李鵬，余曉鵬，張藝涵，周青青，田春箏，喬慧婷

(1. 國網河南省電力公司經濟技術研究院,鄭州市 450000;2. 國網河南省電力公司, 鄭州市 450000;3. 華北電力大學經濟與管理學院,北京市 100026;4. 南方電網能源發(fā)展研究院有限責任公司技術經濟中心,廣州市 510530)

0 引言

中國農村地區(qū)存在大量的秸稈、垃圾等能源資源,及廣闊的土地面積為屋頂光伏和分散式風電提供了可用的空間資源[1]。 2021年6月,國家能源局提出開展整縣(市、區(qū))屋頂分布式光伏開發(fā)試點方案,要求農村居民屋頂總面積可安裝光伏發(fā)電比例不得低于20%[2],這將極大推動農村分布式光伏的發(fā)展。但農村電力設備互聯互通基礎薄弱,難以直接聯網,虛擬電廠(virtual power plant,VPP)通過先進通信技術和軟件架構,實現地理位置分散的各種分布式能源的聚合和協調優(yōu)化[3],為農村地區(qū)分布式能源利用提供了新的思路。

目前,國內外學者已對虛擬電廠開展了深入的研究,主要成果集中于系統(tǒng)構建、不確定性分析及運行模型3 個方面。 就系統(tǒng)構建來說,分布式電源、常規(guī)可控機組、儲能和用戶靈活性負荷是VPP 主要組件。文獻[4]選擇風電、光伏發(fā)電、碳捕集等單元組成虛擬電廠;文獻[5]選用風電、光伏、光熱及儲能電池等組成虛擬電廠;文獻[6]選用風電、光伏發(fā)電、燃氣輪機及儲能系統(tǒng)等構成虛擬電廠。 上述研究主要是針對城市分布式能源開展聚合優(yōu)化,缺乏考慮農村垃圾發(fā)電(waste incineration power,WI)和生物質燃料發(fā)電(biomass power generation,BPG)。 同時,“30·60”雙碳目標將有利于將農村地區(qū)的環(huán)境優(yōu)勢轉化為經濟優(yōu)勢,為農村地區(qū)推廣燃氣碳捕集(gas-power plant carbon capture,GPPCC) 和電轉氣(power to gas,P2G)提供了更廣闊的空間。 由此,如何將農村屋頂光伏、分散式風電、垃圾發(fā)電及生物質燃料發(fā)電等分散式資源集成VPP,且將GPPCC 和P2G 嵌入VPP,將有利于充分發(fā)揮農村地區(qū)的資源和環(huán)境優(yōu)勢。

就不確定性分析而言,虛擬電廠主要是將分散式風電、分布式光伏及靈活性負荷等分布式資源進行集成,運行過程中面臨多重不確定性因素,如何刻畫其不確定性是進行最優(yōu)化調度的關鍵。 一般來說,不確定性分析方法主要包括2 個路徑,即模擬不確定性變量概率分布曲線[7]和建立不確定性度量方法[8]。 文獻[9]應用拉丁超立方抽樣法對風電和光伏發(fā)電的概率密度進行模擬;文獻[10]利用分布式魯棒方法對負荷不確定性進行分析和建模,用于開展隨機優(yōu)化模型的構建。 然而,對比上述2 種路徑,前者受到外部環(huán)境影響,獲得的概率分布曲線精度難以滿足決策要求,后者數學方法往往過于復雜,難以直接實踐應用。 實際上,不確定性分析主要是決策變量實際狀態(tài)與預測值發(fā)生偏差,也稱之為信息間歇,如何刻畫這種信息間歇是不確定性分析的重要問題,由此,本文引入信息間隙決策理論(information gap decision theory,IGDT)[11],構造農村虛擬電廠隨機調度優(yōu)化模型。

就系統(tǒng)運行優(yōu)化模型構建而言,如何針對不同構成單元運行約束,選擇合理的優(yōu)化目標是VPP 調度的關鍵。 已有研究更多選擇經濟效益最大化或成本最小化作為優(yōu)化目標,如文獻[12]基于Pareto 規(guī)則提出“聚合-分裂”機制,促進虛擬電廠的有序進化,形成虛擬電廠自組織聚合運行策略;文獻[13]整合經濟效益、社會效益、棄風成本等構成綜合收益最大化目標;文獻[14]以居民社區(qū)虛擬電廠為例,分析了經濟效益最大化目標下不同組件的最優(yōu)裝機容量。上述相關文獻未能涉及到虛擬電廠的環(huán)境效益,忽略了對VPP 運行碳排放量的測算,特別是,未能結合農村地區(qū)的資源條件,分析如何設置環(huán)境目標,引導農村地區(qū)將環(huán)境容量轉變?yōu)榻洕б妗?由此,本文考慮到所提的農村虛擬電廠(GPPCC-P2G-WI-based VPP, GPW-VPP)中含有BPG 和WI,并且配置了GPPCC 和P2G,選取收益最大化和碳排放最小化作為優(yōu)化目標。

