CN117592632A - 一种基于碳减排路径优化模型的机组容量规划方法及系统 - Google Patents
一种基于碳减排路径优化模型的机组容量规划方法及系统 Download PDFInfo
- Publication number
- CN117592632A CN117592632A CN202311642524.6A CN202311642524A CN117592632A CN 117592632 A CN117592632 A CN 117592632A CN 202311642524 A CN202311642524 A CN 202311642524A CN 117592632 A CN117592632 A CN 117592632A
- Authority
- CN
- China
- Prior art keywords
- unit
- carbon emission
- constraint
- power
- optimization 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 138
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 230000009467 reduction Effects 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005485 electric heating Methods 0.000 claims abstract description 29
- 239000003245 coal Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012983 electrochemical energy storage Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 7
- 238000004146 energy storage Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 claims 1
- 239000002245 particle Substances 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000011164 primary particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002918 waste heat Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于碳减排路径优化模型的机组容量规划方法及系统，涉及电力系统规划领域，方法包括获取风电光伏功率数据和电热负荷数据；基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；碳减排路径优化模型包括目标函数和约束条件，目标函数以系统总成本和碳排放惩罚成本最小为目标构建，约束条件包括：机组约束和碳排放量限制约束；对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。本发明通过以系统总成本和碳排放惩罚成本最小为目标构建目标函数，将机组约束和碳排放量限制约束作为约束条件，构建碳减排路径优化模型，然后对模型进行分层求解，实现了对能源机组容量的优化，降低了电力系统碳排放量。
Description
技术领域
本发明涉及电力系统规划领域，特别是涉及一种基于碳减排路径优化模型的机组容量规划方法及系统。
背景技术
随着能源问题日益加剧，可再生能源的开发利用得到各国的重视。加快电力系统低碳化转型是实现低碳发展的关键，电力系统应尽量减少煤电机组的投建，以清洁能源机组代替传统电源机组出力，而这将加剧电力供给不稳定的困境，高比例新能源大规模并网将带来更加严峻的新能源消纳问题；同时随着经济社会不断发展，负荷的种类与用能需求不断增加，负荷的波动将进一步加剧。为保证电力的可持续供应，可以通过整合和调度热能资源来释放热能侧的调节潜力，以此增强电力系统调节能力。此外，利用电-热耦合可以实现废热的回收利用，通过能源的高效利用来减少系统碳排放量。碳因素是电力系统低碳转型的核心驱动因素，减排路径研究成为新型电力系统实现清洁低碳目标的关键问题。因此，针对电-热耦合系统进行考虑碳减排路径的长周期规划优化，对解决当前电力系统低碳化转型所面临现实问题具有重要意义。
发明内容
本发明的目的是提供一种基于碳减排路径优化模型的机组容量规划方法及系统，实现了对能源机组容量的优化，降低电力系统碳排放量。
为实现上述目的，本发明提供了如下方案：
一种基于碳减排路径优化模型的机组容量规划方法，所述方法包括：
获取风电光伏功率数据和电热负荷数据；
基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；所述碳减排路径优化模型包括目标函数和约束条件，所述目标函数以系统总成本和碳排放惩罚成本最小为目标构建，所述约束条件包括：机组约束和碳排放量限制约束；
