碳交易机制下光热电站参与的综合能源系统配置与优化运行研究*

曾贤强 张 奕 王晓兰

(1.兰州理工大学电气工程与信息工程学院 兰州 730050；2.兰州理工大学甘肃省工业过程先进控制重点实验室 兰州 730050；3.兰州理工大学电气与控制工程国家级实验教学示范中心 兰州 730050)

1 引言

关于全球经济发展与节能降耗多项政策的矛盾日益激化，我国“双碳”战略目标达成的重要途径在于能源结构的转型，构建以新能源为主体的新型电力系统，以促进新能源利用效率，保障用能供应[1]。随着能源低碳化的发展目标及新能源发电的比重提高，传统“自给自足”的能源系统形式在应对该趋势已显得日渐乏力，电力系统正寻求适应性更全面的发展方式。考虑上述问题，区域综合能源系统(Regional integrated energy system，RIES)基于以往常规电力系统，发展建立了新式的能源体系且具有更高效复杂的组成结构、供能方式以及用能特点等，往往可以整合多种能源供给方式以达到协同优化运行的目标，满足荷侧的多元化能量需求，有助于实现系统中能源综合利用，提高新能源消纳水平[2-3]。因此，利用RIES 是助力低碳发展的有效途径之一。

可再生能源具有可缓解能源需求、污染小等优点，但大规模接入电网和负荷用能特性的多样化常存在随机性、波动性等因素限制系统安全运行，对此，传统确定性优化方法已不再适用。如何充分地处理多重不确定性以进行RIES 优化配置与调度为当前亟需研究的热点。随机规划[4-5]和鲁棒优化(Robust optimization，RO)[6-9]是处理不确定性优化问题的两种主要方法，也有研究综合二者考虑[10]。实际系统经常波动频繁，不确定性因素较多，RO 有别于随机规划的大量数据分布统计，通过不确定性变量的可行域即可实现仅追求极端情况下的运行最优方案[11]。考虑以上因素，选择RO 是破解RIES中新能源出力不确定性优化的有效方式，基于鲁棒性分析虽有最优经济的求解结果但相对保守，为此有关学者引入不确定性调节参数来有效规避RO 求解时的问题[12]。

光热(Concentrating solar power，CSP)电站获得了较多学者的关注，现多考虑用于RIES 调度，作为“新型发电形式”可充分利用其内部储热装置实现能流间经济互补运行[13]。建立RIES 不是单纯考虑能源的供给，而需要在复杂系统的运行中合理考虑CSP 电站的运行特性，并与多种可再生能源设备出力相配合，共同应对实际系统中存在的波动性，也是提高RIES 新能源消纳能力的关键要点[14-15]。另外，为便于引入CSP机组参与系统运行，对文献[16]中CSP 电站模型内部可看成三个部分来作出简化分析，即电能转换装置、热能转换装置和储热装置。

在“双碳”目标的大环境下，为保障负荷用能需求，应充分利用碳交易机制。由于较多研究通过购能所产生的碳交易费用来支撑系统环境效益，或仅计及系统内热电联产设备碳排放成本的计算以发挥绿色减排理念[17-19]。因此，多数文献存在着对系统总碳排放成本计算不全面、较简单等问题。针对RIES 低碳运行应考虑对整个能源供应环节中各主要设备的碳排放量计算，更有助于减排环保[20]。为此，本文建立了较为完整的系统碳交易成本计算，更利于当前RIES 的调度趋势。

本文引入碳交易机制，构建了含CSP 参与的能量枢纽(Energy hub，EH)，在考虑新能源出力和负荷需求不确性的基础上，建立了基于两阶段鲁棒优化的RIES 低碳经济优化规划-运行模型，对比分析以最恶劣场景下不同不确定性参数的模型运行成本以及不同不确定波动比例下各设备配置成本，通过算例验证了该模型的低碳性、经济性与鲁棒性。

2 CSP 参与的RIES 基本架构

2.1 能量枢纽数学模型

针对含CSP 电站并实现多能转换的RIES 优化调整结构进行研究，其结构如图1 所示。其内部能源转换装置由冷热电联产装置(Combined cooling，heating and power，CCHP)、风电(Wind turbine，WT)、光伏(Photovoltaic，PV)、电制冷机(Electric chiller，EC)、CSP 电站、电转气装置(Power to gas，ptg)、燃气锅炉(Gas boiler，GB)及储能装置构成。能源输入主要从外部网络购电、购气进入EH，再依靠各类能源转换设备运行发出气、电、热、冷四种能源，以此满足能源输出侧的负荷需求。

