上海交通大学学报

上海交通大学学报, 2025, 59(5): 580-591 doi: 10.16183/j.cnki.jsjtu.2023.329

新型电力系统与综合能源

基于实时碳强度评估的社区综合能源系统低碳互动管理策略

高波1, 李飞1, 史轮1, 陶鹏1, 石振刚1, 张超1, 彭杰,2, 赵一伊2

1.国网河北省电力有限公司 营销服务中心, 石家庄 050035

2.华北电力大学 电气与电子工程学院,北京 102206

A Low-Carbon Interactive Management Strategy for Community Integrated Energy System Based on Real-Time Carbon Intensity Assessment

GAO Bo1, LI Fei1, SHI Lun1, TAO Peng1, SHI Zhengang1, ZHANG Chao1, PENG Jie,2, ZHAO Yiyi2

1. Market Service Center, State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050035, China

2. School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China

通讯作者: 彭 杰,博士生;E-mail:2248257810@qq.com.

责任编辑: 王一凡

收稿日期: 2023-07-20   修回日期: 2023-12-3   接受日期: 2023-12-22  

基金资助: 国网河北省电力公司科技项目(SGHEYX00SCJS2100192)

Received: 2023-07-20   Revised: 2023-12-3   Accepted: 2023-12-22  

作者简介 About authors

高波(1989—),工程师,主要从事用电信息采集研究工作.

摘要

随着需求侧能耗的日益提升,居民用户能源消费产生了大量的碳排放,居民社区具有较大的减排潜力.针对社区综合能源系统低碳经济运行问题,考虑能-碳价格的联动,建立了基于实时碳强度评估的综合能源系统低碳互动管理策略.首先建立了社区综合能源系统架构,在此基础上提出了考虑消纳等效碳减排量的居民侧碳排放计量方法.其次,设计基于实时碳强度评估的低碳需求响应机制,引导用户通过多能互补实现碳减排和新能源消纳.然后,建立了综合能源系统供给侧调度模型和用户侧响应模型,通过供需双侧的多能耦合和供需互动实现低碳经济运行.最后,通过仿真验证了所提实时碳强度评估机制能够有效降低综合能源系统碳排放.

关键词： 综合能源系统; 碳排放计量; 动态碳排放因子; 低碳需求响应; 综合需求响应

Abstract

With increasing energy consumption on the demand side, residential energy use has become a significant source of carbon emissions, which presents a substantial opportunity for emission reduction. This paper focuses on the low-carbon economic operation of community comprehensive energy systems, considering the linkage between energy and carbon prices, and proposes a low-carbon interactive management strategy for comprehensive energy systems based on real-time carbon intensity assessment. First, it establishes a community comprehensive energy system architecture, and introduces a residential carbon emission measurement method considering equivalent carbon emission reduction. Next, it designs a low-carbon demand response mechanism based on real-time carbon intensity assessment to encourage users to reduce carbon emission and increase new energy consumption through multi energy complementarity. Then, it develops a comprehensive energy system supply side scheduling model and a user side response model for the integrate energy system, aiming to achieve low-carbon economic operation through multi energy coupling and supply-demand interaction. Finally, the simulation results demonstrate that the proposed real-time carbon intensity assessment mechanism can effectively reduce carbon emissions in the integrated energy systems.

Keywords： integrated energy system; carbon emission measurement; dynamic carbon emission factor; low carbon demand response; comprehensive demand response

PDF (3071KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

高波, 李飞, 史轮, 陶鹏, 石振刚, 张超, 彭杰, 赵一伊. 基于实时碳强度评估的社区综合能源系统低碳互动管理策略[J]. 上海交通大学学报, 2025, 59(5): 580-591 doi:10.16183/j.cnki.jsjtu.2023.329

GAO Bo, LI Fei, SHI Lun, TAO Peng, SHI Zhengang, ZHANG Chao, PENG Jie, ZHAO Yiyi. A Low-Carbon Interactive Management Strategy for Community Integrated Energy System Based on Real-Time Carbon Intensity Assessment[J]. Journal of Shanghai Jiaotong University, 2025, 59(5): 580-591 doi:10.16183/j.cnki.jsjtu.2023.329

能源部门是全球碳排放的最大来源,随着居民生活水平的提升,家庭能源消耗产生的碳排放日益增加[1].社区综合能源系统(community integrated energy system,CIES)可以有效地整合电力/热/气/冷等多种能源子系统,强调不同能源之间的转换和协调,通过多能互动提高能效并促进可再生能源消纳,具有一定的碳减排潜力,因此,CIES的低碳能源管理策略已成为研究热点.

