CN114519456A - 一种绿色农业零碳供能系统及其智能配置分层优化算法 - Google Patents

一种绿色农业零碳供能系统及其智能配置分层优化算法 Download PDF

Info

Publication number
CN114519456A
CN114519456A CN202210041177.0A CN202210041177A CN114519456A CN 114519456 A CN114519456 A CN 114519456A CN 202210041177 A CN202210041177 A CN 202210041177A CN 114519456 A CN114519456 A CN 114519456A
Authority
CN
China
Prior art keywords
carbon
methane
equipment
carbon dioxide
dry reforming
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210041177.0A
Other languages
English (en)
Other versions
CN114519456B (zh
Inventor
杨礼华
邱婕
邱若菡
陈显浩
吴啸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202210041177.0A priority Critical patent/CN114519456B/zh
Publication of CN114519456A publication Critical patent/CN114519456A/zh
Application granted granted Critical
Publication of CN114519456B publication Critical patent/CN114519456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
    • H02S10/12—Hybrid wind-PV energy systems
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • H02S10/20—Systems characterised by their energy storage means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种在未来高可再生能源接入的能源系统格局下，一种绿色农业零碳供能系统及其智能配置分层优化的方法。通过接入直接空气碳捕集系统，实现区域农业场所CO2排放的完全吸收，并通过甲烷‑二氧化碳干重整、微藻固碳抵消区域农业生产生活过程以CO2、CH4为主的含碳排放，更好地缓解温室效应。为保证系统零碳、经济、稳定运行，研究一种智能的系统配置分层优化算法，上层综合考虑经济、零碳指标，确定系统最优结构和各装置的最佳容量；下层结合可再生出力和农业用户的负荷需求，优化系统中各装置的最佳协同出力，从而支撑系统稳定、可靠、经济与零碳运行。

