计及碳交易机制的区域综合能源系统多时间尺度优化调度
时间：2023-01-23 21:40:03 来源：柠檬阅读网 本文已影响 人 
王 炼窦真兰吴珠瑛杨震一韩 冬贺林钰
1.国网上海市电力公司松江供电公司
2.国网上海综合能源服务有限公司
为减少对化石能源的依赖，光伏、风电等可再生能源被广泛应用。与传统电力系统相比，以电为核心的电-氢-热-气RIES能促进可再生能源大规模利用，降低能耗、减少污染，保证能源的经济、高效和可靠供应［1-2］。为了实现减排目标，Zhang Z N等［3］将P2G与电网和气网结合，提出了含碳捕集和P2G设备的双层优化模型，第一层用于解决设备规划问题，第二层进行日前优化调度，验证了碳捕集和P2G设备可提高综合能源系统（Integrated Energy System，IES）运行的经济性，同时具有消纳可再生能源的能力。除了对能源结构进行调整，利用经济手段控制CO2排放已成为另一主要减排途径。碳交易（Carbon Trading）又称碳排放权交易，是通过建立合法的碳排放权，并允许排放者通过市场进行交易，从而实现减排目标的交易机制［4］。与传统行政减排政策不同的是，碳交易机制将减排的技术问题与可持续发展的经济问题结合起来，借助碳排放权交易成为市场经济框架下解决碳污染问题的有效方式之一［5-6］。
Wu Y W等［7］以经济效益最优为目标，将低碳电力技术的成本以及碳交易费用加入目标函数中，并将CO2减排目标引入约束条件中，验证电网互联的经济效益和环保效益。秦婷等［8］构建了电-热-气IES，分析碳交易价格对优化调度结果的影响。卢浩鹏等［9］构建了计及碳交易含热电联产、储热、电锅炉等设备的热-电IES及优化模型，可以有效促进风电消纳、减少碳排放量、降低系统运行成本。但是，上述研究忽略了RIES中源荷侧的不确定性，因此张晓辉等［10］考虑阶梯式碳交易和负荷不确定性建立IES规划模型，利用两阶段鲁棒优化方法应对系统不确定性。Yan Q Y等［11］在多能虚拟电厂中，引入碳交易机制，构建了一种考虑源负荷多重不确定性的两阶段鲁棒可调调度模型，该模型可为多能虚拟电厂的减排提供有效指导。目前，通过鲁棒优化考虑供需不确定性的单一日前优化调度，无法达到提高综合能源系统短时间尺度控制精度的目的［12］。此外，现有研究未在阶梯式碳交易机制的基础上，结合使用新能源发电政府额外补贴的碳交易配额，进一步提高系统运行的低碳经济性。
本文综合考虑供需不确定性以及系统运行的低碳经济性，提出计及碳交易机制的RIES多时间尺度优化调度。首先，在日前优化调度中，引入计及可再生能源出力的奖惩阶梯式碳交易机制，以提高系统优化运行的低碳性和经济性，并提出差分进化混合粒子群算法对多维非线性模型进行求解。参考日前优化调度指令，借鉴模型预测控制思想实现日内滚动优化，以提高不确定性条件下区域综合能源系统优化调度的精确性。最后，通过算例分析验证了所提优化策略与算法的有效性和适用性。
RIES包括能源供给侧、需求侧以及能源转化存储层三部分，根据能源形式对系统结构进行划分，基于能量母线概念共分为电母线、氢母线、热母线和气母线四条母线［13］。本文研究的电-氢-热-气RIES的结构如图1所示。公共电网、风电机组、光伏机组接入电母线，同时电母线涵盖电储、电解水、电负荷、燃料电池；
氢母线涵盖电解水、氢储、燃料电池、甲烷化设备、氢负荷；
热母线涵盖燃气轮机、燃气锅炉、燃料电池、热储、热负荷；
天然气接入气母线，同时气母线涵盖甲烷化设备、燃气轮机、燃气锅炉和气负荷。
图1 电-氢-热-气RIES结构
能源供给侧的风电机组和光伏机组发电的间歇性和波动性会造成弃风弃光现象。利用电解水制氢以及各类储能设备进行存储，是实现可再生能源多途径利用的有效途径之一。此外，电解水和甲烷化反应器是P2G过程的重要设备［14］，P2G技术可以实现电能转化成氢能，再利用氢能和含碳气体经化学反应转化成天然气，从而减少系统由燃气轮机、燃气锅炉排放的含碳气体，以达到系统低碳运行的目的［15］。能源需求侧的电负荷、氢负荷、热负荷、气负荷的波动性较强，结合风电机组和光伏机组发电的不确定性，基于系统供需侧功率预测为多时间尺度优化调度提供数据支撑，以提高RIES的经济性、可靠性和安全性。
