Stochastic Carbon Footprint Tracing Methods in Power Systems

📄 arXiv: 2406.02055v1 📥 PDF

作者: Jiashuo Hu, Xiao-Ping Zhang, Youwei Jia

分类: eess.SY

发布日期: 2024-06-04

💡 一句话要点

提出两种随机碳足迹追踪方法，解决分布式能源高渗透下电力系统碳排放追踪问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 碳足迹追踪 随机分析 分布式能源 可再生能源 碳排放流 电力系统 概率分析

📋 核心要点

  1. 现有碳足迹追踪方法忽略了可再生能源的不确定性，导致分析结果不够精细，无法满足分布式能源高渗透的需求。
  2. 本文提出两种随机碳足迹追踪方法，分别基于概率碳排放流和优化计算策略，以应对可再生能源的不确定性。
  3. 在1004节点测试系统上的实验表明，所提出的方法能够有效追踪碳足迹，并在计算效率上有所提升。

📝 摘要（中文）

随着分布式能源（DER）和可再生能源（RES）渗透率的提高，碳足迹追踪需要更精细的分析结果。现有的碳足迹追踪方法侧重于确定性的稳态分析，无法考虑RES的高不确定性。针对现有确定性方法的不足，本文提出了两种随机碳足迹追踪方法，以应对RES不确定性对负荷侧碳足迹追踪的影响。第一种方法在碳排放流（CEF）框架中引入概率分析，为电力系统组件碳强度分布的空间特征提供全局参考。考虑到CEF网络随着DER渗透率的增加而扩展，第二种方法可以有效提高计算效率，同时保证大型电力系统上的计算精度。这些提出的模型在一个合成的1004节点测试系统中进行了测试和比较，以证明两种提出方法的性能。

🔬 方法详解

问题定义：论文旨在解决电力系统中由于分布式能源和可再生能源高渗透带来的碳足迹追踪问题。传统方法通常采用确定性稳态分析，无法有效处理可再生能源发电的不确定性，导致碳足迹追踪结果不够准确和精细。这对于评估不同能源的碳排放责任、优化能源结构以及制定合理的碳减排政策构成挑战。

核心思路：论文的核心思路是将概率分析引入碳足迹追踪框架，以应对可再生能源发电的不确定性。具体而言，通过构建随机模型，考虑可再生能源发电的概率分布，从而得到碳排放流和碳强度的概率分布，更全面地反映电力系统的碳排放情况。同时，针对大规模电力系统，提出了一种计算效率更高的优化方法。

技术框架：论文提出了两种方法。第一种方法是基于概率碳排放流（CEF）的方法，它扩展了传统的CEF方法，将可再生能源发电的不确定性纳入考虑，计算电力系统中各节点的碳强度分布。第二种方法旨在提高计算效率，特别是在大规模电力系统中。具体的技术框架细节在论文中没有详细展开，但可以推断其可能涉及对CEF网络的简化或优化算法的设计。

关键创新：论文的关键创新在于将随机分析引入了电力系统的碳足迹追踪领域，从而能够更准确地评估可再生能源发电对碳排放的影响。此外，针对大规模电力系统，论文还提出了一种提高计算效率的方法，使其更具实用性。

关键设计：论文中没有详细描述关键参数设置、损失函数或网络结构等技术细节。但是，可以推断，概率碳排放流方法需要对可再生能源发电的概率分布进行建模，并可能需要使用蒙特卡洛模拟等方法来计算碳排放流和碳强度的概率分布。第二种方法可能涉及对电力网络进行简化，或者采用更高效的优化算法来求解碳排放流。

📊 实验亮点

论文在合成的1004节点测试系统中验证了所提出的两种方法。实验结果表明，所提出的方法能够有效地追踪碳足迹，并考虑了可再生能源发电的不确定性。与传统的确定性方法相比，该方法能够提供更全面的碳排放信息。此外，第二种方法在保证计算精度的前提下，显著提高了计算效率，使其更适用于大规模电力系统。具体的性能数据和提升幅度在摘要中未给出。

🎯 应用场景

该研究成果可应用于电力系统的碳排放评估、能源结构优化和碳减排政策制定。通过更准确地追踪碳足迹，可以识别高碳排放环节，为优化能源调度和促进清洁能源发展提供依据。此外，该方法还可以用于评估不同分布式能源的碳排放责任，为碳交易和碳定价提供支持。未来，该研究可扩展到包含多种能源形式的综合能源系统，为实现碳中和目标提供技术支撑。

📄 摘要（原文）

As the penetration of distributed energy resources (DER) and renewable energy sources (RES) increases, carbon footprint tracking requires more granular analysis results. Existing carbon footprint tracking methods focus on deterministic steady-state analysis where the high uncertainties of RES cannot be considered. Considering the deficiency of the existing deterministic method, this paper proposes two stochastic carbon footprint tracking methods to cope with the impact of RES uncertainty on load-side carbon footprint tracing. The first method introduces probabilistic analysis in the framework of carbon emissions flow (CEF) to provide a global reference for the spatial characteristic of the power system component carbon intensity distribution. Considering that the CEF network expands with the increasing penetration of DERs, the second method can effectively improve the computational efficiency over the first method while ensuring the computational accuracy on the large power systems. These proposed models are tested and compared in a synthetic 1004-bus test system in the case study to demonstrate the performance of the two proposed methods