对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。
可选的，获取风电光伏功率数据的过程为：
将风电光伏出力的实际运行的历史数据通过K均值聚类算法按照区域的天气特征将分为四个部分，将每个部分的数据聚类为一簇，得到风电光伏功率数据。
可选的，获取电热负荷数据的过程为：
基于电负荷和热负荷的实际运行的历史数据使用LHS(Latin Hypercubesampling，拉丁超立方体采样)方法生成负荷场景；
在负荷场景中采用K均值聚类算法获得电热负荷数据。
可选的，基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型，具体包括：
基于风电光伏功率数据和电热负荷数据设定范围阈值，构建减排路径优化模型中的目标函数和约束条件。
可选的，所述目标函数为：
min Fco＝F+Ccarbon；
Fco＝Cinv+Cmain+Cop+Ccarbon+Cdeload；
F＝Cinv+Cmain+Cop+Cdeload；
Rn＝(1+i)-n；
其中，Fco为加入碳排放惩罚成本的系统总成本，F表示系统总成本，主要包括各类型机组的投建成本Cinv、机组维护成本Cmain、机组运行成本Cop、碳排放惩罚成本Ccarbon和切负荷惩罚成本Cdeload；投资成本构成主体包括风电机组光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/>an,s,x表示各类型机组的单位容量投资成本，/>表示各类型机组的装机容量，Rn为等效年份的现值系数，Ωn为规划年份集合，Ωs为年内场景集合，Ωx为各类型机组集合；维护成本构成主体包括风电机组/>光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/>bn,s,x表示各类型机组的单位容量维护成本；运行成本构成主体包括风电机组/>光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/> 为第n年第s场景下第t时刻的系统切负荷电量，/>为对应的单位电量切负荷成本，Ωt为每日运行时刻集合，Δt为时间间隔；i为折现率；/>和/>分别为煤电机组、热电联产机组和热源锅炉运行产生二氧化碳所构成的碳排放惩罚成本；/> 和/>为第n年第s场景下的煤电机组发电、热电联产机组发电、热电联产机组供热和热源锅炉供热的单位碳排放量惩罚成本。
可选的，所述机组约束，具体包括：装机容量约束、电力/热力机组组合初步筛选约束、热电联产机组运行约束、功率平衡约束、线路传输功率约束、机组出力上下限约束和机组升降坡约束；
其中，所述装机容量约束为：
其中，和/>表示第n年各类型机组装机容量的下限与上限；/>表示各类型机组的装机容量；
所述电力/热力机组组合初步筛选约束为：
其中，σwind、σpv、σg和σchp分别为风电机组、光伏机组、煤电机组以及热电联产机组的置信因子；为当前系统规划年里最大电负荷，Rd,e为电力容量备用系数；σboil为供热机组的置信因子，/>为当前系统规划年里最大热负荷，Rd,h为热力容量备用系数；
所述热电联产机组运行约束为：
其中，Pt和Ht为热电联产机组的电出力与热出力，ρ为背压式热电联产机组的热电比，β为热电联产机组运行特性相关的常数；σv1和σv2表示在热电联产机组进汽量不变的情况下，增加单位热功率而造成的电功率减小量，σm表示为热电联产机组在背压工况下的热电功率系数，Pmin和Pmax为热电联产机组的最小电出力与最大电出力，Hmin为热电联产机组的最小热出力，Hmed为抽凝式热电联产机组的热中值；
所述功率平衡约束为：
其中，和/>为风电机组、光伏机组、煤电机组、热电联产机组和储能系统的第n年第s场景下第t时刻的电出力，/>和/>为热电联产机组和热源锅炉的第n年第s场景下第t时刻的热出力，/>为第n年第s场景下第t时刻的系统切负荷需求，/>和/>分别为第n年第s场景下第t时刻的系统电负荷需求和热负荷需求；
所述线路传输功率约束为：
其中，pn,s,t,k是第k条支路的有功功率实际值，和/>分别是第k条支路的最大允许功率值以及最小允许功率值；
所述机组出力上下限约束为：
其中，和/>分别为供电机组的最小技术出力与最大技术出力；/>和/>为供热机组的最小技术出力和最大技术出力；
所述机组升降坡约束为：
其中，和/>为供电机组的向上爬坡允许功率和向下降坡允许功率；/>和为供热机组的向上爬坡允许功率和向下降坡允许功率。
可选的，所述碳排放量限制约束包括：
其中，和/>为燃料供电机组的第n年第s场景第t时刻下的实际电出力，/>和/>为燃料供热机组第n年第s场景第t时刻下的实际热出力；/>和分别为煤电机组、热电联产机组供电部分、热电联产机组供热部分以及供热锅炉的单位出力下的二氧碳排放系数，/>为系统第n年计划的二氧化碳气体排放上限；
一种基于碳减排路径优化模型的机组容量规划系统，所述系统包括：