目前,很多文献将碳排放量或碳排放成本以目标函数或约束的形式引入CIES的优化调度中,从而针对能源生产造成的碳排放进行优化[2-6].同时,能源消费侧也可以通过改变用能行为降低碳排放,部分学者已关注到需求响应对CIES碳减排的作用.文献[7]中建立了园区综合能源系统(integrated energy system,IES)两阶段鲁棒调度模型,通过综合需求响应将高峰时段的电/热负荷转移到非高峰时段,提高了系统运行效率,降低了碳排放量.文献[8]中研究综合能源系统日前能源定价问题,建立了数据中心、电动汽车和空调负载的多能源需求响应模型.文献[9]中研究电热综合能源系统低碳调度问题时,提出一种结合多能源需求响应的多目标优化方案.文献[10]中建立了考虑综合需求响应的综合能源系统双层规划模型,上层最大化能源供应商的利润,下层最大化CIES的用能满意度和成本.文献[11]中分别建立了用户侧和社区侧的CIES综合需求响应模型.文献[12]中采用基于价格和基于负荷转移的需求响应(demand response,DR)方法,并分别分析不同比例住宅负荷和工业负荷的响应影响.上述方法大多通过设定不同时段、不同种类的能源价格等,引导居民改变用能行为,间接实现碳减排.这些方法中,实施需求侧管理的直接目标是提升系统经济性和清洁能源消纳水平等,并未将碳排放量或成本作为直接的优化目标,因此碳减排效果可能不够显著.此外,居民无法直观地感知自身用能行为产生的碳排放量,因此居民从主观上不会将改变用能行为视为碳减排行为.

当前对于用户侧的碳排放计量主要基于联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)发布的碳排放因子法[13]进行,在用户侧碳计量的基础上,有学者研究用户侧碳排放责任分摊机制,将源侧发电直接碳排放量分摊至用户.文献[14]中在CIES的居民消费侧引入碳排放奖励机制,对碳排放低于配额的家庭进行奖励,引导居民减少用能,或用碳排放强度较低的气负荷替代电负荷,从而降低了系统的总碳排放.文献[15]中研究多社区综合能源系统间能源共享机制,探讨了生产责任、消费责任和共担责任等不同碳排放责任分摊方式对经济和环境效益的影响.但这些文献在计算居民消费碳排放量时采用全时段固定的碳排放因子,这种计量方法并不能准确反映居民碳排放的时间差异性;在高比例新能源接入的背景下,其采用固定不变的排放因子无法体现碳排放强度的时空差异,造成较大的误差.目前也有很多研究采用碳排放流分析方法,在电力、热力潮流的基础上,根据源侧发电信息、本地新能源消纳信息、线路潮流信息、线路网损信息等,计算各碳流节点的碳势,进而计量用户用能行为产生的碳排放量[16-17].然而,考虑碳流的计算难度和“公平性”原则,这种方法只适用于对城市及以上级别的能源系统进行碳排放计量,在面向居民用户的社区能源系统中,一方面,能源设备拓扑复杂,数据获取和碳流计算难度较大;另一方面,基于碳排放流的方法可能会导致位于不同位置的用户进行同样的用能行为会产生不同的碳排放责任,这对于居民用户存在公平性问题[18].

将需求响应与用户侧碳排放计量结合,有学者提出低碳需求响应(carbon demand response,CDR)机制,以碳排放流理论计算出的动态碳排放因子作为引导信号,让用户能够有效感知到用电碳排放因子的时空差异性,从而合理引导用户调节自身的用电行为,实现电力系统减碳.文献[18]中提出电力系统低碳需求响应机制,并从全国和用户不同角度分析这一机制的碳减排效益.文献[19]中基于动态排放因子,对用户侧建立了基于拍卖的碳交易机制.上述方法将动态排放因子作为引导信号,以参与碳交易的方式将用户的碳排放量转化为经济成本,从而引导用户降低碳排放.然而,一方面,上述方法仅研究电力系统中低碳需求响应的实施效果,综合能源系统中,可通过不同能源的耦合转换,实现更灵活的响应行为,获得更好的减排效果;另一方面,在高比例可再生能源渗透的综合园区中,风力机光伏出力较高的时段可能出现弃风弃光现象,而上述文献中的碳排放因子无法反映风光消纳的需求,不能引导用户促进消纳.

本文针对社区综合能源系统低碳经济运行问题,通过考虑能-碳价格联动,提出了基于实时碳强度评估的综合能源系统低碳需求响应策略.首先建立了供需两侧多能耦合的CIES架构,然后设计基于实时碳强度评估的用户侧碳计量方法,引入了动态电、热碳排放因子,使居民用户能够感知用能行为的碳排放时间差异性.同时,在高比例可再生能源渗透的背景下,设计消纳等效碳排放因子,以引导用户参与消纳过程.基于此,提出了基于实时碳强度评估的综合能源系统低碳需求响应机制,引入改进阶梯碳价模型确定碳排放价格,通过价格型低碳需求响应机制引导用户降低碳排放和消纳可再生能源.然后,建立了CIES供给侧调度模型和用户侧响应模型,通过供需互动实现CIES低碳经济调度.最后,通过仿真验证,本文方法相对于传统的综合需求响应(integrated demand response,IDR)机制碳排放量减小了9.0%,供能成本降低了16.2%,表明本文提出的CDR机制可以更有效地降低系统碳排放量和供能成本.

1 综合能源系统低碳需求响应机制

1.1 社区综合能源系统结构

本文综合能源系统优化运行主要关注能源供给和能源需求两个过程,不考虑能源传输过程,CIES结构如图1所示.在能源供给侧,综合能源系统从上级能源网络购买电力和天然气,并整合自身的风力机(wind turbine,WT)、光伏(photovoltaic,PV)、热电联产机组(combined heat and power Generation,CHP)和电锅炉(electric boiler,EB)等设备,满足居民的用能需求.在能源需求侧,居民消耗能源供给侧生产的电能和热能,满足用能需求.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   CIES结构

Fig.1   Structure of CIES


本文分别考虑CIES生产侧和居民侧的碳排放.CIES中,核算由天然气燃烧产生的直接碳排放,购买电力的间接碳排放和电锅炉耗电的间接碳排放,根据碳排放量参与碳交易市场的交易.负荷侧,居民在使用负荷时不会产生直接的CO2排放,而是认为CIES生产能源产生碳排放的责任来自负荷侧,核算使用电、热负荷产生的间接碳排放,参与CIES内部的低碳需求响应.

