零碳视角下电气化码头源网荷储协同优化研究

敦文斌，陈业，王大伟，马晓慧

（1.天津港电力有限公司，天津 300450；2.天津港（集团）有限公司，天津 300450；3.天津大学 电气自动化与信息工程学院，天津 300110）

0 引言

在“双碳”目标的驱动下，能源交通互联互通、深度融合已成为当下港口能源转型的主要趋势。2022 年6 月，国家发展改革委等9 部门联合发布《关于印发“十四五”可再生能源发展规划的通知》，提出到2025 年，可再生能源发电量达3.3 PW·h 左右，能源转型加速向低碳、零碳方向演进［1］，其中，分布式能源开发是当前响应“绿色港口”建设［2］的主要方向，然而，以随机性和间歇性为特征的清洁能源势必会对港口微电网控制带来挑战，应用于码头场景的智能微电网技术日渐受到广泛关注［3-5］。

国内外学者关于“零碳码头”的研究还处于探索起步阶段，主要以建模仿真、纲领展望为主。在建模仿真方面，文献［6］提出全球约有15%的能源消耗用于港口制冷系统，并以英国米尔福德港为例，建立光储仿真模型，论述零碳港口的可行性。文献［7］基于HOMER Pro 软件对希腊米洛斯港口场景进行仿真，并提出通过采用可再生能源与储氢可实现港口零碳排放。文献［8］以最小全生命周期成本、系统网损、功率偏差、电压为目标，建立电-氢混合储能系统，实现零碳园区多目标优化配置。文献［9］通过建立海上风电与多堆氢能系统优化调度模型，并对其优化调度方案进行仿真验证。在纲领展望方面，文献［10］回顾了全球针对海洋空气污染的政策，为“零碳码头”的政策制定提供借鉴。文献［11］提出建设集碳捕集电厂为一体的零碳港口微电网的思路，建立考虑碳交易机制的能源管理模型。文献［12-13］对港口能源侧和交通侧的建模方法进行汇总，并提出港口能源交通融合规划、运行和评估指标体系的发展前景。

综上所述，以零碳为目标的电气化码头已逐渐受到广泛关注，然而在电气化码头“源网荷储”优化协同仿真分析上研究较少。因此，本研究旨在建立以购电费用最小为目标，考虑风光储功率平衡约束、储能充放电功率约束、风光出力约束、负荷约束等条件，构建零碳码头智能微电网源荷储协同优化运行模型，并以天津港C 段码头场景为例进行实证分析。

1 电气化码头“源网荷储”特性分析

电气化码头从“荷侧”实现了能耗转型，将传统的燃油、燃气等直接排放全部更替为对外购买电力的间接排放。同时，通过在码头采用分布式风电和光伏供电，从“源”侧为绿色港口提供电源支撑，并且通过“储”侧调节［14-15］，实现削峰填谷电力平衡。“零碳码头”概念应运而生，当码头实现“源荷储”功率平衡后，不再产生间接碳排放，即码头能源消耗所产生的碳排放总量为零，最终达到就地消纳、零碳排放的目标。具体研究框架如图1所示。

图1 电气化码头源网荷储研究框架Fig.1 Source-grid-load-storage framework of the electrified quay

其中，码头“荷侧”按照可调控灵活性可分为基准负荷、可平移负荷和可转移负荷。基准负荷指调节灵活性差的刚性负荷；可平移负荷为用能时长及电量相对固定且可灵活平移的负荷，如船舶装卸工序调整等负荷［16］；可转移负荷为在单位时间内（如24 h）可进行转移，但用电总量保持不变的负荷，如码头电动集卡［17］或温控负荷等。值得注意的是，负荷的灵活调控除了要响应源侧波动外，还需要满足码头物流侧约束［18-19］。考虑物流侧涉及船舶停靠岸等作业计划，对各部门及船舶公司间实时信息交互要求高，因此本文仅选择电动集卡、交通车、清扫车等电动汽车（EV）作为可转移负荷调控。

