李鵬，余曉鵬，張藝涵，周青青，田春箏，喬慧婷

(1. 國網(wǎng)河南省電力公司經(jīng)濟(jì)技術(shù)研究院,鄭州市 450000;2. 國網(wǎng)河南省電力公司, 鄭州市 450000;3. 華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院,北京市 100026;4. 南方電網(wǎng)能源發(fā)展研究院有限責(zé)任公司技術(shù)經(jīng)濟(jì)中心,廣州市 510530)

0 引言

中國農(nóng)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(fēng)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(diǎn)方案,要求農(nóng)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(dòng)農(nóng)村分布式光伏的發(fā)展。但農(nóng)村電力設(shè)備互聯(lián)互通基礎(chǔ)薄弱,難以直接聯(lián)網(wǎng),虛擬電廠(virtual power plant,VPP)通過先進(jìn)通信技術(shù)和軟件架構(gòu),實(shí)現(xiàn)地理位置分散的各種分布式能源的聚合和協(xié)調(diào)優(yōu)化[3],為農(nóng)村地區(qū)分布式能源利用提供了新的思路。

目前,國內(nèi)外學(xué)者已對(duì)虛擬電廠開展了深入的研究,主要成果集中于系統(tǒng)構(gòu)建、不確定性分析及運(yùn)行模型3 個(gè)方面。 就系統(tǒng)構(gòu)建來說,分布式電源、常規(guī)可控機(jī)組、儲(chǔ)能和用戶靈活性負(fù)荷是VPP 主要組件。文獻(xiàn)[4]選擇風(fēng)電、光伏發(fā)電、碳捕集等單元組成虛擬電廠;文獻(xiàn)[5]選用風(fēng)電、光伏、光熱及儲(chǔ)能電池等組成虛擬電廠;文獻(xiàn)[6]選用風(fēng)電、光伏發(fā)電、燃?xì)廨啓C(jī)及儲(chǔ)能系統(tǒng)等構(gòu)成虛擬電廠。 上述研究主要是針對(duì)城市分布式能源開展聚合優(yōu)化,缺乏考慮農(nóng)村垃圾發(fā)電(waste incineration power,WI)和生物質(zhì)燃料發(fā)電(biomass power generation,BPG)。 同時(shí),“30·60”雙碳目標(biāo)將有利于將農(nóng)村地區(qū)的環(huán)境優(yōu)勢轉(zhuǎn)化為經(jīng)濟(jì)優(yōu)勢,為農(nóng)村地區(qū)推廣燃?xì)馓疾都?gas-power plant carbon capture,GPPCC) 和電轉(zhuǎn)氣(power to gas,P2G)提供了更廣闊的空間。 由此,如何將農(nóng)村屋頂光伏、分散式風(fēng)電、垃圾發(fā)電及生物質(zhì)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(nóng)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(fēng)電、分布式光伏及靈活性負(fù)荷等分布式資源進(jìn)行集成,運(yùn)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(jìn)行最優(yōu)化調(diào)度的關(guān)鍵。 一般來說,不確定性分析方法主要包括2 個(gè)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(xiàn)[9]應(yīng)用拉丁超立方抽樣法對(duì)風(fēng)電和光伏發(fā)電的概率密度進(jìn)行模擬;文獻(xiàn)[10]利用分布式魯棒方法對(duì)負(fù)荷不確定性進(jìn)行分析和建模,用于開展隨機(jī)優(yōu)化模型的構(gòu)建。 然而,對(duì)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(shù)學(xué)方法往往過于復(fù)雜,難以直接實(shí)踐應(yīng)用。 實(shí)際上,不確定性分析主要是決策變量實(shí)際狀態(tài)與預(yù)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(gòu)造農(nóng)村虛擬電廠隨機(jī)調(diào)度優(yōu)化模型。

就系統(tǒng)運(yùn)行優(yōu)化模型構(gòu)建而言,如何針對(duì)不同構(gòu)成單元運(yùn)行約束,選擇合理的優(yōu)化目標(biāo)是VPP 調(diào)度的關(guān)鍵。 已有研究更多選擇經(jīng)濟(jì)效益最大化或成本最小化作為優(yōu)化目標(biāo),如文獻(xiàn)[12]基于Pareto 規(guī)則提出“聚合-分裂”機(jī)制,促進(jìn)虛擬電廠的有序進(jìn)化,形成虛擬電廠自組織聚合運(yùn)行策略;文獻(xiàn)[13]整合經(jīng)濟(jì)效益、社會(huì)效益、棄風(fēng)成本等構(gòu)成綜合收益最大化目標(biāo);文獻(xiàn)[14]以居民社區(qū)虛擬電廠為例,分析了經(jīng)濟(jì)效益最大化目標(biāo)下不同組件的最優(yōu)裝機(jī)容量。上述相關(guān)文獻(xiàn)未能涉及到虛擬電廠的環(huán)境效益,忽略了對(duì)VPP 運(yùn)行碳排放量的測算,特別是,未能結(jié)合農(nóng)村地區(qū)的資源條件,分析如何設(shè)置環(huán)境目標(biāo),引導(dǎo)農(nóng)村地區(qū)將環(huán)境容量轉(zhuǎn)變?yōu)榻?jīng)濟(jì)效益。 由此,本文考慮到所提的農(nóng)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(biāo)。

