CN115859686B

CN115859686B - 考虑扩展碳排放流的综合能源系统低碳调度方法及系统

Info

Publication number: CN115859686B
Application number: CN202310069658.7A
Authority: CN
Inventors: 张玉敏; 吉兴全; 叶平峰; 王金玉; 于一潇; 杨明; 孙鹏凯
Original assignee: Shandong University of Science and Technology
Current assignee: Shandong University of Science and Technology
Priority date: 2023-02-07
Filing date: 2023-02-07
Publication date: 2023-05-09
Anticipated expiration: 2043-02-07
Also published as: CN115859686A

Abstract

本发明涉及综合能源系统低碳调度技术领域，提出了考虑扩展碳排放流的综合能源系统低碳调度方法及系统，包括如下步骤：定义碳排放强度，构建综合能源系统各子系统的碳排放流模型；针对储能设备，将能量的储放过程映射至碳排放的储放过程，通过储能设备的碳电状态，构建综合能源系统中储能设备的碳排放流模型；构建CCS‑P2G协同运行模式，根据得到的各碳排放流模型，以综合能源系统整体低碳经济性最优为目标，构建随机动态低碳调度模型；获取综合能源系统的潮流数据，采用多维近似动态规划算法求解随机动态低碳调度模型，得到调度方案。实现了碳排放的全过程充分利用，大大提高了IES的低碳运行控制有效性。

Description

考虑扩展碳排放流的综合能源系统低碳调度方法及系统

技术领域

本发明涉及综合能源系统低碳调度相关技术领域，具体的说，是涉及一种考虑扩展碳排放流的综合能源系统低碳调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。

在多能耦合的综合能源系统(integrated energy system, IES)中，电能、热能、天然气能具有的强耦合特性和相互转化能力，为新能源消纳提供了新的有效途径。因此，充分挖掘IES在生产、传输、转化、分配和储存等多环节的低碳潜能，是应对新能源不确定性，促进新能源消纳，提高低碳调度决策水平的重要手段。

国内外诸多学者已对多能耦合IES的优化运行展开研究，有研究考虑风电不确定性的条件下提出电-热耦合IES分布鲁棒优化调度模型，证明了电-热系统协同运行模式可有效提高风电消纳率，但未考虑天然气网接入对调度的影响。为此，又有学者将天然气网纳入IES中，构建电-气-热多能耦合IES的优化调度模型，验证了多能协调互补运行模式可提高调度决策的经济性。但是，目前的研究仍基于“电视角”，以运行成本最优为目标构建IES优化调度模型，忽视了碳排放所带来的附加成本，这种电碳分立的调度模式在一定程度上制约了IES运行的低碳性和经济性。也有国内外诸多学者从“碳视角”出发，针对IES随机动态低碳调度展开研究，在计及不确定性的IES优化运行的基础上，考虑碳交易机制等政策的影响，实现IES的低碳经济运行；但是，仅通过建立碳交易机制无法充分挖掘IES的低碳运行潜力。

对低碳调度中碳排放流动过程进行全过程审视是评判低碳调度效果的重要依据，碳排放流分析理论为低碳调度提供了新的分析工具。文献《含电转气的微型能源网日前经济优化调度策略》，利用碳排放流模型分析依附于能量流的碳排放流动信息，刻画了典型调度时段下碳排放流动特性，验证了调度结果的合理性，但仅给出了碳排放流动方向，并未对碳排放流的精确数值进行分析计算。目前的模型均在未考虑储能设备接入的情况下应用碳排放流模型，由于储能设备状态的多元性和时间耦合性，传统的碳排放流模型难以对含储能设备的系统的碳排放特性进行准确的刻画，因此亟需对碳排放流模型进行扩展，使其能够更好的应用于IES低碳调度中，进而更好的发挥储能设备在低碳调度中的灵活性。

综上，在综合能源系统的调度中，综合能源系统(integrated energy system,IES)存在低碳运行配合度低的问题，并且现有的碳排放流模型，存在储能装置碳排放特性刻画不精确的问题。

发明内容

本发明为了解决上述问题，提出了一种考虑扩展碳排放流的综合能源系统低碳调度方法及系统，实现了对含电储能设备的系统碳排放流动过程的精确描述，将低碳调度策略从“电视角”扩展至“碳视角”，并实现了碳排放的全过程充分利用，大大提高了IES的低碳运行控制有效性。

为了实现上述目的，本发明采用如下技术方案：

一个或多个实施例提供了考虑扩展碳排放流的综合能源系统低碳调度方法，包括如下步骤：

按照源侧产生的碳排放以潮流为载体转移到荷侧，并将综合能源系统各子系统节点的总碳排放量与总注入节点能量之比作为节点碳排放强度NCI，构建综合能源系统各子系统的碳排放流模型；

