碳交易機制下光熱電站參與的綜合能源系統配置與優化運行研究*

曾賢強 張 奕 王曉蘭

(1.蘭州理工大學電氣工程與信息工程學院 蘭州 730050；2.蘭州理工大學甘肅省工業過程先進控制重點實驗室 蘭州 730050；3.蘭州理工大學電氣與控制工程國家級實驗教學示范中心 蘭州 730050)

1 引言

關于全球經濟發展與節能降耗多項政策的矛盾日益激化，我國“雙碳”戰略目標達成的重要途徑在于能源結構的轉型，構建以新能源為主體的新型電力系統，以促進新能源利用效率，保障用能供應[1]。隨著能源低碳化的發展目標及新能源發電的比重提高，傳統“自給自足”的能源系統形式在應對該趨勢已顯得日漸乏力，電力系統正尋求適應性更全面的發展方式?？紤]上述問題，區域綜合能源系統(Regional integrated energy system，RIES)基于以往常規電力系統，發展建立了新式的能源體系且具有更高效復雜的組成結構、供能方式以及用能特點等，往往可以整合多種能源供給方式以達到協同優化運行的目標，滿足荷側的多元化能量需求，有助于實現系統中能源綜合利用，提高新能源消納水平[2-3]。因此，利用RIES 是助力低碳發展的有效途徑之一。

可再生能源具有可緩解能源需求、污染小等優點，但大規模接入電網和負荷用能特性的多樣化常存在隨機性、波動性等因素限制系統安全運行，對此，傳統確定性優化方法已不再適用。如何充分地處理多重不確定性以進行RIES 優化配置與調度為當前亟需研究的熱點。隨機規劃[4-5]和魯棒優化(Robust optimization，RO)[6-9]是處理不確定性優化問題的兩種主要方法，也有研究綜合二者考慮[10]。實際系統經常波動頻繁，不確定性因素較多，RO 有別于隨機規劃的大量數據分布統計，通過不確定性變量的可行域即可實現僅追求極端情況下的運行最優方案[11]?？紤]以上因素，選擇RO 是破解RIES中新能源出力不確定性優化的有效方式，基于魯棒性分析雖有最優經濟的求解結果但相對保守，為此有關學者引入不確定性調節參數來有效規避RO 求解時的問題[12]。

光熱(Concentrating solar power，CSP)電站獲得了較多學者的關注，現多考慮用于RIES 調度，作為“新型發電形式”可充分利用其內部儲熱裝置實現能流間經濟互補運行[13]。建立RIES 不是單純考慮能源的供給，而需要在復雜系統的運行中合理考慮CSP 電站的運行特性，并與多種可再生能源設備出力相配合，共同應對實際系統中存在的波動性，也是提高RIES 新能源消納能力的關鍵要點[14-15]。另外，為便于引入CSP機組參與系統運行，對文獻[16]中CSP 電站模型內部可看成三個部分來作出簡化分析，即電能轉換裝置、熱能轉換裝置和儲熱裝置。

在“雙碳”目標的大環境下，為保障負荷用能需求，應充分利用碳交易機制。由于較多研究通過購能所產生的碳交易費用來支撐系統環境效益，或僅計及系統內熱電聯產設備碳排放成本的計算以發揮綠色減排理念[17-19]。因此，多數文獻存在著對系統總碳排放成本計算不全面、較簡單等問題。針對RIES 低碳運行應考慮對整個能源供應環節中各主要設備的碳排放量計算，更有助于減排環保[20]。為此，本文建立了較為完整的系統碳交易成本計算，更利于當前RIES 的調度趨勢。

本文引入碳交易機制，構建了含CSP 參與的能量樞紐(Energy hub，EH)，在考慮新能源出力和負荷需求不確性的基礎上，建立了基于兩階段魯棒優化的RIES 低碳經濟優化規劃-運行模型，對比分析以最惡劣場景下不同不確定性參數的模型運行成本以及不同不確定波動比例下各設備配置成本，通過算例驗證了該模型的低碳性、經濟性與魯棒性。

2 CSP 參與的RIES 基本架構

2.1 能量樞紐數學模型

針對含CSP 電站并實現多能轉換的RIES 優化調整結構進行研究，其結構如圖1 所示。其內部能源轉換裝置由冷熱電聯產裝置(Combined cooling，heating and power，CCHP)、風電(Wind turbine，WT)、光伏(Photovoltaic，PV)、電制冷機(Electric chiller，EC)、CSP 電站、電轉氣裝置(Power to gas，ptg)、燃氣鍋爐(Gas boiler，GB)及儲能裝置構成。能源輸入主要從外部網絡購電、購氣進入EH，再依靠各類能源轉換設備運行發出氣、電、熱、冷四種能源，以此滿足能源輸出側的負荷需求。

