李红伟， 李婷玉*， 陈军华， 王芮琪， 荆浩婕

(1.西南石油大学电气信息学院， 成都 610500； 2.西南石油大学经济管理学院， 成都 610500)

随着能源市场需求越来越大，以及节能减排的需求，提高清洁能源并网比例，促进新能源消纳已经成为趋势[1]。综合能源系统(integrated energy system, IES)以其高能效、优良的环保性能和高度灵活性，得到高度关注。在“2030年达到碳达峰，2060年实现碳中和”的双碳目标下，研究包含碳交易的IES经济优化运行，对于提高系统能源利用效率，降低系统碳排放具有重要意义。

近年来，对于IES的低碳经济研究已经很广泛，热电联产(combined heat and power，CHP)[2]机组的利用是提高可再生能源适应性的关键途径。热电联产经济调度问题(combined heat and power economic dispatch，CHPED)可以在一定程度上降低二氧化碳排放。Jin等[3]考虑动态经济排放调度(dynamic economic dispatch, DED)和碳交易关系，设计了一种辅助决策方法，根据实时碳交易价格得出最优调度解。崔杨等[4]将阶梯式碳交易引入电-气-热综合能源系统低碳经济调度模型中，综合考虑系统的低碳性和经济性。王凌云等[5]考虑CHP系统的各机组设备的碳排放量，建立了电气热冷负荷需求的综合能源系统模型，并用改进的鲸鱼优化算法求解了模型的经济优化问题。陶静等[6]以系统经济性和环保性最优建立目标函数并构建约束条件，建立冷热电联产(combined cooling heating and power，CCHP)的优化模型，并使用改进的粒子群算法求解系统优化模型。

但系统实际运行存在大量不可控因素与不确定性，主要有清洁能源产能预测的不确定性与电力市场实时电价的不确定性及系统自发产生的多种不可预知的变化，采用传统的调度求解方法或需实时调整变量、或重写约束方程，求解周期长，给调度结果及系统运行带来影响。基于此，陈曦等[7]考虑了在碳交易机制下，考虑了风电的出力不确定性，利用粒子群优化细菌觅食算法进行优化求解。陈锦鹏等[8]研究了基于全局和基于分区的不确定性风电出力，将这种不确定性纳入碳排放交易系统的动态电力调度中。瞿凯平等[9]引入了阶梯式碳交易机制来制约综合能源的碳排放，考虑了供需灵活双响应不确定性。施泉生等[10]考虑了碳交易成本对多区域综合能源系统分散调度的影响。

在上述研究的基础上，以某实际天然气处理厂综合能源系统为对象，利用马尔科夫决策(Markov decision process, MDP)过程建立含光伏光热(photovoltaic/thermal，PV/T)的CHP系统电热能日前经济调度模型，考虑碳交易成本，并以最小化处理厂运营成本为目标，利用分布式近端策略优化(distributed proximal policy optimization，DPPO)算法进行求解。通过对所建模型进行训练，在故障条件或状态量大幅波动的情况下无需介入即快速生成相应解决方案。算例结果显示，所设计的含PV/T的CHP系统有利于优化厂区能源结构，促进清洁能源消纳，提升能源利用效率。

1 CHP系统结构及PV/T子系统设计

1.1 CHP系统结构及电热负荷确定

该天然气处理厂设计天然气处理55.36×108m3/年，工厂CHP系统[11]由工艺装置、配套子系统、PV/T子系统组成。CHP子系统的热电耦合单元为燃气轮机，天然气-压缩空气混合气体燃烧产生的高温高压烟气通过燃气轮机驱动发电机发电后，烟气温度仍高达450～600 ℃，直接排放至大气中将造成能量的损失与环境的污染。设计增设余热锅炉装置，回收燃气轮机尾气中的余热，产出蒸汽供给系统中的热负荷。

