买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北工业大学

摘要：本发明在碳交易机制下，考虑风光发电出力约束、热电联产机组出力约束、储能设备约束、电网购售电约束以及能量平衡约束，建立了碳交易机制下的综合能源系统模型，模型将系统的购能成本、交易成本以及运行维护成本考虑在内，以实现系统的总运行成本最低。采用改进北方苍鹰优化算法，并通过两种案例对比，在本发明所提方法下，总运行成本降低了8.928％，其中购能成本降低9.297％，碳交易成本降低53.90％，碳排放量降低12.315％，验证了其在实际运行过程种的有效性。

主权项：1.一种考虑碳交易机制的综合能源系统低碳经济运行方法，包括以下步骤：步骤1，基于碳交易配额与成本模型建立包含光伏发电、风力发电、热电联产机组出力、储能设备以及购能等元素的综合能源系统模型，分析用户的综合负荷需求，包括热负荷、气负荷和电负荷，以及对应的负荷需求曲线，确保系统能够满足用户的能源需求；步骤2，预测光伏发电和风力发电的出力曲线，定义优化的目标函数，包括成本最小化和系统低碳化两个方面，确保在经济和环保之间取得平衡；步骤3，考虑电网购售电约束、能源储能设备约束和能量平衡约束等约束条件，设计一个阶梯式碳交易机制，通过碳交易来进一步降低系统的碳排放，实现低碳经济运行的目标；步骤4，选择改进北方苍鹰优化算法来解决综合能源系统的运行优化问题，输出优化结果；步骤1，根据不同类型设备的碳配额系数分配碳排放配额，主要的碳排放源是热电联产机组中的微型燃气轮机以及燃气锅炉；碳排放配额模型如下： 式中，WIES是综合能源系统被分配的初始碳排放配额量，WMT和WGB分别是综合能源系统中微型燃气轮机和燃气锅炉所占的碳排放配额，α表示微型燃气轮机在初始碳排放配额量中的相对重要度，β表示燃气锅炉在初始碳排放配额量中的相对重要度，qMT和qGB分别是微型燃气轮机和燃气锅炉单位能耗的配额，HMTt和HGBt分别是t时刻微型燃气轮机和燃气锅炉输出的热能；在传统的碳交易机制中，所采用的是生产商提供自主交易碳排放权配额的机制策略，当生产商的实际碳排放量低于其分配的碳排放配额时，生产商有权将盈余的碳排放配额以市场价格售卖获得相应的经济收益；相反，如果高于其分配的碳排放配额时，则购买超额的数量，因此，碳排放交易的成本模型如下：WIES，m＝Wact-WIES4 式中，WIES，m是综合能源系统在碳市场进行交易的碳排放交易额，Wact是实际的碳排放量，CCa是碳交易成本，是碳交易市场的碳价；为了进一步限制碳排放，本发明采用阶梯式碳交易机制，即将碳交易量划分为多个区间段；因此，阶梯式碳交易机制下的碳排放交易成本模型如下： 式中，CCas是阶梯式碳交易机制下的碳交易成本，θ是阶梯式碳交易的基价，τ是阶梯式碳交易机制下的碳价增长率，l是阶梯式碳排放的区间长度；步骤2，综合能源系统低碳调度模型的目标函数主要包括系统购能成本、碳交易成本以及投资运维成本，使整个系统运行的成本之和最小；模型具体所构建的目标函数如下：minF＝F1+F2+F37式中，F是综合能源系统低碳经济运行的总成本，F1是系统购能成本，F2是碳交易成本，F3是投资运维成本；1系统购能成本系统购能成本由电网交互成本和燃料成本组成，具体目标函数的数学模型如下：F1＝CGrid+CFuel8 式中，CGrid和CFuel分别是综合能源系统电网交互成本和燃料消耗成本，kbuy和ksell分别是系统向上级电网购售电的单位价格，Pbuyt和Psellt分别是t时刻系统的购买电量和售卖电量，cg是天然气的单位价格，Gbuyt是t时刻系统的购气量；2碳交易成本在一个运行周期内，阶梯式碳交易机制下碳交易成本目标函数的数学模型如下： 