梁澤琪,周云,馮冬涵,郭靈瑜,杜洋

(1. 電力傳輸與功率變換控制教育部重點實驗室(上海交通大學(xué)),上海市 200240;2. 國網(wǎng)上海市電力公司電力科學(xué)研究院,上海市 200437)

0 引 言

能源和環(huán)境問題是世界發(fā)展的主要難題,電力行業(yè)作為使用化石能源、產(chǎn)生碳排放的主要行業(yè),其綠色低碳發(fā)展受到了各國的廣泛關(guān)注[1]。在此基礎(chǔ)上,我國確立的碳市場、綠證市場對于電力行業(yè)促進(jìn)可再生能源消納、降低碳排放具有重大意義。

園區(qū)綜合能源系統(tǒng)(park-integrated energy system, PIES)[2]作為參與電力市場、碳市場、綠證市場的主體之一,可以通過分布式能源(distributed energy, DE)、儲能系統(tǒng)(energy storage system, ESS)[3-4]、電動汽車(electric vehicle, EV)[5]等設(shè)備的靈活調(diào)度,降低碳排放及運(yùn)行成本。文獻(xiàn)[6-10]通過對園區(qū)綜合能源系統(tǒng)多能設(shè)備的規(guī)劃及優(yōu)化運(yùn)行方法研究,促進(jìn)園區(qū)新能源消納和低碳發(fā)展。隨著碳市場在全國范圍正式啟動,已有大量學(xué)者對PIES通過碳交易方式減碳進(jìn)行了研究。文獻(xiàn)[11-12]采用了全生命周期法評估考慮碳捕獲技術(shù)和獎懲階梯型碳交易機(jī)制的綜合能源系統(tǒng)。文獻(xiàn)[13]提出了基于獎懲因子的季節(jié)性碳交易機(jī)制,對長時間尺度的系統(tǒng)低碳經(jīng)濟(jì)調(diào)度運(yùn)行進(jìn)行分析。文獻(xiàn)[14]提出了計及階梯式和季節(jié)性碳價格優(yōu)化調(diào)度方法,細(xì)分不同季節(jié)碳排放配額以降低總體碳排放。文獻(xiàn)[15]引入光熱電站替代熱電聯(lián)產(chǎn)機(jī)組,通過碳交易機(jī)制提高系統(tǒng)新能源消納水平。文獻(xiàn)[16]引入獎懲階梯型碳交易機(jī)制并建立了計及電-熱可轉(zhuǎn)移負(fù)荷不確定性的魯棒優(yōu)化模型。文獻(xiàn)[17-19]構(gòu)建了多元負(fù)荷綜合需求響應(yīng)與碳交易機(jī)制結(jié)合的綜合能源系統(tǒng)優(yōu)化調(diào)度模型。文獻(xiàn)[20]建立了計及多區(qū)域綜合能源系統(tǒng)碳交易成本的分散調(diào)度模型,有效引導(dǎo)區(qū)域能源供應(yīng)采用低排放技術(shù)。文獻(xiàn)[21]提出考慮需求側(cè)碳交易機(jī)制的多微網(wǎng)優(yōu)化調(diào)度策略,研究了多微網(wǎng)協(xié)同對能源利用效率和新能源消納的作用。文獻(xiàn)[22-24]采用納什議價方法結(jié)合交替方向乘子法(alternating direction multiplier method, ADMM)研究多微網(wǎng)綜合能源系統(tǒng)合作運(yùn)行方式,降低碳排放。文獻(xiàn)[25]在多微網(wǎng)間電能交易的基礎(chǔ)上提出了碳配額交易的市場機(jī)制。文獻(xiàn)[26]基于天然氣管網(wǎng)壓力能發(fā)電技術(shù),以壓力能發(fā)電替代化石能源的方式分配碳抵消配額。文獻(xiàn)[27]在需求側(cè)能源系統(tǒng)的基礎(chǔ)上提出競爭拍賣的碳交易優(yōu)化機(jī)制,建立基于最優(yōu)步長的碳價格定制模型。然而,這些現(xiàn)有研究更多側(cè)重于綜合能源系統(tǒng)減碳技術(shù)發(fā)展、碳配額分配、碳交易機(jī)制協(xié)調(diào)優(yōu)化、交易報價等領(lǐng)域,在碳市場、綠證市場機(jī)制作用方面有待探索。

