在能源管理中编码碳排放流：一种紧凑约束学习方法
系统与控制
2023-05-24 v1 系统与控制
摘要
能源供应脱碳对于缓解日益显著的气候变化至关重要且迫在眉睫。其基础是通过碳排放流（CEF）模型在电力分配中识别排放责任。然而，CEF 应用的主要挑战在于碳排放与电力分配之间棘手的非线性关系。因此，本文利用深度神经网络的高逼近能力及混合整数线性规划（MILP）可表示性，在碳-电协同优化中处理复杂的 CEF 模型。提出紧凑约束学习方法，以稀疏神经网络（SNNs）学习从功率注入到母线排放的映射。随后将训练好的 SNNs 等价转化为下游优化中的 MILP 约束。基于“高排放高电价”原则，设计阻塞碳价机制对需求侧排放进行定价。基于约束学习与机制设计，本文提出可处理的 MILP 形式碳感知能源管理模型，以释放需求侧碳减排潜力。案例研究验证了 SNN 以更少参数实现的逼近精度与稀疏性，可加速优化求解，以及需求侧能力在减排上的有效性。
引用
@article{arxiv.2305.13538,
title = {Encoding Carbon Emission Flow in Energy Management: A Compact Constraint Learning Approach},
author = {Linwei Sang and Yinliang Xu and Hongbin Sun},
journal= {arXiv preprint arXiv:2305.13538},
year = {2023}
}