面向园区低碳运行的动态碳排放惩罚方法及系统与流程

1.本发明涉及能源智能优化调度技术领域，具体涉及一种面向园区低碳运行的动态碳排放惩罚方法及系统。


背景技术：

2.能源危机和环境保护成为了世界经济发展不可忽视的难题，这就导致了低碳经济概念的提出。推行低碳电力有利于促进中国低碳经济的发展，由此，随着碳市场的逐渐完善，对碳排放量进行制约的方法逐渐成为国内外学者的研究热点。
3.碳市场的机制是根据碳配额对co2排放权进行运营的机制，是当前最有效的碳减排措施之一，通过在总成本中计入碳机制成本，借助经济杠杆的作用来实现低碳目标。现有碳成本惩罚奖励机制模型是固定的价格涨幅，以及固定的碳排放量区间，没有设置合理的动态价格涨幅以及排放区间，忽略了奖惩公平性问题，不利于激发企业参与碳市场的积极性。


技术实现要素：

4.因此，为了克服上述缺陷，本发明实施例提供一种面向园区低碳运行的动态碳排放惩罚方法及系统。
5.为此，本发明实施例的一种面向园区低碳运行的动态碳排放惩罚方法，包括以下步骤：
6.根据园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，采用神经网络算法，预测获得当日的园区动态奖惩阶梯碳交易成本；
7.根据所述当日的园区动态奖惩阶梯碳交易成本，建立日消耗成本的优化模型；
8.以所述日消耗成本最小化为优化目标，对所述优化模型进行优化求解，获得基于动态碳排放惩罚的最优调度策略。
9.优选地，所述神经网络算法采用的样本数据集为n个，是按照园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系进行区间划分所获得的n个分段区间，然后将园区无偿碳排放权分配额度和园区实际碳排放量的日历史数据进行分类划分得到的。
10.优选地，所述神经网络算法采用bp神经网络预测模型，在每个分段区间上分别构建bp神经网络预测模型。
11.优选地，所述bp神经网络预测模型的输入为园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据；
12.输出为预测的园区动态奖惩阶梯碳交易成本。
13.优选地，所述日消耗成本的优化模型基于当日各时段园区发电成本、发电损耗成本和预测的当日的园区动态奖惩阶梯碳交易成本建立。
14.优选地，所述优化求解的方法采用遗传算法。
15.本发明实施例的一种面向园区低碳运行的动态碳排放惩罚系统，包括：
16.神经网络预测装置，用于根据园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，采用神经网络算法，预测获得当日的园区动态奖惩阶梯碳交易成本；
17.优化模型建立装置，用于根据所述当日的园区动态奖惩阶梯碳交易成本，建立日消耗成本的优化模型；
18.最优调度策略获得装置，用于以所述日消耗成本最小化为优化目标，对所述优化模型进行优化求解，获得基于动态碳排放惩罚的最优调度策略。
19.本发明实施例的面向园区低碳运行的动态碳排放惩罚方法及系统，具有如下优点：
20.通过分段区间，利用神经网络模型，动态的预测园区碳交易成本，并在此基础上结合日消耗成本最小化为优化目标，调整惩罚系数和奖励系数，推演获得基于动态碳排放惩罚的最优调度策略，提高了奖惩公平性、合理性。
附图说明
21.为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明实施例1中面向园区低碳运行的动态碳排放惩罚方法的一个具体示例的流程图；
23.图2为本发明实施例1中面向园区低碳运行的动态碳排放惩罚方法的另一个具体示例的流程图；
24.图3为本发明实施例2中面向园区低碳运行的动态碳排放惩罚系统的一个具体示例的原理框图。
具体实施方式
25.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
27.此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的
每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
28.相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
29.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
30.实施例1
31.本实施例提供一种面向园区低碳运行的动态碳排放惩罚方法，如图1所示，包括以下步骤：
32.s1、根据园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，采用神经网络算法，预测获得当日的园区动态奖惩阶梯碳交易成本；
33.s2、根据所述当日的园区动态奖惩阶梯碳交易成本，建立日消耗成本的优化模型；
