基于改进粒子群算法的阶梯型碳交易机制参数优化方法与流程

1.本发明涉及一种阶梯型碳交易机制，具体涉及一种基于改进粒子群算法的阶梯型碳交易机制参数优化方法。


背景技术：

2.高效安全、低碳清洁的能源利用技术是当前能源发展的主流方向，是世界可持续发展的客观要求。在园区综合能源系统中，电、气、热等多种能源形式的灵活互补，满足多元化负荷需求，可以实现能量梯级利用。而能源行业在碳排放中所占比重较大，是节能减排的主力军，为了保证系统的可持续发展，有必要引入碳交易来兼顾园区综合能源系统的经济性和低碳环保性。碳交易机制主要分为阶梯型和传统型两种，相比传统型，阶梯型碳交易机制对碳排放量的控制更为严格。而对于阶梯型碳交易机制，其成本的最终结果与所选的碳交易基价、碳排放量区间长度以及碳交易价格增长率三个参数密切相关。但目前对于如何确定合理有效的碳交易机制参数还有待进一步研究。
3.因此在园区综合能源系统中引入阶梯型碳交易机制时，根据园区的实际情况来确定合理的碳交易基价、碳排放区间长度以及价格增长率，对于充分发挥机制作用，最大限度实现低碳减排目标具有重要意义。


技术实现要素：

4.本发明的目的在于提供一种基于改进粒子群算法的阶梯型碳交易机制参数优化方法，该方法实现据园区综合能源系统的实际情况，以整个园区综合能源系统的优化调度过程为适应度函数，利用改进粒子群算法来确定合理的阶梯型碳交易机制参数，从而充分发挥碳交易机制的作用，降低系统的碳排放量，提高系统运行的低碳性。
5.为实现上述发明目的，本发明所采用的技术方案如下。
6.一种基于改进粒子群算法的阶梯型碳交易机制参数优化方法，包括以下步骤：
7.(1)采集园区综合能源系统信息及运行数据，包括园区综合能源系统拓扑架构、园区综合能源系统设备容量和效率、燃气轮机碳排放系数、燃气锅炉碳排放系数、上级购电等效碳排放系数、园区综合能源系统运行成本、园区综合能源系统安全运行约束条件和电热气负荷信息；
8.(2)建立园区综合能源系统设备的数学模型，包括p2g设备模型，燃气轮机模型、燃气锅炉模型、蓄电池模型、储气罐模型和蓄热槽模型；
9.(3)建立阶梯型碳交易模型，包括园区综合能源系统无偿碳排放权配额模型和园区综合能源系统实际碳排放模型，阶梯型碳排放交易模型，据此得到的阶梯型碳交易成本的数学表达式为：
[0010][0011]
式中：为阶梯式碳交易成本；λ为碳交易基价；l为碳排放量区间长度；σ为碳交易价格增长率；ex
p
为园区综合能源系统的碳排放权交易额；
[0012]
(4)以园区综合能源系统的系统运行成本c
run
和碳交易成本总体成本最小为低碳经济优化调度目标，同时封装该园区综合能源系统低碳经济优化调度过程为一个适应度函数，所述适应度函数的输入量包括碳交易基价、碳排放量区间长度和碳交易价格增长率三个阶梯型碳交易机制参数，输出量为园区综合能源系统碳排放量；
[0013]
(5)引入改进粒子群算法对步骤(4)中适应度函数进行寻优，包括以s型函数、三角函数、随机函数为载体对粒子群算法中的惯性权重进行调整和以三角函数为依托对粒子群算法中的加速因子进行寻优，寻优过程包括以最大迭代次数为终止条件，以系统碳排放量最低为目标对适应度函数进行迭代寻优；寻优结果信息包括碳交易基价、碳排放量区间长度、碳交易价格增长率和园区综合能源系统碳排放量。
[0014]
进一步的，步骤(2)建立园区综合能源系统设备模型包括如下各模型：
[0015]
(2a)p2g设备模型数学模型如下式：
[0016][0017]
式中：分别为t时刻p2g设备的输出、输入量；η
p2g
为p2g转换效率；
[0018]
(2b)燃气轮机数学模型如下式：
[0019][0020]
式中：分别为t时刻燃气轮机的输出电量、输出热量、输入气量；η