针对储能设备，将能量的储放过程映射至碳排放的储放过程，通过储能设备的碳电状态，构建综合能源系统中储能设备的碳排放流模型；

构建碳排放产生、捕获以及利用的一体化CCS-P2G协同运行模式，根据得到的各碳排放流模型，以综合能源系统整体低碳经济性最优为目标，构建随机动态低碳调度模型；

获取综合能源系统的潮流数据，采用多维近似动态规划算法求解随机动态低碳调度模型，得到调度方案。

一个或多个实施例提供了考虑扩展碳排放流的综合能源系统低碳调度系统，包括：

第一模型构建模块：被配置为按照源侧产生的碳排放以潮流为载体转移到荷侧，并将综合能源系统各子系统节点的总碳排放量与总注入节点能量之比作为节点碳排放强度NCI，构建综合能源系统各子系统的碳排放流模型；

第二模型构建模块：被配置为针对储能设备，将能量的储放过程映射至碳排放的储放过程，通过储能设备的碳电状态，构建综合能源系统中储能设备的碳排放流模型；

随机动态低碳调度模型构建模块：被配置为构建碳排放产生、捕获以及利用的一体化CCS-P2G协同运行模式，根据得到的各碳排放流模型，以综合能源系统整体低碳经济性最优为目标，构建随机动态低碳调度模型；

并行求解模块：被配置为获取综合能源系统的潮流数据，采用多维近似动态规划算法求解随机动态低碳调度模型，得到调度方案。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。

与现有技术相比，本发明的有益效果为：

本发明提出的碳排放产生-捕获-利用于一体的P2G-CCS协同运行模式，与传统的电碳分立运行模式相比，实现了碳排放的全过程充分利用，大大提高了IES的运行经济性。

本发明提出的考虑电储能设备的碳排放流模型，实现了对含电储能设备的系统碳排放流动过程的精确描述，将低碳调度策略合理性评判标准从“电视角”扩展至“碳视角”，为低碳调度策略分析提供了新的手段，且对大规模、多储能的复杂系统也具有较好的适用性。

本发明采用并行多维近似动态规划算法，通过构建多层并行循环嵌套框架，在不损失求解精度的前提下，大大提高求解效率。

本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。

图1是本发明实施例1的低碳调度方法流程图；

图2（a）是本发明实施例1的含CCS-P2G协同运行的IES的结构图；

图2（b）是本发明实施例1的CCS-P2G协同运行模式框架图；

图3是本发明实施例1的碳排放流与潮流的对应关系示意图；

图4是本发明实施例1的热力系统的基本结构图；

图5（a）是本发明实施例1的仿真示例典型时段2:00碳排放流模型；

图5（b）是本发明实施例1的仿真示例典型时段15:00碳排放流模型；

图5（c）是本发明实施例1的仿真示例典型时段19:00碳排放流模型；

图5（d）是本发明实施例1仿真示例三个典型时段节点NCI比较图；

图5（e）是本发明实施例1仿真示例综合能源系统总NCI变化图；

图5（f）是本发明实施例1仿真示例的点储能设备SOCB变化图；

图6是本发明实施例1的仿真示例的供需双侧碳排放流差值。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本发明中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

实施例1

在一个或多个实施方式公开的技术方案中，如图1所示，考虑扩展碳排放流的综合能源系统低碳调度方法，包括如下步骤：

步骤1、按照源侧产生的碳排放以潮流为载体转移到荷侧，并将综合能源系统各子系统节点的总碳排放量与总注入节点能量之比作为节点碳排放强度NCI，构建综合能源系统各子系统的碳排放流模型；

步骤2、针对储能设备，将能量的储放过程映射至碳排放的储放过程，通过储能设备的碳电状态，构建综合能源系统中储能设备的碳排放流模型；

步骤3、构建碳排放产生、捕获以及利用的一体化CCS-P2G协同运行模式，根据得到的各碳排放流模型，以综合能源系统整体低碳经济性最优为目标，构建随机动态低碳调度模型；

步骤4、获取综合能源系统的潮流数据，采用并行多维近似动态规划算法求解随机动态低碳调度模型，得到调度方案。

本实施例中，通过碳电状态（简称为SOCB），刻画储能装置的碳排放特性，挖掘供能-储能双侧协调低碳调度潜力，在原碳排放流模型的基础上，通过将SOCB与传统碳排放流模型相结合，使碳排放流模型与含储能的IES相契合，实现了对IES源-网-荷-储全过程碳排放流动路径的精确描述，有效拓宽了碳排放流模型的应用范围，为IES低碳调度策略的合理性和有效性提供了新的评判标准。并且，采用并行多维近似动态规划算法，通过构建多层并行循环嵌套框架，在不损失求解精度的前提下，大大提高求解效率。

步骤1中，综合能源系统各子系统包括电力系统、热力系统以及天然气系统，分别对应的能量为电力潮流、热力潮流和天然气潮流。

其中，各子系统构建碳排放流模型的过程，包括:

步骤11、设定源侧产生的并未直接排入大气，以潮流为载体，通过线路转移到荷侧，形成碳流；

本实施例中，基于碳排放流理论，假设源侧产生的二氧化碳并未直接排入大气，而是以线路潮流为载体，转移到荷侧，构造出伴随线路潮流的虚拟“碳流”。这种“碳流”可以直观的表征系统运行过程中碳排放的流动方向，为低碳经济调度提供新的分析视角。

步骤12、定义子系统每个节点处的节点碳排放强度为经过该节点的所有支路的碳排放强度叠加，为每单位注入节点能量所伴随的平均碳排放量，数值上等于总碳排放量与总注入节点能量之比，根据碳排放强度得到碳流与潮流之间的对应关系，以及碳排放的分布，即为碳排放流模型。

定义碳排放流速率(carbonemission flow rate, CEFR)为：表征单位时间内通过网络支路或节点的碳排放量()，如公式（1）：

（1）

式中，F为流过网络支路或节点的碳排放量；t为时间。

本实施例中，碳排放强度(Carbon intensity，CI)用来表征单位能量所对应的碳排放量()。CI通常分为源侧碳排放强度(Generation carbon intensity, GCI)、支路碳排放强度(Branch carbon intensity, BCI)、端口碳排放强度(Port carbonintensity, PCI)和节点碳排放强度(Node carbon intensity, NCI)。

其中，GCI与源侧功率有关，表征源侧产生的每单位能量伴随的碳排放强度；BCI表征沿支路流动的每单位能量伴随的碳排放强度；PCI表征能量耦合设备的单位输入或输出能量伴随的碳排放强度；NCI反应碳排放强度的叠加效应，连接于同一节点的各支路的碳排放强度于节点处混合叠加，其表征每单位注入节点能量所伴随的平均碳排放量，数值上等于总碳排放量与总注入节点能量之比。

以电力系统为例，节点n在时段t的NCI为：

（2）

式中，NCIn,t、BCIi,t和GCIg,t分别为节点n、支路i和机组g在时段t的碳排放强度；和分别为与节点n相连的支路i和机组g；为时段t流过支路i的功率；为时段t机组g的功率。

以图3所示电力系统示例，节点2在时段t的NCI2,t可由式（3）表示。

（3）

支路BCI由该支路首节点NCI决定，因此在时段t对于支路1-2有：

（4）

故式（3）可表示为：

（5）

进一步的，可计算得到节点在时段t的碳排放量，如式（6）所示：

（6）

式中：为节点i在时段t的碳排放量()；Di为节点i负荷功率(MW)。t代表一个时间段。

其中，公式（2）和公式（6）为电力系统的碳排放流模型。

热力网络和天然气网络中的碳排放流依附于热力管道中的液体和天然气管道中的气体在网络中流动，实现与热力潮流和天然气潮流的同步传输，其模型构建方式与电力网络类似，不再赘述。

进一步的技术方案，为建立更完整的碳排放流模型，还包括构建能量耦合设备碳排放流模型：根据碳排放守恒，将原能量在耦合设备中的转换关系转移到碳排放视角下，得到输入端和输出端碳排放之间的关系，即为能量耦合设备碳排放流模型。

具体的，能量耦合设备包括单输入单输出能量耦合设备以及单输入多输出能量耦合设备，本实施例中，分别针对两种耦合设备说明碳排放流模型的构建过程。

对于单输入单输出能量耦合设备，输入能量所携带的所有碳排放平均分配到输出能量中，即服从碳排放守恒原则：输入端口的总CEFR等于输出端口的总CEFR，可表示为：

（7）

式中，和分别为能量耦合装置p在时段t的输入PCI和输出PCI；和分别为能量耦合装置p在时段t的输入和输出功率。

若单输入-单输出能量耦合装置p的转换效率为，则有：

（8）

因此，式（7）可表示为：

（9）

式（9）将原能量转换关系转移到碳排放视角下，利用输入端和输出端碳排放之间的关系完成了对单输入-单输出能量耦合装置的碳排放流模型的构建。

对于单输入-多输出能量耦合设备，根据碳排放守恒原则，输入能量所携带的所有碳排放量按照比例分配到输出能量中。

以典型的背压式热点联产设备（CHP）为例，输入的天然气能与输出的电能和热能成正比，即：

（10）

式中，和分别为CHP机组c在时段t的电输出和热输出；为CHP机组c在时段t的天然气输入；和分别为CHP机组c在时段t的电转换效率和热转换效率。

由碳排放守恒原则，输入端口的总CEFR等于输出端口的总CEFR：

（11）

式中，和分别为CHP机组c在时段t的电输出端口PCI和热输出端口PCI；为CHP机组c在时段t的输入端口PCI。

假设电输出端口PCI和热输出端口PCI与效率成反比，即：

（12）

将式（12）代入式（11）中可以得到：

（13）

式（13）即为单输入-多输出能量耦合设备的碳排放流模型。

步骤2中，参考电储能设备荷电状态(State of charge, SOC)，提出电储能设备碳电状态(State of carbon, SOCB)的概念，电储能设备的SOCB为电储能设备在时段t所蕴含的碳排放量与可用容量的比值；

