基于源荷协同降碳的综合能源系统分布鲁棒经济调度_孙惠娟.pdf

第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1589-12 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于源荷协同降碳的综合能源系统分布鲁棒经济调度孙惠娟1，吴鹏1，彭春华1，柳劲松2，时珊珊2，冯晓滨3（1华东交通大学电气与自动化工程学院，江西省 南昌市 330013；2国网上海市电力公司电力科学研究院，上海市 虹口区 200437；3厦门科华数能科技有限公司，福建省 厦门市 361006）Distributionally Robust Economic Scheduling for Integrated Energy Systems Based on Source-load Cooperative Carbon Reduction SUN Huijuan1,WU Peng1,PENG Chunhua1,LIU Jinsong2,SHI Shanshan2,FENG Xiaobin3（1.School of Electrical and Automation Engineering,East China Jiaotong University,Nanchang 330013,Jiangxi Province,China;2.Electric Power Research Institute,State Grid Shanghai Municipal Electric Power Company,Hongkou District,Shanghai 200437,China;3.Xiamen Kehua Energy Technology Co.,Ltd.,Xiamen 361006,Fujian Province,China)1ABSTRACT:In order to fully exploit the carbon reduction capacity of the integrated energy system,this paper proposes a scheduling mode for integrated energy systems based on the source-load coordinated carbon reduction mechanism,which realizes the interactive adjustment of the source-side energy production units and the load-side energy consumption units.At the same time,in order to cope with the influence of wind power and photovoltaic output uncertainty on the optimal scheduling,a distributionally robust economic multi-objective optimal scheduling model of the integrated energy systems is established based on the imprecise probability theory,and the restriction relationship between the robustness and economy of the scheduling scheme is fully considered.This model can not only eliminate the limitation of the subjective setting of the conservative degree of the uncertain sets in the traditional distributionally robust optimization,but also achieve a balanced optimal scheduling of the robustness and economy.Finally,the example analyses show