含碳捕集機組的虛擬電廠熱電聯(lián)合隨機優(yōu)化調(diào)度

摘 要：為應(yīng)對“三北”地區(qū)風光發(fā)電的隨機性、間歇性、不確定性以及在風電大發(fā)期，燃煤熱電聯(lián)產(chǎn)機組“以熱定電”的運行方式使其靈活調(diào)節(jié)能力不足的問題，該文運用拉丁超立方采樣法模擬次日風光出力場景，基于一定置信水平預(yù)留旋轉(zhuǎn)備用，通過碳捕集設(shè)備提供電量備用優(yōu)化虛擬電廠旋轉(zhuǎn)備用容量，建立含碳捕集熱電機組的虛擬電廠熱電聯(lián)合日前隨機優(yōu)化調(diào)度模型，采用二次插值法與自適應(yīng)遺傳算法求解模型。仿真表明，通過碳捕集設(shè)備輔助電量備用，可權(quán)衡虛擬電廠的旋轉(zhuǎn)備用預(yù)留和低碳運行，減少棄風棄光，降低旋轉(zhuǎn)備用成本，實現(xiàn)電力系統(tǒng)的安全低碳經(jīng)濟運行。

關(guān)鍵詞：熱電聯(lián)產(chǎn)機組；旋轉(zhuǎn)備用；虛擬電廠；拉丁超立方采樣；不確定性

中圖分類號：TM73 " " " 文獻標志碼：A

0 引 言

中國“三北”地區(qū)風電、光伏裝機容量大，由于風電出力具有較強的隨機性與波動性［1］，電力系統(tǒng)需要預(yù)留較高水平的旋轉(zhuǎn)備用（spinning reserve，SR），導(dǎo)致備用成本增加，同時“三北”地區(qū)大量熱電機組工作在“以熱定電”模式下，降低了系統(tǒng)的調(diào)峰能力，進而導(dǎo)致更多的棄風限電現(xiàn)象。2022年上半年，中國“三北”地區(qū)風光發(fā)電量占全國總量的56%，但棄風棄光率仍處于相對較高水平，其中青海、內(nèi)蒙的棄風率超過10%，西藏的棄光率超過10%［2-4］。因此，設(shè)計合理的旋轉(zhuǎn)備用預(yù)留策略，以降低因風光并網(wǎng)所增加的系統(tǒng)旋轉(zhuǎn)備用成本，對于提升電力系統(tǒng)經(jīng)濟效益具有重要的研究意義。

碳捕集（carbon capture and storage，CCS）電廠被認為與抽水蓄能電站類似，其能通過快速調(diào)整碳捕集系統(tǒng)的運行能耗來為電力系統(tǒng)提供快速響應(yīng)和廣泛的電力輸出［5］，即碳捕集系統(tǒng)具有提供SR服務(wù)的能力。當系統(tǒng)負荷突然增加時，碳捕集電廠可通過降低碳捕獲的比例來快速增加其輸出功率，與傳統(tǒng)火電廠相比，碳捕集電廠在電力備用提供能力和降低系統(tǒng)運行風險方面具有更大的靈活性。文獻［6］提出碳捕集電廠的碳捕集系統(tǒng)具有提供SR服務(wù)的能力，通過在運行過程中隨時降低捕集水平或關(guān)閉碳捕集系統(tǒng)以增大發(fā)電出力，從而為電力系統(tǒng)提供額外的備用容量。文獻［7］描述了一種用于協(xié)調(diào)發(fā)電、碳捕集和SR供應(yīng)的多周期優(yōu)化模型，該模型用于優(yōu)化SR容量，目標為最小化系統(tǒng)總成本。仿真驗證了碳捕集系統(tǒng)的運行狀態(tài)對總成本和SR容量有顯著影響，表明碳捕集系統(tǒng)在提供SR服務(wù)方面發(fā)揮著重要作用。文獻［8］在綜合能源系統(tǒng)中引入碳捕集技術(shù)，并通過靈活運行碳捕集設(shè)備，為綜合能源系統(tǒng)提供備用服務(wù)，考慮到碳捕集系統(tǒng)以捕碳為目的，主要提供系統(tǒng)的正旋轉(zhuǎn)備用。

對于碳捕集設(shè)備，CO2捕獲過程可集成到基本發(fā)電系統(tǒng)中，其中CO2分離是核心階段。吸附劑/溶劑分離是最受關(guān)注的CO2分離技術(shù)之一，它通過使氣體與洗滌器中的液體吸收劑或固體吸附劑密切接觸，將CO2從煙道氣中分離出來。然后，富液吸附溶劑將被輸送到汽提塔，在那里釋放CO2，而貧液吸附溶劑將在不同的工作條件下再生［9］?；谖絼?溶劑分離技術(shù)，有兩種靈活的碳捕獲方法［10-12］。一種是同時減少流向汽提塔的蒸汽和富液溶劑，并將富液溶劑重新導(dǎo)向洗滌器。通過這種方式，碳捕集輸出將減少，而功率輸出可能會增加，但如果基礎(chǔ)電廠的規(guī)模已經(jīng)確定可接受額外的蒸汽，則增加的成本可忽略不計。另一種是使用吸附溶劑儲罐來打破汽提塔中CO2吸收速率和解析速率之間的依賴關(guān)系，從而在通過從貧液溶劑儲罐給吸收塔進料降低汽提和壓縮負荷的情況下實現(xiàn)持續(xù)高CO2捕集率和將富液溶劑沉積到另一個罐中。靈活的運行機制將使碳捕集設(shè)備在電力系統(tǒng)SR提供方面具有優(yōu)勢。當電力負荷增加時，碳捕集設(shè)備的煙氣會直接排放，或富液溶劑會被重新引導(dǎo)到汽提塔或儲存在罐中，因此可釋放用于汽提富液溶劑的蒸汽來發(fā)電以保持負荷平衡。在電力負荷降低時，多余的電力可用于汽提富液溶劑，CO2捕集率將提高。因此，碳捕集設(shè)備的碳捕集輸出可被認為是一種響應(yīng)速度快的新型SR服務(wù)商。

