图1 制造业企业四季典型日负荷曲线及冬季典型日负荷调整特性
Fig.1 Typical daily load curves of manufacture of general purpose machinery in different seasons and typical daily load adjustment characteristics in winter
摘要 针对可再生能源的消纳问题，研究可控负荷机制与电-热耦合网中的储能调控策略，构建综合灵活性资源模型优化系统的低碳运行。首先分析区域电网中差异化布局的工业负荷调控机制，基于城市能源网架电热耦合建立可控负荷及电-热储能调控模型；然后以经济成本、风光消纳及碳排放为指标构建综合效益模型，提出碳排放流动拓扑，描述依附于能量流的碳排放流信息；最后对IEEE 33节点电网和45节点热网耦合能源系统进行仿真，分析多元灵活性资源响应对系统综合效益的改善效果，并通过拓扑直观显示典型场景中电-热碳排放流动过程。结果表明发掘灵活性资源能够提升电热综合能源系统对风光能源的消纳裕度，验证了所提方法的合理性和有效性。
关键词：综合能源系统 可控负荷 电/热储能 优化运行 碳排放流动拓扑
现代能源系统向清洁低碳体系转型已成为主流趋势，而以电-热耦合为核心的综合能源系统（Integrated Energy Systems, IES）为促进可再生能源消纳和提高能源效率提供了有效途径[1]。随着分布式电源（Distributed Generation, DG）渗透率的提高，IES中储能、可控负荷等灵活性资源在参与调控的同时开始承担降低碳排放的职能，而各类资源的接入使得IES运行变得更为复杂[2-3]。因此，如何充分计及IES中各类资源的运行控制特性，发挥其优势互补能力，从而制定适应IES各场景下的协调运行方案，对于现代综合能源系统低碳化运行具有重要意义。
目前，对于IES中储能及可控负荷的优化运行国内外学者已有大量研究。针对储能系统（Energy Storage System, ESS），早期研究主要集中于单一类型电/热储能装置的接入[4-5]，之后逐渐扩展到电/热网络中对储能多层次、多目标需求下的优化，并逐渐应用于IES中[6-7]。文献[8]在电热氢综合能源系统中建立了以微燃机、电锅炉和电制氢设备为核心的电热混合储能模型，扩展IES消纳风电能力。文献[9]建立了电热耦合系统的分解优化运行模型，在保障电/热网信息隐私的同时完成对储能等设备的出力优化。
随着电网中友好负荷比例的增加及需求侧管理理念的普及，可控负荷也逐渐成为能够参与IES运行优化的可控资源。文献[10]考虑区域内工商业与民用负荷平移能力，提出改善变电站综合负荷特性的负荷平移策略，完成变电站供电区域的合理划分。为缓解电网中储能部分调节压力文献[11]，基于电力需求弹性理论，引入分时电价机制调整居民用电负荷，从经济性、居民舒适度及网侧功率波动角度建立优化运行模型。在考虑负荷互动响应特性的IES研究中，由于电/热储能等能源网络的紧密耦合，提升需求侧负荷的互动能力已成为提升IES整体效益的重要切入点。文献[12]将负荷调整机制分为价格型需求响应调整及激励型负荷直接控制，以系统运行成本、污染排放为目标进行微网优化调度，并分析负荷发生转移及削减前后对微网内峰谷负荷的调整效果。文献[13]针对园区级电-热综合能源系统提出适用于电力负荷、供暖热负荷与工业热负荷的激励型综合需求响应策略，建立了日前经济调度模型。以上文献对储能、可控负荷参与IES运行调控的能力进行了分析，但对于IES的供需互动需求，尚未完全发挥荷储侧资源协同优势，且对可控负荷响应机制、形式及限制考虑不足，未能实现对调控资源的“因类施策”。此外，现有针对储能、负荷侧资源的优化模型对于多能源系统低碳运行的研究集中于一次能源消耗产生的碳排放，缺乏对碳排放在IES中流动、转移的分析。在当前IES低碳运行体系下，如何基于现有城市架构优化IES中各类资源，以实现高效节能减排目标，仍需深入研究。
本文以区域IES为研究对象，分析区域电网中大型工业负荷的调控机制，建立电-热耦合系统中热电联产机组、电制热设备、电/热储能及可控负荷模型，其中重点考虑储能和可控负荷为主的灵活性资源。采用碳排放流动拓扑模型（Carbon Emission Flow Topology, CEFT），描述IES碳排放流动过程。以经济运行成本、风光消纳率及碳排放量为目标函数构建低碳环境协调运行模型。最终以IEEE 33节点配电网和45节点热网耦合能源系统为例，仿真分析不同场景下各类资源响应情况，通过评价IES的综合效益，构建其碳排放拓扑网络，为低碳环境下IES的优化运行提供辅助决策。
电-热综合能源系统由电/热网中灵活性资源（可控负荷、电/热储能）、能源转换设备（热电联产机组、电制热设备）及供能网络（电网、热网）部分组成。考虑各部分在IES中的运行特性，构建相应模型。
IES中荷、储侧灵活性资源可调节自身用能状态，缓解IES供需不平衡问题。同时其在低碳环境中起到平缓分布式电源出力的作用，将IES无法全额消纳的低碳排风光电能分配到其他时段，间接地完成对低碳能源的存储与再分配。
1.1.1 可控负荷
工业负荷具有耗电量大、受产业类型影响大等特点，可通过改变自身生产计划、调整生产时间等措施，转移、削减部分用电负荷，进而响应系统调控[14]。根据文献[15]对东北地区几类具有典型行业差异性的工业负荷调控能力进行分析，构建其经济模型。商、民业负荷缘于其运营机制及占比原因，可调节容量较小，故忽略不计。
1）制造业可控负荷模型
某制造业企业四季典型日负荷曲线及冬季典型日负荷调整特性如图1所示。
图1 制造业企业四季典型日负荷曲线及冬季典型日负荷调整特性
Fig.1 Typical daily load curves of manufacture of general purpose machinery in different seasons and typical daily load adjustment characteristics in winter