綜上,為促進農村分散式資源優(yōu)化利用,本文將GPPCC、P2G 與常規(guī)虛擬電廠進行集成,構造農村碳捕集虛擬電廠,并利用IGDT 描述風電、光伏發(fā)電及用戶負荷的不確定性,建立GPW-VPP 隨機調度優(yōu)化模型,最后以蘭考能源革命試點為對象,驗證所提模型的有效性和適用性。

1 農村碳捕集虛擬電廠結構與建模

1.1 農村碳捕集虛擬電廠結構

針對我國農村地區(qū)存在大量生物質秸稈、垃圾、屋頂光伏、分散式風電等分布式能源特性,本文提出將燃氣碳捕集設備、電轉氣、垃圾發(fā)電與常規(guī)虛擬電廠集成為GPW-VPP。 其中,VPP 主要包括風電(wind power plant,WPP)、光伏發(fā)電(photovoltaic generators,PV)、生物質燃料發(fā)電及負荷需求響應(demand response,DR)。 負荷需求響應主要來源于電動汽車(electric vehicle,EV)、小工業(yè)負荷、農業(yè)負荷和居民生活負荷。 GPW-VPP 系統(tǒng)結構如圖1所示。

根據圖1,通過將GPPCC、P2G 和WI 與常規(guī)虛擬電廠相集成,可利用WPP、PV、BPG 和WI 來滿足負荷需求,并通過調用負荷需求響應匹配WPP 和PV發(fā)電的不確定性。 同時,GPPCC 可用于捕集BPG 和WI 發(fā)電過程中的CO2,再利用P2G 將CO2轉化為CH4,用于BPG 再次發(fā)電,實現電- 碳- 電循環(huán)優(yōu)化,這將有利于實現碳的循環(huán)利用,達到近零碳排放的目標。

圖1 GPW-VPP 系統(tǒng)結構Fig.1 GPW-VPP system structure

式中:gWPP,t表示WPP 在t時刻的發(fā)電出力;vt表示t時刻的自然來風風速;vin、vout分別表示切入風速、切出風速;vrated表示額定風速;gWPP,R表示WPP 的額定功率;gPV,t表示PV 在t時刻的發(fā)電出力;SPV表示PV光伏板的面積;RPV,t表示t時刻的光照強度;ηPV、ηinv、ηabs分別表示PV 的光伏模組平均效率、太陽能轉換效率和太陽能吸收率;ηloss表示PV 系統(tǒng)損耗。

BPG 存在直燃、沼氣、成型3 種方式,由于GPWVPP 存在P2G,為將P2G 產生的CH4用于發(fā)電,本文選擇生物質燃料汽化發(fā)電(沼氣)作為BPG 發(fā)電方式,并將CH4發(fā)電效率近似看作與沼氣相同,則BPG發(fā)電出力與燃料消耗關系為[15]:

式中:gBPG,t表示沼氣發(fā)電的輸出功率;Fp表示沼氣發(fā)電的壓強;FBPG,t表示BPG 發(fā)電在t時刻的沼氣消耗量;?0為常數項系數;?1和?2為沼氣發(fā)電壓強和沼氣消耗量的線性項系數;?3為二次項系數。

垃圾焚燒發(fā)電主要通過煙氣處理系統(tǒng)實現,由于其燃料日供應量約束,發(fā)電時間安排上具有可調節(jié)性,特別是安裝煙氣儲氣裝置后,可實現發(fā)電時間與煙氣處理時間的解耦,作為可控負荷參與VPP 優(yōu)化調度[16]。 圖2 為垃圾焚燒電廠煙氣處理系統(tǒng)結構。

圖2 垃圾焚燒電廠煙氣處理系統(tǒng)結構Fig.2 Structure of the flue gas treatment system of a waste incineration power plant