储能设备同时具有放能和耗能两种状态，其处于耗能状态时，相当于特殊负荷，可以吸收一部分碳排放；处于放能状态时，相当于特殊发电设备，将释放一部分碳排放。储能设备的状态多元性增加了其碳排放流模型的复杂性。

本实施例通过碳电状态表征储能设备的储能与吸收碳排放量的关系，得到储能设备的碳排放流模型，实现了IES源-网-荷-储全过程碳排放流动路径的精确描述，有效拓宽了碳排放流模型的应用范围，为IES低碳调度策略的合理性和有效性提供了新的评判标准。

电储能设备处于充电状态时，碳排放量伴随电能充入电储能设备：

（14）

式中，为电储能设备e在时段t充入的碳排放量；为电储能设备e在时段t的充电功率；为电储能设备e所在节点在时段t的NCI，通过将电储能设备作为负荷，利用式（6）计算；为时段t的时间间隔。

电储能设备处于放电状态时，碳排放量伴随电能由电储能设备向外释放：

（15）

式中，为电储能设备e在时段t释放的碳排放量；为电储能设备e在时段t的放电功率；为电储能设备e充当发电设备时在时段t的GCI；为电储能设备e的放电效率；为电储能设备e在时段t-1的SOCB。

电储能设备的SOCB为电储能设备在时段t所蕴含的碳排放量与可用容量的比值，公式如下：

（16）

式中，为电储能设备e在时段t的可用容量(MWh)。

本实施例通过将能量的储放过程映射至碳排放的储放过程，构建了计及储能设备的IES中的各元件的统一碳排放流模型，拓宽了碳排放流模型的应用范围。

步骤3中，构建碳排放产生、捕获以及利用的一体化CCS-P2G协同运行模式，具体的，综合能源系统增设碳捕集装置(carbon capture and storage, CCS)和电转气装置(power to gas, P2G)；碳捕集装置连接电力系统的发电机组，用于捕获发电机组产生的二氧化碳；电转气装置连接电力系统的风电机组以及碳捕集装置，利用电力系统的风电机组的弃风功率电解水产生H2和O2，将从燃煤机组中捕获的二氧化碳与电解水过程中产生的H2通过甲烷化过程生成CH4；电转气装置输出端连接至天然气系统。

进一步地，碳捕集装置还包括碳封存装置，用于暂存二氧化碳。

本实施例通过耦合CCS与P2G，形成CCS-P2G协同运行系统，通过CCS将传统燃煤机组排放的大量二氧化碳进行捕获，为P2G提供充足的碳原料。CCS-P2G协同运行的IES架构示例如图2（a）所示。

由图2（a）可见，IES中电力系统包含未经低碳改造的传统火电机组、CCS和部分火电机组组成的碳捕集机组、电储能设备、风电机组、外电网和电负荷；热力系统包含蓄热罐和热负荷；天然气系统包含气源和气负荷。能量耦合设备包括P2G、CHP和燃气轮机。系统中部分电能流向P2G转换为天然气供给气负荷；部分天然气流向CHP转换为电能和热能分别供给电储能、电负荷以及蓄热罐、热负荷。

CCS-P2G协同运行模式如图2（b）所示，图中，为碳捕集机组释放的总二氧化碳的量；为CCS捕获的二氧化碳的量；为碳捕集机组释放到空气中的二氧化碳的量，其大小为与之差；为CCS捕获的二氧化碳中封存的量；为CCS捕获的二氧化碳中供给P2G利用的量；为P2G向外界二氧化碳工厂购买的二氧化碳的量。

本实施例中，以综合能源系统整体低碳经济性最优为目标，并将CHP和燃气轮机的运行成本纳入外购天然气成本中进行统一计算，构建随机动态低碳调度模型，随机动态低碳调度模型的约束条件包括电力系统(power system, PS)、热力系统(heat system, HS)和天然气系统(naturalgas system, NGS)的约束条件。

随机动态低碳调度模型为：

（17）

（18）

式中，表示求取期望，F为目标函数；Fn为场景n的运行总成本；、、和分别为场景n中时段t的碳交易成本、PS的运行成本、HS的运行成本以及NGS的运行成本；N为场景集合。

