CN114357782A - 一种计及碳源汇作用的综合能源系统优化调度方法 - Google Patents

Abstract

本发明公开了一种计及碳源汇作用的综合能源系统优化调度方法，该方法基于综合能源系统内能源耦合设备碳流和能流过程建立数学模型，并且根据设备模型特征分析设备在系统中的碳源/汇作用，引入生物质能碳捕获及封存技术，提出系统的碳源/汇评价指标体系，在指标体系基础上确定相应激励因子且计算调节费用，据此提出综合能源系统低碳调度模型，并通过深度学习预测出力及DDPG算法训练获得最优策略。本发明所提方法通过细分综合能源系统内碳排放和捕获再利用过程，在降低系统碳排放量同时减少降碳产生的影响，提升了环保效益和维护了经济效益。本发明可广泛应用于综合能源系统的低碳调度。

Description

一种计及碳源汇作用的综合能源系统优化调度方法

技术领域

本发明涉及综合能源系统调度领域，尤其是一种计及碳源汇作用的综合能源系统优化调度方法。

背景技术

随着社会经济的高速发展，人类对能源的需求日益增大，能源短缺与环境问题也由此而生。在此背景下，通过将多种性质各异的能源有机结合在一起，对其生产和转换环节进行协调优化，从而实现能源梯级高效利用和可再生能源大幅消纳的综合能源系统应运而生。综合能源系统的应用可实现多种能源的梯级利用，具有提高能源的利用效率、提高运行经济性和减少环境污染等方面的优势。

近年来，综合能源系统优化运行调度的问题受到了学者的广泛关注，主要有三种研究思路。其一，针对综合能源系统的容量规划与运行问题，考虑电-热-气多种储能设备、分时电价的影响和供需侧的综合能效，以经济效益、环境效益和综合能效等多目标确定系统的最优运行方案；其二，从综合能源系统与电网整体规划角度出发，考虑能源站数量、位置和设备容量配置，提出双层规划优化模型；其三，综合能源系统的全寿命周期确立全阶段规划模型，提出成本最低的规划流程和方法。

为实现“碳达峰”和“碳中和”的目标，能源行业在碳排放中所占比重较大，是节能减排的主力军。为此，学者们逐渐关注系统规划中的碳排放，建立了多种类型的综合能源系统优化模型，将碳排放以交易成本或惩罚因子的形式参与综合能源系统的调度规划。然而，上述关于综合能源系统的日前优化调度的研究仅聚焦系统向外界排放的总碳排放量，而忽略参与系统碳流的设备在系统多目标运行下的不同作用，综合能源系统中设备在参与系统碳排放与碳捕获再利用过程中，存在能量转化和能源互补，因此相关设备也可以参与系统对于新能源的消纳。为了减少碳排放量的目标可能会对其他目标造成过多的影响，仍需进一步研究。

发明内容

为了解决上述问题，本发明提供了一种计及碳源汇作用的综合能源系统优化调度方法。将综合能源系统内的碳流根据设备的碳源和碳流作用分别考虑，避免减碳目标对其他目标产生过多影响，有利于灵活调度设备，充分体现设备在不同目标下的不同作用，并在碳源/汇作用设备间引入生物质能碳捕获及封存技术，增强设备间运行的灵活性。通过提出碳源/汇作用的评价指标，并通过调节成本影响目标函数，在多目标下对设备的调控更灵活，在设备碳源/汇作用的同时兼顾其需求响应作用。应用深度学习对设备出力区间进行预测有利于满足综合能源系统在多维度多目标下对设备数据可靠性与时效性越来越高的要求。最后通过深度强化学习做出较为准确的识别，并做出最优决策，并通过训练，最终减少决策时间，实现在线调控。本发明方法的提出，对新能源系统比重逐渐增大的综合能源系统，在减少系统碳排放量和优化系统碳结构并兼顾系统内新能源消纳的目标下，具有重大的发展前景和应用意义。

为了达到上述目的，本发明是通过以下技术方案来实现的：

本发明是一种计及碳源汇作用的综合能源系统优化调度方法，具体步骤包括：步骤1，针对综合能源系统天然气流-电能流和电能流-热能流的多能流耦合转换特性，并确立各设备碳源/汇作用在系统碳演变过程内的关联关系，引入生物质能碳捕获与封存技术，建立数学模型；

步骤2，依据全系统内各设备碳源/汇作用在系统碳演变过程内的关联关系，提出碳源/汇作用的评价指标，在指标基础上确定相应激励因子并计算调度费用；并考虑多能流耦合下的设备变量关联，提出包含系统全主体的调度架构，并将碳源/汇确定的调度费用引入目标函数中，根据约束条件建立系统低碳运行模型；步骤3：利用分层协调方法对系统模型进行求解；

步骤4：基于设备数学模型，应用深度学习对设备在数据层进行刻画，依据设备间关联约束进行设备出力区间预测，利用深度强化学习的集中训练和分散执行的策略，以先训练后应用的方式，实现对系统内各主体在各周期内的在线调度。