1.2 農村碳捕集虛擬電廠建模

農村碳捕集虛擬電廠由分布式電源、靈活性負荷及GPPCC、P2G 構成。

1.2.1 分布式電源建模

WPP 和PV 發(fā)電出力主要取決于自然風速和太陽能輻射強度,盡管自然來風風速和太陽能輻射強度具有強不確定性,但已有研究證明Weibull 函數和Beta 函數可分別用于描述自然風速和太陽能輻射的分布規(guī)律,具體可見文獻[3]。 WPP 和PV 的發(fā)電出力模型為:

根據圖2,WI 發(fā)電產生的煙氣分流進入儲氣裝置和反應塔,引入煙氣分流比λ反映流入反應塔的煙氣量占總煙氣量的比值,調節(jié)進入儲氣罐的煙氣量,具體數學建模為:

式中:Qt表示WI 在t時刻電廠產生的煙氣總量;QGR,t、QGS,t分別表示t時刻進入反應塔和儲氣罐中的煙氣量;gWI,t表示WI 在t時刻的發(fā)電出力;eWI表示WI 單位發(fā)電產生的煙氣量。

WI 發(fā)電過程中還存在氣泵能耗,包括儲氣罐進出煙氣能耗和儲氣罐進入反應塔煙氣能耗,則WI 處理煙氣消耗的總功率包括氣泵能耗功率和處理煙氣消耗功率兩部分,具體建模為:

1.2.2 負荷需求響應建模

農村地區(qū)存在居民生活用電、小工業(yè)用電、電動車充電、農業(yè)用電等多種類型,且均能參與需求響應,而DR 主要包括價格型需求響應(price-based demand response,PBDR)和激勵型需求響應(incentive-based demand response,IBDR)兩種類型,表1 為不同類型負荷參與需求響應方式。

表1 不同類型負荷參與需求響應方式Table 1 Different types of loads participating in demand-response methods

根據表1,農村電動車主要是單向充電,不存在放電。 居民生活用電和農業(yè)用電是必需用電,往往難以轉移,只能削減,小工業(yè)用電相對靈活,能夠轉移和削減,只有小工業(yè)用電負荷可提供價格型需求響應,電動車負荷可提供價格型和激勵型需求響應。 因此,農村用戶負荷需求響應建模為:

式中:ΔLDR,t表示t時刻用戶提供的負荷需求響應;表示t時刻用戶z是否參與PBDR 和IBDR;和表示t時刻用戶z提供的PBDR 和IBDR。

PBDR 主要是利用分時電價間接引導用戶調整用電負荷,是可控的負荷調節(jié)資源。

IBDR 主要是由調度中心直接控制,調用用戶響應系統(tǒng)運行,并支付相應的備用補償,包括合約響應負荷和緊急響應負荷。 前者通過與用戶簽訂合約實現,后者則是當發(fā)生緊急響應需求時,根據需求情況提供不同的響應價格,用戶根據緊急響應價格選擇分步提供需求響應,因此,IBDR 主要包括合約響應、增加響應和減少響應三部分,具體模型為[8]:

1.2.3 GPPCC-P2G 模型

GPPCC-P2G 主要是將BPG 和WI 產生的CO2利用GPPCC 設備進行捕集,并配置儲碳設備,實現碳捕集和發(fā)電時間的解耦。 GPPCC-P2G 通過捕集BPG 和WI 發(fā)電產生的CO2,用于P2G 甲烷化生成反應,直接供給WI,實現CO2循環(huán)利用,則GPPCCP2G 的能耗模型為:

其中,與燃煤機組碳捕集有所不同,BPG 和WI產生的CO2濃度低、氧氣濃度較高,故碳捕集工藝由煙氣預處理、CO2吸收與溶劑再生、CO2壓縮液化三部分組成,具體如圖3 所示。

圖3 GPPCC 碳捕集運行流程Fig.3 Operation process of GPPCC carbon capture

根據圖3,GPPCC 主要是將BPG 和WI 產生的CO2進行捕集,進入碳儲設備、P2G 和排向大氣,則GPPCC 的碳捕集模型為:

式中:QCH4,t表示P2G 在t時刻產生的CH4;表示P2G 在t時刻的耗電功率;ηP2G,t表示P2G 的設備運行效率;HL表示CH4熱值。

2 農村碳捕集虛擬電廠近零碳調度優(yōu)化模型

2.1 目標函數

如何將農村資源和空間優(yōu)勢轉化為電力能源,是提高農村用戶經濟收益的重要方式,這使得收益最大化目標是GPW-VPP 首要優(yōu)化運行的目標。 同時,由于農村具有較強的環(huán)境承載能力,更多碳配額可進入市場交易,將成為農村地區(qū)又一經濟來源,故碳排放量最小化目標作為GPW-VPP 運行的第2 個目標。