基于上述研究背景，參考文獻［13］，本文構(gòu)建虛擬電廠（virtual power plant，VPP），將碳捕集熱電廠、風電場、光伏電站結(jié)合在一起，并利用電鍋爐設(shè)備對熱電機組進行熱電解耦。為提高VPP應(yīng)對風光不確定性的能力，同時降低旋轉(zhuǎn)備用成本，采用拉丁超立方采樣生成風光出力場景集，模擬風光不確定性，同時充分利用風光預(yù)測的優(yōu)勢，設(shè)計基于一定置信水平滿足系統(tǒng)可靠性要求的旋轉(zhuǎn)備用預(yù)留策略，并由CCS輔助熱電機組提供旋轉(zhuǎn)備用服務(wù)。為此，建立CCS輔助旋轉(zhuǎn)備用提供的虛擬電廠熱電聯(lián)合隨機優(yōu)化調(diào)度模型，采用雙層優(yōu)化算法（由二次插值法和自適應(yīng)遺傳算法構(gòu)成）求解模型，從而提高虛擬電廠的風光消納水平，降低旋轉(zhuǎn)備用成本，實現(xiàn)低碳運行的效果。

1 風光出力場景集的生成

通過風光預(yù)測誤差模型和場景法可生成描述新能源出力不確定性的風光預(yù)測誤差初始場景集，在此基礎(chǔ)上可進一步計算獲得風光的出力場景。首先基于日前預(yù)測的風光出力基準場景數(shù)據(jù)，結(jié)合拉丁超立方采樣法生成[S=5000]個風光出力概率場景，其次通過喬里斯基回代法對場景集重新排序并刪除、合并小概率場景，最終生成6個風光出力場景集。其中，風電、光伏預(yù)測誤差數(shù)據(jù)分別服從正態(tài)分布和瑞利分布。

1.1 新能源出力預(yù)測誤差模型

本文通過兩種不同的分布［14］來擬合風光預(yù)測誤差，風光出力偏差概率密度函數(shù)[f（ΔPtWr）]、[f（ΔPtPVr）]為：

[fΔPtWr=（1-a）2πσW，texp-ΔPtWr-μW，t22σ2W，t+a2bexp-ΔPtWr-μW，tbfΔPtPVr=12πσPV，texp-ΔPt2PVr2σ2PV，t] （1）

[σW，t=εW，tPtWfσPV，t=εPV，tPtPVf] （2）

[a=2-k/3σW，t=εW，tPtWfσ2W，t=2b2] （3）

式中：[ΔPtWr]、[ΔPtPVr]——[t]時段風光出力預(yù)測偏差的隨機變量，MW；[μW，t]、[σW，t]——[t]時段風電預(yù)測誤差的期望與標準差；[PtWf]、[PtPVf]——[t]時段風光出力預(yù)測值，MW；[εW，t]、[εPV，t]——[t]時段風光預(yù)測誤差的百分比；[t]——調(diào)度時段；[a、b]——中間參數(shù)；[k]——峰度，計算方法見文獻［15］。

進一步可求出風光實際出力為：

[PtWr=PtWf+ΔPtWrPtPVr=PtPVf+ΔPtPVr] （4）

式中：[PtWr]、[PtPVr]——[t]時刻的風光實際出力，MW。

1.2 拉丁超立方采樣方法

設(shè)風電、光伏的預(yù)測誤差可表示為[ξ=[α1，…，αT， β1，…， βT]]的向量形式，其中[α1，…，αT]，[β1，…， βT]為各調(diào)度時刻風光預(yù)測誤差，預(yù)測誤差的累積概率分布可表示為：

[Yn=Fn（ξn）] （5）

式中：[ξn]——預(yù)測誤差；[Fn（ξn）]——累積概率分布函數(shù)。

確定采樣規(guī)模[M=2000]，并以此將累積概率分布函數(shù)[Yn]取值區(qū)間[[0，1]]均分成[[0，1/M]，[1/M，2/M]，…，[（M-1）/M，1]]，從中選取[M]個采樣值，通過累積概率分布的反函數(shù)求出采樣值：

[ξn=F-1（Yn）] （6）

最終可生成一個階數(shù)為[2T×M]的初始場景集。

1.3 排序與場景縮減

本文通過Cholesky分解、同步回代法將風光出力預(yù)測誤差場景排序縮減為6個典型場景，具體原理參見文獻［16-17］。并由式（1）～式（4）生成風光的典型出力場景。

2 含碳捕集機組的VPP熱電聯(lián)合隨機優(yōu)化調(diào)度模型

選擇基于一定區(qū)域的碳捕集熱電廠、風電廠、光伏電站以及電鍋爐聚合成VPP參與電網(wǎng)運行，VPP組成結(jié)構(gòu)如圖1所示。VPP中熱電聯(lián)產(chǎn)（combined heat and power， CHP）機組、風光電站共同負責電負荷供給的任務(wù)，CHP機組和電鍋爐協(xié)調(diào)完成熱負荷的供給。通過為CHP機組配備碳捕集裝置將其改造為碳捕集熱電廠，電鍋爐可接納棄風、棄光電量供給熱負荷，降低了CHP機組的供熱壓力，提升了CHP機組的調(diào)峰能力，實現(xiàn)了熱電解耦。同時，考慮到靈活運行碳捕集設(shè)備的旋轉(zhuǎn)備用提供能力，替代部分CHP機組的旋轉(zhuǎn)備用需求，降低了系統(tǒng)旋轉(zhuǎn)備用成本，同時實現(xiàn)低碳減排的目標。