綜上,為促進(jìn)農(nóng)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(jìn)行集成,構(gòu)造農(nóng)村碳捕集虛擬電廠,并利用IGDT 描述風(fēng)電、光伏發(fā)電及用戶負(fù)荷的不確定性,建立GPW-VPP 隨機(jī)調(diào)度優(yōu)化模型,最后以蘭考能源革命試點(diǎn)為對(duì)象,驗(yàn)證所提模型的有效性和適用性。

1 農(nóng)村碳捕集虛擬電廠結(jié)構(gòu)與建模

1.1 農(nóng)村碳捕集虛擬電廠結(jié)構(gòu)

針對(duì)我國農(nóng)村地區(qū)存在大量生物質(zhì)秸稈、垃圾、屋頂光伏、分散式風(fēng)電等分布式能源特性,本文提出將燃?xì)馓疾都O(shè)備、電轉(zhuǎn)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(fēng)電(wind power plant,WPP)、光伏發(fā)電(photovoltaic generators,PV)、生物質(zhì)燃料發(fā)電及負(fù)荷需求響應(yīng)(demand response,DR)。 負(fù)荷需求響應(yīng)主要來源于電動(dòng)汽車(electric vehicle,EV)、小工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷和居民生活負(fù)荷。 GPW-VPP 系統(tǒng)結(jié)構(gòu)如圖1所示。

根據(jù)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(fù)荷需求,并通過調(diào)用負(fù)荷需求響應(yīng)匹配WPP 和PV發(fā)電的不確定性。 同時(shí),GPPCC 可用于捕集BPG 和WI 發(fā)電過程中的CO2,再利用P2G 將CO2轉(zhuǎn)化為CH4,用于BPG 再次發(fā)電,實(shí)現(xiàn)電- 碳- 電循環(huán)優(yōu)化,這將有利于實(shí)現(xiàn)碳的循環(huán)利用,達(dá)到近零碳排放的目標(biāo)。

圖1 GPW-VPP 系統(tǒng)結(jié)構(gòu)Fig.1 GPW-VPP system structure

式中:gWPP,t表示W(wǎng)PP 在t時(shí)刻的發(fā)電出力;vt表示t時(shí)刻的自然來風(fēng)風(fēng)速;vin、vout分別表示切入風(fēng)速、切出風(fēng)速;vrated表示額定風(fēng)速;gWPP,R表示W(wǎng)PP 的額定功率;gPV,t表示PV 在t時(shí)刻的發(fā)電出力;SPV表示PV光伏板的面積;RPV,t表示t時(shí)刻的光照強(qiáng)度;ηPV、ηinv、ηabs分別表示PV 的光伏模組平均效率、太陽能轉(zhuǎn)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(chǎn)生的CH4用于發(fā)電,本文選擇生物質(zhì)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(guān)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(qiáng);FBPG,t表示BPG 發(fā)電在t時(shí)刻的沼氣消耗量;?0為常數(shù)項(xiàng)系數(shù);?1和?2為沼氣發(fā)電壓強(qiáng)和沼氣消耗量的線性項(xiàng)系數(shù);?3為二次項(xiàng)系數(shù)。

垃圾焚燒發(fā)電主要通過煙氣處理系統(tǒng)實(shí)現(xiàn),由于其燃料日供應(yīng)量約束,發(fā)電時(shí)間安排上具有可調(diào)節(jié)性,特別是安裝煙氣儲(chǔ)氣裝置后,可實(shí)現(xiàn)發(fā)電時(shí)間與煙氣處理時(shí)間的解耦,作為可控負(fù)荷參與VPP 優(yōu)化調(diào)度[16]。 圖2 為垃圾焚燒電廠煙氣處理系統(tǒng)結(jié)構(gòu)。