式中，CCast是每个时段的碳交易成本；3投资运维成本综合能源系统的投资运维成本包含设备的投资与运行维护成本，具体目标函数的数学模型如下：F3＝Cinv+Cope11 式中，Cinv和Cope分别是综合能源系统中设备的投资和运维成本，μr，l是系统的折旧系数，N代表不同类型的设备，xi是设备i的编号，和分别是设备i的单位投资和运维成本；步骤3，构建的综合能源系统低碳经济模型主要考虑的约束条件有四个方面：1风光发电出力约束在能源供给侧光伏发电和风力发电会受到多种因素的影响，其出力存在较高的不确定性，出力约束条件如下： 式中，和分别是光伏发电和风力发电的最小出力，和分别是光伏发电和风力发电的最大出力；2热电联产机组出力约束 式中，和分别是CHP机组出力的最小值和最大值，是CHP机组输出热功率的最小值，PCHPt和HCHPt分别是CHP机组在t时刻输出的电功率和热功率，σ是CHP机组的电热转换系数，为线性斜率，σ1和σ2分别是CHP机组最大和最小出力的电热转换系数；3储能设备约束在运行过程中，电储能需要遵循一定的约束条件，电储能的荷电状态约束如下所示： 式中，和分别是电储能最小荷电状态值与最大荷电状态值占其总容量的比例，是电储能的规划容量；电储能不能同时进行充电和放电，而且充电功率与放电功率有上下限约束，以及额定容量与充放电功率的极限约束，如下所示： 式中，和分别是t时刻电储能充电与放电的辅助二进制变量，和分别是t时刻电储能的充电功率与放电功率，μEES是电储能容量与功率的比值系数，是电储能规划的最大功率；在运行过程中，热储能需要遵循一定的约束条件，热储能的储热状态约束如下所示： 式中，和分别是热储能最小储热状态值与最大储热状态值占其总容量的比例，是热储能的规划容量；热储能不能同时进行储热和放热，而且充热功率与放热功率有上下限约束，以及额定容量与充放热功率的极限约束，如下所示： 式中，和分别是t时刻热储能充热与放热的辅助二进制变量，和分别是t时刻热储能的充热功率与放热功率，μTES是热储能容量与功率的比值系数，是热储能规划的最大功率；在运行过程中，冷储能需要遵循一定的约束条件，冷储能的储冷状态约束如下所示： 式中，和分别是冷储能最小储冷状态值与最大储冷状态值占其总容量的比例，是冷储能的规划容量；与电储能和热储能相类似，冷储能也不能同时进行储冷和放冷，而且充冷功率与放冷功率有上下限约束，以及额定容量与充放冷功率的极限约束，具体数学表达式如下所示： 式中，和分别是t时刻冷储能充冷与放冷的辅助二进制变量，和分别是t时刻冷储能的充冷功率与放冷功率，μCES是冷储能容量与功率的比值系数，是冷储能规划的最大功率；4电网购售电约束综合能源系统与电网的购售电约束如下所示； 式中，是综合能源系统运营商与电网进行购售电的最大值；5能量平衡约束为了使系统更加安全可靠的运行，设置了能量平衡约束条件，包含电功率平衡、热功率平衡和气功率平衡；电功率平衡约束如下： 式中，PHEt是t时刻换热装置消耗的电能，是t时刻用户侧所需求的初始电负荷；热功率平衡约束如下： 式中，HHEt是t时刻换热装置释放的热能，是t时刻用户侧所需求的初始热负荷；气负荷平衡约束如下：Gbuyt＝GMTt+GGBt24式中，GMTt和GGBt分别是t时刻综合能源系统中微型燃气轮机和燃气锅炉消耗天然气的量；步骤4，选择改进北方苍鹰优化算法来解决综合能源系统的运行优化问题，北方苍鹰优化算法数学模型如下：1种群初始化每个种群成员都代表一个向量，每个向量也代表种群的位置，将不同位置组合，将形成一个矩阵向量，在算法计算的开始阶段，需要对搜索空间中的种群成员进行随机初始化，本发明采用的北方苍鹰优化算法种群矩阵的数学表达式如下： 