上海交通大学学报

上海交通大学学报, 2025, 59(7): 912-922 doi: 10.16183/j.cnki.jsjtu.2023.457

新型电力系统与综合能源

考虑多灵活性资源联合运行的综合能源系统优化配置方法

邓倩文, 李奇,, 邱宜彬, 李豆萌, 霍莎莎, 陈维荣

西南交通大学 电气工程学院,成都 611756

Optimal Allocation Method of Integrated Energy System Considering Joint Operation of Multiple Flexible Resources

DENG Qianwen, LI Qi,, QIU Yibin, LI Doumeng, HUO Shasha, CHEN Weirong

School of Electrical Engineering, Southwest Jiaotong University, Chengdu 611756, China

通讯作者: 李 奇,教授,博士生导师,E-mail:liqi0800@163.com.

责任编辑: 孙伟

收稿日期: 2023-09-11   修回日期: 2023-01-2   接受日期: 2024-01-24  

基金资助: 国家自然科学基金资助项目(52377123)
四川省自然科学基金资助项目(2022NSFSC0027)

Received: 2023-09-11   Revised: 2023-01-2   Accepted: 2024-01-24  

作者简介 About authors

邓倩文(1999—),硕士生,从事综合能源系统方面研究.

摘要

“双碳”战略背景下,可再生能源渗透比例不断提升,灵活性资源缺乏问题日益严重.为构建安全、高效、低碳的清洁能源系统以应对这一挑战,提出一种考虑多灵活性资源联合运行的综合能源系统优化配置方法.首先,对电转气设备的两阶段运行进行精细化建模,引入掺氢燃气轮机和电转气设备协同运行,以充分利用H2的低碳特性.同时,通过碳捕集设备向电转气设备提供碳原料,实现了CO2的循环利用,从而构建了以氢能为核心的灵活性资源联合运行框架.然后,针对可再生能源出力不确定性问题,通过Elbow法确定了最优聚类数目,并利用K-means聚类算法得到风速的典型场景.在此基础上,以投资成本、运维成本、置换成本、环境惩罚和弃风惩罚成本之和最小为目标,综合考虑设备约束、能量平衡约束及灵活性约束,建立优化配置模型.为解决模型的非线性问题,采用大M法将其线性化处理并完成模型求解.最后,基于中国西南某地区实测数据进行算例验证,结果表明:所提方法使综合能源系统的总成本降低了10.22%、新能源渗透率提高了6.01%、环境惩罚成本降低了2.65%,有效提升了系统的经济性和新能源消纳量,同时显著降低了系统碳排放水平.

关键词： 灵活性资源; 综合能源系统; 优化配置; 氢能; 不确定性

Abstract

Under the “carbon peaking and carbon neutrality” strategy, the penetration ratio of renewable energy is increasing, while the lack of flexible resources becomes a growing challenge. To address this and build a safe, efficient, low-carbon, and clean energy system, an integrated energy system (IES) optimization allocation method is proposed considering the joint operation of multiple flexibility resources. First, the modeling of the two stages of the power-to-gas equipment is refined, with the introducation of the coordinated operation of the hydrogen-doped gas turbine and the power-to-gas equipment to make full use of the low-carbon characteristics of H2. Carbon raw materials are provided for the power-to-gas facilities through carbon capture equipment realizing the recycling of CO2, thereby establishing a coordinated operation framework for flexible resource with hydrogen energy as the core. Then, aimed at the uncertainty of renewable energy output, the optimal clustering number is determined by Elbow method, and typical wind speed scenarios are obtained by K-means clustering algorithm. On this basis, an optimal allocation model is established with the objective of minimizing the sum of investment cost, operation and maintenance cost, replacement cost, environmental penalty, and wind abandonment penalty cost, taking into account equipment constraints, energy balance constraints, and flexibility constraints. To solve the nonlinearity, the large M method is adopted to linearize the model and complete the model solution. Finally, the method proposed is validated through an example based on measured data from a region in southwest China. The results show that the total cost of the IES is reduced by 10.22%, the penetration rate of new energy is increased by 6.01%, and the cost of environmental penalties is reduced by 2.65%. The proposed method effectively improves the economy of the system and the consumption of new energy, and significantly reduces system carbon emissions.

Keywords： flexibility resources; integrated energy system (IES); optimal configuration; hydrogen energy; uncertainty

PDF (3023KB) 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

邓倩文, 李奇, 邱宜彬, 李豆萌, 霍莎莎, 陈维荣. 考虑多灵活性资源联合运行的综合能源系统优化配置方法[J]. 上海交通大学学报, 2025, 59(7): 912-922 doi:10.16183/j.cnki.jsjtu.2023.457

DENG Qianwen, LI Qi, QIU Yibin, LI Doumeng, HUO Shasha, CHEN Weirong. Optimal Allocation Method of Integrated Energy System Considering Joint Operation of Multiple Flexible Resources[J]. Journal of Shanghai Jiaotong University, 2025, 59(7): 912-922 doi:10.16183/j.cnki.jsjtu.2023.457

“十四五”以来,电力领域的绿色低碳改革持续蓬勃发展,可再生能源逐步由补充性能源向主导性能源过渡[1].多能流协同互补的综合能源系统(integrated energy system, IES)能够促进清洁能源的消纳,已成为电力系统发展的重要形式[2].然而高渗透率可再生能源出力的不确定性引发了严重的弃风弃光问题,并对系统安全运行构成挑战.用于调节系统供需动态平衡的灵活性资源成为解决这些挑战的关键要素.因此,在IES中合理配置灵活性资源对提升系统的可再生能源消纳能力,并降低系统的碳排放水平具有重要的战略意义[3].

场景分析是处理IES规划和调度过程中不确定性因素的常用方法[4],其具体步骤是先生成可以表征不确定参数的大量场景,再进行场景缩减处理.文献[5]中利用场景法描述光伏发电的不确定性,并基于Wasserstein概率距离对场景进行削减;文献[6]中基于核密度估计法与Frank-Copula函数生成风光出力场景,并采用K均值算法获得削减场景;文献[7]中以季节特征为依据,运用场景法描述风电的不确定性;文献[8]中对电-气IES进行规划时,采用场景法描述电、气负荷与光伏出力的多重不确定性.在进行场景削减时,现有研究依赖专家决策选取聚类簇数,不同的研究者或不同情景下可能会选择不同的聚类簇数,这对聚类结果的客观性和一致性产生影响,进而对系统的规划结果产生影响.