1.2 基于改进动态排放因子的用户侧碳排放计量方法

CIES能源碳排放包括CHP燃烧天然气产生的直接碳排放、外部电网输入电力的间接碳排放和电锅炉消耗电力的间接碳排放.本文中CHP使用天然气作为燃料,碳排放计算公式[20]如下:

ECHP(t)=PGT(t)NCO 4412
(1)

式中: ECHP(t)为t 时刻CHP碳排放量; PGT(t)为天然气消耗量;N为天然气的低位发热量;C为天然气的单位热值含碳量;O 为天然气的碳氧化率.由于CHP同时产生电力和热力,所以按照CHP发电和供热产生的能量比例λPCHP和λhCHP,将其碳排放量分摊为CHP发电碳排放 ECHP,P(t) 和CHP供热碳排放ECHP,H(t):

ECHP,P(t)=ECHP(t)λPCHP
(2)
ECHP,H(t)=ECHP(t)λhCHP
(3)

CIES从电网购电产生间接碳排放,通过区域电网碳排放因子计算得出:

Egrid(t)=FgridPgrid(t)
(4)

式中: Egrid(t)为从电网购电产生的碳排放量;Pgrid(t)为从电网购电量;Fgrid 为电网碳排放因子.

风力机和光伏,不考虑其生命周期碳排放,只考虑能源生产过程,碳排放量为0.此外,当风力机、光伏出力较高时,可能出现弃风弃光现象,为引导用户进行可再生能源消纳,在碳排放计算中,引入风光消纳等效碳减排量.用户将其他时刻的用电需求转移到存在弃风弃光的时刻,进行风光消纳,认为消纳行为减少了其他时刻的碳排放量,即为消纳等效碳排放量,由全天平均碳排放因子和弃风弃光量计算得到.同时,用户在弃风弃光时段增加用热,为促进消纳,这部分热负荷由电锅炉供应.综上,计算电力、热力消费侧碳排放因子如下:

θp(t)=ECHP,P(t)+Egrid(t)-Paba(t)θp0Pload(t)+PEB(t)θh(t)=ECHP,H(t)+PEB(t)θp(t)-Paba(t)θp0ηEBHload(t)}
(5)
Paba(t)=PPV(t)+PWT(t)-Pload(t)-PEB(t),PPV(t)+PWT(t)-Pload(t)-PEB(t)>0
(6)
θp0=∑Tt=1(ECHP,P(t)+Egrid(t))∑Tt=1((Pload(t)+PEB(t))
(7)

式中: θp(t)为t时段电力消费侧碳排放因子;θh(t)为t时段热力碳排放因子;Paba(t)为弃风弃光量;ηEB为电锅炉的产热效率;θp0为全天平均电力碳排放因子;PPV(t)表示t时段光伏输出功率;PWT(t)表示t时段风力机输出功率;T为调度时段总数;Pload为电负荷;Hload为热负荷;PEB 为电锅炉耗电量.

通过电、热动态排放因子,可以计量用户碳排放:

ECO2=∑Tt=1(θp(t)Pload(t))+∑Tt=1(θh(t)Hload(t))
(8)

式中:ECO2为用户总碳排放量.

1.3 基于实时碳强度评估的低碳需求响应机制

在传统的基于价格的需求响应模型中,电价仅反映能源属性,即能源属性价格.本文提出的基于实时碳强度评估的价格型需求响应机制中,用户用能成本由能源属性价格和碳价格两部分组成:

Pp(t)=τp+PCO2(t)θp(t)Ph(t)=τh+PCO2(t)θh(t)}
(9)

式中: Pp(t)、Ph(t)为单位用电、用热成本;τp、τh为基础电价、热价,也即能源属性价格;PCO2(t) 为碳排放价格.

每个时段不同的电力碳排放因子和热力碳排放因子能够反映用户不同时刻用能产生碳排放量的差异,由于碳排放因子为时变的,所以用户碳排放价格也为时变的.以时变的价格信号引导用户改变用能行为,实现CIES碳减排和可再生能源消纳.

对每个时段的碳价,采用阶梯碳价的方式定价.与固定碳价相比,阶梯碳价对高排放用户和高排放时段的惩罚更为严厉,而对低排放用户和低排放时段则较为宽容,从而降低了用户的排放成本.传统的阶梯定价机制是根据碳排放量划分多个区间,碳排放越多,相应区间的购买价格应越高.优化后的阶梯碳价格如下:

PCO2={λECO2,0<ECO2<d(1+α)λECO2,d<ECO2<1.5d(1+2α)λECO2,1.5d<ECO2<5d(1+3α)λECO2,5d<ECO2
(10)

式中: λ为基础碳价格;α为碳价格增长率;在每个碳配额区间长度d 内,碳价格逐渐增加.

综上所述,基于实时碳强度评估的综合需求响应机制如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   低碳综合需求响应流程

Fig.2   Response process of low-carbon integrated demand


步骤1 CIES通过负荷预测和风力机光伏出力预测,获取用户负荷和风力机光伏出力情况.