the feasibility and superiority of the proposed method.KEY WORDS:integrated energy system;coordinated carbon reduction;imprecise probability theory;distributionally robust optimization;robust economic scheduling 摘要：为充分挖掘综合能源系统的降碳能力，通过对源侧产能体系与负荷侧用能体系实现互动调节，提出了一种基于源 基金项目：国家自然科学基金项目(52267007，52167009，51867008)；江西省主要学科学术和技术带头人项目(20204BCJL22038)；江西省教育厅科技项目(GJJ210646)。Project Supported by National Natural Science Foundation of China(52267007,52167009,51867008);Jiangxi Academic and Technical Leader Project(20204BCJL22038);Jiangxi Education Science Research Foundation(GJJ210646).荷协同降碳机制的综合能源系统调度模式；同时，为了应对系统内风光出力不确定性对优化调度的影响，基于非精确概率理论并充分考虑调度方案鲁棒性与经济性之间的制约关系，建立了综合能源系统分布鲁棒经济多目标优化调度模型；采用该模型不仅能消除传统分布鲁棒优化中不确定性集合保守度主观设定的局限性，并能实现鲁棒性与经济性均衡优化调度；最后，通过算例分析验证了所提方法的可行性和优越性。关键词：综合能源系统；协同降碳；非精确概率理论；分布鲁棒优化；鲁棒经济调度 DOI：10.13335/j.1000-3673.pst.2022.0759 0 引言 为防止因二氧化碳过量排放造成气候恶化，我国提出碳排放力争于 2030 年前达到峰值，2060 年前实现碳中和的战略指标1。综合能源系统(integrated energy system，IES)作为多种能源结构相互耦合而成的聚合体，其优化调度可以实现不同能源之间的优势互补，有效提高能源利用效率以及减少碳排放，是我国实现低碳承诺和能源高质量利用的重要手段。目前国内外学者对IES优化调度展开了大量的研究。文献2-3通过将碳捕集(carbon capture，CC)设备与电转气(power-to-gas，P2G)技术结合实现CC-P2G 联合运行，提升了可再生能源的消纳率，降低了系统的碳排放和运营成本；但其仅是对 IES源侧进行低碳改造，未能完全挖掘出IES降碳潜能。文献4-5中通过需求响应手段合理调节负荷，也能实现促进风光消纳、降低碳排的目的。还有学者将1590 孙惠娟等：基于源荷协同降碳的综合能源系统分布鲁棒经济调度 Vol.47 No.4 分流式碳捕集与需求响应手段结合，进一步挖掘了IES 的低碳特性。如文献6为改善分流式碳捕集运行时存在的缺陷，采用了效果更好的灵活性碳捕集与需求响应配合，使得统低碳效果进一步提升。然而，以上研究都只是简单地将 2 种低碳手段分别作用在源荷两侧，且未能将定价策略与机组出力进行协同优化，忽略了对源荷间互动降碳能力的挖掘。此外，IES 内高比例可再生能源出力存在不确定性且不易控制。因此，针对 IES 的调度方案优化还需将其应对不确定性环境的鲁棒能力考虑在内。现有研究通常采用预设或拟合而成的单值概率分布对不确定变量进行表述7-8。然而，在实际工程运用中，往往无法获得足够精确的单值概率分布，导致决策方案的有效性难以保证。为弥补上述研究存在的局限性，有学者开始采用分布鲁棒优化法来处理含不确定量的优化问题。文献9基于KL(Kullback-Leible)散度建立了风电出力的分布函数集合，以此描述风电出力概率分布的不确定性。文献10-11构建了基于数据驱动的两阶段分布鲁棒优化模型，但其后续最劣的场景概率分布需要不断迭代来选取，求解速度较慢。文献12基于非精确概率理论构建风电出力概率分布的模糊集，然后根据模糊集推演出不确定集合，并应用到自适应鲁棒机组组合模型中，提高了模型的适用性。然而，分布鲁棒优化因其鲁棒区间置信水平即鲁棒度需预先人为设定，存在较大的主观局限性。实际上，优化目标值会与鲁棒度紧密关联，甚至会相互制约。故在 IES 分布鲁棒优化调度中对关键性的鲁棒度进行主观预设无疑是不可取的，不仅很难保证最终求得的鲁棒方案为最优，而且鲁棒度该预设何值更为恰当这本身就是一个极难抉择的问题。综上，本文拟提出一种基于源荷协同降碳机制下的 IES 调度模式。首先，在源侧建立含灵活碳捕集的联合降碳运行框架；其次，在负荷侧设置价格型综合需求响应机制，并将每一时段的电价、气价作为变量与源侧可控单元进行协同优化；同时构造用能方式满意度以及用能费用满意度约束，在确保不损害用户利益的前提下，通过对能源价格进行调控来改善各时段的负荷结构，使得源侧产能结构与负荷侧用能结构实现互动调节，最大程度挖掘整个IES 降低碳排、消纳风光的能力。针对 IES 中风光出力的不确定性，本文拟先基于非精确概率理论，利用非精确狄利克雷模型(imprecise Dirichlet model，IDM)构造出不确定性变量的累积概率分布函数(cumulative distribution function，CDF)模糊集；然后基于模糊集中最劣累积概率分布，映射出满足置信水平的不确定性容忍区间，以此来确定旋转备用容量。同时，基于机会约束分布鲁棒优化，充分考虑调度方案鲁棒性与经济性之间的制约关系，构造出鲁棒-经济多目标优化调度模型并求取折中解，以消除常规分布鲁棒优化的主观局限性，最终实现可均衡鲁棒性和经济性的 IES 优化调度。1 IES 碳排放流 本文构建的IES运行框架如附录A图A1所示。在负荷侧，电、气负荷同时参与价格型综合需求响应(横向需求响应和纵向需求响应)进行调节；而热负荷由于市场定价的特殊性，不参与综合需求响应对其调节。通过在源侧燃煤电厂加装灵活碳捕集装置，能够实现对烟气中的 CO2进行捕集，并将其送去封存和作为原料提供给 P2G 合成天然气。最终，系统向大气排放 CO2的来源有：燃煤电厂未能被储存和利用的 CO2、热电联产(combined heat and power，CHP)机组运行产生的 CO2以及气负荷产生的 CO2，整体碳排放流见附录 A 图 A2。考虑到 P2G 会提供部分天然气，而这部分天然气是通过循环利用 IES 内 CO2生产的，并非从外界气站中购买，替代了气站开采的天然气，减少了 IES净排放，最终可构建出系统碳排放模型如下：IES,aTP,aCHP,agload,aP2G,aEEEEE(1)TP,aTPTPP2G,sumSC1CHP,aCHPCHP1gload,agloadDRg,1CHPCHPgloadDRg,P2G,aP2GCHPDR1g,()()TttttTttTttTttttttEPMMEVELVLEVVL(2)式中：IES aE，、TP aE，、CHP aE，、gload,aE分别为 IES实际碳排放量、未被储存及利用的火电机组碳排放量、CHP 机组碳排放量、气负荷碳排放量；P2G,aE为 P2G 设备提供天然气产生的虚拟降碳量；TPtP为t时段碳捕集电厂出力；P2G,sumtM为t时段 P2G 设备消耗的 CO2总量；SCtM为 CO2封存量；CHPtV为CHP 机组消耗的天然气体积；DRg,tL为响应后的气负荷；P2GtV为t时段 P2G 生成天然气的体积；TP、CHP、gload分别为火电机组、CHP 机组、气负荷的碳排放系数。第 47 卷 第 4 期 电 网 技 术 1591 2 源荷协同降碳机制 本文假设所构建的 IES 为完全互通信息系统，即整个系统的所有可控单元都能够接收到管理者的决策信息。由此，管理者能够实现对源侧可控单元和负荷侧能源价格的协同调控，以此构建协同降碳机制。该机制使源侧联合降碳运行框架和负荷侧价格型综合需求响应进行有机互补，最大限度挖掘出 IES降碳潜力，最终达到降碳后系统向大气排放 CO2量最低，获得碳交易收益最大的目的。2.1 源侧联合降碳运行框架 本文在源侧建立了含电锅炉(electric boiler，EB)的 CC-P2G-CHP-EB 联合运行框架。其中，灵活碳捕集装置用来捕集 CO2；P2G 设备用以消纳部分弃风弃光；CHP 机组消耗天然气并输出电功率和热功率；电锅炉消耗电能产出热功率。整体出力及能耗表达式3如下所示。TNTPDCYCYCCCCHP,eCHPCHP,eCHP,hCHPCHP,hwasteWASAP2GEBEBEB=ttttttttttttttttPPPPPw MPPPPPPPPHP(3)式中：TNtP为t时段碳捕集电厂净出力；DtP为t时段电厂固定能耗；CYtP为t时段碳捕集运行能耗；Cw为碳捕集处理单位 CO2的运行能耗；CCtM为此时处理的 CO2量；CHPtP为t时段 CHP 机组的出力；CHP,etP为t时段 CHP 机组的电出力；CHP,htP为t时段CHP 机组的热出力；CHP,e为 CHP 机组电效率；CHP,h为 CHP 机组热效率；P2GtP为t时段 P2G 设备能耗；WAtP、SAtP为t时段弃风、弃光功率；wastetP为t时刻经 P2G 设备消纳后剩余的弃风弃光功率；EBtH为t时段电锅炉的热出力；EBtP为t时段电锅炉的能耗；EB为电锅炉转换效率。联合运行框架利用灵活碳捕集装置捕集 CO2；然后将捕集后的 CO2作为优质原料提供给 P2G 设备；接着 P2G 设备将 CO2转换成天然气，以供应气负荷和 CHP 机组，其源侧 CO2与天然气的产出和消耗模型如下所示：2COP2G,sumP2GP2GCCCGGGTPTPtttttttMPMMMMP(4)P2GP2GP2GgCHPCHPgCHP,eCHP,h(3.6)/()ttttVPHVPH(5)式中：2CO为生成单位功率天然气时需要 CO2的量；P2G为 P2G 设备电转气的转换效率；CGtM为储液罐提供的待处理的 CO2量；为碳捕集效率；为烟气分流比；GtM为火电厂 CO2总释放量；gH为天然气的热值。对传统碳捕集机组加装储液罐使其变成灵活碳捕集装置，由此能够实现 CO2捕集与发电之间的解耦13。同时针对系统中 CHP 机组存在“以热定电”的运行限制，通过配置储热罐来提高其运行的灵活性，最终提升整个系统的风光消纳空间。系统内储罐运行模型如下：2CGCAMEACOLRRCFLCFLCA1CPLCPLCA1hsh1(1)tttttttttttMEMEMMMMMMSSP (6)式中：CAtM、CFLtM、CPLtM分别t时刻储液罐释放CO2所需的溶液体积、富液罐溶液量、贫液罐溶液量；MEAE为 MEA(乙醇胺)摩尔质量；2COE为 CO2摩尔质量；L为再生塔解析量；R、R分别为醇胺溶液浓度、醇胺溶液密度；tS、1tS分别为储热罐t时和1t 时刻的储热量；h为储热罐在运行过程中单位时间内的热源损失率；hstP为储热罐t时的热功率(大于 0 时放热，小于 0 时吸热)。由此，源侧联合运行框架实现了“电气热”3 种能源间的灵活转换，能够根据用户的用能需求，来制定更为合理的生产计划，以达到有效消纳风光、减少系统碳排放、提高 IES 经济性的目的。2.2 负荷侧价格型综合需求响应 为进一步提升 IES 调度的灵活性，本文在负荷侧采用价格型综合需求响应，通过调控各个时段的能源价格，来改善用户的用能结构，以配合源侧生产计划构成源荷协同降碳机制。根据负荷受价格影响的变化情况，将其分为固定负荷、可转移负荷、可削减负荷以及可替换负荷。其中，可转移负荷、可削减负荷参与横向需求响应(同种能源根据不同时段的能源价格信号，自发进行转移和削减动作)；可替换负荷参与纵向需求响应(可相互替代的能源在同一时段，通过对比不同能源价格，自发进行能源间的替换动作)，其需求响应模型如下：1592 孙惠娟等：基于源荷协同降碳的综合能源系统分布鲁棒经济调度 Vol.47 No.4 DRDR0DRreresube,e,e,e,e,e,DRDR0DRreresubg,g,g,g,g,g,re1re2re3ree,ee,1ee,2ee,3re1re2re3reg,gg,1gg,2gg,3+=+=+ttttttttttttttttttttLLLLLLLLLLLLLLLLLLLL (7)式中：DR0e,tL、DRe,tL分别为需求响应前后的电负荷；DRe,tL为可转移电负荷变化量；ree,tL为削减电负荷的反弹负荷；ree,tL为削减电负荷；1e、2e、3e分别为削减电负荷的反弹系数；ree,1tL、ree,2tL、ree,3tL分别为时刻1t、2t、3t 的削减电负荷，气负荷表述同理只是下标不同。同一时段用户会还会根据当时不同能源价格之间的差异进行纵向需求响应，参考文献14可求得纵向需求响应下可替换电负荷变化量sube,tL和可替换气负荷变化量subg,tL。系统引入价格型综合需求响应，是以改变用户用能方式为代价的，因此调度方案还应考虑用户用能方式满意度和用能费用满意度约束。本文综合考虑负荷侧不同种能源利用占比情况，设置用能占比系数，构造出如下满意度评估模型：e,g,11EUege,g,11e,g,11EEege,g,11|1()1()TTttttTTttttTTttttTTttttLLSLLCCSCC (8)式中：EUS为用能方式满意度；EES为用能费用支出满意度；e,tL为电负荷响应前后变化量；e,tL为响应前的总电负荷量；e,tC为用电费用响应前后变化量；e,tC为响应前总用电费用；e为参与响应的电负荷利用占比系数。气负荷表述同理只是下标不同，其推导过程见附录 B 式(B1)(B2)。EUS越小，用户用能方式满意度水平越低；EES越大，表明用户的用能费用满意度水平越高。3 基于机会约束分布鲁棒的不确定集合 针对系统内存在的风光出力不确定性，本文采用机会约束分布鲁棒不确定集合来配置正负旋转备用，通过火电的快速调节能力来弥补预测误差对调度方案实施所产生的影响。3.1 构建累积概率分布函数模糊集 风、光预测误差样本数据存在不准确性且数量有限，单值概率密度函数难以有效反映其不确定性分布特征。最终可能会导致基于此概率密度函数，所求调度方案其可行性难以保证。因此，本文采用基于非精确概率理论的 IDM 方法来构造风、光预测误差的 CDF 模糊集，以样本点概率分布区间的形式来替代传统样本点处的单值概率(这样不仅反映了预测误差的不确定性，还反映了预测误差 CDF的不确定性)。例如，样本点 G(jx)处置信水平下的置信累积概率区间12(如图 1 所示)可构造如下：du1d1u1d1u10,(),0211(),(),0221(),1,2jjjjjjjjjQmVQmnVmn(9)式中：uj、dj分别为该样本点处累积概率置信区间的上界、下界；V和Q分别为 Beta 分布(,)jjB m snm与 Beta 分布(,)jjB sm nm的累积概率分布函数；jm为满足约束的随机变量x 的样本数；n为随机变量 x 的样本总数；s为等效样本大小，决定了概率区间随样本容量收敛的速度，满足1s。0.250.20.150.10.0500.050.10.1500.20.40.60.81.0的置信带的置信带的置信带真实的CDF99%置信概率区间90%置信概率区间70%置信概率区间G随机变量：预测误差累积概率u(99%)jxGd(99%)j()F G0.99=0.90=0.70=图 1 不同置信水平的 CDF 置信带 Fig.1 Confidence bands of CDF of different 同时还根据文献15中所提出的 Devroye-Wise方法求得随机变量 x 的估计上下界du,xx，最后，基于随机变量 CDF 的置信区间和估计范围，可得出模糊集合：dudu0=(|,|)|,1,.,jjjFxxF xxjn(10)式中：du0(|,|)xx表示估计范围du,xx内所有的累积概率分布的集合；F 为样本点 G(jx)处的累积概率。本文选取 Elia Group 所提供的某比利时风、光电场 2020 年 1 月 1 日至 2020 年 12 月 31 日的风光预测误差数据。根据上述方法，求出t时段风电预测误差 CDF 置信带如图 1 所示，同时假设利用该组数据拟合而成的单值概率分布为其真实分布。xG第 47 卷 第 4 期 电 网 技 术 1593 根据图 1 还可得知，随着置信水平的提升，置信带的宽度也会越宽。这样模糊集内就会包含更多可能的风电预测误差概率分布，从而能够获得更具鲁棒性的决策结果，光伏同理。3.2 基于模糊集构建机会约束鲁棒区间 本文基于分布鲁棒经济优化调度的原理，利用3.1 节所求模糊集，找到其中最劣概率分布，然后构建机会约束鲁棒区间，以此来描述系统对风、光预测误差所产生扰动的容忍范围。鲁棒区间内的预测误差，可通过预先配置旋转备用快速响应，消除其对系统稳定运行的影响；鲁棒区间外的预测误差，系统无法安全消纳。此时，为了保证系统安全，会执行弃风弃光和切负荷此类紧急手段，以造成一些经济损失为代价来消除这部分预测误差带来的运行风险。构建的机会约束鲁棒区间集合可以对系统可容忍范围的鲁棒性进行评估，同时可容忍范围外的区域需将其考虑为运行风险，具体模型如下：ddd,ddduu,dduu,dduuud,ududLD,UD,:(),()Pr()()()0()1,()()d()()d)()d(i ti ti ti ti ti ti ti tti tti tti ti tttttttttUUUi ti ti ti txxxxi ti tURURRUUUUUNxPxxxFxFxxNxPxxx丨uuuu,()()d)i ti txxi ti tUUFxFxx丨(11)式中：R为鲁棒区间集合；,i tR、,i tU分别为不确定性因素i在t时段的机会约束鲁棒区间和区间变量；u,i tU、d,i tU分别为区间的上下界；dt、ut分别为预测误差鲁棒区间下界和上界所对应的累积概率；Pr为不确定因素i在t时段发生在鲁棒区间内的概率；ud()100%tt代表不确定性因素,i tU鲁棒区间的置信水平；t定义为t时段鲁棒区间对应的鲁棒度；LD,i tN、UD,i tN分别为,i tU小于鲁棒区间下界和大于鲁棒区间上界时所产生的运行风险期望值；,i tP、,i tF分别为不确定性因素i在t时段的概率密度函数以及累积概率分布函数，,i tF包含在预测误差累积概率分布模糊集中。系统对风电出力预测误差扰动的容忍范围、运行风险和t时段鲁棒度的关系如图 2 所示。由图 2可以看出：t越小则说明所得调度方案对不确定性的可容忍范围越小，运行风险越大；t越大则说明所得调度方案对不确定性的可容忍范围越大，运行风险越小。光伏同理，其关系图见附录 A 图 A3。0.250.150.050.050.1500.20.40.60.81.0的运行风险的运行风险的运行风险的可容忍范围的可容忍范围的可容忍范围abcd真实CDF置信带上界置信带下界预测误差累积概率最劣概率分布曲线：a-b-c-duuW,W,()ttFUddW,W,()ttFUuW,tFdW,tFud60%tttud50%tttud40%ttt50%t60%t40%t50%t60%t40%t 图 2 风电预测误差容忍范围、运行风险和鲁棒度的关系 Fig.2 Relationship among tolerance range、operation risk and robustness of wind power prediction error 在所求模糊集内，存在一个最劣累积概率分布，使得设置相同大小旋转备用，所带来的鲁棒度效益最低，其系统的最劣鲁棒度模型可表示如下：,dud,udu,udmax()min()min(minmax)i ti ti ti ti tti ti tFti ti tFtttFFFFUFU(12)本文采用文献16所提出的方法，在求,dmaxi ttF时，将置信带上界u,i tF作为最劣累积概率分布；在求,umini ttF时，将置信带下界d,i tF作为最劣累积概率分布。因为当uudd,()()i ti ti ti tFUFU时，总能借助置信带上界u,i tF和置信带下界d,i tF，以及一条连接点dd,()i ti tFU、uu,()i ti tFU的单调递增曲线构造出模糊集中的最差累积概率分布。如图 2，最差累积概率分布可构建为曲线abcd。若系统设置的旋转备用相同，在整个模糊集内，根据此累积概率分布，其鲁棒度t相对于所有累积概率分布是最小的，满足鲁棒优化的思想，且适用于本文所构建的鲁棒 性经济性多目标优化模型。4 经济鲁棒多目标优化模型 4.1 优化目标 4.1.1 经济性目标 本文综合考虑IES各项运行成本和CO2相关成本，构建如式(15)所示的经济性目标函数。2TPCHPEBP2GGCOwasteclrescapminmin(+)FCCCCCCCCCC(13)式中：TPC为燃煤机组运行成本；CHPC为 CHP 机组运行成本；EBC为电锅炉运行成本；P2GC为 P2G机组运行成本；GC为系统购气成本；wasteC为系统弃风/弃光惩罚成本；2COC为 CO2相关成本；clC为1594 孙惠娟等：基于源荷协同降碳的综合能源系统分布鲁棒经济调度 Vol.47 No.4 削减负荷补偿成本；resC为旋转备用成本；capC为碳捕集成本。每部分具体表达式如下。1）燃煤火电机组的运行成本TPC。TPTP2TP1=()TtttCa PbPc(14)式中a、b、c为火电机组的燃料成本系数。2）CHP 机组运行成本CHPC。CHPCHPCHPCHP,e1CHPCHP,hCHPCHP,e 2CHPCHP,h 2CHPCHP,eCHP,h=()()TtttttttCPPPPPP (15)式中CHP、CHP、CHP、CHP、CHP、CHP为CHP 机组的成本系数。3）电锅炉运行成本EBC。EBEB,costEB1=()TttCP(16)式中EB,cost为电锅炉运维成本。4）P2G 运行成本P2GC。P2GP2G costP2G1=()TttCP，(17)式中P2G,cost为电转气设备单位功率转化的运行 成本。