隨著碳市場、綠證市場機(jī)制的不斷發(fā)展,利用多市場耦合聯(lián)動促進(jìn)減碳已成為當(dāng)下的重要研究方向。文獻(xiàn)[28]通過編寫智能合約設(shè)計了綠證和碳聯(lián)合市場交易機(jī)制。文獻(xiàn)[29]建立碳-綠色證書聯(lián)合交易機(jī)制,將市場價值風(fēng)險融入優(yōu)化模型分析。文獻(xiàn)[30]在建立兩級碳交易市場的基礎(chǔ)上,引入上級電網(wǎng)綠電占比以評估園區(qū)從源頭減碳的可能性。文獻(xiàn)[31]提出基于共識算法的區(qū)塊鏈技術(shù),用于構(gòu)建綠證和碳交易市場聯(lián)合激勵機(jī)制。文獻(xiàn)[32]量化新能源供能碳減排大小,利用綠證聯(lián)動綠證和碳市場,同時引入歷史配額完成度及預(yù)測精確度以衡量配額分配和綠證獲取。然而,這些現(xiàn)有研究更多集中在園區(qū)參與碳市場和綠證市場的優(yōu)化調(diào)度、碳市場與綠證市場間的交互機(jī)制等領(lǐng)域,在電碳綠證市場深度耦合下園區(qū)交易運(yùn)行策略方面的研究還有待挖掘。

綜上所述,本文提出一種考慮電碳綠證市場耦合的PIES日前優(yōu)化調(diào)度模型,通過綠電獲取綠證、電力產(chǎn)生碳排、綠證-碳排等價抵消聯(lián)動電力市場、碳市場、綠證市場,以綠證為電力附加綠色價值的形式量化碳排抵消作用。最后,通過仿真算例驗證所提方法的有效性。

1 園區(qū)綜合能源系統(tǒng)市場交易框架

本文園區(qū)能量流動如圖1所示,PIES運(yùn)行框架在園區(qū)層面結(jié)構(gòu)包括能源運(yùn)營商(energy operator, EO)、含分布式能源的用戶(distributed energy user, DEU)、EV聚合商(electric vehicle aggregator, EVA),設(shè)備包括分布式能源、電負(fù)荷、電動汽車、儲能系統(tǒng)。園區(qū)交易中心協(xié)調(diào)PIES內(nèi)部三方主體能量交易,交互交易主體間的能量供給需求信息,并發(fā)布園區(qū)平衡調(diào)度指令。交易主體負(fù)責(zé)調(diào)整報價或用能策略,確保自身收益最大化或用能成本最小化。

圖1 園區(qū)綜合能源系統(tǒng)能量流示意圖Fig.1 Schematic diagram of energy flow in PIES

園區(qū)內(nèi)部市場交易框架如圖2所示。在園區(qū)內(nèi)部市場交易層面,EO作為主要供能主體,負(fù)責(zé)聚合園區(qū)內(nèi)其他主體參與外部市場交易,確定自身市場購電計劃,并向園區(qū)交易中心交易平臺發(fā)布售電價格,在接收到園區(qū)交易平臺發(fā)布的用能計劃后,向用戶和EVA提供電能。用戶配備了DE和ESS,DE發(fā)電以滿足用戶自身需求,用戶需要制定自身購售電計劃,在電能供應(yīng)不足時從EO處購電,在電能盈余時可向EVA出售電能。EVA負(fù)責(zé)電動汽車充電管理,向園區(qū)交易中心交易平臺上報預(yù)測用能計劃,作為EO和用戶的價格接受者匯總報價信息,從EO及用戶處購買電能。