步骤2 CIES基于负荷预测和风光预测,进行日前调度,计算得到电、热动态碳排放因子,并将动态碳排放因子信息展示给用户.

步骤3 用户在感知到未来不同时段用能成本的差异性后,对自身未来一段时间的用能行为进行调整.

步骤4 碳排放量结算.根据当日实际动态碳排放因子和实际用能负荷曲线,可以得到用户实际用能碳排放量,进而计算用户的实际碳排放成本.

2 供需互动的社区综合能源系统低碳调度经济模型

2.1 CIES供给侧调度模型

本文研究的CIES包括供电、供热两部分.其中,供电部分由热电联产机组和风力机、光伏设备组成,供热部分由热电联产机组和电锅炉组成.此外,系统可以从外部电网和天然气网购买电力和天然气.CIES为了不影响上级电网,光伏和风力机发电只进行内部消纳,不返送到上级电网,因此当风力机和光伏出力大于负荷时,将进行弃风弃光.CIES供给侧约束如下:

0≤PPV(t)≤PmaxPV
(11)
0≤PWT(t)≤PmaxWT
(12)
GGT(t)=aPGT(t)2+bPGT(t)+cIGT(t)HHE(t)=ηGTPGT(t)/λGT}
(13)
PGTmin≤PGT(t)≤PGTmaxPGTdown≤PGT(t)-PGT(t-1)≤PGTup}
(14)
HEB(t)=ηEBPEB(t)0≤HEB(t)≤HEBmax}
(15)
Pgrid.min≤Pgrid(t)≤Pgrid.max
(16)
Pgrid.down≤Pgrid(t)-Pgrid(t-1)≤Pgrid.up
(17)
0≤PIDR(t)≤PPV(t)+PWT(t)-　　Pload(t)-PGB(t)PPV(t)+PWT(t)-Pload(t)-PGB(t)>0}
(18)
Pgrid(t)+PWT(t)+PPV(t)+PGT(t)=Pload(t)+PEB(t)
(19)
HHE(t)+HEB(t)=Hload(t)
(20)

式中:PmaxPV表示光伏输出功率上限;PmaxWT表示风力机输出功率上限;可再生能源机组出力的不确定性用预测值以及预测误差进行模拟; GGT(t)、PGT(t)和HHE(t) 分别为燃气轮机(gas turbine,GT)消耗的天然气功率、输出电功率和通过余热锅炉回收到的发电余热功率; IGT(t) 为0-1变量,表示微型燃气轮机的开停机状态; a、b、c 为燃耗系数;λGT为微型燃气轮机的输出电热功率比;ηGT为热回收效率;PGTmax、PGTmin为燃气轮机的输出电功率上下限值;PGTup、PGTdown为燃气轮机爬坡功率上下限值; HEB(t) 为电锅炉输出热功率;HEBmax为电锅炉的输出热功率上限;Pgrid.max、Pgrid.min和Pgrid.up、Pgrid.down分别为电网的最大/小购电功率和爬坡率上下限; PIDR(t) 为激励型需求响应成本.

2.2 用户低碳需求响应模型

本文中考虑电、热负荷具备响应能力.电、热负荷均可以实现各自时间维度上的转移,同时,2种负荷在同一时段可以进行相互替代.因此,任一负荷均可划分为4部分:固定型负荷、可削减负荷、可平移型负荷、替代型负荷.表示为

Pload(t)=Ps(t)+Pc(t)+Pa(t)+Pf(t)Hload(t)=Hs(t)+Hf(t)}
(21)

式中: Ps(t)、Hs(t)、Pc(t)、Pa(t)、Pf(t)、Hf(t)分别为t 时段的固定电负荷、固定热负荷、可削减电负荷、可平移电负荷、电热替代电负荷、电热替代热负荷.

(1) 固定型负荷:如照明、冰箱、基础供热等负荷不参加需求响应.

(2) 可削减负荷:

0≤Pc(t)≤Pmaxc
(22)

式中: Pmaxc 表示负荷最大可削减量.建立可削减负荷归一化舒适度模型,

Fc=Pc(t)Pmaxc
(23)

(3) 可平移负荷:可平移型负荷可以在调度周期内进行时间维度上的转移,

Pa(t)=Pa0(t+ta), ta∈Ta
(24)

式中: ta、Ta 分别表示平移时长、可平移时间段.建立可平移负荷的归一化舒适度模型:

Fa=1-taTa
(25)

(4) 电-热替代型负荷:用户能够在同一时段选择不同的能源供给方式满足自身的用能需求,例如:① 生活热水需求,用户可以选择使用综合能源系统提供的热功率,也可以选择使用电热水器;② 采暖需求,用户可以选择使用综合能源系统提供的热功率或选择由电空调进行提供.替代型负荷进行需求响应没有改变用户的用能需求,因此不会对用户满意度造成影响.电-热替代负荷模型如下:

Pf(t)ζEERalt=Hf(t)
(26)

式中:ζEERalt电热替代效率.

2.3 目标函数

2.3.1 CIES低碳调度目标函数

综合能源系统的优化目标是收益最高,可以表示为

max E=∑Tt=1(Csell(t)-Cgrid(t)-Cop(t)-Ch(t)-CP(t))+CCO2(t)
(27)

式中: Csell(t)表示售能收益;Cgrid(t)表示从电网购电成本;Ch(t)表示设备运行维护成本;Cop(t)表示其燃料成本;CP(t)为弃风弃光惩罚;CCO2(t) 为碳交易成本.

