CN116227830A - 含csp-p2g-ccus的虚拟电厂优化调度方法 - Google Patents
含csp-p2g-ccus的虚拟电厂优化调度方法 Download PDFInfo
- Publication number
- CN116227830A CN116227830A CN202211685323.XA CN202211685323A CN116227830A CN 116227830 A CN116227830 A CN 116227830A CN 202211685323 A CN202211685323 A CN 202211685323A CN 116227830 A CN116227830 A CN 116227830A
- Authority
- CN
- China
- Prior art keywords
- cost
- carbon
- energy
- gas turbine
- csp
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 150
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 147
- 230000008901 benefit Effects 0.000 claims abstract description 10
- 239000007789 gas Substances 0.000 claims description 125
- 229910052739 hydrogen Inorganic materials 0.000 claims description 85
- 239000001257 hydrogen Substances 0.000 claims description 85
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 84
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 79
- 238000012946 outsourcing Methods 0.000 claims description 34
- 239000003345 natural gas Substances 0.000 claims description 33
- 238000005265 energy consumption Methods 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 18
- 238000010168 coupling process Methods 0.000 claims description 18
- 238000005859 coupling reaction Methods 0.000 claims description 18
- 230000009919 sequestration Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 13
- 230000009194 climbing Effects 0.000 claims description 12
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000005338 heat storage Methods 0.000 claims description 9
- 238000007789 sealing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004064 recycling Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000002994 raw material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 150000002431 hydrogen Chemical class 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种含CSP‑P2G‑CCUS的虚拟电厂优化调度方法，步骤为：步骤1、构建虚拟电厂系统；步骤2、构建含CSP‑P2G‑CCUS的虚拟电厂优化调度模型；步骤3、构建优化调度模型的约束条件；步骤4、以运行成本最低、碳排放量最小为目标，在MATLAB环境下，以系统运行成本最小和系统碳排放量最小为目标，通过Yalmip工具箱调用Cplex求解器进行求解。本发明可充分实现碳循环利用，极大限度地减少碳排放，同时引入短期风功率预测及熵值法权重协助求解具有显著的经济及社会效益。
Description
技术领域