Description

一种绿色农业零碳供能系统及其智能配置分层优化算法
技术领域
本发明涉及一种绿色农业零碳供能系统及其智能配置分层优化技术,属于低碳能源技术领域。
背景技术
全球气候变暖而造成环境异常的问题，收到当今国际社会的广泛关注，因人类活动而导致的二氧化碳排放已被认定为全球气候变暖的主要原因。由于农地利用过程中农业生产资料的投入、农业能源的消耗以及畜牧养殖产生的大量碳排放，我国农业碳排放已占全国碳排放总量的17％，因此，在农业生产生活中加入负碳排环节具有指导性意义。
二氧化碳和甲烷为农业含碳排放的重要组成部分。由于农业生产生活场所具有生物密度大、碳排放呈点源分布式的特点，考虑到直接空气碳捕集技术 (DAC)能够补偿生产、生活中难以脱碳环节的碳排放，是实现净零排放与负排放的必要手段，因此，将直接空气碳捕集技术应用于农业碳减排过程，从空气中直接捕捉CO2，从而抵消农业生产生活中的CO2排放量，实现低碳农业。由于农业生产生活过程中产生的沼气是碳排放的重要组成部分，其主要包括CO2和甲烷，甲烷-二氧化碳干重整工艺(DRM)以甲烷和二氧化碳为原料生产合成气，产物中CO/H2约为1，可用于下游生产高附加值产品，因此，将DRM工艺引入农业生产生活，协同DAC技术实现农业生产生活碳排放的完全消纳。由于农业生产生活过程中不可避免地排放含有大量氮、磷元素的废水，考虑到藻类植物能够吸收水体中的氮、磷元素转化为自身的生物质并具备一定的固碳量，因此，将微藻应用于农业生产生活过程，处理一定量的农业生产生活污水并消纳一定的农业碳排放，实现绿色农业。
近年来，我国可再生能源装机容量逐步增加，逐渐成为未来可再生能源的发展趋势。综合能源系统因其多元供能、就地消纳可再生能源等优势，被认为是推进能源系统低碳转型的关键技术。将可再生能源应用于绿色农业系统，由可再生能源满足上层零碳、经济的目标以及下层用户电、热供需平衡的关系有利于推动绿色农业的建设。
因此，为实现绿色、零碳的农业生产生活过程，开发一种绿色农业零碳供能系统很有必要。针对整体系统设备种类多、特性差异大、电-热-碳多能耦合以及可再生能源出力间歇波动与不确定性的特点，为保证该系统的灵活运行，提出一种绿色农业零碳供能系统的智能配置分层优化算法很有必要。
发明内容
技术问题：
本发明所要解决的技术问题在于，提出一种绿色农业零碳供能系统，以及适用于该系统的智能配置分层优化的算法，绿色农业零碳供能系统运行过程中能够抵消区域农业生产生活过程以CO2、CH4为主的含碳排放，智能配置分层优化的算法能够保证系统零碳、经济、稳定运行。
技术方案：
本发明公开了一种基于绿色农业的零碳供能系统，
包括微藻系统，沼气池，电池储能设备，可再生能源，电锅炉设备，甲烷- 二氧化碳干重整设备，直接空气碳捕集设备，用户和畜牧养殖场；
所述直接空气碳捕集设备捕集空气中的CO2的，将CO2送入甲烷-二氧化碳干重整设备以及微藻系统实现CO2的完全消纳；
所述可再生能源驱动直接空气碳捕集设备以及甲烷-二氧化碳干重整设备，并满足农业区域居民电、热能源需求；
甲烷-二氧化碳干重整设备与所述直接空气碳捕集设备协同运作，结合具备一定固碳能力的微藻，实现对农业沼气池中CH4的完全消纳；
所述电池储能设备在可再生能源产出力高峰期，储存多余的电能，在可再生能源产出力较弱时，释放电能；
所述电锅炉设备为系统及用户提供热能源需求；
所述畜牧养殖场的养殖废弃物于沼气池中分解反应，生成的CO2和CH4送入甲烷-二氧化碳干重整设备，实现CH4的完全消纳；
所述畜牧养殖场的养殖废水送入微藻系统，实现农业养殖废水的低污处理，所述低污处理后的净水提供给甲烷-二氧化碳干重整设备用于冷却。
本发明还公开了一种绿色农业零碳供能系统的智能配置分层优化的算法，包括构建DAC静态模型、微藻固碳能力模型、甲烷-二氧化碳干重整设备模型以及可再生能源出力模型，设定整体系统优化指标，在约束条件下,对绿色农业零碳供能系统进行整体配置分层优化；
所述整体配置分层优化上层综合考虑经济、零碳指标，确定系统最优结构和各装置的最佳容量；下层结合可再生出力和农业用户的负荷需求，优化系统中各装置的最佳协同出力，从而保证系统零碳、经济、稳定运行。
进一步的，所述DAC静态模型，以CO2产量为输入变量，直接空气碳捕集设备电耗、热耗为输出变量:
Figure BDA0003470282440000031
Figure BDA0003470282440000032
式中，PDAC,E[kWh]为DAC电耗，HDAC,t[kWh]为DAC系统热耗，
Figure BDA0003470282440000033
为DAC 系统的CO2小时产量；a[kWh/kg]为捕集单位质量CO2电耗系数；b[kWh/kg]为捕集单位质量CO2热耗系数；
微藻固碳能力模型：
Figure BDA0003470282440000034
式中，
Figure BDA0003470282440000035
表示微藻的小时固碳量，即每小时微藻将外源CO2转化为生物质的质量(每小时藻液能固定的CO2质量)；ξMA[kg/(kg·h)]表示微藻固碳模型 CO2固定系数；mMA[kg]表示微藻的质量。
甲烷-二氧化碳干重整设备模型：
Figure BDA0003470282440000036
Figure BDA0003470282440000037
Figure BDA0003470282440000038
Figure BDA0003470282440000039
其中，PDRM,t[kW]为甲烷-二氧化碳干重整设备电耗；HDRM,t[kW]为甲烷-二氧化碳干重整设备热耗；
Figure BDA00034702824400000310
为甲烷-二氧化碳干重整设备每小时CH4输入量；
Figure BDA00034702824400000311
为甲烷-二氧化碳干重整设备每小时H2产量；mCO,t为甲烷-二氧化碳干重整设备每小时CO产量；
所述可再生能源出力模型，包括风力发电系统、光伏发电系统，其出力模型式为：
Figure BDA00034702824400000312
Figure BDA00034702824400000313
式中，Pt Wind[kW]为t时刻风机预测输出功率；Uhub,t[m/s]为t时刻风机轮毂高度处的预测风速；a，b，c，d为拟合系数，vci[m/s]，vr[m/s]，vco[m/s]分别为风机的切入速度、额定风速与切出速度；
Pt PV[kW]表示时刻光伏发电机组的输出功率；YPV[kW]是光伏发电机组的额定容量，表示标准测试条件下的输出功率，所述标准测试条件为：光照辐射强度为1kW/m2，温度为298K，无风；fPV为光伏降额因子；GT[Kw/m2]为当前时间步长的太阳辐照强度；GT,STC[[Kw/m2]为标准测试条件下的太阳辐照强度，通常取1；αP[％/K]为光伏电池板的功率温度系数；Tc[K]为当前时间步长的光伏电池温度； Tc,STC[K]为标准测试条件下的光伏电池温度。
进一步的，所述系统整体优化指标为：min Mtotal＝Minf+Mom
其中，Mtotal为总成本，Minf[￥]为初始投资成本，Mom[￥]为运行维护成本。
其中，所述初始投资成本Minf为：
Figure BDA0003470282440000041
其中，k表示第k个设备；K为综合能源系统中总的设备数量；Cinfk[￥/kWh] 为第k个设备单位容量的初始投资成本系数；Pcap,k[kWh]为第k个设备的额定容量；