数据获取模块，用于获取风电光伏功率数据和电热负荷数据；
模型建立模块，用于基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；所述碳减排路径优化模型包括目标函数和约束条件，所述目标函数以系统总成本和碳排放惩罚成本最小为目标构建，所述约束条件包括：机组约束和碳排放量限制约束；
求解规划模块，用于对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。
可选的，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如以上所述的方法。
可选的，其上存储有计算机程序，所述计算机程序被执行时实现如以上所述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过以系统总成本和碳排放惩罚成本最小为目标构建目标函数，将机组约束和碳排放量限制约束作为约束条件，构建碳减排路径优化模型，然后对模型进行分层求解，实现了对能源机组容量的优化，降低了电力系统碳排放量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例提供的一种基于碳减排路径优化模型的机组容量规划方法的流程图；
图2为本发明实施例提供的一种基于碳减排路径优化模型的机组容量规划方法的示意图；
图3为本发明实施例提供的一种基于碳减排路径优化模型的机组容量规划方法减排演化路径的示意图；
图4为本发明实施例提供的一种基于碳减排路径优化模型的机组容量规划系统结构示意图。
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做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。
本发明的目的是提供一种基于碳减排路径优化模型的机组容量规划方法及系统，本发明通过以系统总成本和碳排放惩罚成本最小为目标构建目标函数，将机组约束和碳排放量限制约束作为约束条件，构建碳减排路径优化模型，然后对模型进行分层求解，实现对能源机组容量的优化，降低电力系统碳排放量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1-图2所示，本发明提供一种基于碳减排路径优化模型的机组容量规划方法，所述方法包括：
步骤S1.获取风电光伏功率数据和电热负荷数据。
步骤S2基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；所述碳减排路径优化模型包括目标函数和约束条件，所述目标函数以系统总成本和碳排放惩罚成本最小为目标构建，所述约束条件包括：机组约束和碳排放量限制约束。
步骤S3.对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。
作为一种可选的实施方式，获取风电光伏功率数据的过程为：
将风电光伏出力的实际运行的历史数据通过K均值聚类算法按照区域的天气特征将分为四个部分，将每个部分的数据聚类为一簇，得到风电光伏功率数据。
具体的，将四个部分的数据按照区域的天气特征将历史数据分为春季、夏季、秋季以及冬季四个部分，采用K均值聚类算法将每季度内的数据聚类为一簇，，得到风电光伏功率数据。
作为一种可选的实施方式，获取电热负荷数据的过程为：
基于电负荷和热负荷的实际运行的历史数据使用LHS(Latin Hypercubesampling，拉丁超立方体采样)方法生成负荷场景。
在负荷场景中采用K均值聚类算法获得电热负荷数据。
具体的，首先使用LHS方法基于电负荷和热负荷的实际运行的历史数据生成大量负荷场景。LHS方法将一大片区域划分为多个固定单元，每个单元只采样一次。假设x维向量空间被采样y次，并且每个维度被均匀采样，则采样的中间过程可以存储在矩阵A中，并且矩阵B可以用于存储采样点坐标。
式中，P表示采样点。从第一子区间中随机提取y个值，以形成列向量作为矩阵A的第一列，同样，对第二列的运算构成矩阵A的第二列，以此类推。确保矩阵A的维度顺序保持不变，并随机打乱矩阵A的每一行，以获得存储采样点坐标的矩阵B。矩阵B的每个列向量表示1个采样点，矩阵B总共有y列，这意味着y个采样点是通过LHS采样获得的。
根据历史负荷数据，可以生成一系列负荷场景C：
采用K均值聚类算法在生成的负荷场景中随机选择任意数量的初始均值向量S＝{S1,S2,…,Sk}，分析负荷场景Si与平均向量的每个距离，将其划分为不同的聚类。在样本中的所有初始样本被完全划分之后，从新的聚类中选择初始平均向量进行新的划分。在这次迭代中，直到分割结果不变，就得到了最终的场景聚类分割结果。以此得到电热负荷数据，此外还可以获得未来的年份的负荷预测数据，为碳减排路径优化模型的机组容量规划提供负荷侧数据支撑。
作为一种可选的实施方式，基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型，具体包括：
基于风电光伏功率数据和电热负荷数据设定范围阈值，构建减排路径优化模型中的目标函数和约束条件。