gte
、η
gth
分别为燃气轮机气转电效率、气转热效率；
[0021]
(2c)燃气锅炉数学模型如下式：
[0022][0023]
式中：为t时刻燃气锅炉的输出、输入量，η
gb
为燃气锅炉转换效率；
[0024]
(2d)储电/气/热模型包括蓄电池、蓄热槽、储气罐3种储能设备，用统一的通用模型进行处理，包括存储能量平衡约束、存储能量上下限约束、存储能量周期始末等量约束以及充放能功率约束，其数学表达式如下：
[0025][0026]
式中：x表示能量类型，取电、热、气；为单位时段t内储能系统的存储能量；为单位时段t内储能系统的存储能量；分别为储能系统的充、放能功率；η
xchar
、η
xdis
分别为储能系统的充、放能效率；分别为储能系统的充、放能效率；分别为储能系统的存储能量的上、下限；分别为储能系统一日调度开始时刻和结束时刻的存储能量，要求经过一日调度，储能系统的存储能量可以回到原始值；分别为储能系统的充、放能功率上限；n
x
为0-1变量，确保储能系统在各时间段内不同时充、放能，当n
x
为1时进行储能，为0时进行放能。
[0027]
进一步的，步骤(3)建立阶梯型碳交易模型包括如下子模型：
[0028]
(3a)碳排放权配额模型的数学表达式如下：
[0029][0030]
式中：ex
pieso
、ex
eo,buy
、ex
gto
、ex
gbo
分别为园区综合能源系统、上级购电、燃气轮机、燃气锅炉的碳排放权配额；μe、μh分别为产生单位电功率、单位热功率的碳排放权配额；δ
e,h
为电、热功率转换参数；分别为t时刻的上级购电量、燃气轮机输入功率、燃气锅炉输入功率；η
gte
、η
gth
、η
gb
分别为燃气轮机的气转电效率和气转热效率、燃气锅炉的转换效率，t为调度周期；
[0031]
(3b)实际碳排放模型的数学表达式如下：
[0032][0033]
式中：ex
pies
、ex
e,buy
、ex
gt
、ex
gb
分别为园区综合能源系统、上级购电、燃气轮机、燃气锅炉的实际碳排放量；ξe、ξh分别为产生单位电功率、单位热功率的实际碳排放量；
[0034]
(3c)阶梯型碳排放交易模型中实际参与到碳交易市场的碳排放权交易额的计算
如下所示：
[0035]
ex
p
＝ex
pieso-ex
pies
[0036]
式中：ex
p
、ex
pieso
、ex
pies
分别为园区综合能源系统的碳排放权交易额、碳排放权配额、实际碳排放量。
[0037]
进一步的，步骤(4)具体包括如下过程：
[0038]
(4a)确定目标函数，综合考虑园区综合能源系统的系统运行成本c
run
、碳交易成本构建综合运行成本c最小的低碳经济优化调度目标，其表达式如下：
[0039][0040]
所述系统运行成本如下式：
[0041][0042]
式中：c
buy
为购能成本；c
save
为设备维护成本；为单位时段t内的购电量、购气量；α
t
、β
t
分别为t时段的电价、气价；ψ
gt
、ψ
gb
、ψ
p2g
、ψe、ψh、ψg分别为燃气轮机、燃气锅炉、p2g设备、蓄电池、蓄热槽、储气罐的单位维护成本；分别为燃气轮机、燃气锅炉、p2g设备在t时刻的输入功率；为单位时段t内蓄电池的放电功率；为单位时段t内储气罐的放气功率；单位时段t内蓄热槽的放热功率；
[0043]
碳交易成本如下式：
[0044]
ex
p
＝ex
pieso-ex
pies
[0045][0046]
式中：为阶梯型碳交易成本；λ为碳交易基价；l为碳排放量区间长度；σ为碳交易价格增长率；
[0047]
(4b)约束条件
[0048]
a、电、气、热功率平衡约束如下：
[0049]
[0050]