全厂电能由电网送电、燃气轮机及PV/T子系统提供，全厂热负荷由锅炉、天然气补燃与燃气轮机高温烟气共同输入的余热锅炉、储热罐及PV/T子系统供应。系统结构如图1所示。

图1 天然气处理厂CHP系统示意图Fig.1 CHP system structure of natural gas processing plant

1.1.1 厂区电负荷计算

处理厂的主要用电设备有：压缩机、空冷器、空压机等。电力负荷的计算通常采用需要系数法计算[12]，负荷计算分为三类：持续运行负荷Pc、间断运行负荷Pn及备用负荷Pb。负荷计算过程[13]如下。

(1)最大运行有功(无功)功率：

(1)

(2)峰值有功(无功)功率计算：

(2)

1.1.2 厂区热负荷计算

处理厂热负荷包含工艺装置热负荷及配套系统热负荷。其中配套系统各单位热负荷由锅炉换热间集中供应。

工艺装置热负荷需求侧主要包含：锅炉房、分子筛脱水装置的加热炉、硫黄回收主燃烧炉、再热炉及尾气灼烧炉及放空火炬。其中蒸汽压力为1.0 MPa的锅炉类装置热负荷hb简化计算[14]公式为

hb=(664-tw)xb/3.6

(3)

式(3)中：tw为给水温度的焓，kcal；xb为锅炉额定蒸发量，t/h。

1.2 PV/T子系统设计

PV/T系统具备光伏发电与太阳能集热两者优势，能实现清洁发电与可调度性共存。PV/T子系统由PV/T模块阵列、控制器、交流逆变器、水泵、循环管路及储热水箱构成[15]。采用土耳其太阳能电池板制造商Solimpeks公司研发的Powervolt(Vt)及Powertherm (Th)单晶硅电池面板构建模块阵列。该面板属水冷型PV/T组件，每块封装电池片72片，面板参数如表1所示。Vt面板设计为产出更多电能，Th面板设计为产出更多热能，两者组合使用效果与组件组成比例相关。

处理厂所在地区属温带大陆性干旱气候，地理纬度36°N，昼夜温差较大，日照极为充足，年平均太阳辐射量4.64 kW·h/(m2·d-1)，月最大辐射量6.91 kW·h/(m2·d-1)。总用地713 210 m2，总建筑面积37 696 m2，其中适合用于建设PV/T子系统的面积共约5 480 m2，分为三个场地：综合楼(28 m×107 m，2 996 m2)、分析化验室(20 m×45 m，900 m2)、食堂(30 m×56 m，1 680 m2)，采用上述组件最大装机容量达794.6 kW。

考虑地区气候、热电负荷需求，选择阵列方位角0°，组件倾角30°，90%使用Vt组件，10%使用Th组件。在冬至日当天的9:00—15:00，面板阵列应不被遮挡[11]的原则下，合理调整光伏阵列前后间距，通过PVsyst软件对上述设计进行建模仿真，主要仿真结果如表2所示，子系统合计最大输出电负荷613.2 kW，最大热负荷19 996.5 kW。

表1 PV/T阵列面板参数

表2 PV/T子系统主要仿真结果

2 碳交易成本计算模型

企业都具有碳排放权，在中国碳交易市场中，会首先免费分配企业初始碳排放额。初始碳配额的分配方法主要有：基准线法、祖父法、限额交易下自主申报法和拍卖法[16]。初始碳排放权一般集中分配在综合能源系统中的CHP机组、燃气轮机、燃气锅炉、常规机组等。把碳交易权作为一个可以交易的商品，能够促进企业节能减排。

2.1 初始碳排放额分配模型

目前中国采用碳配额方式主要有免费分配、有偿分配。厂区的碳排放源主要有：上级煤电机组购电、CHP、燃气锅炉、天然气补燃。初始碳额度模型为

(4)

2.2 阶梯型碳交易成本模型

中国市场上碳交易会有一定额度，在免费额度内不需缴纳额外费用，且剩余免费额度可以进行交易，超过免费额度需要缴纳一定费用，且会给予企业一定的惩罚，超过的越多，缴纳费用越多，采用阶梯型带惩罚因子的模型，即

