图1 VPP系统架构
Fig.1 VPP system architecture
摘要 针对虚拟电厂多能耦合利用与碳减排问题，该文提出了一种含绝热压缩空气和两阶段电转气-碳捕集（P2G-CCS）协同运行的虚拟电厂优化调度模型。在分析绝热压缩空气储能热电联供原理基础上，将其与燃气机组共同接入含氢虚拟电厂，实现电热双能的灵活输出；针对系统碳排放量高、能源利用率低的问题，构建了电转气与燃气机组掺氢燃烧的两阶段氢能利用方式，并定量评估不同掺氢比例对系统经济性与碳减排效益的影响。在此基础上，引入差分进化策略以改进传统蛾焰优化算法进行求解，并通过算例验证了该文所提模型的有效性。研究结果表明，绝热压缩空气储能设备与两阶段P2G-CCS协同运行，可以显著降低虚拟电厂的能源成本与碳排放水平。
关键词：虚拟电厂 绝热压缩空气储能 电转气 掺氢 蛾焰优化算法
全球气候变化和环境问题日益严峻，世界各国均面临低碳经济转型的重大挑战。我国积极推动可再生能源发展，通过在各行业推行节能减排政策，为实现“双碳”目标提供有力保证。虚拟电厂（Virtual Power Plant, VPP）作为一种聚合可再生能源发电、储能系统与可控负荷的综合能源管理平台，具备高度的信息交互与协调控制能力，能够实现多种能源形式之间的深度耦合与灵活调配，为我国电力系统降本增效与碳减排提供了新的解决思路[1]。
碳捕集技术（Carbon Capture System, CCS）可以回收传统火力发电过程中排放的二氧化碳，实现碳减排[2]。对能源系统中的火电机组加装碳捕集设备，可减少二氧化碳排放，同时提高系统经济性[3]。文献[4]深入分析了碳捕集设备能流特性及其调峰特性，证明了碳捕集设备拥有更快的响应速度和更广泛的调节区间；文献[5]指出碳捕集技术存在高昂的存储和转换成本，在碳捕集电厂中引入电转气（Power to Gas, P2G）设备可有效解决这一问题；文献[6]将CCS与P2G耦合，实现捕获CO2合成燃气，在减少碳排放的同时提高了系统整体的经济性；文献[7]针对碳捕集设备高能耗、低经济性问题，通过储液罐将碳捕集与其他碳排放设备耦合，提升了含P2G-CCS综合能源系统的灵活性与经济性。
氢能作为一种灵活高效、清洁低碳的新能源，获得了广泛应用。在燃气发电过程中掺入固定比例的氢气燃烧可以有效地降低碳排放量，提高整体的经济性[8]。文献[9]对比了燃气机组与氢燃料机组的运行特性，发现当采用氢气作为燃料时，燃气轮机的热效率和能量转换效率都大幅提升；文献[10-11]建立了混氢天然气燃气机组的热力学模型，结果表明以混氢天然气为原料的燃气机组燃料消耗率可由41.5%降低至37.5%，且可同时降低经济成本4.31%。
先进的绝热压缩空气储能（Advanced Adiabatic Compressed Air Energy Storage, AA-CAES）在虚拟电厂的能源调度和供能优化中发挥着关键作用[12]。相比传统储能，压缩空气储能可以有效提升虚拟电厂运行的经济性和稳定性。文献[13]研究表明，当燃气轮机的发电容量为2 MW时，燃气轮机与压缩空气储能结合的混合能源系统可节约27.8%的成本；文献[14-15]将压缩空气储能设备纳入区域综合能源系统，利用其高储能密度的特点实现系统电力侧的削峰填谷，提升了可再生能源消纳率，降低了系统整体运行成本。
综上所述，尽管已有研究从多个角度探讨了碳捕集、氢能利用与储能系统在能源系统中的应用，但仍存在以下不足：一方面，当前的研究主要聚焦于能源系统中氢气回收利用与碳捕集设备的结合，较少关注氢气的直接掺烧应用，尤其缺乏对掺氢比例合理性及其对系统经济性与碳减排效益影响的定量分析；另一方面，绝热压缩空气储能具备电-热双输出能力和较高的储能密度，适用于虚拟电厂的灵活调度，但现有研究多局限于电力单能流场景，尚未充分挖掘其在热电多能流系统中与其他能源转换设备的协同潜力。此外，氢能驱动的虚拟电厂与压缩空气储能的协同优化机制仍相对薄弱，受限于系统建模复杂、调度优化难度高等挑战。