圖2 園區(qū)綜合能源系統(tǒng)內(nèi)部交易機(jī)制示意圖Fig.2 Schematic diagram of internal transaction mechanism of PIES

在電碳綠證市場層面,EO負(fù)責(zé)參與日前市場、實時市場購電,并參與碳市場及綠證市場以完成碳考核和綠證考核。在實際運(yùn)行過程中,EO需要兼顧碳排放和綠電消納,實現(xiàn)在多個市場機(jī)制下的收益最大化,EO參與電碳綠證市場機(jī)制如圖3所示。

圖3 電碳綠證市場耦合機(jī)制示意圖Fig.3 Schematic diagram of coupling mechanism of the electricity-carbon-green certificate market

2 園區(qū)綜合能源系統(tǒng)市場交易

2.1 能源運(yùn)營商交易模型

2.1.1 能源運(yùn)營商收益函數(shù)

EO在園區(qū)市場中起到主導(dǎo)者的作用,以自身凈收益最大化為目標(biāo),其目標(biāo)函數(shù)為售電收入與運(yùn)行、碳排放及綠證成本之差:

(1)

(2)

2.1.2 能源運(yùn)營商約束條件

EO的約束條件由功率平衡約束、定價約束組成。

1)功率平衡約束。

(3)

2)定價約束。

(4)

2.2 含分布式能源的用戶交易模型

2.2.1 含分布式能源的用戶收益函數(shù)

DEU以自身收益最大化為目標(biāo)。當(dāng)用戶DE發(fā)電量在滿足自身用電的情況下仍有盈余,用戶可以選擇制定定價策略,向EVA出售電能;當(dāng)用戶DE發(fā)電量無法滿足自身用電,用戶需要從園區(qū)EO處購入電能。同時,用戶還可以在約束范圍內(nèi)靈活調(diào)整儲能系統(tǒng)充放電計劃,一方面通過調(diào)度儲能改變用能計劃,適應(yīng)EO不同時段報價,另一方面通過調(diào)度儲能改變向EVA售電計劃,提高自身收益。

(5)

(6)

(7)

(8)

(9)

2.2.2 含分布式能源的用戶約束條件

DEU的約束條件由功率平衡約束、DE功率約束、定價約束、ESS充放電約束組成。

1)功率平衡約束。

(10)

(11)

2)DE功率約束。

(12)

3)定價約束。

(13)

4)ESS充放電約束。

(14)

(15)

(16)

(17)

2.3 EV聚合商交易模型

2.3.1 EV聚合商成本函數(shù)

EVA在每個時段接受EO和用戶的售電價格,預(yù)測實時充電需求后確認(rèn)購能策略。

(18)

(19)

(20)

2.3.2 EV聚合商約束條件

EVA的約束條件包括功率平衡約束、EV充電約束。

1)功率平衡約束。

(21)

2)EV充電約束。

(22)

(23)

(24)

SEVA,i,min≤SEVA,i,t≤SEVA,i,max,i∈IEV

(25)

SEVA,i,ti,dept≥SEVA,i,exp,i∈IEV

(26)

(27)

3 園區(qū)電碳綠證市場組合交易策略

3.1 電碳綠證市場交易

園區(qū)整體市場化運(yùn)行框架如圖4所示。園區(qū)內(nèi)部市場已在第2節(jié)詳述,下面介紹EO參與電碳綠證市場運(yùn)行方式。

圖4 園區(qū)整體市場化運(yùn)行框架Fig.4 Overall market-oriented operation framework of PIES

電力交易分為日前電力市場和實時平衡市場。在日前電力交易中,交易方式分為綠電日前交易和常規(guī)能源日前交易,綠電企業(yè)和常規(guī)能源發(fā)電企業(yè)參與市場交易,EO根據(jù)需要參與2種類型市場交易。同時,在日前電力交易中,EO依據(jù)對實時市場價格的預(yù)測及風(fēng)險評估決定實時市場購電。