本发明属于虚拟电厂优化调度技术领域，特别涉及一种含CSP-P2G-CCUS的虚拟电厂优化调度方法。
背景技术
随着国家能源需求的不断增长和过度使用化石能源导致环境污染问题，大力发展可再生能源发电与减少碳排放成为了首要任务。由于风电的不确定性和反调峰特性增加了调度的难度，光热电站(concentrating solar power，CSP)发电作为一种可持续的新兴技术，具有长时间运行能力，可以实现“光-热-电”之间能量转换，对于实现减碳减排具有非常重要意义。因此相比于传统能源系统，建立多能耦合系统，通过对不同能源的协调控制是未来能源体系的重要发展方向。电力网络与天然气网络是当前能源领域最主要的传输载体，因此两者之间的耦合关系一直受到广泛关注，电转气(power to gas，P2G)技术可以将过剩的电解水生成氢气作为生成天然气的原料，而燃气轮机等设备可将天然气转化为电能。利用碳捕集利用与封存装置(carbon capture utilization and storage，CCUS)可以捕获传统发电设备如燃气轮机所排放的CO2，P2G利用这部分被捕获的CO2合成天然气并向燃气轮机提供燃料。其中，CO2被封锁在的循环中，有效地减少了CO2的直接排放，实现了CO2的循环利用。既提升可再生能源的消纳水平，又降低了CO2封存存在的风险。
现有研究大多数关注于P2G对系统能源利用效率和经济性的影响，而并没有考虑电转天然气所需要的CO2来源。所以为实现能源高效利用的同时减少碳排放量，需合理的安排P2G与CCUS的耦合方式。
发明内容
鉴于背景技术所存在的技术问题，本发明所提供的含CSP-P2G-CCUS的虚拟电厂优化调度方法，充分利用电制氢过程，实现P2G效率最大化，构建的系统通过将风功率预测技术与CSP及P2G-CCUS耦合系统联合运行，可进一步提高新能源消纳、减少弃风，弥补单独风力发电或太阳能发电的缺陷和不足，提高能源利用率。引入短期风功率预测及两段式P2G技术，再将P2G技术与CCUS进行耦合，形成碳循环，减少碳排放，克服了整个P2G过程效率低的特点，同时为了在保证经济性的情况下减少CO2排放对环境造成污染，采取了多目标考虑。
为了解决上述技术问题，本发明采取了如下技术方案来实现：
一种含CSP-P2G-CCUS的虚拟电厂优化调度方法，步骤为：
步骤1、构建虚拟电厂系统：
虚拟电厂系统的能源测包括风能、太阳能和上级气网；
虚拟电厂系统的能量转换设备包含光热电站(CSP)、电解槽、甲烷反应器、燃气轮机和碳捕集；
虚拟电厂系统的负荷侧包括电负荷和氢负荷；
其中电能主要由风功率预测发电与CSP提供，当出力不足时，先由甲烷化生成天然气供给燃气轮机出力，若依然无法满足电负荷需求，再从气网购气由燃气轮机继续供能；气能细分为甲烷和氢能，氢能是由过剩的电能通过P2H技术与外购获得，当P2H技术所得到的氢能无法满足氢负荷需求时需外购氢能，在满足氢负荷需求后，剩余氢能储存在储氢罐中；甲烷由所捕集的CO2与储氢罐中放出的氢气结合构成，若捕集CO2的量无法满足甲烷化所需量时需外购CO2。在低碳方面，气能与碳捕集相互结合形成碳循环，碳捕集到的CO2可作为P2G的原料，P2G生产天然气可使燃气轮机发电，当电能过剩时利用P2H制氢，这一过程既提高能源消纳实现多能耦合也可有效降低VPP的运行成本和碳排放量。
步骤2、构建含CSP-P2G-CCUS的虚拟电厂优化调度模型：
以经济性最优和碳排放最低为目标，引入权重将多目标函数进行无量纲化处理可以有效地简化模型得到最优的运行方案，以系统运行成本F1和碳排放量F2之和最小为目标函数，如式(1)所示：
式(1)中，F为总目标；
F1为目标一：运行成本；
F2为目标二：碳排放量；
ω1、ω2分别为各目标的权重系数；
步骤3、构建优化调度模型的约束条件；
步骤4、以运行成本最低、碳排放量最小为目标，通过Yalmip工具箱调用Cplex求解器进行求解。
优选地，步骤2中，运行成本F1和碳排放量F2的定义如下：
1)运行成本F1：包括碳封存成本、系统运维成本与购能成本，如式(2)所示；其中系统运维成本包含CSP成本、燃气轮机成本、电解槽成本和碳捕集成本；购能成本包含购气成本、购氢成本和购CO2成本；
式(2)中，Ff、Fop、Fbuy分别为碳封存成本、系统运维成本、购能成本；cf为封存CO2的成本；Qstorage,t为t时刻进行碳封存CO2的量；ccsp、cchp、
cc分别为光热电站、燃气轮机、电解槽、碳捕集的单位运维成本；PCSP,t为光热电站在t时段输出的电功率；PCHP,t为t时刻燃气轮机的产电功率；/>
为t时刻P2H消耗的电功率；PCCS,t为t时刻碳捕集设备的运行能耗；cbuyg、/>
分别为单位外购天然气、氢能和CO2的价格；Qbuyg,t、/>
分别为t时刻外购天然气、氢能和CO2的功率；/>
2)碳排放量F2：
系统的全部碳排放量来源于燃气轮机，实际的碳排放量是燃气轮机产生的总量减去用于甲烷化与碳封存的量，如式(3)所示：
式(3)中，