基于上述问题，本文提出一种融合AA-CAES的P2G-CCS耦合虚拟电厂系统架构，以提升系统碳减排能力和能源综合利用效率为目标，构建了涵盖AA-CAES、燃气轮机与燃气锅炉掺氢运行过程的多能流协同模型。结合阶梯式碳交易机制，建立了以碳交易成本、碳捕集成本、购气成本与弃风弃光成本之和最小为目标的优化调度模型。同时，为提高对高度非线性复杂模型的求解精度，本文在传统蛾焰优化（Moth Flame Optimization, MFO）算法的基础上引入差分进化（Differential Evolution, DE）策略，提升算法的全局寻优能力。通过算例分析验证了所构建模型在提升系统运行经济性与碳减排效能方面的可行性与有效性。
本文构建的VPP系统架构如图1所示。源侧包括风力发电、光伏发电、燃气轮机及燃气锅炉；荷侧包括电负荷和热负荷；储侧为AA-CAES。在供电端，系统优先利用风电和光伏资源满足电力需求。当可再生能源供应不足时，燃气轮机作为补充，确保电力供给的稳定性。在供热端，燃气锅炉作为灵活热源，协同满足热负荷需求。同时，为提高能源利用效率，燃气轮机在提供电力的过程中，通过余热回收向热负荷供应热能[16]。
电转气设备、碳捕集设备和AA-CAES储能设备作为虚拟电厂中的灵活资源，能够更有效地调节可再生能源的输出。此外，为进一步提高氢能的利用率，本文在传统P2G-CCS协同运行基础上，从P2G电解过程中抽取一定比例的氢气，直接供给燃气轮机和燃气锅炉使用。
AA-CAES由压缩单元、换热器、加热器、储气室、蓄热罐和膨胀单元组成[17]。当电能过盈时，催动空气压缩机将空气压缩，并储存于储气罐中；当电能不足时，则将储气罐中的高压空气释放至膨胀发电机进行发电。同时，压缩过程中产生的热量通过换热器储存于蓄热罐，并在膨胀过程中用于储气罐释放空气的预热。蓄热罐中的热量可用于协助满足系统热负荷。AA-CAES系统运行示意图如图2所示。
图1 VPP系统架构
Fig.1 VPP system architecture
图2 AA-CAES系统运行示意图
Fig.2 AA-CAES system operation diagram
1.1.1 AA-CAES压缩单元模型
压缩单元储电功率
和压缩过程产热功率
分别为
（1）
（2）
式中，
为
时刻压缩空气质量流速；
、
分别为空气与热媒（水）比热容；
、
分别为压缩效率与换热器效率；
为压缩单元入口气体温度；
为换热器入口气体温度；
为换热器出口气体温度；
为压缩压比；
为空气比热比。
1.1.2 AA-CAES膨胀单元模型
膨胀单元发电功率
为
（3）
膨胀单元耗热功率
为
（4）
式中，
为时刻膨胀空气质量流速；
、
分别为膨胀效率与加热器效率；
为膨胀单元入口气体温度；
为加热器入口气体温度；
为加热器出口气体温度；
为膨胀压比。
1.1.3 AA-CAES储气室模型
储气室气压状态可表示为
（5）
式中，
为时刻储气室气压；
为压缩气压转换系数；
为膨胀气压转换系数。
1.1.4 AA-CAES蓄热罐模型
蓄热罐热量状态可表示为
（6）
式中，
为时刻蓄热罐热量；
为时刻蓄热罐外供热功率；
为蓄热罐外供热能效。
将P2G过程划分为电解产氢（Power to H2, P2H）和甲烷化两阶段。P2H阶段一部分氢气送至燃气机组混掺燃烧；另一部分进入碳捕集设备，成功捕集的CO2经处理后作为碳源参与甲烷化过程。两阶段P2G-CCS系统运行示意图如图3所示。
图3 两阶段P2G-CCS系统运行示意图
Fig.3 Two-stage P2G-CCS system operation diagram