电转气(power to gas, P2G)技术的出现不仅加深了电-气系统的耦合,还提供了可再生能源的消纳途径[9].文献[10]中探究了P2G设备和风电场协同扩建对气电互联系统规划、风电消纳和经济性3方面的影响;文献[11]中建立了含P2G设备的电-气系统双层优化模型,并得出了P2G可以有效提高系统风电消纳能力的结论;文献[8]中以电转气等装置为耦合设备,构建了一种电-气综合能源系统随机优化规划模型,通过合理的规划提高电-气综合能源系统的经济性,同时降低系统的碳排放量.在上述研究中,P2G设备运行时需要购买CO2以满足甲烷化阶段的碳原料需求,从而增加了系统的CO2购买成本.碳捕集(carbon capture and storage, CCS)技术能够将CO2从能源产业排放的废气中分离出来,是实现IES低碳化的关键技术之一[12].CCS设备捕集的CO2可以作为碳原料提供给P2G设备,达到提高系统的经济性、降低碳排放的目的[13-15].P2G设备的工作过程可以分为两个阶段:第1阶段电解槽设备消耗电能产生H2,第2阶段甲烷化设备消耗H2和CO2产生天然气.H2具有能量密度高、燃烧产物清洁等优点[16],充分考虑第1阶段产生的H2的零排放优势,通过氢能的多途径利用,能够提高能源利用效率和能源低碳化,因此有必要对P2G设备工作过程的两个阶段进行精细化建模,然而现有研究往往对P2G设备进行整体化建模,忽略了其两阶段的运行过程.燃气轮机(gas turbine, GT)作为连接电-气系统的另一个桥梁,通过燃烧天然气产生电能来平抑风电出力的波动性,已有研究表明在天然气中掺入H2的体积比例在20%以内时,燃气轮机可以安全稳定运行[17].文献[18]中对燃气轮机掺氢后的运行特征进行研究,得出掺氢运行可提升燃气轮机发电效率的结论;文献[19]中搭建了含掺氢燃气轮机的多微网系统架构,对其优化调度问题展开研究.因此,可以考虑通过燃气轮机和两阶段P2G设备耦合运行,来增加H2的利用途径从而提升系统低碳化水平.

综上所述,现有研究采用场景法处理风电不确定性时,通常依赖专家决策确定聚类簇数,导致聚类结果缺乏客观性;此外未对P2G设备进行精细化建模,未考虑H2的多途径利用,因此未能充分发挥H2的零排放优势.鉴于此,本文提出一种考虑多灵活性资源联合运行的IES优化配置方法.首先考虑氢能的低碳特性和多途径利用,对电转气设备的两阶段进行精细化建模后引入储氢罐解耦H2的生产与消耗过程,通过掺氢燃气轮机和电转气设备的耦合运行增加氢能利用途径,实现能源低碳化;通过CCS设备和两阶段电转气的联合运行,实现CO2的循环利用,从而构建了一个“CCS-两阶段P2G-储氢罐-掺氢燃气轮机”联合运行的IES框架.然后,通过Elbow法确定最优聚类簇数,并利用K-means算法生成典型场景来描述风电出力的不确定性;在此基础上,以投资成本、运维成本、置换成本、环境惩罚和弃风惩罚成本之和最小为目标函数,综合考虑设备约束、能量平衡约束及灵活性约束建立了优化配置模型;为解决模型非线性问题,结合大M法进行线性化处理并完成模型求解.最后,通过算例分析,验证了所提优化配置方法的有效性.

1 系统建模及不确定性描述

1.1 含多灵活性资源联合运行的IES结构

本文构建的含多灵活性资源的IES结构如图1所示,其中包含风电机组、火电机组、掺氢燃气轮机、CCS设备、两阶段P2G设备、储碳罐和储氢罐.负荷侧的电负荷由风电机组、燃煤机组和掺氢燃气轮机满足用电需求,气负荷由甲烷化设备与气源供应商进行供应.掺氢燃气轮机和两阶段电转气设备实现电、气系统的互联.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   综合能源系统结构

Fig.1   Structure of integrated energy system


在“CCS-两阶段P2G-储氢罐-掺氢燃气轮机”的联合运行模式中,P2G设备的工作过程可以视为两个独立的阶段.一阶段由电解槽消耗电能产生H2,并由甲烷化设备、掺氢燃气轮机设备进行消纳或存储于储氢罐中,在燃气轮机中掺入H2,使燃气轮机和P2G设备耦合运行.另一阶段,利用甲烷化设备消耗电解槽提供的H2和来自CCS设备捕获的CO2产生天然气,以实现CO2的循环利用.两个阶段都可以达到进一步降低系统碳排放水平的目的.

1.2 联合运行模式中关键设备建模

1.2.1 P2G两阶段运行精细化建模

具体如下。

(1) 第1阶段为电解槽制氢.电解槽通过消耗电能产生H2,一部分H2结合CO2通过甲烷化设备制成天然气,另一部分H2由掺氢燃气轮机直接转化为电能;当H2富余时,通过储氢罐进行存储.电解槽工作时的模型如下所示:

$ P_{\mathrm{EL}, t}=\lambda_{\mathrm{EL} \_\mathrm{H}_{2}} V_{\mathrm{EL}_{-} \mathrm{H}_{2}, t}$
$ P_{\mathrm{EL}, \min } \leqslant P_{\mathrm{EL}, t} \leqslant P_{\mathrm{EL}, \max }$
$ \Delta P_{\mathrm{EL}, \min } \leqslant P_{\mathrm{EL}, t}-P_{\mathrm{EL}, t-1} \leqslant \Delta P_{\mathrm{EL}, \max }$

式中:PEL, t为t时刻电解槽设备的耗电功率;λEL_H2为t时刻电解槽设备产生VEL_H2, t体积H2的电耗系数;PEL, max、PEL, min分别为电解槽出力的上下限;ΔPEL, max、ΔPEL, min分别为电解槽爬坡速率的上下限.

(2) 第2阶段为甲烷化设备制天然气.第二阶段中,甲烷化设备消耗电能将H2和CO2合成为天然气,甲烷化设备工作时的模型如下所示:

$ P_{\mathrm{ME}, t}=\lambda_{\mathrm{ME}_{-} \mathrm{CH}_{4}} V_{\mathrm{ME}_{-} \mathrm{CH}_{4}, t}$
$ V_{\mathrm{ME}_{-} \mathrm{CH}_{4}, t}=\omega_{1} V_{\mathrm{CCS}_{-} \mathrm{CO}_{2}, t}$
$ P_{\mathrm{ME}, \min } \leqslant P_{\mathrm{ME}, t} \leqslant P_{\mathrm{ME}, \max }$
$ \Delta P_{\mathrm{ME}, \min } \leqslant P_{\mathrm{ME}, t}-P_{\mathrm{ME}, t-1} \leqslant \Delta P_{\mathrm{ME}, \max }$

式中:PME, t为t时刻甲烷化设备的耗电功率;λME_CH4为t时刻甲烷化设备合成VME_CH4, t体积天然气的电耗系数;ω1为反应平衡系数;VCCS_CO2, t为t时刻CCS设备捕获CO2的体积;PME, max、PME, min分别为甲烷化设备出力的上下限;ΔPME, max、ΔPME, min分别为甲烷化设备爬坡速率的上下限.