Csell(t)=∑Tt(PloadPp(t)+HloadPh(t))
(28)
Cgrid(t)=Pgrid(t)cg,b(t)
(29)
Ch(t)=∑iKiPi(t)
(30)
Cop(t)=ae(PGT(t))2+bePGT(t)+ce+ah(HEB(t))2+bhHEB(t)+ch
(31)
CP(t)=Paba(t)Wp, Paba(t)>0
(32)
CCO2=β(ECO2-DCO2)
(33)

式中: cg,b(t) 表示CIES向外部电网的购电价格; Ki 表示设备运行维护系数; Pi(t) 为设备出力;ae、be、ce、ah、bh、ch分别表示燃气轮机和电锅炉运行成本系数;Wp表示弃风弃光惩罚系数;CIES参与外部碳配额交易市场,DCO2为CIES配额,β为碳交易价格.CIES的碳配额只考虑CHP、燃气轮机的使用以及外购电能,系统的碳配额可表示为

ECO2=∑Tt=1(ECHP(t)+Egrid(t))DCO2=σCHP∑Tt=1PCHP(t)+σGrid∑Tt=1Pgrid(t)}
(34)

式中:σCHP、σGrid分别为CHP和电网购电的配额系数.

2.3.2 居民用户低碳需求响应目标函数

居民参与低碳需求响应的优化目标考虑用能的经济性和舒适度.其中,居民用能的经济成本为

Cload=∑Tt(Pload(t)Pp(t)+Hload(t)Ph(t))+PCO2ECO2
(35)

定义Ueco为用户用能经济程度:

Ueco=1-CloadCMAX
(36)

式中:CMAX为用户最大期望成本.结合用户转移型负荷的舒适度,利用线性加权和法将多目标问题转化为单目标问题,得到一个考虑成本和舒适度的综合目标,则用户综合优化目标Usat为

Usat=γecoUeco+βsatFaa
(37)

式中: γeco为经济性权重;βsat为舒适度权重,均取值为0.5.

3 仿真分析

3.1 仿真设置

选取供暖季的中国北方某社区综合能源系统为研究对象,包括风力机、光伏、燃气轮机、CHP机组等,综合考虑可调节负荷、碳交易等因素.外部碳交易价格为50 元/t,天然气的CO2排放系数为0.29 kg/m3,电网碳排放因子取0.58 kg/(kW·h),CHP供电碳排放因子为0.392 kg/(kW·h),CHP供热碳排放因子0.212 kg/(kW·h),电锅炉碳排放因子0.728 kg/(kW·h),供电价格为固定0.5 元/(kW·h),供热价格为0.2 元/(kW·h),居民碳排放费用为1 元/kg[14,20-21].本文上层CIES低碳经济调度模型通过改进粒子群算法进行求解[14],下层居民用户低碳需求响应模型采用MATLAB的CPLEX求解器进行求解,系统以24 h为周期,以1 h为步长进行仿真.

3.2 动态排放因子对用户的引导作用分析

首先CIES根据基线负荷和风力机、光伏出力预测,进行日前调度,并计算电、热动态排放因子.各供能设备出力和电、热排放因子如图3所示.风光出力高的时段,如10~15 h,发电产生的碳排放少,因此电力碳排放因子低.此时,居民用电产生的碳排放成本最低,因此,可通过排放因子曲线引导居民将电力负荷转移至这一时段.其中,12~14 h出现弃风弃光,考虑消纳等效碳排放量,此时电力碳排放因子小于0,能够引导用户加大响应力度,促进可再生能源消纳.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   设备出力与动态排放因子仿真结果

Fig.3   Simulation results of equipment output and dynamic emission factors


同时,风光出力高的时段,CHP机组供电出力低,由于其热电耦合的出力特性,CHP机组供热出力也较低,系统供热来源主要为电锅炉.电锅炉的碳排放强度比CHP机组高,因此风光出力较高的时段,热碳排放因子较高.此时,电、热排放因子差别较大,居民使用电和热产生的碳排放成本差别也较大,排放因子曲线将会引导居民用电负荷替换热负荷.同理,在17~20 h,将引导居民用热负荷替换电负荷.

将实时碳强度评估发布给居民后,居民对其进行响应,响应前后电、热负荷曲线的变化如图4所示.由图可知,在动态碳排放因子带来的在差异性价格的影响下,居民对电、热负荷进行了削减和转移,电负荷实现削峰填谷,热负荷实现整体下降.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   低碳需求响应结果

Fig.4   Result of CDR


用户的响应和负荷转移具体情况如图5所示.11~14 h,用电成本较低,电负荷不进行削减,其余时段均有负荷削减.然后,电负荷进行了时间上的平移,6~7 h、17~23 h的电负荷平移至风光出力最高的8~15 h.此外,电热负荷进行了替换,热成本较高的2~6 h,可转换的热负荷转换为电负荷;热成本较低的17~24 h,电负荷转换为热负荷.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   负荷转移情况

Fig.5   Load transfer behavior


为满足CDR后的居民负荷,供能侧对出力设备进行调度,调度结果如图6所示.由图可知,经过排放因子曲线引导的供需互动后,风力机和光伏的出力被完全消纳.因此,本文提出的基于实时碳强度评估的低碳需求响应方法能够引导用户调整用能行为.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   响应后电热设备出力

Fig.6   Output of CIES after response


3.3 低碳需求响应有效性分析

为了分析CDR方法的实现以及考虑CDR的CIES对系统运行结果的影响,设置了以下6种场景进行比较.