1.2.1 储液式CCS模型
碳捕集设备能耗
由固定能耗
和运行能耗
两部分组成[18]。
（7）
式中，
为时刻CCS成功处理的CO2量，其值由系统调度决定；
与
分别为时刻CCS成功处理的CO2甲烷化利用和封存的量；
为碳捕集能耗系数。
为降低碳捕集设备能耗，本文采用带烟气分流的CCS设备主动排放CO2，具体表达式为
（8）
式中，
与
分别为时刻燃气机组碳排放总量与碳捕集机组捕集的CO2量；
为时刻随烟气排放至大气的CO2量。
在碳捕集设备中引入储液装置可以实现能量时移并解耦CO2的吸收与再生过程，假定每富液体积与其吸收CO2体积呈现1:25线性关系[19]，有
（9）
式中，
、
和
、
分别为时刻贫、富液流入和流出体积；
为碳捕集处理效率，一般取0.8～0.95，本文设定为0.9；
为CO2密度。
1.2.2 两阶段P2G模型
第一阶段电解制氢及第二阶段氢转气模型[20]为
（10）
式中，
为时刻电解制氢功率；
为时刻电解功率；
为电解制氢效率；
为时刻甲烷化产气功率；
为天然气热值。
1.2.3 燃气掺氢模型[21]
掺氢燃气轮机模型为
（11）
式中，
、
分别为时刻燃气轮机输出电、热功率；
、
分别为燃气轮机电、热效率；
、
分别为时刻燃气轮机消耗天然气、氢气功率；
为时刻燃气轮机掺氢比；
为氢气热值。
掺氢燃气锅炉模型为
（12）
式中，
为时刻燃气锅炉输出热功率；
为燃气锅炉热效率；
、
分别为时刻燃气锅炉消耗天然气、氢气功率；
为时刻燃气锅炉掺氢比；
、
分别为天然气、氢气分子质量。
VPP实际碳排放量由两部分组成：①烟气直接排放的CO2量；②由于CCS设备效率不足，无法完全处理所有捕集的CO2而导致的碳排放量[22]。系统净碳排放量表达式为
（13）
式中，
为时刻系统净碳排放量；
为时刻CCS设备未成功处理的CO2量。
根据VPP的净碳排放量和碳排放初始配额
，可以求得实际参与碳交易市场的碳排放交易量
。
含补偿机制的阶梯碳交易成本为
（14）
式中，
为碳交易基础价格；
和
分别为碳交易增长系数与补偿系数；l为碳交易区间长度；
为时刻VPP系统碳交易成本，为正代表购买，为负代表卖出。
本文构建以风电机组、光伏机组、掺氢燃气机组输出的有功功率，AA-CAES储能系统的充放电与外供热功率，以及两阶段P2G-CCS耦合设备的运行功率作为优化变量，在考虑碳交易基础上以VPP成本最低为目标函数的优化调度模型。
本文以调度周期内VPP系统运行成本最低为目标函数，目标函数
表示为
（15）
式中，
为碳交易成本；
为碳捕集成本；
为购气成本；
为弃风弃光成本；
为单位碳捕集成本；
为单位惩罚成本；
为天然气单价；
为时刻外购天然气量；
、
分别为时刻弃风、弃光量。
1）电、热、气、氢多能流功率平衡约束
（16）
式中，
、
分别为时刻风电、光伏机组供电功率；
和
分别为t时刻负荷侧电、热需求；
为t时刻甲烷化耗氢功率。
2）风电机组、光伏机组供电约束
（17）
式中，
和
分别为t时刻风电机组、光伏机组预测功率。
3）燃气机组爬升及掺氢比约束
（18）
（19）
式中，
、
分别为燃气轮机爬升上、下限；
、
分别为燃气锅炉爬升上、下限。
4）CCS设备约束
碳捕集设备运行能耗不可超过能耗上限，同时储液设备在一个调度周期结束时，容量保持不变。
（20）
式中，
为碳捕集设备运行能耗上限。
5）AA-CAES储能设备约束
（21）
同时，为满足AA-CAES放电时热量需求，设置蓄热罐及外供热功率约束。
（22）
式中，
、
为工作状态系数，即不能同时工作；
、
和
、
分别为压缩和膨胀单元功率上、下限；
、
分别为储气室气压上、下限；
、
分别为蓄热罐热量上、下限；
为蓄热罐对外供热功率上限。