机械制造业（Manufacture of general purpose Machinery, MM）企业用电有明显的上升-下降趋势，在工作周期内一般保持长时间高/低用电量，在日内工作时间结束后，用电量迅速降低。企业可调整部分日间作业的负荷转移至夜间，以贴近风电波动情况。该行业所代表工业负荷用电调控形式为连续的中时段（2～3h）用电负荷整段平移，实现提前或推迟用电生产。
2）造纸业可控负荷模型
某造纸业企业四季典型日负荷曲线及冬季典型日负荷调整特性如图2所示。
造纸行业（Manufacture of Paper, MP）用电时段较为集中，由于行业生产设备工作特性，波峰波谷均在短时间内连续出现。该行业属稳定负荷用电行业，主要用电设备不允许停电，但可根据生产计划改变工作时间，例如提前/延长工作时间等。以造纸业为代表的工业负荷用电调控形式为短时（0～1h）调整，通过提前或者延迟用电生产，小幅调整用电状态。
图2 造纸业企业四季典型日负荷曲线及冬季典型日负荷调整特性
Fig.2 Typical daily load curves of manufacture of paper in different seasons and typical daily load adjustment characteristics in winter
3）农副产品加工业负荷模型
某农副产品加工业企业四季典型日负荷曲线及冬季典型日负荷调整特性如图3所示。
对于农副产品加工业（Agricultural Product processing industry, AP）等以调温为主的用电行业，具有用电时间短、高耗电特征。与流水线生产企业不同，电转热用电负荷作为可控负荷可调节空间较大，能够通过温度的合理设置来避开高峰用电或者降低用电高峰，从而达到削峰避峰的效果。以农副产品加工业为代表的工业负荷用电调控形式为中时段内（1～3h）分段转移，将部分尖峰负荷适时分配从而调整用电状态。
图3 农副产品加工业企业四季典型日负荷曲线及冬季典型日负荷调整特性
Fig.3 Typical daily load curve of agricultural product processing industry in different seasons and typical daily load adjustment characteristics in winter
4）冶金业负荷模型
某冶金业企业四季典型日负荷曲线及冬季典型日负荷调整特性如图4所示。
图4 冶金业企业四季典型日负荷曲线及冬季典型日负荷调整特性
Fig.4 Typical daily load curve of smelting of metals in different seasons and typical daily load adjustment characteristics in winter
冶金工业（Smelting ofMetals, SM）用电负荷波动较大，在24h内多次出现短暂的用电高峰，以此类企业为代表工业类型调整局限小、可控性较大，能够接受用电中断调控。以冶金业为代表的工业负荷用电调控形式为短时（0～1h）调整，通过接受电网直接调控做出中断用电调节。
对四类典型工业负荷建立调控经济模型。
（1）
（2）
式中，CMM、CMP、CAP、CSM分别为制造业、造纸业、农副产品加工业、冶金业负荷调控总费用；
、
、
、
为四类工业负荷参与调控的补偿价格；PtMM、PtMP、PtAP、PtSM为四类工业负荷在t时段参与调控的功率；
为四类工业负荷t时段参与调控的功率；
、
分别为四类工业负荷t时段参与调控功率上、下限。
1.1.2 电/热储能
目前IES中所广泛使用的储电装置（Battery Energy Storage, BES）有超级电容和电池储能等，储热装置（Thermal Energy Storage, TES）包括水蓄热、相变蓄热等[16-17]。电/热储能运行过程中均可动态吸收能量并适时释放，平抑风光出力的波动性，间接扩大IES消纳可再生能源的能力，在满足电、热负荷需求的同时缓解电源发电、供热压力。对电/热储能响应特性及约束建立统一的模型为
（3）
（4）
（5）
（6）
（7）
（8）
式中，
为第e种储能设备t时段储能容量；Emax、Emin分别为储能设备容量上、下限；
、
分别为第e种储能设备t时段充、放能功率；
、
为储能设备充能功率上、下限；
、
分别为储能设备供能功率上、下限；
、
分别为第e种储能设备充、放能效率；δtESS,ca、δtESS,da表示储能充、放能状态，取0时为非工作状态，取1时为工作状态；T为总运行时长；nD为储能数量；CESS为储能设备充/放能调控费用。
通过上述经济模型描述IES中灵活性资源在系统调控下参与运行的成本费用，其中工业可控负荷调控成本主要来自对负荷生产用电的转移、削减成本，储能成本主要源于系统对其充、放能调控成本。
作为城市能源架构的电-热网络在能源流动、转换及消耗过程中存在隐含的耦合关系[18]。两种网络的衔接环节主要由热电联产机组（Combined Heat and Power, CHP）与电制热设备（Electric Boiler, EB）组成，二者共同作为能源转换设备。本文CHP机组采用抽气式热电联产，电制热设备使用电锅炉。
1.2.1 热电联产机组
抽气式CHP机组相较于背压式CHP机组拥有更高灵活性，配合热网中储热装置，可进一步增强IES的热电调节能力。
（9）
（10）
（11）
（12）
式中，α、χ、γ为热电联产特征系数；g为热电联产机组编号；M为热电联产机组数；
为热电联产供电功率；
、
为热电联产供电最小/最大功率；
为热电联产供热功率；
、
分别为热电联产供热最小、最大功率；ΔPu、ΔPd分别为热电联产机组上、下爬坡出力；ag、bg、cg为热电联产供电成本系数；σCHP为固定进汽量下抽取单位蒸汽量时电功率的减少值；CCHP为热电联产机组供能成本。
1.2.2 电制热设备
电制热设备可以降低燃煤机组供热负担，通过消耗电能为热用户提供高品位热能，为风光电能消纳提供了一条额外途径，其模型为
（14）
（15）
（16）
式中，
为电制热设备h在t时刻的供热功率；
为电制热设备h在t时刻的电功率；
为电制热设备额定功率；εEB为电制热设备电热转换效率；ωEB为电制热设备电能转换成本系数；CEB为电制热设备电能转换成本。
供能网络包括电网、热网部分，其网架结构形式类似，均可为IES源-荷-储中的能量提供转换、流动的载体。