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

1.2 農(nóng)村碳捕集虛擬電廠建模

農(nóng)村碳捕集虛擬電廠由分布式電源、靈活性負(fù)荷及GPPCC、P2G 構(gòu)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(fēng)速和太陽能輻射強(qiáng)度,盡管自然來風(fēng)風(fēng)速和太陽能輻射強(qiáng)度具有強(qiáng)不確定性,但已有研究證明Weibull 函數(shù)和Beta 函數(shù)可分別用于描述自然風(fēng)速和太陽能輻射的分布規(guī)律,具體可見文獻(xiàn)[3]。 WPP 和PV 的發(fā)電出力模型為:

根據(jù)圖2,WI 發(fā)電產(chǎn)生的煙氣分流進(jìn)入儲(chǔ)氣裝置和反應(yīng)塔,引入煙氣分流比λ反映流入反應(yīng)塔的煙氣量占總煙氣量的比值,調(diào)節(jié)進(jìn)入儲(chǔ)氣罐的煙氣量,具體數(shù)學(xué)建模為:

式中:Qt表示W(wǎng)I 在t時(shí)刻電廠產(chǎn)生的煙氣總量;QGR,t、QGS,t分別表示t時(shí)刻進(jìn)入反應(yīng)塔和儲(chǔ)氣罐中的煙氣量;gWI,t表示W(wǎng)I 在t時(shí)刻的發(fā)電出力;eWI表示W(wǎng)I 單位發(fā)電產(chǎn)生的煙氣量。

WI 發(fā)電過程中還存在氣泵能耗,包括儲(chǔ)氣罐進(jìn)出煙氣能耗和儲(chǔ)氣罐進(jìn)入反應(yīng)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(fù)荷需求響應(yīng)建模

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

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

根據(jù)表1,農(nóng)村電動(dòng)車主要是單向充電,不存在放電。 居民生活用電和農(nóng)業(yè)用電是必需用電,往往難以轉(zhuǎn)移,只能削減,小工業(yè)用電相對(duì)靈活,能夠轉(zhuǎn)移和削減,只有小工業(yè)用電負(fù)荷可提供價(jià)格型需求響應(yīng),電動(dòng)車負(fù)荷可提供價(jià)格型和激勵(lì)型需求響應(yīng)。 因此,農(nóng)村用戶負(fù)荷需求響應(yīng)建模為:

式中:ΔLDR,t表示t時(shí)刻用戶提供的負(fù)荷需求響應(yīng);表示t時(shí)刻用戶z是否參與PBDR 和IBDR;和表示t時(shí)刻用戶z提供的PBDR 和IBDR。

PBDR 主要是利用分時(shí)電價(jià)間接引導(dǎo)用戶調(diào)整用電負(fù)荷,是可控的負(fù)荷調(diào)節(jié)資源。

IBDR 主要是由調(diào)度中心直接控制,調(diào)用用戶響應(yīng)系統(tǒng)運(yùn)行,并支付相應(yīng)的備用補(bǔ)償,包括合約響應(yīng)負(fù)荷和緊急響應(yīng)負(fù)荷。 前者通過與用戶簽訂合約實(shí)現(xiàn),后者則是當(dāng)發(fā)生緊急響應(yīng)需求時(shí),根據(jù)需求情況提供不同的響應(yīng)價(jià)格,用戶根據(jù)緊急響應(yīng)價(jià)格選擇分步提供需求響應(yīng),因此,IBDR 主要包括合約響應(yīng)、增加響應(yīng)和減少響應(yīng)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(chǎn)生的CO2利用GPPCC 設(shè)備進(jìn)行捕集,并配置儲(chǔ)碳設(shè)備,實(shí)現(xiàn)碳捕集和發(fā)電時(shí)間的解耦。 GPPCC-P2G 通過捕集BPG 和WI 發(fā)電產(chǎn)生的CO2,用于P2G 甲烷化生成反應(yīng),直接供給WI,實(shí)現(xiàn)CO2循環(huán)利用,則GPPCCP2G 的能耗模型為:

其中,與燃煤機(jī)組碳捕集有所不同,BPG 和WI產(chǎn)生的CO2濃度低、氧氣濃度較高,故碳捕集工藝由煙氣預(yù)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(yùn)行流程Fig.3 Operation process of GPPCC carbon capture

根據(jù)圖3,GPPCC 主要是將BPG 和WI 產(chǎn)生的CO2進(jìn)行捕集,進(jìn)入碳儲(chǔ)設(shè)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(shí)刻產(chǎn)生的CH4;表示P2G 在t時(shí)刻的耗電功率;ηP2G,t表示P2G 的設(shè)備運(yùn)行效率;HL表示CH4熱值。