1.2.2 掺氢燃气轮机建模

燃气轮机通过燃烧天然气产生电能,是连接电、气系统的重要耦合设备.燃气轮机中掺入H2的体积比例在20%以内时,能够安全稳定地运行,其发电量与天然气和H2的体积、热值均有关.此外,为保持稳定运行,掺氢燃气轮机运行时需要满足功率约束、爬坡约束等约束条件.掺氢燃气轮机工作时的模型如下所示:

$ R=\frac{V_{\mathrm{GT}_{-} \mathrm{H}_{2}, t}}{V_{\mathrm{GT}_{-} \mathrm{H}_{2}, t}+V_{\mathrm{GT}_{-} \mathrm{CH}_{4}, t}}$
$ P_{\mathrm{GT}, t}=\left(V_{\mathrm{GT}_{-} \mathrm{CH}_{4}, t}, L_{\mathrm{CH}_{4}}+V_{\mathrm{GT}_{-} \mathrm{H}_{2}, t}, L_{\mathrm{H}_{2}}\right) \eta_{\mathrm{GT}}$
$ P_{\mathrm{GT}, \min } \leqslant P_{\mathrm{GT}, t} \leqslant P_{\mathrm{GT}, \max }$
$ \Delta P_{\mathrm{GT}, \min } \leqslant P_{\mathrm{GT}, t}-P_{\mathrm{GT}, t-1} \leqslant \Delta P_{\mathrm{GT}, \max }$

式中:PGT, t为t时刻掺氢燃气轮机的发电功率;VGT_CH4, t和VGT_H2, t分别为t时刻掺氢燃气轮机消耗天然气和H2的体积;R为掺氢燃气轮机的掺氢比;LCH4和LH2分别为天然气和H2的热值;ηGT为掺氢燃气轮机的能源转化率;PGT, max、PGT, min分别为掺氢燃气轮机出力的上下限;ΔPGT, max、ΔPGT, min分别为掺氢燃气轮机爬坡速率的上下限.

掺氢燃气轮机运行时会产生低浓度CO2,t时刻掺氢燃气轮机的CO2排放量VGT_CO2, t与该时刻下掺氢燃气轮机的发电量PGT, t有关,计算公式如下所示:

$ V_{\mathrm{GT}_{-} \mathrm{CO}_{2}, t}=e_{\mathrm{GT}_{-} \mathrm{CO}_{2}} P_{\mathrm{GT}, t}$

式中:eGT_CO2为掺氢燃气轮机的CO2排放系数.

1.2.3 CCS设备建模

碳捕集过程包括吸收、再生和压缩3个部分,即来自工厂的烟气被碳捕集系统捕捉后,送至可再生塔,一部分CO2提供给P2G用于生产天然气,另一部分CO2进行封存处理.燃气轮机掺氢后排放的CO2浓度较低,导致其难以捕集,因此本文只考虑对火电机组产生的CO2进行捕集并回收利用.CCS捕集CO2的模型如下所示:

$ V_{\mathrm{PGU}_{-} \mathrm{CO}_{2}, t}=e_{\mathrm{PGU}_{-} \mathrm{CO}_{2}} P_{\mathrm{PGU}, t}$
$ V_{\mathrm{CCS}_{-} \mathrm{CO}_{2}, t}=\eta_{\mathrm{CCS}_{-} \mathrm{CO}_{2}} V_{\mathrm{PGU}_{-} \mathrm{CO}_{2}, t}$
$ P_{\mathrm{CCS}, t}=\lambda_{\mathrm{CCS} \_\mathrm{CO}_{2}} V_{\mathrm{CCS}_{-} \mathrm{CO}_{2}, t}$

式中:PPGU, t、VPGU_CO2, t分别为t时刻燃煤机组的发电功率和CO2排放量;PCCS, t为t时刻CCS设备的耗电功率;ePGU_CO2、ηCCS_CO2、λCCS_CO2分别为火电机组CO2排放强度、CCS设备的捕集效率和CCS设备的电耗系数.

1.2.4 储能设备建模

本文构建的IES中,主要考虑储碳罐和储氢罐两种储能设备,分别用于解耦CO2和H2的生产、消耗过程.各储能设备需要满足容量约束、充放能上下限约束和爬坡约束.

(1) 储碳单元建模.储碳罐工作时的模型如下所示:

$ \begin{aligned} V_{\mathrm{HS}_{-} \mathrm{CO}_{2}, t}= & V_{\mathrm{HS}_{-} \mathrm{CO}_{2}, t-1}+V_{\mathrm{HS}_{-} \mathrm{CO}_{2}-\mathrm{in}, t-1}- \\ & V_{\mathrm{HS}_{-} \mathrm{CO}_{2}-\mathrm{out}, t-1} \end{aligned}$
$ 0 \leqslant V_{\mathrm{HS}_{-} \mathrm{CO}_{2}, t} \leqslant V_{\mathrm{HS}_{-} \mathrm{CO}_{2}, r}$
$ 0 \leqslant V_{\mathrm{HS}_{-} \mathrm{CO}_{2}-\mathrm{in}, t} \leqslant U_{\mathrm{HS}_{-} \mathrm{CO}_{2}, t} S_{\mathrm{HS}_{-} \mathrm{CO}_{2}-\mathrm{in}, \max }$
$ \begin{aligned} 0 \leqslant & V_{\mathrm{HS}_{-} \mathrm{CO}_{2}-\text { out }, t} \leqslant \\ & \left(1-U_{\mathrm{HS}_{-} \mathrm{CO}_{2}, t}\right) S_{\mathrm{HS}_{-} \mathrm{CO}_{2}-\text { out }, \max } \end{aligned}$

式中:VHS_CO2, t、VHS_CO2-in, t、VHS_CO2-out, t分别为t时刻储碳罐中CO2的体积、CO2的存入量和取出量;VHS_CO2, r为储碳罐的容量;UHS_CO2, t为二进制变量,取值为1时表示存入CO2,取值为0时表示取出CO2;SHS_CO2-in, max、SHS_CO2-out, max分别为CO2最大存入量和取出量.

(2) 储氢单元建模.储氢罐工作时的模型如下所示:

VHS_H2, t= VHS_H2, t-1+ VHS_H2-in, t-1- VHS_H2-out, t-1
0≤ VHS_H2, t≤ VHS_H2, r
0≤ VHS_H2-in, t≤ UHS_H2, tSHS_H2-in, max
0≤ VHS_H2-out, t≤(1- UHS_H2, t) SHS_H2-out, max

式中:VHS_H2, t、VHS_H2-in, t、VHS_H2-out, t分别为t时刻储氢罐中H2的体积、H2的存入量和取出量;VHS_H2, r为储氢罐的容量;UHS_H2, t为二进制变量,取值为1时表示存入H2,取值为0时表示取出H2;SHS_H2-in, max、SHS_H2-out, max分别为H2最大存入量和取出量.

1.3 典型场景生成

风电出力具有显著的随机性和波动性的特点,因而考虑其不确定性对系统优化配置具有重要意义.场景法作为随机优化理论的一种方法,将不确定性约束的优化模型转化为确定性约束的优化模型.采用K-means聚类算法对风速历史数据进行聚类得到风速典型场景,K-means是一种基于数据度量的聚类算法,其核心思想是将数据点分配到距离最近的簇中,并通过迭代计算各个簇的平均值作为新的簇中心,直到满足收敛条件.在进行K-means聚类时,需要先确定聚类类簇数目S,为确保聚类结果的客观性,采用Elbow法确定最优类簇数目[20].Elbow法以误差平方和和方差(SSE)作为体现聚类效果的指标.当聚类个数未达到最优个数S时,随着类簇数目的增加,SSE下降较快,达到最优个数以后,SSE下降缓慢,因而斜率变化最大处即为最优S值.SSE的计算公式如下所示:

$ \alpha_{\mathrm{SSE}}=\sum_{i=1}^{k} \sum_{p \in C_{i}}\left(p-m_{i}\right)^{2}$

式中:Ci为第i个簇;mi为第i个质心;p为属于Ci的数据点.