为燃气轮机排放CO2的捕集系数；/>
为t时刻碳捕集进入甲烷化CO2的量。
优选地，在步骤3中，约束条件包括以下几种：
1)功率平衡约束：
系统内部总共包括电与气2种能量流，如式(4)所示：
式(4)中，PW,t为t时刻风电机组的供电功率；
为在t时刻燃气轮机需要用的天然气功率；/>
为甲烷化的产气功率；/>
为t时刻P2H得到的氢能功率；/>
为t时刻用于储氢罐的氢气功率；PL,t、HL,t为在t时刻负荷侧的电需求、氢需求；
2)风出力约束：
0≤PW,t≤Psumw,t (5)
式(5)中，Psumw,t为t时刻风电机组的预测出力；
3)光热电站运行约束：
光热电站的运行约束分为了储热装置的能量约束、储热装置的功能约束与光热电站的发力约束：
式(6)-式(8)中：
为储热装置储能量的上、下限值；/>
为储热装置供能功率上限；/>
为CSP出力上限；/>
分别为CSP发电爬坡的上、下限；
4)燃气轮机出力约束：
式(9)中，
为燃气轮机电出力的下限值；/>
为燃气轮机电出力的上限值；
为燃气轮机出力爬坡的下限；/>
为燃气轮机出力爬坡的上限；
5)两段式P2G的能耗约束：
式(10)中，
为t时刻电解槽出力的上限；/>
为P2H爬坡下限；/>
为P2H爬坡上限；
6)碳捕集：
由于碳捕集设备捕集的CO2全部来源于燃气轮机，则碳捕集设备捕集量约束为：
式(11)中，ηmin为碳捕集设备捕集率的下限；ηmax为碳捕集设备捕集率的上限；
为最大运行工况能耗。
优选地，步骤2中，对系统运行成本F1和碳排放量F2分别赋予不同权重ω1、ω2，分析其对系统的影响：
其中，权重系数用于表示被给予的关注度，且ω1+ω2＝1；
当ω1＞ω2时，意味着对系统的运行成本，即经济性更加关注；
当ω1＜ω2时，说明对系统的碳排放量，即环保性给予更多的关注。
优选地，不同的系数设置会影响最终的优化结果；当ω2越大，即决策者更关注环保性时，碳排放量显著降低，亦则反之；当权重系数从极端关注环保效益(ω1＝0.18，ω2＝0.82)到逐渐关注经济效益(ω1＝0.65，ω2＝0.35)时，随着对环保性关注度的减少，碳排放量逐渐增加，系统运行成本降低；当过度关注系统运行成本时，将导致碳排放量的减少非常有限；经过熵值法计算，合理系数选为(ω1＝0.66，ω2＝0.34)。
一种考虑CSP-P2G-CCUS耦合的虚拟电厂优化调度模型，该模型以经济性最优和碳排放最低为目标，引入权重将多目标函数进行无量纲化处理可以有效地简化模型得到最优的运行方案，以系统运行成本F1和碳排放量F2之和最小为目标函数，如式(1)所示：
式(1)中，F为总目标；F1为目标一运行成本；F2为目标二碳排放量；ω1、ω2分别为各目标的权重系数；
1)运行成本F1：
运行成本F1包括碳封存成本、系统运维成本与购能成本，如式(2)所示；其中系统运维成本包含CSP成本、燃气轮机成本、电解槽成本和碳捕集成本；购能成本包含购气成本、购氢成本和购CO2成本；
式(2)中，Ff、Fop、Fbuy分别为碳封存成本、系统运维成本、购能成本；cf为封存CO2的成本；Qstorage,t为t时刻进行碳封存CO2的量；ccsp、cchp、
cc分别为光热电站、燃气轮机、电解槽、碳捕集的单位运维成本；PCSP,t为光热电站在t时段输出的电功率；PCHP,t为t时刻燃气轮机的产电功率；/>
为t时刻P2H消耗的电功率；PCCS,t为t时刻碳捕集设备的运行能耗；cbuyg、/>
分别为单位外购天然气、氢能和CO2的价格；Qbuyg,t、/>
分别为t时刻外购天然气、氢能和CO2的功率；
2)碳排放量F2：
系统的全部碳排放量来源于燃气轮机，实际的碳排放量是燃气轮机产生的总量减去用于甲烷化与碳封存的量，如式(3)所示：
式(3)中，
为燃气轮机排放CO2的捕集系数；/>
为t时刻碳捕集进入甲烷化CO2的量。
本专利可达到以下有益效果：
1、所提出的模型与分别考虑CSP、P2G和CCUS的运行场景相比，降低系统运行成本，减少CO2排放量，提高新能源消纳水平，有效验证该模型具有较好的经济效益和环境效益。
2、引入CSP与风电预测相联合，实现新能源多能互补，与传统光伏发电相比提高电能转化效率，在风电出力变小的同时CSP开始出力，有效提高新能源利用率、减少传统发电系统燃气轮机的出力，从而降低系统碳排放量。P2G与CCUS的耦合能够实现碳循环，提高CO2的利用率，减少外购成本，降低弃风量。
3、相比单目标函数本文所提出的多目标可以在经济与环境两方面进行权衡，利用熵值权重法将提出的多目标函数进行无量纲化处理，在保证经济的前提下，控制CO2的排放，避免污染大气。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明虚拟电厂的结构图；
图2为本发明我国西北某地区冬季典型日风电预测值和实际值；
图3为本发明CSP能量流动图；
图4为本发明P2G-CCUS耦合系统图；
图5为本发明典型电、氢负荷及CSP所收集的曲线图；