2 農(nóng)村碳捕集虛擬電廠近零碳調(diào)度優(yōu)化模型

2.1 目標(biāo)函數(shù)

如何將農(nóng)村資源和空間優(yōu)勢轉(zhuǎn)化為電力能源,是提高農(nóng)村用戶經(jīng)濟(jì)收益的重要方式,這使得收益最大化目標(biāo)是GPW-VPP 首要優(yōu)化運(yùn)行的目標(biāo)。 同時(shí),由于農(nóng)村具有較強(qiáng)的環(huán)境承載能力,更多碳配額可進(jìn)入市場交易,將成為農(nóng)村地區(qū)又一經(jīng)濟(jì)來源,故碳排放量最小化目標(biāo)作為GPW-VPP 運(yùn)行的第2 個(gè)目標(biāo)。

1)收益最大化目標(biāo)。

2)碳排放最小化目標(biāo)。

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(zhuǎn)化為CH4,若全部CO2在調(diào)度周期末存儲(chǔ)于碳儲(chǔ)設(shè)備中,則GPWVPP 實(shí)現(xiàn)了近零碳排放目標(biāo),具體目標(biāo)函數(shù)為:

式中:表示GPW-VPP 的碳排放量;表示t時(shí)刻P2G 消耗來自GPPCC 的CO2捕集量;表示t時(shí)刻CS 再存儲(chǔ)來自GPPCC 的CO2捕集量。

2.2 約束條件

對(duì)于GPW-VPP 來說,其運(yùn)行過程中需要考慮負(fù)荷供需平衡約束、分布式電源出力約束、靈活性負(fù)荷需求響應(yīng)約束及GPPCC-P2G 運(yùn)行約束。

1)負(fù)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(shè),則出力約束為:

對(duì)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(chǔ)氣約束,這就要求滿足最大運(yùn)行功率約束和最大儲(chǔ)氣量約束,具體約束條件為:

3)靈活性負(fù)荷需求響應(yīng)約束。

DR 運(yùn)行約束需要考慮負(fù)荷調(diào)整能力約束、最大變動(dòng)量約束、負(fù)荷爬坡能力和上下調(diào)峰能力約束等。PBDR 產(chǎn)生的用戶負(fù)荷響應(yīng)及IBDR 提供的合約負(fù)荷響應(yīng)均不能超過最大允許響應(yīng)[7]。

4)GPPCC-P2G 運(yùn)行約束。

GPPCC 須考慮最大運(yùn)行功率約束和碳儲(chǔ)設(shè)備運(yùn)行約束,GS 須考慮不能超過最大允許儲(chǔ)氣容量,具體約束條件如下:

3 農(nóng)村碳捕集虛擬電廠隨機(jī)調(diào)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(fù)荷,如何刻畫不確定性因素的波動(dòng)特性是構(gòu)建優(yōu)化運(yùn)行模型的重要前提。 實(shí)際上,不確定性分析主要是決策變量實(shí)際狀態(tài)與預(yù)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(jì)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(shí)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(duì)于任一個(gè)初始系統(tǒng)模型,均可寫成目標(biāo)函數(shù)、不等式約束和等式約束的形式,具體為:

式中:R(·)為目標(biāo)函數(shù);q為確定參數(shù);v為不確定參數(shù);H(·)為不等式約束;G(·)為等式約束。 考慮不確定性變量v,其對(duì)應(yīng)的預(yù)測值是,則可利用區(qū)間對(duì)不確定性變量的浮動(dòng)狀態(tài)進(jìn)行描述,具體為:

式中:α為參數(shù)v的不確定度,也就是對(duì)于集合U(α,中的v,其相對(duì)于預(yù)測值的最大擾動(dòng)量為。

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

根據(jù)式(34)—(36)可將原初始系統(tǒng)決策模型轉(zhuǎn)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(biāo)值前提下,承受不確定性參數(shù)的最大化波動(dòng)。 通過式(37)求取決策值q,能保證v在集合內(nèi)擾動(dòng)時(shí),都能取得決策者可接受的目標(biāo)值rc。

3.2 隨機(jī)調(diào)度優(yōu)化模型

GPW-VPP 存在WPP、PV 和用戶負(fù)荷3 個(gè)不確定性變量,GPW-VPP 優(yōu)化決策是以不確定性變量預(yù)測信息為基礎(chǔ)數(shù)據(jù),當(dāng)不確定性變量實(shí)際值與預(yù)測值發(fā)生偏差時(shí),即認(rèn)為發(fā)生了信息間隙。 因此,本文利用IGDT 方法構(gòu)造GPW-VPP 隨機(jī)調(diào)度優(yōu)化模型,該方法通過分別構(gòu)造與上述2 個(gè)方向?qū)?yīng)的風(fēng)險(xiǎn)規(guī)避(魯棒)模型和風(fēng)險(xiǎn)投機(jī)(機(jī)會(huì))模型,形成一個(gè)開放式的決策優(yōu)化策略。

