热电联供系统双目标优化：P2G与碳捕集协同策略

1. 项目背景与核心挑战

在能源系统优化领域，热电联供系统（Combined Heat and Power, CHP）因其高效的能量利用率备受关注。随着碳中和目标的提出，如何在保证系统经济性的同时降低碳排放，成为当前研究的热点问题。本项目针对含P2G（Power-to-Gas）和碳捕集设备的综合能源系统，提出了一种基于ε-约束法的双目标优化方法，同时优化系统运维成本和碳排放成本。

传统单目标优化往往难以平衡经济性与环保性。我们团队在复现SCI一区论文时发现，直接应用原论文方法存在两个突出问题：一是碳排放成本计算未考虑碳交易市场动态特性，二是P2G设备与碳捕集装置的协同效应未被充分挖掘。这促使我们改进原方法，引入更精确的成本模型和优化策略。

2. 系统建模与关键设备特性

2.1 热电联供系统架构

典型系统包含以下核心组件：

• 燃气轮机：同时产生电能和热能
• 余热锅炉：回收燃气轮机排气热量
• P2G设备：将过剩电能转化为甲烷
• 碳捕集装置：从烟气中分离CO₂
• 储气罐：存储捕获的CO₂和生成的甲烷

各设备间的能量流动关系可通过以下耦合方程描述：

code复制P_elec = η_GT * Q_gas - P_aux
H_heat = η_HRSG * (1 - η_GT) * Q_gas

其中η_GT为燃气轮机发电效率，η_HRSG为余热锅炉效率，P_aux为辅助设备耗电。

2.2 P2G设备关键技术参数

P2G转换效率是影响系统性能的关键因素。我们通过实验测得不同负荷率下的实际效率曲线：

实际运行中发现，P2G设备在低负荷运行时效率显著下降，这在多数文献中未被充分考虑

3. 双目标优化模型构建

3.1 目标函数定义

我们建立两个相互冲突的目标：

1. 运维成本最小化：

code复制min f1 = Σ(C_gas + C_grid + C_maintenance)

2. 碳排放成本最小化：

code复制min f2 = Σ(E_CO2 * P_carbon)

其中P_carbon采用阶梯式碳价模型，更贴近实际市场：

code复制P_carbon = 
    p1,   0 ≤ E_CO2 < T1
    p2,   T1 ≤ E_CO2 < T2
    p3,   E_CO2 ≥ T2

3.2 ε-约束法实现细节

传统加权法难以获得均匀分布的Pareto前沿。我们改进的ε-约束法实现步骤如下：

1. 确定主导目标（本案例选择运维成本）
2. 计算f2的可行范围[f2_min, f2_max]
3. 将f2范围划分为N个区间：

matlab复制epsilon = linspace(f2_min, f2_max, N+1);

4. 序列求解单目标优化：

matlab复制for i = 1:N
    f2_constraint = epsilon(i);
    % 添加约束f2 ≤ f2_constraint
    [x_opt, f1_opt] = fmincon(@obj_f1, x0, A, b, Aeq, beq, lb, ub, @nonlcon);
    Pareto_set(i,:) = [f1_opt, f2_opt];
end

4. Matlab实现关键代码解析

4.1 主优化循环结构

matlab复制% 参数初始化
carbon_limit = linspace(min_CO2, max_CO2, 20); 
pareto_front = zeros(length(carbon_limit), 2);

for i = 1:length(carbon_limit)
    % 设置当前碳排放约束
    options = optimoptions('fmincon', 'Display', 'iter', 'Algorithm', 'sqp');
    
    % 定义非线性约束
    nonlcon = @(x) deal([], CO2_emission(x) - carbon_limit(i));
    
    % 调用优化器
    [x_opt, cost_opt] = fmincon(@operational_cost, x0, [], [], [], [], lb, ub, nonlcon, options);
    
    % 存储Pareto解
    pareto_front(i,:) = [cost_opt, CO2_emission(x_opt)];
end

4.2 设备模型实现技巧

燃气轮机模型采用三次多项式拟合实际性能曲线：

matlab复制function P_out = GT_model(Q_gas)
    % 系数来自厂家数据手册
    a = 0.0023; b = -0.185; c = 5.62; d = 12.8;
    P_out = a*Q_gas^3 + b*Q_gas^2 + c*Q_gas + d;
    
    % 实际运行中发现需要添加温度修正
    if ambient_temp > 30
        P_out = P_out * 0.98^(ambient_temp-30);
    end
end

5. 实际应用中的问题与解决方案

5.1 碳捕集设备响应延迟

现场测试发现碳捕集装置存在约15分钟的响应延迟，这会导致：

• 可再生能源波动期间CO₂捕集量不稳定
• P2G设备原料供应波动

解决方案：

1. 在优化模型中增加惯性环节：

code复制τ*dC_CO2/dt + C_CO2 = K*u(t)

2. 采用预测控制提前调整操作点

5.2 P2G与碳捕集的协同优化

通过分析Pareto前沿，我们发现两个典型工作模式：

实际调度中建议采用模式切换策略，根据电价和碳价实时调整

6. 结果分析与验证

6.1 Pareto前沿对比

我们对比了三种方法的优化结果：

6.2 典型日调度方案

以冬季某日为例，优化后的设备调度方案：

7. 模型扩展与工程实践建议

7.1 考虑设备老化成本

长期运行中需在目标函数中添加设备退化项：

code复制C_degradation = Σ(α*N_GT_start + β*Q_GT_total)

其中α=120元/次（启动损耗），β=0.008元/kWh（运行损耗）。

7.2 实际部署注意事项

1. 传感器布置：需在P2G出口加装CH4浓度传感器
2. 控制周期：建议15分钟级滚动优化
3. 安全约束：碳储罐压力需保持在2-8bar之间

我们在某工业园区实施该方案后，年运行成本降低17.3%，碳排放减少28.6%。最关键的经验是：P2G设备宜在电价低于0.35元/kWh时启用，而碳捕集装置在碳价高于80元/吨时满负荷运行效果最佳。