Figure BDA0003470282440000042
为直接空气碳捕捉设备年化投资成本；Qcap[tCO2·a]为直接空气碳捕捉设备年捕集CO2产量；
Figure BDA0003470282440000043
为甲烷-二氧化碳干重整设备年化投资成本；QDMR[tCH4·a]为甲烷-二氧化碳干重整设备年输入甲烷量；R 为投资回报率；y为设备服役年限；r为银行利率；
所述运行维护成本为：
Figure BDA0003470282440000044
其中，Comk[￥/kW]为第k个设备单位功率的运行维护成本系数；
Figure BDA0003470282440000045
为第k 个设备在第t小时的实际运行功率；t表示第t个小时。
进一步的，所述约束条件包括功率平衡约束与设备运行约束；
所述功率平衡约束包括电功率平衡约束与热功率平衡约束；
所述电功率平衡约束：
Figure BDA0003470282440000051
其中，Pt load,E[kW]为用户电负荷；
所述热功率平衡约束：
Figure BDA0003470282440000052
其中，
Figure BDA0003470282440000053
为用户热负荷；
所述设备运行约束包括直接空气碳捕集系统CO2捕集量约束，直接空气碳捕集系统CO2每小时捕集量约束，电锅炉设备输入电量上下限约束，电池储能容量上下限约束，电池储能充放电功率约束，电池储能循环利用约束，微藻固碳上下限约束，CO2物料分配约束，甲烷-二氧化碳干重整设备CH4物料输入约束以及甲烷-二氧化碳干重整设备CH4处理量约束。
进一步的，用于实现农业区域生产生活碳排放的完全捕集，所述直接空气碳捕集系统CO2捕集量约束为：
Figure BDA0003470282440000054
其中，
Figure BDA0003470282440000055
为区域年CO2排放总量(不包括沼气中的CO2)，该碳排放总量是固定值；Dwinter为冬季日数；
Figure BDA0003470282440000056
为春秋季日数；Dsummer为夏季日数；
所述直接空气碳捕集系统每小时捕集量约束约束为：
Figure BDA0003470282440000057
式中，
Figure BDA0003470282440000058
为直接空气碳捕集设备每小时额定容量；
所述电锅炉设备输入电量上下限约束为：
Figure BDA0003470282440000059
式中，
Figure BDA00034702824400000510
和
Figure BDA00034702824400000511
分别为电锅炉设备输入电量下限与上限。
进一步的，所述电池储能容量上下限约束为：
Figure BDA00034702824400000512
式中，
Figure BDA00034702824400000513
和
Figure BDA00034702824400000514
分别为电池储能设备容量下限和上限；
所述电池储能充放电功率约束为：
Figure BDA00034702824400000515
Figure BDA0003470282440000061
Figure BDA0003470282440000062
式中，
Figure BDA0003470282440000063
和
Figure BDA0003470282440000064
分别为电池储能设备充电功率的下限和上限；
Figure BDA0003470282440000065
Figure BDA0003470282440000066
和
Figure BDA0003470282440000067
分别为电池储能设备充电功率的下限和上限；
Figure BDA0003470282440000068
和
Figure BDA0003470282440000069
分别表示电池储能设备的充放电状态，为0-1件的变量；
所述电池储能循环利用约束为：
Figure BDA00034702824400000610
所述微藻固碳上下限约束为：
Figure BDA00034702824400000611
式中，
Figure BDA00034702824400000612
为微藻固碳量上限；
所述CO2物料分配约束如式为：
Figure BDA00034702824400000613
式中，DAC设备吸收的CO2全部用于甲烷-二氧化碳干重整设备原料输入以及微藻固碳；
所述甲烷-二氧化碳干重整设备CH4物料输入约束为：
Figure BDA00034702824400000614
式中，
Figure BDA00034702824400000615
为甲烷-二氧化碳干重整设备每小时额定容量；
所述甲烷-二氧化碳干重整设备CH4处理量约束如式为：
Figure BDA00034702824400000616
式中，
Figure BDA00034702824400000617
为区域年CH4排放总量，该CH4排放总量是固定值。
进一步的，所述绿色农业零碳供能系统配置分层优化，包括如下步骤：
步骤一、设定初始参数，包括种群规模、粒子个数、迭代次数、变量约束；种群中的每个粒子都包含待求解的决策输入变量信息，包括直接空气捕捉设备 CO2产量，电锅炉设备输入电量，甲烷-二氧化碳干重整输入CH4质量以及各设备配置容量，每个粒子都是配置优化问题的可行解；
步骤二、将每个粒子送到所构建的系统能耗-产量稳态模型中进行仿真，可以得到相关的输出变量，包括直接空气碳捕集设备要求电耗及热耗，电锅炉设备输出热功率，甲烷-二氧化碳干重整设备要求电耗及热耗等；
基于给定天气数据，用户负荷需求数据及农业碳排放数据，通过系统整体优化指标就可以求解每个粒子的适应度函数，如果粒子违背模型约束，额外的惩罚会添加到适应度函数；
步骤三、在每次迭代过程中，每个粒子更新个体最优值；所有的个体最优值会进行比较来获取全局最优值；在下一次迭代过程中，粒子会根据个体最优经验和全局最优信息以更新他们的速度和位置信息：
Figure BDA0003470282440000071
Figure BDA0003470282440000072
式中，
Figure BDA0003470282440000073
和
Figure BDA0003470282440000074
分别为第i个粒子在第k次迭代过程中的速度和位置；c1和 c2分别为个体学习因子和社会学习因子；
Figure BDA0003470282440000075
为个体最优值；pg为全局最优值。
步骤四、当迭代满足终止条件时，即达到最大迭代次数或者最小适应度函数，粒子群算法将停止优化，最终全局最优的粒子将会被挑选出作为最合适的解。
有益效果：
1.本发明设计了一种绿色农业零碳供能系统，该系统包括可再生供能单元，即以风、光为代表的完全绿色的可再生能源、储能单元，即电池储能设备、空气碳捕集单元，即捕集空气中的CO2的直接空气碳捕集(DAC)设备、污水处理单元，即微藻、CO2资源化利用单元，即甲烷-二氧化碳干重整设备；该系统依托可再生能源完全供能，满足区域农业场所用户电-热需求，实现区域农业 CO2排放的完全吸收，进而甲烷-二氧化碳干重整设备，实现农业碳排放的完全消纳，实现农业污水的处理、二氧化碳的资源化利用并产生一定的经济效益；