本发明的进一步改进在于：步骤1建立的数学模型具体为：

燃气轮机碳源作用下的分流运行模型：

燃气轮机的总热功率表示为：

式中，t是时间段，

是t时段燃气轮机消耗天然气总热功率，ρ_G是天然气的密度，L_G是天然气的低位热值，V_t ^DGT是t时段天然气消耗体积，Δt是时间步长，

是燃气轮机的总热效率，P_t ^DGT是t时段燃气轮机的发电功率，

是燃气轮机的热电转化效率，

是燃气轮机的供热功率；

燃气轮机的发电功率和供热功率间存在耦合关系，在其电热联供时，两种功率之比为电热比，其物理模型为：

式中，

P_t ^DGT分别是t时段燃气轮机的供热功率、电热比和发电功率；燃气轮机排放CO₂量与发电功率满足：

式中，

是t时段燃气轮机排放气体与消耗天然气转化比率，V_t ^CDGT是t时段燃气轮机产生含CO₂气体体积，V_t ^DGTC是t时段燃气轮机排放CO₂气体体积，

是t时段产生气体中CO₂浓度，η_r是燃气轮机气体循环比例，

是t时段燃气轮机产生CO₂量，

是CO₂的密度；

燃气轮机燃烧室内CO₂浓度小于40％，则燃气轮机产生气体CO₂浓度为：

碳捕获装置CO₂吸收模型：

碳捕获装置碳捕获过程中消耗电功率P_t ^CCS由碳捕获电功率P_t ^cCCS和装置固定电功率P_t ^fCCS之和组成：

式中，P_t ^CCS是t时段碳捕获装置消耗电功率，V_t ^O是t时段碳捕获装置捕获的排放气体体积，

为受捕获量和转换过程影响的用电系数，装置固定电功率P_t ^fCS设为0.1倍P_t ^cCCS。

则根据生态系统碳汇的叶片CO₂吸收过程，提出t时段碳捕获装置低能耗CO₂吸收量

为捕获气体内CO₂量与未吸收量之差，表达式为：

式中，

分别为装置吸收溶液浓度、吸收塔内气压、温度限制下CO₂未吸收效率系数；

生物质能碳捕获及封存：

生物化学过程所示的植物CO₂同化速率为：

式中，V_t ^a是植物CO₂实际同化速率，V_t ⁰是植物吸收CO₂速率，g₀(T)，g₁(T)均为气孔对温度的敏感系数，g₀(T)表示为植物叶片同化速率为0时的气孔导度，

表示为叶片周围的空气湿度，P_t ^a，P_t ^c分别表示叶片内空气与CO₂分压；

CO₂通过植物的同化作用在其内部分配，积累，周转，其最后封存碳量表示为：

式中，

表示植物封存的碳量，R_i表示植物生长和异化作用下产生的CO₂；P2G装置CO₂再利用模型：

P2G产生的天然气体积与再利用的CO₂体积满足：

式中，V_t ^P2G是t时段P2G产生的天然气体积，

是P2G的CO₂转化比率，V_t ^CR表示t时段P2G再利用的CO₂体积，T表示调度时段总数，当P2G不向市场或其他来源获得CO₂，P2G再利用的CO₂量不大于碳捕获装置吸收量；

P2G装置消耗电功率使CO₂重新转化为甲烷，供给天然气网或储气罐从而得以利用，t时段P2G的天然气输出功率

与天然气体积V_t ^P2G满足：

则P2G装置的用电功率P_t ^P2G表示为：

式中，

是t时段P2G电转气的转化效率；

储能罐的模型：

储气罐的充放气动态特性为：

式中，

是t时段储气罐储存的气能，b₁和b₂为0-1变量，b₁＝1或b₂＝1表示储气罐处于充气或放气状态，

是t时段储气罐的天然气存储或输出功率；

蓄热罐散热损失与存储热量相关，热能动态特性表示为：

式中，

是t时段蓄热罐储存的热能，ε是蓄热罐的热损失率，d₁和d₂为0-1变量，d₁＝1或d₂＝1表示蓄热罐处于吸热或放热状态，

是t时段蓄热罐的热功率；

蓄电池在充放电和储存电能过程存在电损耗，其充放电动态特性表示为：

式中，

是t时段蓄电池储存的电能，a₁和a₂为0-1变量，a₁＝1或a₂＝1表示蓄电池处于充电或放电状态，P_t ^ES是t时段蓄电池的充放电功率，

分别是蓄电池的充、放电效率，δ是蓄电池的自放电率。

本发明的进一步改进在于：步骤2具体步骤如下：

步骤2.1，提出碳源控制指标

和碳汇监测指标

其中，P_t ^DGT，P_t ^PV，P_t ^WT分别为燃气轮机，光伏，风电发出电功率；P_t ^P2G，P_t ^CCS，P_t ^ES，P_t ^EHB分别为P2G装置，碳捕获装置，蓄电池，电热锅炉消耗电功率；

步骤2.2，计算调度费用；

由指标确立的调度费用为：

式中，

为t时段碳源设备的碳排放调节费用，f_si,t为t时段碳捕获装置的碳汇调节费用，c^SR表示该碳源设备碳排放的单位成本，c^SI表示碳汇装置吸收CO₂单位体积的激励价格；

步骤2.3，将步骤2.2计算的调度费用引入目标函数中，根据约束条件建立系统低碳运行模型，具体为：

气能流网络优化目标函数：

式中，f₁为天然气网络主要运行费用，T为日前优化调度时段总数，c^GD为系统向外部气网购买单位体积天然气的成本，

为燃气轮机用气运行维护成本，c^P2G为P2G供应单位体积天然气的成本，c^GS为储气罐充放气运行维护成本，

为t时段外部天然气网的天然气输出功率；

忽略设备内部天然气损耗，则t时段系统从外部气网、储气罐和P2G获得的天然气供应量与提供给燃气C轮机和用气负荷的天然气需求量V_t ^PLG满足平衡：

ρ_GV_t ^GD+ρ_GV_t ^GS+ρ_G(b₁V_t ^P2G-b₂V_t ^P2G)＝ρ_GV_t ^DGT+ρ_GV_t ^PLG

转化为天然气输入输出功率的平衡约束条件：

式中，

为用气负荷的天然气输出功率；

各设备运行约束条件：

式中，G_i,t、

分别为综合能源系统各设备i在t时段天然气运行功率及其最小值和最大值；

气能流管道阀门压力差约束条件：

式中，

分别为气能流管道对应各设备i阀门压力差的最小值和最大值，

为各设备i在t时段天然气流量，μ为流量系数(由阀门确定)，

为管道面积；

储气罐容量约束条件：

式中，

分别为气能最小值和最大值；

电-热能流网络优化目标函数：

式中，f₂表示电-热能流网络运行费用，f_e指光伏、风电、燃气轮机、蓄电池、碳捕获和P2G的电能调度运行费用，f_h指电热锅炉和蓄热罐热能调度运行费用，f_sr是碳排放调节费用，f_si是碳汇调节费用，c^PV、c^WT、c^DGT、c^CCS、c^P2G分别为t时段光伏、风电、燃气轮机、碳捕获和P2G的单位发电成本，