碳交易成本包括二氧化碳储运成本、碳配额超额成本以及P2G外购二氧化碳成本：

（19）

其中：

（20）

式中，、和分别为二氧化碳的储运、交易和外购成本系数；为场景n中含CCS的燃煤机组k在时段t的二氧化碳捕获量；为场景n中P2G设备u在时段t的二氧化碳消耗量；为场景n中IES在时段t所产生的总二氧化碳的量；、、和分别为燃煤机组g、含CCS的燃煤机组k、CHP机组c和燃气轮机r的碳排放配额系数；为外电网o的碳排放配额系数；、、和分别为场景n中燃煤机组g、含CCS的燃煤机组k、CHP机组c和燃气轮机r在时段t的出力；为场景n中向外电网o的购电功率；为场景n中CHP机组c在时段t的热出力；为二氧化碳的外购成本系数；为P2G设备原料成本；为场景n中P2G设备u的耗能；K、U、G、C、R和O分别为含CCS的燃煤机组集合、P2G设备集合、燃煤机组集合、CHP机组集合、燃气轮机集合和外电网集合。

PS运行成本，即电力系统运行成本，可以根据功率和电价计算，可以表示为：

（21）

（22）

式中，和分别为燃煤机组g和燃气轮机r的运行成本系数；和分别为电储能设备e的充电成本系数和放电成本系数；和分别为切电负荷惩罚系数和弃风惩罚系数；为场景n中时段t的电价；为节点i的切负荷功率；为场景n中时段t的弃风功率；为场景n中时段t的风电功率预测值；为场景n中时段t的实际消纳的风电功率；I为所有节点的集合；W为风电机组的集合。

HS运行成本，即热力系统运行成本，通过热负荷计算，如下：

（23）

式中，为切热负荷惩罚系数；为场景n中时段t热网节点z的切热负荷大小，Z为热网节点的集合。

NGS运行成本，即天然气系统的运行成本，如下：

（24）

式中，为天然气源s的成本；为切天然气负荷的惩罚系数；为场景n中时段t气网节点m的失气负荷量；为场景n中时段t天然气源s输出天然气的量。

IES随机动态低碳调度模型的约束条件包括：电力系统约束、热力系统约束、天然气系统约束以及能量耦合设备约束，具体如下：

在一些实施例中，电力系统约束包括：功率平衡约束、含CCS的燃煤机组运行约束、线路潮流约束、机组运行限值和爬坡约束。

(1.1) 功率平衡约束：

（25）

式中，表示设备连接在电网节点i上；为场景n中水泵q在时段t的耗能；为场景n中P2G设备u在时段t消耗的电功率；和分别为场景n中线路(i,j)和线路(j,i)在时段t流过的功率；为场景n中节点i在时段t的电负荷预测值。

(1.2) 含CCS的燃煤机组运行约束：

（26）

式中，、和分别为场景n中含CCS的燃煤机组k在时段t的净输出功率、固定能耗以及运行能耗；为CCS的单位二氧化碳能耗；和分别为CCS的碳捕集效率及其上限；为场景n中含CCS的燃煤机组k在时段t产生的总碳排放量。

(1.3) 线路潮流约束：

（27）

式中，为场景n中线路(i,j)在时段t流过的功率；和分别为场景n中节点i和节点j在时段t的相角；为线路(i,j)的电抗；和分别为线路(i,j)的功率上下限；和分别为节点i的相角上下限；为节点i的相角初值；L为线路集合。

(1.4)机组运行限值及爬坡约束：

（28）

（29）

（30）

式中，/、/、/和/分别为燃煤机组g、含CCS的燃煤机组k、燃气轮机r和CHP机组c的出力上/下限；/、/、/和/分别为燃煤机组g、含CCS的燃煤机组k、燃气轮机r和CHP机组c的向上/下爬坡速率。

(1.5) 储能装置运行约束：

（31）

式中，和分别为表征场景n中电储能设备e在时段t的充放电状态的二元变量；和分别为电储能设备e的最大充放电功率；和分别为电储能设备e的充放电效率；和分别为电储能设备e的可用容量最小和最大值；和分别为场景n中电储能设备e在调度周期末和调度周期初的可用容量。

如图4所示，典型的热力系统由热力站、热网管道以及换热站组成，其中热力站充当热源，换热站充当热负荷。在确定性场景n中，热力系统约束包含热力站运行约束、热力管网约束和换热站运行约束。

(2.1) 热力站运行约束：

（32）

（33）

式中，为热力站管网中液体的比热容；和分别为CHP机组c和水泵q处液体的质量流量；和分别为场景n中CHP机组c处在时段t的回流温度和供热温度；和分别为场景n中水泵q处在时段t的供热压力和回流压力；为水泵q的运行效率；为管网中液体的密度。

（2.2) 热力系统管网约束：

（34）

（35）

式中，为以热网节点z为首节点的热网管道的集合；为以热网节点z为末节点的热网管道的集合；和分别为场景n中供热管道和回流管道bh在时段t的出口温度；和分别为场景n中供热管道和回流管道bh在时段t的入口温度；和分别为场景n中热网节点z在时段t的供热温度和回流温度；为时段t的外界温度；为热网管道的导热系数；为热网管道的长度。