可选的，所述风电光伏功率数据具体包括：风电机组和光伏机组的第n年第s场景下第t时刻的预测出力和/>
所述电热负荷数据具体包括：当前系统规划年里最大电负荷当前系统规划年里最大热负荷/>第n年第s场景下第t时刻的系统电负荷需求和热负荷需求/>和/>
作为一种可选的实施方式，所述目标函数为：
min Fco＝F+Ccarbon。
Fco＝Cinv+Cmain+Cop+Ccarbon+Cdeload。
F＝Cinv+Cmain+Cop+Cdeload。
Rn＝(1+i)-n。
其中，Fco为加入碳排放惩罚成本的系统总成本，F表示系统总成本，主要包括各类型机组的投建成本Cinv、机组维护成本Cmain、机组运行成本Cop、碳排放惩罚成本Ccarbon和切负荷惩罚成本Cdeload；投资成本构成主体包括风电机组光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/>an,s,x表示各类型机组的单位容量投资成本，/>表示各类型机组的装机容量，Rn为等效年份的现值系数，Ωn为规划年份集合，Ωs为年内场景集合，Ωx为各类型机组集合；维护成本构成主体包括风电机组/>光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/>bn,s,x表示各类型机组的单位容量维护成本；中：运行成本构成主体包括风电机组/>光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/> 为第n年第s场景下第t时刻的系统切负荷电量，/>为对应的单位电量切负荷成本，Ωt为每日运行时刻集合，Δt为时间间隔；i为折现率；/>和/>分别为煤电机组、热电联产机组和热源锅炉运行产生二氧化碳所构成的碳排放惩罚成本；和/>为第n年第s场景下的煤电机组发电、热电联产机组发电、热电联产机组供热和热源锅炉供热的单位碳排放量惩罚成本。/>和/>为风电和光伏机组的单位电量弃电惩罚成本，/>为煤电机组的单位电量发电成本，/>和/>为热电联产机组的单位电量发电成本以及单位热量供热成本，/>为热源锅炉的单位热量供热成本，/>为储能系统的单位运行成本；/>和/>为风电机组和光伏机组的第n年第s场景下第t时刻的预测出力；/>和/>为风电机组、光伏机组、煤电机组、热电联产机组和储能系统的第n年第s场景下第t时刻的电出力，/>和/>为热电联产机组和热源锅炉的第n年第s场景下第t时刻的热出力。
系统指的是系统面向考虑热约束的区域级电力系统，电/热源机组主要包括风电机组、光伏机组、煤电机组、热电联产机组以及热源锅炉，储能投建考虑电化学储能系统。
作为一种可选的实施方式，所述机组约束，具体包括：装机容量约束、电力/热力机组组合初步筛选约束、热电联产机组运行约束、功率平衡约束、线路传输功率约束、机组出力上下限约束和机组升降坡约束。
其中，所述装机容量约束为：
其中，和/>表示第n年各类型机组装机容量的下限与上限；/>表示各类型机组的装机容量；/>表示系统内机组装机容量仅考虑扩增，将前一年度的装机容量作为后一年度的初始容量。
所述电力/热力机组组合初步筛选约束为：
其中，σwind、σpv、σg和σchp分别为风电机组、光伏机组、煤电机组以及热电联产机组的置信因子；为当前系统规划年里最大电负荷，Rd,e为电力容量备用系数；σboil为供热机组的置信因子，/>为当前系统规划年里最大热负荷，Rd,h为热力容量备用系数。
对于电力/热力机组组合初步筛选约束，系统电源和热源的总装机容量要满足最大电负荷和热负荷，并留有一定裕度，同时，对于新能源机组，由于其很难达到满出力，引入置信因子进一步缩小约束范围，显然，该约束并不完备，仅用于预先筛选明显不满足要求的机组装机容量配置。
所述热电联产机组运行约束为：
Ht＝ρPt+β；
其中，Pt和Ht为热电联产机组的电出力与热出力，ρ为背压式热电联产机组的热电比，β为热电联产机组运行特性相关的常数；σv1和σv2表示在热电联产机组进汽量不变的情况下，增加单位热功率而造成的电功率减小量，σm表示为热电联产机组在背压工况下的热电功率系数，Pmin和Pmax为热电联产机组的最小电出力与最大电出力，Hmin为热电联产机组的最小热出力，Hmed为抽凝式热电联产机组的热中值。
根据热电联产机组运行工况的情况，热电联产机组主要可分为背压式和抽凝式两种。背压式热电联产机组满足一定的热电耦合关系，考虑到电热转换过程中的漏热损失，热电联产机组电热出力之间近似呈线性关系；抽凝机组指从汽轮机汽缸中抽出一定压力的热蒸汽对外供热的汽轮机组，其发电功率和供热功率可以在一定范围内自由调节。
所述功率平衡约束为：
其中，和/>为风电机组、光伏机组、煤电机组、热电联产机组和储能系统的第n年第s场景下第t时刻的电出力，/>和/>为热电联产机组和热源锅炉的第n年第s场景下第t时刻的热出力，/>为第n年第s场景下第t时刻的系统切负荷需求，/>和/>分别为第n年第s场景下第t时刻的系统电负荷需求和热负荷需求。
对于功率平衡约束，在任意场景任意时段内，电源出力之和应该等于总电负荷，热源出力之和应等于总热负荷。
所述线路传输功率约束为：