5）系统购气成本GC。GNG1GDRCHPP2Gg,=()=TttttttCC VVLVV(18)式中：NC为系统购气价格；GtV为系统向气站购 气量。6）弃风/弃光惩罚成本wasteC。wastewastewaste1=()TttCP(19)式中：waste为弃风、弃光惩罚成本系数；wastetP为t时刻经 P2G 设备消纳后，剩余的弃风/弃光功率。7）二氧化碳相关成本2COC。二氧化碳的相关成本由碳交易成本和碳封存成本构成。碳交易机制下，当系统碳排放配额大于实际碳排放时，获得减排技术补贴；当系统碳排放配额小于实际碳排放时，需购买碳排放权。具体奖惩阶梯型碳交易成本计算模型参考文献17。对于碳排放配额，一般以监管部门为 IES 免费发放为主。本文采用基准线法来确定碳排放配额，其碳排放额度IESE为 eeE1CHPhCHP,eCHP,h1gloadgDR0g,1IESeCHPgload()TttTtttTttEPEPPELEEEE(20)式中：eE、CHPE、gloadE分别为系统供电、CHP 机组、气负荷的碳排放配额；e、h、g分别为产生单位电功率、单位热功率以及消耗单位气负荷的碳排放基准；EtP为系统t时段风光及火电机组供电量之和；为发电量折算成供热量的折算系数。综上所述，IES 参与的碳交易量为 IES,bIESIES,aEEE(21)这部分碳交易量参与碳交易市场后，产生碳交易成本2COf。由此，本文的二氧化碳相关成本构造如下：SCCCP2G,sumtttMMM(22)22COCOSSC1=TttCfM(23)式中：S为 CO2封存成本；2COf为碳交易成本。8）可削减负荷的削减补偿clC。cleregre=()CPF(24)式中：reP为削减的电负荷总量；reF为削减的气负荷总量；e、g分别为电、气负荷补偿系数。9）旋转备用成本resC。resspupdown1=()TtttCcBB(25)式中：spc为旋转备用成本系数；uptB、downtB分别为火电机组在t时刻所提供的正负旋转备用容量。10）碳捕集成本capC。capZS=CCC(26)式中ZC、SC分别为碳捕集电厂日折旧成本和溶剂损耗成本，其推导过程见附录 B 式(B3)。4.1.2 鲁棒性目标 为消除人为预先设定鲁棒度(置信水平)的主观性，本文构建出鲁棒度目标函数，并与经济性目标函数进行协同优化。考虑到在实际工程中，切负荷的补偿费用大于弃风弃光惩罚费用，决策者往往趋向于避免发生切负荷，而去设置更多的正旋转备用，结合上述情况重新构造如下鲁棒度目标函数：urd1rcutwastemax()/Tttt (27)第 47 卷 第 4 期 电 网 技 术 1595 式中：r为上旋转备用鲁棒重视系数(趋向于避免切负荷)；waste、cut分别为弃风弃光惩罚系数和切负荷惩罚系数。在本文构建的经济鲁棒多目标优化模型中，随着鲁棒度的升高，置信水平增加，预测误差容忍区间增大，使得系统鲁棒性增强。同时，构造出系统运行风险成本函数riskf对后续方案备用配置的合理程度进行评估：riskwastewaste,ERcutcut,ER1()TtttfPP(28)式中：waste,ERtP为由于预测误差和负旋转备用不足导致的弃风、弃光功率的期望值；cut ERtP，为预测误差和正旋转备用不足导致的切负荷功率的期望值。由于风、光预测误差同时发生，故构造在其联合分布情况下，火电机组正负旋转备用对应的累积概率以及弃风/弃光、切负荷的期望值如下：maxmaxupupdowndownminminupdowndowndownupupD,cD,cudupdudownwaste,ERddccut,ERuuc()/,()/(),()()()d)()()d)ZZttttZZttttttZZttttttttttttttZZtttttZZZZtttttZZZBBKZBBKFZFZPK Z FZFZZPK Z FZFZZ丨丨(29)式中：cK为联合发电的风电与光伏机组容量之和；tZ为风光联合预测误差随机变量；uptZ、downtZ分别为火电机组旋转备用所能消除风光联合预测误差扰动区间的上下界；uptB、downtB分别为t时刻火电机组可提供的正负旋转备用容量；upD,tB、downD,tB为时刻负荷预测误差所导致的正负旋转备用需求；maxtZ、mintZ分别为联合预测误差上下界；ut、dt分别为配置旋转备用后系统鲁棒区间对应的上、下累积概率；根据文献18可求得联合分布下累积概率分布函数置信带的上下界u()ZttFZ和d()ZttFZ其推导过程见附录 C。4.2 约束条件 1）常规机组约束。火电机组、CHP 机组、P2G 机组、储热罐约束参考文献2，电锅炉机组约束参考文献7，储液罐约束参考文献13，此处不再赘述。2）功率平衡约束。TNCHP,eWSP2GEBDRe,tttttttPPPPPPL (30)WWWW,ddW,uuW,W,SSSS,ddS,uuS,S,GP2GDRCHPg,CHP,hEBhhs(,),(,)(,),(,)+=+=ttttttttttttttttttttttPPPUPPUPPP UPP UVVLVPHLP (31)式中：WtP、WtP、W,utP和W,dtP分别为t时段风电出力实际值、预测值和上下限；StP、StP、S,utP和S,dtP分别为t时段光伏出力实际值、预测值和上下限；uW,tU、uS,tU、dW,tU、dS,tU为风光出力预测误差区间的上下界；htL为t时段热负荷。对于式(30)中的区间变量WtP、StP本文采用文献8所提的方法将其转换成无区间变量的形式，其推导过程见附录 D。3）系统正、负旋转备用约束。风光出力和电负荷预测误差的不确定性通过设置旋转备用来解决。其中，正旋转备用是用来满足当按预测值所供电量无法满足电负荷实际值时，需要机组短时增加出力的情况，其约束如下：upupupupupeDRW,S,D,D,e,upTP,UTP,maxTP+,=min(,)ttttttttttBBBBBLBRT PP(32)式中：upW,tB、upS,tB分别为t时刻风电、光伏的正旋转备用需求；T为过渡时间；TP,UtR为上爬坡速率；TP,maxtP为火电最大出力。相对风光出力预测来说，电负荷预测较为准确。由此，本文负荷备用需求采用固定系数法来获得19，e为负荷备用系数。负旋转备用是用来满足当按预测值所供电量大于电负荷实际需求值时，需要机组在短时间减少出力的情况；其约束构造方法同理。5 算例分析 5.1 算例说明 本文针对图 1 所示 IES 系统进行优化调度仿真分析，IES 内各单元参数如附录 A 表 A1 所示，其中 P2G 设备相关参数参考文献2；灵活碳捕集机组相关参数参考文献6；火电机组相关参数参考文 献20；CHP 机组相关参数参考文献21。各时段的风光出力及负荷预测值如附录 A 图 A4 所示；购气价格为 0.7 元/m3，负荷备用系数e取 0.1；价格型需求响应前电价为 600 元/(MWh)；价格型需求响应前气价为 1.768 元/m3；用户用能方式满意度最小值为 0.9；用户用能费用满意度最小值为 0.85；分布鲁棒优化其累积概率分布模糊集置信水平为 95%；预测误差单值概率分布设置参考文献8。同时采用文献22中提出的基于聚类的自适应微分进化算法，并将其与帕累托非劣排序操作有机结合后，对本文多目标优化模型进行求解。5.2 分布鲁棒经济多目标优化调度运行效果分析 通过构造 3 种处理不确定性的方法进行对比，来验证所提分布鲁棒经济多目标优化方法的有效t1596 孙惠娟等：基于源荷协同降碳的综合能源系统分布鲁棒经济调度 Vol.47 No.4 性。模型为本文所提源荷协同降碳模型，方法设置见表 1。针对方法 2 和方法 3 的多目标优化模型，多目标最优折中解采用文献8中提出的基于最短归一化距离多目标优化决策方法进行选取。表 1 不确定性处理方法设置 Table 1 Setting of uncertain handling methods 方法 分布鲁棒 预设单值概率分布 预设置信水平 95%鲁棒/经济多目标优化 1 2 3 注：表示该不确定性处理方法采用了该操作；表示未采用该 操作。同时，采用蒙特卡洛模拟随机生成 1000 组风光场景，以此对 3 种方法所得最优调度决策进行运行风险成本分析。其统计结果对比见表 2，具体的统计分布箱线图如图 3 所示。不同方法下，所求出的最优折中解如表3所示，火电机组正负旋转备用配置见附录 A 图 A6。表 2 不同方法下运行风险成本对比 Table 2 Comparison of operating risk costs of different methods 方法 运行风险成本/元 最小值 最大值 平均值 方法 1 383878.83 3259152.56 1506854.03 方法 2 311359.43 2667235.1 1250495.04