計及供能可靠性動態約束與碳減排的充能型微電網互聯系統優化模型

閆佳佳 滕 云 邱 實 陳 哲

計及供能可靠性動態約束與碳減排的充能型微電網互聯系統優化模型

閆佳佳1滕 云1邱 實1陳 哲2

（1. 沈陽工業大學電氣工程學院 沈陽 110870 2.奧爾堡大學能源技術學院 奧爾堡 DK-9220）

推動新能源汽車產業規模化發展是實現交通和多能源系統低碳轉型的重要途徑，為保障系統供能可靠性與碳減排能力的提升，該文構建了計及供能可靠性動態約束與碳減排的充能型微網互聯系統優化模型。首先，研究各微電網的運行特性以及微電網間的能量交互特性，建立低碳充能型多能源微網互聯系統（MCMIS-LCEs）模型，并在此基礎上建立多能源供能與碳減排協調模型；其次，考慮能源轉換、存儲與充能設備故障對MCMIS-LCEs供能可靠性的動態影響，針對設備故障特點建立多狀態可靠性動態量化評估模型；然后，在互聯系統供能可靠性約束、運行約束等條件下，建立考慮碳減排、充能時間與供能成本協同的MCMIS-LCEs多目標優化模型；最后，基于充能站實際能源與車流量數據進行算例的仿真驗證。結果表明，該文提出的MCMIS-LCEs及其優化模型能夠實現多能源轉換、存儲與充能設備間的高效協調，提升整體互聯系統的經濟性、碳減排能力、垃圾處理能力、電網調節能力，以及充能供能可靠性。

新能源汽車 供能可靠性 碳減排 微電網互聯系統 垃圾處理

0 引言

新能源汽車產業的快速發展是實現“碳達峰，碳中和”行動的重要組成部分。隨著新能源汽車逐步規模化發展，我國電能、氫氣、天然氣驅動汽車保有量預計在2035年突破1.5億輛[1-2]。面對不斷增長的多能源充能需求和碳減排壓力，提出含電、氫和天然氣等多種能源生產、傳輸、轉換、存儲、消費各環節深度耦合，并具有一定垃圾處理能力的充能型微網是解決新能源汽車充能這一涵蓋環境、交通、能源等多領域協同問題的有效途徑之一。針對這一問題，國內外研究人員開展了較多相關研究[3-5]，文獻[4]考慮接入垃圾處理設施，建立由全可再生能源供能的單個充能型多能源微網模型。但微網內風光出力、垃圾產量、新能源汽車流量及其充能需求狀態不斷變化，要求微網有足夠的靈活性來協調設備之間的運行。單個充能型多能源微網受所處地理位置、氣象條件影響，同時又存在接入設備容量、風光出力波動性大等方面的制約，難以滿足較大規模新能源汽車的集中充能質量和可靠性[6-7]。因此，充分利用多個多能源微網之間存在的新能源汽車流量錯峰、分布式電源互補等特性，實現微網群之間的互聯協調運行，是提高新能源汽車充能以及多能源微網運行可靠性的有效手段[8-11]。

另外，在某一時間尺度內，對于充能型多能源微網所接入配電網的總電能供給量中風、光、水、火供能比例一定，則其能源消耗中的碳排放基本為固定值。保證充能型多能源微網內新能源汽車和多種負荷用能需求的前提下，在微網所接入的配電網本身需要火電機組進行調峰時，微網為配電網提供的電能調節量越多，則該配電網在同樣的電能消耗量下所對應的碳排放量越少[12-13]。因此，考慮單個充能型多能源微網用能需求的高不確定性，為充分發揮其自身的碳減排能力，需要對其周邊多個充能型微網間的碳減排能力進行協調優化。

目前國內外學者針對多能源微網集群的優化配置、協調運行等方面開展了較多研究。其中，文獻[12]基于多能源微網能量交互策略建立了微網集群優化運行模型，能夠有效提高多能源利用率，實現多能源微網集群系統與電、氣兩網之間的協調運行。文獻[13]提出了基于談判博弈的含電能交互的多微網綜合能源系統多目標優化配置方法，能夠提高系統運行經濟性和能量梯級高效利用。文獻[14]針對多個多能源微網接入電網問題，提出了一種多能源微網群的兩級魯棒優化調度模型。文獻[15]針對多微網系統并網和孤島兩種模式，提出了一種解決逆變器接口多微網系統嚴重短路故障引起的欠電壓和過電流問題的方法，可以在故障期間實現精確的電壓、電流和頻率控制。文獻[16]提出了多個多能源微網以集群的形式運行，可提高低壓區域的自治能力和能源利用效率。現有文獻研究的多能源微網群大多是通過電能交互或電、氣兩網交互來提升自身運行可靠性與經濟性。而這些文獻忽略了不同微網所具有的地理位置分布不均、風光出力、新能源汽車流量、垃圾堆存量的差異性較大等特點，通過電能、氫氣、天然氣三種能源進行交互，促進充能型多能源微網間的相互協調，在碳減排目標下能夠在滿足自身新能源汽車和多種負荷可靠用能的基礎上向其所接入配電網提供更多的電能調節量。由此可見，分析研究充能型多能源微網互聯系統對實現能源清潔低碳和充分利用有著重要意義。