图6为本发明算例分析具体流程图；
图7为本发明场景三电能调度优化结果图；
图8为本发明场景三氢能调度优化结果图；
图9为本发明系统各场景外购的天然气对比图；
图10为本发明系统各场景碳排放对比图。
具体实施方式
实施例1：
本实施例提出的虚拟电厂系统主要由电能和气能两种能量流构成。其结构图如图1所示。其中电能主要由风功率预测发电与CSP提供，当出力不足时，先由甲烷化生成天然气供给燃气轮机出力，若依然无法满足电负荷需求，再从气网购气由燃气轮机继续供能；气能细分为甲烷和氢能，氢能是由过剩的电能通过P2H(电转氢)技术与外购获得，当P2H技术所得到的氢能无法满足氢负荷需求时需外购氢能，在满足氢负荷需求后，剩余氢能储存在储氢罐中；甲烷由所捕集的CO2与储氢罐中放出的氢气结合构成，若捕集CO2的量无法满足甲烷化所需量时需外购CO2。虚拟电厂系统中引入CSP和P2G-CCUS耦合系统将实现电能与氢能相互结合的能量转换作用，提高能源利用率，有效减少弃风弃光，实现风电和光伏的灵活应用。在低碳方面，气能与碳捕集相互结合形成碳循环，碳捕集到的CO2可作为P2G的原料，P2G生产天然气可使燃气轮机发电，当电能过剩时利用P2H制氢，这一过程既提高能源消纳实现多能耦合也可有效降低虚拟电厂的运行成本和碳排放量。
为充分消纳风电，提高可再生能源利用率，充分利用两段式P2G运行过程，与CCUS耦合形成碳循环，本发明构建了包含风电、CSP、P2G-CCUS耦合的虚拟电厂优化调度，以经济性最优和碳排放量最低为目标函数，通过算例分析验证了该模型所具备的良好性能，最后引入权重系数，对算例进行分析与比较。具体实施方案如下：
优选的方案如图1至图10所示，一种含CSP-P2G-CCUS的虚拟电厂优化调度方法，步骤为：
步骤1、构建虚拟电厂系统：
虚拟电厂系统的能源测包括风能、太阳能和上级气网；
虚拟电厂系统的能量转换设备包含光热电站(CSP)、电解槽、甲烷反应器、燃气轮机和碳捕集；
虚拟电厂系统的负荷侧包括电负荷和氢负荷；
其中电能主要由风功率预测发电与CSP提供，风功率预测引入于量子遗传算法优化BP神经网络预测，预测出的风功率平均绝对误差为2.84％，如图2所示。当出力不足时，先由甲烷化生成天然气供给燃气轮机出力，若依然无法满足电负荷需求，再从气网购气由燃气轮机继续供能；气能细分为甲烷和氢能，氢能是由过剩的电能通过P2H技术与外购获得，当P2H技术所得到的氢能无法满足氢负荷需求时需外购氢能，在满足氢负荷需求后，剩余氢能储存在储氢罐中；甲烷由所捕集的CO2与储氢罐中放出的氢气结合构成，若捕集CO2的量无法满足甲烷化所需量时需外购CO2。在低碳方面，气能与碳捕集相互结合形成碳循环，碳捕集到的CO2可作为P2G的原料，P2G生产天然气可使燃气轮机发电，当电能过剩时利用P2H制氢，这一过程既提高能源消纳实现多能耦合也可有效降低VPP的运行成本和碳排放量。
步骤2、构建含CSP-P2G-CCUS的虚拟电厂优化调度模型：
本发明的CSP能量流动图与P2G-CCUS耦合系统图分别如图3、图4所示。
以经济性最优和碳排放最低为目标，引入权重将多目标函数进行无量纲化处理可以有效地简化模型得到最优的运行方案，以系统运行成本F1和碳排放量F2之和最小为目标函数，如式(1)所示：
式(1)中，F为总目标；F1为目标一运行成本；F2为目标二碳排放量；ω1、ω2分别为各目标的权重系数；
1)运行成本F1：
运行成本F1包括碳封存成本、系统运维成本与购能成本，如式(2)所示；其中系统运维成本包含CSP成本、燃气轮机成本、电解槽成本和碳捕集成本；购能成本包含购气成本、购氢成本和购CO2成本；
式(2)中，Ff、Fop、Fbuy分别为碳封存成本、系统运维成本、购能成本；cf为封存CO2的成本；Qstorage,t为t时刻进行碳封存CO2的量；ccsp、cchp、
cc分别为光热电站、燃气轮机、电解槽、碳捕集的单位运维成本；PCSP,t为光热电站在t时段输出的电功率；PCHP,t为t时刻燃气轮机的产电功率；/>
为t时刻P2H消耗的电功率；PCCS,t为t时刻碳捕集设备的运行能耗；cbuyg、/>
分别为单位外购天然气、氢能和CO2的价格；Qbuyg,t、/>
分别为t时刻外购天然气、氢能和CO2的功率；
2)碳排放量F2：
系统的全部碳排放量来源于燃气轮机，实际的碳排放量是燃气轮机产生的总量减去用于甲烷化与碳封存的量，如式(3)所示：
式(3)中，
为燃气轮机排放CO2的捕集系数；/>
为t时刻碳捕集进入甲烷化CO2的量。
步骤3、构建优化调度模型的约束条件：
1)功率平衡约束：
系统内部总共包括电与气2种能量流，如式(4)所示：
式(4)中，PW,t为t时刻风电机组的供电功率；
为在t时刻燃气轮机需要用的天然气功率；/>
为甲烷化的产气功率；/>
为t时刻P2H得到的氢能功率；/>
为t时刻用于储氢罐的氢气功率；PL,t、HL,t为在t时刻负荷侧的电需求、氢需求；
2)风出力约束：
0≤PW,t≤Psumw,t(5)