1)收益最大化目標。

2)碳排放最小化目標。

GPW-VPP 的碳排放主要源于BPG 和WI,而GPPCC 和P2G 能通過捕集CO2,將其轉化為CH4,若全部CO2在調度周期末存儲于碳儲設備中,則GPWVPP 實現了近零碳排放目標,具體目標函數為:

式中:表示GPW-VPP 的碳排放量;表示t時刻P2G 消耗來自GPPCC 的CO2捕集量;表示t時刻CS 再存儲來自GPPCC 的CO2捕集量。

2.2 約束條件

對于GPW-VPP 來說,其運行過程中需要考慮負荷供需平衡約束、分布式電源出力約束、靈活性負荷需求響應約束及GPPCC-P2G 運行約束。

1)負荷供需平衡約束。

2)分布式電源出力約束。

VPP 中,WPP 和PV 發(fā)電出力不能超過最大發(fā)電能力[7],BPG 出力包括自身發(fā)電出力和來自P2G提供CH4的發(fā)電出力,設,則出力約束為:

對于WI 來說,主要包括GR 和GS 兩部分,涉及到GR 發(fā)電約束和GS 儲氣約束,這就要求滿足最大運行功率約束和最大儲氣量約束,具體約束條件為:

3)靈活性負荷需求響應約束。

DR 運行約束需要考慮負荷調整能力約束、最大變動量約束、負荷爬坡能力和上下調峰能力約束等。PBDR 產生的用戶負荷響應及IBDR 提供的合約負荷響應均不能超過最大允許響應[7]。

4)GPPCC-P2G 運行約束。

GPPCC 須考慮最大運行功率約束和碳儲設備運行約束,GS 須考慮不能超過最大允許儲氣容量,具體約束條件如下:

3 農村碳捕集虛擬電廠隨機調度優(yōu)化模型

3.1 IGDT 模型

VPP 的不確定性主要源于WPP、PV 和用戶的靈活性負荷,如何刻畫不確定性因素的波動特性是構建優(yōu)化運行模型的重要前提。 實際上,不確定性分析主要是決策變量實際狀態(tài)與預測值發(fā)生偏差,也稱之為信息間隙,如何刻畫這種信息間歇是不確定性分析的重要問題。

為解決這類信息間隙問題,Yakov Ben-Haim 等人在20 世紀80年代提出并不斷完善了IGDT,用于描述不確定性信息已知和未知之間的間隙狀態(tài),分析不確定性程度及后果,從而制定更加符合實際的決策方案[17]。 IGDT 基本模型包括系統(tǒng)模型、不確定性模型和最低需求模型。 對于任一個初始系統(tǒng)模型,均可寫成目標函數、不等式約束和等式約束的形式,具體為:

式中:R(·)為目標函數;q為確定參數;v為不確定參數;H(·)為不等式約束;G(·)為等式約束。 考慮不確定性變量v,其對應的預測值是,則可利用區(qū)間對不確定性變量的浮動狀態(tài)進行描述,具體為:

式中:α為參數v的不確定度,也就是對于集合U(α,中的v,其相對于預測值的最大擾動量為。

最低需求模型主要用于描述不確定性變量預測值偏差給系統(tǒng)決策帶來的影響,考慮參數rc為決策者能夠接受的目標值下限,則對于任意參數v,目標函數R(q,v)都能夠滿足如下約束[18]:

根據式(34)—(36)可將原初始系統(tǒng)決策模型轉化為不確定性決策模型,具體為:

通過上述最優(yōu)模型能保證在決策者能夠接受的目標值前提下,承受不確定性參數的最大化波動。 通過式(37)求取決策值q,能保證v在集合內擾動時,都能取得決策者可接受的目標值rc。

3.2 隨機調度優(yōu)化模型

GPW-VPP 存在WPP、PV 和用戶負荷3 個不確定性變量,GPW-VPP 優(yōu)化決策是以不確定性變量預測信息為基礎數據,當不確定性變量實際值與預測值發(fā)生偏差時,即認為發(fā)生了信息間隙。 因此,本文利用IGDT 方法構造GPW-VPP 隨機調度優(yōu)化模型,該方法通過分別構造與上述2 個方向對應的風險規(guī)避(魯棒)模型和風險投機(機會)模型,形成一個開放式的決策優(yōu)化策略。

首先,處理WPP、PV 和用戶負荷的不確定性,具體為:

式中:ρR,t表示t時刻單位棄風成本。

傳統(tǒng)IGDT 方法只能將單目標模型轉換為不確定性決策模型,當GPW-VPP 需要同時考慮運營收益最大化和碳排放量最小化時,需要將雙目標轉換為單目標。 實際上,在追求最大化收益過程時,風電和光伏發(fā)電主要用于直接發(fā)電上網獲取收益,導致電轉氣設備利用效率降低,造成BPG 和WI 產生的CO2未被處理,產生更多的碳排放;反之,在追求最小化碳排放過程時,風電和光伏發(fā)電會被用于進行電轉氣,從而將CO2轉化為CH4,再次用于發(fā)電,這會降低風電和光伏發(fā)電收益,影響虛擬電廠收益[19]。

由此,最大化運營收益目標和最小化碳排放量目標的優(yōu)化方向和單位量綱不一致,如何兼容這2 個目標的優(yōu)化需求,是需要解決的問題。 本文選擇模糊滿意度理論中的升半直線形隸屬度函數和降半梯度隸屬度函數,分別用于處理最大化運營收益目標和最小化碳排放總量目標,具體過程如下:

式中:ρ(f1) 為GPW-VPP 最大化運營收益的隸屬度函數;為最大化運營收益目標函數的理想值;?1為決策者可接受的最大化運營收益目標函數的增加值,是將目標進行一定的伸縮。

式中:ρ(f2) 為GPW-VPP 最小化碳排放量目標函數的隸屬度函數;為最小化碳排放量目標函數的理想值。

根據式(40)、(41),引入決策者預期目標的風險偏差系數σrisk,可將雙目標函數轉為決策者預期目標函數,具體為:

式中:ρ(f) 為GPW-VPP 運營的綜合目標函數;ρ(frisk) 為決策者的預期目標值;σrisk為預期目標偏差系數,當決策者目標值ρ(frisk) 高于ρ(f) 時,σrisk取大于0 的值。 根據式(42),GPW-VPP 在考慮不確定性情景下的調度決策值不應高于ρ(f) ,具體約束為:

式中:gt、ut表示風光之外的BPG 和WI 在t時刻的出力和啟停狀態(tài)向量。 在滿足調峰交易決策成本不高于預期目標ρ(frisk) 的情況下,求解最大不確定性程度α,建立GPW-VPP 隨機調度決策模型,具體為:

式(44)確立了基于改進IGDT 方法的GPW-VPP運營優(yōu)化模型,該模型考慮了WPP、PV 和用戶負荷不確定性變量的極端情景,保證了所求得的決策方案具有較強的適用性,也可稱之為魯棒性。 但隱含條件是目標函數隨WPP、PV 和用戶負荷的不確定性呈現單調變化,從而能夠利用式(43)進行極值計算。 然而,從式(42)能夠看到,GPW-VPP 的決策目標還包括最小化碳排放量優(yōu)化目標,實際上,WPP 和PV 發(fā)電是能產生碳減排效應的,這使得WPP、PV 的不確定性與碳交易成本是相互沖銷的,這也使得目標函數隨不確定性變量呈現非單調變化,限制了式(44)的適用空間,也就是WPP、PV 發(fā)電出力最大或最小場景對應的決策成本不一定最大,此時,就需要建立求取最惡劣情景的方法。

3.3 極端惡劣情景

GPW-VPP 中,當WPP 和PV 實際值低于預測值,而用戶負荷實際值高于預測值,且系統(tǒng)凈負荷快速增加時,不確定性變量對系統(tǒng)穩(wěn)定運行的影響將達到最大,即為極端惡劣情景,具體計算為:

式中:Nt表示t時刻的凈負荷波動率;Lnet,t表示t時刻的凈負荷需求;表示GPW-VPP 的最大發(fā)電能力;gGPW-VPP,t表示GPW-VPP 在t時刻的發(fā)電出力;SGS,t表示GS 在t時刻的儲氣量;表示WI 在的最大發(fā)電能力;表示BPG 的最大發(fā)電能力;ηCS,t、ηGS,t表示CS 和GS 在t時刻的發(fā)電效率。

根據式(46)能夠得到凈負荷波動性,進一步選擇負荷波動程度最大的情景,作為GPW-VPP 運行的最惡劣情景,具體計算為:

式中:Sworst為GPW-VPP 運行的最惡劣情景。 進一步,構造對應最惡劣情景的GPW-VPP 調度優(yōu)化決策目標函數,具體為:

根據式(48)確立了GPW-VPP 在最惡劣情景下交易決策目標。 該情景求取的GPW-VPP 調度優(yōu)化決策方案為最保守交易方案。

4 算例分析

4.1 基礎數據

為對所提模型的有效性和適用性進行驗證,本文選擇我國蘭考能源革命試點為對象,截至2019年底,蘭考縣新能源裝機527.1 MW,其中生物質電廠裝機39 MW(秸稈24 MW、垃圾15 MW),分散式風電裝機31 MW,分布式裝機58.1 MW。 為匹配上述新能源裝機規(guī)模,本文設定WI 配置45 m3的煙氣存儲裝置,調度周期始末儲氣量均為0。 表2 為蘭考WPP、PV、BPG 和WI 的設備運行參數。

由表2 可知,WPP 和PV 發(fā)電成本與發(fā)電量正相關,而BPG 和WI 發(fā)電成本函數是一元二次函數。 其中,WI 設備參數還包括eWI=0.96、wWI=0.60 和wSP==15 m3/h 和φWI,t=328 元/(MW·h),而BPG 發(fā)電輸出功率參數?0、?1、?2和?3分別為-2338.10、323.42、8.46 和26.05。 考慮WI 和BPG就近配置GPPCC 和P2G 設備,GPPCC 設備參數包括gA=15 MW,eCO2,t=0.76 t/(MW·h),λCO2,t =0.23 MW·h/t,ηGPPCC,t的 最 大 值 為 0.9[16],φGPPCC,t=234 元/(MW·h)。 GPPCC 配置80 t 的碳存儲裝置,碳存儲能力為20 t/h。 P2G 設備參數包括ηP2G,t=0.9和φP2G,t=138 元/(MW·h),的最大 值 為 10 MW。 碳 排 放 權 交 易 價格ρCO2,t=689 元/(MW·h)。

表2 WPP、PV、WI 和BPG 設備參數Table 2 Equipment parameters for WPP, PV, WI, and BPG

2019年,蘭考縣戶籍總數為28.85 萬戶[20],擁有電動車戶占比4%,能夠參與GPW-VPP 調度的比重為30%,電動車平均功率為0.35 kW,充電量為21 kW·h。其中,生活用電和農業(yè)用電不能參加PBDR,用電價格分別為521.0、464.2 元/(MW·h);小工業(yè)用電和電動車用電可參與PBDR,設PBDR 前價格為735.5、769.5 元/(MW·h);PBDR后,峰(08:00—12:00)、平(12:00—00:00)、谷(00:00—08:00)時段價格調整系數分別為1.57、1.00 和0.50 元/(kW·h)。 生活用電、小工業(yè)用電和電動車用電參與IBDR 合約響應價格為240 元/(MW·h),提供IBDR 減負荷響應價格為240 元/(MW·h)和IBDR增負荷響應價格為740 元/(MW·h)。 圖4 為典型負荷日WPP、PV 的預測出力和不同類型用戶負荷需求。

由圖4 可知,在白天負荷峰時段,風電可用出力相對較低,而光伏在夜間不出力,彼此間存在互補性。此外,設定GPW-VPP 根據WPP 和PV 的預測出力,將80%總出力作為與電網簽訂的合同電量,剩余電量通過市場競價交易完成,合約價格為650 元/(MW·h),違約懲罰價格系統(tǒng)δ=1.8。 設定GPWVPP 的預測精準度為0.92,決策者初始目標偏差系數為0.5,可接受目標函數和的增加值為初始值的0.15。

圖4 典型負荷日風光預測出力及用戶負荷需求Fig.4 WPP, PV forecast output and load demand of different users in a typical load day

4.2 算例結果

4.2.1 方法有效性驗證

本節(jié)分析常規(guī)情景下GPW-VPP 調度優(yōu)化結果,應用IGDT 方法描述考慮風光不確定性的GPW-VPP調度優(yōu)化運行,測算不同預期目標偏差系數下的不確定性程度。 圖5 為GPW-VPP 可承受不確定性程度與預期目標偏差系數的關系。

圖5 不確定度α 與預測客觀系數σrisk的關系Fig.5 Relationship between uncertainty degree α and predicted objective coefficients σrisk

根據圖5 可知,不確定性程度與預測目標偏差系數呈線性關系,即隨著預期目標偏差系數的增大,決策者能夠承受的成本增大,允許的不確定性程度也逐步增加,當預測目標偏差系數為0.5 時,不確定性程度σrisk=0.142,表明不確定性變量實際值在預測值的0.858 ～1.142 范圍內波動時,采用本文方法所得決策方案,能保證調度決策方案的成本小于決策者預期成本。