式中：分别为园区综合能源系统t时刻的气、热、电负荷功率；分别为t时刻购电量、购气量；为t时刻参与调度的风电功率；为t时刻p2g设备输入功率；分别为t时刻储气罐的储气、放气功率；分别为t时刻蓄热槽的蓄热、放热功率；分别为t时刻蓄电池的充电、放电功率；η
p2g
为p2g设备的能量转换效率；
[0051]
b、风电出力约束
[0052][0053]
式中：表示风电输出功率的上限；
[0054]
c、p2g设备约束
[0055][0056]
式中：p
p2gn
为p2g设备的额定功率；
[0057]
d、燃气轮机出力及爬坡约束
[0058][0059]
式中：p
gtn
为燃气轮机的额定功率；为燃气轮机爬坡率的上、下限；
[0060]
e、燃气锅炉出力及爬坡约束
[0061][0062]
式中：p
gbn
为燃气锅炉的额定功率；为燃气锅炉爬坡率的上、下限；
[0063]
f、储电/气/热约束
[0064]
蓄电池、蓄热槽、储气罐3种储能设备可用统一的通用模型进行处理，包括存储能量平衡约束、存储能量上下限约束、存储能量周期始末等量约束以及充放能功率约束：
[0065][0066]
式中：x表示能量类型，取电、热、气；为单位时段t内储能系统的存储能量；为单位时段t内储能系统的存储能量；分别为储能系统的充、放能功率；η
xchar
、η
xdis
分别为储能系统的充、放能效率；分别为储能系统的充、放能效率；分别为储能系统的存储能量的上、下限；分别为储能系统一日调度开始时刻和结束时刻的存储能量，要求经过一日调度，储能系统的存储能量可以回到原始值；分别为储能系统的充、放能功率上限；n
x
为0-1变量，确保储能系统在各时间段内不同时充、放能，当n
x
为1时进行储能，为0时进行放能；
[0067]
g、购电、购气约束
[0068]
园区综合能源系统与外部电力网络和天然气网络相连，需对其能量交换范围进行约束，约束条件如下：
[0069][0070]
式中：分别为单位时段t内的系统外购电力功率上、下限；分别为系统外购天然气功率上、下限。
[0071]
进一步的，步骤(5)引入改进粒子群算法对步骤(4)中所述适应度函数进行寻优，具体如下：
[0072]
(5a)惯性权重改进
[0073]
以s型函数、三角函数、随机函数为载体，对ω进行优化调整，优化过程计算表达式如下：
[0074][0075]
式中：ω为惯性权重；iter表示当前迭代次数；iter_max表示最大迭代次数；rand为[0,1]均匀分布的随机数，k为常数，且k＝30；
[0076]
(5b)加速因子改进
[0077]
以三角函数为依托对加速因子进行改进，同样进行非线性调整，包括如下计算：
[0078][0079][0080]
式中：c1、c2为加速因子；iter表示当前迭代次数；iter_max表示最大迭代次数；c1、c2的取值范围为[0.5,2]；
[0081]
(5c)改进后粒子群算法寻优流程
[0082]
改进后的粒子群算法操作流程如下：
[0083]
step1：初始化算法，设置种群规模大小m，粒子维度d，加速因子c1、c2，粒子的最大和最小飞行速度v
max
和v
min
，最大迭代次数iter_max；
[0084]
step2：在规定的搜索范围内对粒子的速度和位置进行随机初始化；
[0085]
step3：依据惯性权重和加速因子改进的计算公式对粒子下一次迭代前的惯性权重和加速因子进行计算；
[0086]
step4：计算粒子的速度和位置；
[0087]
step5：依据设定的适应度函数，求出每个粒子的适应度值fi，并依据fi求出个体极值p
best
和全局极值g
best
，并将其与个体极值p
best
进行比较，若结果优于个体极值，则p