圖1 區域綜合能源系統結構

EH 能量流動關系可以表示為

式中，L為負荷矩陣；C為耦合系數陣；P為能量輸入陣；ES為儲能功率矩陣。

能量輸入陣P具體為

式中，Pe為總進電量；Vgas為總進氣量；Pcsph為CSP熱出力；Pwt、Ppv分別為WT、PV 出力；Pcspe為CSP電出力；Pebuy為購電量；Vgbuy為購氣量；ηptg和Pptg分別為ptg 轉化效率和耗電量；Hgas為天然氣熱值；Pfd-csp為CSP 光場收集的熱能；ηcsp-tes為光場存入CSP 儲熱裝置的效率；ηtes-e和ηtes-h分別為CSP 中儲熱系統的熱-電轉化效率和熱-熱轉化效率。

考慮系統的各個能源轉換設備和儲能裝置功率矩陣ES后，將式(2)擴展獲得新的耦合矩陣

式中，Le、Lcold、Lheat、Lgas分別為用戶電、冷、熱、氣能需求；α、β、γ為輸入能源給機組的分配系數，且α、β、γ∈[0,1]；ηcchp-e、ηcchp-c、ηcchp-h分別為CCHP由天然氣制電、冷、熱能效率；ηGB為GB 的供熱效率；ηec為EC 的制冷效率；Pes-e、Pes-c、Pes-h分別為儲電、儲冷、儲熱設備的充放功率。

2.2 碳交易機制模型

碳交易機制是將碳排放權充當碳交易市場中的商品并以價格成本來督促系統積極減排環保。我國正邁向發展階段，常規采用基于基準線法以無償分配的原則為系統提供碳排放配額。

2.2.1 CCHP 碳交易成本

式中，fcchp-pl、fcchp-pe分別為CCHP 碳排量、碳配額；B為碳排放設備數量；T為一個調度周期，取24 h；λc為包括燃氣輪機、余熱鍋爐和吸收式制冷機等碳排設備的碳排放系數；為t時刻碳排設備c的輸出功率；εe和εh分別為機組電、熱功率碳排放配額單位系數；Pcchp-e和Pcchp-h分別為t時刻CCHP 的電出力和熱出力。

2.2.2 購電碳排放量

式中，Fbuy表示單位購電量碳排放因子。

2.2.3 可再生能源設備碳交易成本

因為WT、PV 和CSP 在運行時均屬于無碳排放設備，即碳排量為0，則相應的碳交易成本為

式中，φ為單位電量碳交易配額。

2.2.4 ptg 碳交易成本

式中，λCP為碳排放交易價格；Pptg為t時段ptg 所消耗的電能；eptg表示單位電能可消耗CO2的量；ep表示單位電能對應的ptg 碳排放額[18]。

ptg 能與新能源設備一同參與出售碳排放權來獲得收益，則這類設備碳交易成本為負值。

2.2.5 RIES 總碳交易成本

式中，CT為RIES 總碳交易成本；fi-pl為機組i的碳排放量；fi-pe為機組i的碳配額。

3 兩階段魯棒優化模型

3.1 目標函數

模型由兩階段的經濟性目標函數構成，第一階段目標函數為系統各裝置的規劃投資成本最小化，第二階段目標函數為最嚴重場景下的綜合調度費用，即系統與外網交互的購電、氣能費用、設備的運維費用及碳交易成本。

式中，Cin為系統設備的總購置成本；Cyw為最嚴重場景的運行費用，包括系統的能源消耗成本、各設備的運行維護費用以及碳交易成本；Ccchp、CGB、Cec、Cptg、Ccold、Cheat、Ce分別為CCHP、GB、EC、ptg 以及各儲能設備的單位投資成本；Scchp、SGB、Sec、Sptg、Scold、Sheat、Se分別為相應設備的配置容量；本文將全年分為過渡季(d)、夏季(s)、冬季(w)三類季節；cebuy、cgbuy分別為單位購電、購氣價格；Pj,ebuy、Pj,gbuy分別為單位購買的電力、氣能；cpv、cwt、cec、cGB、cptg、ccchp、ccsp、ces分別為對應設備的單位運維價格系數；Pj,EC、Pj,GB、Pj,cchp分別為j類典型季節下EC、GB、CCHP 的功率。