2 考虑多设备联合运行和系统灵活性的IES优化配置模型

2.1 目标函数

优化配置模型以年化投资成本Cinv、年化运维成本Cop、置换成本Ctari、环境惩罚Cen及弃风惩罚成本Cw之和最小为目标,目标函数表示如下:

min C=Cinv+Cop+Ctari+Cen+Cw
Cinv=∑icinv, iEi, rδiCop=∑icop, iEi, rCtari=∑sNs∑tT(cfuelmfuel, t+　　　cCH4VCH4, t-cEload, tPload, t-　　　cGloadVload, t)Cen=∑sNs∑tTcCO2(VPGU_CO2, t+　　　VGT_CO2, t-VCCS_CO2, t)Cw=∑sNs∑tTcwPWTcur, t

式中:cinv, i、cop, i分别为第i类设备单位容量的投资成本、运维成本;Ei, r为第i类设备的额定容量;Ns为第s种典型日的天数;cfuel、cCH4、cEload, t、cGload分别为t时刻煤炭购买量mfuel, t的购买单价、气源购气量VCH4, t的购买单价、售电量Pload, t的价格及售气量Vload, t的价格;cCO2、cw分别为碳税和单位弃风电量惩罚系数;PWTcur, t为t时刻的弃风功率.

等额分付资本回收系数的计算公式[21]如下:

δi= φ(1+φ)n(1+φ)n-1

式中:n为设备寿命年限;φ为年利率.

2.2 约束条件

2.2.1 设备约束

主要包含设备出力约束式(1)、(2)、(4)~(6)、(8)~(10)、(12)~(23),爬坡约束式(3)、(7)、(11)和如下容量约束:

0≤Ei≤Ei,max

式中:Ei、Ei,max分别为第i类设备配置的容量与其容量配置上限.

2.2.2 平衡约束

本文构建的IES考虑了电、气、氢和碳4种关键元素,以下是各元素的平衡约束.

(1) 电平衡约束.系统中生产电能的设备包括风电机组、燃煤机组以及掺氢燃气轮机,同时电能被电解槽设备、甲烷化设备、CCS设备以及电负荷所消耗.考虑系统全过程电能的输入输出平衡,构建相关约束方程如下:

$\begin{array}{l} P_{\mathrm{WT}, t}+P_{\mathrm{PGU}, t}+P_{\mathrm{GT}, t}= \\ \quad P_{\mathrm{CCS}, t}+P_{\mathrm{EL}, t}+P_{\mathrm{ME}, t}+P_{\text {load }, t}+P_{\mathrm{WTcur}, t} \end{array}$

式中:PWT, t为t时刻风力发电机产生的电能.

(2) 气平衡约束.系统中天然气供应环节包括天然气供应商和P2G设备,天然气需求环节包含掺氢燃气轮机和气负荷.天然气平衡约束如下所示:

VME_CH4, t+Vbuy,t= VGT_CH4, t+Vload,t

式中:Vbuy, t、Vload, t分别为t时刻从天然气供应商处购买的天然气体积和气负荷消耗的天然气体积.

(3) 氢平衡约束.系统中H2由电解槽设备产生,供应给掺氢燃气轮机和甲烷化设备,并且设置储氢罐以提高H2的灵活消纳.H2平衡约束如下:

$\begin{array}{l} V_{\mathrm{EL} \_\mathrm{H}_{2}, t}+V_{\mathrm{HS} \_\mathrm{H}_{2}-\text { out }, t}= \\ \quad V_{\mathrm{ME}_{2} \mathrm{H}_{2}, t}+V_{\mathrm{HS}_{2} \mathrm{H}_{2}-\mathrm{in}, t}+V_{\mathrm{GT}_{-} \mathrm{H}_{2}, t} \end{array}$

(4) 碳平衡约束.系统中碳元素主要以CO2的形式存在,碳平衡约束如下式所示:

$\begin{array}{l} V_{\mathrm{CCS}_{2} \mathrm{CO}_{2}, t}+V_{\mathrm{HS} \_\mathrm{CO}_{2}-\mathrm{out}, t}= \\ \quad V_{\mathrm{ME}_{2} \mathrm{CO}_{2}, t}+V_{\mathrm{HS}_{2} \mathrm{CO}_{2}-\mathrm{in}, t} \end{array}$

2.2.3 灵活性平衡约束

高比例可再生能源渗透下,风电机组出力的不确定性加剧了系统净负荷波动[22],IES应具备短时间内灵活爬坡的能力来应对净负荷的快速变化,使系统保持灵活性供需平衡状态.系统在t时刻由净负荷产生的上调灵活性需求FNL_up, t和下调灵活性需求FNL_down, t如下计算:

$F_{\mathrm{NL}_{L} \mathrm{up}, t}=\left(P_{\text {laad }, t}-P_{\mathrm{WT}_{T}, t}\right)^{+}$
$F_{\mathrm{NL} \_ \text {down }, t}=\left(P_{\text {load }, t}-P_{\mathrm{WT}, t}\right)^{-}$

式中:上标+表示t时刻负荷电力需求减去风电出力大于0时,系统产生的上调灵活性需求;上标-表示t时刻负荷电力需求减去风电出力小于0时,系统产生的下调灵活性需求.

灵活性资源可以在系统出现灵活性需求时快速响应,保证系统各能量的供需平衡.本文构建的综合能源系统中灵活性资源由能源转换设备和能源存储设备提供.能源转换设备包括掺氢燃气轮机组、电解槽、甲烷化设备,能源存储设备为储氢罐.

考虑设备的爬坡速率和出力范围给出各灵活性设备的上调和下调灵活性裕度:

$\begin{aligned} 0 \leqslant & f_{i \_ \text {up }, t} \leqslant \\ & \min \left\{P_{i, \max }-P_{i, t}, \Delta P_{i, \max } \Delta t\right\} \end{aligned}$
$\begin{aligned} 0 \leqslant & f_{i \_ \text {down }, t} \leqslant \\ & \min \left\{P_{i, t}-P_{i, \min }, \Delta P_{i, \min } \Delta t\right\} \end{aligned}$

式中:fi_up, t、fi_down, t分别为第i类设备在t时刻的上调灵活性供应与下调灵活性供应;Pi, max、Pi, min分别为第i类设备的最大、最小输出功率;Pi, t为第i类设备在t时刻的输出功率;ΔPi, max、ΔPi, min分别为第i类设备的上下爬坡速率;Δt为调节时间间隔.

系统中储氢罐作为储能设备提供的灵活性裕度如下:

$0 \leqslant f_{\mathrm{s} \_\mathrm{up}, t} \leqslant \min \left\{P_{\mathrm{s} \_\mathrm{up}, t}, E_{\mathrm{s}, t}-E_{\mathrm{s}, \min } / t\right\}$
$0 \leqslant f_{\mathrm{s}_{\text {_down }}, t} \leqslant \min \left\{P_{\mathrm{s}_{-} \text {down }, t}, E_{\mathrm{s}, \max }-E_{\mathrm{s}, t} / t\right\}$

式中:fs_up, t、fs_down, t分别为储能设备在t时刻的上调灵活性供应与下调灵活性供应;Ps_down, t、Ps_up, t分别为储能设备在t时刻的充放能功率;Es, t为储氢罐为储能设备在t时刻的储能量;Es, max、Es, min分别为储能设备的储能上下限.

