CN114548790B - 一种综合能源系统碳排放分配方法、装置及相关组件 - Google Patents
一种综合能源系统碳排放分配方法、装置及相关组件 Download PDFInfo
- Publication number
- CN114548790B CN114548790B CN202210177921.XA CN202210177921A CN114548790B CN 114548790 B CN114548790 B CN 114548790B CN 202210177921 A CN202210177921 A CN 202210177921A CN 114548790 B CN114548790 B CN 114548790B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- individuals
- optimal
- task
- value
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 108
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 20
- 210000000349 chromosome Anatomy 0.000 claims description 25
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 22
- 229910052739 hydrogen Inorganic materials 0.000 claims description 20
- 239000001257 hydrogen Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000002759 chromosomal effect Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 239000003345 natural gas Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 150000001721 carbon Chemical class 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种综合能源系统碳排放分配方法、装置及相关组件。该方法包括获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景；利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。该方法首先利用多种不确定性因素，构建多变化场景，从而保证模型的稳健性，使得规划更加具有通用性和指导意义，再通过遗传算法计算出每个场景下的规划结果，并通过碳排放流模型对系统中的碳排放量进行分配。
Description
技术领域
本发明涉及新能源优化调度领域，尤其涉及一种综合能源系统碳排放分配方法、装置及相关组件。
背景技术
目前由于综合能源系统的能源利用率较高，因此综合能源系统规划相关研究技术发展迅速。综合能源系统的发展推动多种能源的发展，综合能源系统能够将多种能源耦合在一起，例如风光电能，然而消耗这些能源的同时会产生二氧化碳。但是当多种能源耦合在一起的时候，即多种能源在综合能源系统中相互转化，导致研究学者们无法观测，分析，计算能源消耗所产生的碳排放。因此，合理的碳排放观测手段显得十分重要。一方面能够合理的计算碳排放的产生；另一方面能够合理的将碳排放分配到综合能源系统中的各个部分。
综合能源系统规划涉及多种不同的能源，因此需要考虑多种不确定性因素对系统造成的影响。例如风电和光电受天气和环境等影响都会对系统产生不确定性。因此，如果只是简单的对综合能源系统进行规划而不去考虑系统中的不确定性因素，很难保证系统的规划能够在能源短缺和环境恶化下的进行。
发明内容
本发明的目的是提供一种综合能源系统碳排放分配方法、装置及相关组件，旨在解决现有综合能源系统规划不会对系统中的不确定性因素进行处理，导致现有综合能源系统存在规划不合理的问题。
为解决上述技术问题，本发明的目的是通过以下技术方案实现的：提供一种综合能源系统碳排放分配方法，其包括：
获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；
利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；
基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。
另外，本发明要解决的技术问题是还在于提供一种综合能源系统碳排放分配装置，其包括：
组合单元，用于获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；
计算单元，用于利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；
分配单元，用于基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。
另外，本发明实施例又提供了一种计算机设备，其包括存储器、处理器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上述第一方面所述的综合能源系统碳排放分配方法。
另外，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的综合能源系统碳排放分配方法。
