[发明专利]面向园区低碳运行的动态碳排放惩罚方法及系统

权利要求书

1.一种面向园区低碳运行的动态碳排放惩罚方法，其特征在于，包括以下步骤：

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；

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；

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。

2.根据权利要求1所述的方法，其特征在于，所述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的步骤包括：

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；

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；

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；

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；

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；

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。

3.根据权利要求2所述的方法，其特征在于，所述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神经网络预测模型的步骤包括：

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；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；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；

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；

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。

4.根据权利要求1-3任一项所述的方法，其特征在于，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。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述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的步骤包括：

以所述日消耗成本最小化为优化目标，采用遗传算法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。