2.1 碳捕集熱電機組模型

考慮的碳捕集熱電廠是通過對CHP機組加裝碳捕集設(shè)備并進行低碳化改造而成的燃燒后碳捕集熱電廠，其能量關(guān)系為：

[PtCHP=PtCHPJ+PtCCSPtCCS=PtY+PBPtY=ωBQtBCO2QtBCO2=θBQtPCO2QtPCO2=EG（PtCHP+HtCHP）0≤θB≤θBmaxQtJ=QtPCO2-QtBCO2] （7）

式中：[PtCHP]——[t]時段CHP機組發(fā)出的總電功率，MW；[PtCHPJ]——CHP機組發(fā)出凈功率，即輸送電網(wǎng)的功率，MW；[PtCCS]——碳捕集設(shè)備運行能耗，MWh；[PB]——碳捕集設(shè)備的維持能耗，MWh；[PtY]——碳捕集設(shè)備的運行能耗，與碳捕集設(shè)備正在處理的CO2量[QtBCO2]基本呈正比關(guān)系［18］ ，元/MWh；[ωB]——捕集單位CO2所需的能耗，MWh；[θB]——碳捕集水平；[QtPCO2]——CHP機組的實際碳排放量，t；[EG]——CHP機組產(chǎn)生單位功率所釋放的CO2量，t，MW；[HtCHP]——CHP機組發(fā)出的熱功率，MW；[θBmax]——最大碳捕集水平；[QtJ]——CHP機組凈排碳量，t。

2.2 目標函數(shù)

該優(yōu)化調(diào)度問題為日前制定次日VPP出力計劃，以VPP期望經(jīng)濟效益最大為目標函數(shù)：

[maxF=s=1St=1TPr（s）ItSE-CtCS-CtOM-CtT-CtGOM-CtQ-CtSFH-CtSR-CstADJ-CEI-CEOM] （8）

式中：[s]——次日風光出力預(yù)測場景序列號，[s=1，2，…，S， S=6]；[Pr（s）]——第[s]個場景出現(xiàn)的概率；[F]——VPP一個調(diào)度周期[T=48]內(nèi)的次日期望經(jīng)濟效益，元，由基準場景下系統(tǒng)運行收益和所有概率場景下的調(diào)節(jié)成本共同組成。

其中，基準場景下系統(tǒng)運行收益包括：

1）VPP次日[t]時段售電售熱的總收益[ItSE]，其計算公式為：

[ItSE=α（t）Ptload+βHtload] （9）

式中：[α（t）]——次日VPP與電網(wǎng)交易的分時電價，元/MWh； [Ptload]、[Htload]——VPP次日[t]時段的電、熱負荷預(yù)測值，MW；[β]——售熱價格，元/MWh。

2） [t]時段下CHP機組的燃料成本[CtCS]，其計算公式為：

[Ctcoal=i=12c0+c1PtiCHP+c2HtiCHP+c3Pti2CHP+c4PtiCHPHtiCHP+c5Hti2CHPCtCS=?Ctcoal] （10）

式中：[Ctcoal]——CHP機組總煤耗量，t；[c0～c5]——煤耗量擬合系數(shù)；[PtiCHP]、[HtiCHP]——第[i]臺CHP機組的電功率和熱功率，元/MWh；[?]——煤耗成本系數(shù)，元/t。

3）[t]時段下CHP機組的運維成本[CtOM]，其計算公式為：

[CtOM=χ1-χρcPCHP365zT（1-λ）+CtCS] （11）

式中：[χ]——CHP機組運維成本占總發(fā)電成本的百分比，%；[ρc]——CHP機組單位容量造價，元/MW；[PCHP]——CHP裝機容量，MW；[z]——CHP機組折舊年限，a；[λ]——發(fā)電端到售電結(jié)算點間線損率。

4） [t]時段下CHP機組碳交易成本[CtT]，其計算公式為：

[CtT=kci=12（GtiCO2-Ati）] （12）

式中：[kc]——碳交易單價，元/t；[GtiCO2]——[t]時段下CHP機組[i]的碳排放量，t；[Ati]——[t]時段下CHP機組[i]獲得的碳排放額度，t。

5） [t]時段下風電、光伏運行維護成本[CtGOM]，其計算公式為：

[CtGOM=kfptW+kgptPV] （13）

式中：[kf]、[kg]——風電、光伏的單位運行成本系數(shù)，元/MWh；[ptW]、[ptPV]——基準場景下[t]時段的風電、光伏預(yù)測電功率，MW。

6） [t]時段下VPP出力計劃棄風棄光懲罰[CtQ]，其計算公式為：

[CtQ=t=124σQF（ptW-PtW）+σQG（ptPV-PtPV）] （14）

式中：[σQF]、[σQG]——棄風棄光懲罰系數(shù)，元/MWh；[PtW]、[PtPV]——[t]時段下風光并網(wǎng)電量，MW。

7） [t]時段下VPP出力無法滿足負荷需求的失負荷懲罰成本[CtSFH]，其計算公式為：

[CtSFH=σSPtSFH] （15）

式中：[σS]——失負荷懲罰系數(shù)，元/MWh；[PtSFH]——[t]時段下失負荷量，MW。

8） [t]時段的VPP預(yù)留旋轉(zhuǎn)備用成本[CtSR]，含碳捕集設(shè)備的CHP機組旋轉(zhuǎn)備用具體公式為：

[CtSR=cupRtCHP，upRtCHP，up=RtSR，up-RtTB， RtTB≤RtSR，up0， RtTBgt;RtSR，upRtTB=PtTB-PTB，min] （16）

