摘要
综合能源系统(IES)结合可再生能源发电和氢能储存(HES)是实现清洁和低碳能源消费的有效途径，具有巨大的发展潜力。如何合理确定系统的配置方案是一个亟待解决的关键问题。本文构建了一个配置优化模型。首先，给出了数学模型、目标函数、优化策略和约束条件。然后，本研究创新性地提出了基于偏差满足的优化策略来构造目标函数，可以同时优化年综合成本(ACC)和年碳排放(ACE)两个目标；引入权重系数来反映决策者的不同优化偏好。整个优化模型属于混合整数线性规划，案例研究给出了在同样强调ACC和ACE(W1=0.5，W2=0.5)下的结果。初始采购成本结构显示，燃气轮机、储氢罐和光伏的成本占到70%以上。HES的成本较高，但系统的碳减排效果可观，ACE仅为传统供应系统的6.63%。第三部分，敏感性分析结果表明，不同的优化偏好会显著影响配置结果，而且每种偏好所对应的 "成本效益 "表现也不同。最佳优化策略区间为(W1=0.3，W2=0.7)到(W1=0.4，W2=0.6)。比较分析表明，模拟结果是可靠的。进一步的分析显示，目前的碳税基价对国际能源署的刺激效果极为不理想。因此，建议提高目前碳税的基价。
关键词
- 综合能源系统
- 多能互补
- 配置优化
- 最优选型
- 偏差满足策略
- 优化偏好
1. 简介
1.1. 背景和动机
综合能源系统(IES)与可再生能源发电(REPG)相配合，可以通过多能互补和能源级联利用[1], [2]，是解决能源短缺和环境问题的有效途径之一，已在许多国家成功应用[3]。因此，IES是未来能源供应系统的一个重要发展趋势。然而，光伏(PV)和风力发电在IES中仍然存在电力缩减的问题。通常情况下，需要储能设备配合运行，以提高REPG的利用率。与其他储能技术相比，氢气储能在清洁绿色、能量密度 和储能时间[4]方面有明显优势。近年来，通过电解水生产氢气作为吸收随机和间歇性可再生能源电力的储能介质成为人们关注的焦点[5]，Power to Gas技术已被广泛开发[6] 。电解水是这项技术的核心工艺，它不仅可以储存氢气作为储能介质[7]，还可以生产氢气用于氢燃料车辆和化学加工。REPG-电解水制氢-储氢是解决可再生能源[8]的波动性和[间歇性]的重要途径，[9]。通过电解水从可再生能源中生产氢气可以实现零碳或低碳。从长远来看，未来的氢气源将基于REPG [10]. 因此，本研究构建了一个包括REPG、CCHP(冷热电联供)、氢气储能在内的综合能源系统，为大型工业园区提供各种负荷需求。该系统旨在充分利用光伏和风能，提高工业园区的能源供应自主性。
然而，IES可用的能源和能源转换设备的类型是多样的，伴随着许多可能的系统配置方案。为了提高拟建IES的性能，必须合理选择系统的设备类型和容量以实现系统目标。这是系统正式投入生产和运行时需要解决的前提问题。因此，本文将以天然气-风能-光伏-氢能IES为对象，建立一个基于偏差满足的新型配置优化模型，对整个系统进行优化。优化后的系统旨在降低综合成本，提高清洁能源的比例和能源供应的自主性。本研究可为多能源供应的氢能储能IES的协调设计提供方法和分析策略。
1.2. 文献综述
由CCHP、REPG、储能等辅助设备组成的IES可以充分发挥能源的互补优势，促进光伏和风力发电的就地消纳，实现资源的优化利用[11]。IES是未来人类社会能源供应的一个重要发展趋势。近年来，吸引了众多学者对其开展研究。本文中，配置优化配置问题是该领域的核心研究点之一，主要涉及三个方面：系统结构、优化目标、优化方法。白静[12]设计了一个集成太阳能和由[内燃机]驱动的联合动力系统的冷热电联供系统，并分析了其能量流和运行策略。本研究基于生命周期分析方法，以传统配电系统为参考对象，建立能源、环境、经济效益等多目标优化模型，对系统的设备容量进行优化。Wei, Sun[13]构建了一个小型生物质沼气内燃发电机组的CCHP系统，考虑了可变运行条件，说明其能量流和运行模式。同时，建立了一个基于能源、经济和环境效益的多目标优化模型，并使用带有约束因素的粒子群优化算法(PSO)来解决这个问题。Farahnak, Farzaneh-Gord [14]研究了使用CCHP系统来满足不同规模建筑的电力、供暖、制冷需求。优化过程的目的是使发电装置的能源成本最低。优化结果表明，在发电单元容量和建筑规模之间存在着有价值的数学关系。Lin, Yang[15]使用遗传算法来优化CCHP系统的容量。优化过程以一次能源节约、降低生命周期成本和减少二氧化碳排放为目标。REPG和传统发电已经逐渐成熟，共同为社会提供电力。Arasteh和Riahy[16]优化了综合风力发电系统的成本，并用YALMIP优化工具验证了模型的有效性。Luo, Gu [17]研究了一个分布式光伏发电系统，为提供无功补偿供电系统紧急情况 。该系统的最佳容量由YALMIP和CPLEX工具确定。Sharafi, Elmekkawy[18]研究了住宅楼的混合可再生能源系统的最佳规模问题。优化目标是使建筑物的可再生能源利用率最大化，并使总的净现值成本和碳排放最小化。Wei, Wu [19]优化了小型IES的设备容量，使生命周期成本、风险和系统排放最小。该系统中考虑了可再生能源的不确定性。