2.1 碳排放配额模型
RIES中的碳排放主要来源为电网供电、燃气轮机、燃气锅炉，可采用行业基准线法计算其碳排放配额。其中燃气轮机的热电比为1.5，根据上述分配方案将热电比大于1的燃气轮机归为供热行业，因此需将燃气轮机发电量折算成供热量，并根据折算后总供热量发放碳排放配额［16］。
初始配额计算表达式为：
2.2 考虑P2G的碳排放模型
P2G过程中甲烷化反应器将氢气转换为天然气时可以吸收一部分RIES运行时排放的CO2［17-18］，因此实际碳排放模型如式(5)至式(9)所示。
设备选型约束。
为了确定待选设备k的类型i，应满足以下约束条件：
2.3 奖惩阶梯式碳交易机制
传统碳交易机制不对CO2的排放量进行区间划分，而阶梯式碳交易机制指将对CO2的排放量划分为多个区间进行分段处理，碳排放量越多的区间，单位碳交易价格越高，系统运行总成本越高［19］。奖惩阶梯式碳交易机制下的总配额表达式为：
企业使用新能源发电量与政府额外补贴的碳交易配额通过奖励系数进行结合，提高RIES的运行经济性。额外补贴的碳交易配额，表达式为：
3.1 关键设备数学模型
本算例将所提计及动态氢价和多重不确定性的区域综合能源系统规划-运行两阶段优化模型应用于某城市的一个街区。
1)燃气轮机
燃气轮机发电、发热功率如下：
3)储能装置
本文所构建的RIES中储能装置主要包括电储能、氢储能和热储能。其广义数学模型如下：
3.2 系统优化模型
1)目标函数
本章节所构建的RIES日前优化调度模型，调度周期为24 h，根据电、氢、热、气负荷的预测值以及风机、光伏出力的预测值，考虑以系统的运行维护成本、净购/售电成本、购气成本和碳交易成本构成的总成本最低为优化目标：
(1)运行维护成本
(3)约束条件
为了保证RIES稳定运行，日前优化调度除了需要满足设备的运行约束外，还需要满足母线功率平衡约束和系统约束，功率单位为kW。
①电母线：
3.3 模型求解算法
PSO在优化初期时，群体多样性较高，适应值变化较大；
进入优化后期时，粒子向最优粒子靠近，群体多样性较低，适应值变化缓慢，此时算法会出现停滞现象［20］。因此，PSO在优化过程中表现为前期收敛速度较快，后期容易陷入局部最优解。DE算法全局搜索能力强，采用的贪婪搜索策略使得优化后期的种群多样性好于PSO算法，但其前期寻优速度较慢［21］。
差分进化混合粒子群算法（PSODE）本质为双种群策略，结合了两种算法的优势，取长补短。PSODE算法将种群分为两个种群，两个种群采用PSO和DE两种不同的迭代进化策略，经信息交流后选择适应度较好的个体进入下一代。若PSO算法中某个个体的适应度更优，则将DE算法中的某一非最优位置替换为该个体；
若DE算法中某个个体适应度更优，则将PSO中的最优位置替换为该个体。同时，为了避免两个种群中的个体在优化后期出现停滞现象，引入变异机制，即当前实际停滞次数超出某一预设最大允许停滞次数时，该个体将被搜索空间内一个随机新个体替代。PSODE算法流程见图2。
图2 PSODE算法过程
日内优化调度以日前优化调度结果为参考值，基于MPC进行滚动优化，使优化调度策略更符合系统实际运行工况。
4.1 MPC算法
MPC算法具有建模方便、鲁棒性好、动态性能好以及可以处理多变量、非线性问题等优点，已作为一种先进的控制技术被广泛应用［22］，主要包括模型预测、滚动优化和反馈校正环节（如图3所示）。
图3 MPC算法基本原理
1）模型预测
在某一预测域内，根据系统当前时刻的测量值以及历史信息进行预测得到预测域内各个时刻的预测数据。
2）滚动优化
在当前时刻n，使用系统当前时刻的测量值、预测值对日内模型进行滚动时域内的优化调度求解。该优化过程是反复在线进行的，目的在于缩小实际值与参考值的偏差。