式中：[cup]——CHP機組的正旋轉(zhuǎn)備用成本系數(shù)，元/MWh；[RtCHP，up]——熱電廠預(yù)留的正旋轉(zhuǎn)備用容量，MW；[RtSR，up]——VPP所需的正旋轉(zhuǎn)備用容量，MW；[RtTB]——碳捕集設(shè)備可提供的旋轉(zhuǎn)備用容量，MW。

所有概率場景下的調(diào)節(jié)成本為[CstADJ]，計算方法為：

[CstADJ=s=1St=1T（cupPstup+cdownPstdown）] （17）

式中：[cdown]——CHP機組的負旋轉(zhuǎn)備用成本系數(shù)，元/MWh；[Pstup]、[Pstdown]——場景[s、t]時段下需要用于調(diào)節(jié)的正、負旋轉(zhuǎn)備用，MW。

9）電鍋爐的投資和運維成本[CEI]、[CEOM]，計算方法詳見文獻［19］。

2.3 約束條件

2.3.1 基準場景下日前調(diào)度約束條件

1）電出力平衡約束

[PtCHPJ+PtW+PtPV+PtSFH=Ptload+PtEheat] （18）

式中：[PtEheat]——電鍋爐的電功率，MW。

2）熱出力平衡約束

[HtCHP+HtEheat=Htload] （19）

式中：[HtEheat]——[t]時段電鍋爐的熱功率，MW。

3）旋轉(zhuǎn)備用可靠性機會約束

[PrRtCHP，up+RtCCS，up≥ΔPtWr+ΔPtPVr≥θ， "ΔPtWr+ΔPtPVr≥0PrRtCHP，down+RtCCS，down≥ΔPtWr+ΔPtPVr≥θ， "ΔPtWr+ΔPtPVrlt;0] （20）

4）CHP機組熱、電出力約束、爬坡約束以及熱電運行區(qū)間詳見文獻［20］。

5）碳捕集設(shè)備約束、碳捕集熱電廠功率關(guān)系約束詳見式（7）。

6）風電、光伏出力約束

[0≤PtW≤ptW0≤PtPV≤ptPV] （21）

2.3.2 概率場景下日前調(diào)度約束條件

1）功率平衡約束

[PstCHPJ+PstW+PstPV=Ptload+PstEheatHstCHP+HstEheat=Htload] （22）

式中：[PstCHPJ]、[PstW]、[PstPV]、[PstEheat]——[t]時段第[s]個概率場景下CHP機組凈出力、風電并網(wǎng)功率、光伏電站并網(wǎng)功率以及電鍋爐電功率，MW；[HstEheat]——[t]時段第[s]個概率場景下電鍋爐的熱功率，MW。

調(diào)節(jié)旋轉(zhuǎn)備用可平衡由于概率場景和基準場景的風光出力預(yù)測誤差所導(dǎo)致的VPP出力計劃偏差，從而解決概率場景下風光出力與基準場景預(yù)測值之間的誤差，如式（23）所示。

[PstCHPJ=PtCHPJ+RstCHP，up-RstCHP，downPstCCS=PtCCS+RstCCS，up-RstCCS，down] （23）

式中：[RstCHP，up]、[RstCHP，down]、[RstCCS，up]、[RstCCS，down]——[t]時段第[s]個概率場景下CHP機組、碳捕集設(shè)備為滿足概率場景系統(tǒng)約束所需要的正、負旋轉(zhuǎn)備用，MW。

2）概率場景備用約束

[0≤RstCHP，up≤RtCHP，up0≤RstCHP，down≤RtCHP，down0≤RstCCS，up≤RtCCS，up0≤RstCCS，down≤RtCCS，down] （24）

概率場景下用于調(diào)節(jié)的旋轉(zhuǎn)備用不超過基準場景下旋轉(zhuǎn)備用容量分配計劃。

3）風光出力約束

[0≤PstW≤pstW0≤PstPV≤pstPV] （25）

式中：[pstW]、[pstPV]——[t]時段第[s]個概率場景下風電、光伏的日前出力預(yù)測值，MW。

概率場景下機組出力約束、爬坡約束與基準場景相同，在此不再重復(fù)說明。

3 VPP日前調(diào)度計劃的制定

3.1 日前調(diào)度流程

1）VPP日前預(yù)測次日風電、光伏電出力數(shù)據(jù)，基于拉丁超立方采樣法生成6個次日風光出力典型場景，并獲取場景發(fā)生的概率值；VPP日前預(yù)測區(qū)域范圍內(nèi)次日各時段電、熱負荷需求數(shù)據(jù)。

2）VPP基于次日預(yù)測電熱負荷數(shù)據(jù)、基準場景和不確定性場景風光預(yù)測數(shù)據(jù)以及VPP內(nèi)部CHP機組、電鍋爐、碳捕集設(shè)備等各部分的約束等條件，以最大化經(jīng)濟效益為目標制定VPP的日前出力計劃。

3）VPP將制定好的日前出力計劃上報電網(wǎng)，電網(wǎng)確認出力計劃后，次日按計劃安排VPP內(nèi)部各機組出力。

VPP日前調(diào)度流程如圖2所示。

3.2 VPP內(nèi)各機組運行模式

1）風電、光伏機組運行模式：為了提高可再生能源利用率，VPP制定次日出力計劃時優(yōu)先調(diào)度可再生能源機組出力。

2）CHP機組、電鍋爐聯(lián)合運行模式：VPP內(nèi)部CHP機組和電鍋爐共同組成熱電系統(tǒng)負責熱負荷的供給。在風光過剩時段，CHP機組降低電出力以接納風電、光電并網(wǎng)，由電鍋爐通過消耗另外一部分風光以補償供熱不足，起到了熱電解耦的效果。