本文针对虚拟电厂低碳经济调度问题，建立了一个高度非线性的混合整数优化模型。由于模型复杂且易陷入局部最优，采用MFO算法作为求解器，并引入DE机制和柯西变异策略，提升算法的全局搜索能力。
MFO算法模拟飞蛾围绕火焰螺旋飞行的趋光行为，在搜索过程中兼顾全局与局部开发。飞蛾表示问题的候选解，其空间位置对应待优化变量。飞蛾和火的
个元素可分别用矩阵M和F表示，即
（23）
式中，n为蛾类种群大小；d为优化变量维数。
每个飞蛾围绕其所对应火焰更新位置，有
（24）
式中，
为第
个飞蛾位置；
为第
个火焰位置；S(·)为对数螺旋函数；
为第个飞蛾与第个火焰之间的距离；
为对数螺旋形状常数；
为路径系数。
为克服MFO算法在后期迭代中收敛速度不快、种群多样性下降、易陷入局部最优的问题，本文在MFO算法基础上融合了DE机制，包括差分变异、交叉和选择过程。
随机选取三个不同个体
生成变异向量
，采用二元交叉策略生成实验向量
，根据适应度函数
进行个体选择。
（25）
（26）
（27）
式中，为变异缩放因子；CR表示交叉概率，本文取0.8；
为第j个火焰位置对应的[0,1]随机数。在经过DE变异交叉后的新位置上引入柯西随机扰动，进一步增加局部搜索能力。
（28）
式中，
为柯西分布随机数，值为
。
虚拟电厂低碳经济调度问题的优化变量是各台机组输出功率，问题的维数等于机组总数，每个飞蛾作为电力系统调度问题的一个候选解，每台机组的输出功率由每个飞蛾位置表示。受到机组容量与爬坡速率的限制，机组的出力容量存在上、下限，约束为
（29）
式中，
为第个飞蛾在第个火焰维度下的分量，即第个机组出力；
、
分别为第台机组的出力功率上、下限值。
应用改进飞蛾扑火算法求解虚拟电厂低碳经济调度模型的具体流程如下：
1）系统初始化，输入系统所需参数，包括风光预测值、电热负荷预测值及各单元出力约束。
2）MFO算法初始化，输入维数d、种群大小n、最大迭代次数N等参数。
3）根据式（29）生成蛾的初始位置，并利用式（25）～式（28）对初始位置进行变异、交叉、选择，得到新的初始位置。若某个飞蛾越过机组约束的可行边界，则重新赋值。
4）评估每个蛾的初始位置的适应度值，按照适应度值的升序对蛾的位置进行排序，并将其分配给火焰，表示第一代火焰的空间位置。
5）按式（24）更新当代飞蛾位置。
6）根据适应度值对蛾位置重新排序，选择更好的位置更新下一代火焰，自适应机制减少火焰数量。
7）返回步骤5）继续下一代，直到迭代次数满足算法的要求后输出最优结果。
本文所提的VPP模型包含一个风电场、一个光伏电站、一台可抽取氢气的电转气设备、一台碳捕集设备、一套绝热压缩空气储能设备、一台可燃烧混合燃气的燃气轮机组和一台可燃烧混合燃气的燃气锅炉。在优化求解过程中，将24 h作为一个调度周期，将1 h作为一个周期的调度间隔。系统风光及电热负荷预测值如图4所示，系统各设备参数设置见表1。
图4 风光及电热负荷预测值
Fig.4 Wind/solar generation and electro-thermal load
表1 参数设置
Tab.1 Parameter settings
设备参数数值 燃气轮机最大发电功率/MW350 最大产热功率/MW300 机组爬升上、下限/(MW/h)150, -150 产热、电效率0.4, -0.35
（续）
设备参数数值 燃气锅炉最大产热功率/MW80 机组爬升上、下限/(MW/h)25, -25 产热效率0.92 电转气最大耗电功率/MW120 电转氢效率0.85 甲烷化效率0.7 碳捕集最大能耗/MW100 贫、富液存储设备最大容量/m329 200 AA-CAES储能设备最大储电(释电)功率/MW150 最大外供热功率/MW150 储气室容量/m32.5×105 储气室气压上、下限/MPa9、8.4 压缩/膨胀单元等熵效率0.75 换热器/加热器能效0.86 蓄热罐外供热能效0.7