本文提出一種低碳充能型多能源微網互聯系統（Multi-energy Charging Microgrids Interconnection System with Low Carbon Emissions, MCMIS-LCEs），并深入分析互聯系統內各微網間的多種能源需求、外電網能量調節與碳減排需求，建立MCMIS-LCEs供能及其碳減排協調模型。考慮各類設備的運行狀態影響互聯系統的供能可靠性與碳減排能力，基于設備故障特點建立了多狀態可靠性模型，提出了考慮碳減排、充能時間與供能成本協同的低碳充能型多能源微網互聯系統運行優化模型，并結合法線邊界交叉法與原對偶內點法進行求解。最后建立仿真模型，將傳統獨立運行的充能型多能源微網與本文提出的由電能、氫氣、天然氣三種能源聯絡通道進行交互的MCMIS-LCEs進行算例對比，驗證本文所提模型的有效性和經濟性。

1 MCMIS-LCEs拓撲模型

本文為充分發揮多個電-氫-氣充能型多能源微網（Electric-hydrogen-gas Charging Multi-Energy Microgrid, CME-MG）之間的互補特性，提高各微網的供能可靠性和碳減排能力，構建了由多個 CME-MG組成的MCMIS-LCEs，其拓撲結構如圖1所示。

圖1 MCMIS-LCEs拓撲結構圖

MCMIS-LCEs內的各CME-MG由包含風電、光伏、可熱解垃圾的可再生能源供能，電鍋爐、燃料電池、熱解爐、儲氫、儲氣等設備進行多能源轉換與存儲，輸出電、熱、氫、氣多種能源供給各類負荷和新能源汽車。MCMIS-LCEs由可再生能源供能，系統內碳排放主要由氣負荷用能產生，但考慮到互聯系統內供氣來源為熱解爐和甲烷化設備，其中熱解爐作為垃圾處理設施能夠將垃圾通過熱解氣化處理產生天然氣，實現垃圾清潔資源化利用，另外，甲烷化設備制氣是一個碳減排過程，若忽略垃圾處理過程中的碳排放，則MCMIS-LCEs是一個無碳排放或負碳排放的多能源微網互聯系統。

MCMIS-LCEs內各CME-MG之間存在電能、氫氣和天然氣三種能源聯絡通道進行能源交互，同時CME-MG與其所接入的配電網也存在電能交互。在MCMIS-LCEs實際運行時，分析各CME-MG的風光出力特性、設備運行特性、新能源汽車流量、垃圾堆存量差異[17-19]，針對不同微網的多種能源需求，通過三種能源聯絡通道實現MCMIS-LCEs內各微網間的高效互動。MCMIS-LCEs能夠代替其所接入配電網中的火電機組進行調峰，不僅可為電網提供一定的電能調節能力，還可提供一定的碳減排調節能力。在保證MCMIS-LCEs內新能源汽車和多種負荷用能可靠性的前提下，充分發揮電能、氫氣和天然氣三種能源聯絡通道的能源交互作用，有效提升MCMIS-LCEs的新能源消納和碳減排能力，為電網提供更多的電能調節能力。

2 多能源供能與碳減排協調模型

2.1 微網互聯系統內多能源交互與碳減排協調模型

本文通過考慮MCMIS-LCEs內個充能型多能源微網的用能情況，將第個CME-MG在時刻滿足自身多源負荷和新能源汽車用能需求的前提下具有一定調節容量時，可參與CME-MG間多種能源協調的最大電能、氫氣、天然氣量表示多種能源調節能力。

本文考慮當時刻充能型多能源微網不能夠滿足自身多種負荷與新能源汽車用能需向其所接入配電網購電時，若其他微網能夠通過電能、氫氣和天然氣三種能源聯絡通道為該微網供能，此時可減少配電網內火電機組運行產生的碳排放。

因此，第個CME-MG在時刻獲得其他微網提供的最大碳減排量可表示為

2.2 微網互聯系統對外電網的功率支撐與碳減排協調模型

當外部電網有調節需求時，MCMIS-LCEs可以作為虛擬儲能盡可能地滿足電網需求，在為電網分擔調節壓力的同時獲得收益，降低互聯系統的運行成本。

考慮各CME-MG所接入的配電網在時刻需要火電機組進行調峰時，若該微網能夠代替火電機組參與電網調節，減少火電機組運行產生的碳排放，則微網為其所接入的配電網提供的充、放電量不僅能夠給配電網提供調節能力，還能夠提供一定的碳減排能力。

3 供能可靠性動態量化評估模型

MCMIS-LCEs內多種能源轉換、存儲與充能設備是否能夠正常運行決定了系統內各微網間進行能源交互時所需能量是否能夠支撐多能源負荷、新能源汽車用能，以及互聯系統整體的碳減排能力。

因此，本文對MCMIS-LCEs的風機、光伏、多能源轉換與存儲設備，以及充電樁、加氫機等充能設施的多種運行狀態進行分析，針對各設備故障特點建立互聯系統供能可靠性動態量化評估模型，能夠反映系統運行的實際情況，實時保障MCMIS-LCEs可以通過多能源微網間的高效互動實現系統整體的碳減排能力與供能充能可靠性提升。

1）MCMIS-LCEs供氫可靠性評估模型

2）MCMIS-LCEs供電可靠性評估模型

3）MCMIS-LCEs供氣可靠性評估模型

4）MCMIS-LCEs供熱可靠性評估模型

4 MCMIS-LCEs多目標優化模型

本文建立的計及供能可靠性動態約束與碳減排的充能型微網互聯系統優化模型，是以總運行成本最小、平均充能時間最小和碳減排量最大為優化目標，在實現互聯系統可靠、經濟運行的同時能夠給電網提供更多的電能調節量，有效提高互聯系統自身和配電網的碳減排能力。

4.1 目標函數

本文所提出的低碳充能型多能源微網互聯系統優化模型的目標函數由三個部分組成，即

1）總運行成本1

2）平均充能時間2

進入MCMIS-LCEs內有充能需求的新能源汽車的平均充能時間2表示為

3）碳減排量3

4.2 約束條件

4.2.1 MCMIS-LCEs供能的可靠性動態約束

本文考慮到MCMIS-LCEs內各CME-MG的多種能源轉換與存儲設備間的協調關系，當設備故障時會對微網供能的可靠性產生一定影響，因此MCMIS-LCES運行時微網的供氫、供電、供氣、供熱可靠性指標約束分別為

4.2.2 MCMIS-LCEs運行約束

1）MCMIS-LCEs電網功率平衡約束

2）MCMIS-LCEs內碳減排量約束

3）MCMIS-LCEs對外電網的碳減排量約束

4）微網間電能、氫氣、天然氣交互容量約束

5）微網間電能、氫氣、天然氣交互功率變化約束

6）氫氣、天然氣管網流量約束

其中

4.2.3 各CME-MG運行約束

1）功率平衡約束

各充能型多能源微網內存在電、熱、氫、氣四種類型負荷，微網運行功率平衡約束為

2）聯絡線約束

多能源微網與電網之間的聯絡線功率約束可表示為

3）微網內部電力線路約束

4）新能源汽車充能時間約束

5）儲能設備約束

6）多能源轉換設備功率約束

7）垃圾處理率約束

8）垃圾容量約束

電-氫-氣充能型多能源微網接入熱解爐將垃圾進行熱解氣化處理，微網內堆存垃圾的容量約束為

4.3 求解方法

針對MCMIS-LCEs多目標優化問題，本文參考文獻[22-23]結合法線邊界交叉（Normal Boundary Intersection intersection, NBI）法與原對偶內點法（Primal-dual Interior Point Method）進行求解，得到一系列均勻分布的帕累托最優解后，采用考慮主觀權值修正的熵權雙基點法選取折中最優解，能夠同時考慮各目標函數的重要程度和系統運行經驗。

本文建立的MCMIS-LCEs多目標優化模型可以簡化為

求解方法的具體步驟如下：

1）將各目標函數進行規格化，則第個子目標可表示為

其中

3）采用原對偶內點法將多目標優化問題（49）轉換為個單目標優化問題，即

4）采用原對偶內點法對單目標優化問題（54）進行求解，得到一系列均勻分布的帕累托最優解集，形成帕累托前沿。

5）采用考慮主觀權值修正的熵權雙基點法在求解出的Pareto前沿解集中選取出一個折中最優解。

（6）根據式（57）計算各帕累托最優解的相對貼近度，選取相對貼近度最大的帕累托最優解作為折中最優解。

求解流程如圖2所示。

圖2 求解流程

5 算例仿真

5.1 基礎數據

本文選取我國西北某城市周邊四個充能站在某典型日內實際多能源運行、汽車流量與垃圾產量數據為背景，在改進的IEEE 39節點配電系統、20節點配氣系統、6節點熱力系統與輸氫管網耦合成的多能源微網互聯系統進行驗證，算例系統圖如圖3所示。各CME-MG的光伏、風電裝機容量，以及日最大用電、用熱、用氣負荷見附表1；典型日內各CME-MG風電出力、光伏出力和基本負荷用能情況分別如附圖1～附圖3所示；電價、天然氣價、氫氣價格的峰、谷、平時段劃分見附表2；對于調節電網輸入輸出電能、充電、充氫、充氣等各項費用單價見附表3；污染氣體治理單價與排放系數參考文獻[24]見附表4；火電機組燃煤的碳排放系數參考文獻[25]取值為0.872kg/(kW·h)。在優化運行過程中，本文設定不同CME-MG內同種類多能源轉換與存儲設備的運行效率與單位維護成本均相同，則各設備容量及其運行參數見附表5；各設備均采用三狀態模型，各設備的狀態轉移率參考文獻[26]見附表6，其中tl為設備的總供能量；MCMIS-LCEs內各CME-MG參與能量交互的最大調節容量占剩余容量的百分比，以及各CME-MG的供電、供熱、供氫、供氣可靠性指標上限值設置分別見附表7、附表8。