(5)

式(5)中：FCO2为厂区系统中碳交易成本；KC为碳交易价格；u为碳排放区间长度；β为惩罚因子；fQ为厂区购电、CHP机组、燃气锅炉的碳排放量；fC为综合能源系统碳配额。

3 计及碳交易成本的经济调度

3.1 目标函数

通常将CHPED问题描述为含供求平衡、容量限制及其他限制的一个或多个优化目标和一组高度非线性和非光滑约束的优化问题。经济效益和环保效益是厂区综合能源系统优化运行的重要指标。从经济性和环保性两方面建立厂区综合能源系统经济最优模型，并定量分析热电联产及新能源子系统的引入给厂区运营收益带来的影响。

以最小化处理厂运营成本为目标，目标函数包括纯产电机组运行成本、热电联产组件运行成本、仅产热机组运行成本及电网购电成本，即

minf=fe+fm+fk+fgrid+fCO2+fPV/T

(6)

式(6)中：fe、fm、fk为纯产电机组、热电联产机组、纯产热机组的运行成本；fgrid为系统的电网购电成本；fCO2为厂区碳交易成本；fPV/T光热电站运行维护成本。

(1)纯产电机组运行成本为

(7)

(2)热电联产组件运行成本为

(8)

(3)纯产热机组运行成本为

(9)

(4)电网购电成本为

(10)

(5)厂区碳交易成本详见式(5)。

(6)光热电站运行维护成本为

(11)

3.2 约束条件

(1)系统电、热功率平衡约束。

(12)

(13)

式中：Pd、hd为系统总电、热能需求;ns为储热罐数量；ht为供热量。

(2)系统各组件容量上下限限制。

(20)

3.3 综合能源系统效益分析模型

3.3.1 运行成本分析

基于传统能源供应方式，定义经济节约指数(cost saving ratio index, CSR)[17]对拟提的能源改造方案进行运行成本分析，相关公式为

(23)

3.3.2 低碳性分析

在拟提的天然气处理厂综合能源系统中，二氧化碳排放量将随CHP与光伏光热子系统的引入而下降，这是环境效益的主要构成因素。利用二氧化碳减排 (emissions reduction ratio, ERR) 指数[17]对拟提方案进行碳减排分析，相关公式为

(24)

式(24)中:ECON为原厂区传统运营方式下的日平均二氧化碳排放量；ECHP为CHP系统下的日平均二氧化碳排放量(以下“二氧化碳排放量”均指代“日平均二氧化碳排放量”)。两者均主要由燃气轮机产电二氧化碳排放量Eg与电网产电二氧化碳排放量EELe及燃气锅炉制热二氧化碳排放量Er构成，即

(26)

4 基于DPPO算法的求解

4.1 DPPO算法

采用近端式策略优化(distributed proximal policy optimization,DPPO)算法对马尔可夫(MDP)模型进行求解，它建立在近端式策略优化(proximal policy optimization, PPO)算法的基础上。在DPPO中，多个工作者共享一个全局学习者(global learner, GL)，GL收集到多个代理一定量的数据后进行更新，同时代理暂时停止收集工作，更新完成后，代理使用最新的策略继续进行收集和建立工作。因模型中已有N(迭代次数)个最优策略，在非训练模式下，算法将直接载入模型，并模型中已有的“最优策略”出发，寻找更大精度下的最优策略，由此，求解精度与速度都能得到保证，解决了传统调度问题面临的两大难题。

4.2 DPPO算法优化模型

目标函数为

J(θ)=E(min{rt(θ)At,clip[rt(θ),1-ξ,

1+ξ]At})

(27)

(28)

式中：πθ为给定的一个参数化策略；πθ(at|st)为网络参数θ的可微函数；ξ为裁剪超参数；clip( )为裁剪函数，将rt(θ)的值限制在(1-ξ,1+ξ)之间。通过在目标函数中使用裁剪函数可避免策略出现突变，保证训练的稳定。