为验证含AA-CAES储能设备的VPP中，P2G、CCS、燃气掺氢协同运行的经济性与低碳性，本算例设置5组设备运行方案。5组方案均考虑碳交易机制，碳交易基价为200元/t，补偿与增长系数均为0.25，区间长度为50 t[23]，具体设备运行方案见表2。
方案1：AA-CAES储能设备参与系统多能流优化调度，无P2G设备及CCS设备。
方案2：AA-CAES储能设备参与系统多能流优化调度，P2G单独参与系统优化调度，无CCS设备，氢气不参与天然气掺氢仅用于甲烷化，甲烷化所需CO2源于外购，外购价格为2.8元/m3。
方案3：AA-CAES储能设备参与系统多能流优化调度，P2G-CCS耦合参与系统优化调度，氢气仅用于甲烷化。
表2 设备运行方案
Tab.2 Equipment operation plan
运行方案P2GCCS混氢燃气AA-CAES利用方式 单能流多能流 方案1P 方案2PP 方案3PPP 方案4PPPP 方案5PPPP
方案4：AA-CAES储能设备参与系统多能流优化调度，P2G-CCS耦合参与系统优化调度，氢气同时用于甲烷化和天然气掺氢。
方案5：AA-CAES储能设备仅参与系统电力单能流优化调度，P2G-CCS耦合参与系统优化调度，氢气同时用于甲烷化和天然气掺氢。
表3呈现了在方案1～方案4运行模式下VPP的优化调度结果。相较于方案1，方案2中P2G单独参与调度，系统成本降低了28.16%；而在方案3中，P2G与CCS耦合参与调度，成本相较于方案1进一步减少7.87%。这源于方案1未考虑电转气和碳捕集设备的影响，使其碳排放量较方案2与方案3分别增加了10.3 t和738.8 t。根据碳交易机制，方案1中CO2直接排放进入大气需购买大量碳排放配额，因此碳交易成本较方案3增加15.92万元。此外，方案1能源转换设备不足，出现大量弃风弃光，由于设置弃风弃光惩罚机制，额外成本较方案3增加212.02万元。
表3 方案1～4的优化调度结果
Tab.3 Optimization scheduling results of schemes 1～4
运行方案总成本/万元购气成本/万元碳交易成本/万元碳捕集成本/万元购碳成本/万元弃风弃光成本/万元净碳排放量/t 1795.97505.1510.6400280.182 742.30 2571.84452.3010.60040.7868.172 732.00 3526.82459.25-5.284.68068.162 003.50 4485.57440.17-13.113.54054.981 868.40
方案3相较于方案2的成本降低了45.02万元。这源于方案3在方案2基础上增加了CCS设备，并与P2G设备实现了耦合运行，CCS设备能够捕获系统中燃气机组排放的CO2，同时为P2G提供原料，节约了方案2中外购CO2的成本。以上结果揭示了P2G与CCS耦合运行在降低VPP系统碳排放量和提升经济性方面具有显著的促进作用。然而，在方案1、2、3中均没有考虑电解氢过程及其他氢能利用方式，导致甲烷化过程中生成的氢气未能被有效利用，造成资源浪费。为此，方案4在方案3的基础上进一步引入了燃气机组掺氢运行。
表4呈现了在方案1～方案4运行模式下一个调度周期内各设备的能量产用结果。方案4基于方案3，考虑燃气机组掺氢运行后，系统燃气轮机输出增加，燃气锅炉输出减少。这是由于燃气机组对氢气需求的提升导致电解能耗的增加。为满足这一增加的能耗，系统在综合权衡燃料成本、碳排放成本及掺氢带来的减排效益后，优先调度碳排放量较低的燃气轮机作为最优选择，提升其发电出力。
表4 方案1～4各设备在24 h调度周期内的能量产用结果