图1 区域综合能源系统结构

EH 能量流动关系可以表示为

式中，L为负荷矩阵；C为耦合系数阵；P为能量输入阵；ES为储能功率矩阵。

能量输入阵P具体为

式中，Pe为总进电量；Vgas为总进气量；Pcsph为CSP热出力；Pwt、Ppv分别为WT、PV 出力；Pcspe为CSP电出力；Pebuy为购电量；Vgbuy为购气量；ηptg和Pptg分别为ptg 转化效率和耗电量；Hgas为天然气热值；Pfd-csp为CSP 光场收集的热能；ηcsp-tes为光场存入CSP 储热装置的效率；ηtes-e和ηtes-h分别为CSP 中储热系统的热-电转化效率和热-热转化效率。

考虑系统的各个能源转换设备和储能装置功率矩阵ES后，将式(2)扩展获得新的耦合矩阵

式中，Le、Lcold、Lheat、Lgas分别为用户电、冷、热、气能需求；α、β、γ为输入能源给机组的分配系数，且α、β、γ∈[0,1]；ηcchp-e、ηcchp-c、ηcchp-h分别为CCHP由天然气制电、冷、热能效率；ηGB为GB 的供热效率；ηec为EC 的制冷效率；Pes-e、Pes-c、Pes-h分别为储电、储冷、储热设备的充放功率。

2.2 碳交易机制模型

碳交易机制是将碳排放权充当碳交易市场中的商品并以价格成本来督促系统积极减排环保。我国正迈向发展阶段，常规采用基于基准线法以无偿分配的原则为系统提供碳排放配额。

2.2.1 CCHP 碳交易成本

式中，fcchp-pl、fcchp-pe分别为CCHP 碳排量、碳配额；B为碳排放设备数量；T为一个调度周期，取24 h；λc为包括燃气轮机、余热锅炉和吸收式制冷机等碳排设备的碳排放系数；为t时刻碳排设备c的输出功率；εe和εh分别为机组电、热功率碳排放配额单位系数；Pcchp-e和Pcchp-h分别为t时刻CCHP 的电出力和热出力。

2.2.2 购电碳排放量

式中，Fbuy表示单位购电量碳排放因子。

2.2.3 可再生能源设备碳交易成本

因为WT、PV 和CSP 在运行时均属于无碳排放设备，即碳排量为0，则相应的碳交易成本为

式中，φ为单位电量碳交易配额。

2.2.4 ptg 碳交易成本

式中，λCP为碳排放交易价格；Pptg为t时段ptg 所消耗的电能；eptg表示单位电能可消耗CO2的量；ep表示单位电能对应的ptg 碳排放额[18]。

ptg 能与新能源设备一同参与出售碳排放权来获得收益，则这类设备碳交易成本为负值。

2.2.5 RIES 总碳交易成本

式中，CT为RIES 总碳交易成本；fi-pl为机组i的碳排放量；fi-pe为机组i的碳配额。

3 两阶段鲁棒优化模型

3.1 目标函数

模型由两阶段的经济性目标函数构成，第一阶段目标函数为系统各装置的规划投资成本最小化，第二阶段目标函数为最严重场景下的综合调度费用，即系统与外网交互的购电、气能费用、设备的运维费用及碳交易成本。

式中，Cin为系统设备的总购置成本；Cyw为最严重场景的运行费用，包括系统的能源消耗成本、各设备的运行维护费用以及碳交易成本；Ccchp、CGB、Cec、Cptg、Ccold、Cheat、Ce分别为CCHP、GB、EC、ptg 以及各储能设备的单位投资成本；Scchp、SGB、Sec、Sptg、Scold、Sheat、Se分别为相应设备的配置容量；本文将全年分为过渡季(d)、夏季(s)、冬季(w)三类季节；cebuy、cgbuy分别为单位购电、购气价格；Pj,ebuy、Pj,gbuy分别为单位购买的电力、气能；cpv、cwt、cec、cGB、cptg、ccchp、ccsp、ces分别为对应设备的单位运维价格系数；Pj,EC、Pj,GB、Pj,cchp分别为j类典型季节下EC、GB、CCHP 的功率。