本发明实施例公开了一种综合能源系统碳排放分配方法、装置及相关组件，其中，方法包括：获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。该方法首先利用多种不确定性因素，构建多变化场景，从而保证模型的稳健性，使得规划更加具有通用性和指导意义，再通过遗传算法计算出每个场景下的规划结果，并通过碳排放流模型对系统中的碳排放量进行分配。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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综合能源系统碳排放分配方法的流程示意图；
图2为本发明实施例提供的综合能源系统碳排放分配方法的碳排放流模型的第一结构示意图；
图3为本发明实施例提供的综合能源系统碳排放分配方法的碳排放流模型的第二结构示意图；
图4为本发明实施例提供的综合能源系统碳排放分配方法的组合场景的结构示意图；
图5为本发明实施例提供的综合能源系统碳排放分配方法中遗传算法的结构示意图；
图6为本发明实施例提供的综合能源系统碳排放分配装置的示意性框图；
图7为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的综合能源系统碳排放分配方法的流程示意图；
如图1所示，该方法包括步骤S101～S103。
S101、获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；
S102、利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；
S103、基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。
在本实施例中，本申请一方面针对现有技术中综合能源系统中的不确定性因素对系统会产生负面影响，因此构建了多种组合场景，以对综合能源系统中的不确定性因素进行分析，从而保证了模型的稳健性，使得规划更加具有通用性和指导意义；第二方面，考虑了综合能源系统碳排放的分配问题，将碳排放模拟成虚拟的碳排放流，通过对碳排放流进行跟踪计算，并且可以量化综合能源系统中的碳排放；第三方面，通过遗传算法将综合能源系统规划中计算信息利用起来，从而能够更加高效准确的计算出综合能源系统的规划方案。
具体的，先获取风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平的数据，然后对风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平的数据分别赋予不同或相同的场景偏差系数，得到最新的风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平的数据，再将新的风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平的数据进行组合，得到不同的组合场景，例如风速a、光照强度b、冷负荷水平c、热负荷水平d、电负荷水平e、氢负荷水平f的数据分别赋予场景偏差系数A、场景偏差系数B，则得到组合有【aA、bA、cA、dA、eA、fA】、【aB、bA、cA、dA、eA、fA】、【aA、bB、cA、dA、eA、fA】、【aA、bA、cB、dA、eA、fA】、、、、、以此类推，得到所有的组合场景，然后利用遗传算法对每一组合场景进行计算，得到最优的目标规划，最后基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。
需要说明的是，本申请的组成场景中的任务包括但不局限于运行成本、电网成本、建设成本、碳排放成本。
本申请还提供一种碳排放流模型，如图2所示，具体结构如下：
包括风力发电机、火力发电机、氢气气源、天然气气源、多个用能节点，其中，风力发动机通过电力网络和火力发动机连接，火力发动机、氢气气源、天然气气源均通过电力网络和各用能节点连接，氢气气源通过电力网络和天然气气源连接，需要说明的是，每一电力网络均存在网络损失，同时图2所示的虚线箭头表示碳排放流的走向。
为了更清楚阐述碳排放流模型，本申请利用图3的模型再次阐述，光照对热收集器和光伏发电设备进行能源供应，电网和天然气直接提供能源，通过各供应线路输出对应的负荷例如电负荷、冷负荷、热负荷、氢气负荷，需要说明的是，CCHP表示冷热电联供系统，CC表示压缩式制冷机；EB表示电锅炉；Tank表示存储氢气的容器；ED表示电解水装置；AB表示辅助锅炉；SMR表示天然气重整制氢装置；另外，图3所示的虚线箭头表示碳排放流的流向以及数量，单位是kgCO2/h。
在一实施例中，所述步骤S101包括以下步骤：
S10、获取所有的不确定因素在指定周期内的历史数据；
S11、将得到对应的所有历史数据进行排序得到对应的历史数据集，并将预设的对应不同场景的场景偏差系数与历史数据集相乘，组成多个不同的组合场景。
结合图4，在本实施例中，一个组合场景包括6个不确定因素，并按照以下顺序排列各不确定因素：风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平的数据，对风速、光照强度的数据分别赋予0.9×期望值(即历史数据)、1×期望值和1.1×期望值3个不同场景偏差系数，对冷负荷水平、热负荷水平、电负荷水平、氢负荷水平的数据分别赋予0.8×期望值、期望值和1.2×期望值三个不同场景偏差系数，则得到如图4所示的18个组合场景，每一场景描述代表一个向量，以风速的数据为例，一天24小时的风速的历史数据如下：[1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20，21，22，23，24]m/s，那么在S1场景中的风速为0.9×[1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20，21，22，23，24]m/s。