Tab.4 Energy production and consumption results of each device in schemes 1～4 during the 24-hour scheduling period （单位：MW·h）
运行方案燃气轮机电出力燃气轮机热出力燃气锅炉热出力电解能耗碳捕集能耗AA-CAES储电AA-CAES电出力AA-CAES热出力 14 347.604 968.701 411.0000675.16421.35697.28 24 328.704 947.101 349.802 462.600756.33472.00780.10 34 343.704 964.201 348.502 215.50251.95709.15442.55764.29 44 371.305 043.101 199.302 791.50190.41589.16367.67834.61
尽管燃气轮机出力增加，但由于其热电联产特性提高了热利用效率，减少了燃气锅炉出力，叠加燃气机组的掺氢运行，整体天然气消耗和碳排放量均随之下降。在碳交易机制下，相较方案3，碳排放量减少135.1 t，系统释放出的碳配额可按交易价格获得7.83万元收益，结合购气量下降产生的19.08万元成本节约，系统总成本下降7.83%。
根据上述对比所得最优调度结果，现对方案4下净碳排放量及碳捕集量（图5）、CCS设备中储液罐流量（图6）、系统电功率优化运行结果（图7）进行详细分析。
图5 净碳排放量及碳捕集量
Fig.5 Net carbon emissions and carbon capture
由图5可知，在电负荷低谷时段，富余电能驱动CCS捕集CO2，富液罐将CO2吸收并保存至贫液罐中，避免再生处理。由图6和图7可知，电负荷高峰时段，富含CO2的液体被传输至再生塔进行再生，为P2G系统生成天然气提供所需CO2，降低了燃气机组运行高峰期间的外购天然气量。
图6 贫液、富液流量
Fig.6 Poor and rich liquid flow
图7 系统电源出力
Fig.7 System power output
这种方式下，VPP系统优先考虑燃气机组掺氢运行满足负荷需求，避免因碳捕集设备捕集CO2耗电导致系统发生失负荷，同时确保了P2G系统在启动时有足够多的碳源合成甲烷。
为验证AA-CAES储能装置参与热电联供对VPP经济性与低碳性的影响，本节对比方案4与方案5下的优化调度结果（表5），方案4与方案5热源出力总功率对比结果如图8所示，AA-CAES装置的蓄热罐、储气室荷电状态如图9所示。
表5数据显示，方案5仅将AA-CAES纳入电力单能流优化调度，未承担供热任务，相较于方案4，燃气机组供热占比提高了2.26%，系统购能成本上升，最终使总成本增加了44.66万元。同时，系统电热负荷呈现互补特性，缺少AA-CAES作为灵活热源，方案5出现热负荷主导电力调度的情况，燃气机组运行负担加重，使碳排放量增加了8.22%。
表5 方案4和方案5的优化调度结果
Tab.5 Optimization scheduling results of schemes 4-5
运行方案成本/万元净碳排放量/t弃风弃光率（%）储能供电占比（%）储能供热占比（%） 方案4485.571 868.4010.825.0911.79 方案5530.232 022.0313.977.740
图8 方案4和方案5各设备热出力总功率对比
Fig.8 Comparison of total heat output power of each device in schemes 4 and 5
图9 AA-CAES蓄热罐、储气室状态
Fig.9 State of the thermal storage tank and gas storage chamber in AA-CAES
