当前位置：服务支持 > 软件文章 > 电转气协同碳捕集垃圾焚烧虚拟电厂调度

电转气协同碳捕集垃圾焚烧虚拟电厂调度

阅读数 3

💥1 概述

文献来源：

编辑

1.1 计及 P2G 协同的含碳捕集和垃圾焚烧 VPP 结构和基本原理

本文所提出的 VPP 系统构成如图 1 所示，其中包含有可灵活调控发电单元(火电机组和垃圾焚烧

电厂)、不可调控发电单元(风电和光伏)、P2G 装置、碳捕集系统、垃圾焚烧电厂的储气装置、电储能和热储能｡电负荷由可中断负荷(interruptible load，IL)和固定负荷组成，切断 IL 时需按中断等级给予用户补偿费用[13]。燃气机组由热电联产(combined heat and power，CHP)机组和燃气锅炉组成，热负荷由两者协调提供。

编辑

除 CHP 机组外，各发电机组都可以向碳捕集系统和烟气处理系统提供能耗，通过加装储气装

置，使得烟气处理与发电关系解耦，利用不同能量资源在能量/功率上的时空互补性，调度优化上更为灵活地配合可再生能源的出力变化和平抑净负荷波动｡各单元的协同运行调度指令依靠能量管理系统采集数据信息后预测出的能量市场电价、可再生能源出力和电热负荷来制定[13]。

1.2 CCPP-P2G-燃气机组子系统

现有 VPP 文献涉及碳捕集电厂–P2G 系统框架的较少，且未有涉及参与燃气供热的综合调度。因

此，本文将碳捕集电厂、P2G 和燃气机组聚合为碳捕集–电转气–燃气机组供热(CCPP-P2G-燃气机组) 系统，将 CCPP 捕集的 CO2 作为优质原料提供给P2G 装置，利用 P2G 消纳弃风弃光生成天然气提供给燃气机组，P2G 生成天然气量和燃气机组天然气需求量的差值参与到天然气市场。CCPP-P2G-燃气供热系统不仅可减少捕集 CO2 后的封存成本，还可将弃风弃光转化成天然气储存于天然气网络，减少CHP 机组和燃气锅炉的购气成本，具有削峰填谷效应，实现了负荷的时空转移。框架如图 2 所示。

编辑

摘要

本文提出了一种计及电转气（Power-to-Gas, P2G）协同的含碳捕集与垃圾焚烧虚拟电厂（Virtual Power Plant, VPP）优化调度模型。该模型通过引入碳捕集电厂-电转气-燃气机组协同利用框架，将碳捕集的CO₂作为电转气的原料，生成的天然气供应给燃气机组，实现碳的循环利用。同时，通过联合调度将碳捕集能耗和烟气处理能耗进行负荷转移，以平抑可再生能源波动，提升风电/光伏的消纳能力。仿真结果表明，该模型能有效降低虚拟电厂的运行成本和碳排放量，提升可再生能源利用率。

1. 引言

随着全球气候变暖和能源危机的日益严峻，发展低碳、清洁、高效的能源系统已成为全球共识。虚拟电厂作为一种新兴的电力系统运行和管理模式，通过聚合分布式电源、储能系统和可控负荷等资源，实现区域能源的集中优化调度和控制，从而提高能源利用效率，增强电网稳定性和灵活性。在虚拟电厂的构成中，碳捕集技术（Carbon Capture and Storage, CCS）和垃圾焚烧发电（Waste-to-Energy, WtE）具有重要的战略意义。然而，CCS技术的运行需要消耗大量能量，而WtE发电受到垃圾供应量和热值波动的影响，其发电出力具有不确定性。因此，如何协调CCS与WtE的运行，实现虚拟电厂的整体优化，是亟待解决的问题。

电转气技术作为一种重要的能源存储和转换技术，可以将过剩的电能转化为氢气或合成天然气，实现电力和天然气网络的互联互通。将电转气技术引入含CCS与WtE的虚拟电厂中，可以有效缓解CCS的能量需求，平抑WtE发电的波动性，并为虚拟电厂提供额外的灵活性。