首先,處理WPP、PV 和用戶負(fù)荷的不確定性,具體為:

式中:ρR,t表示t時(shí)刻單位棄風(fēng)成本。

傳統(tǒng)IGDT 方法只能將單目標(biāo)模型轉(zhuǎn)換為不確定性決策模型,當(dāng)GPW-VPP 需要同時(shí)考慮運(yùn)營收益最大化和碳排放量最小化時(shí),需要將雙目標(biāo)轉(zhuǎn)換為單目標(biāo)。 實(shí)際上,在追求最大化收益過程時(shí),風(fēng)電和光伏發(fā)電主要用于直接發(fā)電上網(wǎng)獲取收益,導(dǎo)致電轉(zhuǎn)氣設(shè)備利用效率降低,造成BPG 和WI 產(chǎn)生的CO2未被處理,產(chǎn)生更多的碳排放;反之,在追求最小化碳排放過程時(shí),風(fēng)電和光伏發(fā)電會(huì)被用于進(jìn)行電轉(zhuǎn)氣,從而將CO2轉(zhuǎn)化為CH4,再次用于發(fā)電,這會(huì)降低風(fēng)電和光伏發(fā)電收益,影響虛擬電廠收益[19]。

由此,最大化運(yùn)營收益目標(biāo)和最小化碳排放量目標(biāo)的優(yōu)化方向和單位量綱不一致,如何兼容這2 個(gè)目標(biāo)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(shù)和降半梯度隸屬度函數(shù),分別用于處理最大化運(yùn)營收益目標(biāo)和最小化碳排放總量目標(biāo),具體過程如下:

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

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

根據(jù)式(40)、(41),引入決策者預(yù)期目標(biāo)的風(fēng)險(xiǎn)偏差系數(shù)σrisk,可將雙目標(biāo)函數(shù)轉(zhuǎn)為決策者預(yù)期目標(biāo)函數(shù),具體為:

式中:ρ(f) 為GPW-VPP 運(yùn)營的綜合目標(biāo)函數(shù);ρ(frisk) 為決策者的預(yù)期目標(biāo)值;σrisk為預(yù)期目標(biāo)偏差系數(shù),當(dāng)決策者目標(biāo)值ρ(frisk) 高于ρ(f) 時(shí),σrisk取大于0 的值。 根據(jù)式(42),GPW-VPP 在考慮不確定性情景下的調(diào)度決策值不應(yīng)高于ρ(f) ,具體約束為:

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

式(44)確立了基于改進(jìn)IGDT 方法的GPW-VPP運(yùn)營優(yōu)化模型,該模型考慮了WPP、PV 和用戶負(fù)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(qiáng)的適用性,也可稱之為魯棒性。 但隱含條件是目標(biāo)函數(shù)隨WPP、PV 和用戶負(fù)荷的不確定性呈現(xiàn)單調(diào)變化,從而能夠利用式(43)進(jìn)行極值計(jì)算。 然而,從式(42)能夠看到,GPW-VPP 的決策目標(biāo)還包括最小化碳排放量優(yōu)化目標(biāo),實(shí)際上,WPP 和PV 發(fā)電是能產(chǎn)生碳減排效應(yīng)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(biāo)函數(shù)隨不確定性變量呈現(xiàn)非單調(diào)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(duì)應(yīng)的決策成本不一定最大,此時(shí),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(dāng)WPP 和PV 實(shí)際值低于預(yù)測值,而用戶負(fù)荷實(shí)際值高于預(yù)測值,且系統(tǒng)凈負(fù)荷快速增加時(shí),不確定性變量對(duì)系統(tǒng)穩(wěn)定運(yùn)行的影響將達(dá)到最大,即為極端惡劣情景,具體計(jì)算為:

式中:Nt表示t時(shí)刻的凈負(fù)荷波動(dòng)率;Lnet,t表示t時(shí)刻的凈負(fù)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(shí)刻的發(fā)電出力;SGS,t表示GS 在t時(shí)刻的儲(chǔ)氣量;表示W(wǎng)I 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(shí)刻的發(fā)電效率。

根據(jù)式(46)能夠得到凈負(fù)荷波動(dòng)性,進(jìn)一步選擇負(fù)荷波動(dòng)程度最大的情景,作為GPW-VPP 運(yùn)行的最惡劣情景,具體計(jì)算為:

式中:Sworst為GPW-VPP 運(yùn)行的最惡劣情景。 進(jìn)一步,構(gòu)造對(duì)應(yīng)最惡劣情景的GPW-VPP 調(diào)度優(yōu)化決策目標(biāo)函數(shù),具體為:

根據(jù)式(48)確立了GPW-VPP 在最惡劣情景下交易決策目標(biāo)。 該情景求取的GPW-VPP 調(diào)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(chǔ)數(shù)據(jù)

為對(duì)所提模型的有效性和適用性進(jìn)行驗(yàn)證,本文選擇我國蘭考能源革命試點(diǎn)為對(duì)象,截至2019年底,蘭考縣新能源裝機(jī)527.1 MW,其中生物質(zhì)電廠裝機(jī)39 MW(秸稈24 MW、垃圾15 MW),分散式風(fēng)電裝機(jī)31 MW,分布式裝機(jī)58.1 MW。 為匹配上述新能源裝機(jī)規(guī)模,本文設(shè)定WI 配置45 m3的煙氣存儲(chǔ)裝置,調(diào)度周期始末儲(chǔ)氣量均為0。 表2 為蘭考WPP、PV、BPG 和WI 的設(shè)備運(yùn)行參數(shù)。

由表2 可知,WPP 和PV 發(fā)電成本與發(fā)電量正相關(guān),而BPG 和WI 發(fā)電成本函數(shù)是一元二次函數(shù)。 其中,WI 設(shè)備參數(shù)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(shù)?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(shè)備,GPPCC 設(shè)備參數(shù)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(chǔ)裝置,碳存儲(chǔ)能力為20 t/h。 P2G 設(shè)備參數(shù)包括ηP2G,t=0.9和φP2G,t=138 元/(MW·h),的最大 值 為 10 MW。 碳 排 放 權(quán) 交 易 價(jià)格ρCO2,t=689 元/(MW·h)。

表2 WPP、PV、WI 和BPG 設(shè)備參數(shù)Table 2 Equipment parameters for WPP, PV, WI, and BPG

2019年,蘭考縣戶籍總數(shù)為28.85 萬戶[20],擁有電動(dòng)車戶占比4%,能夠參與GPW-VPP 調(diào)度的比重為30%,電動(dòng)車平均功率為0.35 kW,充電量為21 kW·h。其中,生活用電和農(nóng)業(yè)用電不能參加PBDR,用電價(jià)格分別為521.0、464.2 元/(MW·h);小工業(yè)用電和電動(dòng)車用電可參與PBDR,設(shè)PBDR 前價(jià)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(shí)段價(jià)格調(diào)整系數(shù)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(dòng)車用電參與IBDR 合約響應(yīng)價(jià)格為240 元/(MW·h),提供IBDR 減負(fù)荷響應(yīng)價(jià)格為240 元/(MW·h)和IBDR增負(fù)荷響應(yīng)價(jià)格為740 元/(MW·h)。 圖4 為典型負(fù)荷日WPP、PV 的預(yù)測出力和不同類型用戶負(fù)荷需求。

由圖4 可知,在白天負(fù)荷峰時(shí)段,風(fēng)電可用出力相對(duì)較低,而光伏在夜間不出力,彼此間存在互補(bǔ)性。此外,設(shè)定GPW-VPP 根據(jù)WPP 和PV 的預(yù)測出力,將80%總出力作為與電網(wǎng)簽訂的合同電量,剩余電量通過市場競價(jià)交易完成,合約價(jià)格為650 元/(MW·h),違約懲罰價(jià)格系統(tǒng)δ=1.8。 設(shè)定GPWVPP 的預(yù)測精準(zhǔn)度為0.92,決策者初始目標(biāo)偏差系數(shù)為0.5,可接受目標(biāo)函數(shù)和的增加值為初始值的0.15。

圖4 典型負(fù)荷日風(fēng)光預(yù)測出力及用戶負(fù)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(jié)果

4.2.1 方法有效性驗(yàn)證

本節(jié)分析常規(guī)情景下GPW-VPP 調(diào)度優(yōu)化結(jié)果,應(yīng)用IGDT 方法描述考慮風(fēng)光不確定性的GPW-VPP調(diào)度優(yōu)化運(yùn)行,測算不同預(yù)期目標(biāo)偏差系數(shù)下的不確定性程度。 圖5 為GPW-VPP 可承受不確定性程度與預(yù)期目標(biāo)偏差系數(shù)的關(guān)系。

圖5 不確定度α 與預(yù)測客觀系數(shù)σrisk的關(guān)系Fig.5 Relationship between uncertainty degree α and predicted objective coefficients σrisk