当系统满足其灵活性约束,即灵活性供应大于灵活性需求时,系统中各设备将安全稳定运行.系统的灵活性约束如下所示:

$F_{\mathrm{NL} \_\mathrm{up}, t} \leqslant \sum_{i} f_{i_{-} \mathrm{up}, t}+f_{\mathrm{s} \_\mathrm{up}, t}$
$F_{\mathrm{NL} \_ \text {down }, t} \leqslant \sum_{i} f_{i \_ \text {down }, t}+f_{\text {s_down }, t}$

3 模型求解

针对以上所建优化配置模型中二进制变量与连续变量乘积的非线性部分,在模型求解前先采用大M法进行线性等价转换[23].大M法引入一个足够大的正数M后,通过增添额外的约束条件,将模型非线性乘积项线性化处理.大M法线性化转化原理如下:

y=zx

式中:z为0-1变量;x为连续变量.额外添加的约束条件为

y≥x-(1-z)My≤xy≥-zMy≤zM

由线性化后的表达式可知,当z=1时,可得y=x;当z=0时,可得y=0,即线性化后的计算结果与原式结果一致.

以式(18)为例,采用大M法转换后得到的等效线性约束如下所示:

VHS_CO2 in, t≤SHS_CO2 in, max+　　　　　(1-UHS_CO2, t)MVHS_CO2 in, t≤UHS_CO2, tM0≤VHS_CO2 in, t

式(19)、(22)、(23)的非线性部分也可采用类似方法转换为其等效线性表达式,不再赘述.基于上述方法对优化模型进行线性化处理后,在 MATLAB 平台上采用Yalmip编程,并调用Gurobi求解器进行求解.

4 算例分析

4.1 算例数据

以1.1节中构建的IES为分析对象,假定燃煤机组不再上新,即燃煤机组容量为固定值,对风电机组、掺氢燃气轮机、CCS设备、两阶段P2G、储碳罐、储氢罐等设备进行配置.基于西南某地区2019年全年风速数据,通过Elbow法确定最优聚类数目为3,见附录图A1.采用1.3节方法生成了3个典型场景,如图2所示.其中,场景1发生的概率为 0.3315,场景2发生的概率为 0.3671,场景3发生的概率为 0.3014.算例中电、气负荷曲线见附录图A2.天然气价格为2.5元/(N·m3),CO2价格系数取850元/t,煤炭价格为350元/t,采用分时段购电单价,各时段电价见附录表A1.风电机组允许接入最大容量为150 MW,燃气轮机掺氢比为20%.系统中各设备经济、技术参数由文献[24]获得,具体见附录表A2和A3.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同典型日风速

Fig.2   Typical daily wind speed data


4.2 配置结果分析

为充分研究多种灵活性资源联合运行对IES中设备容量、综合成本、风电年发电量等方面的影响,设置4种方案进行对比分析,如表1所示.

表1   4种方案对比

Tab.1  Comparison of four schemes

方案风电
不确定性		CCS与
P2G联合		P2G向掺氢
GT提供H2		P2G向掺氢
GT提供天然气
1否是是是
2是否否是
3是是否是
4是是是是

新窗口打开| 下载CSV


新能源渗透率fnew为新能源发电总量PN与系统电力总需求PL的比值[25]:

$f_{\mathrm{new}}=\sum P_{\mathrm{N}} / \sum P_{\mathrm{L}}$

不同方案下容量配置、各项成本等计算结果如表2和3所示.

表2   不同方案下容量配置结果及新能源渗透率

Tab.2  Capacity configuration and renewable penetration of different schemes

方案容量新能源
渗透率/%
风电机组/MW掺氢燃气
轮机/MW		碳捕集
设备/MW		储碳罐/
(kN·m3)		电解槽/MW甲烷化
设备/MW		储氢罐/
(kN·m3)
1150.00127.241.3912.6182.7715.5676.2834.46
2107.88106, 512.24077.7013.5741.0846.62
3116.9780.271.6015.9975.8016.5568.4448.84
4125.9382.161.7615.5688.6915.5659.5249.42

新窗口打开| 下载CSV


表3   不同方案下各项成本结果及年运行结果

Tab.3  Cost and annual operation results of different schemes

方案投资成本/
万元		运维成本/
万元		置换成本/
万元		环境惩罚/
万元		弃风惩罚/
万元		综合成本/
万元		风电机组
年发电/GW		天然气年购买量/
(MN·m3)		CO2年排放量/
(MN·m3)
1193164176116361544620650780260.93610.54257.44
214569325412443828920738762332.59589.19207.22
31537432989253763240335962357.72591.04190.79
41616434816704806938434802386.12593.92201.73

新窗口打开| 下载CSV


对优化结果进行对比分析:

(1) 对比方案1和方案4的容量配置结果可知,在方案1中,不考虑风电不确定性风电机组的安装容量达到了最大值,且掺氢燃气轮机和储氢罐的安装容量也有所增加.这是因为在典型日1的 1:00—6:00 时间段内,风速较大,风力机出力水平较高,为了充分利用风力资源并减少弃风,系统配置了足够的风电机组和储能设备.然而在该典型日的其他时刻,风速较低且风电波动性较大,风力机出力无法满足系统的用电需求,因此需要增加掺氢燃气轮机来辅助发电.对比方案1和方案4的各项成本及年运行结果可知,由于在方案1中投入了更多的设备,所以其投资成本和运维成本均高于方案4.在方案1中,掺氢燃气轮机发电水平较高,导致天然气年购买量和CO2年排放量增加,进而增加了置换成本和环境惩罚成本,使得综合成本较方案4增加了 15978 万元.在方案1中,风电机组安装容量高于方案4,但是风电机组年发电量和新能源渗透率远低于方案4.因此,综合考虑风电不确定性后的配置结果更具合理性,有助于降低系统设备的冗余.

(2) 对比方案2和方案4的容量配置结果可知,方案2相较于方案4减少了风电机组、电解槽设备、甲烷化设备和储氢罐的安装容量,同时增加了掺氢燃气轮机和CCS设备的安装容量.通过对比方案2和方案4的各项成本及年运行结果可知,在方案2中,投资成本、运维成本及弃风惩罚成本低于方案4,而置换成本、环境惩罚成本和综合成本均高于方案4.这是由于在方案2中不考虑联合运行模式时,P2G设备和掺氢燃气轮机所需的CO2原料和H2原料均通过外购获得,提高了甲烷化设备的H2消纳能力和天然气产量,减少了储氢设备的投入,但增加了系统的置换成本和环境惩罚成本.此外,方案2中掺氢燃气轮机燃料的获取不受系统内部能源限制,系统倾向于配置更多的掺氢燃气轮机和更少的风电机组,导致风电机组年发电量降低,新能源渗透率也下降.由此可知,考虑“CCS-两阶段P2G-储氢罐-掺氢燃气轮机”联合运行模式可以有效提升系统低碳水平和新能源渗透率,并且具有良好的经济效益.

(3) 对比方案3和方案4的容量配置结果可知,方案3相较于方案4,在风电机组和电解槽的安装容量上分别减少了8.96和12.89 MW,而储碳罐和储氢罐的安装容量则分别增加了 8920 和430 N·m3.进一步对比方案3和方案4的各项成本及年运行结果可知,方案3投资成本和运维成本较低,然而弃风惩罚成本和综合成本较方案4分别增加了19万元和 1160 万元.这是因为在方案4中引入了两阶段P2G设备,其第1阶段电解槽产生的H2由甲烷化设备和掺氢燃气轮机共同消耗,不仅提升了系统对风电的消纳能力和系统的新能源渗透率,减少了弃风电量和弃风惩罚成本,而且提高了H2的消纳能力,从而降低了储能需求和购氢成本,进而降低了置换成本.由此可知,CCS、两阶段P2G设备和掺氢燃气轮机联合运行可有效提高综合能源系统的风电消纳能力和新能源渗透率,并带来良好的经济效益.