2. VPP模型构建

2.1 系统组成

本文构建的虚拟电厂包含以下主要组成部分：

化石能源发电单元：主要指燃煤或燃气发电机组，是电力系统的主力电源，也是碳排放的主要来源。集成碳捕集系统（CCS）用于捕集发电过程中产生的二氧化碳。
垃圾焚烧发电单元（WtE）：利用城市生活垃圾进行焚烧发电，具有清洁能源和资源化利用的双重效益。WtE发电的出力受到垃圾供应量和热值波动的影响，具有一定的不确定性。
电转气单元（P2G）：将过剩的电能转化为氢气或合成天然气，可以有效缓解CCS的能量需求，平抑WtE发电的波动性，并为虚拟电厂提供额外的灵活性。
可再生能源发电单元：包括风电、光伏等可再生能源，具有零碳排放的优点，但其发电出力具有间歇性和随机性。
储能单元（ESS）：包括电池储能、抽水蓄能等，用于平抑可再生能源发电的波动性，提高电力系统的稳定性。
可控负荷：指可以根据电力系统的运行状况进行调整的负荷，可以参与需求响应，提高电力系统的灵活性。

2.2 协同运行框架

本文引入碳捕集电厂-电转气-燃气机组协同利用框架，具体运行机制如下：

碳捕集与利用：CCS系统捕集化石能源发电过程中产生的CO₂，将其作为P2G装置的原料。
电转气过程：P2G装置将电能转化为氢气或合成天然气，生成的天然气供应给燃气机组。
燃气机组供热：燃气机组利用P2G生成的天然气进行发电和供热，满足电力和热力负荷需求。
负荷转移与平抑：通过联合调度，将碳捕集能耗和烟气处理能耗进行负荷转移，以平抑可再生能源波动，提升风电/光伏的消纳能力。

3. 优化调度模型

3.1 目标函数

本文构建的优化调度模型旨在最小化虚拟电厂的运行成本，同时满足电力系统的运行约束和环保要求。目标函数包括：

发电成本：包括化石能源发电、WtE发电和可再生能源发电的成本。
碳排放成本：基于碳排放量和碳价计算的碳排放成本。
启动停机成本：主要指化石能源发电机的启动停机成本。

3.2 约束条件

电力平衡约束：保证发电量与负荷需求之间的平衡。
机组出力约束：限制各发电机组的出力范围。
储能系统约束：限制储能系统的充放电功率和容量。
可控负荷约束：限制可控负荷的调整范围。
CCS运行约束：限制CCS的捕集效率和能耗。
P2G运行约束：限制P2G的转化效率和容量。
网络安全约束：保证电力网络的安全稳定运行。

3.3 求解方法

鉴于所建优化模型具有高维非线性的特点，求解难度大，常规智能优化算法存在进化后期多样性大幅降低、易早熟等问题。本文设计一种新型的反余切复合微分进化算法（ACDE）对模型进行求解。该算法通过将反余切函数特性与复合微分进化算法相结合，提出新型的变异机制，在保留复合微分进化算法优点的同时，改善了进化后期种群多样性不足的缺陷，提高了算法的全局搜索能力和收敛速度。

4. 调度策略分析

4.1 基准场景

不考虑P2G，仅考虑CCS和WtE的协同运行，分析CCS和WtE的相互影响。

4.2 P2G参与场景

引入P2G，分析P2G对虚拟电厂运行的影响，以及P2G如何缓解CCS的能量需求，平抑WtE发电的波动性。

4.3 碳价敏感性分析

分析不同碳价对虚拟电厂调度策略的影响，以及碳价对碳减排的促进作用。

4.4 可再生能源渗透率分析

分析不同可再生能源渗透率对虚拟电厂调度策略的影响，以及如何提高可再生能源的消纳能力。

4.5 需求响应策略分析

分析需求响应对虚拟电厂运行的影响，以及如何利用需求响应提高电力系统的灵活性。

5. 仿真结果与分析

5.1 基准场景与P2G参与场景对比

仿真结果表明，引入P2G后，虚拟电厂的运行成本显著降低，碳排放量减少，可再生能源利用率提升。P2G技术通过消纳过剩电能生成天然气，有效缓解了CCS的能量需求，平抑了WtE发电的波动性。