根據(jù)圖5 可知,不確定性程度與預(yù)測目標(biāo)偏差系數(shù)呈線性關(guān)系,即隨著預(yù)期目標(biāo)偏差系數(shù)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(dāng)預(yù)測目標(biāo)偏差系數(shù)為0.5 時(shí),不確定性程度σrisk=0.142,表明不確定性變量實(shí)際值在預(yù)測值的0.858 ～1.142 范圍內(nèi)波動(dòng)時(shí),采用本文方法所得決策方案,能保證調(diào)度決策方案的成本小于決策者預(yù)期成本。

4.2.2 常規(guī)情景調(diào)度優(yōu)化結(jié)果

基于上述分析,分別對(duì)收益最大化、碳排放最小化和綜合最優(yōu)目標(biāo)函數(shù)下GPW-VPP 調(diào)度結(jié)果進(jìn)行測算,表3 為不同優(yōu)化目標(biāo)下GPW-VPP 運(yùn)營結(jié)果。

表3 不同優(yōu)化目標(biāo)調(diào)度結(jié)果對(duì)比分析Table 3 Comparative analysis of results under different optimization objectives

根據(jù)表3,當(dāng)GPW-VPP 按照收益最大化目標(biāo)運(yùn)行時(shí),由于BPG 和WI 發(fā)電出力可控,不會(huì)發(fā)生違約懲罰成本,出力相對(duì)較高,其產(chǎn)生的更多CO2被GPPCC捕捉,并用于P2G 轉(zhuǎn)換CH4,實(shí)現(xiàn)電-氣-電循環(huán)。 當(dāng)GPW-VPP 按照碳排放最小化目標(biāo)運(yùn)行時(shí),WPP 和PV 發(fā)電出力最多,而WI 則未進(jìn)行發(fā)電,BPG 發(fā)電下降18%,導(dǎo)致運(yùn)營收益下降6.61%,但碳排放量最低僅為225.45 t,下降67.11%;當(dāng)GPWVPP 按照綜合最優(yōu)目標(biāo)運(yùn)行時(shí),運(yùn)營收益僅比收益最大化目標(biāo)低4.6%,碳排放量比收益最大化目標(biāo)低35.76%。 由此,在追收收益最大化時(shí),較少風(fēng)電和光伏發(fā)電被P2G 用于轉(zhuǎn)化CO2為CH4,更多用于直接發(fā)電上網(wǎng),導(dǎo)致碳排放量會(huì)相對(duì)增加,而在追求碳排放量最小化時(shí),風(fēng)電和光伏發(fā)電會(huì)更多被P2G 用于將CO2轉(zhuǎn)化為CH4,導(dǎo)致收益相對(duì)降低。 在綜合優(yōu)化目標(biāo)下,VPP 的運(yùn)營收益和碳排放量均處于單獨(dú)優(yōu)化目標(biāo),這也說明綜合調(diào)度方案能夠獲得更佳均衡的調(diào)度策略。 圖6 為綜合優(yōu)化目標(biāo)函數(shù)下GPW-VPP運(yùn)營優(yōu)化結(jié)果。

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

圖6 綜合優(yōu)化目標(biāo)下的GPW-VPP 運(yùn)行優(yōu)化結(jié)果Fig.6 Operation optimization results of GPW under comprehensive optimization objectives

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

根據(jù)圖7,小工業(yè)用戶參與IBDR 和PBDR,在谷時(shí)段增加用電負(fù)荷,而在峰時(shí)段削減用電負(fù)荷,其中,小工業(yè)用戶通過IBDR 產(chǎn)生的負(fù)荷變化量分別為16 MW·h和-28 MW·h,而通過PBDR 產(chǎn)生的負(fù)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(fù)荷變化量為-32 MW·h。 此外,CS 和GS 能夠通過存儲(chǔ)CO2和CH4,在GPW-VPP 需要增加發(fā)電時(shí),將其輸送至P2G 和WI,滿足負(fù)荷需求,圖8 為綜合優(yōu)化目標(biāo)下GPW 的煙氣流和CO2流。