best
＝fi；
[0088]
step6：将每个粒子的个体极值p
best
与种群中的全局极值g
best
进行比较，若结果优于全局极值，则g
best
＝p
best
；
[0089]
step7：判断是否满足步骤(5)所述的终止条件，若满足终止条件，则算法停止运算，进入step8，若不满足终止条件，则返回step3；
[0090]
step8：输出全局最优值。
[0091]
有益效果：与现有技术相比，本发明所述基于改进粒子群算法的阶梯型碳交易机制参数优化方法，其实质性特点和显著进步包括如下四点：
[0092]
(1)利用智能算法寻优，省去人工制定阶梯型碳交易机制参数的麻烦；
[0093]
(2)根据园区综合能源系统的具体情况，利用改进粒子群算法寻优，提高了阶梯型碳交易机制参数制定的合理性；
[0094]
(3)参数的合理制定可以充分发挥碳交易机制的有效性；
[0095]
(4)碳交易机制作用的有效发挥降低了园区综合能源系统的碳排放量，提高了系统的低碳性。
附图说明
[0096]
图1为本发明实施流程图；
[0097]
图2为本发明中园区综合能源系统的算例结构图；
[0098]
图3为实施例中电、气、热负荷及风电预测出力数据图；
[0099]
图4为碳交易基价与系统碳排放量关系图；
[0100]
图5为碳排放量区间长度与系统碳排放量关系图；
[0101]
图6为碳交易价格增长率与系统碳排放量关系图；
[0102]
图7为改进粒子群算法寻优迭代图。
具体实施方式
[0103]
下面结合说明书附图和具体实施例对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
[0104]
一种基于改进粒子群算法的阶梯型碳交易机制参数优化方法。如图1所示，包括以下步骤：
[0105]
(1)采集园区综合能源系统数据与信息
[0106]
采集园区综合能源系统数据与信息，包括园区综合能源系统设备容量和效率、燃气轮机碳排放系数、燃气锅炉碳排放系数、上级购电等效碳排放系数、园区综合能源系统拓扑架构、园区综合能源系统运行成本、园区综合能源系统安全运行约束条件、电热气负荷信息。
[0107]
(2)建立园区综合能源系统设备模型
[0108]
a、p2g设备模型
[0109]
p2g设备数学模型如下式：
[0110][0111]
式中：分别为t时刻p2g设备的输出、输入量；η
p2g
为p2g转换效率。
[0112]
b、燃气轮机模型
[0113]
燃气轮机数学模型如下式：
[0114][0115]
式中：分别为t时刻燃气轮机的输出电量、输出热量、输入气量；η
gte
、η
gth
分别为燃气轮机气转电效率、气转热效率。
[0116]
c、燃气锅炉模型
[0117]
燃气锅炉数学模型如下式：
[0118][0119]
式中：为t时刻燃气锅炉的输出、输入量；η
gb
为燃气锅炉转换效率。
[0120]
d、储电/气/热模型
[0121]
蓄电池、蓄热槽、储气罐3种储能设备可用统一的通用模型进行处理，包括存储能量平衡约束、存储能量上下限约束、存储能量周期始末等量约束以及充放能功率约束：
[0122][0123]
式中：x表示能量类型，取电、热、气；为单位时段t内储能系统的存储能量；为单位时段t内储能系统的存储能量；分别为储能系统的充、放能功率；η
xchar
、η
xdis
分别为储能系统的充、放能效率；分别为储能系统的充、放能效率；分别为储能系统的存储能量的上、下限；分别为储能系统一日调度开始时刻和结束时刻的存储能量，要求经过一日调度，储能系统的存储能量可以回到原始值；分别为储能系统的充、放能功率上限；n
x
为0-1变量，确保储能系统在各时间段内不同时充、放能，当n