2.在此基础上研发了一种智能的零碳能源系统分层优化配置方法，以保证系统零碳、经济、稳定运行；其中，优化算法上层综合考虑系统经济与零碳目标，确定系统最优结构和各装置的最佳容量；下层结合典型场景下可再生出力和农业用户的电热负荷需求，优化系统中各装置的最佳协同出力，保证系统稳定供能。采用粒子群算法进行系统的智能优化配置求解；
3.通过所提系统配置分层优化算法，能够充分发挥系统中直接空气碳捕集设备、电锅炉设备、甲烷-二氧化碳干重整设备、电池储能设备灵活运行特性；
在用户电、热需求较高时，上述灵活运行设备能够降低自身用能负荷以优先满足用户用能需求；
在用户电、热需求较低时，上述灵活运行设备能自由提高自身用能负荷以满足区域农业生产生活的日CO2、CH4减排需求并消纳可再生能源。
附图说明
图1为本发明中绿色农业零碳供能系统的整体结构示意图；
图2为本发明中绿色农业零碳供能系统的智能配置分层优化算法示意图；
图3为本发明中江苏某农业地区用户电、热需求折线图；
图4为本发明中绿色农业零碳供能系统容量配置的最优容量示意图；
图5为本发明中粒子群算法应用于零碳供能系统配置优化的算法示意图；
图6为本发明实施例中绿色农业的零碳供能系统冬季、过渡季、春季典型日下电功率调度结果图；
图7本发明实施例中绿色农业的零碳供能系统冬季、过渡季、春季典型日下热功率调度结果图；
图8本发明中实施例中色农业零碳供能系统冬季、过渡季、春季典型日下 CO2调度结果图。
其中，附图标记包括：1-微藻，2-沼气池，3-电池储能设备，4-可再生能源， 5-电锅炉设备，6-甲烷-二氧化碳干重整设备，7-直接空气碳捕集设备，8-用户、 9-畜牧养殖场。
具体实施方式
如图1、图2所示，本发明提供一种绿色农业零碳供能系统设计方法及其智能配置分层优化算法示意图；
如图1所示，在本系统中，风光发电系统4将电能储蓄到电池储能设备3中，由电池储能设备3为绿色农业零碳供能系统整体供电，如图1中的用户8、直接空气捕捉设备7、甲烷-二氧化碳干重整设备6、电锅炉设备5及沼气池2提供电能；
直接空气捕捉设备7捕捉空气中极低浓度的CO2，进而将CO2送入甲烷-二氧化碳干重整设备6以及微藻系统1实现CO2的完全消纳；
畜牧养殖场9的养殖废弃物于沼气池2中分解反应，生成的CO2和CH4送入甲烷-二氧化碳干重整设备，实现CH4的完全消纳；畜牧养殖场9的养殖废水送入微藻系统1，实现农业养殖废水的低污处理，进而净水可以提供给甲烷-二氧化碳干重整设备6用于冷却；
直接空气捕捉设备7、甲烷-二氧化碳干重整设备6、用户8以及畜牧养殖场9的电、热需求由风光发电系统4、电池储能设备3、电锅炉设备5提供。
本发明中，系统依托可再生能源完全供能，满足区域农业场所用户电-热需求，通过空气碳捕集系统实现区域农业CO2排放的完全吸收，进而基于微藻的固碳净水能力与甲烷-二氧化碳干重整，实现农业含碳温室气体排放的完全消纳、农业养殖废水的低污处理。
系统设计及智能配置分层优化算法的实现包括如下步骤：
S1：基于农业场所碳排放具有分布式点源的特征，将直接空气碳捕集(DAC) 设备应用于农业生产生活过程，抵消农业活动碳排放；
S2：基于微藻能够富集水体中的氮、磷元素并转化为自身生物质以及相比于陆生植物具有更优的固碳能力，将微藻用于农业生产生活过程中，实现农业废水低污处理；
S3：采用甲烷-二氧化碳干重整设备对农业沼气中的CH4进行处理，生产合成气用于下游高附加值产品的生产，结合微藻一定的固碳能力,协同DAC设备实现碳排放的完全消纳；
S4：为实现农业区域的净零碳排放，采用以风、光为代表的完全绿色可再生能源驱动直接空气碳捕集设备以及甲烷-二氧化碳干重整设备，并满足农业区域居民电、热能源需求；系统、用户热需求由电锅炉设备满足；
S5：基于可再生能源出力的间歇波动性，引入电池储能设备，在可再生能源出力高峰期，储存多余的电能，在可再生能源出力较弱时，释放电能；
S6：构建整体系统优化指标，在约束条件下对绿色农业零碳供能系统进行整体配置分层优化，上层综合考虑经济、零碳指标，确定系统最优结构和各装置的最佳容量；下层结合可再生出力和农业用户的负荷需求，优化系统中各装置的最佳协同出力，从而保证系统零碳、经济、稳定运行；
其中，步骤S1中的直接空气碳捕集设备采用化学吸附法捕集空气中的CO2，相比于溶液吸收法以及物理吸附法，其具备更优的CO2选择性以及较低的吸附剂再生阶段热耗需求。
实现该系统运行目标需要建立系统各设备出力、产量-能耗静态模型用于配置优化。
S1中所述直接空气碳捕集系统的模型，是基于S-TVSA工艺的直接空气碳捕集系统运行数据，包括风机电耗、真空泵电耗、压缩机电耗以及蒸汽吹扫热耗，建立以CO2产量为输入变量，直接空气碳捕集设备电耗、热耗为输出变量的静态模型，如式(1-2)所示:
Figure BDA0003470282440000101
Figure BDA0003470282440000102
式(1-2)中，PDAC,E[kWh]为DAC电耗，HDAC,t[kWh]为DAC系统热耗，
Figure BDA0003470282440000103
为DAC系统的CO2小时产量；a[kWh/kg]为捕集单位质量CO2电耗系数；b[kWh/kg] 为捕集单位质量CO2热耗系数；
S2中所述的微藻固碳能力模型如式(3)所述：
Figure BDA0003470282440000104
式(3)中，
Figure BDA0003470282440000105
表示微藻的小时固碳量，即每小时微藻将外源CO2转化为生物质的质量(每小时藻液能固定的CO2质量)；ξMA[kg/(kg·h)]表示微藻固碳模型CO2固定系数；mMA[kg]表示微藻的质量。
S3中所述的甲烷-二氧化碳干重整设备模型如式(4-7)所述：
Figure BDA0003470282440000106
Figure BDA0003470282440000107
Figure BDA0003470282440000108
Figure BDA0003470282440000109
式(4-7)中，PDRM,t[kW]为甲烷-二氧化碳干重整设备电耗；HDRM,t[kW]为甲烷-二氧化碳干重整设备热耗；
Figure BDA00034702824400001010
为甲烷-二氧化碳干重整设备每小时CH4输入量；
Figure BDA00034702824400001011
为甲烷-二氧化碳干重整设备每小时H2产量；mCO,t为甲烷-二氧化碳干重整设备每小时CO产量；
S3中所述的甲烷-二氧化碳干重整设备需要与直接空气碳捕集设备协同运作实现CH4的消纳，这是因为沼气中CH4、CO2比例并不是1:1，甲烷摩尔分数占比较高，因此，完全实现沼气中CH4的消纳需要直接空气碳捕集设备提供CO2，该部分CO2按式(8)计算：
Figure BDA00034702824400001012
式(8)中，
Figure BDA00034702824400001013
为甲烷-二氧化碳干重整设备每小时所需要直接空气碳捕集设备提供的CO2质量；
Figure BDA00034702824400001014
为沼气中CO2-CH4比例质量换算系数；
S4中所述的可再生能源出力模型，包括风力发电系统、光伏发电系统，其出力模型如式(9-10)所示：
Figure BDA0003470282440000111
Figure BDA0003470282440000112