为蓄电池充放电运行成本，

分别为电热锅炉和蓄热罐的单位储放热运行成本。P_t ^PV、P_t ^WT分别为t时段光伏、风电的发电功率；

忽略设备内部电能损耗，则t时段系统电能平衡关系为：

P_t ^PV+P_t ^WT+P_t ^DGT+a₁P_t ^ES-a₂P_t ^ES＝P_t ^PLE+P_t ^CCS+P_t ^P2G+P_t ^EHB

式中，P_t ^PLE为用电负荷值；

忽略设备内部热损耗，则t时段系统燃气轮机、电热锅炉与蓄热罐的供热量和用热负荷的需求量满足平衡：

式中，

为用热负荷需求值。

各设备运行约束条件的限值约束：

式中，P_i,t,H_i,t分别为该优化过程中t时段不同设备i的电功率和热功率，

分别为t时段这些设备运行功率的最小值和最大值。同时，这些设备运行满足约束条件；

热能流管道阀门压力差约束条件：

式中，

分别为热能流管道对应各设备i阀门压力差的最小值和最大值，ρ_Q为热水密度，

为各设备i在t时段热水流量；

热能流管道温度约束条件：

式中，T_i ^min,T_i ^max分别为热能流管道对应各设备i管道温度的最小值和最大值，H_i,t为各设备i在t时段热功率，C为水的比热容，T₀为水的初始温度；

蓄电池、蓄热罐容量约束条件：

式中，

分别为蓄电池、蓄热罐储能的最小值和最大值。

本发明的进一步改进在于：步骤3具体为：

步骤3.1，优化下层子系统调度问题；

根据综合能源系统内风力发电、光伏发电、储能设备和多种能源负荷日前调度初始预测值，对网络约束条件采用Lagrange松弛策略后，建立气能流网络的增广目标函数：

其中，λ_v是气能流网络的Lagrange乘子向量，σ_v是其惩罚因子，R_v1(x_v)、R_vi(x_v))分别是气能流网络的等式约束和不等式约束，i＝2,…,m；

建立电-热能流网络的增广目标函数：

其中，λ_e是电-热能流网络的Lagrange乘子向量，σ_e是其惩罚因子，R_e1(x_e)、R_e2(x_e)、R_ei(x_e)分别是电能流网络、热能流网络的等式约束和不等式约束，j＝3,…,l；求解下层气能流网络和电-热能流网络各自优化问题后，优化解记为

步骤3.2，优化上层总体问题：

将各网络优化结果反馈给上层进行总体Lagrange乘子优化修正，建立上层系统的对偶优化问题：

求解上层对偶优化问题时，采用梯度法更新未知量λ_v,λ_e:

步骤3.3，检验收敛条件：

求解下层子问题和上层总体对偶问题，通过上下层计算过程交替迭代进行系统优化，直到找到全局优化解；

设置终止条件为：

若φ_k≤ε，ε＞0为控制误差，则停止迭代，由于对偶间隙的存在，所得解为原问题全局优化的可行解。

本发明的有益效果是：(1)本发明所述将碳源/汇作用的指标转化为影响模型目标函数的调度成本，并依据所得模型进行求解，据此所得的调度方案在一定程度上会减少燃气轮机和增加碳捕获装置和P2G装置的运行功率，并在生物质能碳捕获及封存技术的需求作用下增强各设备运行方式的灵活性，在各能源的储能设备进行有效的能源互补维持系统稳定运行，整体上减少了系统的碳排放，提高其环境效益。

(2)本发明所提的一种计及碳源汇作用的综合能源系统优化调度方法，在采用相关调度成本引入综合能源系统优化调度模型时，因为当前时刻碳源控制、碳汇监测指标的约束，在一定程度上优化当前时刻碳源/汇结构比例，在碳捕获装置满足需求响应作用同时减少系统的碳排放，提升综合能源系统在新能源出力下的稳定性，同时预防了出现不顾系统运行成本的小概率场景。在满足综合能源系统运行的要求下，有效减少了综合能源系统运行碳排放量和排放速率，提高了系统的环保效用。

附图说明

图1为本发明实施流程图。

图2为综合能源系统基本结构示意图；

图3为综合能源系统调度模型求解流程图；

图4为多种场景下的系统碳排放量对比图。

图5为多种场景下的系统碳捕获装置运行对比图。

具体实施方式

为了使本发明的目的、技术方案以及创新点更加清晰，下面结合附图以及具体实施例对本发明进行详细描述。

本发明是一种计及碳源汇作用的综合能源系统优化调度方法，建立考虑设备在综合能源系统内的多能源耦合特性和在碳流内作用的数学模型，依据设备的数学模型提出系统的关于碳源/汇的评价指标，通过相关激励因子计算调节费用，将其引入系统低碳运行调度模型的目标函数，并利用深度强化学习对模型集中训练并提出分散调度的可行策略。

以气-电-热综合能源系统为例，如图2所示，该系统主要由风力发电系统、光伏发电系统、燃气轮机发电系统、碳捕获装置、电转气装置(P2G)、电热锅炉、多种能源储能设备(蓄电池、蓄热罐和储气罐)以及系统内用户多种能源负荷(用电负荷、用热负荷和用气负荷)构成。系统与天然气网和电网相连，进行天然气与电能的交互。具体步骤如下：

步骤1，针对综合能源系统天然气流-电能流和电能流-热能流的多能流耦合转换特性，并确立各设备碳源/汇作用在系统碳演变过程内的关联关系，引入生物质能碳捕获与封存技术，建立数学模型；

步骤2，依据全系统内各设备碳源/汇作用在系统碳演变过程内的关联关系，提出碳源/汇作用的评价指标，在指标基础上确定相应激励因子并计算调度费用，并考虑多能流耦合下的设备变量关联，提出包含系统全主体的调度架构，并将碳源/汇确定的调度费用引入目标函数中，根据约束条件建立系统低碳运行模型；