(2.3) 换热站运行约束：

（36）

式中，为场景n中热网节点z在时段t的热负荷预测值。

在确定性场景n中，天然气系统约束包含天然气网节点流量平衡约束、天然气网管道运行约束和模型转化约束。

(3.1) 天然气网节点流量平衡约束:

（37）

式中，表示连接在天然气网节点a上；为场景n中天然气源s在时段t的出力；为场景n中P2G设备u在时段t的产气量；为场景n中天然气网管道ab在时段t的气流量；为场景n中天然气网节点a在时段t的切气负荷量；为场景n中天然气网节点a在时段t的气负荷预测值；为场景n中CHP机组c在时段t的耗气量；为场景n中燃气轮机r在时段t的耗气量；S为天然气源的集合；A为天然气网节点的集合。

(2) 天然气网管道运行约束

（38）

（39）

（40）

（41）

式中，为天然气网管道ab的物理系数；和分别为场景n中天然气网节点a和b在时段t的压力；和分别为天然气网管道ab的气流量上下限；/和/分别为天然气网节点a和b的压力上下限。

(3.3) 模型转化约束:

式（38）中含有非线性项、和，为便于求解，采用增量线性化方法将原非线性模型转化为可方便求解的混合整数线性规划模型，从而大大提高求解效率。

在一些实施例中，能量耦合设备约束包括P2G运行约束、燃气轮机运行约束以及CHP运行约束。

(4.1) P2G运行约束：

（42）

式中，为P2G设备u的效率；为P2G设备u每消耗单位电功率所需二氧化碳的量。

(4.2) 燃气轮机运行约束：

（43）

式中，为燃气轮机r的效率。

(4.3) CHP运行约束：

（44）

式中，为CHP机组c的效率。

本实施例中，考虑到计及多元不确定性的IES随机动态低碳调度模型是一个多维动态规划问题，在求解过程中面临着耗时长及“维数灾”的问题。采用PMADP算法通过状态变量聚合过程、状态空间压缩过程及并行计算过程的方式，在不损失计算精度的前提下，缓解“维数灾”的问题。

在一些实施例中，采用多维近似动态规划算法求解随机动态低碳调度模型，其求解过程包括离线训练和在线测试两部分，离线训练通过构建训练场景，通过贝尔曼最优决策算法求解随机动态低碳调度模型，得到对应每个训练场景求解得到的最优值，通过最优值匹配的最优决策，构建最优值与最优决策一一对应的动态规划的值表；在线测试中，根据实际运行场景，通过贝尔曼最优决策算法求解随机动态低碳调度模型，得到对应实际运行场景的最优值，通过动态规划的值表查找与最优值对应的最优决策。其中，离线训练包括如下步骤：

步骤41、构建包含风电、电价以及多元负荷不确定性信息的训练场景；

步骤42、离散电储能设备的可用容量并初始化动态规划的值表，设定最大训练次数N和调度周期T=24以及步长Δt=1；步骤43、令训练次数n=1；步骤44、令时间t=1；

步骤45、通过并行遍历电储能设备所有可行状态，依据贝尔曼最优原理，求解当前训练次数下当前时段中的最优决策，计算最优值函数并将其存入值表的相应位置，利用公式（31）中的状态转移方程实现电储能设备的可用容量状态转移；

步骤46、令t=t+1，若t≤T，则返回步骤45;步骤47、令n=n+1，若n≤N，则返回步骤44;

步骤48、结束离线训练，输出动态规划的值表。

在线测试，包括如下步骤：

步骤49、获取离线训练过程中输出的动态规划的值表；

步骤410、令时间t=1；步骤411、读入当前时段下风电、电价、多元负荷的最新不确定信息；

步骤412、通过遍历电储能设备所有可行状态，依据贝尔曼最优原理，以离线训练中输出的动态规划值表为指导，制定当前时段下兼顾全局最优性的最优决策，利用（31）中的状态转移方程实现电储能设备的可用容量状态转移；

步骤413、令t=t+1，若t≤T，则返回步骤411;步骤414、输出全调度周期最优决策。

为说明本实施例的方法的效果，以电网14节点-热网6节点-气网6节点(E14-H6-G6)测试系统为例，验证本实施例所提CCS-P2G协同运行模式、计及储能装置的扩展碳排放流模型以及PMADP算法的有效性，并以E57-H12-G12测试系统验证扩展碳排放流模型在大规模、多储能的复杂系统中的适用性。

（1）CCS-P2G协同运行模式有效性分析。为验证本实施例所提CCS-P2G协同运行模式的有效性，设置如下三种场景进行算例对比：场景1：燃煤机组均不进行CCS改造；场景2：对部分燃煤机组进行CCS改造，CCS和P2G分立运行；场景3：对部分燃煤机组进行CCS改造，并融合CCS-P2G协同运行模式。