4.3 求解流程

以前述天然气处理厂为案例进行分析，选择MDP和DPPO算法，Python作为编程语言，Pytorch作为深度学习框架，PVsyst软件作为PV/T子系统出力的求解软件。在训练模式中，设置次数N=2 500，并行代理数量为4，随着训练次数的增加，累计奖励上升，代表寻求到成本有效降低的方向。训练结束后保存模型，在非训练模式下，对4个随机变量进行赋值，依据图3算法流程图载入训练后的模型，对各种运行场景进行仿真分析。结果显示，经训练后的模型，任何场景下算法求解时间均小于1 s。求解调度结果的过程如图2所示；DPPO算法流程图如图3所示。

图2 求解流程图Fig.2 Flow chart of solution

图3 DPPO算法流程图Fig.3 Flow chart of DPPO algorithm

5 仿真结果及分析

5.1 含PV/T天然气厂的IES调度结果分析

为验证本文所提计及PV/T和碳交易机制下的综合能源系统优化调度模型的经济性和环保性。PV/T子系统输出与辐射强度相关，在不同季节存在较大差异，且处理厂所处地区冷热季温差大(最热月最高平均气温36.3 ℃，最冷月最低平均气温-2 ℃)，对优化结果易产生影响，设置夏季典型日为对照组，对其进行详细分析。分别选择冬季典型日及冬季、夏季高峰日为实验组，分析太阳辐射水平变化对系统带来的影响。各组别太阳能资源水平及日均环境温度见表3所示。

表3 对照组太阳能辐射水平

分别对4个组别的PV/T子系统进行出力分析，出力统计结果如图4所示。由图4可知，在太阳能辐照最强的夏季高峰日组别，PV/T子系统电能、热能出力均达到最大，二氧化碳排放会显著降低；相应的，在太阳能辐照最弱的冬季低谷日，PV/T子系统的电、热能出力最小，二氧化碳排放量显著提升。

图4 各组别PV/T子系统输出对比Fig.4 Output comparison of each PV/T group subsystem

图5 夏季典型日调度结果Fig.5 Scheduling results of typical summer day

5.1.1 夏季典型日调度结果

夏季典型日系统日前经济调度结果如图5所示。图5中能量输出小于0表示系统向电网售电或系统正在向储热罐蓄热，输出大于0表示电网向系统售电或储热罐向系统放热。

在燃气轮机负载允许的情况下，电能输出与需求能够达到平衡。由于平、低谷期余热锅炉需要向储热罐供热以满足高峰用热期需求，燃气轮机机组将产出过剩电能并向电网售卖。系统热能需求峰值时刻(11 h)，PV/T子系统出力占到15.6%，最高占总输出的19.0%(12 h)。PV/T子系统有效削峰，平缓各机组出力曲线，提高了系统运行稳定性和经济性。DPPO算法给出的经济调度方案在系统低谷、平谷时期主动储热为高峰用热量提供保证。电能方面，PV/T子系统出力最高占5.1%(12 h)，分担系统峰值电能需求。由于本文是在优先考虑热负荷的情况下设计PV/T子系统，电能输出相对较小，在其他不同应用场景下可采用不同组成比例的面板阵列以灵活适应系统需求。

5.1.2 其他实验组结果分析

1)冬季低谷日与冬季典型日

冬季低谷日模拟极少数极端天气状况，测试在PV/T系统最低产能下系统运行会否受到影响，调度结果如图6所示。

图6 冬季低谷日调度结果Fig.6 Scheduling results of typical winter day

由图6可见，冬季低谷日PV/T子系统产电最高仅占系统电能需求的1.4%，可忽略不计，可认为系统电能供应在此天气状态下由电网与燃气轮机机组两者供应。机组最高负荷8 238 W，同时电网输入达到最大(3 756 kW)。

