基于动态碳势的低碳园区综合能源系统协同运行调度方法

本发明涉及综合能源系统碳排放管理领域，尤其是涉及一种基于动态碳势的低碳园区综合能源系统协同运行调度方法。

背景技术：

1、以工业园区和商业综合体为代表的低碳园区已演变为电-热耦合的综合能源系统，面对园区内部异质主体用能行为差异化以及低碳供能设备大规模接入的现状，如何实现科学、公平的碳责任追溯与激励机制成为碳管理领域的关键难题。

2、当前园区碳管理研究与实践存在诸多局限：在碳排放核算上，传统方法依赖固定或平均碳势，无法反映系统运行状态的动态变化及其边际影响；在碳流追踪方面，常用的比例共享法难以敏锐捕捉电网拓扑与潮流分布的非线性特征，且在热网建模中缺乏对传输热损与熵增效应的描述，导致碳流分配偏差；在碳责任分配与协同效益方面，现有方法倾向于基于能耗的线性分摊，忽略了负荷时序特性、绿电消纳及用能弹性等行为因素，而传统shapley值模型则因假设主体贡献对称，未能有效区分主体在技术能力与协同配合上的实际差异，导致分配结果缺乏对低碳行为的正向激励。

3、尽管近年来在园区碳管理领域取得了一定进展，但综合现有技术方法，仍面临以下四个方面的核心问题与挑战。

4、（1）碳势表征缺乏边际敏感性，难以引导负荷侧低碳响应

5、现有平均碳势无法实时响应系统状态变化，无法表征单位负荷变动引发的边际碳排放增量，导致储能与负荷转移等调控措施难以精准定位高碳时段。且纯数据驱动预测模型未嵌入电网物理约束，预测结果易违背电力运行规律。

6、（2）碳流追踪方法对网络拓扑与热力特性考虑不足，时空分辨率低

7、在电网侧传统方法忽略了拓扑与潮流的非线性耦合，无法合理分摊网损碳责任；热网侧方法未考虑热损与传输延迟带来的熵增增碳效应，导致热网碳势计算偏低。

8、（3）碳责任分配方法单一，缺乏对行为响应的激励相容设计

9、现有“以量定责”方式存在局限：一是无法区分主体在不同碳势时段用电的时序差异；二是对主动削峰与消纳绿电的行为缺乏独立的激励通道，未构建涵盖负荷弹性与主体互动的多维协同责任因子。

10、（4）协同贡献分配忽略主体异质性，shapley值缺乏自适应修正

11、传统shapley值未考虑主体在技术能力、负荷特性及互动配合上的异质性，容易导致“搭便车”现象。同时缺乏多维分解，难以为主体提供明确的差异化减排路径指引。

12、专利cn121457998a涉及一种低碳园区综合能源系统多主体协同碳责任分配方法，步骤包括：采集园区的多源数据，以最小化综合能源系统总运行成本为目标进行多能流优化调度；利用考虑储能充放电过程引发碳流转移的双向碳流动态修正模型，构建动态碳流分布矩阵；采用负荷碳责任解耦分配模型将总负荷解耦为多个子负荷类别，并为每类子负荷依据赋予不同的碳责任分配系数；以园区内各个利益方作为博弈的参与者，纳什议价作为协同优化框架，最大化所有参与者效用增益为目标函数，shapley值作为碳责任的分配依据，进行多主体协同优化，结合用户碳责任分配系数得到各主体的碳责任分配方案。但在碳势时空高精刻画、低碳闭环控制以及多维行为激励方面均存在不足，无法精准捕捉碳势的动态时空演化；未实现边际碳势与储能调度的闭环实时反馈；且碳责任分配依赖静态负荷分类赋权，未能实现主体实际响应行为与激励相容机制的深度绑定。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实现了电-热耦合园区碳势的精细化预测与溯源，以及多主体碳责任分配与减碳行为激励的深度绑定的基于动态碳势的低碳园区综合能源系统协同运行调度方法。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于动态碳势的低碳园区综合能源系统协同运行调度方法，包括以下步骤：

4、构建物理信息神经网络模型，在所述物理信息神经网络模型的损失函数中引入包含园区电力负荷平衡、发电机组出力上下限以及储能功率约束的物理约束误差对所述物理信息神经网络模型进行训练；

5、获取园区历史负荷、历史边际碳势、天气数据和日期特征输入训练后的所述物理信息神经网络模型，输出预测边际碳势；

6、将所述预测边际碳势作为优化信号，采用模型预测控制对园区电储能系统进行充放电优化调度，输出包含高碳时段、光伏出力时段、实际能耗量与支路网损的系统运行状态数据；

7、基于所述系统运行状态数据，采用图神经网络提取电网拓扑特征与潮流分布特征计算节点电碳势，基于热力学第二定律与熵增原理计算节点热碳势；

8、将所述实际能耗量与所述节点电碳势和所述节点热碳势相乘得到基础碳责任；通过计算各主体的负荷时序因子、可再生能源消纳因子、负荷弹性因子与主体互动因子，采用熵权法对各个因子赋权得到综合协同因子，结合高碳时段响应贡献度计算激励相容调整系数计算得到各主体的动态碳责任；

