为有效提高碳排放配额分配的合理性,并且避免年度结算时碳排放量超标导致环境污染加剧问题,提出基于奖惩因子的季节性碳交易机制,以园区综合能源系统(park integrated energy system,PIES)为对象进行低碳经济调度。首先,构建包含能量层...为有效提高碳排放配额分配的合理性,并且避免年度结算时碳排放量超标导致环境污染加剧问题,提出基于奖惩因子的季节性碳交易机制,以园区综合能源系统(park integrated energy system,PIES)为对象进行低碳经济调度。首先,构建包含能量层–碳流层–管理层的综合能源系统(integrated energy system,IES)运行框架,建立电气热多能流供需动态一致性模型;其次,分析系统内“日–季节–年度”碳排放特性,打破传统应用指标法的配额分配方法,采用灰色关联分析法建立碳排放配额分配模型,并基于奖惩阶梯碳价制定季节性碳交易机制;最后,以系统内全寿命周期运行成本及碳交易成本最小为目标,对执行季节性碳交易机制的PIES进行低碳经济调度,分析长时间尺度下季节性储能参与调度的减碳量。搭建IEEE 33节点电网5节点气网7节点热网的PIES,并基于多场景进行算例分析,验证此调度方法能够实现零碳经济运行,保证系统供能可靠性,为建立零碳园区奠定理论基础。展开更多
随着分布式清洁能源发电技术的发展,传统电力用户逐渐转变为电能产消者,并可采用合作联盟形式参与电力P2P(peer to peer)交易,促进分布式清洁能源就地消纳。该文通过从源端和传输端分别核算碳减排量的方法,构建一类考虑经济效益和环境...随着分布式清洁能源发电技术的发展,传统电力用户逐渐转变为电能产消者,并可采用合作联盟形式参与电力P2P(peer to peer)交易,促进分布式清洁能源就地消纳。该文通过从源端和传输端分别核算碳减排量的方法,构建一类考虑经济效益和环境效益的社会福利函数,研究分布式电能产消者通过合作联盟形式实现社会福利最大化的途径。设计一种依据产消者对联盟社会福利贡献值分配合作剩余的机制,激励产消者合作的积极性以维持联盟的稳定。算例分析表明:相较于P2G(peer-to-grid)交易和非合作P2P交易,产消者以合作联盟方式参与电力P2P交易的社会福利分别提升了62.62%、33.79%。因此,以市场化的方式组建合作联盟参与电力P2P交易并合理分配利益,可挖掘分布式清洁能源就地消纳的潜力,促进能源消费的绿色低碳转型。展开更多
针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景...针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景数据的最恶劣概率场景驱动的混合两阶段鲁棒优化方法,并采用可并行计算列与约束生成(column and constraint generation,C&CG)算法来提高求解效率。然后,在建立的多微网点对点分布式能源交易系统框架上,根据纳什谈判理论构造多微网合作成本最小化问题和收益分配问题,并提出一种耦合可并行计算C&CG的交替方向乘子法进行求解。最后,根据各微网不同的贡献率,设计一种基于点对点电能交易贡献度的非对称纳什谈判机制来分配各微网的合作收益。算例结果表明,所提方法能兼顾系统的鲁棒性、经济性和隐私性,并实现每个微网公平合理的收益分配。展开更多
深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved dee...深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。展开更多
文摘为有效提高碳排放配额分配的合理性,并且避免年度结算时碳排放量超标导致环境污染加剧问题,提出基于奖惩因子的季节性碳交易机制,以园区综合能源系统(park integrated energy system,PIES)为对象进行低碳经济调度。首先,构建包含能量层–碳流层–管理层的综合能源系统(integrated energy system,IES)运行框架,建立电气热多能流供需动态一致性模型;其次,分析系统内“日–季节–年度”碳排放特性,打破传统应用指标法的配额分配方法,采用灰色关联分析法建立碳排放配额分配模型,并基于奖惩阶梯碳价制定季节性碳交易机制;最后,以系统内全寿命周期运行成本及碳交易成本最小为目标,对执行季节性碳交易机制的PIES进行低碳经济调度,分析长时间尺度下季节性储能参与调度的减碳量。搭建IEEE 33节点电网5节点气网7节点热网的PIES,并基于多场景进行算例分析,验证此调度方法能够实现零碳经济运行,保证系统供能可靠性,为建立零碳园区奠定理论基础。
文摘随着分布式清洁能源发电技术的发展,传统电力用户逐渐转变为电能产消者,并可采用合作联盟形式参与电力P2P(peer to peer)交易,促进分布式清洁能源就地消纳。该文通过从源端和传输端分别核算碳减排量的方法,构建一类考虑经济效益和环境效益的社会福利函数,研究分布式电能产消者通过合作联盟形式实现社会福利最大化的途径。设计一种依据产消者对联盟社会福利贡献值分配合作剩余的机制,激励产消者合作的积极性以维持联盟的稳定。算例分析表明:相较于P2G(peer-to-grid)交易和非合作P2P交易,产消者以合作联盟方式参与电力P2P交易的社会福利分别提升了62.62%、33.79%。因此,以市场化的方式组建合作联盟参与电力P2P交易并合理分配利益,可挖掘分布式清洁能源就地消纳的潜力,促进能源消费的绿色低碳转型。
文摘针对微网独立运行时面临运行成本高,受可再生能源出力和多能负荷功率不确定性影响大等问题,提出一种基于混合两阶段鲁棒优化的多微网合作运行方法。首先,为了应对源荷双重不确定性挑战,在传统两阶段鲁棒优化基础上,提出一种基于多场景数据的最恶劣概率场景驱动的混合两阶段鲁棒优化方法,并采用可并行计算列与约束生成(column and constraint generation,C&CG)算法来提高求解效率。然后,在建立的多微网点对点分布式能源交易系统框架上,根据纳什谈判理论构造多微网合作成本最小化问题和收益分配问题,并提出一种耦合可并行计算C&CG的交替方向乘子法进行求解。最后,根据各微网不同的贡献率,设计一种基于点对点电能交易贡献度的非对称纳什谈判机制来分配各微网的合作收益。算例结果表明,所提方法能兼顾系统的鲁棒性、经济性和隐私性,并实现每个微网公平合理的收益分配。
文摘深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。