式(9)中，Pt Wind[kW]为t时刻风机预测输出功率；Uhub,t[m/s]为t时刻风机轮毂高度处的预测风速；a，b，c，d为拟合系数，vci[m/s]，vr[m/s]，vco[m/s]分别为风机的切入速度、额定风速与切出速度；
式(10)中，Pt PV[kW]表示时刻光伏发电机组的输出功率；YPV[kW]是光伏发电机组的额定容量，表示标准测试条件下的输出功率(光照辐射强度为1kW/m2，温度为298K，无风)；fPV为光伏降额因子；GT[Kw/m2]为当前时间步长的太阳辐照强度；GT,STC[[Kw/m2]为标准测试条件下的太阳辐照强度，通常取1；αP[％/K]为光伏电池板的功率温度系数；Tc[K]为当前时间步长的光伏电池温度；Tc,STC[K]为标准测试条件下的光伏电池温度。
S4中所述系统、用户热能需求由电锅炉设备提供，由电锅炉设备实现电转热，其模型如式(10)所示：
Figure BDA0003470282440000113
式(11)中，
Figure BDA0003470282440000114
表示t时刻电锅炉设备的输出功率；ηEB表示电锅炉设备的传热效率；Pt EB[kW]表示t时刻电锅炉设备的输入电功率。
S5中所述的电池储能设备模型如式(10)所示：
Figure BDA0003470282440000115
式(12)中，
Figure BDA0003470282440000116
与
Figure BDA0003470282440000117
分别表示第t时刻与t-1时刻的电池容量；
Figure BDA0003470282440000118
与
Figure BDA0003470282440000119
分别表示电池的充电效率与放电效率；
Figure BDA00034702824400001110
与
Figure BDA00034702824400001111
分别表示电池在第t时刻的充电量与放电量，
Figure BDA00034702824400001112
表示
Figure BDA00034702824400001113
电池在t时刻的充电与放电状态，为0或1变量。
基于上述模型，考虑整体系统初始投资成本，运行维护成本，提出系统整体优化指标，如式(13)所示：
min Mtotal＝Minf+Mom (13)
式(13)中，Mtotal为总成本。Minf[￥]为初始投资成本，Mom[￥]为运行维护成本。
初始投资成本Minf按式(13)计算：
Figure BDA0003470282440000121
式(14)中，k表示第k个设备；K为综合能源系统中总的设备数量；Cinfk[￥/kWh] 为第k个设备单位容量的初始投资成本系数；Pcap,k[kWh]为第k个设备的额定容量；
Figure BDA0003470282440000122
为直接空气碳捕捉设备年化投资成本；Qcap[tCO2·a]为直接空气碳捕捉设备年捕集CO2产量；
Figure BDA0003470282440000123
为甲烷-二氧化碳干重整设备年化投资成本；QDMR[tCH4·a]为甲烷-二氧化碳干重整设备年输入甲烷量；R 为投资回报率；y为设备服役年限；r为银行利率。
运行维护成本按式(15)计算：
Figure BDA0003470282440000124
式(15)中，Comk[￥/kW]为第k个设备单位功率的运行维护成本系数；
Figure BDA0003470282440000125
为第k个设备在第t小时的实际运行功率；t表示第t个小时。
配置优化模型的约束主要包括功率平衡约束与设备运行约束；
所述功率平衡约束包括电功率平衡约束与热功率平衡约束；
所述电功率平衡如式(16)所示
Figure BDA0003470282440000126
式(16)中，Pt load,E[kW]为用户电负荷；
所述热功率平衡如式(17)所示：
Figure BDA0003470282440000127
式(17)中，
Figure BDA0003470282440000128
为用户热负荷；
所述设备运行约束包括直接空气碳捕集系统CO2捕集量约束，直接空气碳捕集系统CO2每小时捕集量约束，电锅炉设备输入电量上下限约束，电池储能容量上下限约束，电池储能充放电功率约束，电池储能循环利用约束，微藻固碳上下限约束，CO2物料分配约束，甲烷-二氧化碳干重整设备CH4物料输入约束，甲烷 -二氧化碳干重整设备CH4处理量约束；
所述直接空气碳捕集系统CO2捕集量约束，旨在实现农业区域生产生活碳排放的完全捕集，如式(18)所示：
Figure BDA0003470282440000131
式(18)中，
Figure BDA0003470282440000132
为某农业区域年CO2排放总量(不包括沼气中的CO2)，该碳排放总量是固定值；Dwinter为冬季日数；
Figure BDA0003470282440000133
为春秋季日数；Dsummer为夏季日数；
所述直接空气碳捕集系统每小时捕集量约束约束如式(19)所示：
Figure BDA0003470282440000134
式(19)中，
Figure BDA0003470282440000135
为直接空气碳捕集设备每小时额定容量；
所述电锅炉设备输入电量上下限约束如式(20)所示：
Figure BDA0003470282440000136
式(20)中，
Figure BDA0003470282440000137
和
Figure BDA0003470282440000138
分别为电锅炉设备输入电量下限与上限；
所述电池储能容量上下限约束如式(21)所示：
Figure BDA0003470282440000139
式(21)中，
Figure BDA00034702824400001310
和
Figure BDA00034702824400001311
分别为电池储能设备容量下限和上限；
所述电池储能充放电功率约束如式(22-24)所示：
Figure BDA00034702824400001312
Figure BDA00034702824400001313
Figure BDA00034702824400001314
式(22-24)中，
Figure BDA00034702824400001315
和
Figure BDA00034702824400001316
分别为电池储能设备充电功率的下限和上限；
Figure BDA00034702824400001317
和
Figure BDA00034702824400001318
分别为电池储能设备充电功率的下限和上限；
Figure BDA00034702824400001319
和
Figure BDA00034702824400001320
分别表示电池储能设备的充放电状态，为0-1变量；
所述电池储能循环利用约束如式(25)所示：
Figure BDA0003470282440000141
所述微藻固碳上下限约束如式(26)所示：
Figure BDA0003470282440000142
式(26)中，
Figure BDA0003470282440000143
为微藻固碳量上限；
所述CO2物料分配约束如式(27)所示：
Figure BDA0003470282440000144
式(27)中，DAC设备吸收的CO2全部用于甲烷-二氧化碳干重整设备原料输入以及微藻固碳；