4.2.2 常規(guī)情景調度優(yōu)化結果

基于上述分析,分別對收益最大化、碳排放最小化和綜合最優(yōu)目標函數下GPW-VPP 調度結果進行測算,表3 為不同優(yōu)化目標下GPW-VPP 運營結果。

表3 不同優(yōu)化目標調度結果對比分析Table 3 Comparative analysis of results under different optimization objectives

根據表3,當GPW-VPP 按照收益最大化目標運行時,由于BPG 和WI 發(fā)電出力可控,不會發(fā)生違約懲罰成本,出力相對較高,其產生的更多CO2被GPPCC捕捉,并用于P2G 轉換CH4,實現電-氣-電循環(huán)。 當GPW-VPP 按照碳排放最小化目標運行時,WPP 和PV 發(fā)電出力最多,而WI 則未進行發(fā)電,BPG 發(fā)電下降18%,導致運營收益下降6.61%,但碳排放量最低僅為225.45 t,下降67.11%;當GPWVPP 按照綜合最優(yōu)目標運行時,運營收益僅比收益最大化目標低4.6%,碳排放量比收益最大化目標低35.76%。 由此,在追收收益最大化時,較少風電和光伏發(fā)電被P2G 用于轉化CO2為CH4,更多用于直接發(fā)電上網,導致碳排放量會相對增加,而在追求碳排放量最小化時,風電和光伏發(fā)電會更多被P2G 用于將CO2轉化為CH4,導致收益相對降低。 在綜合優(yōu)化目標下,VPP 的運營收益和碳排放量均處于單獨優(yōu)化目標,這也說明綜合調度方案能夠獲得更佳均衡的調度策略。 圖6 為綜合優(yōu)化目標函數下GPW-VPP運營優(yōu)化結果。

根據圖6,由于PV 在11:00—13:00 和WPP 在17:00—19:00 時段出力較高,導致下調峰需求較大,故EV 提供負的發(fā)電出力,增加PV 和WPP 消納空間,減少碳排放。 同時,PV 在00:00—07:00 和20:00—24:00出力幾乎為0,加之碳減排目標限制WI 發(fā)電出力,上調峰需求較大,IBDR 提供正發(fā)電出力。 對比BPG 和WI,BPG 基本全部按照額定功率運行,WI 則匹配WPP 和PV 發(fā)電可用出力,調整自身出力,在谷時段配合WPP、BPG 滿足負荷需求。 就GPPCC-P2G來說,GPPCC 捕捉CO2傳送到P2G 或存儲到CS 中,在谷時段用電較多,峰時段用電較少,間接為GWP-VPP 提供調峰服務,P2G 則維持穩(wěn)定出力,滿足GPW-VPP 負荷需求。 圖7 為不同用戶需求響應后的負荷變化情況。

圖6 綜合優(yōu)化目標下的GPW-VPP 運行優(yōu)化結果Fig.6 Operation optimization results of GPW under comprehensive optimization objectives

圖7 不同用戶需求響應出力Fig.7 DR output for different user load

根據圖7,小工業(yè)用戶參與IBDR 和PBDR,在谷時段增加用電負荷,而在峰時段削減用電負荷,其中,小工業(yè)用戶通過IBDR 產生的負荷變化量分別為16 MW·h和-28 MW·h,而通過PBDR 產生的負荷變化量分別為±45.11 MW·h。 居民用戶因其用電屬性為必須用電,僅能通過減少用電參加IBDR,總的負荷變化量為-32 MW·h。 此外,CS 和GS 能夠通過存儲CO2和CH4,在GPW-VPP 需要增加發(fā)電時,將其輸送至P2G 和WI,滿足負荷需求,圖8 為綜合優(yōu)化目標下GPW 的煙氣流和CO2流。

圖8 綜合運行模式下GPW 煙氣流量和CO2流量Fig.8 Flue gas flow and CO2 flow of GPW under the integrated operation mode

根據圖8,從煙氣流來看,在谷時段,用電價格較低,WI 產生的煙氣僅00:00 和05:00 用于發(fā)電,彌補WPP 可用出力不足,剩余時段則主要存儲于GS;在峰時段,用電價格較高,WI 產生的煙氣量較少,GS中煙氣用于GR 發(fā)電;在平時段,WI 在13:00—17:00將GS 中煙氣輸送至GR 發(fā)電,而在18:00—22:00 用戶負荷需求較低,則將產生的煙氣存儲至CS,在23:00—24:00進入GR 發(fā)電。 從CO2流來看,在谷時段和峰時段,GPPCC 捕捉的CO2更大比例用于P2G發(fā)電,較少部分存儲于CS,實現碳循環(huán)利用,而在12:00—19:00,因PV 可用出力逐漸降低,故CS 將CO2逐漸傳輸至P2G 進行發(fā)電,在20:00—24:00,GPPCC 捕捉的CO2則直接用于P2G 進行發(fā)電,最大程度實現碳循環(huán)利用,降低碳排放量。