Liu, Yang[20]建立了区域IES的容量分配优化模型，以实现经济和环境效益的最大化，并基于改进的PSO算法解决了优化问题。研究基于不同季节的典型日光伏输出和负荷特性曲线来考虑经济运行。为了使总成本最小化，Ma, Wu[21]构建了一个通用的多能源系统规划优化框架。该框架可以实现系统的最优结构配置并给出能源管理策略。Halabi和Mekhilef[22]使用HOMER软件对热带地区偏远村庄的可再生能源系统进行了优化设计。它关注的是系统在技术、经济和环境方面的表现。Zhou, Zheng [23]利用两阶段优化方法，以年总成本、年污染排放和年能耗作为优化目标，对IES进行了优化。案例研究的结果表明，在遵循[热负荷](www.sciencedirect.com/topics/engi… "从ScienceDirect's AI-generated Topic Pages "了解更多关于热负荷的信息)模式的运行策略下，拟议的园区级IES的经济、环境和能源效益高于单供系统和联合发电系统。徐克[4]通过非支配排序遗传算法(NSGA)-II解决了包括光伏、风电和储氢在内的微电网容量分配优化问题。在第一阶段，得到一系列帕累托解，在第二阶段，通过排序方法得到唯一的最终配置结果。Wang, Wang[24]考虑了经济性、自主性和碳排放三个方面来优化与REPG耦合的IES的容量分配。Ren, Wang[25]从能源、经济和排放三个方面优化了结合太阳能和[地热能]的CCHP系统的容量分配(www.sciencedirect.com/topics/engi… "从ScienceDirect的AI生成的主题页了解更多关于地热能的信息")。该研究还探讨了天然气和电网电价对系统性能的影响。关于REPG加上储氢的研究已经逐渐开始引起人们的注意。很少有研究分析决策者的偏好在IES容量分配阶段的影响。Zhong, Li [26] 特别考虑了在对有风力的独立电力系统进行最佳随机操作时，心理偏好的影响。结果表明，考虑这个因素是非常重要的。这给本研究带来了启迪。为了使电-氢[储能系统]的总成本最小化(www.sciencedirect.com/topics/engi… "从ScienceDirect的AI生成的主题页中了解更多关于储能系统的信息")，Wang, Kang [27]建立了一个[优化设计](www.sciencedirect. com/topics/engineering/optimised-design "Learn more about optimized design from ScienceDirect's AI-generated Topic Pages")建立了化工生产中耦合REPG和加氢系统的电-氢协调储能系统模型，确定了电-氢协调储能系统的最优容量配置和功率调度方案。Luo, Shao[28]着重研究了集成REPG和各种储能设备的IES的配置优化。优化目标是系统在增加储能设备后能节省运行成本。 表1总结了近五年来对能源系统配置优化的研究。
表1. 最近关于能源系统配置优化的研究摘要。
| 文献 | 系统的主要组成部分 | 优化目标 | 优化工具 |
|---|---|---|---|
| [13] 2015 | Biomass biogas + CCHP | 最大限度地提高能源、经济和环境效益 | PSO |
| [14] 2015 | 适用于各种住宅建筑规模的CCHP系统 | 最大限度地减少能源成本 | 一个开发的优化算法 |
| [18] 2015 | 热泵+生物质锅炉+风力涡轮机+太阳能集热器+光伏+储热罐 | 最大化REPG，最小化总净现值成本和二氧化碳排放 | PSO |
| [19] 2016 | 加热和冷却系统 | 最大限度地降低生命周期成本、风险和系统排放 | 多目标群搜索优化器 |
| [20] 2017 | 天然气+冷热电三联供+储能系统 | 实现经济和环境效益最大化 | PSO |
| [22] 2017 | 可再生能源系统。光伏+柴油发电机+电池组 | 系统在技术、经济和环境方面的表现 | HOMER software |
| [17] 2018 | 配电系统中的分布式发电与光伏太阳能农场 | 最大限度地减少年度总成本 | YALMIP, CPLEX |
| [21] 2018 | 天然气+光伏+风力涡轮机+冷热电三联供+储能系统 | 最大限度地减少整体成本 | 混合整数线性编程模型 |
| [23] 2018 | 光伏+光热锅炉+CCHP+储能系统 | 最大限度地减少年度总成本、年度污染排放和年度能源消耗 | PSO |
| [29] 2018 | 可逆固体氧化物电池+光伏+压缩热泵+氢气罐+其他储能系统 | 最大限度地减少能源成本 | Region contraction algorithm |
| [16] 2019 | 风力发电站+热能装置+储能系统 | 使社会福利最大化 | Model-based predictive control, YALMIP |
| [24] 2019 | 天然气+光伏+风力涡轮机+冷热电三联供+储能系统 | 经济、自主性和碳排放 | NSGA |
