文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《考虑碳交易机制的含风电电力系统日前优化调度》

解读标题 "考虑碳交易机制的含风电电力系统日前优化调度" 意味着在该研究或应用中,对含有风电的电力系统进行日前优化调度,并考虑了碳交易机制。

具体解读如下:

  1. "含风电电力系统":指涉及到风能作为电力系统的一部分,即系统中包含了风力发电机组和与其相关的电力设备。

  2. "日前优化调度":指在电力系统运行前的前一天或几天的时间范围内,通过数学模型、优化算法等方法来确定电力系统各个组件(例如发电机、负荷)的运行状态、出力等,以满足负荷需求并最大程度地优化系统的运行效益。

  3. "考虑碳交易机制":表示在日前优化调度过程中,将碳交易机制纳入考虑。碳交易是一种市场机制,旨在减少温室气体排放。在该研究或应用中,可能会考虑包括碳排放限额、碳排放权交易等因素,以改善系统的碳排放水平或降低碳排放成本。

综上所述,这个标题表明该研究或应用关注如何在含风电的电力系统中,通过日前优化调度并结合碳交易机制,实现更有效的系统运行和更低的碳排放水平。这可以有助于推动可持续的电力系统发展,并在碳减排方面取得积极成果。

摘要:随着双碳目标的推进,研究碳交易机制对新能源的电力系统优化运行的影响至关重要。为此,该文在传统经济调度的基础上,将碳交易模型引入到含风电电力系统调度中以碳交易成本与发电成本之和最小为目标,在EasySolve计算平台进行计算求解。对于碳交易成本,分别采用基准碳价和阶梯碳价模型;对于风电成本,采用风电电量发电成本,考虑到风电的不确定性加入了风电出力偏差成本。之后代入改进的IEEE 39节点系统进行验证,证明了模型的合理性,同时满足经济性和低碳性。在此基础上,研究了碳价变化对优化调度的影响,得出了选取合理的碳价可以在有效减少碳排放量的同时控制成本的结论。另外,研究了阶梯碳价奖惩系数选取对优化调度的影响,得出增大阶梯碳价的奖惩系数可以进一步收敛合理碳价的范围的结论。

这段摘要描述了一篇研究论文的主要内容。该研究关注双碳目标对新能源电力系统优化运行的影响,并引入碳交易机制来实现电力系统调度的优化。研究使用EasySolve计算平台进行计算求解。

在传统经济调度的基础上,该研究将碳交易模型应用于包含风电的电力系统调度中,并以最小化碳交易成本与发电成本之和为目标。在碳交易成本方面,研究采用了基准碳价和阶梯碳价模型。对于风电成本,考虑到风电的不确定性,研究还考虑了风电出力偏差成本。

为了验证模型的合理性,研究将其应用于改进的IEEE 39节点系统进行验证,结果表明该模型同时满足经济性和低碳性的要求。

在研究的基础上,还探讨了碳价变化对优化调度的影响,并得出了选取合理的碳价可以在有效减少碳排放量的同时控制成本的结论。此外,研究还考察了阶梯碳价奖惩系数对优化调度的影响,结果显示增大阶梯碳价的奖惩系数可以进一步收敛合理碳价的范围。

综上所述,该研究对碳交易机制在新能源电力系统优化调度中的应用进行了研究,并得出了一些有关碳价和奖惩系数选取对系统优化的影响的结论。这些研究结果对于推进双碳目标的实现具有重要的指导意义。

关键词:碳排放;碳交易机制;阶梯碳价;优化调度;风电;
 

解读关键词:

  1. 碳排放:指将碳元素释放到大气中,主要是二氧化碳(CO2)的排放。碳排放是导致全球气候变化和温室效应的主要原因之一。

  2. 碳交易机制:碳交易是指政府或组织通过建立碳市场,对碳排放进行交易和管理的机制。它可以通过碳排放配额的分配和交易,激励减少碳排放行为,促进低碳发展。

  3. 阶梯碳价:阶梯碳价是指根据不同级别的碳排放水平,设置不同的碳价格。通常,当碳排放超过某个阈值时,碳价格会逐渐增加,以提供更强的经济奖励或惩罚,以鼓励减少碳排放。

  4. 优化调度:优化调度是指通过运用数学、算法和模型等工具,对电力系统进行规划和管理,以达到最优的运行效果。在碳交易机制背景下,优化调度考虑了碳交易成本、发电成本等因素,以最小化总成本或最大化利润为目标。

  5. 风电:风电是利用风能产生电力的一种可再生能源形式。它利用风轮转动驱动发电机,将风能转化为电能。风能资源的不确定性和可变性是风电系统运行和调度中需要考虑的重要因素之一。

这些关键词在文中的研究中起到重要作用,研究探讨了碳排放和碳交易机制对电力系统的优化调度的影响,特别考虑了风电的特性和碳交易的阶梯碳价模型。通过最小化碳交易成本和发电成本来实现经济性和低碳性的目标,并对碳价和奖惩系数的选择进行了分析。

仿真算例:

本文以改进的 IEEE39 节点十机系统作为测试 系统,验证模型的合理性。系统接线图如附录 A 图 A1,其中第 8、9、10 台机组为燃气机组,其余均 为燃煤机组。火电机组的参数如附录 A 表 A1[20]所 示。在 16 节点处并入一个风电场,装机容量为 800MW。风电场单位电量发电成本价格取 400 元 /(MWh),风电场高估成本系数取 157.2 元/(MWh), 低估成本系数取 126.5 元/(MWh),模拟市场拍卖的 策略计算求得[8]。系统正、负旋转备用率设置为 5%。 单位电量碳排放配额η由生态环境部所公布的“电 网排放因子”确定[21],为 0.581t/(MWh),拍卖配额 比例设置为 0.05。系统负荷预测数据和风电场功率 预测见附录 A 图 A2。

