CN103106621A - 碳排放权交易下碳捕集机组的厂内优化运行方法 - Google Patents
碳排放权交易下碳捕集机组的厂内优化运行方法 Download PDFInfo
- Publication number
- CN103106621A CN103106621A CN2013100186966A CN201310018696A CN103106621A CN 103106621 A CN103106621 A CN 103106621A CN 2013100186966 A CN2013100186966 A CN 2013100186966A CN 201310018696 A CN201310018696 A CN 201310018696A CN 103106621 A CN103106621 A CN 103106621A
- Authority
- CN
- China
- Prior art keywords
- carbon
- carbon emission
- cost
- emission power
- alpha
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑碳排放权交易的碳捕集电厂运行方法,属于电厂运行与控制方法领域。该方法包括:1)建立考虑碳捕集电厂的发电成本、碳排放权购买成本和售电损失成本的碳捕集水平优化模型,得出机组响应的碳排放权价格敏感区间;2)采用α-超分位数方法求取碳排放权购买成本,建立考虑碳排放权价格波动的碳捕集水平随机优化模型。本发明的有益效果为:1)从发电商角度考虑碳捕集电厂的经济效益最大化,有效实现碳捕集电厂灵活、经济运行;2)α-超分位数方法有效避开条件风险价值方法可能带来的矛盾含义,在数学意义上解决随机优化问题的计算;3)敏感区间对合理制定碳排放权价格和宏观调控碳排放权价格、碳市场引导等具有重要意义。
Description
技术领域
本发明属于电厂运行与控制方法领域,涉及一种考虑碳排放权交易的碳捕集电厂运行方法。
技术背景
我国是全球CO2排放量最大的国家之一,在大力发展低碳经济的背景下,电力行业是CO2减排的主力军,而碳捕集与封存(Carbon Capture and Storage,CCS)技术则被认为是实现电力低碳化发展的有效方法之一。在CCS技术的支撑下,火力发电厂引入单独的碳捕集***后即成为碳捕集电厂。碳捕集电厂的捕集能量一般占电厂发电功率的20%左右,因此捕集能量成本和碳排放量之间的合理协调以实现碳捕集电厂的灵活、经济运行是一个亟需解决的问题。国内外学者针对碳捕集电厂的灵活、经济运行问题展开了初步探索,但目前还存在两个问题需要解决。首先,碳捕集电厂是电力市场的主要参与者,在与碳排放交易市场接轨的过程中,从碳排放权交易价格敏感区间角度进行碳捕集电厂运行的市场响应建模尚未有研究涉及;其次,在总量控制与排放贸易的碳排放权交易体系下,由于火电厂的碳排放权配额有限,当碳排放量超过所分配的配额时,需要购买相应的碳排放权;而当碳排放配额有剩余时,则可售出碳排放权。从发电厂自身利益的角度来看,若不考虑碳捕集***的调峰作用,当碳排放权价格过高时,应该增大与捕集能量相关的碳捕集水平以减少二氧化碳排放成本;而当二氧化碳排放权价格较低时,可降低碳捕集水平以减少能耗成本。碳捕集水平随碳排放权价格变化而变化,但是碳排放权的价格处于波动状态,具有很大的不确定性,因此碳捕集水平的合理优化存在较大困难。
发明内容
本发明针对上述缺陷公开了一种考虑碳排放权交易的碳捕集电厂运行方法,本发明的目的在于提出适用于欧盟碳排放权交易市场的碳捕集电厂灵活、经济运行方法。
本发明的碳捕集电厂运行方法包含两个部分内容:(1)建立了考虑碳排放权交易的碳捕集水平优化模型,该模型以碳捕集电厂的发电成本、碳排放权购买成本和售电损失成本构成的总运行成本最小为目标函数,约束条件考虑了碳捕集电厂的能量守恒约束、捕集能量约束和碳捕集水平约束,并通过该模型得到机组响应的碳排放权价格敏感区间;(2)采用α-超分位数方法求取碳排放权购买成本,建立考虑碳排放权价格不确定性的碳捕集水平随机优化模型。