5.2 碳价敏感性分析

随着碳价的上升，虚拟电厂的碳排放成本增加，促使调度策略向低碳方向调整。当碳价达到一定阈值时，虚拟电厂开始显著减少化石能源发电，增加可再生能源和WtE发电的比重。

5.3 可再生能源渗透率分析

提高可再生能源渗透率对虚拟电厂的调度策略提出了更高要求。仿真结果表明，通过合理配置储能系统和引入需求响应，可以有效提升可再生能源的消纳能力，减少弃风弃光现象。

6. 结论与展望

6.1 研究结论

本文研究了计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度问题。通过构建包含CCS、WtE和P2G的虚拟电厂优化调度模型，并考虑电力系统的运行约束和特点，探讨不同运行场景下的调度策略，得出以下结论：

P2G技术的引入可以有效缓解CCS的能量需求，平抑WtE发电的波动性，并为虚拟电厂提供额外的灵活性。
合理的碳价机制可以有效促进碳减排，引导虚拟电厂向低碳方向运行。
提高可再生能源渗透率需要采取相应的调度策略，如配置储能系统和引入需求响应，以提升可再生能源的消纳能力。

6.2 未来展望

未来的研究方向包括：

不确定性建模：考虑可再生能源发电、WtE发电和负荷需求的不确定性，构建鲁棒优化调度模型。
多目标优化：同时考虑经济性、环保性和可靠性，构建多目标优化调度模型。
实时调度：研究基于预测的实时调度策略，提高虚拟电厂的运行效率和灵活性。

📚2 运行结果

编辑

PXPARAM_Simplex_Display 2 CPXPARAM_MIP_Tolerances_MIPGap 9.9999999999999995e-07 CPXPARAM_Barrier_Display 2 Tried aggregator 2 times. MIQP Presolve eliminated 1308 rows and 290 columns. Aggregator did 288 substitutions. Reduced MIQP has 533 rows, 598 columns, and 1820 nonzeros. Reduced MIQP has 48 binaries, 0 generals, 0 SOSs, and 0 indicators. Reduced MIQP objective Q matrix has 24 nonzeros. Presolve time = 0.02 sec. (3.66 ticks) Probing fixed 0 vars, tightened 36 bounds. Probing time = 0.00 sec. (0.05 ticks) Tried aggregator 1 time. MIQP Presolve eliminated 1 rows and 0 columns. MIQP Presolve modified 34 coefficients. Reduced MIQP has 532 rows, 598 columns, and 1818 nonzeros. Reduced MIQP has 48 binaries, 0 generals, 0 SOSs, and 0 indicators. Reduced MIQP objective Q matrix has 24 nonzeros. Presolve time = 0.00 sec. (0.59 ticks) Probing time = 0.00 sec. (0.05 ticks) MIP emphasis: balance optimality and feasibility. MIP search method: dynamic search. Parallel mode: deterministic, using up to 16 threads. Root relaxation solution time = 0.02 sec. (7.22 ticks)

Nodes Cuts/ Node Left Objective IInf Best Integer Best Bound ItCnt Gap

0 0 204253.7116 18 204253.7116 19 * 0+ 0 206923.7624 204253.7116 1.29% 0 0 205911.7001 14 206923.7624 Cuts: 73 87 0.49% * 0+ 0 206410.6951 205911.7001 0.24% 0 0 206200.4407 13 206410.6951 Cuts: 48 139 0.10% 0 0 206239.8844 17 206410.6951 Cuts: 28 169 0.08% 0 0 206264.4953 17 206410.6951 Cuts: 12 193 0.07% 0 0 206266.9487 15 206410.6951 Cuts: 12 201 0.07% * 0+ 0 206353.2894 206266.9487 0.04% 0 2 206266.9487 15 206353.2894 206296.8327 201 0.03% Elapsed time = 0.13 sec. (60.75 ticks, tree = 0.01 MB, solutions = 3) * 15 4 integral 0 206352.9869 206352.8155 330 0.00% * 17 5 integral 0 206352.8638 206352.8155 332 0.00% Implied bound cuts applied: 1 Flow cuts applied: 2 Mixed integer rounding cuts applied: 51 Gomory fractional cuts applied: 11

Root node processing (before b&c): Real time = 0.13 sec. (60.02 ticks) Parallel b&c, 16 threads: Real time = 0.03 sec. (12.95 ticks) Sync time (average) = 0.03 sec. Wait time (average) = 0.00 sec. ------------ Total (root+branch&cut) = 0.16 sec. (72.98 ticks)