分别对三种场景下的IES运行总成本、燃煤机组燃料成本、碳交易成本、P2G购碳成本进行对比，场景3在场景2的基础上构建了CCS-P2G协同运行模式，在碳交易成本方面，由于实现了对CCS所捕获二氧化碳的充分利用，碳交易成本进一步降低，在满足碳排放配额要求的前提下，场景3可以将多余的碳排放配额于碳市场中售卖，从而获得利润59706.65元；在碳运输成本及购碳成本方面，由于CCS-P2G协同运行模式，所需运输和储存的二氧化碳总量减少，同时P2G也无需额外向外界购买碳原料，最终，总成本较场景2下降60236.38元，较场景1下降129455.68元。故本实施例所提CCS-P2G协同运行模式通过对二氧化碳的充分再利用，使得IES系统在运行经济性和低碳性方面均有显著提高，进而验证了CCS-P2G协同运行模式在低碳调度中的有效性。

（2）扩展碳排放流分析

为验证本文所提考虑电储能设备的扩展碳排放流模型的有效性，本文在场景3的基础上选取风电出力高峰及负荷低谷时段2:00、电负荷低谷时段15:00和电负荷高峰及风电出力低谷时段19:00这三个典型时段，分别分析IEEE14系统中的碳排放流动情况。典型时段各设备出力情况如表1所示，碳排放流动情况如图5（a）至图5（c）所示，其中箭头上标注数字表示支路碳排放流，方框内标注数字表示负荷吸收碳流率，单独的数字表示发电机释放碳流率。图5（e）为电力系统总碳势与风电出力的关系。

表1

由图5(a)和图5(d)可知，在风电出力高峰及负荷低谷时段2:00，碳排放流动方向整体呈现由风电接入的14节点向全网扩散的态势，高比例的低碳风电在降低全网节点NCI的同时，也增加了系统消纳风电的压力。为避免弃风产生的惩罚成本，P2G设备利用弃风制备天然气，在降低气源产气成本的同时，为风电消纳提供了有效的途径，从而缓解了大规模风电并网带来的弃风问题。此外，基于本实施例所提扩展的碳排放流模型，可以实现对电储能设备碳排放特性的精准刻画。在风电高峰及负荷低谷时段，电储能设备所接14节点由于风电的高渗透率，其NCI降为0，由本实施例所提扩展的碳排放流模型约束式（14）可知，当电储能设备所接节点的NCI降为0时，电储能设备所储存的电能将不含碳排放量，这意味着电储能设备完成了对低碳风电的储存，实现了低碳资源的灵活利用。结合图5(f)分析电储能设备的SOCB可知，低碳风电的注入使电储能设备在蓄电的同时降低了自身SOCB，这实际上相当于利用低碳风电将电储能设备中原有的高碳电能进行稀释，使得每单位电能所蕴含的碳排放量降低，在后续调度过程中，电储能设备可以通过释放低碳电能在满足负荷需求的同时降低全网NCI，从而提高系统运行的低碳经济性。

由图5(b)和图5(d)可知，在风电出力低谷时段15:00，碳排放流动方向整体呈现由燃气轮机接入的13节点向全网扩散的态势。由于风电的低渗透率，高碳排放量机组的出力占比上升，使得全网各节点NCI相较于风电出力高峰及负荷低谷时段2:00均有所增加，电储能设备接入的14节点NCI由2:00的0g二氧化碳/kWh升高至286.34g二氧化碳/kWh。为保证调度决策的全局最优性，电储能设备在15:00充电以满足后续电负荷高峰时段的能源供应，结合扩展的碳排放流模型约束式（14）可知，由于电储能设备所接入节点NCI不为0，因此蕴含碳排放量的电能被充入电储能设备，进而导致图5(f)中15:00电储能设备SOCB呈现上升趋势。

由图5(c)和图5(d)可知，在电负荷高峰时段19:00，风电渗透率进一步下降，为保证调度决策的全局最优性，电储能设备放电以满足负荷需求。此时，电储能设备SOCB为0.2586t二氧化碳/MWh，由扩展的碳排放流模型可知，当电储能设备处于放电状态时，其相当于特殊的发电设备，电储能设备的SOCB即为该特殊发电设备的GCI。电储能设备处于放电状态时的GCI仅为燃煤机组和燃气轮机等的30%，电储能设备释放的低碳电能注入电网在一定程度上降低了部分节点的NCI，使得相较于电负荷低谷15:00，全网NCI并无明显上升，9号节点由于临近电储能设备接入的14号节点，其NCI低于15:00，这意味着电储能设备通过对风电的储存，实现了低碳资源的灵活利用，提高了IES运行的低碳性。