3）碳捕集設(shè)備運行模式：通過日前綜合考慮VPP的售電售熱收益、機組燃料成本、碳交易成本、旋轉(zhuǎn)備用的預(yù)留成本，以VPP次日綜合經(jīng)濟效益最大化為目標，安排碳捕集設(shè)備的出力計劃，考慮到碳捕集設(shè)備的靈活調(diào)節(jié)能力，碳捕集能耗可視為快速的正旋轉(zhuǎn)備用，替代部分VPP的旋轉(zhuǎn)備用容量。

4 算例分析

4.1 系統(tǒng)構(gòu)成及參數(shù)

VPP由一個372 MW的含碳捕集設(shè)備熱電廠、250 MW風電廠、100 MW光伏電站、90 MW電鍋爐設(shè)備組成。VPP日前基準場景電熱負荷及風光出力預(yù)測值如圖3所示，VPP售熱價格取90元/MWh。次日風光出力預(yù)測的場景集如圖4所示。熱電廠內(nèi)CHP機組詳細數(shù)據(jù)和煤耗參數(shù)見表1和表2，其余仿真參數(shù)見表3。

4.2 模型求解

通過雙層尋優(yōu)方法求解模型，VPP綜合考慮各風光典型出力場景的發(fā)生概率，以次日調(diào)度經(jīng)濟效益最大化為目標，外層通過二次插值法求解日前調(diào)度計劃的最優(yōu)旋轉(zhuǎn)備用預(yù)留容量，從而預(yù)先制定日前調(diào)度計劃；內(nèi)層結(jié)合各風光出力典型場景，通過自適應(yīng)遺傳算法尋優(yōu)安排VPP內(nèi)各機組的出力，滿足日前調(diào)度計劃。隨著VPP預(yù)留旋轉(zhuǎn)備用容量的變化期望經(jīng)濟效益呈先增加后減少的趨勢，存在唯一的極大值，故可考慮采用線性搜索算法尋優(yōu)。通過外層線性尋優(yōu)最優(yōu)旋轉(zhuǎn)備用容量，內(nèi)層合理安排機組出力計劃簡化模型，求解流程如圖5所示。

4.3 VPP優(yōu)化調(diào)度模式

設(shè)定以下3種VPP優(yōu)化調(diào)度模式：

1）模式1：VPP日前預(yù)留固定容量的旋轉(zhuǎn)備用，碳捕集裝置以最大捕集率參與VPP運行，僅由熱電機組提供系統(tǒng)旋轉(zhuǎn)備用。

2）模式2：VPP日前優(yōu)化預(yù)留的旋轉(zhuǎn)備用容量，碳捕集裝置以最大捕集率參與VPP運行，僅由熱電機組提供系統(tǒng)旋轉(zhuǎn)備用。

3）模式3：VPP日前優(yōu)化預(yù)留的旋轉(zhuǎn)備用容量，考慮碳捕集裝置的旋轉(zhuǎn)備用提供能力，由碳捕集裝置和熱電機組共同提供系統(tǒng)旋轉(zhuǎn)備用。

4.4 仿真結(jié)果分析

4.4.1 3種VPP運行模式下VPP日前出力計劃

預(yù)先固定模式2和模式3預(yù)留旋轉(zhuǎn)備用的置信水平約束為90%，圖6為3種模式下次日CHP凈出力計劃及電鍋爐出力計劃，圖7為模式1和模式2 下VPP電出力情況，圖8為模式1和模式2下VPP熱出力情況。

從圖6可看出，3種模式的CHP機組出力計劃大體相同，部分時段的偏差是由于VPP不同調(diào)度模式預(yù)留旋轉(zhuǎn)備用容量不同所致，CHP機組承擔的旋轉(zhuǎn)備用容量不同，導(dǎo)致CHP機組出力計劃不同。觀察3種模式下CHP機組凈出力，大部分時段出力都較為平穩(wěn)，而在風光大發(fā)時段（20～36時段）CHP機組降低電出力，配合風光優(yōu)先并網(wǎng)，起到提供基荷的作用。分析3種模式下電鍋爐出力情況可知，在風光大發(fā)時段（0～8時段，20～36時段），VPP啟動電鍋爐，一方面電鍋爐消納部分風光出力，供給一定熱負荷；另一方面，CHP機組配合風光出力情況降低電出力，增加風光并網(wǎng)空間，起到熱電解耦的效果。在其余時段，若電鍋爐不啟動，則風光全額并網(wǎng)，僅由CHP機組承擔VPP的供熱任務(wù)。此外，觀察圖7可見，模式1和模式2下均會有棄風棄光和失負荷現(xiàn)象。

圖9為模式3下VPP的電、熱出力情況。對比 圖7可見，相較前兩種調(diào)度模式，模式3下VPP并無失負荷現(xiàn)象，這是由于模式3考慮碳捕集設(shè)備提供SR服務(wù)，靈活調(diào)節(jié)碳捕集率以權(quán)衡碳捕集設(shè)備的旋轉(zhuǎn)備用提供和碳捕集能力，不再以最大捕集率運行。故此時VPP選擇降低碳捕集率，增加CHP機組的向上調(diào)峰空間，避免了失負荷現(xiàn)象。