3.2 约束条件

针对本文模型的约束条件应有以下3 大类。

3.2.1 能量平衡约束

能量平衡约束需要同时满足式(3)和如下约束

3.2.2 出力设备约束

式中，为机组i的运行标志；和分别为机组i的功率下、上限。具体形式可参考文献[6]。

3.2.3 储能约束

式中，ψ为储冷、储热、储电三类储能设备；和分别为ψ类储能充放功率；和分别为ψ类充放能状态标志；和分别为ψ类储能的充放能效率；Sψ为ψ类储能的容量；为ψ类储能t时刻所含能量，且要求一个调度周期内储能始末时刻容量相等。

3.3 不确定性表征

考虑RIES 运行存在诸多随机因素，本文不确定参数的主要体现为供能侧WT、PV 和CSP 出力，多能负荷需求不确定性，采用不确定集合表征方法，描述以区间形式所示[12]

式中，ures,t和ul,t分别为不确定性变量风光出力、CSP 出力和多能负荷需求的值；、分别为相应预测值；、分别为相应的最大预测误差。

为了更准确衡量不确定参数并使得优化求解方案具有灵活可调整性，引入以下约束

式中，ГRES和ГL分别为供能侧能源输出功率和多能负荷功率的可调参数。

4 求解算法

对于由式(10)的两阶段经济目标的鲁棒优化模型，求解方法可采用列与约束生成(Column and constraint generation，C&CG)算法。

将式(10)的问题整理，得到下述的矩阵形式

式中，x为第一阶段中设备容量的向量；新能源、负荷的不确定变量u和第二级决策中的y为优化向量；c、d为目标函数中的系数矩阵；A、D、F、G为不等式约束的系数矩阵，E、J为等式约束的系数矩阵；a、h、g、f为对应约束的常数列向量。

因子问题存在max-min 的形式无法直接运算，须通过拉格朗日对偶理论转化为max 问题，再引入big-M 法等价处理模型中的双线性项，得到形式

式中，α、γ、χ、ω为对偶变量；uR、uL、upre分别为不确定参数的最大、最小以及预测值；ω+、ω-为ω的正、负值；为辅助变量，用于约束不确定参数取值区间；Г为可调鲁棒参数，包括ГRES和ГL。本文算法流程图如图2 所示。

图2 算法流程图

5 算例分析

5.1 基础数据

光热电站的初期建设要求较高，且对于光资源收集和利用需要一定的空间与成本。本文选取的案例背景为我国西北地区的某一大型工业园区，主要包含风力发电、光伏发电、CSP 等多种能源耦合，并具有电、冷、热、气负荷形式的EH，系统内主要设备出力参数如表1 所示。

表1 RIES 设备出力参数及取值

本文对文献[18]中的算例作一定改进，将一年划分成三类季节下典型日进行仿真分析。设定不确定性调节参数ГRES、ГL分别取6、12，同时风光、CSP 出力以及多能负荷的波动范围在±10%。三类典型日下可再生能源出力与负荷预测值如图3 所示。天然气价格为3 元/m3，采用分时电价如图4 所示。其中，各储能装置单位投资成本为150 元/kW，单位运维成本为0.05 元/kW。各设备的相关计算参数及经济参数见表2 及表3。基于CPLEX 求解器对本文模型进行优化求解。

表2 设备的计算参数

表3 设备的经济参数

图3 可再生能源出力与负荷预测值

图4 分时电价

5.2 仿真结果分析

如图5 所示，本文在各季典型日中，以夏季典型日为例分析系统优化调度结果。由图5a 可知，夜间时段，电负荷主要由WT 来提供，并通过ptg 消纳富余电能；在分时电价机制下，利用储电装置“低储高发”来减少购电成本；7～19 时段，优先由储电装置结合新能源设备出力供电，其余从CCHP 发电和购电来补充。通过图5b 可知，冷需求主要由EC 满足；3～4、7、23 时段储冷装置在电价谷时吸收部分冷能，而在15～16、20 时段补充EC 和CCHP的缺额功率以保证负荷的需要。由图5c 可知，在用热较少的夏季，热能主要由CCHP、CSP 以及内置储热装置供给；由于未加设储气装置，即ptg 转化出的天然气主要提供给GB 产热并由CSP 内储热装置吸收，因此储热装置大多夜间时段进行充热，在用能高峰时段放热。综上，储能装置的使用可改善能源时空分布，解耦了以往机组存在“以热定电”的问题。

图5 夏季典型日下机组优化调度情况

5.3 碳交易机制下RIES 经济性分析

为研究碳交易机制对RIES 优化运行的影响，本文考虑全年设备的碳交易费用如表4 所示。购电和CCHP 所产生的总碳交易成本约为733.87 万元；而无碳排放设备全年的总碳交易成本收益约为674.77 万元。其中CSP 约占40.1%，可知引入CSP有着较好的环境效益，还弥补了部分运维费用；并且在RIES 内加入多类新能源设备具有很好的减碳作用，同时也可保证系统的经济性。