以上述方式对所有的组合场景下的各不确定因素进行更新，得到最新的组合场景。
在一实施例中，所述步骤S102包括以下步骤：
S20、获取遗传算法的目标函数；
S21、针对一组合场景，获取所述组合场景下的各任务的决策变量，并对得到的各决策变量进行二进制编码，得到由编码后生成的n个个体组合形成的种群，其中，每一所述个体分别包含染色体信息；
S22、对所述种群的所有个体分别进行染色体操作、交叉操作、变异操作，得到各所述任务对应的最优个体；
S23、对各所述任务对应的最优个体进行解码，以转换成对应的最优决策变量，基于各所述最优决策变量计算所述目标函数的值。
在本实施例中，结合图5，多个个体组成一个种群，每一种群对应一个任务，多个任务组成一个组合场景，其中，组合场景是指任务在运行过程当中的一些数据，每个任务都需要用到组合场景中的数据；本实施例通过对当前任务中的个体进行染色体操作、交叉操作、变异操作，得到当前任务的目标函数的值(真实值)，判断计算得到的真实值和目标值的接近程度，真实值越接近目标值，则说明找到当前任务的最优个体，在得到所有任务中最优个体后，利用这些最优个体计算目标函数的值，得到最优的目标规划。
本实施例通过遗传算法计算出每个组合场景下的规划结果，而由于各不确定因素被考虑进来，从而保证了模型的稳健性，使得规划更加具有通用性和指导意义。
需要说明的是，现有技术中遗传算法有着准确，便于操作等特点，遗传算法通过多次迭代能够寻求理想的综合能源系统规划方案，但是在遗传算法经过多次迭代的同时需要大量的时间，而本申请对遗传算法进行改进，以促进遗传算法的收敛速度，并且能够找到更加优化的规划方案，具体如下：
在一实施例中，所述步骤S22包括以下步骤：
S30、基于各所述个体的染色体信息，计算各所述个体的染色体的适应度值，并在得到所有的适应度值后，选取数值最大的适应度值对应的个体作为精英个体；
S31、获取不同任务之间信息交换的概率，并构建相应的学习因子矩阵以及获取所述学习因子矩阵的值，并基于所述学习因子矩阵的值，对各所述精英个体的染色体信息进行交叉互换；
S32、基于预设的概率变化规则，对各交叉互换操作后的所述精英个体进行更新，并记录更新次数；
S33、判断所述更新次数是否达到更新阈值，若未达到，则将更新后的精英个体进行染色体操作、交叉操作、变异操作，直至更新次数达到更新阈值并输出最优个体，若达到，则直接输出最优个体。
如图5所示，在本实施例中，染色体信息即二进制0/1信息，通过对当前任务中各个体依次进行染色体操作、交叉操作、变异操作来实现求优的目的，即通过不断的对各个任务的个体的染色体进行迭代优化，同时传递不同任务之间的信息，得到各个任务最优的个体，最后通过解码过程转换成为决策变量来求取目标函数的值。
在步骤S32中，从不同的方向搜索最优解，使遗传算法不会陷入局部最优解的情况。
在一实施例中，所述步骤S31中获取不同任务之间信息交换的概率，并构建相应的学习因子矩阵以及获取所述学习因子矩阵的值，包括以下步骤：
S40、按下式计算第k个任务与第j个任务之间的交叉程度rmpk，j：
其中，gk(pk，d)表示任务k在种群pk中第d个个体的概率分布模型，gj(pj，d)表示任务j在种群pj中第d个个体的概率分布模型，K表示任务的总数，Nk表示一个种群中的个体总数，i表示为种群p中第i个个体；
按下式计算学习因子RMP：
在本实施例中，在遗传算法当中提出了在线学习因子RMP(随机交换的可能性)，以计算多任务之间的信息交换的概率，即利用综合能源系统规划中计算信息来辅助遗传算法的运行，从而提高遗传算法迭代的速度。
需要说明的是，步骤S40是计算公式中的最大值，提示遗传算法是对任务的目标函数进行求解，但是在求解过程中有能源潮流的运行。
在一实施例中，所述步骤S31中基于所述学习因子矩阵的值，对各所述精英个体的染色体信息进行交叉互换，包括以下步骤：
S50、获取所述学习因子的值，利用算法随机生成一个0～1的随机值，判断所述学习因子的值是否小于所述学习因子的值，若小于，则执行步骤S51；若大于，则直接进入所述步骤S32；
S51、将两个任务之间的染色体信息进行交叉互换，并进入所述步骤S32；
在本实施例中，例如学习因子的值为0.5，算法随机生成一个0-1之间的值，如果随机生成的值小于学习因子的值，那么这两个任务之间的信息将会进行交叉互换。
在一实施例中，所述步骤S103包括以下步骤：
S60、基于所述最优的目标规划，构建碳排放流模型；
S61、基于所述碳排放流模型，计算各碳排放网络当中的能源潮流，并基于所述能源潮流计算对应碳排放网络中的线路流入的有功功率、线路流出的有功功率、发电机的有功功率、用能节点消耗的有功功率、发电机碳排放强度；
S62、按下式计算碳排放的量：
RG＝PG*EG
其中，PG表示发电机的有功功率，EG表示发电机的碳排放强度；
S63、按下式计算碳排放网络当中的用能节点碳排放强度：
其中，PN为用能节点消耗的有功功率，表示线路流出的有功功率的转置；
S64、按下式计算得到分配到各用能节点的碳排放的量：
RN＝PN*EN。
在本实施例中，在步骤S60中，例如从18个组合场景下，最终得到最优的一个组合场景S1，则基于该最优的组合场景构建碳排放流模型，然后计算得到所有的分配到各用能节点的碳排放的量，按照计算结果进行碳排放分配即可。