其中，pn,s,t,k是第k条支路的有功功率实际值，和/>分别是第k条支路的最大允许功率值以及最小允许功率值。
对于线路传输功率约束，在大电网规划问题中，一般不考虑电力系统运行过程中电压是否超过界限，只对线路潮流是否超过输电线路容量限制进行静态安全分析。
所述机组出力上下限约束为：
其中，和/>分别为供电机组的最小技术出力与最大技术出力；/>和/>为供热机组的最小技术出力和最大技术出力。
对于机组出力上下限约束，任意处于发电状态或供热状态下的机组出力应控制在其允许的范围之中，在进行系统规划时，一般考虑机组的出力上下限约束和升降坡约束。
所述机组升降坡约束为：
其中，和/>为供电机组的向上爬坡允许功率和向下降坡允许功率；/>和为供热机组的向上爬坡允许功率和向下降坡允许功率。
如图3所示，作为一种可选的实施方式，所述碳排放量限制约束包括：
其中，和/>为燃料供电机组的第n年第s场景第t时刻下的实际电出力，/>和/>为燃料供热机组第n年第s场景第t时刻下的实际热出力；/>和分别为煤电机组、热电联产机组供电部分、热电联产机组供热部分以及供热锅炉的单位出力下的二氧碳排放系数，/>为系统第n年计划的二氧化碳气体排放上限。
对于碳排放量限制约束，依据碳排放量目标设置减排演化路径，采用前加速后加速理论生成各类减排路径，以不考虑碳排放限制约束以及碳税的多场景规划生成的碳排放结果为基础碳排放，在多个规划阶段内分别以匀速、前加速以及后加速的演化路径对碳排放量进行限额。
构建的碳减排路径优化模型如下：
Fco＝Cinv+Cmain+Cop+Ccarbon+Cdeload。
可选的，对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案，具体包括：
根据初始总装机容量，设定能源机组容量规划方案。
基于能源机组容量规划方案，采用量子粒子群算法对碳减排路径优化模型的生产模拟层进行求解，得到加入碳排放惩罚成本的系统总成本。
基于加入碳排放惩罚成本的系统总成本，采用搜索算法碳减排路径优化模型的投资决策层进行求解，得到新的能源机组容量规划方案，重新执行“基于能源机组容量规划方案，采用量子粒子群算法对碳减排路径优化模型的生产模拟层进行求解，得到加入碳排放惩罚成本的系统总成本”，并进行循环迭代，直到达到预设迭代次数或满足预设收敛条件，将加入碳排放惩罚成本的系统总成本最低的能源机组容量规划方案作为最优的能源机组容量规划方案。
其中，对于碳减排路径优化模型的投资决策层，采用一种改进的搜索算法进行求解。试探性搜索方法在精度要求不高的情况下，选取较大迭代步长可以通过较少的迭代次数获取较优的能源机组容量配置结果，同时试探性搜索方法可以沿各个方向进行搜索，可以避免搜索过程中陷入局部最优解的问题。模式搜索算法的搜索方向会受到先后顺序影响，在精度较低时搜索过程中容易陷入局部最优解，但在精度较高的情况下，可以搜索到局部区域内的最优解。将试探性搜索方法与模式搜索方法进行结合，先使用试探性搜索方法以大步长沿各向下降的趋势搜索确定最优解所在的区域，再提高精度用模式搜索法确定区域内的最优解，以提高搜索的效率和精度。
其中，对于碳减排路径优化模型的生产模拟层，采用一种量子粒子群算法进行求解。量子粒子群算法以传统的粒子群算法为基础，将粒子拓展到量子空间中使其具有量子行为，具有进化方程简单、控制参数少、收敛速度快、运算量少等特点。量子空间中的粒子仅具有位置更新没有速度更新，摆脱了传统粒子群算法中粒子受速度的限制，提升了算法的全局搜索能力和收敛速度。
其进化方程为：
xi(t)为第t次迭代时第个粒子所在的位置；Mbest(t)为第t次迭代时粒子平均最优位置；Pbesti(t)为第t次迭代时第个粒子的个体最优位置；Gbest(t)为第t次迭代时的全局最优位置；pi(t)为第个粒子在第t次迭代时的吸引子，表示该粒子吸引其他粒子靠近的能力的大小；m为粒子个数；和ui(t)均为(0,1)之间的随机数；α为收缩-扩增系数。在进行运行模拟部分时，首先依据投资决策部分传输过来的机组容量配置情况进行初始参数设置，并进行种群初始化，随机生成初代粒子位置，以粒子适应度函数为依据，计算每个粒子初始位置的适应度大小以及吸引其他粒子能力的参数pi(t)，计算Pbesti(t)和Gbest(t)，继而计算当前的粒子平均最优位置Mbest(t)；位置更新后再次计算适应度函数并与Pbesti(t-1)和Gbest(t-1)进行比较，若更新后粒子位置适应度更好，则二者进行更新。不断进行位置更新和适应度更新，直到达到最大迭代次数或满足设定条件，输出Gbest(t)，即能得到运行模拟部分的最优结果。
实施例二
如图4所示，本发明还提供一种基于碳减排路径优化模型的机组容量规划系统，所述系统包括：
数据获取模块101，用于获取风电光伏功率数据和电热负荷数据。
模型建立模块102，用于基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；所述碳减排路径优化模型包括目标函数和约束条件，所述目标函数以系统总成本和碳排放惩罚成本最小为目标构建，所述约束条件包括：机组约束和碳排放量限制约束。