9、根据所述动态碳责任生成负荷响应调控指令并发送至各主体，以动态调整各主体的用能负荷，实现园区综合能源系统的低碳协同运行调度。

10、进一步地，在对所述物理信息神经网络模型进行训练时，获取负荷预测数据，将所述负荷预测数据输入包含机组出力排序的经济调度模型反推得到边际机组参考出力；通过所述预测边际碳势获取预测边际机组出力；所述物理约束误差为所述预测边际机组出力与所述边际机组参考出力之间的误差。

11、进一步地，所述采用模型预测控制对园区电储能系统进行充放电优化调度的步骤中，首先获取购电功率、天然气消耗量与天然气碳排放因子；设定目标函数为最小化系统碳排放，所述系统碳排放为第一乘积与第二乘积之和，所述第一乘积为所述预测边际碳势与所述购电功率的乘积，所述第二乘积为所述天然气消耗量与所述天然气碳排放因子的乘积。

12、进一步地，所述采用图神经网络提取电网拓扑特征与潮流分布特征计算节点电碳势的步骤中，将电网母线作为图神经网络的节点集，输电线路作为图神经网络的边集；节点隐状态的更新规则包含将邻居节点的边特征通过聚合函数聚合，乘以可学习权重矩阵并输入激活函数。

13、进一步地，所述采用图神经网络提取电网拓扑特征与潮流分布特征计算节点电碳势的步骤之后，还包括：

14、获取系统平均碳势与潮流灵敏度；

15、基于所述潮流灵敏度计算网损分摊系数，将所述支路网损乘以所述系统平均碳势及所述网损分摊系数作为附加负荷叠加至所述节点集中的各个节点，以修正所述节点电碳势。

16、进一步地，所述基于热力学第二定律与熵增原理计算节点热碳势的步骤，具体包括：

17、获取热损失碳补偿系数与环境温度；

18、计算初始节点热碳势，采用所述热损失碳补偿系数与所述环境温度计算熵增补偿；

19、将所述熵增补偿叠加至所述初始节点热碳势，得到所述节点热碳势。

20、进一步地，所述计算各主体的负荷时序因子、可再生能源消纳因子、负荷弹性因子与主体互动因子，具体包括：

21、获取发电碳势与主体间直接能量交易的电量，依据所述主体间直接能量交易的电量与所述发电碳势的乘积计算所述主体互动因子；

22、所述负荷时序因子为各主体在所述高碳时段内的电负荷占其总用电负荷比例的归一化值；

23、所述可再生能源消纳因子为各主体在所述光伏出力时段内的电负荷占其总用电负荷比例的归一化值；

24、获取弹性响应模型回归得到的弹性系数，将所述弹性系数作为所述负荷弹性因子。

25、进一步地，所述结合高碳时段响应贡献度计算激励相容调整系数，具体包括：

26、获取参考能耗量与参考碳势；

27、将所述高碳时段内所述实际能耗量低于所述参考能耗量的差值与所述参考碳势的乘积作为所述实际响应贡献度，所述激励相容调整系数随所述实际响应贡献度的增加而减小。

28、进一步地，所述输出各主体的动态碳责任分配结果之后，还包括：

29、将所述各主体视为合作博弈参与者，构建以联盟运行相对于独立运行的碳减排量为特征函数的联盟博弈模型，利用所述特征函数计算各主体的夏普利值。

30、进一步地，所述利用所述特征函数计算各主体的夏普利值之后，还包括：

31、获取各主体在设备自用量的占比以及主体间直接能量交易的电量；

32、将所述综合协同因子除以所有主体综合协同因子的均值构建协同贡献系数，利用所述协同贡献系数与所述夏普利值相乘得到自适应夏普利值；

33、将所述自适应夏普利值按照所述设备自用量的占比、所述负荷时序因子倒数的占比及所述主体间直接能量交易的电量的分配比例分解为技术贡献度、负荷特性贡献度与协同贡献度。

34、与现有技术相比，本发明具有以下有益效果：

35、1.提升碳势预测的物理一致性与鲁棒性：构建物理信息神经网络模型并在损失函数中加入物理约束误差进行训练，基于历史数据等特征输出预测边际碳势，使预测结果在拟合数据的同时满足机组出力与电网运行的物理规律。

36、2.形成闭环的低碳运行调度：将预测边际碳势作为优化信号，结合模型预测控制对园区电储能系统进行充放电优化调度，动态引导园区储能低碳运行并削峰填谷。

37、3.实现电-热耦合系统碳排放的时空精细计算：采用图神经网络提取电网拓扑特征与潮流分布特征计算节点电碳势，同时基于热力学第二定律与熵增原理计算节点热碳势，精准刻画网络非线性分布及热损失对碳势的影响。

38、4.实现碳责任分配与减碳行为激励的统一：利用熵权法融合负荷时序、可再生能源消纳、负荷弹性与主体互动四维因子得到综合协同因子，结合根据高碳时段实际能耗算出的激励相容调整系数，最后将二者与基础碳责任相乘得出动态分配结果，使责任分配向低碳、灵活、协同的实际行为倾斜。