所述甲烷-二氧化碳干重整设备CH4物料输入约束如式(28)所示：
Figure BDA0003470282440000145
式(28)中，
Figure BDA0003470282440000146
为甲烷-二氧化碳干重整设备每小时额定容量；
所述甲烷-二氧化碳干重整设备CH4处理量约束如式(29)所示：
Figure BDA0003470282440000147
式(29)中，
Figure BDA0003470282440000148
为某农业区域年CH4排放总量，该CH4排放总量是固定值；
所述系统配置优化采用粒子群算法进行模型求解；
所述粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。在粒子群算法中，首先要随机生成一群无质量和体积的粒子，每个粒子都具有一个位置向量和速度向量，并可以根据目标函数来计算当前所在位置的适应值。在每次的迭代中，粒子除了根据自身的历史位置进行学习以外，还可以根据种群里最优粒子的经验进行学习，从而确定下一次迭代需要如何调整自身飞行的方向和速度。粒子通过不断循环迭代，寻找全局最优解；
如图5所示，所述粒子群算法用于求解绿色农业零碳供能系统配置分层优化流程为：
(1)设定初始参数，包括种群规模、粒子个数、迭代次数、变量约束。种群中的每个粒子都包含待求解的决策输入变量信息，包括直接空气捕捉设备CO2产量，电锅炉设备输入电量，甲烷-二氧化碳干重整输入CH4质量以及各设备配置容量，每个粒子都是配置优化问题的可行解；
(2)将每个粒子送到所构建的系统能耗-产量稳态模型中进行仿真，可以得到相关的输出变量，包括直接空气碳捕集设备要求电耗及热耗，电锅炉设备输出热功率，甲烷-二氧化碳干重整设备要求电耗及热耗等。基于给定天气数据，用户负荷需求数据及农业碳排放数据，通过式(13)就可以求解每个粒子的适应度函数。如果粒子违背模型约束，额外的惩罚会添加到适应度函数；
(3)在每次迭代过程中，每个粒子更新个体最优值。所有的个体最优值会进行比较来获取全局最优值。在下一次迭代过程中，粒子会根据个体最优经验和全局最优信息以更新他们的速度和位置信息，如式(30-31)所示：
Figure BDA0003470282440000151
Figure BDA0003470282440000152
式(30-31)中，
Figure BDA0003470282440000153
和
Figure BDA0003470282440000154
分别为第i个粒子在第k次迭代过程中的速度和位置； c1和c2分别为个体学习因子和社会学习因子；
Figure BDA0003470282440000155
为个体最优值；pg为全局最优值。
(4)当迭代满足终止条件时(达到最大迭代次数或者最小适应度函数)，粒子群算法将停止优化。最终全局最优的粒子将会被挑选出作为最合适的解。
通过本文所提出的智能配置优化方法可获得满足零碳、经济目标的最优系统配置，以江苏某农业地区的冬季、过渡季、春季典型日的气象数据为例进行智能配置分层优化，验证了所提智能配置分层优化算法的可行性。
具体实施例
江苏某农业地区用户电、热需求如图3所示，1-24h为冬季典型日下用户电、热负荷，冬季典型日取150天；25-48h为过渡季典型日下用户电、热负荷，过渡季典型日取95天；49-72h为夏季典型日下用户电、热负荷，夏季典型日取120 天；
基于可再生能源供能情况、用户电-热需求、零碳目标以及系统投资、运维成本，以最小初始投资成本为目标，进行零碳供能系统的配置优化，依托系统配置的结果，以最小运行成本为目标，进行绿色农业可再生供能减排系统的调度优化，进而由调度结果重新进行系统的配置优化，逐步迭代，寻求最优解，仿真参数设置及初始投资、运维成本结果如表1所示：
Figure BDA0003470282440000161
表1
最终确定风力发电系统、光伏发电系统、直接空气碳捕集系统、电池储能设备、电锅炉设备、甲烷-二氧化碳干重整设备最优容量，如图4所示；
由表1可知，该绿色农业零碳供能系统年初始投资成本为746.15万元，年运维成本为38.75万元，由图3可知，该绿色农业零碳供能系统旨在满足全年该农业区域用户电负荷需求2106.63MWh和热负荷需求1790.82MWh，实现可再生能源100％利用，并达到农业场景下以CO2、CH4为主的含碳温室气体零排放的目标；通过该智能配置优化方法也可充分发挥直接空气碳捕捉、甲烷-二氧化碳干重整设备灵活运行特性，
如图6所示，在白天用户电热负荷需求较高时，上述灵活运行设备可自由降低自身用能负荷以优先满足用户用能需求，而在晚上用户电热负荷需求较低时，上述灵活运行设备可自由提高自身用能负荷以满足一天的CO2、CH4减排需求同时帮助消纳可再生能源。
如图7所示，通过电锅炉设备可完全满足直接空气捕捉、甲烷-二氧化碳干重整、用户耗热量；电锅炉设备供热量为5731.33MWh，直接空气捕捉耗热量为 2067.41MWh，甲烷-二氧化碳干重整耗热量为1783.10MWh，用户耗热量为 1790.82MWh；由式(5),可得一年通过甲烷-二氧化碳干重整工艺处理的农业甲烷排放为313.78吨，取沼气中CO2-CH4比例质量换算系数为1.862，可知通过甲烷 -二氧化碳干重整工艺协同处理的沼气中的CO2为587.05吨；将甲烷-二氧化碳干重整设备产出的合成气(CO和H2)用于高附加值产品的生产以及将成熟的微藻送入市场，能够产生一定的经济效益。
如图8所示，一年中通过直接空气捕捉设备所捕获的CO2总量为752.81吨，其中有269.32吨即35.78％的CO2送入甲烷-二氧化碳干重整设备进行化工高附加值产品的生产，有483.49吨即64.22％的CO2送到农业微藻中进行固定，帮助提高微藻生长速率，实现直接空气捕捉设备捕捉的CO2的完全消纳；
综上所述，本发明提出一种能够保证绿色农业供能系统零碳、经济、稳定运行一种绿色农业零碳供能系统及其智能配置分层优化方法，且具备如下优点，
(1)基于农业场所碳排放具有分布式点源的特征，将直接空气碳捕集(DAC)设备应用于农业生产生活过程，抵消农业活动碳排放；
(2)基于微藻能够富集水体中的氮、磷元素并转化为自身生物质以及相比于陆生植物具有更优的固碳能力，将微藻用于农业生产生活过程中，实现农业废水低污处理；
(3)采用甲烷-二氧化碳干重整设备对农业沼气中的CH4进行处理，生产合成气用于下游高附加值产品的生产，结合微藻一定的固碳能力,协同DAC设备实现碳排放的完全消纳；
(4)为实现农业区域的净零碳排放，采用以风、光为代表的完全绿色可再生能源驱动直接空气碳捕集设备以及甲烷-二氧化碳干重整设备，并满足农业区域居民电、热能源需求；系统、用户热需求由电锅炉设备满足；
(5)基于可再生能源出力的间歇波动性，引入电池储能设备，在可再生能源出力高峰期，储存多余的电能，在可再生能源出力较弱时，释放电能；
(6)构建整体系统优化指标，在约束条件下对绿色农业零碳供能系统进行整体配置分层优化，上层综合考虑经济、零碳指标，确定系统最优结构和各装置的最佳容量；下层结合可再生出力和农业用户的负荷需求，优化系统中各装置的最佳协同出力，从而保证系统零碳、经济、稳定运行。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发眀范围内。本发明要求保护范围由所附的权利要求书及其效物界定。

