文章解读与仿真程序复现思路——电力自动化设备EI\CSCD\北大核心《考虑碳排放流的电-气互联系统源荷互动低碳经济调度》

2023-12-20 12:43:05

这个标题涉及到一个涵盖电力系统、气体系统、源荷互动以及低碳经济调度的复杂话题。以下是对标题中各个关键词和短语的解读:

  1. 电-气互联系统:

    • 涉及到电力系统和气体系统之间的相互联系。这可能包括电力和气体的生产、传输、存储等方面的关系,表明考虑了两者之间的协同作用和互动。
  2. 源荷互动:

    • 源指能源的来源,荷指系统的负荷或需求。源荷互动可能表示电力系统中能源的生产与系统负荷之间的相互影响,强调了系统中能源供需平衡的重要性。
  3. 低碳经济调度:

    • 指对整个系统进行调度以实现低碳经济目标。这可能包括优化能源生产、传输和使用的方式,以最小化碳排放,提高能源利用效率,促进可再生能源的使用等。
  4. 碳排放流:

    • 涉及到与碳排放有关的流动或过程。这可能包括在电力和气体系统中发生的碳排放,以及如何减少、监测和管理这些排放。

综合起来,这个标题表明在一个系统性的视角下,综合考虑电力和气体系统之间的相互作用,通过源荷互动实现能源供需平衡,从而实施低碳经济调度。这种方法旨在优化系统的运行,减少碳排放,促进可持续发展,符合现代社会对环境友好和可持续性的追求。

摘要:为应对电力系统存在的弃风、碳排放较高等问题,基于碳排放流理论提出了一种电-气互联系统源荷互动低碳经济调度模型。首先,基于电力系统碳排放流计算方法,推导出考虑气网动态特性的天然气系统碳排放流计算方法;其次,构建以储液罐装置为主的储碳系统(carbon storage system,CSS),与火电机组(thermalunit,TU)、风电机组(windturbine,WT)、电转气设备(powertogas,P2G)组成TU-CSS-P2G-WT的联合运行方式;再次,源侧以系统日运行总成本最小计算出能源网络的碳势时空分布,荷侧根据源侧的碳势信号,基于低碳响应机制建立激励型低碳需求响应模型,合理调整用能行为最小化用户购能总成本;最后,建立源荷互动两阶段低碳经济调度模型,并利用GUROBI进行求解。通过改进IEEE 39节点和比利时20节点的电-气互联系统算例分析,验证了所提模型的低碳经济性和灵活性。

这段摘要描述了一种针对电力系统中存在的问题(如弃风、碳排放较高等)提出的解决方案,即电-气互联系统源荷互动低碳经济调度模型。以下是对摘要各部分的详细解读:

  1. 碳排放流理论基础:

    • 提到了基于碳排放流理论的方法,这可能是一种系统性的理论框架,用于分析和优化电力系统中的碳排放问题。
  2. 碳排放流计算方法:

    • 描述了一种计算电力系统和天然气系统碳排放流的方法,特别强调了考虑气网动态特性的天然气系统。
  3. 储碳系统(CSS)构建:

    • 引入了以储液罐装置为主的碳储存系统,该系统与火电机组、风电机组和电转气设备共同组成联合运行方式,构建了TU-CSS-P2G-WT系统。
  4. 碳势时空分布计算:

    • 在源侧,通过计算系统的日运行总成本,得出了能源网络的碳势时空分布,这可能是指系统中碳排放的时空分布情况。
  5. 低碳需求响应模型:

    • 在荷侧,根据源侧的碳势信号,建立了激励型低碳需求响应模型,目的是通过激励机制调整用户用能行为,以最小化用户购能总成本。
  6. 源荷互动两阶段低碳经济调度模型:

    • 提到了建立了源荷互动的两阶段低碳经济调度模型,这可能包括了源侧和荷侧的相互协调和优化,以实现整个系统的低碳经济调度。
  7. 算例分析和验证:

    • 使用GUROBI进行求解,并通过改进IEEE 39节点和比利时20节点的电-气互联系统算例进行分析,验证了提出的模型在低碳经济性和灵活性方面的有效性。

综合来看,这项研究提出了一个综合的电-气互联系统源荷互动低碳经济调度模型,通过多个方面的考虑和优化,致力于解决电力系统中的碳排放和弃风等问题,以实现更加可持续和经济的运行。

关键词:碳排放流; 联合运行方式;气网动态特性;激励型低碳需求响应;电碳特性;
?

  1. 碳排放流(Carbon Emission Flow):

    • 这可能指的是在电力系统中,能源的碳排放流动的理论或模型。在这个文献中,提到了基于碳排放流理论的方法,可能是一种用于分析和优化电力系统碳排放的理论框架。
  2. 联合运行方式(Integrated Operation Mode):

    • 描述了储液罐装置、火电机组、风电机组和电转气设备等多个能源组件一起协同运行的方式,构成了TU-CSS-P2G-WT的联合运行模式。这可能是一种综合考虑多种能源形式,以最优方式协同运行的模型。
  3. 气网动态特性(Dynamic Characteristics of Gas Network):

    • 指涉了考虑气体网络在时间上的变化和动态响应。在这个上下文中,特别是在计算天然气系统碳排放流时,可能需要考虑气体网络的动态特性。
  4. 激励型低碳需求响应(Incentive Low Carbon Demand Response):