1.3.1 热网模型
供热网络主要由供水网络与回水网络构成，供回水网络中热能依托于热水或热蒸汽进行热源节点与热负荷节点间的转移。
传统热网模型包括水力模型与热力模型，温度与流量耦合关系强，且包含指数方程，模型较为复杂，计算难度大。本文采用文献[19]中的方法对热网模型计算进行简化，建立热源与热负荷管道流量的一元函数关系，简化后的热网模型为
（17）
式中，Ts、To分别为节点供水、回水温度；Ta为环境温度；mk为管道k流量，定义n1=m1/mk，n2=m2/mk,
,nk-1=mk-1/mk，nk=1；λk为表面传热系数；Lk为供热管道k长度；cw为水的比热容；
为t时刻节点i热负荷；nH为热网节点总数。
在获得热源节点供热出力后，即可在满足节点热负荷需求约束下求解热网中管道流量，获得热网热能流动结果。为便于描述热网中能量流动，设置热网各节点回水温度恒定，同一时段供热网络所有负荷节点所需热功率相同[19]。
1.3.2 电网模型
电网模型采用采用经典交流潮流模型，在极坐标下潮流方程为
（18）
式中，Pi、Qi分别为节点i注入有功和无功功率；Ui、Uj分别为节点i、j电压幅值；Gij、Bij分别为节点导纳矩阵中节点i、j对应的电导、电纳； qij为节点i、j间的电压相位差；n为电力系统节点数。
在能量传输和转换过程中，嵌入在各种能源中的碳依附于IES能量传输进行转移。随着能量形式的转换，碳排放也随之在不同能源系统中流动。由于网络中各节点所消耗的能量可以追溯到各个电源[20]，相应的碳排放也可以追溯到各电源。本文参考文献[21]建立碳排放流动拓扑模型，直观呈现碳排放从能源产生和转化方累积到需求方的过程。
流经每条线路的碳排放量与线路潮流相关，支路碳排放强度与功率流入节点碳排放强度相等。
（19）
（20）
式中，ΓiN为节点i碳排放强度；
为与节点i相连支路的碳排放强度；PiN为节点i有功功率；
为支路ij传输功率；SiN为节点i碳排放流量；
为支路碳排放流量，表示由节点i流经节点j的碳排放流量。
每个节点的碳排放强度由连接到该节点的输电线路和发电机的有功功率注入量决定。
（21）
式中，PgG为电源g输出功率；ΓgG为电源g碳排放强度；nG、nL分别为连接节点的电源、支路数。
系统碳排放总量遵循碳排放守恒定律，即源-荷侧碳排放总量相等，支路损耗产生的碳排放不计入节点碳排放量。
（22）
（23）
式中，SNODE为节点碳排放总量；SLOSS为损耗产生的碳排放总量；SCHP、SGRID、SWT、SPT分别为IES中热电联产机组、上级电网、风电及光伏电源碳排放总量；nN为总节点数。
供热网络由热源、热负荷和供热管道组成。热量由热源产生，在供热管道[22]中通过水循环输送给热负荷。热网碳排放流动依附于供热管道中供热介质的流动，同样遵循碳排放量守恒定律，表述形式与电网类似。
考虑电-热互联系统中灵活性资源的调控特性，在现有网络架构基础上分析灵活性资源参与运行对改善IES效益的影响。以冬季供暖期内IES的经济运行成本、风光消纳率、碳排放量为目标对IES中灵活性资源参与调控效果进行评估。
1）经济运行成本
（24）
（25）
式中，CINV为折算到日均的设备投资成本；COM为各类设备运维成本；cLOSS为电热网络损耗成本；Cgrid为购电成本；
为热网损耗功率；PLOSS为电网损耗功率；zh、zg分别为单位热网、电网网损成本；ΔTk,t为供热管道k在t时刻首末端温度差；Rs,i为与节点i相连支路阻抗；v为热电联产机组、电制热设备、分布式电源及电/热储能设备；K为供热支路总数；W为各类设备总数；
为设备v运维成本系数；
为各类设备在t时刻的功率；Ye为第e种设备单位容量建设成本；Be为第e种设备的建设容量；r为利率；xe为第e种设备的使用寿命。
2）风光消纳率
（28）
式中，
为t时段所使用的分布式电源输出功率；
为t时段各分布式电源所发全部功率。
3）碳排放量
（29）
式中，ρG为CHP机组供电碳排放系数；ρgrid为上级电网供电碳排放系数；Ptgrid为t时刻区域电网向上级电网购电功率；GEN为IES中电源数。
该协调运行模型中主要考虑各类灵活性资源响应特性及设备运行约束，对于IES整体，不允许向上级电网倒送功率，且需满足系统功率及电压约束。
1）系统功率平衡约束
（31）
式中，
为t时刻分布式电源i的输出功率；Ptsystem为t时刻区域电网用电功率；
为t时刻储电设备e的充/放能功率；
为t时刻储热设备e的充/放能功率；
为首节点为i的电网支路t时刻网损；
为热网支路k在t时刻网损；nDG、nCHP、nBES、nEB、nTES、nH分别为分布式电源、CHP机组、电储能、电制热、热储能、热网负荷节点总数。
2）节点电压约束
（32）
式中，Ui,max、Ui,min分别为i节点电压的上、下限。
3）支路功率传输约束
（33）
式中，
、
、
分别为支路ij传输功率及传输功率上限、下限。
本文对低碳环境下电热互联IES中各类资源运行进行优化，优化过程中需要考虑各类资源不同运行特性，同时求解各类资源协同作用下IES在经济环保等多方面上的表现，因而该优化过程是一个多目标、多维度的优化问题。随着运行场景的改变、参与调控资源的增多，需要在保持解的多样性的同时仍具有较高的求解效率[23]，本文采用自适应非支配性排序遗传算法进行求解，相关参数设置见文献[24]，主要优化运行求解流程如图5所示。
图5 优化运行求解流程
Fig.5 Process of optimize operation
本文以改进的IEEE 33节点配电系统与45节点热网系统耦合IES为例进行分析，区域综合能源网架结构如图6所示。配电系统支路参数及负荷分布情况参见IEEE 33节点配电网标准模型[25]，并将各节点负荷扩大1.2倍。热网管道长度、表面传热系数等参数见参考文献[26]，热网总负荷为2.78MW。区域典型日电力负荷及风光出力曲线如图7所示。区域热网负荷及环境温度如图8所示，峰谷平期购电电价见表1。
图6 区域综合能源系统结构
Fig.6 Integrated energy system structure
图7 典型日电负荷及风光时序出力
Fig.7 The time-varying model of power load, wind power and photovoltaic power in typical days
图8 热负荷及环境温度
Fig.8 Heat load and ambient temperature
表1 电网分时电价
Tab.1 Time-of-use electricity price
时段电价/[元/(kW·h)] 低谷时段24:00～7:000.4 平常时段8:00～10:0016:00～18:0022:00～23:000.8 高峰时段11:00～15:0019:00～21:001.2
电、热网络间通过热电联产机组与电制热设备相耦合，分别安装于1、22、32节点处，各设备参数见表2[27]。风电及光伏电源接入节点为17、32及22，将电储能作为风光电源补充部分安装于相应节点处。热储能作为热网灵活性资源补充，分别安装于热电联产机组及电制热设备处。电/热储能相关参数见表3，储能设备的使用年限为10年，年利率为0.067[28]。在该区域中选取四类典型工业企业（制造业、造纸业、农副产品加工业及冶金业）提供可控负荷参与调控，分别位于18、17、33及25节点。其中对用电负荷进行转移调整，调控产生的转移用电成本为0.26元/kW，对用电负荷进行甩负荷操作成本为0.4元/kW[29]。单位电网、热网网损成本分别为5.6元/kW、3.8元/kW[30]。各设备运维成本见表4[31]，各供电单元碳排放强度见表5[32]。
表2 能源转换设备参数
Tab.2 Parameters of energy conversion equipment
参数数值 CHP供电功率/MW0.3～1.3 供热功率/MW0.4～1.4 α0.01 χ0.75 γ0.15 ag/[元/(MW·h)]0.004 4 bg/[元/(MW·h)]13.29 cg/[元/(MW·h)]39 爬坡率/(MW·h)0.4 σCHP0.15 EB1最大供热功率/MW1 转换系数1 EB2最大供热功率/MW1.6 转换系数1
表3 储能设备参数
Tab.3 Parameters of energy storage equipment
额定功率/kW额定容量/kW充/放能效率容量配置成本/（元/kW） 电储能25010000.95/0.95600 热储能50015000.85/0.9450
表4 设备运维成本
Tab.4 Equipment operation and maintenance cost
设备CHPPWPTBSSTESEB 运维成本/(元/kW)0.040.020.0190.020.0110.026
表5 供电单元碳排放强度
Tab.5 Carbon emission intensity of power supply unit
供电单元CO2排放强度/[t/(MW·h)] 热电联产0.85 上级电网0.5 风光电源0
分析灵活性资源对IES在经济运行、风光消纳及低碳运行方面的改善作用，设置三个不同场景进行对比分析，各场景中灵活资源多元化逐步扩展。
1）场景1：IES中无任何储能，由上级电网、热电联产机组、风光电源为电网系统供电，由热电联产机组、电制热设备为热网系统供热。
2）场景2：在场景1基础上，添加电/热储能单元，作为电/热系统供能的补充，均发挥存储系统能量作用。
3）场景3：在场景2基础上，将工业可控负荷作为可控资源参与调控，与电/热储能协调共同参与IES运行优化。
4.3.1 不同配置场景分析
通过电-热互联系统协调运行模型优化得到不同场景下区域IES的Pareto运行方案解集，如图9所示，对比分析不同场景中各类资源对IES综合效益的影响。结果表明，各效益指标之间存在相互制约的关系。由于IES内部风光电源供电时碳排放强度低于其他类型的供电单元，风光消纳率越高，意味着低碳排能源占比越高，碳排放量越低。随着系统发电量的增加以及调控资源量的提升，经济成本增加，风光消纳率呈上升趋势，碳排放量也随之降低。表明电网可通过调控手段调动更多的灵活性资源参与运行，从而改善IES的风光消纳率。选取各场景中风光消纳率最高方案作为典型方案进行分析，结果见表6。
图9 各场景多目标优化Pareto解集
Fig.9 Multi-objective optimization Pareto solution set in different scenes
表6 各场景典型优化方案结果
Tab.6 Results of typical optimization schemes in different scenes
场景经济成本/万元风光消纳率(%)碳排放量/t 16.8090.9440.35 27.5796.1338.32 37.3598.8135.99
从表6中可以看出，场景2中电、热储能的接入使经济成本指标比场景1提高约11.3%，风光消纳率提高了5.2%，而碳排放量下降了5.0%。这是由于电、热储能的安装成本及其参与运行所需运维费用的增加所导致，同时也降低了传统高碳排供电单元的供电负担。缘于电热储能的接入，传统电网被动接纳风光出力的现象有所改善，通过对储能的调节使得IES的风光消纳率、碳排放量均有所改善。
而在场景3中，大型工业负荷作为灵活资源参与调控后，各项效益指标比场景2均有明显提升。其中，经济成本降低了2.9%，风光消纳率提高了2.7%，碳排放量降低了6.1%。相对于场景2，场景3在工业负荷调控环节需付出用电调控成本，但用电负荷也因转移至低电价区间使得购电耗费降低。相应地，IES中的灵活性资源得到了有效扩充，从而使风光消纳率、碳排放指标获得进一步改善。
选取场景2、场景3中典型方案深入分析24h源-荷-储波动时序特性，结果如图10及图11所示。在场景3中选取具有代表性的四类工业负荷，调控前后的负荷特性如图11c所示。
图10 场景2优化前后24h源储功率波动
Fig.10 24h source storage power fluctuation before and after optimization in scene 2
图11 场景3优化前后24h源储荷功率波动
Fig.11 24h source storage power fluctuation before and after optimization in scene 3