Claims (8)

1.一种基于绿色农业的零碳供能系统,其特征在于：
包括微藻系统(1)，沼气池(2)，电池储能设备(3)，可再生能源(4)，电锅炉设备(5)，甲烷-二氧化碳干重整设备(6)，直接空气碳捕集设备(7)，用户(8)和畜牧养殖场(9)；
所述直接空气碳捕集设备(7)捕集空气中的CO2的，将CO2送入甲烷-二氧化碳干重整设备(6)以及微藻系统(1)实现CO2的完全消纳；
所述可再生能源(4)驱动直接空气碳捕集设备(7)以及甲烷-二氧化碳干重整设备(6)，并满足农业区域居民电、热能源需求；
甲烷-二氧化碳干重整设备(6)与所述直接空气碳捕集设备(7)协同运作，结合具备一定固碳能力的微藻(1)，实现对农业沼气池(2)中CH4的完全消纳；
所述电池储能设备(3)在可再生能源(4)产出力高峰期，储存多余的电能，在可再生能源(4)产出力较弱时，释放电能；
所述电锅炉设备(5)为系统及用户(4)提供热能源需求；
所述畜牧养殖场(9)的养殖废弃物于沼气池(2)中分解反应，生成的CO2和CH4送入甲烷-二氧化碳干重整设备(6)，实现CH4的完全消纳；
所述畜牧养殖场(9)的养殖废水送入微藻系统(1)，实现农业养殖废水的低污处理，所述低污处理后的净水提供给甲烷-二氧化碳干重整设备(6)用于冷却。
2.一种绿色农业零碳供能系统智能配置分层优化的算法，其特征在于：构建DAC静态模型、微藻固碳能力模型、甲烷-二氧化碳干重整设备模型以及可再生能源出力模型，设定整体系统优化指标，在约束条件下,对绿色农业零碳供能系统进行整体配置分层优化；
所述整体配置分层优化上层综合考虑经济、零碳指标，确定系统最优结构和各装置的最佳容量；下层结合可再生出力和农业用户的负荷需求，优化系统中各装置的最佳协同出力，从而保证系统零碳、经济、稳定运行。
3.根据权利要求2所述的智能配置分层优化的算法，其特征在于：所述DAC静态模型，以CO2产量为输入变量，直接空气碳捕集设备电耗、热耗为输出变量:
Figure FDA0003470282430000011
Figure FDA0003470282430000012
式中，PDAC,E[kWh]为DAC电耗，HDAC,t[kWh]为DAC系统热耗，
Figure FDA0003470282430000013
为DAC系统的CO2小时产量；a[kWh/kg]为捕集单位质量CO2电耗系数；b[kWh/kg]为捕集单位质量CO2热耗系数；
微藻固碳能力模型：
Figure FDA0003470282430000021
式中，
Figure FDA0003470282430000022
表示微藻的小时固碳量，即每小时微藻将外源CO2转化为生物质的质量(每小时藻液能固定的CO2质量)；ξMA[kg/(kg·h)]表示微藻固碳模型CO2固定系数；mMA[kg]表示微藻的质量；
甲烷-二氧化碳干重整设备模型：
Figure FDA0003470282430000023
Figure FDA0003470282430000024
Figure FDA0003470282430000025
Figure FDA0003470282430000026
其中，PDRM,t[kW]为甲烷-二氧化碳干重整设备电耗；HDRM,t[kW]为甲烷-二氧化碳干重整设备热耗；
Figure FDA0003470282430000027
为甲烷-二氧化碳干重整设备每小时CH4输入量；
Figure FDA0003470282430000028
为甲烷-二氧化碳干重整设备每小时H2产量；mCO,t为甲烷-二氧化碳干重整设备每小时CO产量；
所述可再生能源出力模型，包括风力发电系统、光伏发电系统，其出力模型式为：
Figure FDA0003470282430000029
Figure FDA00034702824300000210
式中，Pt Wind[kW]为t时刻风机预测输出功率；Uhub,t[m/s]为t时刻风机轮毂高度处的预测风速；a，b，c，d为拟合系数，vci[m/s]，vr[m/s]，vco[m/s]分别为风机的切入速度、额定风速与切出速度；
Pt PV[kW]表示时刻光伏发电机组的输出功率；YPV[kW]是光伏发电机组的额定容量，表示标准测试条件下的输出功率，所述标准测试条件为：光照辐射强度为1kW/m2，温度为298K，无风；fPV为光伏降额因子；GT[Kw/m2]为当前时间步长的太阳辐照强度；GT,STC[[Kw/m2]为标准测试条件下的太阳辐照强度，通常取1；αP[％/K]为光伏电池板的功率温度系数；Tc[K]为当前时间步长的光伏电池温度；Tc,STC[K]为标准测试条件下的光伏电池温度。
4.根据权利要求3所述智能配置分层优化的算法，其特征在于：
所述系统整体优化指标为：min Mtotal＝Minf+Mom
其中，Mtotal为总成本，Minf[￥]为初始投资成本，Mom[￥]为运行维护成本；
其中，所述初始投资成本Minf为：
Figure FDA0003470282430000031
其中，k表示第k个设备；K为综合能源系统中总的设备数量；Cinfk[￥/kWh]为第k个设备单位容量的初始投资成本系数；Pcap,k[kWh]为第k个设备的额定容量；
Figure FDA0003470282430000032
为直接空气碳捕捉设备年化投资成本；Qcap[tCO2·a]为直接空气碳捕捉设备年捕集CO2产量；
Figure FDA0003470282430000033
为甲烷-二氧化碳干重整设备年化投资成本；QDMR[t CH4·a]为甲烷-二氧化碳干重整设备年输入甲烷量；R为投资回报率；y为设备服役年限；r为银行利率；
所述运行维护成本为：
Figure FDA0003470282430000034
其中，Comk[￥/kW]为第k个设备单位功率的运行维护成本系数；
Figure FDA0003470282430000035
为第k个设备在第t小时的实际运行功率；t表示第t个小时。
5.根据权利要求4所述的智能配置分层优化的算法，其特征在于：所述约束条件包括功率平衡约束与设备运行约束；
所述功率平衡约束包括电功率平衡约束与热功率平衡约束；
所述电功率平衡约束：
Figure FDA0003470282430000036
其中，Pt load,E[kW]为用户电负荷；
所述热功率平衡约束：
Figure FDA0003470282430000041
其中，
Figure FDA0003470282430000042
为用户热负荷；
所述设备运行约束包括直接空气碳捕集系统CO2捕集量约束，直接空气碳捕集系统CO2每小时捕集量约束，电锅炉设备输入电量上下限约束，电池储能容量上下限约束，电池储能充放电功率约束，电池储能循环利用约束，微藻固碳上下限约束，CO2物料分配约束，甲烷-二氧化碳干重整设备CH4物料输入约束以及甲烷-二氧化碳干重整设备CH4处理量约束。
6.根据权利要求4所述的智能配置分层优化的算法，其特征在于：
用于实现农业区域生产生活碳排放的完全捕集，所述直接空气碳捕集系统CO2捕集量约束为：
Figure FDA0003470282430000043
其中，
Figure FDA0003470282430000044
为区域年CO2排放总量(不包括沼气中的CO2)，该碳排放总量是固定值；Dwinter为冬季日数；
Figure FDA0003470282430000045
为春秋季日数；Dsummer为夏季日数；
所述直接空气碳捕集系统每小时捕集量约束约束为：
Figure FDA0003470282430000046
式中，
Figure FDA0003470282430000047
为直接空气碳捕集设备每小时额定容量；
所述电锅炉设备输入电量上下限约束为：
Figure FDA0003470282430000048
式中，
Figure FDA0003470282430000049
和
Figure FDA00034702824300000410
分别为电锅炉设备输入电量下限与上限。
7.根据权利要求4所述的智能配置分层优化的算法，其特征在于：所述电池储能容量上下限约束为：
Figure FDA00034702824300000411
式中，
Figure FDA00034702824300000412
和
Figure FDA00034702824300000413
分别为电池储能设备容量下限和上限；
所述电池储能充放电功率约束为：
Figure FDA00034702824300000414
Figure FDA00034702824300000415
Figure FDA00034702824300000416
式中，
Figure FDA0003470282430000051
和
Figure FDA0003470282430000052
分别为电池储能设备充电功率的下限和上限；
Figure FDA0003470282430000053
Figure FDA0003470282430000054
和
Figure FDA0003470282430000055
分别为电池储能设备充电功率的下限和上限；
Figure FDA0003470282430000056
和
Figure FDA0003470282430000057
分别表示电池储能设备的充放电状态，为0-1件的变量；
所述电池储能循环利用约束为：
Figure FDA0003470282430000058
所述微藻固碳上下限约束为：
Figure FDA0003470282430000059
式中，
Figure FDA00034702824300000510
为微藻固碳量上限；
所述CO2物料分配约束如式为：
Figure FDA00034702824300000511
式中，DAC设备吸收的CO2全部用于甲烷-二氧化碳干重整设备原料输入以及微藻固碳；
所述甲烷-二氧化碳干重整设备CH4物料输入约束为：
Figure FDA00034702824300000512
式中，
Figure FDA00034702824300000513
为甲烷-二氧化碳干重整设备每小时额定容量；
所述甲烷-二氧化碳干重整设备CH4处理量约束如式为：
Figure FDA00034702824300000514
式中，
Figure FDA00034702824300000515
为区域年CH4排放总量，该CH4排放总量是固定值。
8.根据权利要求2-7中任一所述的智能配置分层优化的算法，其特征在于：
所述绿色农业零碳供能系统配置分层优化，包括如下步骤
步骤一、设定初始参数，包括种群规模、粒子个数、迭代次数、变量约束；种群中的每个粒子都包含待求解的决策输入变量信息，包括直接空气捕捉设备CO2产量，电锅炉设备输入电量，甲烷-二氧化碳干重整输入CH4质量以及各设备配置容量，每个粒子都是配置优化问题的可行解；
步骤二、将每个粒子送到所构建的系统能耗-产量稳态模型中进行仿真，可以得到相关的输出变量，包括直接空气碳捕集设备要求电耗及热耗，电锅炉设备输出热功率，甲烷-二氧化碳干重整设备要求电耗及热耗等；
基于给定天气数据，用户负荷需求数据及农业碳排放数据，通过系统整体优化指标就可以求解每个粒子的适应度函数；如果粒子违背模型约束，额外的惩罚会添加到适应度函数；
步骤三、在每次迭代过程中，每个粒子更新个体最优值；所有的个体最优值会进行比较来获取全局最优值；在下一次迭代过程中，粒子会根据个体最优经验和全局最优信息以更新他们的速度和位置信息：
Figure FDA0003470282430000061
Figure FDA0003470282430000062
式中，
Figure FDA0003470282430000063
和
Figure FDA0003470282430000064
分别为第i个粒子在第k次迭代过程中的速度和位置；c1和c2分别为个体学习因子和社会学习因子；
Figure FDA0003470282430000065
为个体最优值；pg为全局最优值；
步骤四、当迭代满足终止条件时，即达到最大迭代次数或者最小适应度函数，粒子群算法将停止优化，最终全局最优的粒子将会被挑选出作为最合适的解。
CN202210041177.0A 2022-01-14 2022-01-14 一种绿色农业零碳供能系统及其智能配置分层优化算法 Active CN114519456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210041177.0A CN114519456B (zh) 2022-01-14 2022-01-14 一种绿色农业零碳供能系统及其智能配置分层优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210041177.0A CN114519456B (zh) 2022-01-14 2022-01-14 一种绿色农业零碳供能系统及其智能配置分层优化算法