步骤3：利用分层协调方法对系统模型进行求解；

步骤4：基于设备数学模型，应用深度学习对设备在数据层进行刻画，依据设备间关联约束进行设备出力区间预测，利用深度强化学习的集中训练和分散执行的策略，以先训练后应用的方式，实现对系统内各主体在各周期内的在线调度。

步骤1建立的模型如下：

具体模型如下：

1)燃气轮机碳源作用下的分流运行模型。

燃气轮机将气能转化为电能和热能，其完全燃烧天然气产生热功率

与天然气消耗体积V_t ^DGT满足：

式中，t是时间段，

是t时段燃气轮机消耗天然气总热功率，ρ_G是天然气的密度，L_G是天然气的低位热值，V_t ^DGT是t时段天然气消耗体积，Δt是时间步长。

则燃气轮机的总热功率表示为：

式中，

是燃气轮机的总热效率，P_t ^DGT是t时段燃气轮机的发电功率，

是燃气轮机的热电转化效率，

是燃气轮机的供热功率。

燃气轮机的发电功率和供热功率间存在耦合关系，在其电热联供时，两种功率之比为电热比，其物理模型为：

式中，

P_t ^DGT分别是t时段燃气轮机的供热功率、电热比和发电功率。

燃气轮机作为主要碳源设备，输出电能和热能的同时，会产生大量CO₂浓度较高的温室气体，其产生含CO₂气体体积与天然气消耗体积之间满足：

式中，

是t时段燃气轮机排放气体与消耗天然气转化比率，V_t ^CDGT是t时段燃气轮机产生含CO₂气体体积。

此时燃气轮机排放CO₂体积包括产生CO₂体积与再循环排放气体中CO₂体积：

式中，V_t ^DGTC是t时段燃气轮机排放CO₂气体体积。

是t时段产生气体中CO₂浓度，η_r是燃气轮机气体循环比例。

由上式可得，燃气轮机排放CO₂量与发电功率满足：

式中，

是t时段燃气轮机产生CO₂量，

是CO₂的密度。

同时，燃气轮机燃烧室内CO₂浓度应尽量小于40％，减少污染物的生成,则燃气轮机产生气体CO₂浓度应满足：

2)碳捕获装置CO₂吸收模型。

碳捕获装置碳捕获过程中消耗电功率P_t ^CCS由碳捕获电功率P_t ^cCCS和装置固定电功率P_t ^fCCS之和组成：

式中，P_t ^CCS是t时段碳捕获装置消耗电功率，V_t ^O是t时段碳捕获装置捕获的排放气体体积，

为受捕获量和转换过程影响的用电系数，装置固定电功率P_t ^fCS设为0.1倍P_t ^cCCS。

则根据生态系统碳汇的叶片CO₂吸收过程，提出t时段碳捕获装置低能耗CO₂吸收量

为捕获气体内CO₂量与未吸收量之差，表达式为：

式中，

分别为装置吸收溶液浓度、吸收塔内气压、温度限制下CO₂未吸收效率系数，该式表明，当排放气体内CO₂占比超过50％有利于碳捕获装置低能耗捕集，当CO₂占比低于50％时，会增加碳捕获装置CO₂吸收难度，而增加能耗。

3)生物质能碳捕获及封存。

植物光合作用取决于光合生物化学过程的CO₂利用效率和通过气孔向叶细胞间隙扩散的C7O₂供应。生物化学过程所示的植物CO₂同化速率为：

式中，V_t ^a是植物CO₂实际同化速率，V_t ⁰是植物吸收CO₂速率，g₀(T)，g₁(T)均为气孔对温度的敏感系数，g₀(T)表示为植物叶片同化速率为0时的气孔导度，

表示为叶片周围的空气湿度，P_t ^a，P_t ^c分别表示叶片内空气与CO₂分压。

CO₂通过植物的同化作用在其内部分配，积累，周转，其最后封存碳量可以表示为：

式中，E_t ^BCS表示植物封存的碳量，R_i表示植物生长和异化作用下产生的CO₂。

生物质能碳捕获及封存的作用主要在于减轻碳捕获装置捕获燃气轮机燃烧运行产生CO₂的要求，使系统内碳源/汇作用的设备存在更灵活的运行方式。

4)P2G装置CO₂再利用模型。

碳捕获装置捕集的CO₂可作为P2G装置原材料，如附录图a所示。P2G产生的天然气体积与再利用的CO₂体积满足：

式中，V_t ^P2G是t时段P2G产生的天然气体积，

是P2G的CO₂转化比率，V_t ^CR表示t时段P2G再利用的CO₂体积，T表示调度时段总数。当P2G不向市场或其他来源获得CO₂，P2G再利用的CO₂量不大于碳捕获装置吸收量。

P2G装置消耗电功率使CO₂重新转化为甲烷，供给天然气网或储气罐从而得以利用。t时段P2G的天然气输出功率

与天然气体积V_t ^P2G满足：

则P2G装置的用电功率P_t ^P2G表示为：

式中，

是t时段P2G电转气的转化效率。

5)储能罐的模型。

储气罐的充放气动态特性为：

式中，

是t时段储气罐储存的气能，b₁和b₂为0-1变量，b₁＝1或b₂＝1表示储气罐处于充气或放气状态，

是t时段储气罐的天然气存储或输出功率。

蓄热罐散热损失与存储热量相关，但在保温良好情况下其热损失率很小，热能动态特性可以表示为：

式中，

是t时段蓄热罐储存的热能，ε是蓄热罐的热损失率，d₁和d₂为0-1变量，d₁＝1或d₂＝1表示蓄热罐处于吸热或放热状态，

是t时段蓄热罐的热功率。

蓄电池在充放电和储存电能过程存在电损耗，其充放电动态特性可以表示为：

式中，

是t时段蓄电池储存的电能，a₁和a₂为0-1变量，a₁＝1或a₂＝1表示蓄电池处于充电或放电状态，P_t ^ES是t时段蓄电池的充放电功率，

分别是蓄电池的充、放电效率，δ是蓄电池的自放电率。

步骤2中，在系统内部各设备参数设置基础上随机生成各设备初始值，如表1所示，并确定碳源/汇指标，将其确定的调度费用引入系统运行目标函数；

表1系统内部各设备参数设置表

碳源/汇指标具体为：

1)碳源控制指标。燃气轮机是系统内向大气排放CO₂主要来源，同时，燃气轮机与分布式光伏、风电向整个系统提供电能。为了减少碳排放，促进清洁能源消纳，提出碳源控制指标来衡量碳源设备输出电功率与分布式光伏、风电消纳的比例，提出t时段燃气轮机碳源控制指标