需要说明的是，本实施例中的碳排放网络包括电力网络、天然气网络，氢能源网络，那么能源潮流也相应包括电力潮流、天然气潮流、氢能源潮流。
本发明实施例还提供一种综合能源系统碳排放分配装置，该综合能源系统碳排放分配装置用于执行前述综合能源系统碳排放分配方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的综合能源系统碳排放分配装置的示意性框图。
如图6所示，综合能源系统碳排放分配装置500，包括：
组合单元501，用于获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；
计算单元502，用于利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；
分配单元503，用于基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配。
该装置一方面针对现有技术中综合能源系统中的不确定性因素对系统会产生负面影响，因此构建了多种组合场景，以对综合能源系统中的不确定性因素进行分析，从而保证了模型的稳健性，使得规划更加具有通用性和指导意义；第二方面，考虑了综合能源系统碳排放的分配问题，将碳排放模拟成虚拟的碳排放流，通过对碳排放流进行跟踪计算，并且可以量化综合能源系统中的碳排放；第三方面，通过遗传算法将综合能源系统规划中计算信息利用起来，从而能够更加高效准确的计算出综合能源系统的规划方案。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述综合能源系统碳排放分配装置可以实现为计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本发明实施例提供的计算机设备的示意性框图。该计算机设备1100是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图7，该计算机设备1100包括通过系统总线1101连接的处理器1102、存储器和网络接口1105，其中，存储器可以包括非易失性存储介质1103和内存储器1104。
该非易失性存储介质1103可存储操作系统11031和计算机程序11032。该计算机程序11032被执行时，可使得处理器1102执行综合能源系统碳排放分配方法。
该处理器1102用于提供计算和控制能力，支撑整个计算机设备1100的运行。
该内存储器1104为非易失性存储介质1103中的计算机程序11032的运行提供环境，该计算机程序11032被处理器1102执行时，可使得处理器1102执行综合能源系统碳排放分配方法。
该网络接口1105用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备1100的限定，具体的计算机设备1100可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域技术人员可以理解，图7中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图7所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器1102可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器1102还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例的综合能源系统碳排放分配方法。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种综合能源系统碳排放分配方法，其特征在于，包括：
获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；
利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；
基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配；
所述获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，包括：获取所有的不确定因素在指定周期内的历史数据；将得到对应的所有历史数据进行排序得到对应的历史数据集，并将预设的对应不同场景的场景偏差系数与历史数据集相乘，组成多个不同的组合场景；
所述利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划，包括：获取遗传算法的目标函数；针对一组合场景，获取所述组合场景下的各任务的决策变量，并对得到的各决策变量进行二进制编码，得到由编码后生成的n个个体组合形成的种群，其中，每一所述个体分别包含染色体信息；对所述种群的所有个体分别进行染色体操作、交叉操作、变异操作，得到各所述任务对应的最优个体；对各所述任务对应的最优个体进行解码，以转换成对应的最优决策变量，基于各所述最优决策变量计算所述目标函数的值；
所述对所述种群的所有个体分别进行染色体操作、交叉操作、变异操作，得到各所述任务对应的最优个体，包括：基于各所述个体的染色体信息，计算各所述个体的染色体的适应度值，并在得到所有的适应度值后，选取数值最大的适应度值对应的个体作为精英个体；获取不同任务之间信息交换的概率，并构建相应的学习因子矩阵以及获取所述学习因子矩阵的值，并基于所述学习因子矩阵的值，对各所述精英个体的染色体信息进行交叉互换；基于预设的概率变化规则，对各交叉互换操作后的所述精英个体进行更新，并记录更新次数；判断所述更新次数是否达到更新阈值，若未达到，则将更新后的精英个体进行染色体操作、交叉操作、变异操作，直至更新次数达到更新阈值并输出最优个体，若达到，则直接输出最优个体；