2 电气化码头源网荷储优化调度模型

本节旨在建立电气化码头源网荷储数学模型，并从优化运行角度出发，以验证实现码头零碳排放的可行性。

2.1 目标函数

在零碳视角下，以码头对外购电费用最小为目标，从而实现对外购电最小化和风电消纳最大化，即

式中：C为码头从电网购电的费用；Pbuy，t为t时刻电网购电功率；Ce为分时电价；Psell，t为t时刻多余风电上网功率；Cwind为风电上网电价。由于本算例中光伏容量较小，均能就地消纳，在此不考虑其余量上网。

式中：ECO2，T为1 个调度周期T内的碳排放量；αCO2为碳排放系数，按照生态环境部提供的全国电网碳排放因子0.581 0 t CO2/（MW·h）为准［20-21］；It为t时刻是否产生碳排放的示性函数。

2.2 约束条件

2.2.1 功率平衡约束

式中：Pwind，t为t时刻风电功率；PPV，t为t时刻光伏功率；PDis，t为t时刻储能放电功率；Lbase+other，t为t时刻基准负荷与其他可平移和可转移负荷；LEV，t为t时刻EV负荷；PCh，t为t时刻储能充电功率。

2.2.2 购电和售电约束

式中：Pbuy，max为最大购电功率；Psell，max为最大售电功率；Ubuy为向电网购电的状态变量；Usell为向电网售电的状态变量。式（7）表示码头微电网和电网之间最多只有1种状态。

2.2.3 风光出力约束

风光出力采用日前预测功率，按照一定置信容量设置功率上下限。

式中：Pminw，t为t时刻最小风电功率；Pmaxw，t为t时刻最大风电功率；PminPV，t为t时刻最小光伏功率；PmaxPV，t为t时刻最大光伏功率。

2.2.4 储能出力约束

式中：PDis，max为储能放电功率上限；PCh，max为储能充电功率上限；UDis为储能放电状态变量；UCh为储能充电状 态 变 量；SOC，min，t为t时 刻 储 能 最 小 储 存 电 量（SOC）；SOC，max，t为t时刻储能最大SOC；γ为储能的自放电率；ηCh为储能的充电效率；ηDis为储能的放电效率。式（12）表示储能在t时刻最多只有1 种工作状态；式（13）表示在1 个调度周期T内，储能的起始荷电状态与终止状态相同。

2.2.5 可转移负荷约束

式中：ΔPEV，t为t时刻码头EV 的转移功率；ΔPmaxEV，t为t时刻码头EV的最大转移功率。

2.3 模型求解

依据2.1 和2.2 节所建立的电气化码头源网荷储优化调度模型是典型的混合整数线性规划模型，本文采用Matlab 2021a 进行数学建模，并调用Cplex求解器进行优化求解。

3 典型算例分析

3.1 算例参数设置

本算例中采用2 台4.5 MW 的风电机组、0.44 MWp 光伏，设置仿真步长为1 h，所设发电及用电数据均来自码头变电站侧。储能装置选用商业化成熟的电化学储能，按照源测20% 4 h 设计，额定容量为7.2 MW·h，额定功率为1.8 MW，最小SOC 容量设为20%，令γ为0.99，ηCh和ηDis均为0.95，设储能起始SOC 为50%。EV 可转移负荷上限功率设为20%的EV功率最大值。

本算例以天津港C 段码头为例，分时电价和风电上网电价以天津市一般工商业及其他用电的结算电价为准，如图2所示。

图2 分时电价和风电上网电价Fig.2 Time-of-use price and wind power feed-in tariff

3.2 源荷时序分析

通过对码头2022 年6 月逐日风电、光伏发电量和耗电量进行对比分析，码头源荷曲线呈现源近似于荷（如6 月6 日）、源远大于荷（如6 月11 日）、源远小于荷（如6月30日）3种类型，如图3所示。

图3 电气化码头源荷数据曲线Fig.3 Data at source and load end of the electrified quay

3.3 方案设置

依据该码头源荷时序分析结果，为了验证本文提出的模型对电气化码头源荷储协同优化的运行效果，分别对3 个典型日实施3 种运行方案，见表1。

表1 运行方案设计Table 1 Conceptual design of operation

3.4 结果分析与讨论

3.4.1 不同优化方案的运行结果

将3 种方案应用在不同典型日的运行结果，如图4所示，得出结论如下。

图4 3种方案在不同典型日的运行结果Fig.4 Operation results of the three schemes on different typical days