3）反馈校正
在当前时刻，将前一时刻的实际测量值反馈至模型预测中进行校正，利用反馈信息构成闭环。
基于MPC算法滚动优化思想的区域综合能源日前-日内多时间尺度优化示意如图4所示。考虑到电、氢、热、气各类设备的动态特性，如电能传输具有瞬时性，可调控速度为毫秒至秒级，燃料电池等供电设备的可调控速度为秒至分钟级，而热能设备由于热惯性的存在，其调控速度较慢在分钟至小时级［23］。因此，综合考虑各设备可调控速度特性，日内计划的控制时域取2 h，每15 min时段滚动1次且只对第一个时段的机组出力进行调控。
图4 多时间尺度优化示意图
4.2 优化目标
1)目标函数
本章节所构建的RIES日内优化调度模型，应遵循日前优化调度下各设备的启/停状态，以及储能单元的充/放电状态，以避免设备的频繁启停。优化目标在考虑运行维护成本和净购/售电成本、购气成本的基础上，增加功率变化成本，以尽可能追踪日前调度计划。其目标函数为：
2)约束条件
日内优化调度的设备运行约束参见式(13)至式(32)。电、氢、热、气母线功率平衡约束参见式(36）至式(39)，系统约束参见式(40)至式(42)。
5.1 基础数据
日内滚动优化以设备日前调度计划为参考值，其中日前供需功率预测值如图5和图6所示。RIES超短期供需功率预测值如图8和图9所示，实际测量值如图10和图11所示，电网购/售电价如图7所示，各类设备参数如表1所示。
图5 供给侧短期预测
图6 需求侧短期预测
图7 购/售电价
图8 供给侧超短期预测
图9 需求侧超短期预测
图10 供给侧实际测量值
图11 需求侧实际测量值
表1 设备参数
5.2 日前优化调度
1)算法对比分析
为验证PSODE算法的有效性，对以购/售电成本以及运行维护成本为目标函数的传统日前优化调度场景（未考虑碳交易成本），分别采用PSO、DE、PSODE算法进行求解。
对RIES分别采用PSO、DE、PSODE三种算法进行日前优化调度，运行10次，统计系统总成本的最大值、最小值、平均值以及标准差，如表2所示，三种算法最小值的迭代曲线如图12所示。
表2 模型测试结果
图12 算法迭代曲线
从表2可知，PSODE算法平均值较PSO算法和DE算法小，表明该算法精度更优；
PSODE算法的标准差较其他两种算法小，多次运行结果较为稳定，表明该算法鲁棒性更好。从图12可知，DE算法无论是收敛速度还是精确性都是三种算法中最差的，PSO算法前期收敛速度较快，但精确性较PSODE算法差，PSODE算法前期收敛速度较慢，是因为寻优过程中需要信息交流。总体来说，PSODE算法在求解RIES传统日前优化调度时取得了比较理想的效果，与PSO算法和DE算法相比收敛速度较快、精确较高。
2)优化场景的对比分析
为验证所提碳交易机制对提高系统低碳经济性的有效性，设置以下四种场景，并采用PSODE对优化模型进行求解。
在以购/售能成本以及运行维护成本为目标函数的传统日前优化调度基础上，场景1的目标函数中未考虑碳交易成本，但仍以传统碳交易机制方式参与碳交易市场；
场景2的目标函数中增加了碳交易成本，并以传统碳交易机制方式参与碳交易市场；
场景3的目标函数中增加了碳交易成本，并以阶梯式碳交易机制方式参与碳交易市场；
场景4的目标函数中增加了碳交易成本，并以奖惩阶梯式碳交易机制方式参与碳交易市场。
表3 碳交易机制参数
3）结果分析
表4 为四种场景下系统运行总成本、碳交易成本、其他成本以及碳排放量。
场景1、场景2、场景3的对比分析：
场景2相较于场景1的总成本减少了6.76%，碳排放量减少了9.75%；
场景3相较于场景1的总成本减少了4.29%，碳排放量减少了16.38%，表明在目标函数中增加碳交易成本可以有效减少碳排放，适当地提高系统经济性。场景3相较于场景2的总成本略微增高，但碳排放减少了7.34%，表明阶梯式碳交易机制以牺牲少量经济性为代价提高碳减排效果。
场景2、场景3、场景4的对比分析：