所述获取不同任务之间信息交换的概率，并构建相应的学习因子矩阵以及获取所述学习因子矩阵的值，包括：
按下式计算第k个任务与第j个任务之间的交叉程度rmpk，j：
其中，gk(pk，d)表示任务k在种群pk中第d个个体的概率分布模型，gj(pj，d)表示任务j在种群pj中第d个个体的概率分布模型，K表示任务的总数，Nk表示一个种群中的个体总数，i表示为种群p中第i个个体；
按下式计算学习因子RMP：
所述基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配，包括：基于所述最优的目标规划，构建碳排放流模型；基于所述碳排放流模型，计算各碳排放网络当中的能源潮流，并基于所述能源潮流计算对应碳排放网络中的线路流入的有功功率、线路流出的有功功率、发电机的有功功率、用能节点消耗的有功功率、发电机碳排放强度；
按下式计算碳排放的量：
RG＝PG*EG
其中，PG表示发电机的有功功率，EG表示发电机的碳排放强度；
按下式计算碳排放网络当中的用能节点碳排放强度：
其中，PN为用能节点消耗的有功功率，表示线路流出的有功功率的转置；
按下式计算得到分配到各用能节点的碳排放的量：
RN＝PN*EN。
2.根据权利要求1所述的综合能源系统碳排放分配方法，其特征在于，所述基于所述学习因子矩阵的值，对各所述精英个体的染色体信息进行交叉互换，包括：
获取所述学习因子的值，利用算法随机生成一个0～1的随机值，判断所述学习因子的值是否小于所述学习因子的值，若小于，则将两个任务之间的染色体信息进行交叉互换，并入下一变异操作，若大于，则直接进入下一变异操作。
3.一种综合能源系统碳排放分配装置，其特征在于，包括：
组合单元，用于获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，其中，所述不确定因素包括风速、光照强度、冷负荷水平、热负荷水平、电负荷水平、氢负荷水平；所述获取各不确定因素的数据，对各所述不确定因素的数据分配不同的场景偏差系数，得到更新后的不确定因素的数据并组合形成不同的组合场景，包括：获取所有的不确定因素在指定周期内的历史数据；将得到对应的所有历史数据进行排序得到对应的历史数据集，并将预设的对应不同场景的场景偏差系数与历史数据集相乘，组成多个不同的组合场景；
计算单元，用于利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划；所述利用遗传算法计算每一所述组合场景的下各任务对应的目标函数的值，得到最优的目标规划，包括：获取遗传算法的目标函数；针对一组合场景，获取所述组合场景下的各任务的决策变量，并对得到的各决策变量进行二进制编码，得到由编码后生成的n个个体组合形成的种群，其中，每一所述个体分别包含染色体信息；对所述种群的所有个体分别进行染色体操作、交叉操作、变异操作，得到各所述任务对应的最优个体；对各所述任务对应的最优个体进行解码，以转换成对应的最优决策变量，基于各所述最优决策变量计算所述目标函数的值；所述对所述种群的所有个体分别进行染色体操作、交叉操作、变异操作，得到各所述任务对应的最优个体，包括：基于各所述个体的染色体信息，计算各所述个体的染色体的适应度值，并在得到所有的适应度值后，选取数值最大的适应度值对应的个体作为精英个体；获取不同任务之间信息交换的概率，并构建相应的学习因子矩阵以及获取所述学习因子矩阵的值，并基于所述学习因子矩阵的值，对各所述精英个体的染色体信息进行交叉互换；基于预设的概率变化规则，对各交叉互换操作后的所述精英个体进行更新，并记录更新次数；判断所述更新次数是否达到更新阈值，若未达到，则将更新后的精英个体进行染色体操作、交叉操作、变异操作，直至更新次数达到更新阈值并输出最优个体，若达到，则直接输出最优个体；所述获取不同任务之间信息交换的概率，并构建相应的学习因子矩阵以及获取所述学习因子矩阵的值，包括：
按下式计算第k个任务与第j个任务之间的交叉程度rmpk，j：
其中，gk(pk，d)表示任务k在种群pk中第d个个体的概率分布模型，gj(pj，d)表示任务j在种群pj中第d个个体的概率分布模型，K表示任务的总数，Nk表示一个种群中的个体总数，i表示为种群p中第i个个体；
按下式计算学习因子RMP：
分配单元，用于基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配；所述基于预先构建的碳排放流模型和最优的目标规划，对碳排放量进行分配，包括：基于所述最优的目标规划，构建碳排放流模型；基于所述碳排放流模型，计算各碳排放网络当中的能源潮流，并基于所述能源潮流计算对应碳排放网络中的线路流入的有功功率、线路流出的有功功率、发电机的有功功率、用能节点消耗的有功功率、发电机碳排放强度；
按下式计算碳排放的量：
RG＝PG*EG
其中，PG表示发电机的有功功率，EG表示发电机的碳排放强度；
按下式计算碳排放网络当中的用能节点碳排放强度：
其中，PN为用能节点消耗的有功功率，表示线路流出的有功功率的转置；
按下式计算得到分配到各用能节点的碳排放的量：
RN＝PN*EN。
4.一种计算机设备，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2中任一项所述的综合能源系统碳排放分配方法。