34.s3、以所述日消耗成本最小化为优化目标，对所述优化模型进行优化求解，获得基于动态碳排放惩罚的最优调度策略。
35.优选地，如图2所示，所述s1的步骤包括：
36.s11、采样园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，以及与其相对应的实际的园区动态奖惩阶梯碳交易成本；惩罚额度用于当园区实际碳排放量超过惩罚额度时在基本碳交易单价基础上上调碳交易单价，奖励额度用于当园区实际碳排放量低于奖励额度时在基本碳交易单价基础上下调碳交易单价，阶梯单价梯度系数用于将基本碳交易单价划分为若干个梯度等级，按照梯度等级依次规定不同的基本碳交易单价；
37.s12、按照园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系进行区间划分，获得n个分段区间，o
base-o
fact
≤-2d，-2d＜o
base-o
fact
≤-d，-d＜o
base-o
fact
≤0，0＜o
base-o
fact
≤d，d＜o
base-o
fact
≤2d，
…
，共n个，其中，o
base
为园区无偿碳排放权分配额度，o
fact
为园区实际碳排放量，d为阶梯单价梯度系数；
38.s13、根据所述n个分段区间，对采样得到的园区无偿碳排放权分配额度和园区实际碳排放量的日历史数据进行分类划分，获得与所述n个分段区间一一对应的n个样本数据集；差值属于某一分段区间的对应数据分入该分段区间对应的样本数据集；
39.s14、根据每个样本数据集，在每个分段区间上分别构建bp神经网络预测模型并分
别进行训练，获得训练好的bp神经网络预测模型；通过分段区间分别构建bp神经网络预测模型，提高了预测精度；
40.s15、获取当日的园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数，根据园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系，确定出所属分段区间和相应的bp神经网络预测模型；
41.s16、将所述当日的园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数输入确定出的bp神经网络预测模型，获得模型输出的预测的当日的园区动态奖惩阶梯碳交易成本。
42.优选地，所述s14的步骤包括：
43.s141、在每个分段区间上分别构建具有依次连接的一个输入层、一个隐含层和一个输出层的bp神经网络预测模型，每一层的输出作为下一层的输入；
44.所述输入层具有5个神经元，用于分别接收园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据；
45.所述隐含层具有若干个神经元，例如5-7个；
46.所述输出层具有1个神经元，用于输出预测的园区动态奖惩阶梯碳交易成本；
47.s142、针对每个分段区间，将对应的样本数据集输入bp神经网络预测模型，推演获得模型输出的预测的当日的园区动态奖惩阶梯碳交易成本，并计算适应度函数值，所述适应度函数值为预测的园区动态奖惩阶梯碳交易成本与实际的园区动态奖惩阶梯碳交易成本的均方根误差；
48.第g个分段区间的bp神经网络预测模型的输入层的输入为：
[0049][0050]
其中，k为迭代次数，r为样本数据集中的第r组数据，其中，k为迭代次数，r为样本数据集中的第r组数据，分别为与第g个分段区间对应的第g个样本数据集中第r组园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，g＝1，2，...，n；
[0051]
隐含层的输入为：
[0052][0053]
其中，为输入层到隐含层的连接权值，j为隐含层神经元个数，如j＝1，2，...，7；
[0054]
隐含层的输出为：
[0055][0056]
其中，f(*)为隐含层激活函数，优选为双极性的sigmoidal函数：
[0057]
[0058]
输出层的输入为：
[0059][0060]
其中，为隐含层到输出层的连接权值，t为输出层神经元个数，t＝1；
[0061]
输出层的输出为：
[0062][0063]
其中，g(*)为输出层激活函数，优选为线性函数；
[0064]
s143、每个bp神经网络预测模型分别按连接权值的负梯度方向搜索调整适应度函数值，直至适应度函数值达到预设阈值或迭代次数达到预设值为止，获得训练好的bp神经网络预测模型；搜索调整的公式为：
[0065][0066][0067]
其中，η为学习率，α为惯性系数，e
(g)
(k)为第g个分段区间对应的适应度函数值。
[0068]
优选地，所述s2中日消耗成本的优化模型基于当日各时段园区发电成本、发电损耗成本和预测的当日的园区动态奖惩阶梯碳交易成本建立，公式为：
[0069][0070]
其中，k
cost
为发电成本比例系数，p
t
