计及碳交易与需求响应的综合能源系统优化研究

郝浩伟，周博文，张馨文

(1.东北大学电气工程系，辽宁 沈阳 110004；2.国网上海超高压公司，上海 200063)

随着社会发展，能源危机与环境恶化日益严重，因此积极开发利用可再生能源(renewable energy sources, RES)已经成为必然趋势[1]。综合能源系统(integrated energy system, IES)能实现多种能源的协调管理与耦合互补，有效提高RES的利用率[2]。

在国家实现“双碳”目标的背景下，多能流IES已经成为碳减排的重要载体[3]。在文献[4]中，碳交易机制被引入到多能流系统的优化运行中，并且研究了碳价格对系统运行的影响，但是其对于碳交易成本的建模过于简单。文献[5-6]对传统碳交易模型进行了改进，建立了阶梯型碳交易成本模型，但是在对系统中设备碳排放量建模时考虑不够全面，部分设备对系统总碳排放量的影响没有考虑进去，同时也没考虑需求响应对于系统优化运行的作用。

负荷需求响应(load demand response，LDR)通过分时电价或经济激励，充分激发用户侧负荷的灵活性，使得达到削峰填谷的效果[7]。文献[8]将基于时间价格激励的需求响应引入到多能源枢纽的协作运行中。文献[9]通过经济激励的方式去使得用户改变自身用能行为。但是文献[8-9]都对于负荷需求响应的建模过于简单，无法充分发挥需求响应的作用。此外，上述文献均只考虑了单目标优化，存在难以协调多个调度需求的缺陷。

针对上述不足，本文提出了一种综合考虑碳交易与负荷需求响应的IES多目标优化模型。首先，全面考虑了IES中各设备对于碳排放的影响，建立了一种具有奖励系数的奖惩阶梯型碳交易成本模型。然后，按照电热负荷的柔性特性与调度潜力，将负荷详细地分为多种类型，构建了电热负荷综合需求响应模型。然后，建立了以IES运行成本最低和弃风弃光量最少为目标的多目标优化运行模型。最后，通过多方案对比，验证了所提方法的有效性。

1 IES结构和建模

1.1 IES结构

本文中的IES包括风力发电机(wind turbine, WT)、光伏面板(photovoltaic panel, PV)、热电联产单元(combined heat and power，CHP)、燃气锅炉(gas boiler, GB)、电制气单元(power to gas, P2G)、储电装置(energy storage, ES)、储热装置(heat storage, HS)以及用户侧电热负荷。CHP包括微燃机(micro gas turbine, MT)和余热锅炉(heat recovery boiler, HRB)。此外，IES也分别与外部电网及天然气网相连。IES基本结构如图 1 所示。

1.2 储能装置模型

(1)

(2)

因此，ES与HS的输出功率分别可表示为

(3)

(4)

1.3 碳交易成本模型

碳交易机制使得碳排放权能够被买卖，从而达到控制碳排放量的目的。政府首先为企业分配初始的免费碳排放额度。如果企业在实际生产中碳排放量低于碳配额，则可以在碳交易市场上将多余的碳额度进行出售，从而获得一定的收益。如果实际碳排放量超出碳配额，则企业需要额外购买碳额度。本文中的IES碳排放额的初始分配由从外部电网购电、GB和CHP决定。

本文将CHP的发电量转化为等效的产热量，其碳配额根据等效产热量进行计算。系统初始碳排放额可表示为

(5)

系统实际碳排放量由整个能源系统电力和天然气的消耗量决定。同时，考虑到P2G在电-气转换过程中需要CO2作为原料，因此认为P2G运行期间吸收的CO2也参与了碳交易。系统实际碳排放量为

(6)

在传统碳排放交易机制的基础上，本文提出了一种具有奖励系数的奖惩阶梯型碳交易成本模型。

(7)

式中：CCO2为系统的碳交易成本；FCO2为碳交易价格；γ为奖励因子；d为碳排放量间隔长度；ρ为碳交易中每一步的价格增长；Ep为碳减排目标值。

1.4 负荷需求响应模型

本文的负荷需求响应(load demand response，LDR)基于用户侧的负荷特性，将负荷分为不可控负荷(uncontrollable load，UL)与可控负荷(controllable load, CL)，其中CL又可分为时间可转移负荷(time transferable load, TTL)，数量可削减负荷(quantity reducible load, QRL)和能量可替代负荷(energy fungible load，EFL)。

1.4.1 TTL模型

TTL表示用户将能源价格高峰期时的负荷转移至价格低峰期，且调度时期内总负荷不变。根据分时能源价格与初始能源价格之比来构造TTL价格需求弹性矩阵。

(8)

(9)

从而，转移负荷量可表示为

(10)

为保证TTL转移前后其总量不变，应满足以下条件：

(11)

1.4.2 QRL模型

QRL表示通过削减电力峰值时的用电量，从而减少供能压力。QRL价格需求弹性矩阵可表示为对角阵：

(12)

(13)

从而，削减负荷量可表示为

(14)

1.4.3 EFL模型

EFL表示部分负荷可由其他形式的能源代替，本文考虑电热负荷之间可以相互转化。其模型可表示为

(15)

2 IES多目标优化模型

2.1 目标函数

本文分别以IES总运行成本最小与弃风弃光电量最少为目标，建立目标函数。

2.1.1 目标函数1(总运行成本最小)

minf1=Cen+Com+Cpo+CCO2

(16)