圖8 綜合運(yùn)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(jù)圖8,從煙氣流來看,在谷時(shí)段,用電價(jià)格較低,WI 產(chǎn)生的煙氣僅00:00 和05:00 用于發(fā)電,彌補(bǔ)WPP 可用出力不足,剩余時(shí)段則主要存儲(chǔ)于GS;在峰時(shí)段,用電價(jià)格較高,WI 產(chǎn)生的煙氣量較少,GS中煙氣用于GR 發(fā)電;在平時(shí)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(fù)荷需求較低,則將產(chǎn)生的煙氣存儲(chǔ)至CS,在23:00—24:00進(jìn)入GR 發(fā)電。 從CO2流來看,在谷時(shí)段和峰時(shí)段,GPPCC 捕捉的CO2更大比例用于P2G發(fā)電,較少部分存儲(chǔ)于CS,實(shí)現(xiàn)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(jìn)行發(fā)電,在20:00—24:00,GPPCC 捕捉的CO2則直接用于P2G 進(jìn)行發(fā)電,最大程度實(shí)現(xiàn)碳循環(huán)利用,降低碳排放量。

4.2.3 極端劣情景調(diào)度優(yōu)化結(jié)果

本節(jié)對(duì)極端惡劣情景下的GPW-VPP 調(diào)度優(yōu)化結(jié)果進(jìn)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(gè)目標(biāo)下各單元出力結(jié)果。 表4 為極端惡劣情景下GPW-VPP 不同目標(biāo)函數(shù)下各單元出力結(jié)果。

根據(jù)表4,與常規(guī)情景一致,綜合最優(yōu)目標(biāo)能兼顧收益最大化目標(biāo)和碳排放最小化目標(biāo)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(biāo)為例,相比常規(guī)情景,發(fā)電出力降低23.84%和22.22%,導(dǎo)致BPG 和WI 提供調(diào)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(dòng)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(diào)用BPG和WI,導(dǎo)致運(yùn)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(yùn)營結(jié)果。

表4 不同目標(biāo)函數(shù)下各單元出力結(jié)果Table 4 Output results of each unit under different objective functions

根據(jù)圖9,相比常規(guī)情景,GPW-VPP 調(diào)用WPP和PV 發(fā)電出力明顯降低,對(duì)BPG 和WI 的調(diào)峰需求降低,GPPCC 和WI 運(yùn)行過程中消耗的電量也減少,總的發(fā)電出力降低, 凈負(fù)荷曲線的峰荷降低25.81%。 從GPW-VPP 運(yùn)行結(jié)果可看出,GPPCC 基本維持額定功率運(yùn)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(duì)IBDR 的調(diào)用出力要高于常規(guī)情景, 正負(fù)出力分別為 28、-68 MW·h,表明更多調(diào)峰需求由IBDR 滿足,最終實(shí)現(xiàn)GPW-VPP 最優(yōu)化運(yùn)行。

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

5 結(jié)論

針對(duì)農(nóng)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(jìn)行集成,形成農(nóng)村碳捕集虛擬電廠,并針對(duì)風(fēng)電、光伏發(fā)電和負(fù)荷的不確定性,構(gòu)造了基于IGDT 的農(nóng)村碳捕集虛擬電廠近零碳優(yōu)化運(yùn)行模型,以蘭考農(nóng)村能源革命試點(diǎn)為對(duì)象進(jìn)行實(shí)例分析,得到結(jié)論如下:

1)GPW-VPP 能夠聚合農(nóng)村不同類型分布式能源,發(fā)揮用戶靈活性負(fù)荷的調(diào)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(chǔ)氣裝置,可實(shí)現(xiàn)發(fā)電時(shí)間與煙氣處理時(shí)間的解耦,作為可控負(fù)荷參與VPP 優(yōu)化調(diào)度。 GPPCC 能夠?qū)PG 和WI 產(chǎn)生CO2進(jìn)行捕集,用于P2G 將CO2轉(zhuǎn)化為CH4,進(jìn)入BPG 再次發(fā)電,實(shí)現(xiàn)電-碳-電循環(huán)。

2)基于IGDT 方法的近零碳調(diào)度優(yōu)化模型能夠度量不確定性風(fēng)險(xiǎn),刻畫GPW-VPP 可承受不確定性程度與預(yù)期目標(biāo)偏差系數(shù)的關(guān)系,制定兼顧收益最大化、碳排放最小化雙重目標(biāo)需求的最優(yōu)運(yùn)行方案。 當(dāng)預(yù)測目標(biāo)偏差系數(shù)為0.5,得到不確定性程度σrisk=0.142,表明不確定性變量實(shí)際值在預(yù)測值的0.858 ～1.142 范圍內(nèi)波動(dòng)時(shí),能實(shí)現(xiàn)決策方案成本小于決策者預(yù)期成本。

3)相比單目標(biāo)運(yùn)行情景,當(dāng)GPW-VPP 按照綜合最優(yōu)目標(biāo)運(yùn)行時(shí),運(yùn)營收益和碳排放量相比收益最大化目標(biāo)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(dòng)31.61%和59.38%。