场景1 无需求响应.

场景2 基于分时能源价格的IDR.

场景3 基于固定碳排放因子的居民碳需求响应[14],其中碳排放因子参考北京市消费侧碳排放因子,用电排放因子为0.581 kg/(kW·h),用热排放因子为0.277 kg/(kW·h)[20].

场景4 基于动态碳排放因子和固定碳排放价格的居民低碳需求响应.

场景5 基于动态碳排放因子(不考虑消纳等效碳排放)和阶梯碳价的居民低碳需求响应.

场景6 基于改进动态碳排放因子和阶梯碳价的居民低碳需求响应(本文方法).

6种场景下电、热负荷响应曲线如图7所示.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   响应后电、热负荷曲线

Fig.7   Electric and thermal loads after response


对于场景2,1~7 h为用电谷时段,电价最低,有其余时刻的电负荷以及本时刻的热负荷转移为这一时段的电负荷.这样的响应行为虽然能填补负荷低谷,但此时供能主要依靠CHP机组和电网购电,因此碳减排作用并不明显.11~13 h,IDR在峰时电价的影响下,电负荷转移至其他时段或转换为热负荷,这一时段电负荷下降较多,实现了削峰,但此时是风力机光伏出力高峰,因此产生了大量的弃风弃光.13~19 h,IDR为用电平时段,电热负荷变化不大.19~22 h,电负荷在峰时电价的影响下转移至其他时段.相比其他方法,IDR方法的电负荷削峰填谷作用最显著,但由于在风光出力的高峰时段减少了过多的电负荷,造成了较多的弃风弃光.

场景3采用固定的排放因子,各时段用能成本一致,因此用户的响应行为只有负荷削减和电负荷向热负荷转换,负荷趋势与场景1接近.场景3用电成本较高,电热成本相差较大,因此电负荷削减和转换较多,响应后的电负荷较少.

场景4、场景5和场景6中,1~7 h排放因子较高,且电、热消费成本较为接近,因此负荷削减和转移量不大,略高于原始水平.11~13 h,一方面,电排放因子较低,有大量负荷转移至这一时段,另一方面,这一时段是热排放因子的峰值,电热排放因子差值较大,使得更多的热负荷转换为电负荷,因此这一时段形成了新的负荷高峰,但由于此时同样是风力机光伏出力的高峰,所以在实现风光消纳的同时减小了碳排放.此时,场景6负荷高于场景5,证明本文所提改进动态碳排放因子能够有效引导用户参与消纳.仅在13~19 h,受光伏出力下降的影响,用电排放因子不断上升,因此部分负荷转移至11~13 h,因此碳排放更低.由于场景5采用阶梯碳价,在碳排放较低的时段,用户用能成本相对于场景4也较低,而碳排放较高的时段,用能成本更高.所以有更多的负荷由高排放时段转移至低排放时段,由此可证明阶梯碳价的有效性.

6个场景下CIES运行结果如表1所示.由表1可知,场景2~6的5种方法都可以减少系统的碳排放量,并减小峰谷差.本文提出的方法相对于传统的IDR方法,碳排放量减小了9.0%,在参与外部碳交易的情况下,供能成本降低了16.2%.IDR和基于固定碳价的CDR虽然消除峰谷差的作用更明显,但在高比例可再生能源接入的情况下,减少白天峰时段和平时段的负荷可能会造成更多的弃风弃光.而对于基于固定排放因子的碳需求响应机制,不论碳排放因子使用地区统一的碳排放参数,还是经CIES计算得到,固定的碳排放因子都无法反映不同时段用能行为产生的碳排放,无法对居民用能产生时序上的引导作用.这种机制本质上是通过增大居民的用能成本和用电、用热成本差,从而造成更多的负荷削减和电热负荷转移.而本文提出的基于动态排放因子的碳计量方法中,风力机、光伏出力占比越高的时段,碳排放因子越低,因此用能成本更低,由此实现了可再生能源更“便宜”的效果.因此,本文方法具备更好的碳减排效果.

表1   仿真结果指标

Tab.1  Indicators of simulation result

场景碳排放
量/kg		供能
成本/元		弃风弃光量/
(kW·h)		电负荷峰谷差/
(kW·h)
11 771.381 322.173174
21 701.041 304.175259
31 715.291 178.408859
41 688.811 215.786863
51 540.891 093.39062
61 528.181 078.28062

新窗口打开| 下载CSV


此外,在IDR中,用户基于价格调整用能方式,成本是影响用户响应的唯一因素.而CDR中,用户能够准确、直观地掌握自身碳排放行为产生的碳排放量,因此除碳排放成本外,政策法规、舆论引导、用户碳减排意愿等也会影响用户的响应行为.