一种考虑碳排放权交易的碳捕集电厂运行方法包括以下步骤:
1)建立考虑碳捕集电厂的发电成本、碳排放权购买成本和售电损失成本的碳捕集水平优化模型,得出机组响应的碳排放权价格敏感区间;
2)采用α-超分位数方法求取碳排放权购买成本,建立碳捕集水平随机优化模型。
所述步骤1)具体包括以下步骤:
1.1)建立目标函数minF=fcost+ftrade+floss,即发电厂的总运行成本最小作为目标函数;fcost为发电成本;
ftrade为碳排放权购买成本;floss为售电损失成本;
fcost=f(PN+PC)=a(PN+PC)2+b(PN+PC)+c
ftrade=S·(1-β)eG(PN+PC)
floss=kPC
式中,a、b、c为碳捕集机组发电成本系数;PN为净输出功率;PC为捕集能量;S为碳排放权价格;β为碳捕集水平;eG为单位电量的碳排放强度;k为上网电价;
1.2)建立碳捕集电厂的能量守恒约束条件:
1.4)建立第二不等式约束0≤β≤βmax,其中βmax为现有技术所能实现的最高碳捕集水平。
所述步骤2)具体包括以下步骤:
2.1)定义购买碳排放权的期望成本
上式中z=(z0,z1,…zn),为辅助变量;α为置信水平;n为碳排放权价格抽样点个数;满足的约束条件包括:
2.1.1)zi≥ftrade(β,PC,Si)-z0,其中i=1,2,…,n;
2.1.2)zi≥0,其中i=1,2,…,n;
2.2)考虑碳排放权价格不确定性的碳捕集水平随机优化模型为:
目标函数:
min F′=fcost+fe_trade+floss。
所述购买碳排放权期望成本的定义过程如下:
式中g(u,y)为极限状态函数。由于上式中的函数积分计算较困难,因此E[max{0,g(u,y)-z0}]通常较难求出,通过对随机变量y采用蒙特卡罗模拟,取n个样本点进行估计:
尽管极限状态函数g(u,y)连续可微,但由于max函数的不光滑性,上式无法直接简便的通过非线性优化方法求解。令z1,z2,…zn作为辅助变量并记z=(z0,z1,…zn),则α-超分位数可通过下式计算得到:
满足约束条件max{0,g(u,yi)-z0}=zi,其中i=1,2,…,n;
放松上式的等式约束使其变为不等式约束:
max{0,g(u,yi)-z0}≤zi
而该不等式约束可以等效为两个不等式约束:
zi≥g(u,yi)-z0
zi≥0,其中i=1,2,…,n
若将碳排放权购买成本ftrade定义为极限状态函数:
S·(1-β)eG(PN+PC)=g(u,y)
=ftrade(β,PC,S)
则所求得的α-超分位数即称为购买碳排放权的期望成本:
式中的E[max{0,g(β,PC,S)-z0}]通过碳排放权价格波动模型AR(1)-GARCH(1,1)对碳排放权收盘价格进行蒙特卡罗抽取n个样本点来求取,从而将上式化为:
AR(1)-GARCH(1,1)模型如下:
rt=ln(St)-ln(St-1)
rt=c+φrt-1+δt
δt=utσt
式中St为第t日的碳排放仅价格;rt是碳排放权价格对数的一阶差分,称为收益率;δt和σt为中间变量;ut为0均值、有限方差并且服从正态分布的独立随机变量,一般假设ut~N(0,1);c,φ,k,λ,η为常数;
zi≥g(β,PC,Si)-z0
zi≥0,其中i=1,2,…,n。
本发明的有益效果为:1)从发电商的角度考虑了碳捕集电厂的经济效益最大化,有效实现碳捕集电厂灵活、经济运行;2)α-超分位数方法能有效避开条件风险价值方法可能带来的矛盾含义,在数学意义上解决了随机优化问题的计算;3)敏感区间对碳排放权价格的合理制定和宏观调控碳排放权价格、碳市场引导等具有重要意义。
附图说明
图1是碳捕集水平随碳排放权价格的变化曲线图.
