载设备的碳排放模型,所述碳排放模型为在不同功率下的单位时间碳排放量;
建立优化问题,寻找设备在完成任务情况下,碳排放量最小的设备调度方案;
求解优化问题;
输出结果,即最佳调度方案和预测碳排放量,所述最佳调度方案为设备在时间段内的最优运行方案,以完成指定任务而尽可能低碳。
4.根据权利要求3所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述根据所述碳排放模型和电力负载的运行功率,监测电力负载在任意时间内的平均碳排放量,判断碳排放量是否高于所述电力负载预测碳排放量,若高于所述电力负载预测碳排放量,则调整所述调度方案,具体包括:
根据碳排放模型得到每个负载设备在任意时间段内的平均碳排放量;
将实际每个设备在任意时间段内的平均碳排放量与预测碳排放量进行对比,检验调度方案的碳排放是否降低,若平均碳排放量明显高于预测碳排放量,则更换调度方案;
输出碳排放报表。
5.根据权利要求4所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述根据碳排放模型得到每个负载设备在任意时间段内的平均碳排放量具体包括:
获取每个负载设备的瞬时碳排放模型;
获取设备的瞬时功率,根据瞬时功率得到设备的瞬时排放量;
根据瞬时排放量计算任意一个时间段内的平均碳排放量。
6.根据权利要求5所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述根据所述碳排放模型和电力负载的运行功率,监测电力负载在任意时间内的平均碳排放量,判断碳排放量是否高于所述电力负载预测碳排放量,若高于所述电力负载预测碳排放量,则调整所述调度方案,具体包括:
获取电力负载设备的历史瞬时碳排放量数据;
对数据进行特征转换;
通过神经网络模型构建碳排放量模型,所述碳排放量模型可根据一段时间内电力负载的瞬时功率输出该时间段内的平均碳排放量;
利用特征转换后的数据对碳排放量模型进行训练;
监控电力负载设备的瞬时碳排放量,通过碳排放量模型,得到每个时间段内的电力负载平均碳排放量;
将电力负载平均碳排放量与电力负载的预测碳排放量进行对比,检验调度方案的碳排放是否降低,若平均碳排放量明显高于电力负载预测碳排放量,则调整调度方案;
输出碳排放报表。
7.根据权利要求6所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述根据负载设备的实时功率建立电力系统的碳排放监测模型,并定期检测碳排放量,与所述电力系统预测碳排放量进行对比,判断是否超标,若超标,则调整所述调度方案,具体包括:
采集电力系统实时功率及操作数据;
建立电力系统的碳排放监测模型;
定期检测电力系统的碳排放量;
比对电力系统的实际碳排放量与电力系统的预测碳排放量进行对比,判断是否超标,若超标,则调整调度方案。
8.根据权利要求7所述的一种用于预评估电力系统碳排放量的方法,其特征在于,所述收集历史时间段内所有设备的碳排放数据,根据碳排放数据生成碳排放报告,具体包括:
设定计算时间范围;
收集设备碳排放数据,包括电力系统的碳排放数据以及每个负载的碳排放数据;
计算每个时间段内每个设备的碳排放总量;
计算每个时间段的电力系统总碳排放;
生成碳排放报告。
9.一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中存储有程序指令,所述程序指令运行时,用于执行权利要求1-8任一项所述的一种用于预评估电力系统碳排放量的方法。
10.一种用于预评估电力系统碳排放量的装置,其特征在于,包括碳排放测量装置和处理器,所述碳排放测量装置用于测量电力系统的碳排放量,所述控制系统内存储有如权利要求9所述的计算机存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160485.6A CN117217407A (zh) | 2023-09-08 | 2023-09-08 | 一种用于预评估电力系统碳排放量的方法、介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160485.6A CN117217407A (zh) | 2023-09-08 | 2023-09-08 | 一种用于预评估电力系统碳排放量的方法、介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217407A true CN117217407A (zh) | 2023-12-12 |
Family
ID=89034681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311160485.6A Pending CN117217407A (zh) | 2023-09-08 | 2023-09-08 | 一种用于预评估电力系统碳排放量的方法、介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217407A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494952A (zh) * | 2023-12-29 | 2024-02-02 | 国网山东省电力公司电力科学研究院 | 一种面向新型电力系统的机组低碳运行调度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100287012A1 (en) * | 2008-04-08 | 2010-11-11 | Bloom Energy Corporation | Method and system for measuring carbon dioxide reduction |
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
CN115409338A (zh) * | 2022-08-17 | 2022-11-29 | 安徽南国冷热综合能源有限公司 | 一种空调碳排放智能监管系统 |