来衡量其碳排放影响：

当此指标数值越小，代表t时段燃气轮机的使用比例越低。当碳源占比越小，整个系统的能源结构也越好。

为了促进碳源降低碳排放量和光伏、风电的消纳，提出将碳源控制指标作为激励因子，计算日前调度t时段碳源设备的碳排放调节费用

式中，c^SR表示该碳源设备碳排放的单位成本。

2)碳汇监测指标。系统内的碳捕获装置主要捕获燃气轮机与部分用气负荷，如化工厂、钢铁厂等产生的CO₂。系统内并不是所有CO₂会进入碳捕获装置的输气管道，而会直接排放到大气，此时只能依靠生态碳汇(如绿化)。因此提出指标

来衡量t时段碳捕获的碳汇影响作用：

当碳汇监测指标数值越小，代表碳捕获装置的捕获效果越好，表明此调度运行方式下碳捕获装置碳汇作用越好。

为了在系统优化调度中激励其碳汇性能，提出将碳汇监测指标作为激励因子，计算t时段碳捕获装置的碳汇调节费用f_si,t：

式中，c^SI表示碳汇装置吸收CO₂单位体积的激励价格。

在步骤2中，将碳源/汇作用评价指标下调度费用引入综合能源系统调度架构，具体为：

1)气能流网络中建立天然气购买费用、燃气轮机、P2G和储气罐运行费用最小的优化目标函数：

式中，f₁为天然气网络主要运行费用，T为日前优化调度时段总数，c^GD为系统向外部气网购买单位体积天然气的成本，

为燃气轮机用气运行维护成本，c^P2G为P2G供应单位体积天然气的成本，c^GS为储气罐充放气运行维护成本，

为t时段外部天然气网的天然气输出功率。

忽略设备内部天然气损耗，则t时段系统从外部气网、储气罐和P2G获得的天然气供应量与提供给燃气C轮机和用气负荷的天然气需求量V_t ^PLG满足平衡：

ρ_GV_t ^GD+ρ_GV_t ^GS+ρ_G(b₁V_t ^P2G-b₂V_t ^P2G)＝ρ_GV_t ^DGT+ρ_GV_t ^PLG

转化为天然气输入输出功率的平衡约束条件：

式中，

为用气负荷的天然气输出功率。

气能流网络优化目标函数中，决策变量为

气能流传输给电-热能流网络的转移变量

通过能源耦合设备燃气轮机能量转化获得。

各设备运行约束条件：

式中，G_i,t、

分别为综合能源系统各设备i在t时段天然气运行功率及其最小值和最大值。

气能流管道阀门压力差约束条件：

式中，

分别为气能流管道对应各设备i阀门压力差的最小值和最大值，

为各设备i在t时段天然气流量，μ为流量系数(由阀门确定)，

为管道面积。

储气罐容量约束条件：

式中，

分别为气能最小值和最大值。

2)电-热能流网络中，碳源设备燃气轮机输出电功率导致碳排放量增加，碳捕获和P2G碳汇设备消耗电功率进行碳吸收。为了促进低碳经济调度，提出计及碳源/汇作用设备的碳排放调节费用f_sr和碳汇调节费用f_si的电-热能流网络优化目标函数：

式中，f₂表示电-热能流网络运行费用，f_e指光伏、风电、燃气轮机、蓄电池、碳捕获和P2G的电能调度运行费用，f_h指电热锅炉和蓄热罐热能调度运行费用，f_sr是碳排放调节费用，f_si是碳汇调节费用。c^PV、c^WT、c^DGT、c^CCS、c^P2G分别为t时段光伏、风电、燃气轮机、碳捕获和P2G的单位发电成本，

为蓄电池充放电运行成本，

分别为电热锅炉和蓄热罐的单位储放热运行成本。P_t ^PV、P_t ^WT分别为t时段光伏、风电的发电功率。

电热能流网络优化目标函数中，t时段决策变量

转移变量为β_e(t)＝{V_t ^DGT,V_t ^CCS,V_t ^P2G}，通过能源耦合设备燃气轮机和P2G的能量转化获得，根据碳排放可通过网络中能耦合源设备转化获得，燃气轮机发电功率P_t ^DGT时所需的V_t ^DGT，碳捕获装置用电功率P_t ^CCS时捕集的CO₂体积

P2G装置用电功率P_t ^P2G时输出的天然气体积V_t ^P2G。

忽略设备内部电能损耗，则t时段系统电能平衡关系为：

P_t ^PV+P_t ^WT+P_t ^DGT+a₁P_t ^ES-a₂P_t ^ES＝P_t ^PLE+P_t ^CCS+P_t ^P2G+P_t ^EHB

式中，P_t ^PLE为用电负荷值。

忽略设备内部热损耗，则t时段系统燃气轮机、电热锅炉与蓄热罐的供热量和用热负荷的需求量满足平衡：

式中，

为用热负荷需求值。

各设备运行约束条件的限值约束：

式中，P_i,t,H_i,t分别为该优化过程中t时段不同设备i的电功率和热功率，

分别为t时段这些设备运行功率的最小值和最大值。同时，这些设备运行满足约束条件。

热能流管道阀门压力差约束条件：

式中，

分别为热能流管道对应各设备i阀门压力差的最小值和最大值，ρ_Q为热水密度，

为各设备i在t时段热水流量。

热能流管道温度约束条件：

式中，T_i ^min,T_i ^max分别为热能流管道对应各设备i管道温度的最小值和最大值，H_i,t为各设备i在t时段热功率，C为水的比热容，T₀为水的初始温度。