模式1在風光大發(fā)階段，即使電鍋爐以最大功率運行消納部分風光電量、CHP機組在以熱定電的模式下運行、預(yù)留固定的旋轉(zhuǎn)備用，仍會存在大量棄風棄光；模式2在模式1的基礎(chǔ)上，通過優(yōu)化CHP機組的預(yù)留旋轉(zhuǎn)備用，會大大減少棄風棄光；在模式2的基礎(chǔ)上，模式3中通過靈活調(diào)節(jié)碳捕集設(shè)備的捕集率優(yōu)化旋轉(zhuǎn)備用，能夠進一步減少棄風棄光現(xiàn)象。

預(yù)先固定模式2和模式3預(yù)留旋轉(zhuǎn)備用的置信水平[θ]為90%時， 3種模式下VPP預(yù)留的旋轉(zhuǎn)備用容量如圖10所示，3種調(diào)度模式的調(diào)度結(jié)果見表4。

結(jié)合圖10和表4可看出，模式1下由CHP機組預(yù)留了相對較多的正、負旋轉(zhuǎn)備用，使得模式1下CHP機組計劃凈出力較低，減少了VPP的售電收益，同時較多的正、負旋轉(zhuǎn)備用帶來了更多的旋轉(zhuǎn)備用成本。模式2和模式3在滿足旋轉(zhuǎn)備用機會約束，應(yīng)對風光出力不確定性的前提下，VPP預(yù)留了最優(yōu)的旋轉(zhuǎn)備用容量來應(yīng)對大多數(shù)的風光出力不確定場景。

模式2中，VPP所需的旋轉(zhuǎn)備用容量僅由CHP機組預(yù)留，模式3考慮碳捕集設(shè)備可提供SR服務(wù)，由CHP機組和碳捕集設(shè)備共同提供VPP所需的正旋轉(zhuǎn)備用容量。模式2、模式3相較模式1預(yù)留了更少的正負旋轉(zhuǎn)備用容量，降低了旋轉(zhuǎn)備用成本，同時更低的正旋轉(zhuǎn)備用增加了CHP機組向上調(diào)峰空間，可提高電出力從而增加售電收益。模式3相較于模式2，將優(yōu)化后的正旋轉(zhuǎn)備用容量由CHP機組和碳捕集設(shè)備共同提供，降低了旋轉(zhuǎn)備用成本。由碳捕集設(shè)備承擔部分正旋轉(zhuǎn)備用后，CHP機組可進一步凈出力避免了模式1和模式2中出現(xiàn)的失負荷情況。由于模式1和模式2碳捕集設(shè)備以最大捕集率90%運行，碳捕集量相較模式3更大，碳交易收益也更高，模式3調(diào)節(jié)碳捕集率運行使得碳交易收益稍有下降。

此外，由表4可知，模式1概率場景調(diào)節(jié)成本最高，模式2次之，模式3最少。調(diào)節(jié)成本是由于概率場景下VPP次日出力計劃偏離基礎(chǔ)場景制定的日前出力計劃時，通過調(diào)節(jié)正負旋轉(zhuǎn)備用修正VPP出力計劃偏差的成本。模式1按風光預(yù)測出力比例預(yù)留旋轉(zhuǎn)備用，不足以應(yīng)對次日風光出力的不確定性，有較多偏離出力計劃的情況，調(diào)節(jié)成本較高。模式2和模式3下通過優(yōu)化預(yù)留的旋轉(zhuǎn)備用，以最優(yōu)的旋轉(zhuǎn)備用應(yīng)對大多數(shù)風光不確定場景，模式2和模式3調(diào)節(jié)成本更少。綜合考慮VPP期望經(jīng)濟效益模式3兼顧經(jīng)濟性和碳捕集能力優(yōu)勢明顯。

4.4.2 置信水平[θ]的影響

旋轉(zhuǎn)備用機會約束的置信水平不同，會使VPP日前預(yù)留不同的旋轉(zhuǎn)備用水平，從而VPP次日用于調(diào)節(jié)的旋轉(zhuǎn)備用容量也會有所不同，影響VPP的期望經(jīng)濟效益。設(shè)置模式3下調(diào)度計劃的置信水平從85%～100%以5%幅度變化，不同置信水平下VPP調(diào)度計劃預(yù)留旋轉(zhuǎn)備用容量如圖11所示，不同置信水平對應(yīng)VPP調(diào)度結(jié)果見表5。

由圖11可見，隨著置信水平θ的不斷增加，調(diào)度計劃要求VPP預(yù)留用于應(yīng)對風光不確定性的旋轉(zhuǎn)備用水平越高，故旋轉(zhuǎn)備用容量是隨θ的增加而增加的。同時，隨著VPP預(yù)留旋轉(zhuǎn)備用容量的增加，CHP機組在承擔部分旋轉(zhuǎn)備用的基礎(chǔ)上，由碳捕集設(shè)備承擔的旋轉(zhuǎn)備用容量也隨之增加。在[θ=100%]時，VPP需預(yù)留大量旋轉(zhuǎn)備用以應(yīng)對風光出力偏差較大的極端場景。

表5給出了不同置信水平下VPP期望調(diào)度成本，隨著置信水平的提高，VPP出力計劃的期望經(jīng)濟效益逐漸降低，旋轉(zhuǎn)備用成本逐漸增加。對比分析可見，在[θ=85%]時，VPP已有較高的期望經(jīng)濟效益，這是由于85%置信水平下的旋轉(zhuǎn)備用已足夠應(yīng)對大多數(shù)風光出力偏差場景，更少的旋轉(zhuǎn)備用容量降低了VPP出力計劃的旋轉(zhuǎn)備用成本。而置信水平的提高雖增加了VPP應(yīng)對極端風光出力偏差的場景的能力，但提高了旋轉(zhuǎn)備用成本。隨著[θ]的增加，碳交易成本逐步減少，這是由于[θ]的增加提高VPP預(yù)留的正旋轉(zhuǎn)備用容量，碳捕集設(shè)備提供的正旋轉(zhuǎn)備用容量也隨之增加，相當于提高了用于碳捕集的能耗來捕集更多的CO2，從而降低了碳排放成本。隨著[θ]的增加，概率場景下的調(diào)節(jié)成本逐步增加，這是預(yù)留旋轉(zhuǎn)備用容量的提高降低了VPP需在日內(nèi)實際調(diào)節(jié)的偏差量導(dǎo)致的。