4.2.3 極端劣情景調度優(yōu)化結果

本節(jié)對極端惡劣情景下的GPW-VPP 調度優(yōu)化結果進行分析,同樣分析收益最大化、碳排放最小化和綜合最優(yōu)3 個目標下各單元出力結果。 表4 為極端惡劣情景下GPW-VPP 不同目標函數下各單元出力結果。

根據表4,與常規(guī)情景一致,綜合最優(yōu)目標能兼顧收益最大化目標和碳排放最小化目標雙重需求。但在極端惡劣情景下,為避免WPP 和PV 不確定性給GPW-VPP 帶來違約懲罰成本,WPP 和PV 發(fā)電出力很低,以綜合最優(yōu)目標為例,相比常規(guī)情景,發(fā)電出力降低23.84%和22.22%,導致BPG 和WI 提供調峰出力降低,GPPCC 的碳捕捉需求減少。 GPW-VPP總收益僅為38.47 萬元,碳排放量為542.6 t,分別變動31.61%和59.38%,這意味著GPW-VPP 更愿意規(guī)避WPP 和PV 違約懲罰成本,更高比例調用BPG和WI,導致運營收益降低和碳排放量增加。 圖9 為最惡劣情景下GPW-VPP 優(yōu)化運營結果。

表4 不同目標函數下各單元出力結果Table 4 Output results of each unit under different objective functions

根據圖9,相比常規(guī)情景,GPW-VPP 調用WPP和PV 發(fā)電出力明顯降低,對BPG 和WI 的調峰需求降低,GPPCC 和WI 運行過程中消耗的電量也減少,總的發(fā)電出力降低, 凈負荷曲線的峰荷降低25.81%。 從GPW-VPP 運行結果可看出,GPPCC 基本維持額定功率運行,即3.69 MW,而WI 發(fā)電出力基本維持在15 MW 左右,但系統(tǒng)對IBDR 的調用出力要高于常規(guī)情景, 正負出力分別為 28、-68 MW·h,表明更多調峰需求由IBDR 滿足,最終實現GPW-VPP 最優(yōu)化運行。

圖9 最惡劣場景下GPW-VPP 優(yōu)化運營結果Fig.9 Optimized operation results of GPW-VPP under the worst scenario

5 結論

針對農村地區(qū)存在大量分布式能源,本文將GPPCC、P2G 和WI 與常規(guī)虛擬電廠進行集成,形成農村碳捕集虛擬電廠,并針對風電、光伏發(fā)電和負荷的不確定性,構造了基于IGDT 的農村碳捕集虛擬電廠近零碳優(yōu)化運行模型,以蘭考農村能源革命試點為對象進行實例分析,得到結論如下:

1)GPW-VPP 能夠聚合農村不同類型分布式能源,發(fā)揮用戶靈活性負荷的調節(jié)性功能,最優(yōu)化利用WPP 和PV 等分布式清潔能源。 WI 通過配置煙氣儲氣裝置,可實現發(fā)電時間與煙氣處理時間的解耦,作為可控負荷參與VPP 優(yōu)化調度。 GPPCC 能夠將BPG 和WI 產生CO2進行捕集,用于P2G 將CO2轉化為CH4,進入BPG 再次發(fā)電,實現電-碳-電循環(huán)。

2)基于IGDT 方法的近零碳調度優(yōu)化模型能夠度量不確定性風險,刻畫GPW-VPP 可承受不確定性程度與預期目標偏差系數的關系,制定兼顧收益最大化、碳排放最小化雙重目標需求的最優(yōu)運行方案。 當預測目標偏差系數為0.5,得到不確定性程度σrisk=0.142,表明不確定性變量實際值在預測值的0.858 ～1.142 范圍內波動時,能實現決策方案成本小于決策者預期成本。

3)相比單目標運行情景,當GPW-VPP 按照綜合最優(yōu)目標運行時,運營收益和碳排放量相比收益最大化目標分別降低4.60%和35.76%,在極端惡劣情景下,WPP 和PV 出力降低23.84%和22.22%,GPWVPP 的總收益和碳排放量分別變動31.61%和59.38%。