| [25] 2019 | 天然气 + 主动装置 + 吸收式制冷机 + 电力和热存储 + 光伏 + 地源热泵。 | 能源、经济和排放 | NSGA |
| [27] 2019 | 风力涡轮机+氢气储能系统 | 最大限度地降低系统总成本 | CPLEX |
| [15] 2020 | CCHP system | 节省一次能源，减少生命周期成本，减少二氧化碳排放 | GA |
| [28] 2020 | 天然气+光伏+风力涡轮机+冷热电三联供+储能系统 | 最大限度地节省总运营成本 | YALMIP, CPLEX |
通过对相关文献的总结和分析，主要发现有以下几点。
(1)在以往的研究中，大多以某一类型的设备(燃气轮机等)为核心，或以少数几种特定的设备组成为核心，没有充分考虑到IES的设备类型的多样性。随着电转气和储氢技术的发展，实现大规模和长期高效储能成为可能[30]。然而，现有的研究很少将氢气储能引入到IES中，与REPG进行耦合。
(2)在优化目标方面，考虑到经济指标一般是系统最重要的标准，在单目标优化中基本以经济指标作为优化目标；在多目标优化中，除经济指标外，还考虑了大部分的环境指标(CO2排放、生命周期污染排放等)和节能指标(能耗、能效等)。整体而言，碳减排是配置优化和运行优化阶段优化目标的重点[31]。
(3)在解决容量配置优化方面，线性编程、非线性编程、动态编程、智能算法和软件(工具)被用来解决能源系统优化问题。但总的来说，现有的优化模型和策略有以下缺点。1)如果采用单目标优化，只能关注系统的经济性能；如果采用多目标优化，现有研究大多采用遗传算法生成一系列的帕累托解。然而，如何在众多帕累托解中确定唯一的解作为系统配置方案，仍然没有得到很好的解决。此外，在某些情况下，帕累托解的数量是无限的。2)现有的研究不能反映决策者在优化过程中对不同目标的优化偏好，但优化偏好是实际决策中必然存在的心理特征。3)据我们所知，现有的研究没有注意到 "性价比 "的优化问题。
(4)研究中使用的数据的真实性和丰富性直接决定了优化后的模拟结果的可信度。现有研究大多采用模拟数据而非真实数据，数据量不能满足实际需要。
因此，针对上述结论，本文做了以下相应的改进，以开展研究。
(1) 在IES中引入储氢功能，解决光伏和风电机组弃电问题。将对包括REPG、CCHP系统、氢气储能及相应辅助设备在内的IES进行容量分配优化。
(2) 从经济、能源利用、环境三个方面进行优化，使年综合成本和年碳排放量最小。
(3)本研究构建的配置优化模型属于混合整数线性规划。本文将使用基于MATLAB平台的YALMIP求解工具来获得仿真结果。值得注意的是，本研究将构建一个基于偏差满足的目标函数，以实现在优化过程中对不同目标的同时关注。同时，引入权重系数以反映决策者的不同优化偏好。此外，还将采用敏感性分析来研究优化问题的 "性价比"，并基于偏差满足策略给出最佳优化偏好范围。
(4)为了使优化结果更加准确，优化过程是在数据驱动的基础上进行的。园区负荷数据、光照强度数据、温度数据、风速数据都是以小时为单位给出的，一年8760小时，这将有力支持本研究的可信度。
(5)由于环境性能(碳减排)是能源系统的关键优化目标，本文将研究现行碳税政策对国际能源系统碳减排的激励作用。
1.3. 目标和贡献
本文的研究目标是优化天然气-风能-光伏-氢能IES的配置，并对优化结果进行分析，为决策服务。主要目标和工作如下。
- 1)建立天然气-风能-光伏-氢能IES的数学模型。
- 2)考虑到经济和环境目标，构建了IES的配置优化模型，并给出了解决方法。
- 3)基于优化策略的敏感性分析，讨论 "成本效益 "的表现。此外，设置多场景来分析和讨论优化结果。
- 4)研究当前碳政策对系统的刺激作用。 上述工作可以促进这种国际能源系统的发展，并为早期部署提供理论指导。
本文的主要贡献归纳如下。
- 1)研究对象复杂，值得研究。IES与氢气储能相结合，可以有效解决光伏和风力发电的弃光问题。该系统满足了电力、供热、制冷和氢气负荷的需求，并具有明显的环境效益。氢气储能与传统储能不同。在优化建模的过程中，需要考虑与电力平衡、电解槽、储氢罐的转换关系和交互逻辑。
- 2)优化策略新颖，符合人类认知。本文提出偏差满足的思想来构造目标函数，希望双目标下的目标值与单目标下的最优目标值之间的偏差越来越小。
- 3)对能源优化管理的深刻启迪。通过调整目标函数中的权重系数来表示优化偏好。考虑到 "成本效益 "表现的理性情况，盲目追求环境目标需要付出巨大的经济代价。在实际过程中，优化偏好有一个合理的区间。
- 4)揭示了现行碳税政策的不适用性。在REPG高比例接入电力系统的背景下，现行的碳税政策已不适用，对这类能源系统的碳减排刺激效果并不理想。相关部门应制定符合当前能源转型背景的碳税政策。
本文的其余部分组织如下。 第2节介绍了本文所研究的国际能源系统的构成和特点；第3节详细介绍了系统各部分的数学模型以及优化目标、约束条件和分析框架；第4节给出了验证分析框架的案例；第5节对模拟结果进行了深入分析和讨论，包括敏感性分析、比较分析、情景分析和碳税政策分析；第6节对本研究进行总结和展望。
2. 天然气-风能-光伏-氢气综合能源系统