x
为1时进行储能，为0时进行放能。
[0124]
(3)建立阶梯型碳交易模型
[0125]
a、碳排放权配额模型
[0126]
碳排放权配额模型如下：
[0127][0128]
式中：ex
pieso
、ex
eo,buy
、ex
gto
、ex
gbo
分别为园区综合能源系统、上级购电、燃气轮机、燃气锅炉的碳排放权配额；μe、μh分别为产生单位电功率、单位热功率的碳排放权配额；δ
e,h
为电、热功率转换参数；分别为t时刻的上级购电量、燃气轮机输入功率、燃气
锅炉输入功率；η
gte
、η
gth
、η
gb
分别为燃气轮机的气转电效率和气转热效率、燃气锅炉的转换效率。t为调度周期。
[0129]
b、实际碳排放模型
[0130]
实际碳排放模型如下：
[0131][0132]
式中：ex
pies
、ex
e,buy
、ex
gt
、ex
gb
分别为园区综合能源系统、上级购电、燃气轮机、燃气锅炉的实际碳排放量；ξe、ξh分别为产生单位电功率、单位热功率的实际碳排放量。
[0133]
c、阶梯型碳排放交易模型
[0134]
计算园区综合能源系统的碳排放权配额及实际碳排放量后，即可求得实际参与到碳交易市场的碳排放权交易额。
[0135]
ex
p
＝ex
pieso-ex
pies
[0136]
式中：ex
p
为园区综合能源系统的碳排放权交易额。
[0137]
相较于现有的碳交易定价机制，为进一步限制碳排放，本发明采用阶梯式定价机制。阶梯式定价机制划分了多个购买区间，随着需要购买的碳排放权配额越多，相应区间的购价越高。阶梯型碳交易成本为：
[0138][0139]
式中：为阶梯型碳交易成本；λ为碳交易基价；l为碳排放量区间长度；σ为碳交易价格增长率。
[0140]
(5)封装包含设备模型和阶梯型碳交易模型、以降低运行成本和碳排放量为目标的园区综合能源系统低碳经济优化调度过程为一个适应度函数
[0141]
a、目标函数
[0142]
综合考虑园区综合能源系统的系统运行成本c
run
、碳交易成本构建了综合运行成本c最小的低碳经济优化调度目标：
[0143][0144]
a1、系统运行成本
[0145][0146]
式中：c
buy
为购能成本；c
save
为设备维护成本；为单位时段t内的购电量、购气量；α
t
、β
t
分别为t时段的电价、气价；ψ
gt
、ψ
gb
、ψ
p2g
、ψe、ψh、ψg分别为燃气轮机、燃气锅炉、p2g设备、蓄电池、蓄热槽、储气罐的单位维护成本；分别为燃气轮机、燃气锅炉、p2g设备在t时刻的输入功率；为单位时段t内蓄电池的放电功率；为单位时段t内储气罐的放气功率；单位时段t内蓄热槽的放热功率。
[0147]
a2、碳交易成本
[0148]
ex
p
＝ex
pieso-ex
pies
[0149]
式中：ex
p
、ex
pieso
、ex
pies
分别为园区综合能源系统的碳排放权交易额、碳排放权配额、实际碳排放量。
[0150][0151]
式中：为阶梯型碳交易成本；λ为碳交易基价；l为碳排放量区间长度；σ为碳交易价格增长率。
[0152]
b、约束条件
[0153]
b1、功率平衡约束
[0154]
电、气、热功率平衡约束如下：
[0155][0156]
式中：分别为园区综合能源系统t时刻的气、热、电负荷功率；分别为t时刻购电量、购气量；为t时刻参与调度的风电功率；为t时刻p2g设备输入功率；分别为t时刻储气罐的储气、放气功率；分别为t时刻蓄热槽的蓄热、放热功率；分别为t时刻蓄电池的充电、放电功率；η
p2g
为p2g设备的能量转换效率。
[0157]
b2、风电出力约束
[0158][0159]
式中：表示风电输出功率的上限。