场景4与场景2总成本基本保持不变，但碳排放量减少了7.44%，说明奖惩阶梯式碳交易机制可以在保证一定经济性的情况下，具有良好的减排效果；
场景4与场景3的碳排放量基本保持不变，但总成本减少了5.51%，说明奖惩阶梯式碳交易机制相比于阶梯型碳交易机制，在保证一定减排效果的基础上，具有良好的经济性。
由此可见，碳交易机制在提高系统运行经济性的同时，可以提升系统的减排效果；
阶梯式碳交易机制与传统碳交易机制相比，系统经济性提高幅度较小，但减排力度明显提升；
奖惩阶梯式碳交易机制与阶梯式碳交易机制相比，减排力度相当，但可以有效地提高系统经济性。因此，奖惩阶梯式碳交易机制是一种兼具减排性和经济性的碳交易机制，基于奖惩阶梯式碳交易机制的场景4为最优场景。
图13至图16分别为场景4中电、氢、热、气母线功率平衡。
图13 电日前调度优化结果
图14 氢日前调度优化结果
图16 气日前调度优化结果
图15 热日前调度优化结果
由仿真结果可知，场景4所提运行优化策略能够协调系统内各设备运行出力，以满足电、氢、热、气负荷需求。
5.3 日内优化调度
1)与电网、天然气网的日内优化调度结果
图17a)、b)分别为系统与电网、天然气网交互功率的结果，由于考虑日前-日内功率变化成本，两者的日内优化结果都可以较好地追踪日前调度计划。
图17 供能网络日前-日内优化调度结果
2)储能设备日内优化调度结果
从图18中可以看出，由于考虑了日前-日内功率变化成本，电储能、氢储能、热储能的充/放电状态、充/放电功率均可以较好地追踪日前优化调度结果。
图18 储能设备日前-日内优化调度结果
3)其他设备日内优化调度结果
图19为燃气轮机、燃气锅炉、甲烷化反应器、电解水、燃料电池等设备日前-日内调度结果，由于考虑了日前-日内功率变化成本，各设备的日内优化调度可以较好地追踪日前优化调度结果。因此，考虑了日前-日内功率变化成本的日内优化调度可以在日前优化调度的基础上较好地调整各单元出力，以应对RIES供需侧功率的不确定性。日前-日内多时间尺度优化调度的结合，可以提高RIES运行优化的经济、稳定性。
图19 其他设备日前-日内优化调度结果
为提高RIES优化运行的低碳经济性和控制精度，提出计及碳交易机制的多时间尺度优化调度策略。考虑到现阶段传统碳交易机制和阶梯式碳交易的优缺点，首先提出一种考虑可再生能源发电的奖惩阶梯式碳交易机制，并将其引入到日前优化调度中，采用PSODE算法进行求解。为消除日前调度计划与可控单元实际出力的偏差，根据MPC思想进行日内滚动优化调度，以提高RIES运行优化的控制精度，使其更接近实际运行状态。最后，通过仿真分析验证了所提奖惩阶梯式碳交易机制的有效性和多时间尺度优化调度的控制精度，并证明PSODE算法较PSO算法和DE算法有较好的收敛性和精度。
猜你喜欢 阶梯式经济性调度 “小步调、阶梯式”任务驱动教学法研究与实践教育教学论坛(2022年12期)2022-05-11高层建筑结构设计经济性探讨与分析房地产导刊(2022年4期)2022-04-19基于经济性和热平衡的主动进气格栅策略开发(续2)汽车工程师(2021年12期)2022-01-17基于经济性和热平衡的主动进气格栅策略开发(续1)汽车工程师(2021年11期)2021-12-21讨论如何提高建筑电气设计的可靠性和经济性建材发展导向(2021年15期)2021-11-05探索学时积分制 构建阶梯式成长激励体系少先队活动(2020年6期)2020-07-27谈阶梯式朗读教学——以《天上的街市》为例甘肃教育(2020年22期)2020-04-13《调度集中系统(CTC)/列车调度指挥系统(TDCS)维护手册》正式出版铁道通信信号(2020年10期)2020-02-07电力调度自动化中UPS电源的应用探讨电子制作(2019年20期)2019-12-04基于强化学习的时间触发通信调度方法北京航空航天大学学报(2019年9期)2019-10-26
