Optimal_Power_Scheduling_Using_Data-Driven_Carbon_Emission_Flow_...

Optimal_Power_Scheduling_Using_Data-Driven_Carbon_Emission_Flow_Modelling_for_Carbon_Intensity_Control.pdf 电力系统中的碳排放控制是当前面临的重要挑战，随着能源消耗的增加，人为碳排放持续上升。为了实现低碳转型，研究人员已经开始关注需求侧管理，以降低碳排放。然而，没有适当的激励机制，这样的低碳转变难以有效实现。此外，利用最新技术改进碳追踪工具的计算质量和扩大其应用范围也是必要的。《Optimal Power Scheduling Using Data-Driven Carbon Emission Flow Modelling for Carbon Intensity Control》这篇论文针对这些研究空白，提出了一种基于需求响应（DR）的低碳优化调度模型，旨在减少用户对高碳强度能源源的依赖，同时合理降低能源消耗。 该论文提出了一个数据驱动的方法，利用贝叶斯推理回归进行碳排放流量（CEF）建模，以克服传统排放计算的不足。存储设备的排放以及对系统动态影响被充分考虑在内。这一方法在一系列不同规模的IEEE系统上进行了测试，仿真结果验证了其高精度和效率。 论文中使用的符号包括：ℓ表示支路的索引，i和j表示由不同母线标识的变电站索引，t表示调度时间，ΩBESS表示电池储能系统的集合，ΩG和ΩD分别表示发电机和电力需求的集合。 稿件于2021年4月29日收到，8月29日和10月7日经过修订，11月6日接受。日期标注了稿件处理的时间线，这通常在学术出版中常见，以展示论文的审稿过程。 通过引入数据驱动的碳排放流量模型，该研究提高了对碳排放的预测和控制能力。贝叶斯推理回归允许更准确地估计不同能源设施的碳排放，并且考虑到储能系统在系统动态中的作用，使得整体调度策略更加灵活且环保。通过在各种规模的IEEE系统上进行的模拟，该模型证明了其在减少碳排放方面的有效性。 这篇论文为电力系统的碳排放控制提供了一个创新的解决方案，通过结合数据驱动的建模和需求响应策略，能够有效地降低碳排放，推动电力系统向低碳经济转型。这一工作对于电力行业的可持续发展和环境友好型能源政策的制定具有重要意义。