[0160]
b3、p2g设备约束
[0161][0162]
式中：p
p2gn
为p2g设备的额定功率。
[0163]
b4、燃气轮机出力及爬坡约束
[0164][0165]
式中：p
gtn
为燃气轮机的额定功率；为燃气轮机爬坡率的上、下限。
[0166]
b5、燃气锅炉出力及爬坡约束
[0167][0168]
式中：p
gbn
为燃气锅炉的额定功率；为燃气锅炉爬坡率的上、下限。
[0169]
b6、储电/气/热约束
[0170]
蓄电池、蓄热槽、储气罐3种储能设备可用统一的通用模型进行处理，包括存储能量平衡约束、存储能量上下限约束、存储能量周期始末等量约束以及充放能功率约束：
[0171][0172]
式中：x表示能量类型，取电、热、气；为单位时段t内储能系统的存储能量；为单位时段t内储能系统的存储能量；分别为储能系统的充、放能功率；η
xchar
、η
xdis
分别为储能系统的充、放能效率；分别为储能系统的充、放能效率；分别为储能系统的存储能量的上、下限；分别为储能系统一日调度开始时刻和结束时刻的存储能量，要求经过一日调度，储能系统的存储能量可以回到原始值；分别为储能系统的充、放能功率上限；n
x
为0-1变量，确保储能系统在各时间段内不同时充、放能，当n
x
为1时进行储能，为0时进行放能。
[0173]
b7、购电、购气约束
[0174]
园区综合能源系统与外部电力网络和天然气网络相连，需对其能量交换范围进行约束：
[0175]
[0176]
式中：p
emax
、p
emin
分别为单位时段t内的系统外购电力功率上、下限；分别为系统外购天然气功率上、下限。
[0177]
据此，本发明建立了园区综合能源系统低碳经济调度模型。
[0178]
由于不同的园区实际情况不同，对应的碳排放量有很大的差别，但又没有一种通用的方法来根据系统的具体情况制定相应的碳交易机制参数，为此步骤(4)将园区综合能源系统的优化调度过程封装为一个适应度函数，方便下一步引入改进粒子群算法对碳交易机制参数进行寻优处理。其中，所述适应度函数输入量为碳交易基价、碳排放区间长度、碳交易价格增长率，输出量为系统碳排放量。
[0179]
(5)引入改进粒子群算法对步骤(4)中所述适应度函数进行寻优，具体过程如下：
[0180]
a、惯性权重改进
[0181]
为提高粒子群算法在空间中的搜索速度以及搜索精度，引进了一种s型-三角函数粒子群算法，改进方向为：以s型函数、三角函数、随机函数为载体，对ω进行优化调整，进一步提升算法的整体寻优能力。采用此方法改进后，算法在前期收敛速度慢，有助于扩大搜索范围；中后期ω下降较快，有利于群体学习，从而快速收敛至全局最优解。
[0182][0183]
式中：ω为惯性权重；iter表示当前迭代次数；iter_max表示最大迭代次数；rand为[0,1]均匀分布的随机数，k为常数，且k＝30。
[0184]
b、加速因子改进
[0185]
以三角函数为依托对加速因子进行改进，同样进行非线性调整，提高算法的搜索能力。
[0186][0187][0188]
式中：c1、c2为加速因子；iter表示当前迭代次数；iter_max表示最大迭代次数；c1、c2的取值范围为[0.5,2]。
[0189]
c、改进后粒子群算法寻优流程
[0190]
改进后的粒子群算法操作流程如下：
[0191]
step1：初始化算法，设置种群规模大小m，粒子维度d，加速因子c1、c2，粒子的最大和最小飞行速度v
max
和v
min
，最大迭代次数iter_max。
[0192]
step2：在规定的搜索范围内对粒子的速度和位置进行随机初始化；
[0193]
step3：依据改进公式对粒子下一次迭代前的惯性权重和加速因子进行计算；
[0194]
step4：计算粒子的速度和位置；
[0195]
step5：依据设定的适应度函数，求出每个粒子的适应度值fi，并依据fi求出个体极值p
best
和全局极值g
best
。并将其与个体极值p
best
进行比较，若结果优于个体极值，则p
best
＝fi；
[0196]
step6：将每个粒子的个体极值p
best
与种群中的全局极值g
best
进行比较，若结果优于全局极值，则g
best
＝p
best
；
[0197]
step7：判断是否满足终止条件(达到预设的最大迭代次数)，若满足终止条件，则算法停止运算，进入step8，若不满足终止条件，则返回step3；
[0198]
step8：输出全局最优值。
[0199]
(6)输出步骤(5)寻优后的结果信息
[0200]
在步骤(5)利用改进粒子群算法，以系统碳排放量最小为目标对步骤(4)中所提适应度函数进行寻优后，输出相应的算法寻优结果信息，所述寻优结果信息包括碳交易基价、碳排放量区间长度、碳交易价格增长率和系统碳排放量。
[0201]
实施例
[0202]
本发明中涉及的园区综合能源系统结构图如图2所示，以一天24h为一个调度周期。图3为某园区综合能源系统内部的风电出力以及电、热、气负荷需求的预测值，假设可再生风机出力波动误差为
±
10％。根据燃料的热值、含碳量以及各碳排放环节的效率等因素，确定各碳排放环节的单位碳排放量为：购电等效的碳排放量δe为1.08kg/(kw
·
h)，燃气锅炉的碳排放量δh为0.065kg/mj，将电量换算成热量后(换算系数ξ
e,h
取6mj/(kw
·
h))，燃气轮机等效供热量与燃气锅炉接近，其碳排放量也取0.065kg/mj。此外，发明以各行业平均碳排放为基准，综合确定产生单位电功率的碳排放权配额ξe为0.728kg/(kw
·
h)，产生单位热功率的碳排放权配额ξh为0.102kg/mj。另外，该园区综合能源系统所涉及的设备容量、转换效率等信息如表1、表2所示。
[0203]
表1能源转换设备参数
[0204][0205]
表2储能设备参数
[0206][0207]
本发明中利用改进粒子群算法对阶梯式碳交易机制参数进行寻优的主要结果及分析如下：
[0208]
a、参数影响分析
[0209]
由阶梯型碳交易成本计算公式可得，该机制中主要包含3个参数：碳交易基价，碳排放量区间长度以及碳交易价格增长率。下面分析这3个参数对阶梯型碳交易机制的影响。
[0210]
a1、碳交易基价影响分析
[0211]
此时碳排放量区间长度设置为2000kg，碳交易价格增长率设置为0.25。
[0212]
由图4可知，当碳交易基价小于0.9元/kg时，随着碳交易基价的增加，碳排放成本在目标函数中所占的比重越大，碳交易机制对碳排放的约束作用也越强，从而迫使系统降低碳排放量以减小碳交易成本，因此系统碳排放量逐渐减少。而当碳交易基价大于0.9元/kg时，虽然碳交易基价在继续增大，但在园区综合能源系统中，各个设备的出力情况已经基本趋于稳定，系统整体的碳排放量也趋于稳定，此时碳交易基价变化对系统碳排放水平的影响相对比较微弱。此时，系统最小碳排放量为15053.652kg。
[0213]
a2、碳排放量区间长度影响分析
[0214]
此时碳交易基价设置为0.252元/kg，碳交易价格增长率设置为0.25。
[0215]