仿真程序复现思路:

本文设计中使用 MATLAB 搭建模型,给定风 电预测值、负荷功率、发电机组参数等数据,在 MATLAB 中调用 EasySolve 计算平台进行求解,得 到调度研究各时段内的机组出力分布并进行分析。 EasySolve 是浙江大学电气工程学院 SGOOL 实验室研发的计算平台,支持求解线性规划、非线 性规划等各类问题,求解速度快,功能强大。

文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《考虑碳交易机制的含风电电力系统日前优化调度》_第1张图片

仿真的复现思路如下所示:

  1. 初始化系统参数:根据附录A表A1中的参数设置,初始化十机系统和风电场的各项参数,包括机组类型、发电成本、风电容量、发电成本价格等。

  2. 加载负荷预测数据和风电场功率预测数据:根据附录A图A2提供的预测数据,加载系统负荷和风电场功率的预测值。

  3. 构建优化模型:使用MATLAB中的优化工具箱,根据文中设计的模型和算法,构建电力系统的优化调度模型。该模型考虑了负荷需求、发电机组的特性、风电场功率、碳排放等约束条件,以及优化目标如最小化总成本或最大化利润。

  4. 调用EasySolve计算平台进行求解:利用MATLAB中的外部接口功能,调用EasySolve计算平台进行求解。传递给EasySolve计算平台的参数包括系统参数、负荷预测数据、风电场功率预测数据等。

  5. 获取调度结果并进行分析:从EasySolve计算平台返回求解结果,包括各个时段内机组的出力分布。根据结果进行分析,评估系统的经济性和低碳性能。可以计算各机组的发电成本、碳排放量,进行对比和分析。

以下是一个简化的示例代码,用MATLAB实现上述仿真过程:

% 1. 初始化系统参数
% 根据附录A表A1中的参数设置,初始化十机系统和风电场的各项参数

% 定义发电机组类型,1表示燃煤机组,2表示燃气机组
units = [1, 1, 1, 1, 1, 1, 1, 2, 2, 2]; 

% 火电机组的发电成本,单位MW/h
coalUnitCost = [50, 50, 50, 50, 50, 50, 50, 0, 0, 0];
gasUnitCost = [60, 60, 60]; 

% 风电场的装机容量,单位MW
windCapacity = 800;

% 风电场单位电量发电成本价格,单位元/(MW·h)
windCost = 400;

% 风电场高估成本系数,单位元/(MWh)
windHighCost = 157.2;

% 风电场低估成本系数,单位元/(MWh)
windLowCost = 126.5;

% 系统正旋转备用率设置为5%
positiveReserve = 0.05;

% 单位电量碳排放配额η,单位t/(MWh)
carbonEmissionQuota = 0.581;

% 拍卖配额比例设置为0.05
auctionQuota = 0.05;

% 2. 加载负荷预测数据和风电场功率预测数据
% 根据附录A图A2提供的预测数据,加载系统负荷和风电场功率的预测值

load('负荷预测数据.mat')
load('风电场功率预测数据.mat')

% 3. 构建优化模型
% 使用MATLAB中的优化工具箱,根据文中设计的模型和算法,构建电力系统的优化调度模型

% 定义优化模型,并设置优化变量和约束条件
model = optimproblem('ObjectiveSense', 'minimize');
nTimePeriods = size(loadForecast, 1);

% 定义优化变量,机组出力
generatorOutput = optimvar('generatorOutput', nTimePeriods, 10, 'LowerBound', 0);

% 风电场出力
windOutput = optimvar('windOutput', nTimePeriods, 'LowerBound', 0);

% 约束条件:负荷平衡约束
for t = 1:nTimePeriods
    model.Constraints.LoadBalance(t) = sum(generatorOutput(t, :)) + windOutput(t) == loadForecast(t);
end

% 约束条件:发电机组出力约束
for i = 1:10
    if units(i) == 1
        model.Constraints.CoalGeneratorOutput(i) = generatorOutput(:, i) <= coalUnitCost(i);
    else
        model.Constraints.GasGeneratorOutput(i) = generatorOutput(:, i) <= gasUnitCost(i);
    end
end

% 约束条件:风电场出力约束
model.Constraints.WindOutput = windOutput <= windCapacity;

% 4. 求解优化模型
[solution, fval] = solve(model);
generatorOutputValues = solution.generatorOutput;
windOutputValues = solution.windOutput;

% 5. 获取调度结果并进行分析
% 可根据需要进行对结果的分析和评估

上述代码主要包括参数初始化、优化模型构建、求解优化模型以及结果的获取。请确保在运行代码之前,已经准备好负荷预测数据和风电场功率预测数据,并将其加载到MATLAB工作环境中。在代码的最后,可以根据需要对优化结果进行进一步的分析和评估,例如计算总成本、发电成本、碳排放量等指标。

请注意,上述代码是一个基本示例,具体的代码实现可能因实际需求和数据格式的不同而有所调整和修改。在实际应用中,可能还需要考虑其他约束条件、引入更复杂的算法和模型,并可能需要对其进行进一步的优化和调整。

你可能感兴趣的:(文章解读,碳排放,碳交易机制,阶梯碳价,优化调度,风电)