图2是碳排放权价格抽样情况示意图。
图3是不同置信水平下碳捕集水平随净输出功率的变化曲线图。
图4是不同置信水平下碳捕集能量随净输出功率的变化曲线图。
图5是两种置信水平之间的总运行成本差额图。
具体实施方式
为了更清晰直观的表达本发明的方法思路,下面结合附图及实施例,对碳排放权交易下碳捕集电厂的优化运行方法进行详细说明:
一种考虑碳排放权交易的碳捕集电厂运行方法包括以下步骤:
1)建立考虑碳捕集电厂的发电成本、碳排放权购买成本和售电损失成本的碳捕集水平优化模型,得出机组响应的碳排放权价格敏感区间;
2)采用α-超分位数方法求取碳排放权购买成本,建立碳捕集水平随机优化模型。
所述步骤1)具体包括以下步骤:
1.1)在考虑环保效益的情形下,碳捕集电厂不能仅追求发电成本最小,还应考虑到碳排放权购买成本。同时,由于碳捕集电厂需要向碳捕集***供给不菲的捕集能量,因而产生了一定的售电损失成本。因此建立目标函数min F=fcost+ftrade+floss,即发电厂的总运行成本最小作为目标函数;fcost为发电成本;ftrade为碳排放权购买成本;floss为售电损失成本;
fcost=f(PN+PC)=a(PN+PC)2+b(PN+PC)+c
ftrade=S·(1-β)eG(PN+PC)
floss=kPC
式中,a、b、c为碳捕集机组发电成本系数;PN为净输出功率;PC为捕集能量;S为碳排放权价格;β为碳捕集水平;eG为单位电量的碳排放强度;k为上网电价;
1.2)建立碳捕集电厂的能量守恒约束条件:
上式中,λGE为捕集单位二氧化碳所消耗的热功率,可视为常数;λGEβeG(PN+PC)为捕集***的运行能耗,为维持能耗;
1.4)建立第二不等式约束0≤β≤βmax,其中βmax为现有技术所能实现的最高碳捕集水平。
对碳捕集水平优化模型求解可得到不同碳排放权价格对应的碳捕集水平,但是在实际碳排放权交易市场中,碳排放权价格须在收盘之后方能确定,并且较难准确预测。特别是碳排放权价格处于使碳捕集水平发生较大变化的价格区间时,碳排放权价格的不确定性对碳捕集水平的影响尤为突出,碳捕集水平优化模型的求解结果直接影响到发电商的利益。为此,采用α-超分位数方法对碳排放权购买成本进行变换求解,通过建立碳捕集水平随机优化模型处理碳排放权价格的不确定性。
因此所述步骤2)具体包括以下步骤:
2.1)定义购买碳排放权的期望成本
上式中z=(z0,z1,…zn),为辅助变量;α为置信水平;n为碳排放权价格抽样点个数;满足的约束条件包括:
2.1.1)zi≥ftrade(β,PC,Si)-z0,其中i=1,2,…,n;
2.1.2)zi≥0,其中i=1,2,…,n;
2.2)考虑碳排放权价格不确定性的碳捕集水平随机优化模型为:
目标函数:
min F′=fcost+fe_trade+floss。
所述购买碳排放权期望成本的定义过程如下:
式中g(u,y)为极限状态函数。由于上式中的函数积分计算较困难,因此E[max{0,g(u,y)-z0}]通常较难求出,通过对随机变量y采用蒙特卡罗模拟,取n个样本点进行估计:
尽管极限状态函数g(u,y)连续可微,但由于max函数的不光滑性,上式无法直接简便的通过非线性优化方法求解。令z1,z2,…zn作为辅助变量并记z=(z0,z1,…zn),则α-超分位数可通过下式计算得到:
满足约束条件max{0,g(u,yi)-z0}=zi,其中i=1,2,…,n;
放松上式的等式约束使其变为不等式约束:
max{0,g(u,yi)-z0}≤zi
而该不等式约束可以等效为两个不等式约束:
zi≥g(u,yi)-z0
zi≥0,其中i=1,2,…,n
若将碳排放权购买成本ftrade定义为极限状态函数:
S·(1-β)eG(PN+PC)=g(u,y)
=ftrade(β,PC,S)
则所求得的α-超分位数即称为购买碳排放权的期望成本:
式中的E[max{0,g(β,PC,S)-z0}]通过碳排放权价格波动模型AR(1)-GARCH(1,1)对碳排放权收盘价格进行蒙特卡罗抽取n个样本点来求取,从而将上式化为:
AR(1)-GARCH(1,1)模型如下:
rt=ln(St)-ln(St-1)
rt=c+φrt-1+δt
δt=utσt
式中St为第t日的碳排放仅价格;rt是碳排放权价格对数的一阶差分,称为收益率;δt和σt为中间变量;ut为0均值、有限方差并且服从正态分布的独立随机变量,一般假设ut~N(0,1);c,φ,k,λ,η为常数;若已知第t-1,t-2和t-3日的碳排放权价格分别为St-1,St-2和St-3,则根据AR(1)-GARCH(1,1)模型可计算出δt-1和σt-1:
rt-2=ln(St-2)-ln(St-3)
rt-1=ln(St-1)-ln(St-2)
δt-1=rt-1-c-φrt-2
ut-1σt-1=δt-1
进而求出第t日的碳排放仅价格St:
δt=utσt
rt=c+φrt-1+δt
St=exp[rt-ln(St-1)]
zi≥g(β,PC,Si)-z0
zi≥0,其中i=1,2,…,n。
实施例:
设置碳捕集电厂的相关参数:发电机组最大出力发电成本系数a=0.026$/(MW2·h),b=13.87$/(MW·h),c=468.81$/h,eG=0.76t/(MW·h);碳捕集***参数λGE=0.23MW·h/t,βmax=0.9;上网电价k=40$/(MW·h)。