    • 涉及了通过激励机制来引导用户实现低碳需求响应。在这里,可能是指通过奖励或其他激励手段,促使用户在用能行为上作出对环境友好的选择。
  5. 电碳特性(Electric Carbon Characteristics):

    • 可能是指电力系统中与碳排放相关的特性或属性。在这个上下文中,可能指的是计算电力系统碳排放流时的特定电力系统特性,或是与电力系统运行有关的碳特性。

这些关键词的组合表明这项研究关注电力系统中碳排放的问题,并尝试通过引入新的理论、模型和方法来解决这些问题。联合运行方式、气网动态特性、激励型低碳需求响应等方面的概念表明研究者在设计综合性的系统模型时考虑了多个方面的因素,以实现更低碳的电力系统运行。

仿真算例:本文采用改进 IEEE39 节点电网与比利时 20 节点气网互联系统进行算例验证,其具体节点分布 见附录 D 图 D1。系统包含 5 台火电机组,3 台风 电机组,2 台燃气轮机,2 台 P2G 设备每台容量为 60MW。W,T,G 分别代表气源、火电、燃气轮 机。其中,节点 30、33 火电机组加入 CSS。负荷 数据和风电预测出力见附录 D 图 D2,其中风电预 测时间尺度为 1h;电网数据来自 MATPOWER-39 电网节点数据;火电机组参数见附录 D 表 D1;燃 气轮机参数见附录 D 表 D2;气源参数见附录 D 表 D3;气网数据来自文献[20];其他相关数据见附录 D 表 D4;为降低模型复杂度,将烟气分流比 δ 设 为固定值 0.6;公式变量平方项采用二次约束的增 量线性化方法处理[21],具体线性化过程见附录 E。 气网每条管道管存由上一个调度日 24 h 的稳态压 强决定,基础碳势设为 0.2 t/(MW·h)。经线性化处 理后,本文考虑碳排放流的电-气互联系统源荷互 动低碳经济调度模型变为混合整数线性规划 MILP(mixed integer linear programming)模型,通过 GUROBI 9.1.2 商业求解器对模型进行求解。 为验证所提源荷互动低碳经济调度模型的有 效性,将所提联合运行方式和传统运行方式进行对 比。传统运行方式:风电、火电机组独立运行,火 电机组未装有 CSS,不存在 P2G 运行。根据是否 考虑联合运行方式、气网动态特性与激励型低碳需 求响应,设置 7 个场景,如表 1 所示。

仿真程序复现思路:

复现这篇文章的仿真涉及多个方面,包括电力系统和气体网络的建模,碳排放流的计算,以及低碳经济调度模型的建立。以下是一个简要的仿真复现思路,使用Python作为示例程序语言:

# 导入所需的库
import pandas as pd
import numpy as np
from gurobipy import *

# 读取数据
node_distribution = pd.read_csv('path/to/node_distribution.csv')
load_data = pd.read_csv('path/to/load_data.csv')
wind_power_forecast = pd.read_csv('path/to/wind_power_forecast.csv')
power_grid_data = pd.read_csv('path/to/power_grid_data.csv')
thermal_power_params = pd.read_csv('path/to/thermal_power_params.csv')
gas_turbine_params = pd.read_csv('path/to/gas_turbine_params.csv')
gas_source_params = pd.read_csv('path/to/gas_source_params.csv')

# 设置参数
delta = 0.6
carbon_potential = 0.2

# 创建模型
model = Model("LowCarbonEconomicDispatch")

# 创建决策变量
# 假设有关于发电量、燃气轮机输出、P2G设备运行状态等的决策变量
thermal_power_output = model.addVars(5, vtype=GRB.CONTINUOUS, name="ThermalPowerOutput")
gas_turbine_output = model.addVars(2, vtype=GRB.CONTINUOUS, name="GasTurbineOutput")
p2g_status = model.addVars(2, vtype=GRB.BINARY, name="P2GStatus")

# 添加约束条件
# 例如,负荷平衡约束
model.addConstr(sum(thermal_power_output[i] for i in range(5)) + 
                sum(gas_turbine_output[i] for i in range(2)) == 
                load_data['load'].values[0], "LoadBalance")

# 其他约束条件,如燃气轮机和P2G设备的运行限制等
# ...

# 设置目标函数
# 假设目标是最小化碳排放或最大化社会福利
model.setObjective(sum(carbon_potential * (thermal_power_output[i] + gas_turbine_output[j]) for i in range(5) for j in range(2)), GRB.MINIMIZE)

# 求解模型
model.optimize()

# 输出结果
if model.status == GRB.OPTIMAL:
    print("Optimal Objective Value:", model.objVal)
    for i in range(5):
        print(f"Thermal Power Unit {i+1} Output:", thermal_power_output[i].x)
    for j in range(2):
        print(f"Gas Turbine {j+1} Output:", gas_turbine_output[j].x)
    # 输出其他决策变量的取值
    # ...

# 进行传统运行方式的仿真
# ...

# 根据设定的场景,进行其他运行方式的仿真
# ...

# 输出仿真结果
# ...

请注意,这仅仅是一个基础的示例,实际的仿真程序可能会更加复杂,需要根据具体的模型结构、约束条件和目标函数进行调整。在实际应用中,还需要进行数据预处理、模型验证以及结果分析等步骤。

文章来源:https://blog.csdn.net/LIANG674027206/article/details/135077188
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。