图10a及图11a中，优化前典型日负荷曲线高峰期位于7:00～11:00、16:00～20:00时段，低谷期位于1:00～3:00时段，峰谷差为3.3MW，此时夜间0:00～5:00为主要的弃风时段。由于IES中电源最小出力为供电机组出力与风光出力之和，而热电联产机组受夜间供热限制，导致弃风时段现有用电负荷无法满足风电消纳需求。经过场景2、场景3中典型运行方案优化后，电网峰谷差分别降低了2.4%、17%。两典型场景中电储能在用电高峰及弃风时段运行状态类似，其中场景2电储能运行时维持较长时间的充/放电状态，为负荷高峰期持续供给弃风期存储的电能；而场景3中电储能因配合工业可控负荷调控，充/放电转换更为频繁，体现灵活性资源协同作用下对IES综合效益的改善。
在两典型场景中，电制热设备作为热电联产机组的供热补充，虽然为热网提供的热功率不同，但均承担热网部分的供热职能，同时为电网弃电时段风电能源消纳提供了一条有效途径。
由图11c可知，场景3中参与协调运行的四类工业负荷为响应系统调控做出了相应的调整。其中机械制造企业将位于9:00～15:00、17:00～19:00时段的部分用电负荷分别转移至1:00～7:00、22:00～24:00时段；造纸企业将位于13:00～15:00时段的用电工序提前至4:00～6:00时段；农副食品加工企业将位于15:00～21:00时段的负荷重新分配至17:00～23:00时段，并将位于2:00～9:00时段的用电工序提前至1:00～7:00时段；冶金企业对位于7:00、9:00、15:00～19:00时段的负荷进行了不同程度的削减。最终相较场景1无灵活性资源调节情况下风光消纳率由90.9%提升至98.8%。各类灵活性资源的协调运行结果表明，工业可控负荷相较于储能单元，其可控容量更大，能够在其可调节区间内发挥更为明显的调控效果。但工业负荷在提供部分可控资源时，会受到自身用电工序及生产特性的影响，其灵活调节范围存在一定的限制，这在场景2、3的典型优化方案中均有所体现。增加储能后，场景2的风光消纳率相较于场景1有显著上升，场景3增加可控负荷资源后，风光消纳率在场景2的基础上得到进一步提升。
结果表明，荷-储侧灵活性资源的参与使负荷时序波动更加贴合风光能源的波动情况，并且在运行过程中能够根据IES对风光消纳及削峰填谷的需求对自身用电状态进行灵活的调整。在此过程中，储能的主要作用为存储弃风弃光较高时段系统难以消纳的电能，并在用能高峰时段供给能量。相对而言，由大型工业用户提供的可控负荷资源可在一定范围内调整自身用电时段，以配合系统的移峰需求，并在一定程度上促进风光能源消纳。其中，以机械制造企业为代表的工业负荷具有大量的可转移可调节资源，在系统消纳风光、削峰填谷方面具有更大的潜力与优势。
4.3.2 碳排放流动拓扑分析
为对灵活性资源参与IES运行后对IES碳排放改善效果做进一步分析，对场景3中电热互联IES典型时段碳排放拓扑进行分析。
（1）时段1：IES电负荷处于较高水平但热负荷需求较低时，选取的典型时段为12:00～13:00。此时风力发电位于低谷期，光伏发电位于高峰期，热网由CHP机组、电制热设备完成供热。
（2）时段2：风光能源发电弃电时段，当IES产生弃电时电负荷往往处于低谷期，选取的代表时段为3:00～4:00。此时电储能对风光发电进行存储，热储能配合CHP机组下调供热功率，电制热设备作为热网供热补充。
（3）时段3：在夜间电、热负载高峰期，选取的代表时段为19:00～20:00，此时系统开始进入风电发电时段，在完成对风电资源的全额消纳的同时，电储能进行有序放电，补充IES电负荷需求。同时CHP机组供热增加，热储能1开始为低电负荷时段IES供热需求进行储热。
各典型时段下碳排放拓扑如图12、图13所示，对应时段IES各负荷节点的碳排放强度如图14所示。
由图12a可得，在12:00～13:00时段IES由CHP机组、风光电源及上级电网共同作为主要供电单元，同时电储能将夜间存储的风电供给电网部分。且该时段以制造业企业为代表的工业可控负荷进行了部分转移，降低其位于该时段的用电量，从而令IES中更多受端用户获得清洁能源供能，此时IES中各节点碳排放强度如图14所示，以风电、光伏为主的低碳能源有效地降低了其供电区域内电负荷节点的碳排放强度。由于此时段电网负荷较大、热网负荷较小，热网负荷由CHP机组、热储能2及光伏发电所转换的热功率即可满足热网负荷需求。
图12 典型时段电网碳排放流动拓扑结果
Fig.12 Results of grid carbon flow topology in different periods
图13 不同时段热网碳流动拓扑结果
Fig.13 Results of carbon flow topology of heating network in different periods
图14 典型时段电网节点碳排放强度
Fig.14 Carbon emission intensity of grid nodes in different periods
在3:00～4:00时段，IES自身CHP机组供电量及风电机组发电量已可满足电网供电需求，无需向上级电网购电，并且由于CHP机组供热量限制，IES出现风电消纳困难，电储能开始对IES无法消纳的电能进行存储，低碳排风电开始大面积渗透进入电网。而由图13b可知电制热设备通过消纳清洁风电能源从而将低碳排电能传输至热网，能够有效利用低碳风能制热。且通过机械制造业、造纸业等企业负荷生产调整，也为风电消纳提供了有效通道，缓解风电高发期间所带来的弃风问题。从图14中可以看出，此时由于风电大面积渗透，更多电负荷节点的碳排放强度有所降低，同时也降低了热网中部分热负荷节点的碳排放强度。
在夜间19:00～20:00时段，电、热系统均处于高负荷需求期，IES在实现该时段对风电的全额消纳的同时，仍需由上级电网供电。此时电储能开始向IES供应已存储的低碳电能，热网情形与12:00～13:00时段类似，但由于热负荷需求增长，热储能2开始供热从而缓解热源压力。工业负荷通过改变自身高峰负荷用电时段及进行甩负荷操作响应系统削峰需求，同时促进对清洁能源的消纳利用。在灵活性资源协同作用下，由图14a可以看出该时段部分电负荷节点碳排放强度有所降低，而热负荷节点碳排放强度维持在较高水平。