为当日t时段园区所需发电量，所需发电量对园区实际碳排放量产生影响，s
t
为t时段园区单位发电量成本，w
t
为当日t时段园区发电损耗成本，k
cut
为碳排放比例系数，o
punish
为惩罚额度，α为惩罚系数，s
punish
为惩罚单位额度交易成本，o
award
为奖励额度，β为奖励系数，s
award
为奖励单位额度交易成本，b1、b2为二值系数，取值为0或1，当o
fact-o
base
≥0时，b1＝1，b2＝0，当o
fact-o
base
＜0时，b1＝0，b2＝1，c
cut
为预测的当日的园区动态奖惩阶梯碳交易成本。
[0071]
所述日消耗成本的优化模型的约束条件包括o
fact-o
base-αo
punish
≥0、o
base-o
fact-βo
award
≥0。
[0072]
优选地，所述s3中采用遗传算法进行优化求解，具体步骤包括：
[0073]
s31、将发电成本比例系数、碳排放比例系数、惩罚系数、奖励系数的组合作为染色体；
[0074]
s32、随机产生初始种群，使发电成本比例系数、碳排放比例系数、惩罚系数、奖励系数分别可以获得一个各自的最大值和最小值之间的随机值；
[0075]
s33、根据赌轮盘选择法将上一代的优先个体传递到下一代，每个染色体被选择的概率为：
[0076][0077]
其中，f(l)为当前代中第l个染色体对应的日消耗成本的优化模型的输出值；
[0078]
s34、采用交叉算子，选取一个随机交叉点，通过在交叉点上交换亲代的基因得到若干个子代染色体，其中交叉概率为pc；优选地，交叉算子为单点交叉算子；
[0079]
s35、通过交叉算子获得子代染色体后，再采用变异算子进行优化，通过改变一个或若干个基因的值，增加种群的多样性，其中变异概率为pm。优选地，变异算子为均匀变异算子、增量变异算子或非均匀变异算子。
[0080]
具体步骤包括：
[0081]
(1)参数初始化，根据当日的园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系所确定出的所属分段区间，选取与该所属分段区间相对应的样本数据集，并获取当日各时段园区所需发电量、单位发电量成本、发电损耗成本、惩罚单位额度交易成本、奖励单位额度交易成本和二值系数的取值，设总代数gen＝200，种群大小pop＝20，交叉概率pc＝0.6，变异概率pm＝0.1；
[0082]
(2)为发电成本比例系数、碳排放比例系数、惩罚系数、奖励系数分别分配一个各自的最大值和最小值之间的随机值，生成初始种群；
[0083]
(3)根据与当日的园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系所确定出的所属分段区间相对应的样本数据集，以及当日各时段园区所需发电量、单位发电量成本、发电损耗成本、惩罚单位额度交易成本、奖励单位额度交易成本和二值系数的取值确定的日消耗成本的优化模型，分别计算每个个体的模型输出值；
[0084]
(4)选出所述模型输出值中的最小值，该最小值对应个体为最佳个体；
[0085]
(5)根据每个染色体被选择的概率选择个体，采用交叉概率pc和变异概率pm分别进行交叉运算和变异运算，直至新一代种群产生；
[0086]
(6)当迭代次数达到预设总代数时，转步骤(7)；否则，迭代次数加1，返回步骤(3)；
[0087]
(7)输出最佳个体，所述最佳个体即为最优解，从而获得了发电成本比例系数、碳排放比例系数、惩罚系数、奖励系数，得到基于动态碳排放惩罚的最优调度策略。
[0088]
上述面向园区低碳运行的动态碳排放惩罚方法，通过分段区间，利用神经网络模型，动态的预测园区碳交易成本，并在此基础上结合日消耗成本最小化为优化目标，调整惩罚系数和奖励系数，推演获得基于动态碳排放惩罚的最优调度策略，提高了奖惩公平性、合理性。
[0089]
实施例2
[0090]
本实施例提供一种面向园区低碳运行的动态碳排放惩罚系统，如图2所示，包括：
[0091]
神经网络预测装置1，用于根据园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，采用神经网络算法，预测获得当日的园区动态奖惩阶梯碳交易成本；
[0092]
优化模型建立装置2，用于根据所述当日的园区动态奖惩阶梯碳交易成本，建立日
消耗成本的优化模型；
[0093]
最优调度策略获得装置3，用于以所述日消耗成本最小化为优化目标，对所述优化模型进行优化求解，获得基于动态碳排放惩罚的最优调度策略。
[0094]
优选地，所述神经网络预测装置包括：
[0095]
采样单元，用于采样园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据，以及与其相对应的实际的园区动态奖惩阶梯碳交易成本；
[0096]
分段区间划分单元，用于按照园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系进行区间划分，获得n个分段区间，o