5 結(jié) 論

本文將含碳捕集設(shè)備的熱電廠、風電廠、光伏電站、電鍋爐設(shè)備等結(jié)合構(gòu)成區(qū)域虛擬電廠，基于對次日區(qū)域電、熱負荷的預(yù)測數(shù)據(jù)以及風光出力場景集，設(shè)計了VPP的日前熱電聯(lián)合隨機優(yōu)化調(diào)度模式。在模型求解時，以VPP日前調(diào)度計劃期望經(jīng)濟效益最大化為目標，綜合考慮了VPP的售電、售熱收益，旋轉(zhuǎn)備用成本、碳交易成本等。通過雙層優(yōu)化的思想，外層以二次插值法求解最佳旋轉(zhuǎn)備用容量，內(nèi)層以自適應(yīng)遺傳算法安排VPP各機組出力，最終生成VPP的日前出力計劃。通過算例仿真表明：

1）本文設(shè)計的含碳捕集電廠的VPP日前熱電聯(lián)合優(yōu)化調(diào)度模型，通過場景法模擬風光出力的不確定性，并考慮不同的旋轉(zhuǎn)備用預(yù)留模式來應(yīng)對。經(jīng)驗證，所提調(diào)度模式在滿足可靠性要求的基礎(chǔ)上降低了旋轉(zhuǎn)備用成本，同時兼顧了系統(tǒng)的低碳經(jīng)濟運行。

2）碳捕集電廠通過靈活運行碳捕集設(shè)備可為系統(tǒng)提供額外的旋轉(zhuǎn)備用，降低了熱電機組所需提供的旋轉(zhuǎn)備用，增加了熱電機組的調(diào)峰空間，同時降低了系統(tǒng)的旋轉(zhuǎn)備用成本，從而提高了經(jīng)濟效益。

3）VPP預(yù)留的優(yōu)化旋轉(zhuǎn)備用容量與置信水平θ有關(guān)，更高的置信水平意味著更高的可靠度，要求系統(tǒng)預(yù)留更多的旋轉(zhuǎn)備用容量來應(yīng)對風光出力的不確定性，碳捕集設(shè)備可提供的旋轉(zhuǎn)備用也隨之增加。

［參考文獻］

［1］ 袁桂麗， 賈新潮， 陳少梁， 等. 虛擬電廠源-荷協(xié)調(diào)多目標優(yōu)化調(diào)度［J］. 太陽能學報， 2021， 42（5）： 105-112.

YUAN G L， JIA X C， CHEN S L， et al. Multiobjective optimal dispatch considering source-load coordination for virtual power plant［J］. Acta energiae solaris sinica， 2021， 42（5）： 105-112.

［2］ 葛延峰， 蘇安龍， 傅予， 等. 電熱聯(lián)合系統(tǒng)的多級協(xié)調(diào)調(diào)度策略［J］. 電子設(shè)計工程， 2019， 27（4）： 103-108.

GE Y F， SU A L， FU Y， et al. Multi level coordinated scheduling strategy for electric heating combined system［J］. Electronic design engineering， 2019， 27（4）： 103-108.

［3］ 胡明. 推動能源耦合發(fā)展突破行業(yè)用能壁壘［N］. 中國能源報， 2020-12-14（4）.

HU M. Promote energy coupling development and break through industry energy barriers［N］. China energy news， 2020-12-14 （4）.

［4］ 王慶華. 火力發(fā)電企業(yè)碳排放成本核算研究［J］. 低碳世界， 2019， 9（8）： 142-143.

WANG Q H. Research on carbon emission cost accounting of thermal power generation enterprises［J］. Low carbon world， 2019， 9（8）： 142-143.

［5］ 陳繼明， 徐乾， 李勇， 等. 計及源荷不確定性和碳捕集虛擬電廠的電-氣互聯(lián)系統(tǒng)優(yōu)化調(diào)度［J］. 太陽能學報， 2023， 44（10）： 9-18.

CHEN J M， XU Q， LI Y， et al. Optimal dispatch of electricity-natural gas interconnection system considering source-load uncertainty and virtual power plant with carbon capture［J］. Acta energiae solaris sinica， 2023， 44（10）： 9-18.

［6］ LUCQUIAUD M， CHALMERS H， GIBBINS J. Potential for flexible operation of pulverised coal power plants with CO2 capture［J］. Energy materials， 2007， 2（3）： 175-180.

［7］ LOU S H， LU S Y， WU Y W， et al. Optimizing spinning reserve requirement of power system with carbon capture plants［J］. IEEE transactions on power systems， 2015， 30（2）： 1056-1063.

［8］ 崔楊， 曾鵬， 王錚， 等. 計及電價型需求側(cè)響應(yīng)含碳捕集設(shè)備的電-氣-熱綜合能源系統(tǒng)低碳經(jīng)濟調(diào)度［J］. 電網(wǎng)技術(shù)， 2021， 45（2）： 447-461.

CUI Y， ZENG P， WANG Z， et al. Low-carbon economic dispatch of electricity-gas-heat integrated energy system with carbon capture equipment considering price-based demand response［J］. Power system technology， 2021， 45（2）： 447-461.

