本發(fā)明涉及碳排放管理領(lǐng)域，尤其涉及一種新型電力系統(tǒng)發(fā)電機(jī)組碳排放管控方法及系統(tǒng)。

背景技術(shù)：

1、電力行業(yè)作為主要的能源消耗和碳排放來源之一，面臨著巨大的減排壓力。同時(shí)，隨著可再生能源技術(shù)的快速發(fā)展，風(fēng)能、太陽能等新能源在電力系統(tǒng)中的滲透率不斷提高。然而，由于這些新能源發(fā)電形式的間歇性和不確定性，傳統(tǒng)的電力調(diào)度和控制技術(shù)難以滿足當(dāng)代電力系統(tǒng)的需求。

2、這就在電力系統(tǒng)管理中提出了新的挑戰(zhàn)：如何在保障電力供應(yīng)穩(wěn)定性和經(jīng)濟(jì)性的同時(shí)，實(shí)現(xiàn)發(fā)電機(jī)組的碳排放優(yōu)化。現(xiàn)代電力系統(tǒng)不僅需要引入先進(jìn)的預(yù)測(cè)和優(yōu)化算法，還需要利用互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)來實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)采集和處理。這些技術(shù)的發(fā)展為解決電力系統(tǒng)中的復(fù)雜調(diào)度問題提供了可能。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明的目的在于提供一種新型電力系統(tǒng)發(fā)電機(jī)組碳排放管控方法及系統(tǒng)，不僅夠有效降低碳排放量，助力環(huán)保目標(biāo)的實(shí)現(xiàn)，還能提升系統(tǒng)的經(jīng)濟(jì)效益和運(yùn)行效率。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種新型電力系統(tǒng)發(fā)電機(jī)組碳排放管控方法，包括以下步驟：

4、s1:通過傳感器和iot設(shè)備采集電力系統(tǒng)發(fā)電機(jī)組的設(shè)備狀態(tài)數(shù)據(jù)以及天氣數(shù)據(jù)，所述發(fā)電機(jī)組包括新能源發(fā)電機(jī)組和傳統(tǒng)發(fā)電機(jī)組；

5、s2:對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，包括去除異常值、填補(bǔ)缺失數(shù)據(jù)和數(shù)據(jù)標(biāo)準(zhǔn)化處理；

6、s3：構(gòu)建新能源發(fā)電機(jī)組處理預(yù)測(cè)模型，并基于實(shí)時(shí)數(shù)據(jù)獲取新能源發(fā)電機(jī)組的預(yù)測(cè)出力，并使用monte?carlo模擬量化不確定性，獲取預(yù)測(cè)的出力置信區(qū)間；

7、s4：使用回歸模型預(yù)測(cè)對(duì)應(yīng)時(shí)間段的電力負(fù)荷需求；

8、s5:基于預(yù)測(cè)新能源的出力置信區(qū)間和對(duì)應(yīng)時(shí)間段的電力負(fù)荷需求，獲取傳統(tǒng)發(fā)電機(jī)組預(yù)測(cè)出力區(qū)間；

9、s6：基于傳統(tǒng)發(fā)電機(jī)組預(yù)測(cè)出力，設(shè)定約束條件和優(yōu)化目標(biāo)，利用dqn和策略梯度方法優(yōu)化傳統(tǒng)發(fā)電機(jī)組的輸出，動(dòng)態(tài)調(diào)整傳統(tǒng)發(fā)電機(jī)組的輸出功率和燃料使用方式，以實(shí)現(xiàn)碳排放的最優(yōu)控制。

10、進(jìn)一步的，s2具體為：

11、使用z-score檢測(cè)并去除異常值，并使用規(guī)則引擎設(shè)置數(shù)據(jù)閾值和條件檢查，自動(dòng)過濾掉異常數(shù)據(jù)；根據(jù)歷史數(shù)據(jù)和專家知識(shí)設(shè)置合理的上下限閾值，超出范圍的數(shù)據(jù)被過濾；

12、基于時(shí)間序列的缺失值插補(bǔ)采用拉格朗日插值補(bǔ)全數(shù)據(jù)；

13、對(duì)不同來源和量綱的數(shù)據(jù)進(jìn)行歸一化，以消除大小量綱和維度間的差。

14、進(jìn)一步的，基于時(shí)間序列的缺失值插補(bǔ)采用拉格朗日插值補(bǔ)全數(shù)據(jù)，具體如下：

15、根據(jù)缺失值的位置，選擇缺失值附近的若干個(gè)已知數(shù)據(jù)點(diǎn)作為插值節(jié)點(diǎn)；

16、為每個(gè)已知數(shù)據(jù)點(diǎn)x計(jì)算拉格朗日基函數(shù)lj′(x)；

17、

18、其中，xj′為第j′個(gè)已知數(shù)據(jù)點(diǎn)的自變量取值；xm′為除了xj′外的自變量取值；n′為數(shù)據(jù)點(diǎn)數(shù)量；

19、將所有基函數(shù)組合成插值多項(xiàng)式l(x)；

20、

21、其中，yj′為已知數(shù)據(jù)點(diǎn)的函數(shù)值；

22、將缺失值的橫坐標(biāo)代入l(x)，計(jì)算出補(bǔ)全值

23、

24、其中，xmissing為缺失值。

25、進(jìn)一步的，新能源發(fā)電機(jī)組處理預(yù)測(cè)模型結(jié)合lstm和cnn構(gòu)建，包括cnn、lstm和全連接層，具體如下：

26、所述cnn層通過卷積操作來提取數(shù)據(jù)的局部時(shí)間特征和空間特征；

27、

28、其中，xl-1是上一層的輸入，kl是第l層的卷積核，bl是偏置，σ是激活函數(shù)；表示對(duì)所有覆蓋點(diǎn)(m，n)的求和；(i,j)為點(diǎn)的索引；sl(i,j)為是第l層的卷積層輸出；

29、通過池化層進(jìn)行池化操作：

30、p(i,j)＝pool(s(i,j))；

31、其中,pool是池化函數(shù)；p(i,j)是池化后的特征,s(i,j)為卷積層輸出；

32、將最后一個(gè)卷積層的輸出展平成一維特征向量：

33、fcnn＝flatten(p)；

34、其中，fcnn表示cnn的輸出，flatten(p)表示展平操作；

35、將cnn提取的特征向量作為lstm的輸入序列：

36、xt＝fcnn；

37、lstm單元計(jì)算：

38、ft＝σ(wf·|ht-1,xt|+bf)；

39、it＝σ(wi·|ht-1,xt|+bi)；

40、

41、

42、ot＝σ(wo·|ht-1,xt|+b0)；

43、ht＝ot?tanh(ct)；

44、其中，xt為時(shí)間步t的輸入特征向量；ht-1為時(shí)間步t的隱藏狀態(tài)；ft為遺忘門；it為輸入門；為候選值,即當(dāng)前時(shí)刻的候選記憶細(xì)胞；ct為細(xì)胞狀態(tài)，表示當(dāng)前時(shí)刻的記憶細(xì)胞狀態(tài)；ct-1為上一時(shí)刻的記憶細(xì)胞狀態(tài)；ot為輸出門；ht為當(dāng)前時(shí)刻的隱藏狀態(tài)；wf、wi、wc、wo分別為遺忘門、輸入門、候選值和輸出門的權(quán)重矩陣；bf、bi、bc、b0分別為遺忘門、輸入門、候選值和輸出門的偏置向量；σ為激活函數(shù)；

45、將lstm的輸出傳入全連接層以獲得最終發(fā)電功率預(yù)測(cè)；

46、

47、其中，wout和bout是輸出層的權(quán)重和偏置；

48、訓(xùn)練過程中，使用adam優(yōu)化器進(jìn)行模型參數(shù)更新，得到新能源發(fā)電機(jī)組處理預(yù)測(cè)模型。

49、進(jìn)一步的，使用adam優(yōu)化器進(jìn)行模型參數(shù)更新，得到新能源發(fā)電機(jī)組處理預(yù)測(cè)模型，具體如下：

50、初始化參數(shù)，包括學(xué)習(xí)率η，動(dòng)量因子β1,β2，和常量∈，初始化動(dòng)量矢量m0＝0,v0＝0；在每個(gè)訓(xùn)練迭代中：

51、計(jì)算模型輸出和損失函數(shù)值l；

52、對(duì)模型參數(shù)θ計(jì)算損失函數(shù)l的梯度：

53、

54、其中，l(θ)為模型參數(shù)為θ的損失函數(shù)；

55、計(jì)算梯度范數(shù)：

56、

57、其中，gt,i′為梯度向量gt的第i′個(gè)分量；

58、若gt≥τ，進(jìn)行梯度裁剪：

59、

60、τ

61、其中，為梯度裁剪閾值；

62、一階動(dòng)量更新：

63、mt＝β1·mt-1+(1-β1)·gt；

64、其中，mt為更新后的一階動(dòng)量；mt-1為當(dāng)前的一階動(dòng)量；二階動(dòng)量更新：

65、

66、其中，vt為更新后的二階動(dòng)量；vt-1為當(dāng)前的一階動(dòng)量；一階動(dòng)量校正：

67、

68、其中，為校正后的一階動(dòng)量；

69、二階動(dòng)量校正：

70、

71、其中，為校正后的二階動(dòng)量；

72、使用adam公式更新參數(shù)：

73、

74、其中，θt+1為更新后的參數(shù)；θt為當(dāng)前的參數(shù)；

75、循環(huán)訓(xùn)練至損失函數(shù)值小于閾值或到最大的迭代次數(shù)。

76、進(jìn)一步的，使用monte?carlo模擬量化不確定性，獲取預(yù)測(cè)的出力置信區(qū)間，具體如下：

77、識(shí)別影響預(yù)測(cè)結(jié)果的不確定性來源，包括：輸入變量的不確定性，風(fēng)速、光照強(qiáng)度；模型參數(shù)的不準(zhǔn)確性；

78、為每個(gè)不確定性因素選擇對(duì)應(yīng)的概率分布，風(fēng)速使用正態(tài)分布，對(duì)于有界的數(shù)據(jù)，光照強(qiáng)度使用均勻分布或三角分布；

79、使用概率分布為每個(gè)不確定變量生成多次采樣；

80、對(duì)于每一組采樣，計(jì)算預(yù)測(cè)模型的輸出，記錄結(jié)果：

81、

82、其中，xi″′是第i″′次采樣的輸入向量，為預(yù)測(cè)模型的輸出；χ是引入的隨機(jī)誤差；

83、其中，xi是第i次采樣的輸入向量；χ是引入的隨機(jī)誤差；

84、基于獲得的預(yù)測(cè)結(jié)果集合，計(jì)算標(biāo)準(zhǔn)差；

85、通過給定的置信水平計(jì)算預(yù)測(cè)輸出的置信區(qū)間ci：

86、

87、其中，y是預(yù)測(cè)結(jié)果的平均值，σ′是標(biāo)準(zhǔn)差。

88、進(jìn)一步的，回歸模型基于svr，使用rbf核函數(shù)：

89、k(xi″,xj″)＝exp(-γ||xi″-xj″||2)；

90、其中，γ為支持向量因子；xi″和xj″分別為第i″個(gè)和j″個(gè)輸入變量；

91、設(shè)置svr參數(shù)，包括懲罰系數(shù)c和回歸精度o；

92、訓(xùn)練svr模型，優(yōu)化目標(biāo)為最小化損失函數(shù)：

93、

94、其中,w為權(quán)重向量,b為偏置項(xiàng)，ξi″,為為第i″個(gè)輸入變量對(duì)應(yīng)的松弛變量；n″為輸入變量數(shù)量；

95、約束條件：

96、yi″-(w·φ(xi″)+b)≤o+ξi″；

97、

98、

99、其中，φ(xi″)為輸入數(shù)據(jù)xi″在高維特征空間中的映射；yi″為實(shí)際觀察值；

100、使用網(wǎng)格搜索或隨機(jī)搜索來確定最佳c、o和γ參數(shù)組合；

101、使用訓(xùn)練好的svr模型對(duì)新的時(shí)段進(jìn)行預(yù)測(cè)。

102、進(jìn)一步的，s6具體為：

103、定義狀態(tài)空間s，包括當(dāng)前發(fā)電機(jī)組的輸出功率，當(dāng)前的燃料使用情況、當(dāng)前天氣數(shù)據(jù)、負(fù)荷需求、市場價(jià)格和當(dāng)前的碳排放水平；