base-o
fact
≤-2d，-2d＜o
base-o
fact
≤-d，-d＜o
base-o
fact
≤0，0＜o
base-o
fact
≤d，d＜o
base-o
fact
≤2d，
…
，共n个，其中，o
base
为园区无偿碳排放权分配额度，o
fact
为园区实际碳排放量，d为阶梯单价梯度系数；
[0097]
样本数据集获得单元，用于根据所述n个分段区间，对采样得到的园区无偿碳排放权分配额度和园区实际碳排放量的日历史数据进行分类划分，获得与所述n个分段区间一一对应的n个样本数据集；
[0098]
分段预测模型构建训练单元，用于根据每个样本数据集，在每个分段区间上分别构建bp神经网络预测模型并分别进行训练，获得训练好的bp神经网络预测模型；
[0099]
当日预测模型确定单元，用于获取当日的园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数，根据园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系，确定出所属分段区间和相应的bp神经网络预测模型；
[0100]
预测单元，用于将所述当日的园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数输入确定出的bp神经网络预测模型，获得模型输出的预测的当日的园区动态奖惩阶梯碳交易成本。
[0101]
优选地，所述分段预测模型构建训练单元包括：
[0102]
bp神经网络预测模型构建单元，用于在每个分段区间上分别构建具有依次连接的一个输入层、一个隐含层和一个输出层的bp神经网络预测模型，每一层的输出作为下一层的输入；
[0103]
所述输入层具有5个神经元，用于分别接收园区无偿碳排放权分配额度、惩罚额度、奖励额度、园区实际碳排放量、阶梯单价梯度系数的日历史数据；
[0104]
所述隐含层具有若干个神经元，例如5-7个；
[0105]
所述输出层具有1个神经元，用于输出预测的园区动态奖惩阶梯碳交易成本；
[0106]
适应度函数值获得单元，用于针对每个分段区间，将对应的样本数据集输入bp神经网络预测模型，推演获得模型输出的预测的当日的园区动态奖惩阶梯碳交易成本，并计算适应度函数值，所述适应度函数值为预测的园区动态奖惩阶梯碳交易成本与实际的园区动态奖惩阶梯碳交易成本的均方根误差；
[0107]
bp神经网络预测模型获得单元，用于每个bp神经网络预测模型分别按连接权值的负梯度方向搜索调整适应度函数值，直至适应度函数值达到预设阈值或迭代次数达到预设值为止，获得训练好的bp神经网络预测模型。
[0108]
优选地，所述最优调度策略获得装置包括：
[0109]
参数初始化单元，用于根据当日的园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系所确定出的所属分段区间，选取与该所属分段区间相对应的样本数据集，并获取当日各时段园区所需发电量、单位发电量成本、发电损耗成本、惩罚单位额度交易成本、奖励单位额度交易成本和二值系数的取值，初始化总代数、种群大小、交叉概率和变异概率；
[0110]
初始种群生成单元，用于为发电成本比例系数、碳排放比例系数、惩罚系数、奖励系数分别分配一个各自的最大值和最小值之间的随机值，生成初始种群；
[0111]
模型输出值计算单元，用于根据与当日的园区无偿碳排放权分配额与园区实际碳排放量的差值和阶梯单价梯度系数不同倍数之间的关系所确定出的所属分段区间相对应的样本数据集，以及当日各时段园区所需发电量、单位发电量成本、发电损耗成本、惩罚单位额度交易成本、奖励单位额度交易成本和二值系数的取值确定的日消耗成本的优化模型，分别计算每个个体的模型输出值；
[0112]
最佳个体获得单元，用于选出所述模型输出值中的最小值，该最小值对应个体为最佳个体；
[0113]
种群更新单元，用于根据每个染色体被选择的概率选择个体，采用交叉概率pc和变异概率pm分别进行交叉运算和变异运算，直至新一代种群产生；
[0114]
迭代终止判断单元，用于当迭代次数达到预设总代数时，转最优解获得单元；否则，迭代次数加1，返回模型输出值计算单元；
[0115]
最优解获得单元，用于输出最佳个体，所述最佳个体即为最优解，从而获得了发电成本比例系数、碳排放比例系数、惩罚系数、奖励系数，得到基于动态碳排放惩罚的最优调度策略。
[0116]
上述面向园区低碳运行的动态碳排放惩罚系统，通过分段区间，利用神经网络模型，动态的预测园区碳交易成本，并在此基础上结合日消耗成本最小化为优化目标，调整惩罚系数和奖励系数，推演获得基于动态碳排放惩罚的最优调度策略，提高了奖惩公平性、合理性。
[0117]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。