3.4 碳价对响应效果的影响分析

为分析不同的碳价格对CDR效果的,分别将基础碳价格设定为λ=0.8,0.9,1.0,1.1,1.2 元并进行仿真,仿真结果如图8所示.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   负荷转移情况和碳排放量

Fig.8   Load transfer behavior and carbon emissions


当碳价格较低时,不同时段成本波动较小,电热成本差别也较低,因此用户对负荷的转移和转换量较小.此外,用能成本较低,导致用户负荷削减的意愿也较低.因此,碳减排效果较差.随着碳价格的升高,用户的响应行为更加明显,逐渐达到可响应上限,但此时用户用能成本过高,超过合理范围,无法实际实施.

4 结论

本文针对社区综合能源系统低碳经济运行问题,提出了一种基于实时碳强度评估的综合能源系统低碳互动管理策略,通过考虑能-碳价格联动,引入动态碳排放因子、消纳等效碳排放因子和改进阶梯碳价模型,在居民用户侧面实现更直观、有效的碳减排管理,通过供需互动降低系统碳排放.首先建立了CIES架构,并提出了动态碳排放因子的居民侧碳排放计量方法,同时考虑了高比例可再生能源渗透的情况,引入消纳等效碳排放量,以鼓励用户参与消纳过程.然后,提出了基于实时碳强度评估的综合能源系统低碳需求响应机制;建立供给侧调度模型和需求侧响应模型,通过供需互动实现了CIES系统的低碳调度.最后,通过仿真验证,本文方法相对于传统的IDR机制碳排放量减小了9.0%,供能成本降低了16.2%,表明本文提出的CDR机制可以更有效地降低系统碳排放量和供能成本.

在未来的研究中,以下工作值得深入探索:

(1) 合理的碳定价方法是CDR机制实施的基础,本文仅分析了不同价格对CDR效果的影响,并未探究最优的碳价格.

(2) 本文对电网购电的碳排放因子采用固定的碳排放因子,随着电网碳计量水平的提升,能够基于碳排放流计算配电网动态碳排放因子.未来可基于配电网动态碳排放因子研究综合能源系统的能量管理策略,提升碳排放计量精度的同时促进电力系统碳减排和新能源消纳.

(3) 居民CIES的能量管理面临可再生能源出力、用户负荷和响应行为、能源市场价格等多重不确定性,CIES日前调度策略和日前发布的碳排放因子与实际存在偏差,影响CIES的经济性、鲁棒性和碳减排效果.因此,如何建立考虑多重不确定性的CIES能量管理策略,达到提升CIES管理水平的目的,需要进一步开展研究.

参考文献

张沈习, 王丹阳, 程浩忠, 等.

双碳目标下低碳综合能源系统规划关键技术及挑战

[J]. 电力系统自动化, 2022, 46(8): 189-207.

[本文引用: 1]

ZHANG Shenxi, WANG Danyang, CHENG Hao-zhong, et al.

Key technologies and challenges for low-carbon integrated energy system planning under dual-carbon goals

[J]. Automation of Electric Power Systems, 2022, 46(8): 189-207.

[本文引用: 1]

XIANG Y, FANG M Q, LIU J Y, et al.

Distributed dispatch of multiple energy systems considering carbon trading

[J]. CSEE Journal of Power and Energy Systems, 2023, 9(2): 459-469.

[本文引用: 1]

张程, 匡宇, 陈文兴, 等.

计及电动汽车充电方式与多能耦合的综合能源系统低碳经济优化运行

[J]. 上海交通大学学报, 2024, 58(5): 669-681.

DOI:10.16183/j.cnki.jsjtu.2022.364     

为使多能耦合的综合能源系统(IES)在低碳经济运行下可满足负荷多样性的需求,提出一种在电动汽车(EV)不同充电方式下多能耦合的IES低碳经济运行双层优化配置方法.首先,搭建涵盖冷-热-电-气耦合的IES模型.然后,在日内调度运行阶段考虑阶梯碳交易机制以及EV不同充电方式等因素,实现日调度成本最低;在配置规划阶段以设备投资成本与年运行费用总和最低为目标配置设备容量.最后,利用Cplex求解上述两阶段目标函数并通过相互迭代得到最优配置方案与调度结果.结果表明:考虑剩余电量的EV充电方式与碳交易机制能显著降低碳排放量与系统运行成本,所提配置方法可实现多能耦合的IES低碳经济运行.

ZHANG Cheng, KUANG Yu, CHEN Wenxing, et al.

Low-carbon economic optimization operation of integrated energy system considering electric vehicle charging modes and multi-energy coupling

[J]. Journal of Shanghai Jiao Tong University, 2024, 58(5): 669-681.

刘妍, 胡志坚, 陈锦鹏, 等.

含碳捕集电厂与氢能多元利用的综合能源系统低碳经济调度

[J]. 电力系统自动化, 2024, 48(1): 31-40.

LIU Yan, HU Zhijian, CHENG Jinpeng, et al.

Low-carbon economic scheduling of integrated energy system with carbon capture power plants and multi-utilization of hydrogen energy

[J]. Automation of Electric Power Systems, 2024, 48(1): 31-40.

孙毅, 谷家训, 郑顺林, 等.

考虑广义储能和LCA碳排放的综合能源系统低碳优化运行策略

[J]. 上海交通大学学报, 2024, 58(5): 647-658.