式(5)中，Psumw,t为t时刻风电机组的预测出力；
3)光热电站运行约束：
光热电站的运行约束分为了储热装置的能量约束、储热装置的功能约束与光热电站的发力约束：
式(6-8)中：
为储热装置储能量的上、下限值；/>
为储热装置供能功率上限；/>
为CSP出力上限；/>
分别为CSP发电爬坡的上、下限；
4)燃气轮机出力约束：
式(9)中，
为燃气轮机电出力的下限值；/>
为燃气轮机电出力的上限值；
为燃气轮机出力爬坡的下限；/>
为燃气轮机出力爬坡的上限；
5)两段式P2G的能耗约束：
式(10)中，
为t时刻电解槽出力的上限；/>
为P2H爬坡下限；/>
为P2H爬坡上限；
6)碳捕集：
由于碳捕集设备捕集的CO2全部来源于燃气轮机，则碳捕集设备捕集量约束为：
式(11)中，ηmin为碳捕集设备捕集率的下限；ηmax为碳捕集设备捕集率的上限；
为最大运行工况能耗。
步骤4、以运行成本最低、碳排放量最小为目标，通过Yalmip工具箱调用Cplex求解器进行求解，具体流程图见图6所示。
步骤5、在不同场景下进行仿真验证：
为验证CSP与P2G-CCUS耦合系统结合的经济性与低碳性，构建以下三种场景进行分析：
场景一：含CSP，考虑P2G，不考虑CCUS系统，燃气轮机排出的CO2直接排放大气，甲烷化所需要的CO2全部外购。
场景二：不含CSP，考虑P2G-CCUS耦合的系统。
场景三：考虑含CSP和P2G-CCUS耦合的系统。
本文所提出的优化模型包含1个风电场、1个光热电站、1台燃气轮机、1台P2G设备、1个碳捕集设备、一个储氢罐，优化周期为24小时。该虚拟电厂各设备参数见表1所示，其典型的电、氢负荷及CSP所收集的Dt曲线如图5所示。外部购能基本参数设置：外购CO2价格为2.8元/m3；外购氢气价格为4元/(kW·h)；外购天然气价格为0.36元/(kW·h)。
表1各设备参数
为验证CSP与P2G-CCUS耦合配合运行的可行性，场景三的基本运行结果分析如图7、图8所示。
图7，系统运行满足系统的用电需求。在0-6时刻，风电只需供能给电负荷及碳捕集的固定能耗，风能所提供的电能大于负荷需求，并将过剩的电功率进行电解转化成氢气；7时刻开始，单纯的利用风电不能够满足负荷的消耗，于是燃气轮机开始工作；8-14时刻日间负荷逐渐增大，碳封存能耗也有所增加，由燃气轮机、CSP和风电供电，满足电负荷要求，在这一时段，CSP出力达到最大，很好弥补了风电出力的下降可能造成传统发电装置燃气轮机的多发，从而导致环境污染；15-20时刻，负荷有降低趋势，风电出力增强，CSP出力逐渐减弱；21-23时刻风电出力增强，由燃气轮机和风能供电满足供需平衡；24时刻CSP利用TSD安排出力，进一步减少燃气轮机出力。在调度周期内，合理安排多能联合出力满足电负荷需求。
图8，系统运行满足系统的用氢需求。在0-6时刻满足电负荷后，有大量过剩的风电，为提高能源利用率，将过剩的电能进行电解生成氢气，生成的这部分氢气在满足0-6时刻的氢负荷后，再将剩余的氢能储存到储氢罐中，等到负荷高峰时，再将氢气从储氢罐放出作为甲烷化生成天然气的原料；7-24时刻为满足氢负荷，则外购氢能。
表2给出了三种场景的优化调度结果：虽然场景一并没有进行CCUS，CO2的捕集与封存成本为0远低于场景三，但场景三相对于场景一总经济成本减少15.66％，燃气轮机的运维成本增加17.1％，P2H的运维成本减少9.33％，外购CO2的成本为0。这是由于场景三相比于场景一多了CCUS系统与之耦合后，将燃气轮机所排放的CO2一部分进行了捕集处理，而捕集到的CO2一部分作为甲烷化的原料，剩下的一部分进行封存。由于场景三用于甲烷化CO2的量完全足够，所以无需外购CO2，而场景一没有考虑CCUS，甲烷化所需的CO2需全部外购，并且捕集系统是没有能耗的，所以本应用于电负荷、P2H与CCUS的电能，只需满足电负荷与P2H的能耗，这就可以在新能源出力完毕后，减少燃气轮机的供电，燃气轮机的运维成本就会降低。同样因为无需考虑CCUS，过剩的电能也就增多了本该用于CCUS的固定能耗，在完成对电负荷的供电后，剩余电能全部用于P2H，这时用于P2H的电能比场景三多出一部分，所以P2H的运维成本增加了。以上说明CCUS与系统耦合虽然会增加能耗从而带来燃气轮机与CCUS运维成本的升高，但能够实现CO2循环利用，从而降低外购气体成本。
场景二没有考虑CSP，场景三相比于场景二总经济成本降低了3.09％，封存成本降低了8.66％，燃气轮机运维成本降低了11.78％，CCUS运维成本降低了6.14％，外购CO2成本与场景三同样为0。这是由于场景二缺少CSP的供电出力，为满足电负荷需求，在风电完全出力后，其余所需电能全部由燃气轮机提供，所以燃气轮机的运维成本会提高，而系统中所有CO2的排放全部来源于燃气轮机，燃气轮机的出力增加，它所排出CO2的量一定增加，捕集到的CO2也会增多，在满足甲烷化所需原料后，封存的量相应增多。由此可以看出引入CSP并使风电与CSP联合调度，能有效降低传统发电的运行成本。