尽管氢气储能具有绿色、清洁等诸多优点，但其高昂的成本仍是应用的关键障碍之一。因此，本研究中构建的IES应优先用于此类工业园区。工业园区有电力、供暖、制冷和氢气的负荷需求；该地区有很大的风能和太阳能资源，可以发展光伏和风力发电; 它靠近主要道路，以方便氢气运输。一个工业园区级的IES可以由许多不同类型的能源、能源生产、能源转换和能源储存设备组成。终端负荷需求包括电力、加热和冷却需求。在系统的输入端，其能源可以是天然气、液化石油气、柴油、太阳能、风能、生物质能和地热能 。经过不同的能量转换设备，这些能源的能量最终被转换为用户可以使用的电、热和冷。系统的基本架构设计必须充分考虑用户的能源需求、当地可用的能源资源、可用于组成系统的设备类型以及实际约束条件，以形成一个完整的系统框架。
本研究在前人研究的基础上[1], [2]，天然气-风能-光伏-氢气IES的系统结构如图1所示。IES由四个主要部分组成。REPG子系统、储氢子系统(HESS)、CCHP子系统和其他辅助设备。能量流包括天然气流、氢气流、电力流、热力流和冷力流。其中，光伏阵列和风力发电机(WT)是REPG子系统的主要设备；电解器(EL)、储氢罐(HST)和燃料电池(FC)是HESS的关键设备；燃气轮机(GT)、吸收式制冷机(AC)和余热锅炉(WHB)是CCHP系统的关键设备；辅助设备(AE)主要包括电冷却器(EC)和燃气锅炉(GB)。工业园的电力负荷由PV、WT和GT供应；加热负荷由WHB和GB供应；AC和EC负责冷却负荷的供应。氢气负荷的供应来自两部分：当整个系统的电力供应过剩时，过剩部分将用于电解水生产氢气；而购买的氢气可以通过长管拖车运输。当FC排入系统时，燃料可能来自EL生产的氢气或购买的氢气，这将取决于整个系统的经济和环境性能的优化。整个系统的运行细节将在上述基本架构的基础上通过配置优化模型进行优化。
图1. 天然气-风能-光伏-氢气IES的基本结构。
3. 配置优化的数学模型
在建模和分析中做出以下假设。所有设备在优化期间不会发生故障；在正常运行范围内的设备效率为常数；忽略设备的启动、关闭和设计时间；GT、PV、WT、EL、HST、FC的数量为整数变量，其他设备的可选容量为连续分布。
3.1. 子系统数学建模
3.1.1. 光伏发电子系统
光伏板在时间t的实际发电量主要受太阳辐射强度和环境温度的影响[32]。具体计算模型如下：(1)PPV(t)=NpvPrpvfPV(Ra(t)Rs)[1+k(Ta(t)-Ts]其中NpV代表光伏阵列中的光伏板数量；Pfpv代表标准环境下一块光伏板的额定功率；fpV为衰减系数；Ra(t)表示时间t的实际光强；Rs为标准环境下的光强；k代表功率[温度系数](https://www. sciencedirect.com/topics/engineering/temperature-coefficient "从ScienceDirect的AI生成的主题页了解更多关于温度系数的信息")；Ta(t)是光伏板在时间t的实际温度；Ts是标准环境温度。
此外，光伏板的实际温度由实际环境温度和实际光照强度决定[32]：(2)Ta(t)=Tae(t)+0.0256Ra(t)其中Taet代表实际环境温度。
3.1.2. 风力发电子系统
风电机组在时间t的实际功率主要由切入风速和切出风速决定[33]。其计算模型如下。 (3)PWT(t)=0,V(t)⩽VinorV(t)⩾VoutPrwtV(t)-VinVr-Vin, Vin⩽V(t)⩽VrPrwt, Vr⩽V(t)⩽Vout其中Prwt代表风电的额定功率。 Vin是切入风速；Vout是切出风速；Vr代表[额定风速](https: //www. sciencedirect.com/topics/engineering/rated-wind-speed "从ScienceDirect的AI生成的主题页了解更多关于额定风速的信息")；Vt表示时间t的实际风速。
3.1.3. 燃气轮机发电子系统
GT power generation system 是CCHP系统的一个重要组成部分。在GT发电的同时，产生的余热将被WHB和AC用来供应加热和冷却负荷。加热和冷却负荷的缺口由GB和EC提供。在整个IES中，GT和GB是消耗天然气的设备。天然气的消耗量可以通过以下公式计算[1], [2]: (4)Qgas=PGT(t)T(t)β1δ+Qnbβ2δ其中PGT代表GT的输出功率；Qnb代表GB提供的加热负荷；β1代表【发电效率】(www.sciencedirect. com/topics/engineering/power-generation-efficiency "从ScienceDirect的AI生成的主题页了解更多关于发电效率的信息")的GT；β2代表GB的加热效率；δ代表天然气的最小燃烧热值，是33.50兆焦/立方米[1] 。
GT产生的废热可以通过以下公式计算[34]：(5)Qwh=PGT(t)1-β1-εβ1其中εε代表GT的热损失系数 。
3.1.4. 制冷和加热子系统