DOI:10.16183/j.cnki.jsjtu.2022.350     

综合能源系统(IES)是当前能源转型低碳发展背景下实现“双碳”目标的关键,为了提高IES碳减排能力,需要充分利用需求侧负荷资源和传统储能设备等广义储能资源参与IES优化.首先,建立一种综合考虑可再生能源、能源转换设备、广义储能设备、能源市场交易的IES优化运行模型.然后,使用生命周期评估法(LCA)对IES中能源循环、设备循环的全过程进行碳排放量计算,并将碳排放成本纳入系统总成本.最后,利用仿真实验验证所提模型不仅有利于降低IES总调度成本,还能降低系统的碳排放量,有效促进IES的低碳发展.

SUN Yi, GU Jiaxun, ZHENG Shunlin, et al.

Low-carbon optimization operation strategy of integrated energy system considering generalized energy storage and LCA carbon emissions

[J]. Journal of Shanghai Jiao Tong University, 2024, 58(5): 647-658.

ALOMOUSH M I.

Microgrid combined power-heat economic-emission dispatch considering stochastic renewable energy resources, power purchase and emission tax

[J]. Energy Conversion and Management, 2019, 200: 112090.

[本文引用: 1]

LYU X, LIU T, LIU X, et al.

Low-carbon robust economic dispatch of park-level integrated energy system considering price-based demand response and vehicle-to-grid

[J]. Energy, 2023, 263(B): 125739.

[本文引用: 1]

ZHU X, SUN Y, YANG J, et al.

Day-ahead energy pricing and management method for regional integrated energy systems considering multi-energy demand responses

[J]. Energy, 2022, 251: 123914.

[本文引用: 1]

YANG D F, XU Y, LIU X J, et al.

Economic-emission dispatch problem in integrated electricity and heat system considering multi-energy demand response and carbon capture technologies

[J]. Energy, 2022, 253:124153.

[本文引用: 1]

YUAN G X, GAO Y, YE B, et al.

Optimal dispatching strategy and real-time pricing for multi-regional integrated energy systems based on demand response

[J]. Renewable Energy, 2021, 179: 1424-1446.

[本文引用: 1]

LI P, WANG Z X, WANG N, et al.

Stochastic robust optimal operation of community integrated energy systems based on integrated demand response

[J]. International Journal of Electrical Power & Energy Systems, 2021, 128: 106735.

[本文引用: 1]

GOH H H, SHI S W, LIANG X, et al.

Optimal energy scheduling of grid-connected microgrids with demand side response considering uncertainty

[J]. Applied Energy, 2022, 327: 120094.

[本文引用: 1]

EDUARDO C B, KIYOTO T, ANDREJ K, et al. 2006 IPCC guidelines for national greenhouse gas inventories[M]. UK: Cambridge University Press, 2007: 10-28.

[本文引用: 1]

LU Q, GUO Q, ZENG W, et al.

Optimization scheduling of integrated energy service systems in the community: A bi-layer optimization model considering multi-energy demand response and user satisfaction

[J]. Energy, 2022, 252: 124063.

[本文引用: 4]

LI L, ZHANG S, CAO X, et al.

Assessing economic and environmental performance of multi-energy sharing communities considering different carbon emission responsibilities under the carbon tax policy

[J]. Journal of Cleaner Production, 2021, 328: 129466.

[本文引用: 1]

KANG C Q, ZHOU T R, CHEN Q X, et al.

Carbon emission flow in networks

[J]. Scientific Reports, 2012, 2(1): 479.

[本文引用: 1]

CHENG Y, ZHANG N, ZHANG B, et al.

Low-carbon operation of multiple energy systems based on energy-carbon integrated prices

[J]. IEEE Transactions on Smart Grid, 2019, 11(2): 1307-1318.

[本文引用: 1]

李姚旺, 张宁, 杜尔顺, 等.

基于碳排放流的电力系统低碳需求响应机制研究及效益分析

[J]. 中国电机工程学报, 2022, 42(8): 2830-2842.

[本文引用: 2]

LI Yaowang, ZHANG Ning, DU Ershun, et al.

Research and benefit analysis of low-carbon demand response mechanism in power systems based on carbon emission flow

[J]. Proceedings of the CSEE, 2022, 42(8): 2830-2842.

[本文引用: 2]

YAN Z C, LI C Y, YAO Y M, et al.

Bi-level carbon trading model on demand side for integrated electricity-gas system

[J]. IEEE Transactions on Smart Grid, 2023, 14(4): 2681-2696.

[本文引用: 1]

中华人民共和国生态环境部. 企业温室气体排放核算方法与报告指南——发电设施(2022年修订版) [EB/OL]. (2022-12-21) [2023-07-20]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202212/t20221221_1008430.html .

URL     [本文引用: 3]

Ministry of Ecology and Environment of the People’s Republic of China. Accounting methods and reporting guidelines for greenhouse gas emissions of enterprises—Generating facility (revised in 2022) [EB/OL]. (2022-12-21) [2023-07-20]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202212/t20221221_1008430.html .

URL     [本文引用: 3]

北京市市场监督管理局. 二氧化碳排放核算和报告要求——电力生产业:DB11/T 1781—2020[EB/OL]. (2021-01-01) [2023-07-20]. https://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/ydqhbh/10914037/index.html .

URL     [本文引用: 1]

Beijing Market Supervision Administration. Requirements for carbon dioxide emission accounting and reporting—Power generation enterprises:DB11/T 1781—2020[EB/OL]. (2021-01-01) [2023-07-20]. https://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/ydqhbh/10914037/index.html .

URL     [本文引用: 1]

/

〈 〉