根据引入的熵值法，可以将多目标函数中的经济成本与碳排放量进行无量纲化处理，确定各部分的权重，下表3为不同场景下运行成本与碳排放量的权重分析，为突出模型的优势，使其更具有对比性，所涉及的三种场景均取统一权重。最终得到综合最优结果显示：场景三相比于场景一、场景二更具有优势。
表2系统各场景的优化调度结果
表3目标函数权重表
表2中所示总成本包含碳封存成本、系统各设备的运维成本及购能成本，其中购能包括外购的氢气、CO2及天然气，由于三个场景的外购氢气量是相同的，所以不进行分析，图9为各场景外购天然气的对比图。从图中可以明显看出场景二的外购量最大，场景一的外购量最低。这是由于场景二相比于场景三，缺少了CSP的运行出力，在风电出力完成后，其他的电能全部由燃气轮机提供，而燃气轮机在消耗完甲烷化生成的天然气后，为保证正常出力，需要在气网大量购气。场景一相比于场景三，在外购CO2完成甲烷化提供给燃气轮机后，天然气仍然不足，也需在气网进行外购，但由于场景一与场景二相比多了CSP供电，则燃气轮机所需满足的供电量小于场景二，所以外购的天然气量小于场景二外购的量。图9中所显示的场景三虽不是外购天然气最少的，但结合其他需外购CO2、氢气的成本，场景三依旧是外购成本最低的。
含CSP与P2G-CCUS耦合的VPP碳排放主要源于燃气轮机，而CCUS与P2G能通过捕集CO2，将其转化为CH4，其余没有被捕集到的CO2被直接排入大气的量被称为碳排放量，图10为三种场景碳排放量的对比图。由于0-6时刻风电可以满足电负荷，并不需要燃气轮机的出力，所以三个场景在0-6时刻均没有碳排放。场景三的碳排放最低，场景一相比于场景三总的碳排放量增加了29.82％，这是由于场景一完全没有考虑CCUS，将燃气轮机所产生的CO2全部排放于大气，给环境造成非常大的污染。场景二虽然碳排放量低于场景一，但与场景三相比，依旧增加了11.78％，这是由于场景二并没有CSP的出力，在风电出力完毕后，直接由燃气轮机对剩余的负荷进行供电，增加燃气轮机的出力将会导致CO2排放增多。上述说明CSP与CCUS均可以在一定程度上降低CO2的排放，而两者配合利用可以使对大气的污染降到最低。
本发明将风功率预测技术与CSP及P2G-CCUS耦合系统联合运行，与分别考虑CSP、P2G和CCUS的运行场景相比，降低系统运行成本，减少CO2排放量，提高新能源消纳水平，有效验证该模型具有较好的经济效益和环境效益。可进一步提高新能源消纳、减少弃风，弥补单独风力发电或太阳能发电的缺陷和不足，提高能源利用率。引入短期风功率预测及两段式P2G技术，再将P2G技术与CCUS进行耦合，形成碳循环，减少碳排放，克服了整个P2G过程效率低的特点，同时为了在保证经济性的情况下减少CO2排放对环境造成污染，采取了多目标考虑。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (6)
1.一种含CSP-P2G-CCUS的虚拟电厂优化调度方法，其特征在于包括以下步骤：
步骤1、构建虚拟电厂系统：
虚拟电厂系统的能源测包括风能、太阳能和上级气网；
虚拟电厂系统的能量转换设备包含光热电站、电解槽、甲烷反应器、燃气轮机和碳捕集；
虚拟电厂系统的负荷侧包括电负荷和氢负荷；
步骤2、构建含CSP-P2G-CCUS的虚拟电厂优化调度模型：
以经济性最优和碳排放最低为目标，引入权重将多目标函数进行无量纲化处理可以有效地简化模型得到最优的运行方案，以系统运行成本F1和碳排放量F2之和最小为目标函数，如式(1)所示：
式(1)中，F为总目标；
F1为目标一：运行成本；
F2为目标二：碳排放量；
ω1、ω2分别为各目标的权重系数；
步骤3、构建优化调度模型的约束条件；
步骤4、以运行成本最低、碳排放量最小为目标，通过Yalmip工具箱调用Cplex求解器进行求解。
2.根据权利要求1所述的含CSP-P2G-CCUS的虚拟电厂优化调度方法，其特征在于：步骤2中，运行成本F1和碳排放量F2的定义如下：
1)运行成本F1：包括碳封存成本、系统运维成本与购能成本，如式(2)所示；其中系统运维成本包含CSP成本、燃气轮机成本、电解槽成本和碳捕集成本；购能成本包含购气成本、购氢成本和购CO2成本；
式(2)中，Ff、Fop、Fbuy分别为碳封存成本、系统运维成本、购能成本；cf为封存CO2的成本；Qstorage,t为t时刻进行碳封存CO2的量；ccsp、cchp、
cc分别为光热电站、燃气轮机、电解槽、碳捕集的单位运维成本；PCSP,t为光热电站在t时段输出的电功率；PCHP,t为t时刻燃气轮机的产电功率；/>
为t时刻P2H消耗的电功率；PCCS,t为t时刻碳捕集设备的运行能耗；cbuyg、
分别为单位外购天然气、氢能和CO2的价格；Qbuyg,t、/>
分别为t时刻外购天然气、氢能和CO2的功率；/>
2)碳排放量F2：
系统的全部碳排放量来源于燃气轮机，实际的碳排放量是燃气轮机产生的总量减去用于甲烷化与碳封存的量，如式(3)所示：