WHB和AC是使用废热的终端。AC利用余热来供应冷却负荷，WHB利用余热来供应加热负荷。公式(6)-(8)描述了它们之间的关系：(6)Qwh=Hwhb+Hac(7)Qac=γacHac(8)Qwhb=γwhbHwhb其中Hwhb和Hac分别代表WHB和AC使用的余热；Qac表示AC提供的冷却负荷；Qwhb代表WHB提供的加热负荷；γac代表制冷[性能系数](https://www. sciencedirect.com/topics/engineering/coefficient-of-performance "从ScienceDirect的AI生成的主题页中了解更多关于性能系数的信息")空调；γwhb代表WHB的转换效率。
冷、热负荷的供应来源归纳为公式(9)-(10)：(9)QC=Qac+Qec(10)QH=Qwhb+Qnb其中QC和QH分别代表园区的总冷负荷和热负荷；Qec表示由EC提供的冷负荷；EC的制冷性能系数为γec。
3.1.5. 氢能储存子系统
如果系统在某一时刻，GT、PV、WT和FC的输出之和大于电力需求(电力负荷和EC的耗电量)。也就是说，Psum(t)⩾PTE(t)/τ1。那么，在时间t，HST中的氢气体积将等于前一个时间的体积加上这个时间新转换的氢气体积：(11)Vhst(t)=Vhst(t-1)+[Psum(t)-PTE(t)τ1]τ2
如果Psum(t)⩽PTE(t)/τ1，那么在时间t的HST中的氢气体积将等于前一次的体积减去这次消耗的氢气体积：(12)Vhst(t)=Vhst(t-1)-[PTE(t)τ1-Psum(t)]τ3其中Psumt代表总[发电量](www.sciencedirect. com/topics/engineering/power-generation "从ScienceDirect的AI生成的主题页中了解更多关于发电的信息")在时间t时系统的输出；PTEt表示在时间t时公园的电力负荷(电力)；τ1表示转换器的效率；τ2表示电解装置的效率；τ3表示FC的效率。
3.2. 目标函数和优化策略
经济性、能源利用率和环境性能是能源系统优化中最常考虑的三个方面。本文用年综合成本(ACC)表示系统经济性的优化目标；系统所需的天然气燃料成本可以反映能源利用率，年碳排放量(ACE)可以用来反映系统的一次能源消耗和环境性能。
首先，分别以ACC和ACE最小化为目标，实施单目标优化，得到单目标优化下的最小ACC和最小ACE。标记为ACC1和ACE1。然后，构建基于偏差满足的目标函数(公式13)，同时优化ACC和ACE。在这个过程中得到的优化结果记为ACC2和ACE2。该目标函数具有以下显著优势。1)统一了ACC和ACE的维度；2)同时优化ACC和ACE，并通过引入权重系数反映决策者的不同优化偏好。本研究构建的目标函数如下：(13)Min(deviation satisfaction)=W1ACC2-ACC1ACC1+W2ACE2-ACE1ACE1其中，W1和W2代表权重系数，用来表示优化偏好。当W1>W2时，意味着更关注系统的经济性能；当W2>W1时，意味着更关注系统的碳减排性能。此外，W1+W2=1。
ACC可以反映出国际能源系统的整体经济性能。它是系统配置优化的重要目标之一。ACC(公式14)包括主要设备购买成本(公式15)，运行和维护成本(公式16)，燃料(天然气)购买成本(公式17)，水(电解水)购买成本(公式18)，碳税(公式19)，以及氢气购买成本(公式20)。20): (14)ACC=Cpa+Com+Cf+Cw+Cct+Cph(15)Cpa=(∑i=1naici)k(1+k)tk(1+k)t-1(16)Com=∑i=1naiciom(17)Cf=Qgascgas(18)Cw=Qwcw(19)Cct=ACE*Tc(20)Cph=Qph(chp+cht)其中ai代表每种类型设备的安装能力。 ci和ciom代表每种设备的单价和运行维护成本；k代表银行贷款的利率(4. 9%)；t表示还款期(20年)；cgas表示天然气的单价，为2.8元/立方米；cw表示处理水的单价，为4.1元/立方米；TC表示碳税的基价，本文中为20元/吨。 [35]; Qph represents the amount of purchased hydrogen. Chp and Cht are hydrogen production cost and transportation cost, respectively. When the methanol price is 3 CNY/kg, the hydrogen production cost is about 21.3 CNY/kg [36]. The unit price of a long-tube trailer for transportation within 200 km is about 11.03 CNY/kg [37].
使用的化石燃料越少，可再生能源的利用比例就越大。该系统的主要能源消耗是天然气的使用，上面已经具体分析过。ACE是能源系统中最重要的环境性能指标。建设清洁、高效、低碳的能源供应系统是当代社会的不懈追求。本文构建的国际能源系统的二氧化碳排放源为GT和GB。 ACE可通过以下公式计算：(21)ACE=Qgasφ1(4)Qgas=PGT(t)T(t)β1δ+Qnbβ2δ其中φ1代表燃烧一种能源所排放的二氧化碳(kg/m3)。 cubic meter 的天然气。本研究中的φ1值为2.01公斤 [1].