3.2 約束條件

針對本文模型的約束條件應有以下3 大類。

3.2.1 能量平衡約束

能量平衡約束需要同時滿足式(3)和如下約束

3.2.2 出力設備約束

式中，為機組i的運行標志；和分別為機組i的功率下、上限。具體形式可參考文獻[6]。

3.2.3 儲能約束

式中，ψ為儲冷、儲熱、儲電三類儲能設備；和分別為ψ類儲能充放功率；和分別為ψ類充放能狀態標志；和分別為ψ類儲能的充放能效率；Sψ為ψ類儲能的容量；為ψ類儲能t時刻所含能量，且要求一個調度周期內儲能始末時刻容量相等。

3.3 不確定性表征

考慮RIES 運行存在諸多隨機因素，本文不確定參數的主要體現為供能側WT、PV 和CSP 出力，多能負荷需求不確定性，采用不確定集合表征方法，描述以區間形式所示[12]

式中，ures,t和ul,t分別為不確定性變量風光出力、CSP 出力和多能負荷需求的值；、分別為相應預測值；、分別為相應的最大預測誤差。

為了更準確衡量不確定參數并使得優化求解方案具有靈活可調整性，引入以下約束

式中，ГRES和ГL分別為供能側能源輸出功率和多能負荷功率的可調參數。

4 求解算法

對于由式(10)的兩階段經濟目標的魯棒優化模型，求解方法可采用列與約束生成(Column and constraint generation，C&CG)算法。

將式(10)的問題整理，得到下述的矩陣形式

式中，x為第一階段中設備容量的向量；新能源、負荷的不確定變量u和第二級決策中的y為優化向量；c、d為目標函數中的系數矩陣；A、D、F、G為不等式約束的系數矩陣，E、J為等式約束的系數矩陣；a、h、g、f為對應約束的常數列向量。

因子問題存在max-min 的形式無法直接運算，須通過拉格朗日對偶理論轉化為max 問題，再引入big-M 法等價處理模型中的雙線性項，得到形式

式中，α、γ、χ、ω為對偶變量；uR、uL、upre分別為不確定參數的最大、最小以及預測值；ω+、ω-為ω的正、負值；為輔助變量，用于約束不確定參數取值區間；Г為可調魯棒參數，包括ГRES和ГL。本文算法流程圖如圖2 所示。

圖2 算法流程圖

5 算例分析

5.1 基礎數據

光熱電站的初期建設要求較高，且對于光資源收集和利用需要一定的空間與成本。本文選取的案例背景為我國西北地區的某一大型工業園區，主要包含風力發電、光伏發電、CSP 等多種能源耦合，并具有電、冷、熱、氣負荷形式的EH，系統內主要設備出力參數如表1 所示。

表1 RIES 設備出力參數及取值

本文對文獻[18]中的算例作一定改進，將一年劃分成三類季節下典型日進行仿真分析。設定不確定性調節參數ГRES、ГL分別取6、12，同時風光、CSP 出力以及多能負荷的波動范圍在±10%。三類典型日下可再生能源出力與負荷預測值如圖3 所示。天然氣價格為3 元/m3，采用分時電價如圖4 所示。其中，各儲能裝置單位投資成本為150 元/kW，單位運維成本為0.05 元/kW。各設備的相關計算參數及經濟參數見表2 及表3?；贑PLEX 求解器對本文模型進行優化求解。

表2 設備的計算參數

表3 設備的經濟參數

圖3 可再生能源出力與負荷預測值

圖4 分時電價

5.2 仿真結果分析

如圖5 所示，本文在各季典型日中，以夏季典型日為例分析系統優化調度結果。由圖5a 可知，夜間時段，電負荷主要由WT 來提供，并通過ptg 消納富余電能；在分時電價機制下，利用儲電裝置“低儲高發”來減少購電成本；7～19 時段，優先由儲電裝置結合新能源設備出力供電，其余從CCHP 發電和購電來補充。通過圖5b 可知，冷需求主要由EC 滿足；3～4、7、23 時段儲冷裝置在電價谷時吸收部分冷能，而在15～16、20 時段補充EC 和CCHP的缺額功率以保證負荷的需要。由圖5c 可知，在用熱較少的夏季，熱能主要由CCHP、CSP 以及內置儲熱裝置供給；由于未加設儲氣裝置，即ptg 轉化出的天然氣主要提供給GB 產熱并由CSP 內儲熱裝置吸收，因此儲熱裝置大多夜間時段進行充熱，在用能高峰時段放熱。綜上，儲能裝置的使用可改善能源時空分布，解耦了以往機組存在“以熱定電”的問題。

圖5 夏季典型日下機組優化調度情況

5.3 碳交易機制下RIES 經濟性分析

為研究碳交易機制對RIES 優化運行的影響，本文考慮全年設備的碳交易費用如表4 所示。購電和CCHP 所產生的總碳交易成本約為733.87 萬元；而無碳排放設備全年的總碳交易成本收益約為674.77 萬元。其中CSP 約占40.1%，可知引入CSP有著較好的環境效益，還彌補了部分運維費用；并且在RIES 內加入多類新能源設備具有很好的減碳作用，同時也可保證系統的經濟性。