式(3)中，
为燃气轮机排放CO2的捕集系数；/>
为t时刻碳捕集进入甲烷化CO2的量。
3.根据权利要求1所述的含CSP-P2G-CCUS的虚拟电厂优化调度方法，其特征在于：在步骤3中，约束条件包括以下几种：
1)功率平衡约束：
系统内部总共包括电与气2种能量流，如式(4)所示：
式(4)中，PW,t为t时刻风电机组的供电功率；
为在t时刻燃气轮机需要用的天然气功率；/>
为甲烷化的产气功率；/>
为t时刻P2H得到的氢能功率；/>
为t时刻用于储氢罐的氢气功率；PL,t、HL，t为在t时刻负荷侧的电需求、氢需求；
2)风出力约束：
0≤PW,t≤Psumw,t (5)
式(5)中，Psumw,t为t时刻风电机组的预测出力；
3)光热电站运行约束：
光热电站的运行约束分为了储热装置的能量约束、储热装置的功能约束与光热电站的发力约束：
式(6)-式(8)中：
为储热装置储能量的上、下限值；/>
为储热装置供能功率上限；/>
为CSP出力上限；/>
分别为CSP发电爬坡的上、下限；
4)燃气轮机出力约束：
式(9)中，
为燃气轮机电出力的下限值；/>
为燃气轮机电出力的上限值；/>
为燃气轮机出力爬坡的下限；/>
为燃气轮机出力爬坡的上限；/>
5)两段式P2G的能耗约束：
式(10)中，
为t时刻电解槽出力的上限；/>
为P2H爬坡下限；/>
为P2H爬坡上限；
6)碳捕集：
由于碳捕集设备捕集的CO2全部来源于燃气轮机，则碳捕集设备捕集量约束为：
式(11)中，ηm i n为碳捕集设备捕集率的下限；ηmax为碳捕集设备捕集率的上限；
为最大运行工况能耗。
4.根据权利要求1所述的含CSP-P2G-CCUS的虚拟电厂优化调度方法，其特征在于：步骤2中，对系统运行成本F1和碳排放量F2分别赋予不同权重ω1、ω2，分析其对系统的影响：
其中，权重系数用于表示被给予的关注度，且ω1+ω2＝1；
当ω1＞ω2时，意味着对系统的运行成本，即经济性更加关注；
当ω1＜ω2时，说明对系统的碳排放量，即环保性给予更多的关注。
5.根据权利要求4所述的含CSP-P2G-CCUS的虚拟电厂优化调度方法，其特征在于：不同的系数设置会影响最终的优化结果；当ω2越大，即决策者更关注环保性时，碳排放量显著降低，亦则反之；当权重系数从极端关注环保效益(ω1＝0.18，ω2＝0.82)到逐渐关注经济效益(ω1＝0.65，ω2＝0.35)时，随着对环保性关注度的减少，碳排放量逐渐增加，系统运行成本降低；当过度关注系统运行成本时，将导致碳排放量的减少非常有限；经过熵值法计算，合理系数选为(ω1＝0.66，ω2＝0.34)。
6.一种考虑CSP-P2G-CCUS耦合的虚拟电厂优化调度模型，其特征在于：该模型以经济性最优和碳排放最低为目标，引入权重将多目标函数进行无量纲化处理可以有效地简化模型得到最优的运行方案，以系统运行成本F1和碳排放量F2之和最小为目标函数，如式(1)所示：
式(1)中，F为总目标；F1为目标一运行成本；F2为目标二碳排放量；ω1、ω2分别为各目标的权重系数；
1)运行成本F1：
运行成本F1包括碳封存成本、系统运维成本与购能成本，如式(2)所示；其中
系统运维成本包含CSP成本、燃气轮机成本、电解槽成本和碳捕集成本；购能成本包含购气成本、购氢成本和购CO2成本；
式(2)中，Ff、Fop、Fbuy分别为碳封存成本、系统运维成本、购能成本；cf为封存CO2的成本；Qstorage,t为t时刻进行碳封存CO2的量；ccsp、cchp、
cc分别为光热电站、燃气轮机、电解槽、碳捕集的单位运维成本；PCSP,t为光热电站在t时段输出的电功率；PCHP,t为t时刻燃气轮机的产电功率；/>
为t时刻P2H消耗的电功率；PCCS,t为t时刻碳捕集设备的运行能耗；cbuyg、
分别为单位外购天然气、氢能和CO2的价格；Qbuyg,t、/>
分别为t时刻外购天然气、氢能和CO2的功率；
2)碳排放量F2：
系统的全部碳排放量来源于燃气轮机，实际的碳排放量是燃气轮机产生的总量减去用于甲烷化与碳封存的量，如式(3)所示：
式(3)中，
为燃气轮机排放CO2的捕集系数；/>
为t时刻碳捕集进入甲烷化CO2的量。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211685323.XA CN116227830A (zh) | 2022-12-27 | 2022-12-27 | 含csp-p2g-ccus的虚拟电厂优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211685323.XA CN116227830A (zh) | 2022-12-27 | 2022-12-27 | 含csp-p2g-ccus的虚拟电厂优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116227830A true CN116227830A (zh) | 2023-06-06 |