蓄电池、蓄热罐容量约束条件：

式中，

分别为蓄电池、蓄热罐储能的最小值和最大值。如图3所示，步骤3为对系统调度问题分层协调求解，具体步骤如下：

1)优化下层子系统调度问题

根据综合能源系统内风力发电、光伏发电、储能设备和多种能源负荷日前调度初始预测值，对网络约束条件采用Lagrange松弛策略后，建立气能流网络的增广目标函数：

其中，λ_v是气能流网络的Lagrange乘子向量，σ_v是其惩罚因子，R_v1(x_v)、R_vi(x_v))分别是气能流网络的等式约束和不等式约束，i＝2,…,m。

建立电-热能流网络的增广目标函数：

其中，λ_e是电-热能流网络的Lagrange乘子向量，σ_e是其惩罚因子，R_e1(x_e)、R_e2(x_e)、R_ei(x_e)分别是电能流网络、热能流网络的等式约束和不等式约束，j＝3,…,l。

求解下层气能流网络和电-热能流网络各自优化问题后，优化解记为

2)优化上层总体问题

将各网络优化结果反馈给上层进行总体Lagrange乘子优化修正，建立上层系统的对偶优化问题：

求解上层对偶优化问题时，采用梯度法更新未知量λ_v,λ_e:

3)检验收敛条件

求解下层子问题和上层总体对偶问题，通过上下层计算过程交替迭代进行系统优化，直到找到全局优化解。

设置终止条件为：

若φ_k≤ε，ε＞0为控制误差，则停止迭代。由于对偶间隙的存在，所得解为原问题全局优化的可行解。

步骤4中应用深度学习对部分设备出力区间进行预测，具体为应用深度学习时将设备间的初始转化变量、当前设备运行状态、关联设备的运行状态设定为数据A层，将设备间转换变量终值设定为数据B层，在通过实测数据进行训练及校正检验后进行应用。并利用深度强化学习的集中训练和分散执行的策略，具体为：

首先，取80％实测数据A、B层交给神经网络学习，待训练收敛。其次，取20％实测数据A层依次输入神经网络，由网络输出B层，再与实测数据B层比较计算差值，设定各个实测设备出力与深度学习预测出力的差异率均小于定值区间即认为网络学习效果良好。如果误差不能满足要求，需采集更多数据样本供其学习。最后，直接使用已训练好的网络，将已知A层数据输入网络，由神经网络给出B层数据。

DeepMind团队将Actor-Critic(A-C)和深度Q学习算法相结合，发展出了DDPG算法。基于DDPG提出改进，按碳源/汇作用属性将系统部分设备分为2类，每类均有其自身A网，对于每一个A网，其输入维度都大幅缩减。2类设备共用一个C网。在个体满足约束、整体满足约束的条件下尽量使目标期望最大。改进DDPG依托AC结构，同时利用策略梯度算法。算法中Actor不再输出每个动作的概率，而是给定一个具体的动作，这更有助于训练时机器在连续动作空间中进行学习。利用连续空间上动作的优势，并将随机性策略改变为确定性策略。

其中，神经网络参数设置如下：Actor网络输入层为N×2的序列，采用pytorch框架搭建模块，隐含层包括2层，神经元数分别为2560和320个，输出层维度为N-1，激活函数采用tanh，损失函数采用均方误差，优化方法采用RMSprop。Critic网络的输入由2部分组成：第1部分是智能体观测的状态；第2部分是智能体相应采取的动作。隐含层包括2层，神经元数分别为2560和320个，输出层神经元个数为1个，表示Critic网络对此状态下采取某动作所获得的Q值。其中除输出层外，其余激活函数均使用tanh，输出层的激活函数为relu。获得Q值后，智能体采用ε-greedy的策略，即有概率1-ε选择π^*(s)＝argmaxQ(s,a)，同时产生随机动作的概率为ε，而产生随机动作的动作值取值服从正态分布，μ＝π^*(s_t|θ)＝a,σ＝[Q(s,a)-argmaxQ(s,a)]²。

在训练过程中，通过A-C把系统中的设备的观测值结合为Critic部分的输入，使得每一个智能体的Critic模块都可以利用所有智能体的观测信息和动作信息来对当前的S做出评价。Actor根据当前的S选择一个a，Critic根据S-a计算一个Q值，作为对Actor动作的反馈。Critic根据估计的Q值和实际的Q值来进行训练，Actor根据Critic的反馈来更新策略。

下面结合具体算例仿真进行计算，部分结果如图4、图5所示。

设立三种场景：S1(不考虑对碳排放进行限制)，S2(考虑单纯对总碳排放量进行惩罚)和S3(计及碳源/汇确定调度权重因子)，通过粒子群算法分别求得三种考虑方式下的调度方案，其中，S1、S2和S3系统运行成本分别为10698.27元、12007.45和11839.49元。S3情况下系统运行成本虽有部分增加但环保效益最佳，且在此场景，通过碳源/汇指标来评估在当前时段下系统内碳源的结构和碳汇的比例，当中午光伏大发时碳源控制指标约束减小，作为需求响应的可控设备总体功率提升，碳汇检测指标做出约束以提高碳捕获装置功率所占比例，当傍晚时基本用电负荷上升，两个指标约束情况则和中午相反。

本发明所提方法建立考虑设备在综合能源系统内的多能源耦合特性和在碳流内作用的数学模型，依据设备的数学模型提出系统的关于碳源/汇的评价指标，通过相关激励因子计算调节费用，将其引入系统低碳运行调度模型的目标函数，并利用深度强化学习对模型集中训练并提出分散调度的可行策略。避免减碳目标对其他目标产生过多影响，有利于灵活调度设备，充分体现设备在不同目标下的不同作用，在减少系统碳排放量和优化系统碳结构并兼顾系统内新能源消纳的方面，具有重大的发展前景和应用意义。

以上所述仅是本发明的优选实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以优选实施例论述如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本实用发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种计及碳源汇作用的综合能源系统优化调度方法，其特征在于：包括以下步骤：