从典型时段碳流动拓扑分析可知，该区域IES通过电储能完成了对风光能源的存储，并将这部分能源适时地供给系统，完成低碳能源的再分配。由于东北地区热负荷需求较大，热储能主要完成的是对高耗能高碳排热电联产机组供热能源的存储，并配合电制热设备对电转化的热能进行存储。工业可控负荷资源虽然不能直接存储清洁能源，但其通过调整自身生产工序，将原位于高负荷水平期的用电生产转移至低负荷水平期，促进风光能源消纳，减少IES的碳排放。同时，工业用户在高负荷水平期转移削减的负荷资源可以使风光能源的碳排拓扑延伸，并渗透至系统更多的负荷节点处，从而进一步降低节点碳排放强度。
考虑低碳环境下灵活性资源参与的电热综合能源系统协调优化，得出以下结论：
1）综合能源系统的灵活性资源可以描述电/热储能及工业可控负荷参与系统调控的特性，便于根据灵活性资源因类施策，挖掘多元化资源消纳风光及低碳排放的潜力。
2）采用的优化运行模型通过自适应非支配性排序遗传算法优化灵活性资源运行方案，通过其协同作用改善IES在经济性、风光消纳率及碳排放方面的效益，在可行域内提供合理多样的优化方案，并采用碳排放流动模型对结果进行进一步分析。结果表明灵活性资源参与电热综合能源系统调控，能够缓解系统能源供需压力，满足IES的低碳需求。
3）灵活性资源中电储能主要完成对清洁能源的存储与再分配，热储能完成对热网富余热能的存贮，增加CHP机组出力的可调节空间。工业可控负荷通过调整用电时序，增进对低碳能源的消纳，在负荷高峰期响应系统要求参与调峰，减少对高耗能能源的使用。同时规模化用电调整可促进低碳能源在IES内的渗透，利于实现低碳环境下系统的经济运行。
参考文献
[1] 余晓丹, 徐宪东, 陈硕翼, 等. 综合能源系统与能源互联网简述[J]. 电工技术学报, 2016, 31(1): 1-13.
Yu Xiaodan, Xu Xiandong, Chen Shuoyi, et al. A brief review to integrated energy system and energy internet[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 1-13.
[2] 张大海, 贠韫韵, 王小君, 等. 考虑广义储能及光热电站的电热气互联综合能源系统经济调度[J]. 电力系统自动化, 2021, 45(19): 33-42.
Zhang Dahai, Yun Yunyun, Wang Xiaojun, et al.Economic dispatch of integrated electricity-heat-gas energy system considering generalized energy storage and concentrating solar power plant[J]. Automation of Electric Power Systems, 2021, 45(19): 33-42.
[3] 张涛, 郭玥彤, 李逸鸿, 等. 计及电气热综合需求响应的区域综合能源系统优化调度[J]. 电力系统保护与控制, 2021, 49(1): 52-61.
Zhang Tao, Guo Yuetong, Li Yihong, et al. Optimization scheduling of regional integrated energy systems based on electric-thermal-gas integrated demand response[J]. Power System Protection and Control, 2021, 49(1): 52-61.
[4] 王典, 潘超, 鹿丽, 等. 计及风-光时序相关特性的源-储并网阶段式规划策略[J]. 东北电力大学学报, 2020, 40(4): 1-10.
Wang Dian, Pan Chao, Lu Li, et al. Source-storage staged planning strategy considering wind-photovoltaic timing related characteristics[J]. Journal of Northeast Electric Power University, 2020, 40(4): 1-10.
[5] Giannitrapani A, Paoletti S, Vicino A, et al. Optimal allocation of energy storage systems for voltage control in LV distribution networks[J]. IEEE Transactions on Smart Grid, 2017, 8(6): 2859-2870.
[6] 姜海洋, 杜尔顺, 朱桂萍, 等. 面向高比例可再生能源电力系统的季节性储能综述与展望[J]. 电力系统自动化, 2020, 44(19): 194-207.
Jiang Haiyang, Du Ershun, Zhu Guiping, et al. Review and prospect of seasonal energy storage for power system with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2020, 44(19): 194-207.
[7] Xiao Hao, Pei Wei, Dong Zuomin, et al. Bi-level planning for integrated energy systems incorporating demand response and energy storage under uncertain environments using novel metamodel[J]. CSEE Journal of Power and Energy Systems, 2018, 4(2): 155-167.
[8] 滕云, 孙鹏, 罗桓桓, 等. 计及电热混合储能的多源微网自治优化运行模型[J]. 中国电机工程学报, 2019, 39(18): 5316-5324, 5578.
Teng Yun, Sun Peng, Luo Huanhuan, et al. Autonomous optimization operation model for multi-source microgrid considering electrothermal hybrid energy storage[J]. Proceedings of the CSEE, 2019, 39(18): 5316-5324, 5578.
[9] 张雨曼, 刘学智, 严正, 等. 光伏-储能-热电联产综合能源系统分解协调优化运行研究[J]. 电工技术学报, 2020, 35(11): 2372-2386.
Zhang Yuman, Liu Xuezhi, Yan Zheng, et al. Decomposition-coordination based optimization for PV-BESS-CHP integrated energy systems[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2372-2386.
[10] 李振坤, 岳美, 胡荣, 等. 计及分布式电源与可平移负荷的变电站优化规划[J]. 中国电机工程学报, 2016, 36(18): 4883-4893, 5112.
Li Zhenkun, Yue Mei, Hu Rong, et al. Optimal planning of substation considering distributed generation and shiftable loads[J]. Proceedings of the CSEE, 2016, 36(18): 4883-4893, 5112.
[11] 孙建军, 张世泽, 曾梦迪, 等. 考虑分时电价的主动配电网柔性负荷多目标优化控制[J]. 电工技术学报, 2018, 33(2): 401-412.
Sun Jianjun, Zhang Shize, Zeng Mengdi, et al. Multi-objective optimal control for flexible load in active distribution network considering time-of-use tariff[J]. Transactions of China Electrotechnical Society, 2018, 33(2): 401-412.
[12] 彭春华, 刘兵, 左丽霞, 等. 计及分类需求响应的孤岛微网并行多目标优化调度[J]. 电力系统保护与控制, 2019, 47(5): 60-68.
Peng Chunhua, Liu Bing, Zuo Lixia, et al. Parallel multi-objective optimal dispatch of island micro-grid considering load classified demand response[J]. Power System Protection and Control, 2019, 47(5): 60-68.
[13] 王昀, 谢海鹏, 孙啸天, 等. 计及激励型综合需求响应的电-热综合能源系统日前经济调度[J]. 电工技术学报, 2021, 36(9): 1926-1934.
Wang Yun, Xie Haipeng, Sun Xiaotian, et al. Day-ahead economic dispatch for electricity-heating integrated energy system considering incentive integrated demand response[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1926-1934.
[14] 许健, 刘念, 于雷, 等. 计及重要负荷的工业光伏微电网储能优化配置[J]. 电力系统保护与控制, 2016, 44(9): 29-37.
Xu Jian, Liu Nian, Yu Lei, et al. Optimal allocation of energy storage system of PV microgrid for industries considering important load[J]. Power System Protection and Control, 2016, 44(9): 29-37.
[15] 国网吉林经研院2020年清洁能源大省战略下灵活性负荷技术特性研究[R]. 长春: 国家电网吉林电力经济技术研究院, 2021.
[16] 陈亚爱, 林演康, 王赛, 等. 基于滤波分配法的混合储能优化控制策略[J]. 电工技术学报, 2020, 35(19): 4009-4018.
Chen Yaai, Lin Yankang, Wang Sai, et al. Optimal control strategy of hybrid energy storage based on filter allocation method[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4009-4018.
[17] Tahir M F, Chen Haoyong, Mehmood K, et al. Integrated energy system modeling of china for 2020 by incorporating demand response, heat pump and thermal storage[J]. IEEE Access, 2019, 7: 40095-40108.
[18] 周长城, 马溪原, 郭祚刚, 等. 面向工程应用的用户级综合能源系统规划[J]. 电工技术学报, 2020, 35(13): 2843-2854.
Zhou Changcheng, Ma Xiyuan, Guo zuogang, et al. User-level integrated energy system planning for engineering applications[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2843-2854.
[19] 孙国强, 王文学, 吴奕, 等. 辐射型电–热互联综合能源系统快速潮流计算方法[J]. 中国电机工程学报, 2020, 40(13): 4131-4142.
Sun Guoqiang, Wang Wenxue, Wu Yi, et al. Fast power flow calculation method for radiant electric-thermal interconnected integrated energy system[J]. Proceedings of the CSEE, 2020, 40(13): 4131-4142.
[20] Rosen M A, Kleme J. Allocating carbon dioxide emissions from cogeneration systems: descriptions of selected output-based methods[J]. Clean. Prod, 2008, 16(2): 171-177.
[21] Cheng Yaohua, Zhang Ning, Wang Yi, et al. Modeling carbon emission flow in multiple energy systems[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 3562-3574.
[22] Huang Xianzheng, Xu Zhaofeng, Sun Yong, et al. Heat and power load dispatching considering energy storage of district heating system and electric boilers[J]. Journal of Modern Power Systems and Clean Energy, 2018, 6(5): 992-1003.
[23] Bramerdorfer G. Multiobjective electric machine optimization for highest reliability demands[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(2): 71-78.
[24] 王嵘冰, 徐红艳, 郭军. 自适应的非支配排序遗传算法[J]. 控制与决策, 2018, 33(12): 2191-2196.
Wang Rongbing, Xu Hongyan, Guo Jun. Adaptive non-dominated sorting genetic algorithm [J]. Control and Decision, 2018, 33(12): 2191-2196.
[25] 张绍平. 分布式电源在配电网中的优化配置研究[D]. 南昌: 南昌大学, 2021.
[26] 张义志. 考虑多能网络的综合能源系统最优能流计算和恢复重构方法研究[D]. 北京: 北京交通大学, 2018.
[27] 崔杨, 陈志, 严干贵, 等. 基于含储热热电联产机组与电锅炉的弃风消纳协调调度模型[J]. 中国电机工程学报, 2016, 36(15): 4072-4081.
Cui Yang, Chen Zhi, Yan Gangui, et al. Coordinated wind power accommodating dispatch model based on electric boiler and CHP with thermal energy storage[J]. Proceedings of the CSEE, 2016, 36(15): 4072- 4081.
[28] 许周, 孙永辉, 谢东亮, 等. 计及电/热柔性负荷的区域综合能源系统储能优化配置[J]. 电力系统自动化, 2020, 44(2): 53-59.
Xu Zhou, Sun Yonghui, Xie Dongliang, et al. Optimal configuration of energy storage for integrated region energy system considering power/thermal flexible load[J]. Automation of Electric Power Systems, 2020, 44(2): 53-59.
[29] 陈寒, 唐忠, 鲁家阳, 等. 基于CVaR量化不确定性的微电网优化调度研究[J]. 电力系统保护与控制, 2021, 49(5): 105-115.
Chen Han, Tang Zhong, Lu Jiayang, et al. Research on optimal dispatch of a microgrid based on CVaR quantitative uncertainty[J]. Power System Protection and Control, 2021, 49(5): 105-115.
[30] 黄伟, 柳思岐, 叶波. 考虑源-荷互动的园区综合能源系统站-网协同优化[J]. 电力系统自动化, 2020, 44(14): 44-53.
Huang Wei, Liu Siqi, Ye Bo. Station-network cooperative optimization of integrated energy system for park considering source-load interaction[J]. Automation of Electric Power Systems, 2020, 44(14): 44-53.
[31] 刁涵彬, 李培强, 王继飞, 等. 考虑电/热储能互补协调的综合能源系统优化调度[J]. 电工技术学报, 2020, 35(21): 4532-4543.
Diao Hanbin, Li Peiqiang, Wang Jifei, et al. Optimal dispatch of integrated energy system considering complementary coordination of electric/thermal energy storage[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4532-4543.
[32] Cheng Yaohua, Zhang Ning, Zhang Baosen, et al. Low-carbon operation of multiple energy systems based on energy-carbon integrated prices[J]. IEEE Transactions on Smart Grid, 2020, 11(2): 1307-1318.
Abstract The modern energy system is in the low-carbon transition stage. However, due to the randomness and volatility of renewable energy, it is difficult to integrate into the grid and the low-carbon process is limited. Integrated Energy Systems (IES) focus on meeting the demand for interaction between supply and demand. In recent years, increasingly resources on the load and energy storage side have begun to participate in the low-carbon operation of the system, but the resource synergy advantage has not been fully utilized, and there is a lack of analysis on the flow and transfer of carbon emissions in IES. To solve these problems, this paper proposes a low carbon optimization model of electric and heating integrated energy system considering the participation of flexible resources, analyzes the improvement effect of multiple flexible resources response on the comprehensive benefits of the system, and visually presents the flow process of electric thermal carbon emissions topologically, promoting the efficient consumption of low carbon energy in IES.
First, analyze the industrial load regulation mechanism of differentiated layout in the regional power grid, and establish the model of cogeneration unit, electric heating equipment, electric/thermal energy storage and controllable load in the electric-thermal coupling system based on the urban energy grid. Then, a comprehensive benefit model is built with economic cost, wind and solar usage and carbon emissions as indicators, and a carbon emission flow topology is proposed to describe the carbon emission flow information attached to the energy flow. Finally, the electric-thermal coupling energy system is simulated to obtain the regulatory results of flexible resources and carbon emission flow information in different resource allocation scenarios. In this model, the improvement effect of flexible resource participation response on the comprehensive benefits of the system is analyzed from the perspective of economy and low carbon, and a more comprehensive evaluation model is formed by visualizing the flow process of electric and thermal carbon emissions through topology.
In the IEEE 33 node distribution network and 45 node heat network coupling system, different scenarios are divided according to the flexible resource composition for simulation. The results show that under the collaborative regulation of resources on the load storage side, compared with the scenario without flexible resources, the economic cost is increased by about 8.1%, the wind and solar usage rate is increased by 7.9%, and the carbon emissions are reduced by 10.8%. Through the reasonable conversion of energy storage operation mode, the power supply burden of traditional high carbon emission power supply units is reduced. The participation of industrial controllable loads has effectively expanded the flexible resources, reducing the peak valley difference by 17%, further promoting the consumption of solar energy and reducing carbon emissions. The topology analysis of carbon flow in typical periods of the operation cycle shows that the carbon emission topology of wind and solar energy in IES can be extended to more load nodes in the system through the storage and redistribution of low carbon and excess energy, and the reasonable electricity production transfer of industrial users, thus reducing the node carbon emission intensity and the total carbon emissions in the operation cycle.
The following conclusions can be drawn from the simulation analysis: (1) The flexible resource model can describe the adjustment characteristics of energy storage and the industry specific industrial load regulation characteristics, and can make policy based on the resource type. (2) By optimizing the flexible resource operation scheme, the benefits of IES in terms of economy, wind and solar usage rate and carbon emissions can be improved, and diversified optimization schemes can be provided within feasible areas. The carbon emission flow model adopted can accurately describe the carbon emission flow process of IES in the operation cycle. (3) Through flexible resource control, it can promote the penetration of low-carbon energy in IES, reduce the use of energy-intensive energy, and help achieve the economic operation of the system in a low-carbon environment.
keywords：Integrated energy system, controllable load, electric/thermal energy storage, optimized operation, carbon emission flow topology
DOI:10.19595/j.cnki.1000-6753.tces.211725
中图分类号：TM732
国家重点研发计划重点专项（2016YFB0900100）和常规水电站结合抽蓄、光伏、风电、电化学储能联合开发研究（525687200009）资助。
收稿日期 2021-10-29
改稿日期 2022-01-21
潘 超 男，1981年生，副教授，博士，研究方向为电力系统稳定与分析。E-mail：31563018@qq.com
范宫博 男，1997年生，硕士研究生，研究方向为综合能源系统优化。E-mail：1820913741@qq.com（通信作者）
（编辑 赫 蕾）