热能方面，13 h达到PV/T系统的峰值输出占比(5.3%)。17～18 h，热能需求出现缺口(最大1 378 kW)，一方面是由于燃气轮机负荷变化范围达到上限，另一方面是夏季PV/T子系统出力较大的情况下储热罐无需太多储热即满足需求，但在冬季其容量相对偏小。

冬季典型日优化调度与低谷日相比，电、热能占比有所提升。缺口问题依然存在，最大缺口热量1 110 kW，合计缺失2 063 kW，实际工程中可通过增设储热罐解决。

2)夏季高峰日

夏季高峰日调度结果与夏季典型日相似，篇幅限制不再列出。其PV/T子系统热能输出最高占系统热能总需的22%，电能最高占6%，为4组中最高。在此场景中，合计向电网售电量3 664 kW，同时，能量缺口问题基本得到解决，缺口能量267 kW，相较于低谷日下降81%。

上面所测试的4个组别属于随机变量变动生成的场景，每小时调过程求解时长均小于1 s。验证了所用算法的快速性与普适性。厂区热电负荷基本得到满足，出现的热能缺口问题通过增设储热罐或提高余热锅炉产能效率解决。

5.2 碳交易机制下的系统运行成本和低碳分析

为验证考虑光伏光热和碳交易的天然气厂综合能源系统模型的优势，本文设计了以下4种方案进行对比分析。

方案1：不考虑PV/T电站及碳交易成本的参与；

方案2：不考虑PV/T电站但考虑碳交易成本；

方案3：同时考虑PV/T电站与传统碳交易参与；

方案4：同时考虑PV/T电站与阶梯式碳交易联合对IES运行优化。

以上4种方案所对应的产电成本、制热成本、碳交易成本、设备运维成本、设备投资成本、总运行成本如表4所示。天然气处理厂由于其天然气单价的特殊性，产电成本低于各类厂区的平均值。由表4可以看出，方案1在进行优化调度时没考虑碳交易成本，仅以用能总成本最低为优化目标，系统会尽可能消耗天然气，导致二氧化碳排放最高，需要额外购买碳交易权，导致方案1运行总成本最高；方案2在优化调度时考虑碳交易成本，在一定程度上约束了碳排放量，因此碳交易价格相比于方案1减少了1 867 元；方案3加入了PV/T系统并考虑传统碳交易，系统总运行成本较方案1减少11 014 元，相较于方案1减排16.8%。由于采用的传统碳交易形式，碳排放减少有一定限度，不能达到最优；方案4采用阶梯式碳交易机制，更加注重碳减排，其碳交易价格在总运行成本中占比较大，相较于情形3碳交易价格增加了560 元，但是碳排放相较于情形3减少12%，具有更好的碳减排作用。

表4 4种方案下调度运行结果

6 结论

本文提出一种含PV/T的天然气处理厂CHP系统在碳交易下日前经济调度方式。在考虑储热、PV/T子系统、碳交易的基础上，以最小化厂区运营成本为目标函数，利用MDP将调度问题转化为强化学习模型，通过DPPO进行求解。通过对冬夏季典型、高峰日下厂区日前经济调度仿真结果分析对比，验证了所提模型方法的有效性，得出如下结论。

(1)PV/T子系统同时参与电力与热力调度中，其削峰填谷效应帮助系统提高稳定运行能力。而引入碳交易机制与热电联产系统联合，有效降低厂区碳排放量与运营成本。

(2)训练后的模型在无需重新计算的情况下能够处理四个随机变量(PV/T系统出力、电网售电价格及热负荷、电负荷需求)变动所代表的各种运营场景，生成厂区最优日前调度方案。所提求解过程耗时短，在故障情况下可降低系统损失。

(3)所设计联产系统有利于优化厂区能源结构，促进清洁能源再生与消纳。以天然气处理厂作为研究对象也是一个较为小众的方向，不仅可以为这类工厂提供理论参考，也可为具有相似能源结构的工厂、园区等单位带来一定参考价值。