綠證交易是指以政府核發(fā)給非水可再生能源發(fā)電企業(yè)的綠色交易證書為標(biāo)的物的市場化交易。政府對于電力用戶和售電公司等主體設(shè)置可再生能源消納責(zé)任權(quán)重,依據(jù)實際用/售電量考核綠證量。若考核主體在滿足消納基礎(chǔ)考核要求的基礎(chǔ)上,超額完成至消納激勵線指標(biāo),超出激勵線的部分綠證可以為主體消費的等量電力附加綠色價值,該部分電力碳排放被抵消不納入考核。

碳交易是指以二氧化碳等溫室氣體排放權(quán)作為商品的交易活動,是減少碳排放的重要舉措。減排企業(yè)通過購買碳配額完成政府考核要求。

3.2 電碳綠證市場組合交易策略

3.2.1 電力市場交易策略

(28)

(29)

(30)

(31)

(32)

3.2.2 綠證市場交易策略

EO以其售電量參與可再生能源消納責(zé)任權(quán)重考核,綠證來自綠電日前交易、綠證交易、購買用戶綠證3種途徑,當(dāng)EO持有綠證量超過指標(biāo)要求時,EO可以通過綠證-碳排等價抵消機(jī)制抵消碳排放的方式輔助完成碳考核要求。

(33)

(34)

(35)

(36)

(37)

(38)

(39)

3.2.3 碳市場交易策略

對于EO而言,其主要的碳排放來源于購電,當(dāng)碳排放低于考核指標(biāo)時,EO可在碳市場中售出碳配額;反之,EO需要在碳市場中購買碳配額。此外,通過綠證-碳排等價抵消機(jī)制,EO可使用超過可再生能源消納責(zé)任權(quán)重值激勵線的部分抵消部分電力所對應(yīng)的碳排放。

(40)

(41)

(42)

(43)

(44)

3.3 求解算法

根據(jù)文獻(xiàn)[33],本文所提出的模型存在納什均衡點,此處不再贅述。由于模型存在部分非線性項影響求解,為實現(xiàn)快速求解,本文引入分段線性化方法[34]和二進(jìn)制展開法[35],并采用了自適應(yīng)改進(jìn)粒子群算法及ADMM[36]方法進(jìn)行求解,改進(jìn)粒子群算法在粒子群算法的基礎(chǔ)上加入自適應(yīng)慣性權(quán)重和交叉變異操作,改進(jìn)粒子群算法用于求解EO與DEU的報價,ADMM方法用于求解三方主體間交易量,求解算法流程如圖5所示。

圖5 算法流程Fig.5 Algorithm flowchart

具體步驟如下:

步驟1：隨機(jī)初始化EO、DEU報價粒子群,得到粒子初始交易報價向量。同時,使用ADMM方法計算得到用戶和EV聚合商交易結(jié)果,優(yōu)化得到能源運(yùn)營商交易策略,確定粒子個體最優(yōu)位置、群體最優(yōu)位置以及各粒子適應(yīng)度。

步驟2：更新粒子慣性權(quán)重,并計算粒子速度和位置信息,優(yōu)化更新三方主體最優(yōu)用能策略并計算每個粒子適應(yīng)度,得到粒子的個體最優(yōu)位置和粒子群的群體最優(yōu)位置。

步驟3：若粒子群的群體最優(yōu)適應(yīng)度已達(dá)到迭代精度或已達(dá)到設(shè)定的最大迭代次數(shù),則輸出最優(yōu)交易策略信息和每個園區(qū)內(nèi)市場主體最優(yōu)用能策略;反之,重復(fù)步驟2的迭代過程。

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

本文采用Matlab中Yalmip編寫程序調(diào)用Gurobi求解器進(jìn)行仿真,選取上海市某典型PIES為例說明本文所提出的調(diào)度方法,其中,PIES中的用戶電負(fù)荷和DE出力預(yù)測如圖6所示。綠電日前市場、常規(guī)能源日前市場價格及實時市場預(yù)測價格如圖7所示。實時市場價格波動標(biāo)準(zhǔn)差與每個時刻內(nèi)的價格均值有關(guān),參考文獻(xiàn)[37]取各時刻價格均值的30%。

圖6 電負(fù)荷和分布式能源出力預(yù)測曲線Fig.6 Electric load and DE forecasting curve

圖7 電力市場價格曲線Fig.7 Electricity market price curve

本文園區(qū)運(yùn)行及市場參數(shù)如表1所示,根據(jù)該園區(qū)充電樁管理平臺運(yùn)行數(shù)據(jù),園區(qū)實際運(yùn)行充電樁數(shù)量為30個,日均EV數(shù)量約為60輛,故采用蒙特卡洛方法模擬60輛EV充電參數(shù)。

表1 運(yùn)行及市場參數(shù)Table 1 Operation and market parameters

4.2 調(diào)度結(jié)果分析

EO、用戶及EVA的調(diào)度結(jié)果如圖8—10所示。由圖8可知,EO更多在常規(guī)能源日前市場購買電力,這是因為常規(guī)能源日前市場電力價格低于綠電日前市場價格,且在考慮實時市場價格風(fēng)險的情況下低于實時市場電力價格,因此,EO僅少量購買綠電及實時市場電力。EO集中在12:00—14:00時段購買綠電,這是因為在考慮綠證市場風(fēng)險的情況下,兩時段綠電購電成本低于綠證成本、綠證風(fēng)險成本及其余電力市場成本之和,在獲取電力的同時可以獲得低價綠證。

圖8 能源運(yùn)營商調(diào)度結(jié)果Fig.8 Scheduling results of EO

由圖9可知,用戶在滿足自身用能需求的情況下,將余量電力售賣給EVA。同時,用戶可通過調(diào)度儲能,在EO報價低時段購買電力存儲,在EO報價高時段和自身售電時段放電,以降低自身用電成本或獲得更多售電收益。

圖9 用戶調(diào)度結(jié)果Fig.9 Scheduling results of DEU

由圖10可知,EVA充電負(fù)荷集中于分布式能源高發(fā)時段,可促進(jìn)分布式能源消納。EVA從EO購電集中于市場電價較低時段,該時段購電有利于降低購電成本。

圖10 EV聚合商調(diào)度結(jié)果Fig.10 Scheduling results of EVA

為分析本文提出綠證-碳排等價抵消機(jī)制對EO影響,設(shè)置4種不同運(yùn)行場景對比分析,各場景信息見表2。場景1為基礎(chǔ)場景,EO僅考慮電力市場經(jīng)濟(jì)性;場景2在場景1基礎(chǔ)上考慮碳市場;場景3在場景2基礎(chǔ)上考慮綠證市場;場景4采用本文綠證-碳排等價抵消機(jī)制。

表2 各場景信息Table 2 Each scenario information

各場景日前調(diào)度結(jié)果如表3所示。由表3可知,4個場景中園區(qū)內(nèi)分布式能源均實現(xiàn)了全額消納,場景4相較其他場景在保持高水平綠電消納和低碳排放的同時,系統(tǒng)總成本基本不變,綠證購買量相較場景3增加了60.6 kW·h。此外,在綠證-碳排等價抵消機(jī)制下,系統(tǒng)綠電消納量顯著提高,相較場景3增加了308.5 kW·h,占比從0.3%提高至6.7%,碳排放量減少了322.7 kg,該機(jī)制下EO選擇從綠電日前市場和綠證市場獲取更多綠證抵消電力帶來的碳排放,EO對碳配額需求降低,碳排放總量下降。結(jié)果表明該機(jī)制可以在不增加園區(qū)市場總成本的基礎(chǔ)上,有效促進(jìn)園區(qū)對綠電的消納,降低自身購電碳排放。