CN115660258A (zh) * | 2022-12-09 | 2023-01-31 | 南方电网数字电网研究院有限公司 | 综合能源系统减碳评估方法、装置和计算机设备 |
CN116169682A (zh) * | 2023-03-15 | 2023-05-26 | 国网湖北省电力有限公司十堰供电公司 | 一种考虑碳排放流及风光消纳的综合能源系统优化调度策略 |
US20230253787A1 (en) * | 2022-02-10 | 2023-08-10 | Johnson Controls Tyco IP Holdings LLP | Control system with multi-factor carbon emissions optimization |
-
2023
- 2023-09-08 CN CN202311160485.6A patent/CN117217407A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100287012A1 (en) * | 2008-04-08 | 2010-11-11 | Bloom Energy Corporation | Method and system for measuring carbon dioxide reduction |
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
US20230253787A1 (en) * | 2022-02-10 | 2023-08-10 | Johnson Controls Tyco IP Holdings LLP | Control system with multi-factor carbon emissions optimization |
CN115409338A (zh) * | 2022-08-17 | 2022-11-29 | 安徽南国冷热综合能源有限公司 | 一种空调碳排放智能监管系统 |
CN115660258A (zh) * | 2022-12-09 | 2023-01-31 | 南方电网数字电网研究院有限公司 | 综合能源系统减碳评估方法、装置和计算机设备 |
CN116169682A (zh) * | 2023-03-15 | 2023-05-26 | 国网湖北省电力有限公司十堰供电公司 | 一种考虑碳排放流及风光消纳的综合能源系统优化调度策略 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494952A (zh) * | 2023-12-29 | 2024-02-02 | 国网山东省电力公司电力科学研究院 | 一种面向新型电力系统的机组低碳运行调度方法 |
CN117494952B (zh) * | 2023-12-29 | 2024-06-14 | 国网山东省电力公司电力科学研究院 | 一种面向电力系统的机组低碳运行调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023129546A (ja) | エネルギ貯蔵システムを最適に制御するためのシステム及び方法 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
US10223167B2 (en) | Discrete resource management | |
CN111552923A (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN117217407A (zh) | 一种用于预评估电力系统碳排放量的方法、介质及装置 | |
CN114565327B (zh) | 基于物联网的智慧能源管控系统 | |
CN114022021A (zh) | 一种基于集成学习的在线机组负荷预测方法 | |
CN115186916A (zh) | 负荷预测方法、装置、设备及计算机可读存储介质 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
KR102299698B1 (ko) | 장기 및 단기 예측방법을 연동시킨 전력소비 예측시스템 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
EP3521947A1 (de) | Energiemanagementverfahren | |
CN109818352B (zh) | 一种基于近似动态规划算法的配电网应急电源车调度方法 | |
CN113112095A (zh) | 一种多模式多供热机组负荷实时优化调度方法及管理系统 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
CN117728468B (zh) | 一种基于监督学习的微电网储能系统实时优化控制方法 | |
RU2821067C2 (ru) | Система управления энергопотреблением | |
CN117254505B (zh) | 基于数据处理的储能电站优化运行模式决策方法及系统 | |
CN113837420A (zh) | 电力消耗预测方法、电力消耗预测系统及计算机可读存储介质 | |
Yu et al. | Interpretable Load Patterns of Building District Energy Systems using Attention-based LSTM | |
CN118100161A (zh) | 寒地风光热综合能源智能监测与预警系统 | |
CN118157232A (zh) | 基于aem的能源高效调度管理系统 | |
CN117217417A (zh) | 居民用电调节潜力评估方法 | |
EP3648283A1 (en) | Method for forecasting the electric power production of a renewable energy power generation plant |
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 |