在***调度员下达机组调度计划出力(净输出功率)后,火电厂的自身发电、碳捕集等运行状况由电厂调度员确定。设定不同的净输出功率,求解碳捕集水平优化模型,得到不同碳排放权价格对应的碳捕集水平,见说明图1。碳捕集水平会在碳排放权价格大致为18~25$/t这一敏感区间内出现较大变化,当碳排放权价格低于敏感区间下限时,碳捕集***未投入运行,当碳排放权价格高于敏感区间上限时碳捕集***以最高捕集水平运行。这是由于碳排放权价格较低时,碳排放权购买成本远低于有功生产成本,碳排放权价格未能起到刺激发电商采取碳捕集措施的作用;当碳排放权价格过高时,碳排放权购买成本过高,发电商的碳捕集行为变成了强制执行的结果。而当碳排放权价格在敏感区间内时,则可以采用碳捕集水平随机优化模型处理。
假设待优化日t的第t-1,t-2和t-3日碳排放权收盘价格分别为20$/t,15$/t和17$/t;通过碳排放权价格波动模型对待优化日t的碳排放权价格模拟抽样300个点,抽取到的样本值在18.6$/t至21.8$/t之间波动,如图2所示。
设定置信水平分别为0.9和0.99,采用MATLAB非线性优化工具箱对碳捕集水平随机优化模型求解,可得到两种置信水平下的碳捕集水平、捕集能量以及两种置信水平下的总运行成本差额,分别见说明图3、说明图4和说明图5。
由说明图3所示,当净输出功率在315MW至415MW之间变化时,置信水平越高,碳捕集水平也越高,这是由于置信水平增加,限制碳排放的力度变大所致,即在严格控制碳排放政策下的碳捕集水平会比较高。
由说明图4所示,当净输出功率从255MW变化到315MW,即碳捕集水平为最高水平时,碳捕集能量与净输出功率呈线性增长关系。当净输出功率在315MW至435MW之间时,由于置信水平越高捕集水平越高,因此相应的碳捕集能量越大,同时随着置信水平的降低,碳捕集能量也在逐渐变小;而当净输出功率大于435MW时,碳捕集水平为0,此时碳捕集能量为碳捕集***的维持能耗。
由说明图5所示,当净输出功率不超过315MW时,总成本差额不大,这是由于此时碳捕集水平均为最高值,碳捕集能量与净输出功率均相同,碳排放量小,因此碳排放权价格波动对购买碳排放权的期望成本影响不大。而当净输出功率超过315MW时,总成本差额迅速增加,这是由于碳捕集水平下降,碳排放量增加,因此置信水平越高,碳排放权价格波动对购买碳排放权的期望成本影响越大。
由此可以看到,碳捕集水平优化模型可使碳捕集电厂在不同的碳排放权价格下,节约碳排放权购买成本、减少售电损失,实现效益最大化;通过碳捕集水平随机优化模型和方法,能够有效考虑碳排放权价格波动,在不同净输出功率和置信水平下决策发电厂的最优碳捕集水平,提高了碳捕集电厂的市场适应能力。以上所述的具体实施例仅为说明本发明的实现效果,并不用以限制本发明。凡在本发明所提出的方法的基本思路和框架之内所作的任何非实质性的修改、转换和改进,均应包含在本发明的保护范围之内。
Claims (4)
1.一种考虑碳排放权交易的碳捕集电厂运行方法,其特征在于,它包括以下步骤:
1)建立考虑碳捕集电厂的发电成本、碳排放权购买成本和售电损失成本的碳捕集水平优化模型,得出机组响应的碳排放权价格敏感区间;
2)采用α-超分位数方法求取碳排放权购买成本,建立碳捕集水平随机优化模型。
2.根据权利要求1所述的一种考虑碳排放权交易的碳捕集电厂运行方法,其特征在于,所述步骤1)具体包括以下步骤:
1.1)建立目标函数minF=fcost+ftrade+floss,即发电厂的总运行成本最小作为目标函数;fcost为发电成本;ftrade为碳排放权购买成本;floss为售电损失成本;
fcost=f(PN+PC)=a(PN+PC)2+b(PN+PC)+c
ftrade=S·(1-β)eG(PN+PC)
floss=kPC
式中,a、b、c为碳捕集机组发电成本系数;PN为净输出功率;PC为捕集能量;S为碳排放权价格;β为碳捕集水平;eG为单位电量的碳排放强度;k为上网电价;
1.2)建立碳捕集电厂的能量守恒约束条件:
1.4)建立第二不等式约束0≤β≤βmax,其中βmax为现有技术所能实现的最高碳捕集水平。
3.根据权利要求1所述的一种考虑碳排放权交易的碳捕集电厂运行方法,其特征在于,所述步骤2)具体包括以下步骤:
2.1)定义购买碳排放权的期望成本
上式中z=(z0,z1,…zn),为辅助变量;α为置信水平;n为碳排放权价格抽样点个数;满足的约束条件为:
zi≥ftrade(β,PC,Si)-z0;
zi≥0,其中i=1,2,…,n;
2.2)考虑碳排放权价格不确定性的碳捕集水平随机优化模型为:
目标函数:
min F′=fcost+fe_trade+floss。
4.根据权利要求3所述的一种考虑碳排放权交易的碳捕集电厂运行方法,其特征在于,所述购买碳排放权期望成本的定义过程如下:
根据α-超分位数的计算公式式中z0为辅助变量并且
式中g(u,y)为极限状态函数。由于上式中的函数积分计算较困难,因此E[max{0,g(u,y)-z0}]通常较难求出,通过对随机变量y采用蒙特卡罗模拟,取n个样本点进行估计:
尽管极限状态函数g(u,y)连续可微,但由于max函数的不光滑性,上式无法直接简便的通过非线性优化方法求解。令z1,z2,…zn作为辅助变量并记z=(z0,z1,…zn),则α-超分位数可通过下式计算得到:
满足约束条件max{0,g(u,yi)-z0}=zi,其中i=1,2,…,n;
放松上式的等式约束使其变为不等式约束:
max{0,g(u,yi)-z0}≤zi
而该不等式约束可以等效为两个不等式约束:
zi≥g(u,yi)-z0
zi≥0,其中i=1,2,…,n
若将碳排放权购买成本ftrade定义为极限状态函数:
S·(1-β)eG(PN+PC)=g(u,y)
=ftrade(β,PC,S)
则所求得的α-超分位数即称为购买碳排放权的期望成本:
式中的E[max{0,g(β,PC,S)-z0}]通过碳排放权价格波动模型AR(1)-GARCH(1,1)对碳排放权收盘价格进行蒙特卡罗抽取n个样本点来求取,从而将上式化为:
AR(1)-GARCH(1,1)模型如下:
rt=ln(St)-ln(St-1)
rt=c+φrt-1+δt
δt=utσt
式中St为第t日的碳排放仅价格;rt是碳排放权价格对数的一阶差分,称为收益率;δt和σt为中间变量;ut为0均值、有限方差并且服从正态分布的独立随机变量,一般假设ut~N(0,1);c,φ,k,λ,η为常数;
zi≥g(β,PC,Si)-z0
zi≥0,其中i=1,2,…,n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310018696.6A CN103106621B (zh) | 2013-01-18 | 2013-01-18 | 碳排放权交易下碳捕集机组的厂内优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310018696.6A CN103106621B (zh) | 2013-01-18 | 2013-01-18 | 碳排放权交易下碳捕集机组的厂内优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106621A true CN103106621A (zh) | 2013-05-15 |
CN103106621B CN103106621B (zh) | 2016-09-28 |
Family
ID=48314456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310018696.6A Expired - Fee Related CN103106621B (zh) | 2013-01-18 | 2013-01-18 | 碳排放权交易下碳捕集机组的厂内优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106621B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062617A (zh) * | 2017-11-28 | 2018-05-22 | 华电电力科学研究院 | 一种火力机组碳排放配额调节方法 |
CN109272243A (zh) * | 2018-09-30 | 2019-01-25 | 大唐碳资产有限公司 | 碳资产管理方法及*** |
CN109976155A (zh) * | 2019-03-05 | 2019-07-05 | 长沙理工大学 | 参与气电市场的虚拟电厂内部随机优化控制方法及*** |
CN110097294A (zh) * | 2019-05-16 | 2019-08-06 | 长沙理工大学 | 一种考虑虚拟电厂经济运行的蓄热罐定容配置决策方法 |
CN110472783A (zh) * | 2019-08-06 | 2019-11-19 | 国网冀北综合能源服务有限公司 | 考虑发电量配额的碳捕集机组优化方法 |
CN110826809A (zh) * | 2019-11-11 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于预测及滚动优化的用能权自动分配***及方法 |
CN111489083A (zh) * | 2020-04-11 | 2020-08-04 | 东北电力大学 | 考虑富氧燃烧技术的电-气-热综合能源***低碳经济调度方法 |
CN111754133A (zh) * | 2020-06-30 | 2020-10-09 | 太原理工大学 | 一种考虑碳捕集***的综合能源***“源-荷”低碳经济调度方法 |
CN112330160A (zh) * | 2020-11-06 | 2021-02-05 | 南方电网能源发展研究院有限责任公司 | 一种碳交易机制模拟分析方法、*** |
CN113219932A (zh) * | 2021-06-02 | 2021-08-06 | 内蒙古自治区计量测试研究院 | 一种火力发电行业碳排放数字化分析*** |
-
2013
- 2013-01-18 CN CN201310018696.6A patent/CN103106621B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
范文帅等: ""采用α超分位数方法的含碳捕集***日前环保调度研究"", 《中国水能及电气化》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062617B (zh) * | 2017-11-28 | 2021-01-12 | 华电电力科学研究院有限公司 | 一种火力机组碳排放配额调节方法 |