综上所述,本文提出的优化配置方法较未考虑多灵活性资源联合运行模式(方案2),系统综合成本和环境惩罚成本分别降低了10.22%和2.65%,新能源渗透率提升了6.01%,即考虑“氢能利用和碳捕集设备联合运行”的框架后可有效增强系统风电消纳能力,并提升系统低碳化水平,从而使系统配置更加经济.此外,考虑源侧不确定性后的配置结果更具合理性,有助于降低系统设备的冗余.

4.3 运行结果分析

对方案4在不同典型日内的调度结果进行详细分析,优化调度图如图3~5所示.由图3可知,典型日1、3中,风电波动性较大且风电机组出力水平较低,系统主要电能来源为风电机组和掺氢燃气轮机,火电机组只维持其最低功率保持稳定运行,降低了系统CO2排放量.除了电负荷消纳电能外,电解槽作为灵活性资源通过电解水制氢消耗了大量电能,达到了促进可再生能源消纳的目的.可以发现,典型日1在 1:00—6:00 时有少量弃风产生,但此时掺氢燃气轮机仍维持较高出力水平,这是因为受到系统中各设备灵活性约束的限制,此时段内系统灵活性裕度无法满足净负荷灵活性需求,进而产生了弃风电量.因此,有必要对系统进行配置时考虑灵活性约束.典型日2中,风电机组出力波动性较小且整体出力水平较高,系统主要电能来源为风电机组,7:00—15:00 时间段内风电机组出力较小时,由燃气轮机协助满足电能需求.由图4可知,当风电机组出力较大时,电解槽消耗电能产生H2,并提供给两阶段P2G、掺氢燃气轮机或存储于储氢罐中;甲烷化设备通过消耗H2和CCS捕获的CO2来产生天然气.两阶段P2G设备的引入,极大地增加了可再生能源消纳.由图5可知,碳捕集设备的运行曲线与火电机组的出力曲线一致.CCS与两阶段P2G的联合运行不仅显著提高系统碳减排能力,且减少甲烷化设备原料购买费用,从而提高系统经济效益.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   综合能源系统电力优化调度结果

Fig.3   Optimized power dispatching of integrated energy system


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   综合能源系统H2优化调度结果

Fig.4   Optimized hydrogen dispatching of integrated energy system


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   综合能源系统CO2优化调度结果

Fig.5   Optimized CO2 dispatching of integrated energy system


由于耦合设备的存在,图3~5之间存在关联性.如图3中电解槽、甲烷化设备的耗电曲线与图4中电解槽产氢曲线、甲烷化设备耗氢曲线的变化趋势一致;图4中碳捕集设备捕集到CO2的曲线与图5中碳捕集设备耗电曲线的变化趋势一致;图4中储氢罐内H2体积的变化趋势、图5中储碳罐内CO2体积的变化趋势不仅会受到产气设备运行状况的影响,也与耗气设备的运行状态息息相关.

4.4 掺氢比例影响分析

为分析燃气轮机掺氢比例对系统低碳水平和经济性的影响,掺氢比例从0%上升到20%的过程中,系统CO2年排放量及综合成本变化趋势如图6所示.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   不同掺氢比下的CO2年排放量与综合成本

Fig.6   Annual CO2 emission and comprehensive cost at different hydrogen blending ratios


由图6可知,当燃气轮机掺氢运行时,相对于不掺氢的情况即掺氢比例为0%,系统在部分掺氢比例下呈现出更好的经济性和更低的碳排放量,因此燃气轮机掺氢运行在一定程度上可以提高系统的低碳化水平,并带来经济效益.随着燃气轮机掺氢比例的增大,系统的CO2年排放量和综合成本都呈现出先减小后增大的变化趋势,这是因为CO2年排放量由掺氢燃气轮机排放的CO2和CCS捕集火电机组后残余的CO2共同组成,所以CO2年排放量与掺氢燃气轮机的配置、运行密切相关.在综合成本中,设备投资成本、运维成本及环境惩罚成本的占比较大.相较于其他设备,掺氢燃气轮机的单位投资成本较高,而环境惩罚成本主要为掺氢燃气轮机产生CO2所带来的惩罚成本,因此综合成本的变化也与掺氢燃气轮机的配置、运行相关.由此可知,CO2年排放量和综合成本的变化趋势都与掺氢燃气轮机紧密关联,因此两者的变化趋势基本一致.

燃气轮机掺氢运行后,H2消纳途径增加,电解水设备电能消纳能力提升,从而提高了风力发电机出力水平,减少了燃气轮机和火电机组的出力,进而减少系统CO2排放水平以及燃气轮机和火电机组的运维成本.H2消纳途径的增加,同时降低了储氢设备的需求,使储能设备的投资成本降低.因此燃气轮机掺氢运行后系统CO2排放量和综合成本先呈现出下降趋势.当掺氢比例持续增大时,燃气轮机的氢原料需求增加,使甲烷化设备的氢原料供给不足,降低甲烷化设备的出力水平,导致甲烷化设备CO2消纳量减少,从而使储碳罐配置成本增加、环境惩罚成本增大.此时甲烷化设备出力水平低,其天然气产量减少,使系统资源购置成本增加,即CO2年排放量和系统综合成本均增大.由图6可知,当燃气轮机掺氢比例介于4%~10%之间时,通过系统内部各设备的调度,能够在减少CO2排放量的同时保持经济效益较高的状态.

由此可知,此算例中系统掺氢运行是经济可行的,并且掺氢比例的变化会对系统的低碳性和经济性产生影响.在采用固定掺氢比的情况下,应结合具体情况合理设置掺氢比的大小,以实现经济低碳的配置目标.

5 结论

本文以包含多类型灵活性设备联合运行的IES为研究对象,提出一种IES优化配置方法.在考虑风电出力不确定性基础之上,以总成本最优为目标,综合考虑设备约束、能量平衡约束及系统灵活性约束后对系统中各设备进行优化配置,以提高系统经济性、新能源消纳能力,并降低系统碳排放水平.通过设置不同场景进行对比分析,得出以下结论:

(1) 对实地风速数据进行分析,并应用Elbow法确定最佳场景聚类数目,利用K-means算法获取典型场景,以实现基于数据分析的场景自适应获取.对风电不确定场景进行客观描述,并对系统进行配置,获得的优化配置结果更具合理性,有助于降低系统设备的冗余.

(2) 在综合能源系统中,考虑“CCS-两阶段P2G-储氢罐-掺氢燃汽轮机”等多灵活性设备联合运行后对系统进行优化配置,可以提高系统新能源消纳能力、提升系统的经济效益,并降低系统的碳排放水平.

(3) 在掺氢的安全范围内,燃气轮机的掺氢运行可有效提升系统的经济性和低碳化水平,且掺氢比的变化会对系统经济性和CO2年排放量两项指标产生影响.对于本文构建的IES,当掺氢比例介于4%~10%之间时,系统的低碳性和经济性均能达到较优水平.

附录见本刊网络版(xuebao.sjtu.edu.cn/article/2025/1006-2467/1006-2467-59-7-912.shtml)

参考文献

张倩, 朱新超.

能源绿色低碳转型助推“双碳” 战略实施

[J]. 煤炭经济研究, 2023, 43(1): 17-25.

[本文引用: 1]

从碳排放和能源结构的现实国情出发,阐释能源绿色低碳转型的必要性和迫切性;梳理出绿色发展理念是方向引领、可持续发展理论是理论基础、创新是核心驱动力、统筹协调是机制保障的绿色低碳转型理论逻辑;从财务、环境、社会和治理4个维度,构建基于“环境、社会和治理(ESG)”理念的能源绿色低碳转型能力评价体系;从有为政府和有效市场组合发力、统筹能源安全与绿色低碳发展、增强能源绿色低碳转型内生动力和数字经济赋能绿色低碳转型等方面提出转型路径。

ZHANG Qian, ZHU Xinchao.

Green low-carbon transformation of energy accelerates the strategy of carbon-peak and carbon-neutralization

[J]. Coal Economic Research, 2023, 43(1): 17-25.

[本文引用: 1]

QIU Y B, LI Q, AI Y X, et al.

Two-stage distributionally robust optimization-based coordinated scheduling of integrated energy system with electricity-hydrogen hybrid energy storage

[J]. Protection and Control of Modern Power Systems, 2023, 8(2): 1-14.

[本文引用: 1]

马洲俊, 樊飞龙, 王勇, 等.

基于多源异构数据的配电网故障信息挖掘与诊断

[J]. 供用电, 2018, 35(8): 31-39.

[本文引用: 1]

MA Zhoujun, FAN Feilong, WANG Yong, et al.

Distribution network fault information mining and diagnosis based on multi-source heterogeneous data

[J]. Distribution & Utilization, 2018, 35(8): 31-39.

[本文引用: 1]

FLORES-QUIROZ A, STRUNZ K.

A distributed computing framework for multi-stage stochastic planning of renewable power systems with energy storage as flexibility option

[J]. Applied Energy, 2021, 291: 116736.

[本文引用: 1]

程杉, 徐建宇, 何畅, 等.

计及不确定性的综合能源系统容量规划方法

[J]. 电力系统保护与控制, 2021, 49(18): 17-24.

[本文引用: 1]

CHENG Shan, XU Jianyu, HE Chang, et al.

Optimal capacity planning of an integrated energy system considering uncertainty

[J]. Power System Protection and Control, 2021, 49(18): 17-24.

[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      [本文引用: 1]

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 economy optimization of integrated energy system considering electric vehicle charging mode and multi-energy coupling

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

[本文引用: 1]

李哲, 王成福, 梁军, 等.

计及风电不确定性的电-气-热综合能源系统扩展规划方法

[J]. 电网技术, 2018, 42(11): 3477-3487.

[本文引用: 1]

LI Zhe, WANG Chengfu, LIANG Jun, et al.

Expansion planning method of integrated energy system considering uncertainty of wind power

[J]. Power System Technology, 2018, 42(11): 3477-3487.

[本文引用: 1]

朱海南, 王娟娟, 陈兵兵, 等.

考虑经济性与碳排放的电-气综合能源系统多目标规划

[J]. 上海交通大学学报, 2023, 57(4): 422-431.

DOI:10.16183/j.cnki.jsjtu.2021.513      [本文引用: 2]

为加速电-气系统快速、经济的低碳转型,构建了一种综合考虑经济性成本与碳排放量的电-气综合能源系统多目标随机优化规划模型.首先建立电-气网络与相关设备的数学模型,并运用场景法表征电、气负荷与光伏出力的不确定性.其次建立综合考虑系统经济性成本和碳排放量两个指标的混合整数二次约束规划(MIQCP)模型,对电网馈线、气网管道、变电站、配气站、燃气机组、电转气装置、光伏及储能装置进行统筹规划.最后,构建算例验证模型的可行性及有效性.结果表明:在不同的目标函数权重选择下,模型可以充分考虑电-气网络线路与多种综合能源设备间的耦合关系,获得整体最优的规划方案.

ZHU Hainan, WANG Juanjuan, CHEN Bingbing, et al.

Multi-objective planning of power-gas integrated energy system considering economy and carbon emission

[J]. Journal of Shanghai Jiao Tong University, 2023, 57(4): 422-431.

[本文引用: 2]

ZHANG D D, ZHU H Y, ZHANG H C, et al.

An optimized design of residential integrated energy system considering the power-to-gas technology with multi-functional characteristics

[J]. Energy, 2022, 238: 121774.

[本文引用: 1]

刘天琪, 曾红, 何川, 等.

考虑电转气设备和风电场协同扩建的气电互联综合能源系统规划

[J]. 电力自动化设备, 2019, 39(8): 144-151.

[本文引用: 1]

LIU Tianqi, ZENG Hong, HE Chuan, et al.

Planning of integrated gas and electricity system considering coordinated expansion of power-to-gas facilities and wind farms

[J]. Electric Power Automation Equipment, 2019, 39(8): 144-151.

[本文引用: 1]

张儒峰, 姜涛, 李国庆, 等.

考虑电转气消纳风电的电-气综合能源系统双层优化调度

[J]. 中国电机工程学报, 2018, 38(19): 5668-5678.

[本文引用: 1]

ZHANG Rufeng, JIANG Tao, LI Guoqing, et al.

Bi-level optimization dispatch of integrated electricity-natural gas systems considering P2G for wind power accommodation

[J]. Proceedings of the CSEE, 2018, 38(19): 5668-5678.

[本文引用: 1]

ZHANG G M, WANG W, CHEN Z Y, et al.

Modeling and optimal dispatch of a carbon-cycle integrated energy system for low-carbon and economic operation

[J]. Energy, 2022, 240: 122795.

[本文引用: 1]

袁桂丽, 钟飞, 张睿, 等.

考虑碳捕集及需求响应的虚拟电厂热电联合优化调度

[J]. 电网技术, 2023, 47(11): 4458-4467.

[本文引用: 1]

YUAN Guili, ZHONG Fei, ZHANG Rui, et al.

Combined heat and power scheduling optimization for virtual power plants considering carbon capture and demand response

[J]. Power System Technology, 2023, 47(11): 4458-4467.

[本文引用: 1]

程韧俐, 李江南, 周保荣, 等.

含碳捕集-电转气的风光火储一体化系统优化运行

[J]. 上海交通大学学报, 2024, 58(5): 709-718.

DOI:10.16183/j.cnki.jsjtu.2022.270     

碳捕集、电转气装置能够利用系统富裕新能源捕集火电燃烧所产生的碳排放,并生成燃气,形成碳资源循环利用链.为降低系统碳排放,促进新能源消纳,提升系统运行灵活性,提出含碳捕集-电转气(CC-P2G)的风光火储一体化系统架构,并设计其优化运行模型.重点讨论该架构电能流和碳流的运行特性;考虑配额制下碳排放交易收益,以一体化系统综合效益最大化为目标,综合考虑各类设备运行特性,提出其优化运行模型.算例验证了CC-P2G系统在提升新能源消纳能力和系统运行效益方面的效用.结果表明,CC-P2G系统与碳排放配额交易等市场机制有效配合,能够在降低系统整体碳排放的同时提升运行效益.

CHENG Renli, LI Jiangnan, ZHOU Baorong, et al.

Operation optimization for integrated system of wind-PV-thermal-storage with CC-P2G

[J]. Journal of Shanghai Jiao Tong University, 2024, 58(5): 709-718.

WU Q L, LI C X.

Modeling and operation optimization of hydrogen-based integrated energy system with refined power-to-gas and carbon-capture-storage technologies under carbon trading

[J]. Energy, 2023, 270: 126832.

[本文引用: 1]

田丰, 贾燕冰, 任海泉, 等.

考虑碳捕集系统的综合能源系统“源-荷”低碳经济调度

[J]. 电网技术, 2020, 44(9): 3346-3355.

[本文引用: 1]

TIAN Feng, JIA Yanbing, REN Haiquan, et al.

“Source-load” low-carbon economic dispatch of integrated energy system considering carbon capture system

[J]. Power System Technology, 2020, 44(9): 3346-3355.

[本文引用: 1]

崔耀欣, 刘晓佩, 陈明敏.

F级重型燃气轮机燃烧器天然气掺氢全压试验研究

[J]. 燃气轮机技术, 2021, 34(2): 38-42.

[本文引用: 1]

CUI Yaoxin, LIU Xiaopei, CHEN Mingmin.

Experimental study of natural gas mixed with hydrogen under full pressure of F-class heavy duty gas turbine burner

[J]. Gas Turbine Technology, 2021, 34(2): 38-42.

[本文引用: 1]

马勤勇, 钱白云, 董利江, 等.

掺氢比例对氢混天然气燃气轮机运行特性影响的研究

[J]. 热能动力工程, 2022, 37(9): 41-49.

[本文引用: 1]

MA Qinyong, QIAN Baiyun, DONG Lijiang, et al.

Research on the influence of hydrogen blending ratio on the operation characteristics of hydrogen blended fuel gas turbine

[J]. Journal of Engineering for Thermal Energy and Power, 2022, 37(9): 41-49.

[本文引用: 1]

王开艳, 梁岩, 贾嵘, 等.

不确定环境下基于纳什谈判的含掺氢燃气综合能源多微网两阶段优化调度

[J]. 电网技术, 2023, 47(8): 3141-3159.

[本文引用: 1]

WANG Kaiyan, LIANG Yan, JIA Rong, et al.

Two-stage optimal scheduling of Nash negotiation-based integrated energy multi-microgrids with hydrogen-doped gas under uncertain environment

[J]. Power System Technology, 2023, 47(8): 3141-3159.

[本文引用: 1]

SAMMOUDA R, EL-ZAART A.

An optimized approach for prostate image segmentation using K-means clustering algorithm with elbow method

[J]. Computational Intelligence and Neuroscience, 2021, 2021: 4553832.

[本文引用: 1]

左逢源, 张玉琼, 赵强, 等.

计及源荷不确定性的综合能源生产单元运行调度与容量配置两阶段随机优化

[J]. 中国电机工程学报, 2022, 42(22): 8205-8215.

[本文引用: 1]

ZUO Fengyuan, ZHANG Yuqiong, ZHAO Qiang, et al.

Two-stage stochastic optimization for operation scheduling and capacity allocation of integrated energy production unit considering supply and demand uncertainty

[J]. Proceedings of the CSEE, 2022, 42(22): 8205-8215.

[本文引用: 1]

樊飞龙, 邰能灵, 郑晓冬, 等.

基于前推回代优化算法的社区能源网络有功实时调配策略

[J]. 中国电机工程学报, 2017, 37(14): 4098-4108.

[本文引用: 1]

FAN Feilong, TAI Nengling, ZHENG Xiaodong, et al.

Real-time deployment strategy of the active power in community energy networks based on back/forward optimization algorithm

[J]. Proceedings of the CSEE, 2017, 37(14): 4098-4108.

[本文引用: 1]

宁光涛, 李琳玮, 何礼鹏, 等.

面向绿色海岛微型综合能源系统的储能系统容量规划方法

[J]. 电力自动化设备, 2021, 41(2): 8-15.

[本文引用: 1]

NING Guangtao, LI Linwei, HE Lipeng, et al.

Capacity planning method of energy storage system for micro integrated energy system in environmental friendly islands

[J]. Electric Power Automation Equipment, 2021, 41(2): 8-15.

[本文引用: 1]

孙彩, 李奇, 邱宜彬, 等.

余电上网/制氢方式下微电网系统全生命周期经济性评估

[J]. 电网技术, 2021, 45(12): 4650-4660.

[本文引用: 1]

SUN Cai, LI Qi, QIU Yibin, et al.

Economic evaluation of whole life cycle of the micro-grid system under the mode of residual power connection/hydrogen production

[J]. Power System Technology, 2021, 45(12): 4650-4660.

[本文引用: 1]

杨金海, 武家辉, 王海云, 等.

不同渗透率下多种新能源电力系统动态安全域分析

[J]. 电力建设, 2022, 43(4): 58-68.

DOI:10.12204/j.issn.1000-7229.2022.04.007      [本文引用: 1]

新能源大规模并网会给电力系统的动态安全稳定带来新影响,因此新能源的安全、稳定、高效利用是能源未来的发展方向之一。不同种类的新能源对电力系统的暂态稳定影响各不相同,采用“域”的分析法能够较好地解决这一问题。首先,提出了基于改进的动态差分进化-内点法(dynamic differential evolution-interior point method,DDE-IPM)进行动态安全域构建和分析,该方法与传统方法相比,具有速度快、误差小、准确率高等优点。其次,在DIgSILENT/PowerFactory进行时域仿真,对故障下不同种类新能源、不同渗透率下系统动态安全域进行校验,并分析系统在不同渗透率下的低电压穿越能力,得出以下结论:在系统各新能源渗透率下,系统的动态安全域超平面具有平行的性质且边界距离与新能源的容量增量成正比;新能源的补偿设备对系统的暂态安全性在一定范围内起到支撑作用,系统的动态安全域有所外扩;系统风电机组和光伏电站均满足并网运行的低电压穿越能力。

YANG Jinhai, WU Jiahui, WANG Haiyun, et al.

Dynamic security region analysis of power system under different penetration rate of new energy

[J]. Electric Power Construction, 2022, 43(4): 58-68.

DOI:10.12204/j.issn.1000-7229.2022.04.007      [本文引用: 1]

The large-scale grid-connection of new energy sources will bring new impact on the dynamic safety and stability of the power system, so the safe, stable and efficient utilization of new energy sources is one of the future directions of energy development. Different types of new energy sources have different effects on the transient stability of power systems, and this problem can be better solved by using the “region” analysis method. This paper proposes to construct and analyze the dynamic safety region applying the improved dynamic differential evolution-interior point method (DDE-IPM), which has the advantages of high speed, low error and high accuracy compared with the traditional method. The time-domain simulation in DIgSILENT/PowerFactory calibrates the dynamic safety region of the system under different types of new energy and different penetration rate under fault, and analyzes the low voltage ride-through capability of the system under different penetration rates, and draws the following conclusions: the dynamic safety region hyperplane of the system is parallel in nature and the boundary distance is proportional to the capacity of the new energy under each penetration rate of the system. The compensation equipment of the new energy source supports the transient safety of the system within a certain range, and the dynamic safety region of the system is expanded; both wind power and PV plants of the system have the LVRT capability of grid-connected operation.

/

〈 〉