式中：f1为总运行成本；Cen为购能成本；Com为设备运维成本；Cpo为污染物处理成本。

a.购能成本

(17)

式中：Cele与Cgas分别为购电与购气价格。

b.设备运维成本

(18)

c.污染物处理成本

系统运行过程中会产生SO2、NOx以及可吸入颗粒物PM2.5等污染物，主要包括从电网购电的污染物排放，CHP发电和GB产热的污染物排放[10]，污染物处理成本可表示为

(19)

式中：φgrid、φMT与φGB分别为购电、CHP发电和GB产热单位功率的污染物治理成本。

2.1.2 目标函数2(弃风弃光量最少)

系统中弃风弃光量由风光预测出力与系统实际消纳风光功率之差表示：

(20)

2.2 约束条件

2.2.1 安全约束

(21)

(22)

(23)

2.2.2 设备运行特性约束

(24)

(25)

(26)

(27)

(28)

(29)

(30)

式中：PMT,max为MT出力的上限;WES,max与WES,min为ES的最大、最小充电容量；PES,max为ES的最大输出功率。

2.3 求解方法

本文采用基于多目标粒子群算法(niche multi-objective particle swarm optimization，NMOPSO)对IES多目标优化模型进行求解[11]。NMOPSO能够快速收敛至Pareto最优解集，同时还能保证解的多样性。

3 算例分析

3.1 数据输入

本文以东北某地区典型日的风光出力和电热负荷为案例仿真输入数据，来验证所提出方法有效性。规定调度周期为24 h，步长为1 h。图2给出了预测电热负荷和风光最大出力数据。图3为分时电价。购气价格为2.83元/m3。在未考虑LDR之前，IES向用户售电的初始电价为0.78元/kWh，售热价格为0.37元/kWh。设TTL、QRL、EFL与UL占总负荷的比例分别为20%、20%、10%与50%。

3.2 仿真结构分析

3.2.1 Pareto最优解

经NMOPSO计算得到的Pareto前沿解如图4所示。

为了得出与最优水平(2个目标函数均为最小)最接近的方案，本文采取TOPSIS法来确定唯一的折中方案。先求出Pareto解集中各解与最优水平的接近指数，接近指数越大，与最优水平越接近。假设运行成本与弃风弃光率有相同的权重，由TOPSIS法决策得到Pareto最优解集中次序前5的解见表1。将次序1的解作为本文IES优化运行的最佳方案。

表1 由决策得到的Pareto集的前5个解

3.2.2 方案对比

为了研究LDR与碳排放模型在IES中的影响，分别针对有无LDR以及不同类型碳排放模型设置了4个方案进行仿真分析。针对各方案下的Pareto前沿解集，都采用TOPSIS法来确定唯一折中方案。

方案1：采用传统的基于统一碳交易成本的模型[12]，但未计及LDR；

方案2：采用传统的基于统一碳交易成本的模型，并且计及LDR；

方案3：采用具有奖励系数的奖惩阶梯型碳交易成本模型，但未计及LDR；

方案4：采用具有奖励系数的奖惩阶梯型碳交易成本模型，并且计及LDR。

仿真结果见表2。方案2、4相比于未考虑 LDR的方案1、3而言，考虑 LDR 的方案中总成本和弃风弃光量都有减少。原因是用户在参与LDR后，主动调整自身电热负荷用能方式，将部分电负荷与热负荷转移到电价热价低峰期，同时削减一定量的电热负荷，并且电热负荷之间能相互替代与转化；用户主动调整自身负荷用能，使得系统可以尽可能多的消纳RES，有效减少弃风弃光量。同时可以看出，相比于采用传统碳交易模型的方案1、2，采用具有奖励系数的奖惩阶梯型碳交易成本模型的方案3、4的碳排放量和碳交易成本都有减少，可知本文所提碳交易模型能严格控制碳排放量与碳成本。综上，充分验证了本文所提方法的有效性。

表2 4种方案的仿真结果

图5为方案4中引入LDR前后用户向IES购电购热的初始电热价与分时电热价,可以看出都发生了显著变化。

图6(a)与图6(b)分别为方案4中用户参与LDR前后电热负荷曲线与对应的各类负荷变化量。可以看出，电热TTL在高能源价格时段将部分负荷转移到低能源价格时段；电热QRL也在高能源价格时段将部分负荷数量进行削减；EFL在高电价时段与低热价时段将部分电负荷转化为热负荷，在低电价时段与高热价时段部分热负荷转化为电负荷。通过LDR的作用，有效地调整了各时段电热负荷量，达到了削峰填谷的作用，使得用户总体日负荷曲线与RES出力之间具有一致性。

图7与图8为方案4中各系统元件的能量调度结果。由图7可知，在用户电负荷需求较小的时期，电负荷需求主要由CHP、WT与PV满足，同时剩余的电量被ES储存；在电负荷需求高峰期，电负荷需求除了由CHP、WT、PV满足外，还需要通过电网购电和ES放电来满足。 由图8可知，用户热负荷需求较小时，热负荷需求主要由CHP与GB产热来满足；用户热需求较大时，热负荷需求除了由CHP与GB产热满足外，还需要通过HS放热来满足。

4 结论

a.在保证IES经济运行的前提下，考虑LDR可以提高RES的利用效率，并且对环境保护也起到了积极作用。

b.与统一碳成本计算模型相比，基于奖惩的阶梯型碳成本计算模型可以显著降低碳排放量和碳交易成本，同时也提高了IES经济性。