表3 各場景日前調(diào)度結(jié)果Table 3 Scheduling results of different scenarios

4.3 綠證及碳配額價格影響分析

為評估綠證價格及碳配額價格對EO市場策略的影響,在兩市場價格波動標(biāo)準(zhǔn)差不變的情況下,計算不同綠證價格及碳配額價格下綠證購買量、綠電購買量、碳配額購買量以及綠證-碳排抵消量,如圖11所示。

圖11 綠證價格及碳配額價格對市場策略影響Fig.11 Impacts of green certificate price and carbon quota price on market strategy

從圖11中可以看出,隨著綠證價格的逐漸增加,EO綠證購買量減小,綠電購買量增加,綠證-碳排抵消量減小,碳配額購買量增加,這是因為EO傾向于消納更多綠電獲取綠證,并傾向于使用碳配額完成碳排放考核,以此規(guī)避綠證購買成本的提高。隨著碳配額價格的逐漸增加,EO綠證購買量增加,綠電購買量增加,綠證-碳排抵消量增加,碳配額購買量減小,這是因為EO傾向于使用綠證-碳排抵消方式完成碳排放考核,以此規(guī)避碳配額購買成本的提高。綠證-碳排等價抵消機(jī)制使園區(qū)可以靈活選用減碳方法,根據(jù)自身實際情況制定兼顧經(jīng)濟(jì)性和低碳性的市場策略。

4.4 算法收斂性分析

本文使用改進(jìn)粒子群算法和ADMM方法求解問題,三方主體成本收益變化量為0時表明博弈已達(dá)到均衡,需要說明的是,由于本文采用ADMM方法,在迭代過程中EO向園區(qū)內(nèi)售電量和電力市場購電總量為確定值,極大降低了迭代過程中每個優(yōu)化問題的復(fù)雜度。為驗證本文所提算法求解效率,分別將ADMM方法改為單層總成本最優(yōu)、將改進(jìn)粒子群改為一般的粒子群算法進(jìn)行對比,在相同迭代精度下對比結(jié)果如表4所示,圖12給出了收斂過程對比。對比可知,本文所提求解算法有較高的求解效率,求解時間滿足調(diào)度問題需求。

表4 算法粒子群迭代次數(shù)及求解總時間對比Table 4 Comparison of algorithm particle swarm optimization iterations and total solution time

圖12 算法收斂性對比Fig.12 Comparison of algorithm convergence

5 結(jié) 論

隨著電力系統(tǒng)低碳化發(fā)展以及電改的不斷推進(jìn),為促進(jìn)園區(qū)消納新能源和降低碳排放,本文提出綠證-碳排等價抵消機(jī)制,研究考慮電碳綠證市場耦合的園區(qū)綜合能源系統(tǒng)日前優(yōu)化調(diào)度方法,并采用改進(jìn)粒子群算法及ADMM算法進(jìn)行求解。仿真結(jié)果表明,綠證-碳排等價抵消機(jī)制及日前優(yōu)化調(diào)度可以有效降低系統(tǒng)碳排放量,提高園區(qū)綠電用電占比。本文的主要結(jié)論如下:

1)本文所提機(jī)制可以增加園區(qū)電力消費中綠電占比,在該機(jī)制下綠電占比提高6.4%,系統(tǒng)調(diào)度周期內(nèi)總綠電購電量增加,而系統(tǒng)市場總成本基本不變。

2)綠證及碳配額價格對于能源運(yùn)營商參與電碳綠證市場交易有顯著影響,并且綠證價格越低,碳配額價格越高,綠證-碳排抵消量和綠電消納量越高。

本文工作重點為電碳綠證市場下,PIES在日前尺度的優(yōu)化調(diào)度方法,不足之處在于未對可再生能源不確定性影響進(jìn)行分析,未來可進(jìn)行深入研究。