CN108062617A (zh) * | 2017-11-28 | 2018-05-22 | 华电电力科学研究院 | 一种火力机组碳排放配额调节方法 |
CN109272243A (zh) * | 2018-09-30 | 2019-01-25 | 大唐碳资产有限公司 | 碳资产管理方法及*** |
CN109976155A (zh) * | 2019-03-05 | 2019-07-05 | 长沙理工大学 | 参与气电市场的虚拟电厂内部随机优化控制方法及*** |
CN109976155B (zh) * | 2019-03-05 | 2023-03-10 | 长沙理工大学 | 参与气电市场的虚拟电厂内部随机优化控制方法及*** |
CN110097294A (zh) * | 2019-05-16 | 2019-08-06 | 长沙理工大学 | 一种考虑虚拟电厂经济运行的蓄热罐定容配置决策方法 |
CN110097294B (zh) * | 2019-05-16 | 2022-06-17 | 长沙理工大学 | 一种考虑虚拟电厂经济运行的蓄热罐定容配置决策方法 |
CN110472783A (zh) * | 2019-08-06 | 2019-11-19 | 国网冀北综合能源服务有限公司 | 考虑发电量配额的碳捕集机组优化方法 |
CN110826809A (zh) * | 2019-11-11 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于预测及滚动优化的用能权自动分配***及方法 |
CN111489083B (zh) * | 2020-04-11 | 2022-03-18 | 东北电力大学 | 考虑富氧燃烧技术的电-气-热综合能源***低碳经济调度方法 |
CN111489083A (zh) * | 2020-04-11 | 2020-08-04 | 东北电力大学 | 考虑富氧燃烧技术的电-气-热综合能源***低碳经济调度方法 |
CN111754133A (zh) * | 2020-06-30 | 2020-10-09 | 太原理工大学 | 一种考虑碳捕集***的综合能源***“源-荷”低碳经济调度方法 |
CN111754133B (zh) * | 2020-06-30 | 2023-08-15 | 太原理工大学 | 一种考虑碳捕集***的综合能源***“源-荷”低碳经济调度方法 |
CN112330160A (zh) * | 2020-11-06 | 2021-02-05 | 南方电网能源发展研究院有限责任公司 | 一种碳交易机制模拟分析方法、*** |
CN112330160B (zh) * | 2020-11-06 | 2021-07-13 | 南方电网能源发展研究院有限责任公司 | 一种碳交易机制模拟分析方法、*** |
CN113219932A (zh) * | 2021-06-02 | 2021-08-06 | 内蒙古自治区计量测试研究院 | 一种火力发电行业碳排放数字化分析*** |
CN113219932B (zh) * | 2021-06-02 | 2023-09-05 | 内蒙古自治区计量测试研究院 | 一种火力发电行业碳排放数字化分析*** |
Also Published As
Publication number | Publication date |
---|---|
CN103106621B (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106621A (zh) | 碳排放权交易下碳捕集机组的厂内优化运行方法 | |
Yin et al. | Day-ahead stochastic coordinated scheduling for thermal-hydro-wind-photovoltaic systems | |
He et al. | Low-carbon economic dispatch for electricity and natural gas systems considering carbon capture systems and power-to-gas | |
Kou et al. | Distributed EMPC of multiple microgrids for coordinated stochastic energy management | |
Tan et al. | The optimization model for multi-type customers assisting wind power consumptive considering uncertainty and demand response based on robust stochastic theory | |
Hong et al. | Scenario analysis for estimating the learning rate of photovoltaic power generation based on learning curve theory in South Korea | |
US20190228481A1 (en) | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning | |
Huang et al. | Economic model predictive control for multi-energy system considering hydrogen-thermal-electric dynamics and waste heat recovery of MW-level alkaline electrolyzer | |
Bakirtzis et al. | Multiple time resolution stochastic scheduling for systems with high renewable penetration | |
CN106056256B (zh) | 一种平衡电力供需关系的互动化微网调度方法 | |
CN110247426B (zh) | 一种基于多频段不确定集合的鲁棒机组组合方法 | |
Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
CN113095791A (zh) | 一种综合能源***运行方法及*** | |
Zhang et al. | Interval optimization based coordination scheduling of gas–electricity coupled system considering wind power uncertainty, dynamic process of natural gas flow and demand response management | |
Fang et al. | Look-ahead bidding strategy for concentrating solar power plants with wind farms | |
Chen et al. | A two-stage robust optimization model for a virtual power plant considering responsiveness-based electric vehicle aggregation | |
Yang et al. | An improved carbon emission flow method for the power grid with prosumers | |
Zhu et al. | Model predictive control for energy dispatch of a photovoltaic-diesel-battery hybrid power system | |
Zhang et al. | Multitime scale co-optimized dispatch for integrated electricity and natural gas system considering bidirectional interactions and renewable uncertainties | |
Ran et al. | A framework for uncertainty quantification and economic dispatch model with wind–solar energy | |
Michael et al. | Economic scheduling of virtual power plant in day-ahead and real-time markets considering uncertainties in electrical parameters | |
Christopher et al. | A bio-inspired approach for probabilistic energy management of micro-grid incorporating uncertainty in statistical cost estimation | |
Yang et al. | An optimized scheduling strategy combining robust optimization and rolling optimization to solve the uncertainty of RES-CCHP MG | |
He et al. | A robust reliability evaluation model with sequential acceleration method for power systems considering renewable energy temporal-spatial correlation | |
Jiang et al. | Research on nodal wind power values and optimal accommodation based on locational marginal price |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160928 Termination date: 20200118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |