网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

面向造纸园区的多能协同调度模型

- ORCID：
刘昌 ¹
- ORCID：
朱小林 ¹
- ORCID：
满奕 ^1,2
- ORCID：
何正磊 ¹
✉

1. 华南理工大学制浆造纸工程国家重点实验室，广东广州，510640； 2. 人工智能与数字经济广东省实验室（广州），广东广州，510335

中图分类号： TS7

最近更新：2023-12-21

DOI：10.11980/j.issn.0254-508X.2023.12.020

摘要

本课题提出了一种多种能源协同互补的调度方法，以提高风电与光伏发电消纳水平，促进造纸园区节能降碳。本方法在造纸园区全年用能负荷的基础上，利用机器学习技术建立了代表全年用能负荷情况的特征日获取模型；基于综合经济成本和与环境成本，建立了风-光-热-电-储协同的多能调度模型。在多个典型场景下，对模型运行结果进行验证发现，本方法可在保证用能需求的前提下，有效提升造纸园区功能系统的低碳化水平。

关键词

造纸园区; 热电; 低碳; 模型; 协同调度

随着我国“碳达峰”与“碳中和”目标的提出，造纸行业所承受的环保压力不断增大^[

1]。造纸行业是能源密集型产业，主要消耗煤炭、石油和天然气等化石能源^{[参考文献 2

百度学术}2]，其碳排放水平居高不下，能源供给侧结构调整的相关研究一直是行业的重点与难点。

热电联产技术被视为造纸行业能源供应的保障^[

3]，许多热电厂会将造纸生产过程中产生的固体废物进行掺烧发电，以减少对化石能源的消耗^{[参考文献 4-5}4-5]。但在实际操作过程中，由于燃烧过程具有滞后性，能源供应系统难以针对生产过程进行全局实时调整，导致能源效率低下。为解决上述难题，相关研究提出对造纸生产过程进行建模与仿真，预测造纸过程的能源需求，为供能机组的运行调整及能源供应提供指导^{[参考文献 6

百度学术}6]。然而，由于缺乏相应的供能系统运行优化模型，这些供能系统的能源消耗量没有显著降低，园区的碳排放水平仍然较高。

为实现造纸园区供能系统的优化，相关研究提出可根据用能需求优化热电锅炉的相关参数，从而调整供能，降低能源消耗量^[

7]。还有研究通过采用面向供能对象的混合式调度技术，监测造纸生产能耗负荷，对用能需求进行预测后，对热电联产进行实时调度^{[参考文献 8

百度学术}8]。目前，针对造纸企业的供能和优化技术仍局限于热电联产，受限于对化石能源燃烧供能的依赖，无法实现园区碳排放水平的显著降低。

当前，多能混合调度的供能方式正发展成为有效实现造纸园区节能降碳的新趋势。相关研究提出，在多能协同背景下，造纸园区可通过耦合低碳技术与热电联产技术，实现供能的低碳化目标^[

9-10]。另一方面，由于供能技术的碳排放系数存在显著差异，目前对各类技术未来成本的评估均倾向于风电和光伏发电方案^{[参考文献 11

百度学术}11]。考虑到风电及光伏供能存在显著的波动性，容易对供能系统造成冲击^{[参考文献 12

百度学术}12]，而结合热电机组的调峰能力可以削弱风电及光伏供能造成的不稳定性^{[参考文献 13

百度学术}13]，且引入储能系统可提高能源供应的调度能力^{[参考文献 14

百度学术}14]，使风电、光伏供能、热电与储能的联合调度成为当前行业实现节能降碳的关键选择。

在这一背景下，将不同能源的优势和劣势进行互补，可有效削弱单一能源供应所造成的不利影响。如根据发电时间的不同，可将风电、光伏发电进行互补利用^[

15]；利用抽水蓄能电站进行能量储存，可将风、光、水、电进行互补开发^{[参考文献 16

百度学术}16]；而建立多能联供得综合能源服务模型，可将风电、光伏发电、火电进行全局互补^{[参考文献 17

百度学术}17]，提升能源利用效率、降低碳排放水平。然而，这些系统未引入碳交易机制，对化石能源消耗缺少惩罚性的约束，导致其可再生能源的消纳能力低下，未能充分挖掘其减碳调节能力。

因此，鉴于热电联产仍将作为造纸园区主要的供能技术，同时考虑风电、光伏发电对于供能系统的减排促进作用，本课题在造纸园区热电联产的基础上，建立考虑碳交易的风-光-电-热-储的多能协同调度模型，以期提升造纸园区供能系统的低碳化水平，并降低供能成本。

1 面向造纸园区的多能协同调度模型

当前造纸园区的供能模式中，热能均来自热电机组，因此热电机组必须在满足热能的前提下供应电能。而在多能混合模式下，电能还可通过风力发电、光伏发电获得，且当各供电机组自发电力不足或调节能力欠缺时，仍可从电网中购电以补偿缺失的负荷需求。这种供能模式需要在满足造纸园区正常用能的前提下，合理安排供能设施的输出。因此需要考虑各机组自身的特点，避免各机组同时大幅度调节，导致机组无法及时爬坡造成负荷不匹配。

基于以上造纸园区多能协同调度特征，本课题提出的调度模型主要包括建立特征日获取模型、建立协同互补调度模型及调度结果分析3部分，具体技术路线如图1所示。

图1 技术路线

Fig. 1 Technical route

第一阶段：通过分析负荷数据小时间的相关性，明确数据特征，进而对原始数据进行降维处理；在此基础上，结合聚类算法建立特征日获取模型，获取能代表园区全年用能情况的特征日。

第二阶段：分析企业需求，确定满足企业和社会效益的经济性目标函数与环境性目标函数，随后根据相关设备限制确定模型约束，进而建立多能协同调度模型。

第三阶段：在本课题所设立的典型场景下，对模型调度结果进行分析与讨论，明确碳交易机制和储能系统对供能系统的影响。

2 模型及方法

2.1　特征日获取模型

对于多尺度的能源调度问题，由于涉及的供能设备较多，需要考虑生产全局，其计算量较大；另一方面，造纸工业生产的用能情况存在一定的重复性，导致原始数据中存在冗杂信息。因此，本课题提出通过建立特征日获取模型，获得可代表造纸园区全年用能分布的负荷数据，以简化计算过程，降低调度模型计算复杂度。本课题基于所获取的安徽某造纸园区的用电及用热数据进行研究，共采集数据17000余条。由于K均值算法具有结构简单、较好的伸缩性和较短的运算时间等优点，本课题选择K均值算法处理大数据集。

轮廓系数（Silhouette Coefficient，SC）能清楚反映待聚类样本点与簇的紧密程度，本课题采用SC来衡量聚类性能，具体计算如式(1)所示。

S C = \frac{1}{N} \sum_{i = 1}^{N} s (\frac{b (i) - a (i)}{m a x \{b (i), a (i)\}})

（1）

式中， $a (i)$ 为 $i$ 所属簇内其他样本的平均距离； $b (i)$ 为 $i$ 与其他簇的样本平均距离的最小值。

图2显示了K均值聚类性能。单独使用K均值时，设定不同聚类簇数所得到的性能结果，其中标记对应最佳聚类簇数。由图2中标记可得，造纸园区负荷数据聚类簇数为7时效果最佳。

图2 K均值聚类性能

Fig. 2 K-means clustering performance

为进一步分析负荷数据的分布情况，本课题对24 h用电负荷及用热负荷的小时级别特征进行了相关性分析，共获取了552个相关系数，其中276个为电负荷相关系数，276个为热负荷相关系数。图3和图4分别展示了电负荷和热负荷系数的分布情况。从图3和图4可以看出，在552个相关系数中，约74%的相关系数大于0.9。由此可知，电负荷和热负荷各小时间具有极强的线性相关性，且验证了原始数据中存在极大比例的冗余信息的观点。考虑到将全年的数据进行全面调度分析，将会大幅增加模型计算量，本课题将彼此相关的高维度特征压缩至彼此独立且维度更低的变量，以筛选具有代表性的负荷特征日。

图3 电负荷相关性

Fig. 3 Power load correlation

图4 热负荷相关性

Fig. 4 Heat load correlation

由于电负荷和热负荷各小时间具有极强的线性相关性，导致其聚类结果极易产生不确定性。为此本课题采用主成分分析法（Principal Component Analysis，PCA）降低数据特征维度，在保有一定数据信息量的基础上，提升聚类效果^[

18]。PCA与K均值耦合后的聚类性能结果如图5所示。其中，曲线部分显示了不同数量主成分的PCA和聚类方法结合时的性能值，q水平虚线则代表了使用K均值而不使用PCA的最佳性能值，曲线上的标记表示PCA与K均值耦合后大于虚线值的结果。从图5可以得出，PCA与K均值耦合后的聚类性能得到了显著的提升。最终本课题所建立的特征日模型获取结果如表1所示。

图5 PCA耦合K均值聚类性能

Fig. 5 Clustering performance coupling PCA and K-means

表1 聚类结果

Table 1 Clustering results

K-means + PCA（SC）	K-means + PCA（CHI）	聚类簇数	PCA维数	特征贡献率/%
0.73	380.67	7	5	89.28

2.2　风光热电储联合调度优化模型

基于上述模型中获取的造纸园区用能负荷特征日，为降低造纸园区供能系统的供能成本和碳排放水平，本课题以风电、光伏供能、热电、储能为研究对象，建立了考虑碳交易机制的多能协同调度模型，同时考虑经济性和低碳性，研究造纸园区多能互补最优调度策略，并分析储能系统及碳交易机制对多能互补调度的影响。

2.2.1　目标函数

从社会及企业效益最大化的角度考虑，减少化石能源的消耗是提升效益的最佳方法。因此本课题将经济成本和环境成本纳入目标函数。

经济成本Z₁计算函数见式(2)，具体包括能源消耗F₁、储能和机组运营成本F₂、外购电力成本F₃，分别见式(3)~式(5)。

Z_{1} = F_{1} + F_{2} + F_{3}

（2）

F_{1} = γ \sum_{t = 1}^{T} \sum_{i = 1}^{I} a_{i}^{} [P_{i}^{t h} (t) + c_{v} P_{i}^{h} (t)] + b_{i}^{} [P_{i}^{t h} (t) + c_{v} P_{i}^{h} (t)] + {c_{i}^{}}^{2}

（3）

F_{2} = \sum_{t = 1}^{T} \sum_{i = 1}^{I} f^{_{t h p}} P_{i}^{t h} (t) + f^{_{s t p}} [P^{b d c h} (t) + P^{b c h} (t)]

（4）

F_{3} = γ^{n e t} P^{n e t} (t) ∆ t

（5）

式中， $P_{i}^{t h} (t)$ 和 $P_{i}^{h} (t)$ 为热电机组 $i$ 在时段 $t$ 下的电和热出力；由于煤炭价格受多方因素影响，为简化计算本课题取标煤价格 $γ$ 为800元/t^[

19]；

c_{v}

为机组增加单位热出力时电出力减小量；

a_{i}^{}

、

b_{i}^{}

、

c_{i}^{}

为相关煤耗参数；

f^{_{t h p}}

和

f^{_{s t p}}

分别为各热电机组及储能系统的运行维护成本^{[参考文献 20

百度学术}20]；

P^{b d c h} (t)

和

P^{b c h} (t)

分别为储能系统的放电和充电水平；由于我国工业用电峰平谷价格存在差异，为简化计算，本课题取购电价格

γ^{n e t}

为760元/MWh^{[参考文献 21

百度学术}21]；

P^{n e t} (t) 购电 功率

；Δt为调度时长，取1 h。

环境成本为供能系统的碳排放成本。本课题引入了碳交易机制来促使供能系统减少对化石能源的使用。由于非化石能源供能不直接产生碳排放，因此碳排放成本仅针对系统中的热电机组。碳排放量可由式(6)计算。

C O_{2 T} = γ \sum_{t = 1}^{T} \sum_{i = 1}^{I} a_{i}^{C O_{2}} {[P_{i}^{t h} (t) + c_{v} P_{i}^{h} (t)]}^{2} + b_{i}^{C O_{2}} [P_{i}^{t h} (t) + c_{v} P_{i}^{h} (t)] + c_{i}^{C O_{2}}

（6）

式中， $C O_{2 T}$ 为供能系统的总碳排放量； $a_{i}^{C O_{2}}$ 、 $b_{i}^{C O_{2}}$ 、 $c_{i}^{C O_{2}}$ 为相关参数。

免费分配一定量的碳配额是我国当前碳市场运行的前提和关键。本课题采用基准线法，根据机组供能情况和机组类别，为供能单位设定配额。由式(7)可得免费分配的碳排放额度。

E = β_{i} \sum_{t = 1}^{T} \sum_{i = 1}^{I} P_{i} (t) Δ t

（7）

式中， $E$ 为机组i在时段t下无偿碳配额； $β_{i}$ 为机组i单位供能量无偿获得的配额^[

22]。

供能系统需要额外够买的碳排放额度E′及环境成本Z₂，其计算分别见式（8）和式（9）。

E' = C O_{2 T} - E

（8）

Z_{2} = φ E'

（9）

式中， $φ$ 为碳排放权价格，取80元/t^[

19]。

最终得到经济性和低碳性协同的造纸园区多能协同调度模型目标函数F，如式(10)所示。

F = m i n (Z_{1} + Z_{2})

（10）

式中， $Z_{1}$ 为经济性成本； $Z_{2}$ 为环境成本。

2.2.2　约束条件

（1）负荷平衡约束

由于实际能源传输过程中，锅炉的蒸汽温度和压力均会导致能源传输滞后的时长发生变化，为简化函数以降低建模难度，本课题假设供给电能和和热能传输无延迟，与需求负荷必须实时平衡。电力负荷平衡与热能负荷平衡具体计算见式(11)和式(12)。

D (t) = \sum_{i = 1}^{I} P_{i}^{t h} (t) + P^{w} (t) + P^{p v} (t) + P^{n e t} (t) + v_{i, t}^{d} P^{b d c h} (t) - v_{i, t}^{} P^{b c h} (t)

（11）

H (t) = \sum_{i = 1}^{I} P_{i}^{h} (t)

（12）

式中， $D (t)$ 和 $H (t)$ 分别为对应时段的电力负荷和热能负荷需求； $P^{w} (t)$ 、 $P^{p v} (t)$ 分别为风电、光伏发电在对应时段的出力。

（2）热电机组爬坡能力约束

为了提升供能系统的可靠性，确保其在任何时段均提供有效的功率，本课题设置了爬升容量限制，防止由于爬升过快而导致的锅炉过载，以保证热电厂的安全运行，电和热爬坡约束见式(13)和式(14)。

|P_{i}^{t h} (t + 1) - P_{i}^{t h} (t)| \leq P_{t h, i, l i m}

（13）

|P_{i}^{h} (t + 1) - P_{i}^{h} (t)| \leq P_{h, i, l i m}

（14）

式中， $P_{t h, i, l i m}$ 和 $P_{h, i, l i m}$ 分别为热电机组 $i$ 电力负荷和热能负荷的爬坡速率限制。

（3）各机组出力约束

负荷过低可能导致热电机组的锅炉熄火，负荷过高则可能导致锅炉过载。为保护热电机组的机械系统和电气系统，需要限制其输出功率，以确保其安全运行。此外，由于风电和光伏供能的波动性及设备限制，其输出功率也存在安全范围。热电机组供热和供电出力约束见式(15)和式(16)，风电、光伏发电出力约束见式(17)和式(18)。

P_{i, m i n}^{t h} \leq P_{i}^{t h} (t) \leq P_{m a x}^{t h}

（15）

P_{i, m i n}^{h} \leq P_{i}^{h} (t) \leq P_{m a x}^{h}

（16）

P_{m i n}^{w} \leq P^{w} (t) \leq P_{m a x}^{w}

（17）

P_{m i n}^{p v} \leq P^{p v} (t) \leq P_{m a x}^{p v}

（18）

式中， $P_{i, m i n}^{t h}$ 、 $P_{m a x}^{t h}$ 分别为热电机组 $i$ 的电力输出最小、最大值； $P_{i, m i n}^{t h}$ 、 $P_{m a x}^{t h}$ 分别为热电机组 $i$ 的热能输出最小、最大值； $P_{m i n}^{w}$ 、 $P_{m a x}^{w}$ 分别为风电机组的最小、最大值； $P_{m i n}^{p v}$ 、 $P_{m a x}^{p v}$ 分别为光伏发电机组的最小、最大值。

（4）储能系统容量约束

储能系统的容量限制不仅受制于其装机容量，而且还受制于已存储的电量。因此，需要限制储能系统内的电量存储情况。存储限制具体见式(19)和式(20)。

P^{b s c} (t - 1) - P^{b d c h} (t) Δ t + P^{b c h} (t) Δ t = P^{b s c} (t)

（19）

P^{b s c} (t) \leq P_{m a x}^{b s c}

（20）

式中， $P^{b s c} (t)$ 为对应时段内存储的电量。

（5）储能系统充放电约束

限制储能系统的最小剩余容量、最大充电和放电速率，能够有效地防止过度充电或放电，保证储能系统的正常运行。为了提高储能系统的可靠性和安全性，需要对储能系统的充放电加以限制。具体约束见式(21)~式(25)。

v_{i, t}^{} P^{b c h} (t) Δ t + P^{b s c} (t - 1) \leq P_{m a x}^{b s c}

（21）

v_{i, t}^{d} P^{b d c h} (t) Δ t - P^{b s c} (t - 1) \leq 0

（22）

v_{i, t}^{} P^{b c h} (t) \leq P_{m a x}^{b c h}

（23）

v_{i, t}^{d} P^{b d c h} (t) \leq P_{m a x}^{b d c h}

（24）

v_{i, t}^{} + v_{i, t}^{d} \leq 1

（25）

式中， $P_{m a x}^{b d c h}$ 和 $P_{m a x}^{b c h}$ 分别为储能系统最大放电功率和最大充电功率； $v_{i, t}^{}$ 和 $v_{i, t}^{d}$ 为冲、放电状态。

3 结果分析

3.1　算例数据

本课题提取使用了安徽某造纸园区用热及用电数据，机组具体设备参数见表2和表3^[

23]。通过本课题所建立的特征日获取模型，共获得7个特征日。此外，本课题利用美国太空总署气象资料查询网站获取了安徽某地部分风机和光伏发电功率数据。各数据采样时间均为2021年1月1日至2021年12月31日，采样周期为1 h。

表2 热电机组运行参数

Table 2 Cogeneration unit operating parameters ( kWh )

机组	$P_{m a x}^{t h}$	$P_{m i n}^{t h}$	$P_{m a x}^{h}$	$P_{t h, i, l i m}$	$P_{h, i, l i m}$	$c_{v}$
1	60	20	65	24	25	0.20
2	40	20	40	21	23	0.15
3	35	15	40	15	17	0.13
4	30	12	35	12	14	0.10
5	15	7	20	7	9	0.08

表3 热电机组能耗和排放参数

Table 3 Energy consumption and emission parameters of cogeneration units

机组	$a_{i}^{}$	$b_{i}^{}$	$c_{i}^{}$	$a_{i}^{C O_{2}}$	$b_{i}^{C O_{2}}$	$c_{i}^{C O_{2}}$
1	1.12×10^-5	0.287	9.4	3.22×10^-5	0.835	23.1
2	1.31×10^-5	0.296	9.0	3.42×10^-5	0.843	24.4
3	2.27×10^-5	0.299	7.4	6.38×10^-5	0.874	19.6
4	3.52×10^-5	0.302	5.4	9.94×10^-5	0.890	13.1
5	6.73×10^-5	0.306	3.7	1.35×10^-4	0.902	8.7

为探讨碳交易机制及储能系统对造纸园区供能系统的影响，本课题考虑4种典型场景，分别为场景1：不引入碳交易机制及储能系统；场景2：引入碳交易机制不引入储能系统；场景3：不引入碳交易机制引入储能系统；场景4：引入储能系统和碳交易机制。

3.2　调度成本

各场景的经济成本和环境成本如表4和表5所示。通过对比表4和表5可知，场景1相较场景2，经济成本增加约49万元，其中煤耗成本增加了44万元。这表明碳交易是减少化石能源消耗的有效措施。此外，场景2的购电成本高于场景1。这是因为当引入碳交易机制后，系统积极地调节了热电机组的输出，但由于热电机组约束的限制，热电机组无法及时调节输出以满足能源需求。因此，供能系统必须从外部购电来满足园区的用电需求，从而导致了购电成本的增加。对比环境成本可以得出，场景2相较于场景1需额外支付碳交易成本，导致场景2的总成本比场景1增加了28万元。这说明碳交易机制虽然能调节供能系统的出力计划，但可能会损害供能主体的经济效益。

表4 经济成本

Table 4 Economic costs ( 万元 )

场景	煤耗	购电	运营维护
1	1557.57	14.83	40.59
2	1513.01	16.21	38.25
3	1515.19	14.76	38.44
4	1473.98	2.85	36.28

表5 环境成本

Table 5 Environmental costs

场景	碳排放量/t	外购碳配额/t	碳交易成本/万元
1	45467.64	0	0
2	44175.17	9203.43	73.62
3	44239.44	0	0
4	43040.30	9687.10	77.49

对比场景1和场景3可知，引入储能系统可以降低煤耗成本、购电成本及碳排放量。这是因为场景3引入了储能系统，可将多余的风电及光电进行存储，存储的电能可取代部分热电机组出力。相较于场景1，场景3耗煤成本减少了2.7%，系统碳排放量下降了2.7%，验证了储能系统对风光消纳的有效性。对比场景2和场景3可知，尽管场景2的经济成本低于场景3，但由于碳交易成本的影响，使得场景1的总成本略高于场景3。

场景4在引入储能系统后，各经济成本均低于场景2。但由于热电机组输出占比较低，导致场景4获得的碳排放配额少于场景2，使得场景4的碳交易成本高于场景2。对比场景3和场景4，尽管场景4的经济成本均低于场景3，但是由于碳交易成本的影响，场景3的总成本仍然比场景4低1.4%。

综上所述，碳交易机制和储能系统均有助于减少煤炭的使用量，减少温室气体排放。但由于碳交易机制会增加企业的供能成本，因此需要合理的定价机制和补偿机制。

3.3　供能结果

为了探究多能互补调度模型对节能减排的积极作用，本课题以场景1中热电机组的发电量作为基准值，与其他场景下的调度结果进行对比。图6~图8分别显示了场景2、场景3、场景4的发电量。由图6~图8可知，热电机组1的发电量比机组2和机组3平均多77%和123%，而机组1的装机量仅比机组2和机组3多50%和70%。由此可见，无论是碳交易机制还是储能系统，均能在一定程度上优化供能系统内部的出力策略。

图6 场景2发电量

Fig. 6 Scene 2 power generation

图7 场景3发电量

Fig. 7 Scene 3 power generation

图8 场景4发电量

Fig. 8 Scene 4 power generation

通过对比图6和图7可知，场景2中热电机组的发电量较场景1减少了8.5%，场景3中热电机组的发电量较场景1减少了8.0%。结合表4可知，场景2的购电成本高于场景3。由此可得，储能系统和碳交易机制降低系统耗煤量的原理存在差异。其中碳交易是通过提升煤炭使用成本从而抑制煤炭消耗，而储能系统则是实现可再生能源电力的转移，以替代部分火电。

由图8可知，场景4购电量远小于其他场景，且场景4的风电、光伏电力消纳量较其他场景，平均增加了48.5%。由此可知，将储能系统和碳交易机制相结合能有效提升供能系统的低碳化水平。尽管不同特征日的结果存在差异，但总体而言，多能协同调度模型能够有效促进供能系统的节能减排。

图9对比了热电机组在无碳交易机制和有碳交易机制情况下的供热量。图9中自下而上的标记代表了热电机组1、2、3、4在有碳交易机制下的供热结果。图9表明，引入碳交易机制后，供能系统可以在不影响总供热量的情况下，调整供能策略，以提高碳排放系数较低机组的供热量。

图9 供热量对比结果

Fig. 9 Heat supply comparison results

3.4　系统运行结果分析

本课题以4种典型场景为背景，以所获得的7个特征日为例，分析造纸园区多能协同调度模型的运行情况，并对比说明碳交易机制及储能系统对系统运行的具体影响，结果见图10~图13。

图10 场景1供电运行结果

Fig. 10 Scene 1 power supply operation results

图11 场景2供电运行结果

Fig. 11 Scene 2 power supply operation results

图12 场景3供电运行结果

Fig. 12 Scene 3 power supply operation results

图13 场景4供电运行结果

Fig. 13 Scene 4 power supply operation results

分析图10和图11可知，场景2中热电机组的调节频率比场景1高。这是因为在引入碳交易机制后，供能系统消纳风电、光电的能力取决于热电机组自身的爬坡能力，热电机组需要频繁地调节输出功率，以消纳风电、光电。

由图12可知，场景3的热电机组出力曲线相较于场景2更为平缓，热电机组在负荷高峰期和低谷期的出力差值得到缩减。这表明引入储能系统后，供能系统的调节能力得到显著提升。此外，储能系统储存的电能也在一定程度上降低了购电需求，提升了供能系统自身的稳定性。

分析图13可知，相较于其他场景，场景4的热电机组输出曲线最为平缓。由各热电机组的出力时序可知，当用电负荷持续低于160 MW时，各热电机组维持最低出力。由此可得，同时引入碳交易机制及储能系统，可最大程度压缩热电机组的输出空间，以便消纳风电和光伏发电。

图14和图15分别显示了无碳交易和有碳交易的供热运行结果。通过对比图14和图15可知，当引入碳交易机制后，热电机组1承担的热能负荷及调节幅度远高于其他机组。相较于热电机组1的装机容量，其所承担的热能负荷比例远高于装机容量。当夜间用热需求下降时，热电机组3、4、5优先降低输出功率至最低限度。相比之下，热电机组1和2则维持其输出功率以满足用热需求。

图14 无碳交易供热运行结果

Fig. 14 Heat supply operation results without carbon trading

图15 有碳交易供热运行结果

Fig. 15 Heat supply operation results with carbon trading

图16显示了电池运行状态。通过对图16中的场景4储能系统工作状态进行分析，可以得出储能系统在充放电时间上没有严格限制。在23点至凌晨3点时段，风电处于高发期，而用电负荷处于低谷期，此时电池常处于充电状态，供能系统消纳风电对园区的正常用能没有负面影响。在9点至15点时段，用电负荷达到高峰期，此时储能系统常处于放电状态，以降低热电机组的调峰幅度。由此可见，储能系统灵活的双向调节能力及快速反应能力使得风电、光伏发电及热电更好地耦合。

图16 电池运行状态

Fig. 16 Battery operation status

4 结论

我国造纸工业发展所面临的资源、能源和环境约束问题愈发突出，降低造纸园区的供能成本和碳排放水平是行业可持续发展的瓶颈之一。目前对各类技术未来成本的评估显示，风电、光伏发电及热电联产耦合可为造纸园区降低供能成本和排放提供有效的解决方案，但风电和光伏发电的不稳定性容易对供能系统的正常运行造成冲击。

4.1 本课题提出面向造纸园区多能协同调度模型，可以在满足园区用能负荷需求下，有效地降低热电机组的碳排放量和供能成本，实现了供能系统的低碳性和经济性。

4.2 在促进风电、光伏供能消纳方面，储能系统和碳交易机制均能有效提升消纳能力。相比于无任何措施情况下，碳交易机制提升消纳能力39.0%，储能系统提升消纳能力36.8%，二者结合可提升消纳能力78.4%。

此外，本课题所涉及的风电及光伏发电均基于历史数据，未考虑风能和太阳能发电的难预测性，导致模型缺乏动态调度能力。在后续的研究中应当根据气象信息建立风电、光伏发电功率预测模型，加强模型的动态调度能力，从而提升调度模型的可靠性。

参考文献

ZHANG S R， BAI X Y， ZHAO C W， et al. China’s carbon budget inventory from 1997 to 2017 and its challenges to achieving carbon neutral strategies［J］. Journal of Cleaner Production， DOI：10.1016/j.jclepro.2022.130966. [百度学术]

陈玲，胡雨沙，李继庚，等. 中国造纸工业清洁生产技术发展现状分析［J］. 中国造纸， 2022， 41（S1）： 27-33. [百度学术]

CHEN L， HU Y S， LI J G， et al. Analysis of the Current Development of Clean Production Technology in China’s Paper Industry［J］. China Pulp & Paper， 2022， 41（S1）： 27-33. [百度学术]

中国造纸协会. 《造纸行业“十四五”及中长期高质量发展纲要》［R］. 北京：中国造纸协会， 2021. [百度学术]

China Paper Association. The paper industry’s “14th Five-year Plan” and medium-and long-term high-quality development outline［R］. Beijing： China Paper Association， 2021. [百度学术]

吴福骞. 谈造纸工业循环经济（九）造纸节能新技术［J］. 中华纸业， 2006， 27（3）： 20-25. [百度学术]

WU F Q. Talking about the circular economy of paper industry （nine） paper energy-saving new technology ［J］. China Pulp & Paper Industry， 2006， 27（3）： 20-25. [百度学术]

周海东. 造纸固废物掺烧发电助力企业节能减排［J］. 中华纸业， 2011， 32（5）： 54-58. [百度学术]

ZHOU H D. Paper solid waste blending power generation to help enterprises to save energy and reduce emissions ［J］. China Pulp & Paper Industry， 2011， 32（5）： 54-58. [百度学术]

李继庚，刘焕彬，吴波，等. 造纸企业全厂能量系统优化信息平台的设计与开发［J］. 造纸科学与技术， 2009， 28（6）： 14-19. [百度学术]

LI J G， LIU H B， WU B， et al. Design and development of an information platform for plant-wide energy system optimization in paper manufacturing enterprises［J］. Paper Science and Technology， 2009， 28（6）： 14-19. [百度学术]

蔡韵. 制浆造纸企业生产调度系统建模与优化研究［D］. 杭州：浙江大学， 2005. [百度学术]

CAI Y. Modeling and optimization of production scheduling system in pulp and paper enterprises ［D］. Hangzhou： Zhejiang University， 2005. [百度学术]

孙慧，宋云，吕竹明，等. 浆纸联合生产企业清洁生产水平评价实例研究［J］. 中国造纸学报， 2017， 32（2）： 45-51 [百度学术]

SUN H， SONG Y， LYU Z M， et al. A Case Study on Cleaner Production Level Evaluation of an Integrated Pulp and Paper Enterprise［J］. Transactions of China Pulp and Paper， 2017， 32（2）： 45-51 [百度学术]

ZRELLI M H. Renewable energy， non-renewable energy， carbon dioxide emissions and economic growth in selected Mediterranean countries［J］. Environmental Economics and Policy Studies， 2017， 19（1）： 691-709. [百度学术]

ASUMADU S S， OWUSU P A. The causal effect of carbon dioxide emissions， electricity consumption， economic growth， and industrialization in Sierra Leone［J］. Energy Sources， 2017， 12（1）： 32-39. [百度学术]

SGOURIDIS S， CARBAJALES M， CSALA D， et al. Comparative net energy analysis of renewable electricity and carbon capture and storage［J］. Nature Energy， 2019， 4 （6）： 456-465. [百度学术]

LIU H T， ZHU H N， LI F S， et al. Economic operation strategy of electricity-gas-thermal-hydrogen integrated energy system taking into account the cost of carbon［J］. Electric Power Construction， 2021， 42（12）： 21-29. [百度学术]

GU Y J， XU J， CHEN D C， et al. Overall review of peak shaving for coal-fired power units in China［J］. Renewable and Sustainable Energy Reviews， 2016， 54： 723-731. [百度学术]

ARBABZADEH M， SIOSHANSI R， JOHNSON J X， et al. The role of energy storage in deep decarbonization of electricity production［J］. Nature Communications， 2019， 10（1）： 1-11. [百度学术]

HOU W J， ZHANG X L， WU M W， et al. Integrating stability and complementarity to assess the accommodable generation potential of multiscale solar and wind resources： A case study in a resource-based area in China［J］. Energy， DOI： 10.1016/j.energy.2022.125312. [百度学术]

LIU B X， JAY R， LUND J R，et al. Optimal power peak shaving using hydropower to complement wind and solar power uncertainty［J］. Energy Conversion and Management， DOI：10.1016/j.enconman.2020.112628. [百度学术]

黄彦彰，周宇昊，郑文广，等. 产业园区新型多能联供综合能源服务研究［J］. 发电技术， 2021， 42（6）： 734-740. [百度学术]

HUANG Y Z， ZHOU Y H， ZHENG W G， et al. Research on New Multi-energy Combined Power Supply Integrated Energy Service in Industrial Park［J］. Power Generation Technology， 2021， 42（6）： 734-740. [百度学术]

刘鸿斌，李祥宇，杨冲. 基于PCA降维模型的造纸废水处理过程软测量建模［J］. 中国造纸学报， 2018， 33（4）： 50-57. [百度学术]

LIU H B， LI X Y， YANG C. Soft Measurement Modeling of Paper Wastewater Treatment Process Based on PCA Dimensionality Reduction Model［J］. Transactions of China Pulp and Paper， 2018， 33（4）： 50-57. [百度学术]

郭洪武，可再生能源多能协同调度优化及效益均衡模型研究［D］. 北京：华北电力大学， 2020. [百度学术]

GUO H W. Study on the optimization and efficiency balance model of renewable energy multi energy cooperative dispatch［D］. Beijing： North China University of Electric Power， 2020. [百度学术]

张松岩，苗世洪，尹斌鑫，等. 考虑火电深度调峰的多类型储能经济性分析［J］. 电力建设， 2022， 43（1）： 132-142. [百度学术]

ZHANG S Y， MIAO S H， YIN B X， et al， Economic analysis of multiple types of energy storage considering deep peaking of thermal power［J］. Electric Power Construction， 2020， 43（1）： 132-142. [百度学术]

刘自敏，李兴. “双碳”目标下中国电力市场的无谓损失与价格机制［J］. 经济学动态， 2022， 742（12）： 104-122. [百度学术]

LIU Z M， LI X. Needless Losses and Price Mechanisms in China’s Electricity Market under the “Double Carbon” Target［J］. Economics News， 2022， 742（12）： 104-122. [百度学术]

全国碳市场发电行业配额分配制度浅析［J］. 中国电力企业管理， 2021（19）： 19-21. [百度学术]

Analysis on the quota allocation system of the power generation industry in the national carbon market［J］. China Electric Power Enterprise Management， 2021（19）： 19-21. [百度学术]

陈柏翰，冯伟，孙凯，等. 冷热电联供系统多元储能及孤岛运行优化调度方法［J］. 电工技术学报， 2019， 34（15）： 3231-3243. [百度学术]

CHEN B H， FENG W， SUN K， et al. Optimal scheduling method for multi-energy storage and island operation of combined cooling， heating and power generation system［J］. Journal of Electrical Technology， 2019， 34（15）： 3231-3243. [百度学术]

CPP [百度学术]

面向造纸园区的多能协同调度模型

摘要

关键词

1 面向造纸园区的多能协同调度模型

2 模型及方法

2.1 特征日获取模型

2.2 风光热电储联合调度优化模型

3 结果分析

3.1 算例数据

3.2 调度成本

3.3 供能结果

3.4 系统运行结果分析