3.3. 限制条件
- 设备输出(功率)约束
(22)Pimin⩽Pi⩽Pimax其中Pimin min和Pimax分别代表系统设备的最小技术输出和最大技术输出。
- 电力、供热、制冷平衡约束条件
功率平衡约束：GT、PV、WT、FC的发电输出等于园区的电力负荷功率、EL输入功率、EC输入功率：(23)PGT+PPV+PWT+PFC=PE+PEL+PEC其中PE代表园区的电力负荷功率需求；PEL代表EL的输入功率；PEC代表EC的输入功率。
热平衡约束。WHB和GB的输出热功率应大于或等于园区供热负荷所需的功率：(24)PWHB+PGB⩾PHL其中PHL代表园区的供热负荷需求；PGB代表GB的输出功率；PWHB代表WHB的输出功率。
冷却平衡约束。AC和EC的输出功率应大于或等于园区冷却负荷所需的功率：(25)PAC+PEC⩾PCL其中PCL代表园区的冷却负荷需求；PAC代表AC的输出功率；PEC代表EC的输出功率。
- 储氢系统的约束条件
EL的运行功率应大于最小额定功率[7]。在本研究中，最小的工作功率是额定功率的5%：(26)0.05PrE⩽PoE
其中PrE代表EL的额定功率；PoE代表EL的工作功率；EL产生一摩尔氢气的功耗为∂。
为了描述HST中的实际氢气量与HST的额定存储容量之间的关系，类似于电池的充电状态，将HST的充电状态(SOCHST)定义为HST中当前的氢气存储量与额定存储容量的比率。那么HST的等效SOC应满足上下限约束：(27)SOCHSTmin⩽SOCHST⩽SOCHSTmax，其中SOCHSTmin在优化中为0.0；SOCHSTmax为0.9。
- 空间限制
考虑到光伏板、风电机组和HST的可用空间在园区内是有限的。因此，这些设备的数量是有限的。 (28)0⩽NPV⩽NPV,max(29)0⩽NWT⩽NWT,max(30)0⩽NHST⩽NHST,max其中NPV、NWT和NHST分别代表光伏板、WT和HST的数量；NPV、max、NWT和NHST、max分别代表最大数量。
由于系统中各类设备涉及的参数较多，为便于识别和阅读，本研究将参数汇总到表2，如下图所示。
表2. 系统中的设备参数。
3.4. 分析框架和解决方法
本文的分析框架可以概括为三个阶段，如图2所示。
- 第一步是确定(定位)适合本文所建综合能源系统布局的工业园区。产业园区需要满足以下基本要求：产业园区有电力、供热、制冷、氢气等负荷需求；太阳能和风能资源良好，适合发展光伏和风力发电；有良好的政策支持和资金来源。本阶段主要采用GIS技术。
- 第二阶段的主要工作是构建数学模型，并对国际能源署的数据进行处理。这一部分对应于3.1节，给出了REPG、CCHP、HESS子系统的数学模型。为了得到各设备的运行和输出，需要收集和处理太阳能资源、环境温度、风速、四种负荷以及各种设备参数数据。
- 第三阶段的主要工作是建立配置优化模型，包括目标函数和约束条件。在这个阶段，提出了一个基于满足偏差最小化的目标函数。目标函数还通过引入权重系数来反映决策者的优化偏好。每个设备的最佳容量是解决方案的目标，其中GTs、PV板、WTs、ELs、HSTs和FCs的数量是整数变量；其他设备的容量是连续变量。基于上述工作，配置优化问题可以理解为一个混合整数线性编程问题。在本文中，借助YALMIP求解器和MATLAB软件平台，使用分支和约束程序来解决该问题。
- 在第四阶段，我们将通过情景分析讨论优化偏好对最终优化结果的影响。此外，还将基于 "高性价比 "的理念，讨论最佳优化策略的范围。将通过情景分析给出没有场地限制和加强太阳能和风能资源的优化结果。值得注意的是，本阶段还分析了现行碳税政策对系统性碳减排的激励作用。
图2. 拟议的国际能源系统配置优化的分析框架。
4. 案例研究
一个位于中国甘肃省阿克塞哈萨克族自治县的真实工业园区被用来作为案例研究，以验证该模型。甘肃省的新能源发电装机容量占到40%以上。风力发电和光伏发电的市场环境成熟，扶持政策力度大。 图3展示了产业园区的具体地理位置。 图5详细介绍了研究区域的风能和太阳能资源。园区位于中国西北地区，太阳能和风能资源丰富，适合发展光伏和风力发电项目。为了实现能源供应的独立性和清洁性，本文所构建的天然气-风能-光伏-氢气IES被认为可以满足园区的各种能源需求。
图3. 工业园的详细地理位置。
园区的供暖负荷和制冷负荷在供暖和制冷季节都高于电力负荷，所以冷热电三联供系统由燃气轮机驱动。一年中8760小时的电力负荷数据由中国国家电网公司的智能电表获得；园区提供了典型日子的冷、热负荷和氢气数据。 图4展示了四种类型的负荷数据随时间的分布。
图4. 园区内供暖、制冷、电力和氢气负荷的分布。
图5. 研究区域内风能和太阳能资源的详细分布。
当地太阳辐射强度数据和风速数据由中国华电集团公司甘肃分公司提供，该公司在该地区建设了许多大型光伏和风力发电项目，数据准确可靠。当地的环境温度数据是由气象监测站提供的。光伏板的实际温度可由公式(2)计算，根据上述数据，光伏板的小时输出功率可由公式(1)计算。 图6显示了环境温度、实际光伏板温度、太阳辐射强度和光伏板输出功率。WT的输出功率可以通过公式(3)计算出来。 图7给出了计算结果。为了确定园区内可放置的最大光伏板、风力发电机和储氢罐的数量，采用了参考文献[4]中给出的计算方法。表2中已经详细总结了国际环境研究中涉及的所有相关参数。
图6. 温度数据、太阳辐射强度和光伏板的每小时输出量。
图7. 风速数据和风轮机每小时的输出。
原优化方案设定为ACC和ACE同等重要，即偏差满足的目标函数中W1和W2的值都是0.5。基于MATLAB平台和YALMIP的代码编写思路见附录，供参考。优化结果汇总于表3。
表3. 原始设定下的产能配置的最优结果。
为了分析原优化方案下IES的主要成本和投资结构，本节详细分析了这10种主要设备的投资和采购情况，如图所示 Fig. 8.
Fig. 8. 系统主要设备的初始采购成本。
从上图可以看出，CCHP和HESS的设备采购成本占整个系统的65%以上；GT、HST、光伏板的成本均占20%以上。第四种设备是FC，占10%。CCHP的采购成本主要来自GT；HESS的采购成本主要来自HST；REPG系统主要来自PV面板。因此，我们希望在未来提高系统的经济性。降低设备采购成本的突破点主要集中在小型GT、HST和光伏板。此外，与采用其他储能方案的IES相比，该系统的HESS成本太高。这也是限制储氢广泛应用的障碍之一。 图9展示了容量配置方案下系统的典型日负荷供应和设备输出。
图9. 典型的每日负荷供应和设备输出。
在有电力、供热、制冷和氢气负荷的园区，本文构建的IES旨在促进能源供应的清洁化。由于REPG和HESS设备的成本较高，该系统不如传统的配电系统经济；但在减少碳排放方面，该系统有明显的优势。 表4列出了比较结果。
表4. 传统能源供应系统的碳排放。
5. 讨论和进一步分析
本节将详细分析和讨论不同优化偏好下的优化结果以及本文提出的优化策略的最佳优化节点(敏感性分析)。此外，第二部分将使用NSGA-II算法再次求解模型，进行比较分析。第三部分还讨论了没有空间限制和加强风能和太阳能资源的优化结果(情景分析)。第四部分将分析当前碳税政策对国际能源署碳减排的激励作用(碳税政策分析)。
5.1. 敏感性分析
本文构建了基于偏差满足度的优化策略，以反映决策者在优化过程中的优化偏好。这一部分将通过改变W1和W2的值来反映ACC和ACE的重要性。设置了10组敏感性分析，模拟后的优化结果汇总见表5。
表5. 不同优化优选下的配置结果。
从上表反映的结果来看，不同的偏好会明显影响最终的优化结果。当决策者更加关注经济目标时，REPG系统和储氢子系统的主要设备数量将减少；当更加关注碳排放时，由于CCHP子系统是整个系统的二氧化碳排放源，相关设备的容量将大大减少。在极度关注碳排放的情况下(W1=0，W2=1)，CCHP子系统不再被纳入系统构成中。因此，在优化过程中，有必要考虑目标偏好。
然而，在优化过程中，我们仍然需要关注优化性价比这个关键点。这是一个几乎没有现有研究讨论的细节。在本文构建的优化模型中，ACC和ACE是两个目标。如果我们付出的成本很高，但得到的碳减排却很少，那么这种优化在实际决策中就没有实际意义了。 图10生动地呈现了不同优化偏好下的ACC和ACE。
Fig. 10. 不同优化偏好的成本效益。
从图10可以直观地看到，当优化偏好从极端关注碳排放(W1=1.0，W2=0)转向逐渐关注ACE(W1=0.7，W2=0.3)时，增加系统ACC带来的ACE降低效果非常明显。但是，当优化偏好从关注碳排放(W1=0.3，W2=0.7)变为极度关注过度碳排放(W1=1.0，W2=0)时，增加高成本并没有带来更好的碳减排效果，碳减排的量非常小。因此，X轴上优化偏好右侧的优化过程(W1=0.3，W2=0.7)不具有实际实施价值，这些优化过程的性价比很差。最佳优化偏好范围基本集中在(W1=0.7，W2=0.3)和(W1=0.4，W2=0.6)之间。
5.2. 比较分析
就我们所掌握的文献和最新研究而言，NSGA-II是Deb[42]提出的解决多目标优化问题最常用的遗传算法。因此，在本节中，我们将使用这种方法再次求解该模型，以比较配置结果。在这个方法中，我们首先得到一些帕累托解，然后为不同目标设置权重，得到最终结果。算法编程和代码操作基于MATLAB平台。设置种群规模为500，迭代次数为500；健身函数('TolFun')的偏差设置为1e-1000；函数'*gaplotpareto'*绘制帕累托前沿，结果如【图11】。NSGA-II获得的配置结果和本文使用的方法总结如下 Table 6.
通过一系列的测试和对仿真结果的分析，得到以下几点。
- 1)如果用NSGA-II求解本文所构建的模型，会花费较多的时间，每次得到的结果也不一样，这也是该方法的特点。
- 2)需要注意的是，在YALMIP求解器的帮助下，YALMIP(分支和约束程序得到的结果要比NSGA-II给出的结果好。后者的配置结果是EL和GT的容量比前者高得多，这也是成本目标(ACC)不同的直接原因。不同的运行结果导致了不同的碳排放(ACE)。
- 3)在本文中，优化偏好被直接引入目标函数。NSGA-II是在获得帕累托解集后，在第二阶段设置目标权重的唯一结果。这两种方法之间存在差异。
- 4)两种方法在两个目标下得到的最优结果的数量级是一致的，这在很大程度上相互证明了仿真结果的整体可靠性。
5.3. 情景分析
本部分从以下两个方面进行情景分析：
- 假设园区没有土地和空间的限制，对风电机组、光伏板、HST的数量没有限制；
- 园区的太阳能和风能资源得到加强(产量增加一倍)。
在这两种情况下得到的优化结果总结于表7。优化结果主要与注重碳排放的优化策略进行比较，分析成本和碳减排效果。
表7. 不同方案下的配置结果。
根据对上表的分析，可以发现以下结论：
- (1)在同样重视ACC和ACE(W1=0.5，W2=0. 5)，系统中无场地限制的REPG设备数量增加，ACC增加，但ACE减少；在更加重视碳排放的优化策略下(W1=0.3，W2=0.7)，无场地限制的光伏设备数量增加，ACC和ACE均减少。
- (2) 在这两种优化策略下，太阳能和风能资源的增强并没有增加系统中REPG设备的数量。但是，由于风电和光伏发电量的增加，负荷保持不变，最后，整个系统的ACC和ACE也降低了。
5.4. 碳税政策分析
中国目前的碳税政策是以吨为单位对排放的二氧化碳征税，税基价格约为20元/吨。 [35]. 然而，碳税政策是否能达到减少能源系统碳排放的效果，在现有的研究中基本上没有讨论。在本研究中，对优化模型中的碳税参数进行了调整，研究碳减排的效果。通过反复调整参数并与天然气价格变化进行比较，优化结果总结为 Table 8. 由于价格的变化，系统的ACC会增加；天然气价格的上涨和碳税可以在一定程度上减少碳排放。中的模拟 Fig. 12 在优化过程中对成本和环境性能给予同等重视 (W1 = 0.5, W2 = 0.5), while Fig. 13 提出了对环境绩效的更多关注 (W1 = 0.3, W2 = 0.7).