由图5可知，当碳排放量区间长度在[500,1300]kg范围内时，因为区间长度相对较小，系统碳排放量多以高阶梯价格在碳交易市场中进行交易，此时相应的碳交易成本较高，系统中碳交易机制约束增强，因此碳排放量减少。当碳排放量区间长度在(1300,2300]kg范围内时，区间长度变大，但因为园区综合能源系统里面固有的电、气等负荷情况，系统碳排放量在碳交易市场中以高阶梯价位进行交易的量变小，因此相对应的碳交易成本也变小。碳交易成本的逐渐降低导致了其在目标函数中所占的比重减少，碳交易机制约束变弱，故而系统的碳排放量越来越大。而当碳排放量区间长度在(2300,3000]kg范围内时，系统碳排放量多以基价或第一阶梯价格在碳交易市场中进行交易，此时阶梯型碳交易情况接近于传统型碳交易，系统碳排放量的大小受区间长度变化的影响较小，因此碳排放量水平达到相对稳定。此时，系统最小碳排放量为17948.725kg。
[0216]
a3、价格增长率影响分析
[0217]
此时碳交易基价设置为0.252元/kg，碳排放量区间长度为2000kg，
[0218]
由图6可知，当价格增长率小于0.7时，碳交易成本随着价格增长率的增大致使其在目标函数中所占的比重也逐渐增大，碳交易机制对系统的碳排放约束也随之增强。为了降低系统碳排放量以达到减小碳交易成本的目的，在优化调度过程中，系统会调整内部各个设备出力情况，多选择排放系数更低的燃气设备来供能。同时由于园区综合能源系统里面电、热等负荷情况，当价格增长率大于0.7时，系统内各设备出力情况逐渐达到相对稳定，碳排放水平也随之达到相对稳定。此时，系统最小碳排放量为17946.487kg。
[0219]
综合上述阶梯型碳交易机制参数分析可得，对于碳交易基价方面，当基价大于0.9元/kg时，系统的碳排放量达到最小，此时基价的增加不能再减少园区综合能源系统的碳排放，只会增加系统的综合运行成本。对于碳排放量区间长度方面，当区间长度小于等于1300kg时，系统的碳排放量是最小的，此时阶梯型碳交易机制对系统的碳排放约束较强；而当区间长度大于2300kg时，系统的碳排放量是最大的，此时机制对系统的碳排放约束力较差。对于价格增长率方面，当价格增长率大于0.7时，系统碳排放量受价格增长率变化的影响程度较小，此时系统碳排放水平较低同时达到相对稳定状态。因此，碳交易基价、碳排放量区间长度、价格增长率的合理设置能够有效实现系统的低碳目标。
[0220]
b、基于改进粒子群算法优化碳交易机制参数
[0221]
图7为改进粒子群算法优化过程。将阶梯型碳交易机制引入园区综合能源系统，利用改进粒子群算法对该机制参数进行寻优，最终参数寻优结果为：碳交易基价确定为0.853元/kg，碳排放区间长度确定为553.512kg，价格增长率确定为0.823，对应的系统碳排放量为13510.183kg。该系统碳排放量相比于a1中的最小碳排放量——15053.652kg降低了
1543.469kg，相比于a2中的最小碳排放量——17948.725kg降低了4438.542kg，相比于a3中的最小碳排放量——17946.487kg降低了4436.304kg。此外，利用算法的寻优特性，让碳交易机制参数自适应园区的实际情况，省去了人工制定参数的麻烦，提高了工作效率。验证了在园区综合能源系统低碳优化调度中，基于改进粒子群算法的阶梯型碳交易机制参数优化方法的优越性。
[0222]
本发明以阶梯型碳交易为研究对象，引入智能算法，提出了一种基于改进粒子群算法的阶梯型碳交易机制参数优化方法，同时以园区综合能源系统为背景，分析验证了所提方法的优越性。本发明的算例仿真结果表明：(1)利用改进粒子群算法根据园区实际情况进行寻优，省去人工制定阶梯型碳交易机制参数的麻烦，同时提高了阶梯型碳交易机制参数制定的合理性；(2)参数的合理制定可以充分发挥碳交易机制的有效性，降低了园区综合能源系统的碳排放量，提高了系统的低碳性。
[0223]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。