［9］ METZ B， DAVIDSON O， CONINCK H D， et al. IPCC special report on carbon dioxide capture and storage［M］. Cambridge： Cambridge University Press for the Intergovernmental Panel on Climate Change， 2005.

［10］ CHEN Q X， KANG C Q， XIA Q. Modeling flexible operation mechanism of CO2 capture power plant and its effects on power-system operation［J］. IEEE transactions on energy conversion， 2010， 25（3）： 853-861.

［11］ COHEN S M， ROCHELLE G T， WEBBER M E. Optimal operation of flexible post-combustion CO2 capture in response to volatile electricity prices［J］. Energy procedia， 2011， 4： 2604-2611.

［12］ CHALMERS H， GIBBINS J. Potential for synergy between renewables and carbon capture and storage［C］//Proc. 29th IAEE Int. Conf.. Berlin， Germany， 2006.

［13］ 袁桂麗， 賈新潮， 房方， 等. 虛擬電廠源荷雙側(cè)熱電聯(lián)合隨機優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2020， 44（8）： 2932-2940.

YUAN G L， JIA X C， FANG F， et al. Joint stochastic optimal scheduling of heat and power considering source and load sides of virtual power plant［J］. Power system technology， 2020， 44（8）： 2932-2940.

［14］ 劉興宇， 溫步瀛， 江岳文. 基于條件風險價值的含風電電力系統(tǒng)旋轉(zhuǎn)備用效益研究［J］. 電工技術(shù)學報， 2017， 32（9）： 169-178.

LIU X Y， WEN B Y， JIANG Y W. Study on the benefit from spinning reserve in wind power integrated power system based on conditional value at risk［J］. Transactions of China Electrotechnical Society， 2017， 32（9）： 169-178.

［15］ BLUDSZUWEIT H， DOMINGUEZ-NAVARRO J A， LLOMBART A. Statistical analysis of wind power forecast error［J］. IEEE transactions on power systems， 2008， 23（3）： 983-991.

［16］ YU H， CHUNG C Y， WONG K P， et al. Probabilistic load flow evaluation with hybrid Latin hypercube sampling and cholesky decomposition［J］. IEEE transactions on power systems， 2009， 24（2）： 661-667.

［17］ 仉夢林， 胡志堅， 王小飛， 等. 基于動態(tài)場景集和需求響應(yīng)的二階段隨機規(guī)劃調(diào)度模型［J］. 電力系統(tǒng)自動化， 2017， 41（11）： 68-76.

ZHANG M L， HU Z J， WANG X F， et al. Two-stage stochastic programming scheduling model based on dynamic " "scenario " "sets " "and " "demand " "response［J］. Automation of electric power systems， 2017， 41（11）： 68-76.

［18］ ZHANG X P， ZHANG Y Z. Environment-friendly and economical scheduling optimization for integrated energy system considering power-to-gas technology and carbon capture power plant［J］. Journal of cleaner production， 2020， 276： 123348.

［19］ 袁桂麗， 王琳博， 王寶源. 基于虛擬電廠“熱電解耦” 的負荷優(yōu)化調(diào)度及經(jīng)濟效益分析［J］. 中國電機工程學報， 2017， 37（17）： 4974-4985.

YUAN G L， WANG L B， WANG B Y. Optimal dispatch of heat-power load and economy benefit analysis based on decoupling of heat and power of virtual power plant［J］. Proceedings of the CSEE， 2017， 37（17）： 4974-4985.

［20］ 袁桂麗， 劉驊騏， 禹建芳， 等. 含碳捕集熱電機組的虛擬電廠熱電聯(lián)合優(yōu)化調(diào)度［J］. 中國電機工程學報， 2022， 42（12）： 4441-4448.

YUAN G L， LIU H Q， YU J F， et al. Optimal scheduling of combined heat and power in virtual power plants with carbon capture thermal power units［J］. Proceedings of the CSEE， 2022， 42（12）： 4441-4448.

STOCHASTIC OPTIMAL DISPATCH OF COMBINED HEAT AND POWER IN VIRTUAL POWER PLANT WITH CARBON CAPTURE UNITS

Yuan Guili1，Zhang Rui1，Zhao Xun1，Zhang Guobin2，Li Hongbo3，Hang Chenhui3

（1. School of Control and Computer Engineering， North China Electric Power University， Beijing 102206， China；

2. Inner Mongolia Power （Group） Co.， Ltd. Inner Mongolia Power Research Institute Branch， Hohhot 010020， China；

3. Inner Mongolia Power （Group） Co.， Ltd. Power Dispatching and Control Branch， Hohhot 010010， China）

Abstract：In order to cope with the randomness， intermittency and uncertainty of wind power generation in the “Three North” region， particularly during periods of high wind power generation， the operation mode of coal-fired Cogeneration units that “determine power by heat”is insufficient for flexible adjustment. For this reason， the Latin hypercube sampling method is used to simulate the next day’s wind and power output scenario， determine the spinning reserve based on a certain confidence level， and optimize the rotating reserve capacity of virtual power plant by providing power reserve through carbon capture equipment. A day-ahead stochastic optimal scheduling model of combined heat and power of virtual power plant containing carbon capture thermal power units is established， and the model is solved by using quadratic interpolation method and adaptive genetic algorithm. The simulation shows that the auxiliary power reserve of carbon capture equipment can balance the reserve of rotating reserve and low-carbon operation of virtual power plant， reduce wind and solar curtailment， reduce the cost of rotating reserve， and realize safe and low-carbon economy operation of power system.

Keywords：combined heat and power； spinning reserve； virtual power plant； Latin hypercube sampling； uncertainty