表4 RIES 内设备的全年碳交易费用

5.4 不确定性参数对运行结果的影响

为考虑使RIES 有一定灵活性，在夏季典型日下分析设定3 组不同参数的仿真场景进行阐述，参数大小及优化模型的运行费用如表5 所示。

表5 3 组参数下RIES 的运行费用

由表5 可得出，总运行成本与不确定性参数呈正相关。当考虑越多的不确定性，运行方案愈保守，则经济性变差，运行成本提高主要是系统向外部购电、购气功率的增加，但增速却渐缓，如本文模型较ГRES=12，ГL=24 时调度成本低28 714.26 元。这是因为模型在考虑“最恶劣”情况下已能灵活应对所有来自不确定性的影响，且对可再生能源消纳有更好的效果。因此，若要避免在RIES 优化调度方案会出现高额运行成本和保守性，需要充分考虑不同参数设置的有效影响。

5.5 不同波动场景下对系统配置的影响

系统配置的制定方案以过渡季典型日的所受影响，考虑在风光出力、CSP 出力、负荷、电价下的多类型因素下选定波动比例区间，得出在满足低碳经济目标下各不确定因素产生的系统配置方案并分析对其影响大小。

5.5.1 单一不确定性对系统设备配置的影响

如图6 所示，分析单一不确定性因素波动偏差对RIES 规划方案的影响，分别设置波动比例为0%、±5%、±10%、±15%下的仿真场景。当图6a 中风光出力变化较低水平时，ptg 与储热装置容量相较于未设置波动达10%以上增幅且CCHP 接近5%，其余机组无明显波动；随着波动持续上升，ptg 容量也进一步提高以吸收更多电能，其余设备容量有部分变化；直至波动范围最高，除EC 外，其余机组容量的变化率均超过15%。这是由于风光出力波动影响能源侧的输入，系统将依赖更可靠的气网来应对。图6b 中，CSP 储热装置出力波动陆续增加，但系统整体设备容量不太敏感，可以忽略不计，说明本文方案具备一定鲁棒性。当图6c 所设±5%负荷波动比例时，因CCHP 内部的燃气轮机等装置存在启停时间不能频繁关停，需要扩大储能容量配合出力变化，因此导致前期CCHP、GB、ptg、各储能装置的容量变化较大；面临逐步增加的波动将依靠GB、ptg 这类较为灵活的能源转换设备代替其满足用能变化需求。图6d 中，整体设备的容量几乎未受电价因素影响，可能是该EH 的输入以燃气机组及CSP 等新能源设备为核心，考虑了能源互补的替代作用。

图6 单一波动场景下RIES 配置方案

5.5.2 多重不确定性对RIES 设备配置的影响

同时将第5.5.1 节内单一不确定性因素综合考虑，对于系统的配置方案在承受多重不确定性因素的影响情况。从图7 可知，分析RIES 机组配置所受综合不确定性时，当设定波动比例在±10%以内，GB、EC、CCHP、储电装置均有较大幅度波动，说明系统为减轻综合不确定性的影响，主动加强与外部市场的实时互动。最严重的波动场景下受系统供需平衡和低碳成本约束的影响迫使各机组容量趋于稳定。这表明共同作用下各设备需要充分的配置方案以承受多重不确定性因素的影响，但随着多重波动范围扩大，系统经济配置目标也仍能满足。此时相较于单一情况下证明了RIES 在一定波动范围内存在机组的互补运行，提高能源综合利用能力。

图7 多重波动场景下RIES 配置方案

6 结论

本文基于两阶段鲁棒优化方法，建立了碳交易机制下考虑可再生能源出力和负荷不确定性的优化模型，构建了计及光热电站的RIES 鲁棒优化配置与运行模型。通过算例分析，得到以下结论。

(1) 本文的双层优化配置方法在不确定性因素上考虑了源侧和荷侧，通过对不同波动场景设定下优化模型的运行费用结果进行比较分析，反映了实际系统中可能存在的多个波动偏差对未来规划配置的影响程度。

(2) 光热电站参与可减弱热电耦合程度，其供热、供电方式对促进可再生能源的消纳具有积极作用；考虑碳交易机制下的RIES 对碳排放量进行一定的限制作用，而无碳排放设备的收益同时降低了系统综合运行成本，兼顾了经济性和环保性。