Publications (2)

Publication Number Publication Date
CN114519456A true CN114519456A (zh) 2022-05-20
CN114519456B CN114519456B (zh) 2024-04-30

Family

ID=81595908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210041177.0A Active CN114519456B (zh) 2022-01-14 2022-01-14 一种绿色农业零碳供能系统及其智能配置分层优化算法

Country Status (1)

Country Link
CN (1) CN114519456B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455183A (zh) * 2023-11-09 2024-01-26 国能江苏新能源科技开发有限公司 一种基于深度强化学习的综合能源系统优化调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012131414A1 (en) * 2011-03-28 2012-10-04 Krisada Kampanatsanyakorn Zero carbon dioxide and heat emission integrated system of power generation from natural/renewable energy sources, organic waste reclamation and commodities production and method of conduction
CN206645989U (zh) * 2017-04-01 2017-11-17 广东合即得能源科技有限公司 生物质热电联产的微藻养殖系统
CN111428850A (zh) * 2020-03-24 2020-07-17 国电南瑞科技股份有限公司 基于改进粒子群算法的综合能源系统运行优化方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012131414A1 (en) * 2011-03-28 2012-10-04 Krisada Kampanatsanyakorn Zero carbon dioxide and heat emission integrated system of power generation from natural/renewable energy sources, organic waste reclamation and commodities production and method of conduction
CN206645989U (zh) * 2017-04-01 2017-11-17 广东合即得能源科技有限公司 生物质热电联产的微藻养殖系统
CN111428850A (zh) * 2020-03-24 2020-07-17 国电南瑞科技股份有限公司 基于改进粒子群算法的综合能源系统运行优化方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁作放 等: "考虑碳交易的区域综合能源系统经济调度研究", 山东电力技术, vol. 47, no. 02, 25 February 2020 (2020-02-25), pages 20 - 26 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455183A (zh) * 2023-11-09 2024-01-26 国能江苏新能源科技开发有限公司 一种基于深度强化学习的综合能源系统优化调度方法
CN117455183B (zh) * 2023-11-09 2024-08-27 国能江苏新能源科技开发有限公司 一种基于深度强化学习的综合能源系统优化调度方法

Also Published As

Publication number Publication date
CN114519456B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN102236342B (zh) 一种系统能效控制方法及控制系统
CN111539572B (zh) 光沼微能源网的优化规划方法
Zhang et al. A review on basic theory and technology of agricultural energy internet
CN112232603B (zh) 一种计及电转气协同的虚拟电厂优化调度方法
Long et al. Key technologies and applications of rural energy internet in China
CN113159407B (zh) 基于区域综合能源系统的多能储存模块容量优化配置方法
CN115471074A (zh) 一种综合能源微网的规划模型构建方法
CN116681545B (zh) 一种计及生物质-p2g耦合的设施农业园区近零碳实现方法
CN107203136A (zh) 一种智慧农业大棚微型能源网的优化调度方法及装置
CN115660304A (zh) 一种基于多元产业协同的乡村综合能源系统规划方法
Aziz et al. Rural electrification through an optimized off-grid microgrid based on biogas, solar, and hydro power
CN116263890A (zh) 一种考虑乡村生产生活碳排放的乡村微能源网多目标优化方法
Gao et al. Optimal dispatching of integrated agricultural energy system considering ladder-type carbon trading mechanism and demand response
CN114519456B (zh) 一种绿色农业零碳供能系统及其智能配置分层优化算法
Castley et al. Modeling and optimization of combined cooling, heating and power systems with integrated biogas upgrading
Nahian et al. Prospects and potential of biogas technology in Bangladesh
CN202465466U (zh) 禽畜粪便沼气发电系统
CN109802447A (zh) 一种cchp系统调度评价方法
CN116260166B (zh) 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN116960970A (zh) 场景驱动的含电转气综合能源系统鲁棒优化调控方法
CN116663818A (zh) 一种阶梯碳交易机制下的虚拟电厂低碳经济调度方法
CN109004663A (zh) 三侧互补分布式能源系统及三侧互补分布式能源微网系统
CN114530882A (zh) 一种多分布式能源的供用能协同自治方法及系统
CN117094507B (zh) 基于生物质资源规划农业产业楼宇综合能源的方法和系统
CN118659440A (zh) 一种混合发酵的生物质能季节性储气配置优化系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant