[發明專利]燃煤耦合生物質減排發電的二層決策優化方法

有效

• 申請號: 201810986725.0
• 申請日: 2018-08-28
• 公開（公告）號: CN109190817B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 徐玖平;黃茜
• 申請（專利權）人: 四川大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 成都虹橋專利事務所(普通合伙) 51124
• 代理人: 李凌峰

1.燃煤耦合生物質減排發電的二層決策優化方法，其特征在于，包括以下步驟：

步驟1、對相關不確定因素采用模糊數進行描述并計算對應的期望值；

步驟2、根據政府的財政收入目標和環境保護目標及政府的約束條件利用相應的期望值和上層決策變量建立上層模型；根據電廠的經濟利潤目標及電廠的約束條件利用相應的期望值和下層決策變量建立下層模型；

步驟3、根據上層模型和下層模型構建二層多目標決策優化全局模型；

步驟4、將所述二層多目標決策優化全局模型轉換為二層單目標決策優化全局模型；

步驟5、對二層單目標決策優化全局模型進行求解；

所述步驟1中，用中間型梯形模糊數和分別表示如下不確定因素：電廠j單位燃料i轉換的電量、電廠j的單位燃料i燃燒產生的碳排放、燃料i排放污染物k的數量、燃料種類i的燃料屬性t含量或含量所占比例、燃料i焦炭的可燃燒部分占全部的比例、電廠j鍋爐所能接受燃料屬性t含量或含量所占比例的最低限制和鍋爐所能接受燃料屬性t含量或含量所占比例的最高限制；

則上述中間型梯形模糊數所述對應的期望值為：

其中，r_11ji＜r_12ji＜r_13ji＜r_14ji，r_21ji＜r_22ji＜r_23ji＜r_24ji，r_31ik＜r_32ik＜r_33ik＜r_34ik，r_41it＜r_42it＜r_43it＜r_44it，r_51i＜r_52i＜r_53i＜r_54i，r_61jt＜r_62jt＜r_63jt＜r_64jt，r_71jt＜r_72jt＜r_73jt＜r_74jt；θ₁、θ₂、θ₃、θ₄、θ₅、θ₆和θ₇分別為和的樂觀系數，0≤θ_τ≤1，τ∈(0,1,2......7)；

所述步驟2中，令T為所得稅稅率，Q為單位電價，為電廠單位燃料i轉化的電量的期望值，i為燃料的種類，i∈γ＝(1......n)，x_jis為第s∈σ＝(1......r)階段電廠j使用燃料i的數量，u為單位碳排放限額的價格，y_j是政府分配給電廠j的碳排放限額，F₁為政府對所管轄電廠的財政收入，F₂為政府分配給電廠的碳排放限額總和，y_j作為上層決策變量，所述上層模型的目標函數為：

令為電廠j保證自己最低運行標準的碳排，是電廠j開足馬力發電的最高碳排，E_j為電廠j的單位碳排放轉為的電量，V是地區總的電力需求量，為電廠j的單位燃料i燃燒產生的碳排放的期望值，λ為政府對于碳排放分配限額與實際排放差值的控制，所述上層模型的約束條件為：

令P_jis為第s階段電廠j購買單位燃料i的成本，z_jis為第s階段電廠j購買的燃料i的數量，H為單位庫存成本，I_jis為第s階段末電廠j燃料i的庫存量，V_jk是電廠j處理單位污染物k的處理成本，k代表污染物種類，k的范圍為1～p，是燃料i排放污染物k的數量的期望值，A_j為電廠j的經濟利潤，z_jis和x_jis作為下層決策變量，所述下層模型的目標函數為：

令為燃料i的燃料屬性t含量或含量所占比例的期望值，其中，t為1代表揮發物含量所占比例，t為2代表熱值的含量，t為3代表含灰量所占比例，t為4代表含水量所占比例，t為5代表含硫量所占比例；是燃料i焦炭的可燃燒部分的期望值，α為允許的最低燃燒效率，為電廠j的燃料i在第s階段的最大可獲得量，和分別為電廠j鍋爐所能接受對應燃料屬性t含量或含量所占比例的最低和最高限制的期望值，燃料種類i為1～i_b代表生物質種類，燃料種類i為i_b～n代表煤炭種類；生物質在燃料混合物中配的最高比例為U_R：U_js是電廠j在第s階段發電量的最低要求，I_ji(s-1)是電廠j的燃料i第s階段的上一階段期末的庫存量，電廠j的倉庫容納上限為所述下層模型的約束函數為：

所述步驟3中，二層多目標決策優化全局模型為：

所述步驟4中，令L_CE為上一周期的碳排放量，β代表政府對于碳減排的態度，二層單目標決策優化全局模型為：

2.如權利要求1所述的燃煤耦合生物質減排發電的二層決策優化方法，其特征在于，所述步驟5包括：

S501、找到上層模型的可行域；

S502、隨機選擇上層模型可行域內初始的最優解并記為

S503、把上層模型的最優解帶入下層模型；

S504、計算下層模型的最優解和

S505、把下層模型的最優解和代回上層模型；

S506、計算上層模型的最優解并

S507、判斷是否小于1％；如是，則為最終的上層模型的最優解，和為下層模型的最優解，進入步驟S508，否則，將賦值為進入步驟S503；

S508、根據和計算上層模型的目標F₁及下層模型的目標A_j的值。