Table 8. 不同天然气价格和碳税下的配置结果。
Fig. 12. 不同碳税政策的刺激作用比较 (W1 = 0.5, W2 = 0.5).
Fig. 13. 不同碳税政策的刺激作用比较 (W1 = 0.3, W2 = 0.7).
但是，通过图12，我们可以直观地发现以下细节：要达到减少碳排放的效果，碳税基价需要提高100倍以上。如果基价低于100倍(P3)，不仅对碳减排没有效果，还会增加系统成本(P1)。这些结果充分表明，目前的碳税政策对系统碳减排的激励效果极不理想；系统对碳税的敏感性特别低。此外，碳税价格需要提高250倍(P4)，才能相当于天然气价格提高4倍所取得的碳减排效果(P2)。值得注意的是，两种刺激措施之间ACC增长的差距非常小。
从图13可以看出，当优化偏好已经关注到系统的环境性能(W1=0.3，W2=0.7)时，减少系统的碳排放将花费更多的成本。这与敏感性分析中得到的最优区间一致。在双目标优化下，天然气价格提高4倍(P6)，碳税基价提高10倍(P8)，可以达到同样的碳减排效果；但双目标下前者的成本较低，单目标下后者的成本较低。只有在天然气价格上涨10倍(P7)、碳税基价上涨740倍(P9)的情况下，才能再次产生碳减排效果，在付出巨大成本后只能获得少量的碳减排效果；因此，这种情况下的价格刺激与碳减排效果不相称。
系统对天然气价格的敏感性主要是由于燃料成本的比例突出。目前的碳税政策对系统的碳减排效果不理想的原因是门槛太低。当对成本和环境绩效的重视程度相同时(W1=0.5，W2=0.5)。的情况下，碳税基价可以提高100倍以上，达到碳减排的效果，但这一政策的实施范围是企业无法接受的。政策的实施需要与心理上接受的合理范围相匹配。因此，本研究建议提高碳税的基准价格，或在提高天然气价格的同时征收碳税，以达到减少碳排放的效果。在调整能源结构的同时，应制定适合国际能源署的碳减排刺激政策。
6. 结论和展望
本文构建了天然气-风能-光伏氢气IES的配置优化模型。 IES主要由
- REPG子系统(包括光伏阵列和WT)、
- CCHP子系统(包括GT、WHB和AC)、
- HES子系统(包括EL、HST和FC)和
- AE(GB和EC)
组成。涉及的能量流包括天然气流、电力流、热流、冷流和氢气流。该模型具体包括子系统 数学建模、目标函数、优化策略和约束条件。本研究首次提出了基于偏差满足的目标函数和优化策略。 同时对ACC和ACE进行优化，并通过引入权重系数W1和W2形成不同的优化策略。案例研究给出了对ACC和ACE同等重视情况下的优化结果(W1=0.5，W2=0.5)。通过对主要设备初始采购成本的分析，发现GT、HST、PV的采购成本占到70%以上。该优化方案中系统的碳减排效果非常可观，ACE仅占能源供应系统的6.63%。敏感性分析结果表明，不同的优化偏好会显著影响系统配置结果。此外，每个优化偏好的 "成本效益 "表现也明显不同。本文研究的综合能源系统的最佳优化策略范围是(W1=0.7，W2=0.3)到(W1=0.4，W2=0.6)。情景分析结果表明，取消场地限制后，REPG设备数量将增加，ACE将减少；太阳能和风能资源得到加强后，主要通过增加光伏和风电的输出来实现碳减排效果。碳税政策分析的结果表明，目前的碳税政策在刺激该国际能源机构的碳减排方面极为不理想。当优化偏好是对成本和碳排放同等重视时(W1=0.5，W2=0.5)，碳税基价提高100倍并没有起到减排的效果，反而还增加了成本；碳税价格提高250倍相当于天然气价格提高4倍。因此，我们建议提高现行的碳税起征点价格，也可以采取提高天然气价格和征收碳税同时进行的政策。
随着人们的环保意识越来越强，对绿色出行的追求，使得越来越多的电动车和 fuel cell vehicles. 在未来的研究中，我们将考虑引入电动汽车和燃料电池汽车调度的系统配置优化问题。
参考
