1. 项目背景与核心价值
在"双碳"目标背景下，电力系统调度正面临前所未有的低碳转型挑战。我们团队开发的这套多时间尺度调度方法，首次将碳捕集电厂的灵活调节特性与风电的随机性纳入统一优化框架。传统调度模型往往将碳捕集系统视为固定能耗单元，而实际上其碳捕集环节具有分钟级调节能力——这个发现成为我们突破传统调度模式的关键。
去年在某省级电网的试运行数据显示，采用我们的方法后，系统弃风率降低23%，碳捕集电厂的平均运行效率提升18%。特别是在午间光伏大发时段，通过动态调节碳捕集负荷，成功消纳了原本需要弃掉的可再生能源电力。这种"源-荷互动"的新模式，为高比例可再生能源电力系统提供了可行的技术路径。
2. 系统架构设计精要
2.1 三阶段时间尺度耦合
我们构建了"日前-日内-实时"的三层优化体系：
- 日前阶段（24小时尺度）：考虑机组组合与碳捕集计划
- 日内阶段（4小时尺度）：滚动修正风电预测误差
- 实时阶段（15分钟尺度）：调节碳捕集负荷跟踪波动
关键创新点：在每层优化中都建立了碳流与能流的双向耦合方程，使CO₂捕集量成为可调节变量而非固定参数。
2.2 碳捕集电厂建模细节
采用胺法捕集系统的动态模型：
matlab复制function dQ_CO2 = CCS_model(T_rich, P_lean, L_G)
% T_rich: 富液温度(℃)
% P_lean: 贫液压力(MPa)
% L_G: 液气比
k1 = 0.78*exp(-3200/(T_rich+273));
dQ_CO2 = k1*P_lean.*sqrt(L_G);
end
调节参数包括：
- 再沸器温度（影响解吸速率）
- 循环泵功率（决定液气比）
- 压缩机负荷（改变系统压力）
2.3 风电不确定性处理
采用改进的拉丁超立方抽样生成1000个场景后缩减至10个典型场景：
- 基于历史数据建立风速-功率转换的模糊隶属函数
- 引入预测误差的时空相关性修正
- 使用Wasserstein距离进行场景聚类
3. 核心算法实现
3.1 多目标优化框架
构建最小化运行成本与碳排放的双目标模型：
code复制min [F_cost, F_carbon]
s.t.
∑(P_gen - P_load) = 0 ← 功率平衡
P_CCS_min ≤ P_CCS ≤ P_CCS_max ← 碳捕集约束
R_up ≤ ΔP/Δt ≤ R_down ← 爬坡限制
采用改进的NSGA-II算法求解：
- 引入自适应交叉概率：pc = 0.8 - 0.3*(gen/maxGen)
- 设计碳约束锦标赛选择算子
- 采用ε-支配归档保持解集多样性
3.2 滚动优化流程
日内阶段的滚动窗口实现：
matlab复制for k = 1:96 % 每15分钟一个时段
current_wind = get_updated_forecast(k);
[P_gen, P_CCS] = solve_MPC(current_wind);
adjust_CCS_parameters(P_CCS(k));
if k%4 == 0
update_scenario_tree(); % 每小时更新场景树
end
end
3.3 碳-电耦合方程
创新性地建立了捕集能耗与碳排放的关联矩阵：
code复制[E_CCS] = [α]·[Q_CO2] + [β]·[dQ_CO2/dt]
其中：
α: 静态捕集能耗系数 (MWh/ton)
β: 动态调节耗能系数 (MWh/(ton·h))
4. 关键实现技巧
4.1 MATLAB加速策略
- 并行计算配置：
matlab复制parpool('local',4);
spmd
% 场景计算分配到不同worker
results = solve_scenario(local_scenarios);
end
- 矩阵化处理替代循环：
matlab复制% 传统循环方式
for i = 1:24
cost(i) = a*P(i) + b*P(i)^2;
end
% 优化为矩阵运算
P = P1:P24;
cost = a*P + b*P.^2;
4.2 初始值设定经验
通过历史数据统计得出各时段的初始解分布：
- 早峰时段：碳捕集负荷设为最大值的70-80%
- 夜间低谷：保持最低捕集率30%
- 风电大发时：预留15%调节裕度
4.3 约束处理技巧
对不可行解的修复策略：
- 功率不平衡时：优先调节碳捕集负荷而非启停机组
- 爬坡率越限时：采用二次分配法平滑调节
- 电压越限时：自动触发无功补偿优先级策略
5. 典型问题解决方案
5.1 风电预测误差处理
实测中发现的问题：日内预测在天气突变时误差可达40%
解决方案：
- 建立误差自修正模型：
matlab复制error_t = 0.6*error_t-1 + 0.3*error_t-2 + N(0,σ) - 设置自适应置信区间：
matlab复制CI = max(15%, 1.5*std(last_6h_errors))
5.2 碳捕集系统响应延迟
胺法捕集系统的实测响应特性：
| 调节指令 | 理论响应时间 | 实测响应时间 |
|---|---|---|
| 升负荷 | 8分钟 | 12-15分钟 |
| 降负荷 | 5分钟 | 7-10分钟 |
应对措施：
- 提前1个时段发送调节指令
- 在目标函数中增加调节速率惩罚项：
math复制J_penalty = γ·(dP_CCS/dt)^2
5.3 多目标权重选择
通过模糊隶属度确定Pareto前沿最优解：
- 计算各解的满意度指标：
matlab复制
μ_cost = (F_cost_max - F_cost)/(F_cost_max - F_cost_min) μ_carbon = (F_carbon_max - F_carbon)/(F_carbon_max - F_carbon_min) - 选择最大几何平均值的解：
matlab复制best_idx = argmax(sqrt(μ_cost.*μ_carbon))
6. 实际应用案例
在某330kV区域电网的部署情况：
6.1 硬件接口配置
- 碳捕集电厂OPC Server配置：
matlab复制opcConfig = opc.config('192.168.1.100','Matrikon.OPC.Simulator'); addTag(opcConfig,{'ReBoilerTemp','LeanPumpFreq'}); - 风电场数据采集：
matlab复制windData = readAPI('https://windfarm.com/api',... 'Key','xxxxxx','Resolution','15min');
6.2 典型日运行曲线
春季某日的优化结果对比：
| 时段 | 传统方法弃风(MW) | 本方法弃风(MW) | CO₂减排(ton) |
|---|---|---|---|
| 0:00 | 0 | 0 | 12.5 |
| 4:00 | 8.7 | 3.2 | 14.1 |
| 12:00 | 35.2 | 9.8 | 18.7 |
| 20:00 | 12.4 | 5.6 | 15.3 |
6.3 性能提升数据
三个月试运行统计：
- 平均计算时间：日前调度3.2分钟，实时调度8秒
- 风电利用率提升：22.7%
- 碳捕集能耗降低：14.3%
- 总运行成本下降：6.8%
7. 扩展应用方向
基于本项目的后续研究：
- 耦合电解制氢系统：利用弃风电力生产绿氢
- 引入碳市场动态价格：建立碳价-电价的联合优化模型
- 开发分布式版本：适用于园区级微电网调度
在最近的一次测试中，我们尝试将氢储能系统接入调度框架。当风电出力超过系统需求时，多余电力驱动电解槽制氢；而在负荷高峰时段，燃料电池利用储存的氢气发电。这种"电-氢-碳"的多能耦合模式，使系统的可再生能源消纳能力又提升了11个百分点。