式中，X是北方苍鹰种群，Xi是第i个北方苍鹰的种群位置，xi，j是第i个北方苍鹰在j维空间上的位置，N是种群数量，d是变量的维度；将其带入适应度函数中来评估每个种群成员位置的优劣，因此，目标函数得到的值可以用向量表示，得到北方苍鹰种群对应的适应度矩阵如下： 式中，FX是目标函数值的向量矩阵，Fi是北方苍鹰第i个个体对应的目标函数适应度值；2识别与攻击阶段在狩猎行为的第一阶段，北方苍鹰会在其广阔的搜索空间内随机选定猎物，并快速发起攻击，这一过程中，猎物选择的随机性体现在搜索空间内，增加了北方苍鹰优化算法的探索能力，以便快速找出空间的最优区域；整个阶段北方苍鹰具体行为过程的数学表达式如下所示：Pi＝Xk，i＝1，2，...，N，k＝1，2，...，i-1，i+1，...，N27式中，Pi是第i个北方苍鹰识别猎物的位置，k是区间[1，N]的一个随机自然数； 式中，是第一阶段第i个北方苍鹰的位置，是阶段一第i个北方苍鹰在第j维的适应度值，是猎物位置所对应的目标函数值，是第一阶段第i个北方苍鹰对应的目标函数值，rand是0到1之间的随机数；3追捕与逃跑阶段第二阶段是北方苍鹰追击猎物和猎物逃跑的过程，猎物逃跑速度低于北方苍鹰追击速度，这一行为提高了算法的局部搜索性能；假设北方苍鹰搜索有一定的半径范围，这一阶段的数学表达式如下： 式中，和分别是第二阶段中第i个北方苍鹰的位置，在第j维的适应度值以及对应的目标函数值，T和t分别是最大迭代次数和当前迭代次数，r是北方苍鹰的搜索半径；为了改善北方苍鹰的搜索空间分布并增强全局的最优解搜索范围，本发明采用Bernoulli混沌映射进行种群初始化，其对应的混沌映射数学公式如下： 式中，hw是第w次的混沌数值，p为混沌参数；正余弦扰动策略来自于正余弦算法，是根据正余弦算法中模型的振荡变化对目标函数的反复求解，最终得到最优解而来，因此本发明采用正余弦模型中的步长搜索因子改进北方苍鹰优化算法的第一阶段，提高北方苍鹰在第一阶段的全局寻优能力，得到第一阶段改进后的位置更新公式如下： ω1＝[1-tTη]1η35式中，ω1是引入正余弦扰动后的步长搜索因子，ω2的取值区间为[0，2π]，控制北方苍鹰个体的移动距离，ω3的取值区间为[0，2]，控制北方苍鹰个体最优位置的更新，η是调节系数；在北方苍鹰个体的位置更新中，未能充分利用个体原有的最优位置，这样会对其他北方苍鹰个体产生影响，进而降低算法的寻优效率，所以需要引入动态惯性权重因子平衡算法在迭代过程的搜寻方式，以便突出北方苍鹰群体中最优个体的位置，更新后的公式如下： θ＝[θ1·θ1-θ2·T-t]T37式中，θ是动态惯性权重因子，θ1和θ2均是权重参数；在算法的第二阶段中，处于种群中心的北方苍鹰将在自身周围搜寻猎物，而种群边缘的北方苍鹰会被吸引从而跳跃到当前的最优位置，容易造成过早收敛达到局部最优解，未能获得全局最优解，因此在北方苍鹰优化算法的第二阶段引入莱维飞行策略来更新个体位置，更新的位置公式如下： 式中，是点乘运算，L是步长控制系数，Lλ是莱维飞行的路径函数，通常基于曼特尼亚算法进行模拟，其步长公式如下所示；step＝α1|α2|1γ39 式中，γ设定值为1.5，α1和α2是服从正态分布的随机值，σu和σv分别是其对应的方差公式。

全文数据：

权利要求：

百度查询： 河北工业大学 一种考虑碳交易机制的综合能源系统低碳经济运行方法