由图6可知，在电负荷低谷时段14:00~17:00，发电机端释放碳排放量大于负荷端吸收碳排放量，多余的碳排放量依附于电能被充入电储能设备中；在电负荷高峰时段10:00~13:00和18:00~21:00，负荷端吸收碳排放量大于发电机端释放碳排放量，缺额由电储能设备释放含碳电能弥补。由此可见，在本实施例所提扩展碳排放流模型中，电储能设备的接入使系统供需双侧的碳供给和碳需求的实时平衡被打破，继而转向整个调度周期的碳排放平衡。

通过上述对典型时段碳排放流的分析可知，本文所提扩展碳排放流模型通过对电储能设备碳排放特性的准确刻画，完成了对IES源-网-荷-储全过程碳排放流动路径的精确描述，明确了电储能设备低碳资源灵活利用的调度职能，即通过对可再生能源的适时储存和释放，实现低碳资源的再分配。

（3）PMADP算法有效性分析

为验证所采用的PMADP算法在处理计及多元不确定性的IES随机动态低碳调度问题时的有效性，将传统的随机优化算法和串行的MADP算法与本实施例所使用的PMADP算法的求解精度和求解效率进行对比，采用本实施例所采用的PMADP算法在保证计算精度的前提下，通过对计算资源的充分利用，大幅提高计算效率。

实施例2

基于实施例1，本实施例中提供考虑扩展碳排放流的综合能源系统低碳调度系统，包括：

此处需要说明的是，本实施例中的各个模块与实施例1中的各个步骤一一对应，其具体实施过程相同，此处不再累述。

实施例3

本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于，包括如下步骤：

按照源侧产生的碳排放以潮流为载体转移到荷侧，并将综合能源系统各子系统节点的总碳排放量与总注入节点能量之比作为节点碳排放强度，构建综合能源系统各子系统的碳排放流模型；

获取综合能源系统的潮流数据，采用多维近似动态规划算法求解随机动态低碳调度模型，得到调度方案；

采用多维近似动态规划算法求解随机动态低碳调度模型，包括离线训练和在线测试两部分，离线训练通过构建训练场景，通过贝尔曼最优决策算法求解随机动态低碳调度模型，得到对应每个训练场景求解得到的最优值，通过最优值匹配的最优决策，构建最优值与最优决策一一对应的动态规划的值表；在线测试中，根据实际运行场景，通过贝尔曼最优决策算法求解随机动态低碳调度模型，得到对应实际运行场景的最优值，通过动态规划的值表查找与最优值对应的最优决策。

2.如权利要求1所述的考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于，综合能源系统各子系统构建碳排放流模型的过程，包括:

设定源侧产生的二氧化碳以潮流为载体，通过线路转移到荷侧，形成碳流；

定义子系统每个节点处的节点碳排放强度为经过该节点的所有支路的碳排放强度叠加，为每单位注入节点能量所伴随的平均碳排放量，数值上等于总碳排放量与总注入节点能量之比，根据碳排放强度得到碳流与潮流之间的对应关系以及碳排放的分布，即为碳排放流模型。

3.如权利要求1所述的考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于：还包括构建能量耦合设备碳排放流模型：根据碳排放守恒，将原能量在耦合设备中的转换关系转移到碳排放视角下，得到输入端和输出端碳排放之间的关系，为能量耦合设备碳排放流模型。

4.如权利要求1所述的考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于：电储能设备的碳电状态为电储能设备在时段t所蕴含的碳排放量与可用容量的比值。

5.如权利要求1所述的考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于，一体化CCS-P2G协同运行模式为：综合能源系统增设碳捕集装置和电转气装置；碳捕集装置连接电力系统的发电机组，用于捕获发电机组产生的二氧化碳；电转气装置分别连接电力系统与碳捕集装置，进行电解水过程，并将从发电机组中捕获的二氧化碳与电解水过程中产生的氢气通过甲烷化过程生成甲烷，供给天然气系统。

6.如权利要求1所述的考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于：以综合能源系统整体低碳经济性最优为目标，将热电联产设备和燃气轮机的运行成本纳入外购天然气成本中进行统一计算，构建随机动态低碳调度模型，随机动态低碳调度模型的约束条件包括电力系统约束、热力系统约束、天然气系统约束以及能量耦合设备约束。

7.如权利要求6所述的考虑扩展碳排放流的综合能源系统低碳调度方法，其特征在于：

电力系统约束包括：功率平衡约束、含CCS的燃煤机组运行约束、线路潮流约束、机组运行限值和爬坡约束以及储能装置运行约束；

热力系统约束包括：热力站运行约束、热力管网约束和换热站运行约束；

天然气系统约束包含天然气网节点流量平衡约束、天然气网管道运行约束和模型转化约束；

能量耦合设备约束包括P2G运行约束、燃气轮机运行约束以及CHP运行约束。

8.考虑扩展碳排放流的综合能源系统低碳调度系统，其特征在于，包括：

并行求解模块：被配置为获取综合能源系统的潮流数据，采用多维近似动态规划算法求解随机动态低碳调度模型，得到调度方案；

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。