（1）通过优化，以6 月6 日为例，全天风电出力主要集中在00：00 —14：00 之间，储能系统在电价低谷时段进行充电，如05：00，22：00 和23：00；也在源大于荷时段充电，如11：00，13：00 和14：00。EV负荷也随源侧出力大而集中在11：00，12：00，14：00和电价低谷时段21：00。显示储能系统与EV 可转移负荷能随着源侧波动和分时电价进行时序响应。

（2）在分时电价基础上，从电网购电、电池放电和电池充电等指标可以看出，方案1 和方案3 的优化结果近似，说明在当前参数配置下储能调控起主要作用，EV可转移负荷起次要作用。

3.4.2 购电费用对比分析结果

根据目标函数式（1），分别汇总计算出3种方案在不同典型日的购电费用，如图5所示。

图5 3种方案在不同典型日的购电费用Fig.5 Costs of electricity purchase on typical days under three schemes

（1）对于源荷近似（如6 月6 日）而言，3 种优化方案的累计购电费用均有所下降，其中方案3 的降费效果最佳，较原始费用下降了15.34%。

（2）对源远大于荷（如6 月11 日）而言，其累计购电费用均为负值，代表当日实现余电上网盈利，方案1和方案3的售电费用最高，均为1.29万元，较原始售电费用上升了2.63%。

（3）对源远小于荷（如6 月30 日）而言，虽当日风电几乎为零，可调控区间有限，但3种优化方案均实现降费，其中方案3较原始费用下降3.32%。

3.4.3 碳排放对比分析结果

为验证优化方案对码头节能减排的实例效果，按照式（2）汇总计算得出3 种方案下的典型日碳排放，以1 h 为步长进行计算，当t时刻售电功率大于零时，则对应的碳排放记为零；反之将购电电量乘以碳排放因子0.581 0 t CO2/（MW·h），求出3 种方案下典型日的碳排放量，如图6所示。结果表明：

图6 3种方案在不同典型日的碳排放量Fig.6 Carbon emissions on typical days under three schemes

（1）对于源荷近似（如6 月6 日）而言，3 种优化方案的碳排放量均实现下降，其中方案3 为14.21 t CO2，其减排效果最佳，较原始碳排放量下降了9.78%。

（2）对源远大于荷（如6 月11 日）而言，虽然当日累计售电费用高于购电费用，但结合图4 和图5可知，在当日03：00—06：00期间仍存在向电网购电的情况，由此未能实现严格意义上的零碳排放，3 种方案与原始碳排放量接近，平均值为3.19 t CO2。

（3）对源远小于荷（如6 月30 日）而言，为降低峰时段的购电费用，方案1 和方案3 在电价低谷时购入电量多于方案2，因此碳排放比原始排放略高2.45%。

综上所述，实现码头零碳排放与购电费用最小虽在整体上逻辑自洽，但并非呈现严格的正相关性，在不同典型场景下，是否能实现“零碳”取决于源荷时序特性、分时电价、购售电量等多因素的相互作用。当统计时间维度等核算边界不同时，对应的碳排放量也会发生变化。同时，新能源余量上网必然会产生相应的碳排放折减系数，其抵消量也是实现“零碳排放”的必要手段，在后续的研究中应予以持续关注。

4 结论

本文提出了电气化码头源网荷储协同优化运行策略，通过选取天津港C段码头典型场景，进行方案验证，主要结论如下。

（1）构建电气化码头源网荷储数学模型，采取仅调控储能、仅调控负荷和储荷协同调控方案对不同典型日进行验证，结果表明，储能调控在协同调控中起主导作用。

（2）3 种方案在不同典型日中均能起到降费增收的作用，其中储荷协同调控方案效果最佳。

（3）码头“零碳排放”受源荷时序特性、分时电价、购售电量、核算边界等多因素作用，不与购电费用最小化呈严格的正相关性。