表4 RIES 內設備的全年碳交易費用

5.4 不確定性參數對運行結果的影響

為考慮使RIES 有一定靈活性，在夏季典型日下分析設定3 組不同參數的仿真場景進行闡述，參數大小及優化模型的運行費用如表5 所示。

表5 3 組參數下RIES 的運行費用

由表5 可得出，總運行成本與不確定性參數呈正相關。當考慮越多的不確定性，運行方案愈保守，則經濟性變差，運行成本提高主要是系統向外部購電、購氣功率的增加，但增速卻漸緩，如本文模型較ГRES=12，ГL=24 時調度成本低28 714.26 元。這是因為模型在考慮“最惡劣”情況下已能靈活應對所有來自不確定性的影響，且對可再生能源消納有更好的效果。因此，若要避免在RIES 優化調度方案會出現高額運行成本和保守性，需要充分考慮不同參數設置的有效影響。

5.5 不同波動場景下對系統配置的影響

系統配置的制定方案以過渡季典型日的所受影響，考慮在風光出力、CSP 出力、負荷、電價下的多類型因素下選定波動比例區間，得出在滿足低碳經濟目標下各不確定因素產生的系統配置方案并分析對其影響大小。

5.5.1 單一不確定性對系統設備配置的影響

如圖6 所示，分析單一不確定性因素波動偏差對RIES 規劃方案的影響，分別設置波動比例為0%、±5%、±10%、±15%下的仿真場景。當圖6a 中風光出力變化較低水平時，ptg 與儲熱裝置容量相較于未設置波動達10%以上增幅且CCHP 接近5%，其余機組無明顯波動；隨著波動持續上升，ptg 容量也進一步提高以吸收更多電能，其余設備容量有部分變化；直至波動范圍最高，除EC 外，其余機組容量的變化率均超過15%。這是由于風光出力波動影響能源側的輸入，系統將依賴更可靠的氣網來應對。圖6b 中，CSP 儲熱裝置出力波動陸續增加，但系統整體設備容量不太敏感，可以忽略不計，說明本文方案具備一定魯棒性。當圖6c 所設±5%負荷波動比例時，因CCHP 內部的燃氣輪機等裝置存在啟停時間不能頻繁關停，需要擴大儲能容量配合出力變化，因此導致前期CCHP、GB、ptg、各儲能裝置的容量變化較大；面臨逐步增加的波動將依靠GB、ptg 這類較為靈活的能源轉換設備代替其滿足用能變化需求。圖6d 中，整體設備的容量幾乎未受電價因素影響，可能是該EH 的輸入以燃氣機組及CSP 等新能源設備為核心，考慮了能源互補的替代作用。

圖6 單一波動場景下RIES 配置方案

5.5.2 多重不確定性對RIES 設備配置的影響

同時將第5.5.1 節內單一不確定性因素綜合考慮，對于系統的配置方案在承受多重不確定性因素的影響情況。從圖7 可知，分析RIES 機組配置所受綜合不確定性時，當設定波動比例在±10%以內，GB、EC、CCHP、儲電裝置均有較大幅度波動，說明系統為減輕綜合不確定性的影響，主動加強與外部市場的實時互動。最嚴重的波動場景下受系統供需平衡和低碳成本約束的影響迫使各機組容量趨于穩定。這表明共同作用下各設備需要充分的配置方案以承受多重不確定性因素的影響，但隨著多重波動范圍擴大，系統經濟配置目標也仍能滿足。此時相較于單一情況下證明了RIES 在一定波動范圍內存在機組的互補運行，提高能源綜合利用能力。

圖7 多重波動場景下RIES 配置方案

6 結論

本文基于兩階段魯棒優化方法，建立了碳交易機制下考慮可再生能源出力和負荷不確定性的優化模型，構建了計及光熱電站的RIES 魯棒優化配置與運行模型。通過算例分析，得到以下結論。

(1) 本文的雙層優化配置方法在不確定性因素上考慮了源側和荷側，通過對不同波動場景設定下優化模型的運行費用結果進行比較分析，反映了實際系統中可能存在的多個波動偏差對未來規劃配置的影響程度。

(2) 光熱電站參與可減弱熱電耦合程度，其供熱、供電方式對促進可再生能源的消納具有積極作用；考慮碳交易機制下的RIES 對碳排放量進行一定的限制作用，而無碳排放設備的收益同時降低了系統綜合運行成本，兼顧了經濟性和環保性。