求解规划模块103，用于对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。
实施例三
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如以上所述的方法。
实施例四
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如以上所述的方法。
本发明首先依据某区域级别的电负荷、热负荷以及风电光伏出力的历史数据，采用K均值聚类算法计算与风电光伏功率归一化曲线，采用拉丁超立方体采样方法与K均值聚类算法获得其典型的电热负荷曲线。依据电源机组与热源机组的投资运行情况建立系统总体成本模型，包括系统能源机组的投资成本，维护成本、运行成本和切负荷成本四部分，作为后续多场景规划模型的目标函数。依据抽凝式与背压式的热电联产机组运行特性，建立精细化热电联产机组运行模型。在前两个模型的基础上，纳入规划层面约束与运行层面约束，规划层面包括装机容量约束以及电力/热力机组组合初步筛选约束；运行层面包括功率平衡约束、线路传输功率约束、机组出力上下限约束与升降坡约束，形成多场景规划模型。在多场景规划模型的基础上纳入低碳要素，目标函数加入碳排放惩罚成本，约束条件加入碳排放量限制约束，并依据碳排放量目标设置碳排放量演化路径，采用前加速后加速理论生成各类减排路径，形成碳减排路径优化模型。采用改进的搜索算法和量子粒子群算法对碳减排路径优化模型进行快速求解，输出最优的能源机组容量规划方案。
本发明通过以系统总成本和碳排放惩罚成本最小为目标构建目标函数，将机组约束和碳排放量限制约束作为约束条件，构建碳减排路径优化模型，然后对模型进行分层求解，实现了对能源机组容量的优化，降低了电力系统碳排放量。本发明采用拉丁超立方体采样方法来处理不确定性场景下的负荷预测问题，具有更快的计算速度和更高的可靠性，结合K均值聚类算法对负荷场景进行约简，以获得对典型负荷场景的更准确描述。本发明依据实际热电联产机组运行状况，建立精细化热电联产运行模型，提出一种充分调用热源侧调节潜力的新型电力系统规划方法，降低了调峰成本，规划方案更贴合实际。本发明结合碳减排目标要求，依托限碳手段，构建碳减排路径优化模型，降低了电力系统碳排放量，实现了对电力系统经济性运行与碳减排的综合优化。本发明还提出一种采用前加速后加速理论生成各类减排路径的方法，对于碳排放量演化路径进行精准描述，对减排目标的实现具有指导意义，可以实现减排路径方案快速获取。采用改进的搜索算法和量子粒子群算法联合求解碳减排路径优化模型，有效提升算法全局搜索能力和收敛速度，具备搜索的效率高、精度高以及求解速度快的特点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于碳减排路径优化模型的机组容量规划方法，其特征在于，所述方法包括：
获取风电光伏功率数据和电热负荷数据；
基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；所述碳减排路径优化模型包括目标函数和约束条件，所述目标函数以系统总成本和碳排放惩罚成本最小为目标构建，所述约束条件包括：机组约束和碳排放量限制约束；
对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。
2.根据权利要求1所述的基于碳减排路径优化模型的机组容量规划方法，其特征在于，获取风电光伏功率数据的过程为：
将风电光伏出力的实际运行的历史数据通过K均值聚类算法按照区域的天气特征将分为四个部分，将每个部分的数据聚类为一簇，得到风电光伏功率数据。
3.根据权利要求1所述的基于碳减排路径优化模型的机组容量规划方法，其特征在于，获取电热负荷数据的过程为：
基于电负荷和热负荷的实际运行的历史数据使用LHS(Latin Hypercube sampling，拉丁超立方体采样)方法生成负荷场景；
在负荷场景中采用K均值聚类算法获得电热负荷数据。
4.根据权利要求1所述的基于碳减排路径优化模型的机组容量规划方法，其特征在于，基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型，具体包括：
基于风电光伏功率数据和电热负荷数据设定范围阈值，构建减排路径优化模型中的目标函数和约束条件。
5.根据权利要求1所述的基于碳减排路径优化模型的机组容量规划方法，其特征在于，所述目标函数为：
minFco＝F+Ccarbon；
Fco＝Cinv+Cmain+Cop+Ccarbon+Cdeload；
F＝Cinv+Cmain+Cop+Cdeload；
Rn＝(1+i)-n；