5.一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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至2任一项所述的综合能源系统碳排放分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210177921.XA CN114548790B (zh) | 2022-02-25 | 2022-02-25 | 一种综合能源系统碳排放分配方法、装置及相关组件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210177921.XA CN114548790B (zh) | 2022-02-25 | 2022-02-25 | 一种综合能源系统碳排放分配方法、装置及相关组件 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114548790A CN114548790A (zh) | 2022-05-27 |
| CN114548790B true CN114548790B (zh) | 2025-02-11 |
Family
ID=81680281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210177921.XA Active CN114548790B (zh) | 2022-02-25 | 2022-02-25 | 一种综合能源系统碳排放分配方法、装置及相关组件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548790B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689234B (zh) * | 2024-02-04 | 2024-05-03 | 山东科技大学 | 基于多主体双层博弈的园区综合能源系统调度方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737884A (zh) * | 2020-08-06 | 2020-10-02 | 国网江西省电力有限公司电力科学研究院 | 一种含多种清洁能源微能源网多目标随机规划方法 |
| CN113191063A (zh) * | 2021-04-25 | 2021-07-30 | 华北电力大学（保定） | 一种考虑风光预测误差的场景生成方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103632205B (zh) * | 2013-11-05 | 2016-08-17 | 常州大学 | 一种考虑风电和负荷不确定性的含电动汽车优化调度方法 |
| CN104362681B (zh) * | 2014-11-18 | 2016-06-22 | 湖北省电力勘测设计院 | 一种考虑随机性的孤岛微电网容量优化配置方法 |
| CN106251095B (zh) * | 2016-09-06 | 2020-04-17 | 清华大学 | 一种电力系统碳排放实时计量的方法及碳表系统 |
| EP3301620A1 (en) * | 2016-10-03 | 2018-04-04 | Bartucci S.p.A. | Method for computer implemented selection of technologies to be applied to improve energy efficiency of a plant, and related system |
| CN107979087A (zh) * | 2017-11-21 | 2018-05-01 | 国网新疆电力公司昌吉供电公司 | 一种含分布式电源的配电网线性规划模型 |
| CN109325608B (zh) * | 2018-06-01 | 2022-04-01 | 国网上海市电力公司 | 考虑储能并计及光伏随机性的分布式电源优化配置方法 |
| CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
| CN111293719B (zh) * | 2020-02-29 | 2023-06-27 | 华北电力大学（保定） | 一种基于多因子进化算法的交直流混合微网优化运行方法 |
| CN111639870B (zh) * | 2020-06-04 | 2023-07-18 | 国网山东省电力公司潍坊供电公司 | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 |
| CN112949008B (zh) * | 2021-02-08 | 2023-04-07 | 国网河北省电力有限公司衡水供电分公司 | 一种配电网规划方法及相关装置 |
-
2022
- 2022-02-25 CN CN202210177921.XA patent/CN114548790B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737884A (zh) * | 2020-08-06 | 2020-10-02 | 国网江西省电力有限公司电力科学研究院 | 一种含多种清洁能源微能源网多目标随机规划方法 |
| CN113191063A (zh) * | 2021-04-25 | 2021-07-30 | 华北电力大学（保定） | 一种考虑风光预测误差的场景生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114548790A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108365608B (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