Family
ID=86581466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211685323.XA Pending CN116227830A (zh) | 2022-12-27 | 2022-12-27 | 含csp-p2g-ccus的虚拟电厂优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116227830A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562062A (zh) * | 2023-07-11 | 2023-08-08 | 国网能源研究院有限公司 | 考虑电、氢耦合的生产模拟方法、系统、装置及存储介质 |
-
2022
- 2022-12-27 CN CN202211685323.XA patent/CN116227830A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562062A (zh) * | 2023-07-11 | 2023-08-08 | 国网能源研究院有限公司 | 考虑电、氢耦合的生产模拟方法、系统、装置及存储介质 |
| CN116562062B (zh) * | 2023-07-11 | 2023-09-22 | 国网能源研究院有限公司 | 考虑电、氢耦合的生产模拟方法、系统、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990523B (zh) | 区域综合能源系统分层优化运行方法 | |
| CN111030104B (zh) | 一种含储氢装置的多能源系统提升能源利用率的方法 | |
| CN114722591B (zh) | 一种净零能耗建筑电热氢多能流供能设备规划方法 | |
| CN114583725A (zh) | 基于氢的近零碳排放综合能源系统及其运行优化方法 | |
| CN113570117B (zh) | 一种基于二阶锥松弛转化方法的电-气综合能源微网优化调度方法 | |
| CN112086960B (zh) | 基于模型预测控制的电氢耦合系统灵活裕度计算方法 | |
| CN110518865A (zh) | 一种风电-光电耦合的工业规模稳定供氢系统 | |
| CN116109076A (zh) | 能量和调峰市场下考虑需求响应的虚拟电厂优化调度方法 | |
| CN110957722B (zh) | 一种含电转气设备的微型能源网日前优化调度方法 | |
| CN116227830A (zh) | 含csp-p2g-ccus的虚拟电厂优化调度方法 | |
| CN113794227B (zh) | 一种实现碳循环的综合能源系统 | |
| CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
| CN114759599A (zh) | 光氢燃料电池热电联供系统、容量配置方法及介质 | |
| CN114462889A (zh) | 一种氢-电耦合多能源跨区域优化配置方法及系统 | |
| CN115660142A (zh) | 一种园区综合能源系统源荷储协调优化调度方法 | |
| CN114676897A (zh) | 一种含chp-p2g-氢能的园区综合能源系统优化调度方法 | |
| CN110990793A (zh) | 电热气耦合微能源站调度优化方法 | |
| CN114362152B (zh) | 综合能源系统多时间尺度调度方法 | |
| CN115640894B (zh) | 一种基于双时间尺度的综合能源系统优化调度方法 | |
| CN114049004B (zh) | 一种电氢能源站容量随机规划方法、系统和装置 | |
| CN116484553B (zh) | 一种考虑多能互补的微电网优化设计方法 | |
| CN117216963B (zh) | 一种含碳-氢利用的综合能源系统运行方法 | |
| CN116976590A (zh) | 基于市场下含光热电站的需求响应虚拟电厂优化调度方法 | |
| Su et al. | Operating characteristics analysis and capacity configuration optimization of wind-solarhydrogen hybrid multi-energy complementary system | |
| CN114861419A (zh) | 一种计及碳交易的电气综合能源网络调度优化方法 |
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 |