其中，Fco为加入碳排放惩罚成本的系统总成本，F表示系统总成本，主要包括各类型机组的投建成本Cinv、机组维护成本Cmain、机组运行成本Cop、碳排放惩罚成本Ccarbon和切负荷惩罚成本Cdeload；投资成本构成主体包括风电机组光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/>an,s,x表示各类型机组的单位容量投资成本，/>表示各类型机组的装机容量，Rn为等效年份的现值系数，Ωn为规划年份集合，Ωs为年内场景集合，Ωx为各类型机组集合；维护成本构成主体包括风电机组/>光伏机组煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/>bn,s,x表示各类型机组的单位容量维护成本；运行成本构成主体包括风电机组/>光伏机组/>煤电机组/>热电联产机组/>热源锅炉/>和电化学储能系统/> 为第n年第s场景下第t时刻的系统切负荷电量，/>为对应的单位电量切负荷成本，Ωt为每日运行时刻集合，Δt为时间间隔；i为折现率；/>和/>分别为煤电机组、热电联产机组和热源锅炉运行产生二氧化碳所构成的碳排放惩罚成本；/> 和/>为第n年第s场景下的煤电机组发电、热电联产机组发电、热电联产机组供热和热源锅炉供热的单位碳排放量惩罚成本。
6.根据权利要求1所述的基于碳减排路径优化模型的机组容量规划方法，其特征在于，所述机组约束，具体包括：装机容量约束、电力/热力机组组合初步筛选约束、热电联产机组运行约束、功率平衡约束、线路传输功率约束、机组出力上下限约束和机组升降坡约束；
其中，所述装机容量约束为：
其中，和/>表示第n年各类型机组装机容量的下限与上限；/>表示各类型机组的装机容量；
所述电力/热力机组组合初步筛选约束为：
其中，σwind、σpv、σg和σchp分别为风电机组、光伏机组、煤电机组以及热电联产机组的置信因子；为当前系统规划年里最大电负荷，Rd,e为电力容量备用系数；σboil为供热机组的置信因子，/>为当前系统规划年里最大热负荷，Rd,h为热力容量备用系数；
所述热电联产机组运行约束为：
Ht＝ρPt+β；
其中，Pt和Ht为热电联产机组的电出力与热出力，ρ为背压式热电联产机组的热电比，β为热电联产机组运行特性相关的常数；σv1和σv2表示在热电联产机组进汽量不变的情况下，增加单位热功率而造成的电功率减小量，σm表示为热电联产机组在背压工况下的热电功率系数，Pmin和Pmax为热电联产机组的最小电出力与最大电出力，Hmin为热电联产机组的最小热出力，Hmed为抽凝式热电联产机组的热中值；
所述功率平衡约束为：
其中，和/>为风电机组、光伏机组、煤电机组、热电联产机组和储能系统的第n年第s场景下第t时刻的电出力，/>和/>为热电联产机组和热源锅炉的第n年第s场景下第t时刻的热出力，/>为第n年第s场景下第t时刻的系统切负荷需求，和/>分别为第n年第s场景下第t时刻的系统电负荷需求和热负荷需求；
所述线路传输功率约束为：
其中，pn,s,t,k是第k条支路的有功功率实际值，和/>分别是第k条支路的最大允许功率值以及最小允许功率值；
所述机组出力上下限约束为：
其中，和/>分别为供电机组的最小技术出力与最大技术出力；/>和/>为供热机组的最小技术出力和最大技术出力；
所述机组升降坡约束为：
其中，和/>为供电机组的向上爬坡允许功率和向下降坡允许功率；/>和/>为供热机组的向上爬坡允许功率和向下降坡允许功率。
7.根据权利要求1所述的基于碳减排路径优化模型的机组容量规划方法，其特征在于，所述碳排放量限制约束包括：
其中，和/>为燃料供电机组的第n年第s场景第t时刻下的实际电出力，/>和/>为燃料供热机组第n年第s场景第t时刻下的实际热出力；/>和/>分别为煤电机组、热电联产机组供电部分、热电联产机组供热部分以及供热锅炉的单位出力下的二氧碳排放系数，/>为系统第n年计划的二氧化碳气体排放上限。
8.一种基于碳减排路径优化模型的机组容量规划系统，其特征在于，所述系统包括：
数据获取模块，用于获取风电光伏功率数据和电热负荷数据；
模型建立模块，用于基于风电光伏功率数据和电热负荷数据构建碳减排路径优化模型；所述碳减排路径优化模型包括目标函数和约束条件，所述目标函数以系统总成本和碳排放惩罚成本最小为目标构建，所述约束条件包括：机组约束和碳排放量限制约束；
求解规划模块，用于对碳减排路径优化模型进行分层求解，得到最优的能源机组容量规划方案。
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642524.6A CN117592632A (zh) | 2023-12-01 | 2023-12-01 | 一种基于碳减排路径优化模型的机组容量规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642524.6A CN117592632A (zh) | 2023-12-01 | 2023-12-01 | 一种基于碳减排路径优化模型的机组容量规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117592632A true CN117592632A (zh) | 2024-02-23 |
Family