圖3 算例系統圖

隨著電動汽車、氫能汽車和天然氣汽車逐步規模化發展，本文結合典型日四個充能站的實際車流量，將小型燃油汽車等效為電動汽車、大型燃油汽車等效為氫能汽車后得出新能源汽車流量曲線，如圖4所示。

Fig.4 Typical daily vehicle flow curve of each CME-MG

5.2 算例場景

為驗證本文提出的計及供能可靠性動態約束與碳減排的充能型微網互聯系統優化模型的有效性和經濟性，本文設置了以下兩種場景，并進行了對比分析。

（1）場景一，各電-氫-氣充能型多能源微網（CME-MG）獨立運行，多能源微網間不存在電能、氫氣和天然氣交互。各CME-MG由可再生能源供能，在風電、光伏供電不足的情況下，由燃料電池供電或向電網購電，并且微網在滿足自身多能源負荷和新能源汽車用能需求的情況下，能夠給電網一定調節的能力；電鍋爐為熱負荷供熱；電制氫裝置產生的氫氣難以滿足氫汽車充能時向外購氫；熱解爐和甲烷化產生的天然氣為充能站的氣負荷和天然氣汽車供能，供氣不足時向外購氣。

（2）場景二，即本文提出的低碳充能型多能源微網群互聯系統（MCMIS-LCEs）。各CME-MG間存在電能、氫氣和天然氣三種能源進行交互，同時各微網與電網間存在電能交互，在滿足多能源微網自身多能源負荷與新能源汽車用能需求的情況下，可以給電網提供一定的電能和碳減排調節能力。

5.3 場景對比分析

本文對新能源汽車的儲能容量進行研究，得到電動汽車的電池容量一般為30～60A·h、電動客車和電動貨車的電池容量一般為80～100A·h；氫能汽車的儲氫罐容量一般為2.5～6kg、氫能物流車和氫能卡車的儲氫量一般為30～60kg；天然氣車的儲氣容量一般為12～35m3[27-29]，結合CME-MG在典型日的新能源汽車流量對各多能源微網的日充電、充氫、充氣量進行預測，得到各CME-MG在典型日內的充能量曲線，如圖5所示。

場景一、場景二下各CME-MG在典型日內多能源轉換與存儲設備的優化運行結果分別如圖6和圖7所示。場景二下MCMIS-LCEs內各CME-MG間分別通過電能、氫氣、天然氣聯絡通道進行交互的運行結果如圖8所示。場景一和場景二下各CME-MG在典型日為其所接入配電網提供的碳減排能力分別如圖9和圖10所示。

圖6 各CME-MG典型日獨立運行結果

Fig.6 Typical daily independent operation results of each CME-MG

圖7 各CME-MG典型日互聯運行結果

Fig.7 Typical daily interconnection operation results of each CME-MG

圖9 各CME-MG獨立運行的典型日碳減排曲線

圖10 各CME-MG互聯運行的典型日碳減排曲線

結合圖6～圖8對比分析由電、氫、氣多種能源聯絡通道進行互聯的充能型多能源微網與傳統獨立運行的多能源微網可知，CME-MG獨立運行時由可再生能源和燃料電池供電。當微網受到所處地理位置和氣象條件影響使得風光出力受限，且微網內氫汽車充氫需求量大致使微網內燃料電池運行效率低，難以滿足微網用能需求時，不平衡功率需要微網接入的配電網承擔，不僅會給配電網增添壓力，還會增加購電成本、降低微網的碳減排量；而當風光出力升高、新能源汽車充能需求小的情況下，微網會產生一定的棄電量。各CME-MG典型日風電、光伏和日負荷出力曲線如附圖1和附圖2所示，典型日的3:00～6:00時段和11:00～14:00時段，場景一的CME-MG1和CME-MG2內風光出力大，多能源轉換設備功率增加，但受到儲能設備容量的限制還會產生一定的棄電量；在該時段，CME-MG3和CME-MG4的新能源汽車對電能、氫氣和天然氣的需求較大，當通過增加電制氫、甲烷化、燃料電池等設備的運行功率不能滿足新能源汽車充能需求時，微網向外購買電能、氫氣和天然氣導致運行成本增加。而場景二下各多能源微網通過電能、氫氣、天然氣聯絡通道進行交互運行，各CME-MG典型日風電、光伏和日負荷處理曲線如附圖1～附圖3所示。如附圖1和附圖2，CME-MG1在典型日的4:00～6:00、10:00～13:00和19:00～23:00時段風光出力較大，而如附圖3所示該時段新能源汽車流量較小，即微網內的充能需求量較少，微網存在富裕電量，可以適當增大熱解爐的運行功率，提高垃圾能源化利用率，并通過電鍋爐、電制氫、甲烷化、儲氫和儲氣設備之間的協調運行，在滿足微網自身用能量的前提下，由MCMIS-LCEs的電能、氫氣和天然氣聯絡通道進行交互，為其他微網提供所需能源，如圖8～圖10所示，該場景下微網能夠為所接配電網提供更多的調節電量和碳減排量，提高了MCMIS-LCEs的運營收益和碳減排能力；在典型日16:00～19:00時段，CME-MG1內光伏出力很小、風電出力波動較大，處于有充氫需求狀態的氫汽車數量較大，此時需要電制氫協調儲氫設備進行供能，減小電鍋爐、熱解爐等設備的運行功率，并通過氫氣交互獲得來自其他電網提供的氫氣以滿足微網內的氫氣需求。

綜上所述，在場景二下各CME-MG能夠在滿足自身用能的前提下將額外能源通過電能交互、氫能交互和天然氣交互輸送給其他充能型多能源微網，節約MCMIS-LCEs整體的購能成本，提高了互聯系統的運行經濟性；同時實現各CME-MG向其所接入的配電網提供更多的調節電量，提高配電網的碳減排量，充分發揮MCMIS-LCEs的碳減排能力。

基于上述對MCMIS-LCEs內多能源轉換與存儲設備的運行結果和CME-MG間的能量交互運行結果分析，得到場景一和場景二下各CME-MG在典型日內平均充能時間、垃圾能源化利用率，以及給電網提供的調節能力的運行結果對比，結果見表1；兩種場景下各CME-MG典型日運行成本結果對比見表2。表1中電網調節能力上限指在上級電網有調峰需求時，各微網能夠給其提供的最大電量，電網調節能力下限指上級電網有調谷需求時，各微網能夠為其存儲的最大電量。

表1 兩種場景下各CME-MG典型日運行結果對比

表2 兩種場景下各CME-MG典型日運行成本對比

Tab.2 Comparison of typical daily operating costs of each CME-MG in two scenarios

結合表1、表2進行分析可知，相比于場景一，在本文提出的場景二下，新能源汽車整體的平均充能等待時間降低了36.56%；碳減排量整體提高了約3.39倍；垃圾能源化利用率整體增幅15.62%；電網調節能力整體提升了145.03%；總運行成本整體降低了16.91%。綜上所述，通過本文的模型能夠在實現互聯系統可靠、經濟運行的同時能夠給電網提供更多的電能調節量，有效提高互聯系統的碳減排能力。

采用各場景下求解的多目標優化模型的25個Pareto最優解，得到Pareto前沿如圖11所示，Pareto最優解的平均計算時間為32.9s，采用考慮主觀權值修正的熵權雙基點法確定的兩種場景下各目標函數的修正權系數見表3。對所有Pareto最優解進行優劣排序后選取相對貼近度最大的Pareto最優解為折中最優解，兩種場景下各CME-MG典型日運行結果和運行成本見表1、表2。

圖11 Pareto前沿

表3 各目標函數的修正權系數

Tab.3 The modified weight coefficient of each objective function

6 結論

在我國推進碳達峰、碳中和的背景下，為實現能源轉型和適應新能源汽車產業蓬勃發展下汽車用戶越來越多的充能需求，本文提出了一種計及供能可靠性動態約束與碳減排的充能型微網互聯系統優化模型，并通過兩種場景下的仿真結果進行分析，結果表明：

1）與傳統獨立運行的充能型多能源微網相比，本文提出的MCMIS-LCEs考慮各微網間的互補特性，通過電能、氫氣、天然氣聯絡線進行交互，能夠提高新能源汽車和多種負荷的用能可靠性。

2）相比于傳統獨立運行的充能型多能源微網，MCMIS-LCEs中多能源微網間高效協調運行，可降低新能源汽車的充能時間、提升垃圾資源化利用率、系統的運行靈活性，并且能夠為配電網提供更多的電能調節能力和碳減排調節能力。

3）充能型多能源微網群互聯協調優化后能夠降低各微網的運行成本，有效提高整體互聯系統的收益，在未來充能站的建設發展中具有較好的應用前景。

附 錄

附表1 各CME-MG基本參數

App.Tab.1 Basic parameters of each CME-MG

參數數值 CME-MG1CME-MG2CME-MG3CME-MG4 光伏裝機容量/MW213.53 風電裝機容量/MW1095.57 最大用電負荷/MW1.351.41.21 最大用熱負荷/MW0.90.850.80.7 最大用氣負荷/m31101008095 充電樁總數/臺35302426 加氫機總數/臺15151012 加氣機總數/臺16141014

附表2 峰、谷、平時段劃分

App.Tab.2 The division of peak, valley and normal periods

時段電價氫氣價天然氣價 峰時段9:00～12:0018:00～23:005:00～8:0010:30～13:0016:00～21:006:00～8:0010:00～13:0015:00～20:00 平時段8:00～9:0012:00～18:0023:00～24:004:00～5:008:00～10:3013:00～16:008:00～10:0013:00～15:0020:00～22:00 谷時段0:00～8:000:00～4:0021:00～24:000:00～6:0022:00～24:00

附圖1 各CME-MG典型日風電出力曲線

App.Fig.1 Typical daily wind power output curve of each CME-MG

附圖2 各CME-MG典型日光伏出力曲線

App.Fig.2 Typical daily photovoltaic output curve of each CME-MG

附圖3 各CME-MG典型日負荷曲線

App.Fig.3 Typical daily load curve of each CME-MG

附表3 各時段單價

App.Tab.3 Unit price of per period

峰時段平時段谷時段 調節電網-輸出電能/[元/(kW·h)]1.1520.9810.631 調節電網-輸入電能/[元/(kW·h)]1.0410.8250.583 充電價/[元/(kW·h)]0.9760.6670.367 充電服務費/[元/(kW·h)]0.80.80.8 充氫價/(元/kg)656260 充氣價/(元/m3)4.754.524.27 購電價/[元/(kW·h)]0.9760.6670.367 購氫價/(元/m3)0.2240.2240.224 購天然氣價/(元/m3)4.74.454.11 電負荷損失成本/[元/(kW·h)]6.86.86.8 熱負荷損失成本/[元/(kW·h)]3.23.23.2 氫負荷損失成本/(元/kg)14.714.714.7 氣負荷損失成本/(元/m3)0.960.960.96 回收垃圾/(元/t)375375375 處理垃圾政府補貼/(元/t)124124124

附表4 污染氣體治理單價與排放系數

App.Tab.4 Pollutant gas treatment unit price and emission coefficient

氣體類型治理單價/(元/kg)排放系數/[g/(kW·h)] CO0.012 50.170 2 CO20.021335.082 9 NOx0.0230.618 8 SO214.8420.000 092 8

附表5 各CME-MG設備容量及其運行參數

App.Tab.5 Capacity and operation parameters of devices in each CME-MG

設備效率(%)單位維護成本CME-MG1/MWCME-MG2/MWCME-MG3/MWCME-MG4/MW 熱解爐811.23元/(kW·h)1.51.310.8 電制氫840.21元/(kW·h)3323 甲烷化710.66元/(kW·h)3323 電鍋爐950.08元/(kW·h)110.80.8 燃料電池740.14元/(kW·h)1122.5 儲氫9510.53元/m34433.5 儲熱9220.35元/(MW·h)110.81 儲氣959.63元/m34.5433.5 風電560.51萬元/MW213.53 光伏200.59萬元/MW1095.57

附表6 各CME-MG設備的狀態轉移率

App.Tab.6 State transition rate of devices in each CME-MG

轉移率tl0.5tl0 tl-0.0030.0020.001 0.5tl0.020-0.0220.002 00.0230.018-0.041

附表7 各CME-MG的能源調節響應參數設置

App.Tab.7 Energy regulation response parameter setting of each CME-MG

參數數值 CME-MG1CME-MG2CME-MG3CME-MG4 εE a(%)80858282 εH2 a(%)7271.57470 εgas a(%)75767372 εa,pg(%)83818282

附表8 各CME-MG的供能可靠性指標上限

App.Tab.8 The upper limit of the energy supply reliability index of each CME-MG

參數數值 CME-MG1CME-MG2CME-MG3CME-MG4 供電可靠性指標上限/MW0.320.290.260.28 供熱可靠性指標上限/MW0.0850.0810.0770.069 供氫可靠性指標上限/kg4.94.33.23.5 供氣可靠性指標上限/m331282124

[1] 許剛, 張丙旭, 張廣超. 電動汽車集群并網的分布式魯棒優化調度模型[J]. 電工技術學報, 2021, 36(3): 565-578.

Xu Gang, Zhang Bingxu, Zhang Guangchao. Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.

[2] 張沈習, 王丹陽, 程浩忠, 等. 雙碳目標下低碳綜合能源系統規劃關鍵技術及挑戰[J]. 電力系統自動化, 2022, 46(8): 189-207.

Zhang Shenxi, Wang Danyang, Cheng Haozhong, et al. Key technologies and challenges of low-carbon integrated energy system planning for carbon emission peak and carbon neutrality[J]. Automation of Electric Power Systems, 2022, 46(8): 189-207.

[3] 王澤鏑, 滕云, 閆佳佳, 等. 垃圾能源利用與城市多能源系統協同優化模型[J]. 電工技術學報, 2021, 36(21): 4470-4481.

Wang Zedi, Teng Yun, Yan Jiajia, et al. The optimal model based on waste resourceful and urban multi-energy system collaborative[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4470-4481.

[4] 滕云, 閆佳佳, 回茜, 等. “無廢”電-氫充能服務區多源微網優化運行模型[J]. 中國電機工程學報, 2021, 41(6): 2074-2088.

Teng Yun, Yan Jiajia, Hui Qian, et al. Optimization operation model of “zero-waste” electricity-hydrogen charging service area multi-energy microgrid[J]. Proceedings of the CSEE, 2021, 41(6): 2074-2088.

[5] 王澤森, 唐艷梅, 門向陽, 等. 獨立海島終端一體化系統下電動汽車的投放數量規劃研究[J]. 中國電機工程學報, 2019, 39(7): 2005-2016.

Wang Zesen, Tang Yanmei, Men Xiangyang, et al. Research on the quantity planning of electric vehicle on the isolated island terminal integration system[J]. Proceedings of the CSEE, 2019, 39(7): 2005-2016.

[6] 郭立東, 雷鳴宇, 楊子龍, 等. 光儲微網系統多目標協調控制策略[J]. 電工技術學報, 2021, 36(19): 4121-4131.

Guo Lidong, Lei Mingyu, Yang Zilong, et al. Multi-objective coordinated control strategy for photovoltaic and energy-storage microgrid system[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4121-4131.

[7] 王澤鏑, 滕云, 回茜, 等. 考慮垃圾處理與調峰需求的可持續化城市多能源系統規劃[J]. 中國電機工程學報, 2021, 41(11): 3781-3796.

Wang Zedi, Teng Yun, Hui Qian, et al. A sustainable development multi-energy system planning method incorporating the demand of waste disposal and peak shaving[J]. Proceedings of the CSEE, 2021, 41(11): 3781-3796.

[8] Alshareef M, Lin Zhengyu, Li Fulong, et al. A grid interface current control strategy for DC microgrids[J]. CES Transactions on Electrical Machines and Systems, 2021, 5(3): 249-256.

[9] 張釋中, 裴瑋, 楊艷紅, 等. 基于柔性直流互聯的多微網集成聚合運行優化及分析[J]. 電工技術學報, 2019, 34(5): 1025-1037.

Zhang Shizhong, Pei Wei, Yang Yanhong, et al. Optimization and analysis of multi-microgrids integration and aggregation operation based on flexible DC interconnection[J]. Transactions of China Electrotechnical Society, 2019, 34(5): 1025-1037.

[10] 李政, 陳思源, 董文娟, 等. 碳約束條件下電力行業低碳轉型路徑研究[J]. 中國電機工程學報, 2021, 41(12): 3987-4000.

Li Zheng, Chen Siyuan, Dong Wenjuan, et al. Low carbon transition pathway of power sector under carbon emission constraints[J]. Proceedings of the CSEE, 2021, 41(12): 3987-4000.

[11] 楊鏡司, 秦文萍, 史文龍, 等. 基于電動汽車參與調峰定價策略的區域電網兩階段優化調度[J]. 電工技術學報, 2022, 37(1): 58-71.

Yang Jingsi, Qin Wenping, Shi Wenlong, et al. Two-stage optimal dispatching of regional power grid based on electric vehicles' participation in peak-shaving pricing strategy[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 58-71.

[12] 滕云, 弓瑋, 冷歐陽, 等. 用于提升電-氣兩網調節能力的微網集群協調運行模型[J]. 中國電機工程學報, 2021, 41(2): 642-655.

Teng Yun, Gong Wei, Leng Ouyang, et al. Coordination operation model of microgrid cluster for improving electricity-gas networks regulation capability[J]. Proceedings of the CSEE, 2021, 41(2): 642-655.

[13] 李鵬, 吳迪凡, 李雨薇, 等. 基于談判博弈的多微網綜合能源系統多目標聯合優化配置[J]. 電網技術, 2020, 44(10): 3680-3688.

Li Peng, Wu Difan, Li Yuwei, et al. Multi-objective union optimal conApp.Figuration strategy for multi-microgrid integrated energy system considering bargaining games[J]. Power System Technology, 2020, 44(10): 3680-3688.

[14] Qiu Haifeng, Zhao Bo, Gu Wei, et al. Bi-level two-stage robust optimal scheduling for AC/DC hybrid multi-microgrids[J]. IEEE Transactions on Smart Grid, 2018, 9(5): 5455-5466.

[15] Sahoo S K, Kishore N K, Sinha A K. Decentralised control and fault ride-through of a multi-microgrid system[J]. IET Smart Grid, 2019, 2(3): 464-476.

[16] 劉海濤, 熊雄, 季宇, 等. 直流配電下多微網系統集群控制研究[J]. 中國電機工程學報, 2019, 39(24): 7159-7167, 7489.

Liu Haitao, Xiong Xiong, Ji Yu, et al. Cluster control research of multi-microgrids system under DC distribution system[J]. Proceedings of the CSEE, 2019, 39(24): 7159-7167, 7489.

[17] 金國彬, 潘狄, 陳慶, 等. 考慮源荷不確定性的直流配電網模糊隨機日前優化調度[J]. 電工技術學報, 2021, 36(21): 4517-4528.

Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528..

[18] 韓景超, 王正發, 劉雙龍. 城市生活垃圾制氣技術研究[J]. 環境與發展, 2020, 32(12): 64-66.

Han Jingchao, Wang Zhengfa, Liu Shuanglong. Research on gasification technology of municipal solid waste[J]. Environment and Development, 2020, 32(12): 64-66.

[19] 金紅洋, 滕云, 冷歐陽, 等. 基于源荷不確定性狀態感知的無廢城市多能源協調儲能模型[J]. 電工技術學報, 2020, 35(13): 2830-2842.

Jin Hongyang, Teng Yun, Leng Ouyang, et al. Multi-energy coordinated energy storage model in zero-waste cities based on situation awareness of source and load uncertainty[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2830-2842.

[20] Lisnianski A, Elmakias D, Laredo D, et al. A multi-state Markov model for a short-term reliability analysis of a power generating unit[J]. Reliability Engineering & System Safety, 2012, 98(1): 1-6.

[21] He Ruiwen, Deng Jianhua, Lai L L. Reliability evaluation of communication-constrained protection systems using stochastic-flow network models[J]. IEEE Transactions on Smart Grid, 2018, 9(3): 2371-2381.