步骤1，针对综合能源系统天然气流-电能流和电能流-热能流的多能流耦合转换特性，并确立各设备碳源/汇作用在系统碳演变过程内的关联关系，引入生物质能碳捕获与封存技术，建立数学模型；

步骤2，依据全系统内各设备碳源/汇作用在系统碳演变过程内的关联关系，提出碳源/汇作用的评价指标，在指标基础上确定相应激励因子并计算调度费用；并考虑多能流耦合下的设备变量关联，提出包含系统全主体的调度架构，并将碳源/汇确定的调度费用引入目标函数中，根据约束条件建立系统低碳运行模型；

步骤3：利用分层协调方法对系统模型进行求解；

步骤4：基于设备数学模型，应用深度学习对设备在数据层进行刻画，依据设备间关联约束进行设备出力区间预测，利用深度强化学习的集中训练和分散执行的策略，以先训练后应用的方式，实现对系统内各主体在各周期内的在线调度。

2.根据权利要求1所述一种计及碳源汇作用的综合能源系统优化调度方法，其特征在于：步骤1建立的数学模型具体为：

燃气轮机碳源作用下的分流运行模型：

燃气轮机的总热功率表示为：

式中，t是时间段，

是t时段燃气轮机消耗天然气总热功率，ρ_G是天然气的密度，L_G是天然气的低位热值，V_t ^DGT是t时段天然气消耗体积，Δt是时间步长，

是燃气轮机的总热效率，P_t ^DGT是t时段燃气轮机的发电功率，

是燃气轮机的热电转化效率，

是燃气轮机的供热功率；

燃气轮机的发电功率和供热功率间存在耦合关系，在其电热联供时，两种功率之比为电热比，其物理模型为：

式中，

P_t ^DGT分别是t时段燃气轮机的供热功率、电热比和发电功率；燃气轮机排放CO₂量与发电功率满足：

式中，

是t时段燃气轮机排放气体与消耗天然气转化比率，V_t ^CDGT是t时段燃气轮机产生含CO₂气体体积，V_t ^DGTC是t时段燃气轮机排放CO₂气体体积，

是t时段产生气体中CO₂浓度，η_r是燃气轮机气体循环比例，

是t时段燃气轮机产生CO₂量，

是CO₂的密度；

燃气轮机燃烧室内CO₂浓度小于40％，则燃气轮机产生气体CO₂浓度为：

碳捕获装置CO₂吸收模型：

碳捕获装置碳捕获过程中消耗电功率P_t ^CCS由碳捕获电功率P_t ^cCCS和装置固定电功率P_t ^fCCS之和组成：

式中，P_t ^CCS是t时段碳捕获装置消耗电功率，V_t ^O是t时段碳捕获装置捕获的排放气体体积，

为受捕获量和转换过程影响的用电系数，装置固定电功率P_t ^fCS设为0.1倍P_t ^cCCS。

则根据生态系统碳汇的叶片CO₂吸收过程，提出t时段碳捕获装置低能耗CO₂吸收量

为捕获气体内CO₂量与未吸收量之差，表达式为：

式中，

分别为装置吸收溶液浓度、吸收塔内气压、温度限制下CO₂未吸收效率系数；

生物质能碳捕获及封存：

生物化学过程所示的植物CO₂同化速率为：

式中，V_t ^a是植物CO₂实际同化速率，V_t ⁰是植物吸收CO₂速率，g₀(T)，g₁(T)均为气孔对温度的敏感系数，g₀(T)表示为植物叶片同化速率为0时的气孔导度，

表示为叶片周围的空气湿度，P_t ^a，P_t ^c分别表示叶片内空气与CO₂分压；

CO₂通过植物的同化作用在其内部分配，积累，周转，其最后封存碳量表示为：

式中，

表示植物封存的碳量，R_i表示植物生长和异化作用下产生的CO₂；

P2G装置CO₂再利用模型：

P2G产生的天然气体积与再利用的CO₂体积满足：

式中，V_t ^P2G是t时段P2G产生的天然气体积，

是P2G的CO₂转化比率，V_t ^CR表示t时段P2G再利用的CO₂体积，T表示调度时段总数，当P2G不向市场或其他来源获得CO₂，P2G再利用的CO₂量不大于碳捕获装置吸收量；

P2G装置消耗电功率使CO₂重新转化为甲烷，供给天然气网或储气罐从而得以利用，t时段P2G的天然气输出功率

与天然气体积V_t ^P2G满足：

则P2G装置的用电功率P_t ^P2G表示为：

式中，

是t时段P2G电转气的转化效率；

储能罐的模型：

储气罐的充放气动态特性为：

式中，

是t时段储气罐储存的气能，b₁和b₂为0-1变量，b₁＝1或b₂＝1表示储气罐处于充气或放气状态，

是t时段储气罐的天然气存储或输出功率；

蓄热罐散热损失与存储热量相关，热能动态特性表示为：

式中，

是t时段蓄热罐储存的热能，ε是蓄热罐的热损失率，d₁和d₂为0-1变量，d₁＝1或d₂＝1表示蓄热罐处于吸热或放热状态，

是t时段蓄热罐的热功率；

蓄电池在充放电和储存电能过程存在电损耗，其充放电动态特性表示为：

式中，

是t时段蓄电池储存的电能，a₁和a₂为0-1变量，a₁＝1或a₂＝1表示蓄电池处于充电或放电状态，P_t ^ES是t时段蓄电池的充放电功率，

分别是蓄电池的充、放电效率，δ是蓄电池的自放电率。

3.根据权利要求2所述一种计及碳源汇作用的综合能源系统优化调度方法，其特征在于：步骤2具体步骤如下：

步骤2.1，提出碳源控制指标

和碳汇监测指标

其中，P_t ^DGT，P_t ^PV，P_t ^WT分别为燃气轮机，光伏，风电发出电功率；P_t ^P2G，P_t ^CCS，P_t ^ES，P_t ^EHB分别为P2G装置，碳捕获装置，蓄电池，电热锅炉消耗电功率；