ID=89914910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311642524.6A Pending CN117592632A (zh) | 2023-12-01 | 2023-12-01 | 一种基于碳减排路径优化模型的机组容量规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592632A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118412898A (zh) * | 2024-05-28 | 2024-07-30 | 浙江大学 | 风-光-超长时储能耦合煤电的低碳发电系统配置优化方法 |
-
2023
- 2023-12-01 CN CN202311642524.6A patent/CN117592632A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118412898A (zh) * | 2024-05-28 | 2024-07-30 | 浙江大学 | 风-光-超长时储能耦合煤电的低碳发电系统配置优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amer et al. | Optimization of hybrid renewable energy systems (HRES) using PSO for cost reduction | |
| CN112994115B (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
| CN102182634B (zh) | 基于改进粒子群的海岛风柴蓄发电功率优化设计方法 | |
| CN106786509B (zh) | 大规模风电并网下基于多场景模拟的热-电联合调度方法 | |
| CN105048516A (zh) | 一种风光水火多源互补优化调度方法 | |
| CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
| CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
| CN111049179A (zh) | 一种考虑不确定性的新能源发电系统多目标优化调度方法 | |
| CN117592632A (zh) | 一种基于碳减排路径优化模型的机组容量规划方法及系统 | |
| Welch et al. | Energy dispatch fuzzy controller for a grid-independent photovoltaic system | |
| CN118432039A (zh) | 一种考虑分布式共享储能的新能源就地消纳能力评估方法 | |
| CN117610801A (zh) | 一种综合能源供能的碳排放优化方法及系统 | |
| CN116960939A (zh) | 基于多目标粒子群算法的风光柴储系统优化调度方法、设备及存储介质 | |
| CN113937767B (zh) | 一种基于改进鲸鱼算法的微电网容量优化配置方法 | |
| CN116562423A (zh) | 基于深度强化学习的电-热耦合新能源系统能量管理方法 | |
| CN115642638A (zh) | 基于双层模型的风光氢储耦合系统配置优化方法及系统 | |
| Yu et al. | Bi-level Optimal Control Strategy of Energy Storage Participating in Power Grid Frequency Regulation Based on Multi ObjectiveGenetic Algorithm | |
| CN117744894B (zh) | 一种综合能源系统的主动学习代理优化方法 | |
| CN118249422B (zh) | 一种考虑制氢储能的工业虚拟电厂优化调度方法 | |
| Dong et al. | Design and optimal scheduling of forecasting-based campus multi-energy complementary energy system | |
| CN113077125B (zh) | 一种考虑能效的综合能源系统典型场景生成方法 | |
| CN112134304B (zh) | 一种基于深度学习的微电网全自动导航方法、系统与装置 | |
| Ji et al. | Output Power Prediction of Thermal Power Plants Based on Optimized Random Forest Algorithm | |
| CN117811095A (zh) | 一种电力系统多元资源协同调节策略生成方法及系统 | |
| Deng | Research on Large-scale Multi-target Units Combination Model Based on IAFSA |
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 |