| Pavez-Lazo et al. | A deterministic annular crossover genetic algorithm optimisation for the unit commitment problem | |
| Chen et al. | Effective load carrying capability evaluation of renewable energy via stochastic long-term hourly based SCUC | |
| Tao et al. | A human-machine reinforcement learning method for cooperative energy management | |
| CN107609650B (zh) | 基于时间负载均衡的粒子遗传算法优化方法、装置及系统 | |
| CN113098007B (zh) | 基于分层强化学习的微电网分布式在线调度方法及系统 | |
| CN105226651A (zh) | 一种考虑风险的含大规模风电输电网规划系统 | |
| Abedinia et al. | Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles | |
| Singh et al. | Decentralized control via dynamic stochastic prices: The independent system operator problem | |
| Habib et al. | Combined heat and power units sizing and energy cost optimization of a residential building by using an artificial bee colony algorithm | |
| Hu et al. | Optimal operation of power systems with energy storage under uncertainty: A scenario-based method with strategic sampling | |
| CN114548790B (zh) | 一种综合能源系统碳排放分配方法、装置及相关组件 | |
| CN117595392A (zh) | 计及光伏消纳与光储充配置的配电网联合优化方法及系统 | |
| Columbus et al. | A parallel ABC for security constrained economic dispatch using shared memory model | |
| Sarkar et al. | Concurrent carbon footprint reduction (c2fr) reinforcement learning approach for sustainable data center digital twin | |
| Bai et al. | A manufacturing task scheduling method based on public goods game on cloud manufacturing model | |
| Dong et al. | Design and optimal scheduling of forecasting-based campus multi-energy complementary energy system | |
| CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
| Zhou et al. | Learning-based green workload placement for energy internet in smart cities | |
| CN113723793A (zh) | 园区综合能源系统的实现方法、装置、设备和介质 | |
| Duan et al. | A non-convex dispatch problem with generator constraints using neural network and particle swarm optimization | |
| CN114372645A (zh) | 基于多智能体强化学习的供能系统优化方法及系统 | |
| Pandian et al. | Solving Economic Load Dispatch ProblemConsidering Transmission Losses by a HybridEP-EPSO Algorithm for Solving both Smoothand Non-Smooth Cost Function | |
| CN113673141A (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
| CN113098073A (zh) | 一种考虑源荷双侧弹性空间的日前调度优化方法 |
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 |