步骤2.2，计算调度费用；

由指标确立的调度费用为：

式中，

为t时段碳源设备的碳排放调节费用，f_si,t为t时段碳捕获装置的碳汇调节费用，c^SR表示该碳源设备碳排放的单位成本，c^SI表示碳汇装置吸收CO₂单位体积的激励价格；

步骤2.3，将步骤2.2计算的调度费用引入目标函数中，根据约束条件建立系统低碳运行模型，具体为：

气能流网络优化目标函数：

式中，f₁为天然气网络主要运行费用，T为日前优化调度时段总数，c^GD为系统向外部气网购买单位体积天然气的成本，

为燃气轮机用气运行维护成本，c^P2G为P2G供应单位体积天然气的成本，c^GS为储气罐充放气运行维护成本，

为t时段外部天然气网的天然气输出功率；

忽略设备内部天然气损耗，则t时段系统从外部气网、储气罐和P2G获得的天然气供应量与提供给燃气C轮机和用气负荷的天然气需求量V_t ^PLG满足平衡：

ρ_GV_t ^GD+ρ_GV_t ^GS+ρ_G(b₁V_t ^P2G-b₂V_t ^P2G)＝ρ_GV_t ^DGT+ρ_GV_t ^PLG

转化为天然气输入输出功率的平衡约束条件：

式中，

为用气负荷的天然气输出功率；

各设备运行约束条件：

式中，G_i,t、

分别为综合能源系统各设备i在t时段天然气运行功率及其最小值和最大值；

气能流管道阀门压力差约束条件：

式中，

分别为气能流管道对应各设备i阀门压力差的最小值和最大值，

为各设备i在t时段天然气流量，μ为流量系数(由阀门确定)，

为管道面积；

储气罐容量约束条件：

式中，

分别为气能最小值和最大值；

电-热能流网络优化目标函数：

式中，f₂表示电-热能流网络运行费用，f_e指光伏、风电、燃气轮机、蓄电池、碳捕获和P2G的电能调度运行费用，f_h指电热锅炉和蓄热罐热能调度运行费用，f_sr是碳排放调节费用，f_si是碳汇调节费用，c^PV、c^WT、c^DGT、c^CCS、c^P2G分别为t时段光伏、风电、燃气轮机、碳捕获和P2G的单位发电成本，

为蓄电池充放电运行成本，

c_t ^QS分别为电热锅炉和蓄热罐的单位储放热运行成本。P_t ^PV、P_t ^WT分别为t时段光伏、风电的发电功率；

忽略设备内部电能损耗，则t时段系统电能平衡关系为：

P_t ^PV+P_t ^WT+P_t ^DGT+a₁P_t ^ES-a₂P_t ^ES＝P_t ^PLE+P_t ^CCS+P_t ^P2G+P_t ^EHB

式中，P_t ^PLE为用电负荷值；

忽略设备内部热损耗，则t时段系统燃气轮机、电热锅炉与蓄热罐的供热量和用热负荷的需求量满足平衡：

式中，

为用热负荷需求值。

各设备运行约束条件的限值约束：

式中，P_i,t,H_i,t分别为该优化过程中t时段不同设备i的电功率和热功率，

分别为t时段这些设备运行功率的最小值和最大值。同时，这些设备运行满足约束条件；

热能流管道阀门压力差约束条件：

式中，

分别为热能流管道对应各设备i阀门压力差的最小值和最大值，ρ_Q为热水密度，

为各设备i在t时段热水流量；

热能流管道温度约束条件：

式中，T_i ^min,T_i ^max分别为热能流管道对应各设备i管道温度的最小值和最大值，H_i,t为各设备i在t时段热功率，C为水的比热容，T₀为水的初始温度；

蓄电池、蓄热罐容量约束条件：

式中，

分别为蓄电池、蓄热罐储能的最小值和最大值。

4.根据权利要求1所述一种计及碳源汇作用的综合能源系统优化调度方法，其特征在于：步骤3具体为：

步骤3.1，优化下层子系统调度问题；

根据综合能源系统内风力发电、光伏发电、储能设备和多种能源负荷日前调度初始预测值，对网络约束条件采用Lagrange松弛策略后，建立气能流网络的增广目标函数：

其中，λ_v是气能流网络的Lagrange乘子向量，σ_v是其惩罚因子，R_v1(x_v)、R_vi(x_v))分别是气能流网络的等式约束和不等式约束，i＝2,…,m；

建立电-热能流网络的增广目标函数：

其中，λ_e是电-热能流网络的Lagrange乘子向量，σ_e是其惩罚因子，R_e1(x_e)、R_e2(x_e)、R_ei(x_e)分别是电能流网络、热能流网络的等式约束和不等式约束，j＝3,…,l；

求解下层气能流网络和电-热能流网络各自优化问题后，优化解记为

步骤3.2，优化上层总体问题：

将各网络优化结果反馈给上层进行总体Lagrange乘子优化修正，建立上层系统的对偶优化问题：

求解上层对偶优化问题时，采用梯度法更新未知量λ_v,λ_e:

步骤3.3，检验收敛条件：

求解下层子问题和上层总体对偶问题，通过上下层计算过程交替迭代进行系统优化，直到找到全局优化解；

设置终止条件为：

若φ_k≤ε，ε＞0为控制误差，则停止迭代，由于对偶间隙的存在，所得解为原问题全局优化的可行解。

5.根据权利要求1所述一种计及碳源汇作用的综合能源系统优化调度方法，其特征在于：在步骤3中，应用深度学习时将设备间的初始转化变量、当前设备运行状态、关联设备的运行状态设定为数据A层，将设备间转换变量终值设定为数据B层，在通过实测数据进行训练及校正检验后进行应用，取80％实测数据A、B层交给神经网络学习，待训练收敛，取20％实测数据A层依次输入神经网络，由网络输出B层，再与实测数据B层比较计算差值，设定各个实测设备出力与深度学习预测出力的差异率均小于定值区间即认为网络学习效果良好，如果误差不能满足要求，需采集更多数据样本供其学习，直接使用已训练好的网络，将已知A层数据输入网络，由神经网络给出B层数据。

Images