[22] 黃庶, 林舜江, 劉明波. 含風電場和抽水蓄能電站的多目標安全約束動態優化調度[J]. 中國電機工程學報, 2016, 36(1): 112-121.

Huang Shu, Lin Shunjiang, Liu Mingbo. Multi-objective security constrained dynamic optimal dispatch with wind farms and pumped storage stations[J]. Proceedings of the CSEE, 2016, 36(1): 112-121.

[23] 楊柳青, 林舜江, 劉明波, 等. 考慮風電接入的大型電力系統多目標動態優化調度[J]. 電工技術學報, 2014, 29(10): 286-295.

Yang Liuqing, Lin Shunjiang, Liu Mingbo, et al. Multi-objective dynamic optimal dispatch for large-scale power systems considering wind power penetration[J]. Transactions of China Electrotechnical Society, 2014, 29(10): 286-295.

[24] 雍靜, 趙瑾, 郇嘉嘉, 等. 基于混沌增強煙花算法的多能源系統并網優化調度[J]. 電網技術, 2019, 43(10): 3725-3733.

Yong Jing, Zhao Jin, Huan Jiajia, et al. Multi-energy system optimal dispatch based on chaos enhanced firework algorithm in grid connection[J]. Power System Technology, 2019, 43(10): 3725-3733.

[25] 王魯浩, 李歧強, 丁然, 等. 可再生能源微網魯棒多目標優化調度[J]. 電工技術學報, 2017, 32(5): 184-192.

Wang Luhao, Li Qiqiang, Ding Ran, et al. Robust multi-objective optimization scheduling of micro-grids with renewable energy[J]. Transactions of China Electrotechnical Society, 2017, 32(5): 184-192.

[26] Bao Minglei, Ding Yi, Singh C, et al. A multi-state model for reliability assessment of integrated gas and power systems utilizing universal generating function techniques[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6271-6283.

[27] 張衛國, 宋杰, 郭明星, 等. 考慮電動汽車充電需求的虛擬電廠負荷均衡管理策略[J]. 電力系統自動化, 2022, 46(9): 118-126.

Zhang Weiguo, Song Jie, Guo Mingxing, et al. Load balancing management strategy for virtual power plants considering charging demand of electric vehicles[J]. Automation of Electric Power Systems, 2022, 46(9): 118-126.

[28] 郜昊強, 宋業建. 氫燃料電池汽車發展趨勢分析[J]. 汽車零部件, 2018(12): 75-77.

Gao Haoqiang, Song Yejian. Development trend analysis of hydrogen fuel cell vehicle[J]. Automobile Parts, 2018(12): 75-77.

[29] 駱玲. 營運天然氣汽車燃料消耗量測量方法研究[D]. 西安: 長安大學, 2014.

Optimization Model of Charging Microgrid Interconnection System Considering Dynamic Constraints of Energy Supply Reliability and Carbon Emission Reduction

Yan Jiajia1Teng Yun1Qiu Shi1Chen Zhe2

（1. School of Electrical Engineering Shenyang University of Technology Shenyang 110870 China 2. Depth Energy Technology Aalborg University Aalborg DK-9220 Denmark）

Promoting the large-scale development of the new energy vehicle industry is an important way to realize the low-carbon transformation of transportation and multi-energy systems. In order to ensure the improvement of system energy supply reliability and carbon emission reduction capability, an optimization model of charging microgrid interconnection system considering dynamic constraints of energy supply reliability and carbon emission reduction was constructed in this paper. Firstly, the operation characteristics of each microgrid and the energy interaction characteristics between microgrids are studied, and the model of the multi-energy charging microgrids interconnection system with low carbon emissions(MCMIS-LCEs) was established. On this basis, a multi-energy supply and carbon emission reduction coordination model was established; Secondly, considering the dynamic impact of energy conversion, storage and charging equipment failures on the energy supply reliability of the MCMIS-LCEs, a multi-state reliability dynamic quantitative evaluation model was established according to the characteristics of equipment failures; Then, under the conditions of energy supply reliability constraints and operation constraints of interconnected systems, a multi-objective optimization model of the MCMIS-LCEs considering carbon emission reduction, charging time and energy supply cost coordination was established; Finally, simulation verification is performed based on the actual energy and vehicle flow data of the charging station. The simulation results demonstrate that the MCMIS-LCEs and its optimization model proposed in this paper can realize the efficient coordination between multi-energy conversion, storage and charging equipment, and improve the economy, carbon emission reduction capacity, waste process capacity, grid regulation capacity, and the reliability of energy supply of the whole interconnected system.

New energy vehicles, energy supply reliability, carbon emission reduction, microgrid interconnection system, waste process

10.19595/j.cnki.1000-6753.tces.220107

TM732

國家重點研發計劃資助項目（2017YFB0902100）。

2022-01-21

2022-06-12

閆佳佳 女，1996年生，博士研究生，研究方向為多能源系統規劃及優化運行等。E-mail：714431086@qq.com

滕 云 男，1973年生，博士，教授，博士生導師，研究方向為再生能源發電、多能源系統優化運行與控制等。E-mail：tengyun@sut.edu.cn（通信作者）

（編輯 赫蕾）