104、定義動(dòng)作空間a，包括調(diào)整發(fā)電機(jī)組的輸出功率；切換燃料種類；啟動(dòng)或停用發(fā)電機(jī)組操作；

105、定義獎(jiǎng)勵(lì)函數(shù)r，考慮經(jīng)濟(jì)和環(huán)保的綜合效益：

106、r＝-(coper+λ′·cemission)

107、其中，coper為運(yùn)營成本，cemission為排放成本，λ′為權(quán)衡經(jīng)濟(jì)和環(huán)保之間的系數(shù)；

108、約束條件包括滿足電網(wǎng)對(duì)供電穩(wěn)定性和負(fù)荷需求的要求，排放不能超過預(yù)設(shè)閾值；

109、使用神經(jīng)網(wǎng)絡(luò)來近似q值函數(shù)θ′，其中，s是狀態(tài)，a是動(dòng)作，θ′是網(wǎng)絡(luò)參數(shù)；

110、使用改進(jìn)的貝爾曼方程更新規(guī)則更新q值：

111、

112、其中，α為學(xué)習(xí)率，γ′為折扣因子，為目標(biāo)網(wǎng)絡(luò)參數(shù)，r為當(dāng)前步驟的即時(shí)獎(jiǎng)勵(lì)；

113、使用經(jīng)驗(yàn)回放池采樣經(jīng)驗(yàn)批次以進(jìn)行q值更新；

114、并使用策略梯度方法，進(jìn)行動(dòng)作選擇；

115、將所得策略應(yīng)用于實(shí)時(shí)系統(tǒng)，利用當(dāng)前狀態(tài)進(jìn)行最優(yōu)決策。

116、進(jìn)一步的，使用策略梯度方法，進(jìn)行動(dòng)作選擇，具體如下：

117、設(shè)立策略網(wǎng)絡(luò)π(s,a；θ′)，以輸出動(dòng)作的概率分布；

118、使用策略梯度方法優(yōu)化參數(shù)：

119、

120、其中，j(θ′)策略的性能度量通常是對(duì)累積獎(jiǎng)勵(lì)的期望；e[.]為期望函數(shù)；

121、實(shí)施actor-critic框架，引入基線函數(shù)vπ(s)以減少方差：

122、

123、一種新型電力系統(tǒng)發(fā)電機(jī)組碳排放管控系統(tǒng)，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器上的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，具體執(zhí)行如上所述的一種新型電力系統(tǒng)發(fā)電機(jī)組碳排放管控方法中的步驟。

124、本發(fā)明具有如下有益效果：

125、1、本發(fā)明能夠更具靈活性和適應(yīng)性地應(yīng)對(duì)新能源發(fā)電的不確定性及傳統(tǒng)發(fā)電帶來的環(huán)保壓力，有效實(shí)現(xiàn)清潔能源的更大化利用和碳減排目標(biāo)；

126、2、本發(fā)明結(jié)合lstm和cnn構(gòu)建新能源發(fā)電機(jī)組處理預(yù)測(cè)模型，利用卷積層的特征提取能力與lstm的序列學(xué)習(xí)能力，實(shí)現(xiàn)對(duì)新能源發(fā)電機(jī)組輸出功率的準(zhǔn)確預(yù)測(cè)，使用adam優(yōu)化算法加速收斂，改進(jìn)后的lstm-cnn混合模型能夠更有效穩(wěn)健地預(yù)測(cè)新能源發(fā)電機(jī)組的輸出功率，并結(jié)合梯度裁剪和nesterov動(dòng)量，能夠有效防止梯度爆炸并利用動(dòng)量加速收斂；

127、3、本發(fā)明有效運(yùn)用dqn和策略梯度方法在發(fā)電機(jī)組的輸出控制中，合理地調(diào)整功率和燃料使用方式，以實(shí)現(xiàn)碳排放的最優(yōu)控制。