在图7基础上结合图8、图9可知，0～9时段为一天电力负荷的低谷期，AA-CAES通过电压缩机消纳富余风光电能，压缩过程中产生的热能经热媒（水）交换存储于蓄热罐，实现电-热协同储存；9～13与20～23时段电力负荷需求较高，在此期间，AA-CAES通过蓄热罐中的热水与高压低温空气换热加热空气，驱动膨胀机发电供给电负荷。蓄热罐在此过程中发挥双重作用：既作为膨胀发电必需的热源，又作为可调节热负荷的供给单元，其灵活调度能力显著提升了系统综合能效。
已有研究表明，受燃气标准、机组材质及运行安全等因素的限制，燃气轮机的掺氢比通常建议控制在10%～20%范围内[24]。相较而言，燃气锅炉对掺氢带来的燃烧特性变化更为敏感，较高的掺氢比例更易引发火焰不稳定、材料腐蚀等问题[25]，因此本文在建模时将燃气锅炉的掺氢比上限设定为8%以保障燃烧器的安全稳定运行。为实现更高效的能源利用和更低的环境影响，本文进一步对不同掺氢比例下的系统成本与碳排放量进行了深入分析，相关结果如图10所示。
图10 掺氢比下的总成本、碳排放情况
Fig.10 Total cost and carbon emissions under different hydrogen blending ratios
通过分析图10可以得出以下结论：在同等燃气锅炉掺氢比的条件下，逐步提高燃气轮机掺氢比会导致系统总成本呈下降趋势。然而，这一趋势在掺氢比达到一定程度后逐渐趋于平缓。具体来看，当燃气轮机掺氢比增加至18%时，系统的成本和碳排放下降速度显著减缓，甚至存在回升趋势。
此外，在燃气轮机掺氢比恒定的条件下，燃气锅炉掺氢比与系统总成本及碳排放量呈现显著的负相关。因此，综合考虑系统运行的经济安全性与低碳环保要求，针对本研究得出最优运行参数组合为：燃气轮机掺氢比18%配合燃气锅炉掺氢比8%。
为全面评估所提优化算法性能，选取设备运行方案4，分别采用粒子群优化（Particle Swarm Optimization, PSO）、MFO及改进MFO算法对调度模型进行独立求解50次，并对运行时间、迭代次数及成本进行统计分析，得出平均结果见表6，算法最优求解结果如图11所示。参数设置方面，PSO算法粒子群体规模设置为100，MFO算法中飞蛾种群数为40，对数螺旋形状常数为1.5，路径系数
为
～1之间的随机数，r随迭代过程由-1线性降低至-2，最大迭代次数统一设为1 000。
表6 PSO、MFO与改进MFO算法结果比较
Tab.6 Comparison of results of PSO, MFO, and improved MFO algorithm
算法平均成本/万元平均运行时间/s平均迭代次数 PSO488.1249310 MFO486.7175580 改进MFO485.6361390
图11 算法求解对比
Fig.11 The algorithm solves the comparison plot
由表6可知，尽管MFO算法在运行时间和迭代次数上均高于PSO算法，但求解精度显著更优，表现出更强的全局寻优能力。相比之下，改进MFO算法通过引入DE机制对初始种群进行优化，运行时间和迭代次数分别降低了14 s和190，整体求解效率提升约18.7%。由图11可知，在前期迭代中，三种算法精度差异较小，而在迭代300轮后，改进MFO算法展现出更优的收敛精度。综上所述，DE机制优化的MFO算法在求解虚拟电厂低碳经济调度问题中，兼具更高的求解效率与搜索精度。
本文提出了含AA-CAES的两阶段P2G-CCS耦合虚拟电厂源-储-荷低碳经济调度模型。首先，基于AA-CAES的多能协同特性，探索其在单能流与多能流耦合条件下的调度性能差异，充分发挥其热电联供优势。其次，在P2G-CCS协同运行基础上，进一步引入燃气掺氢策略，并对掺氢比例进行定量分析，以提升系统对氢能的利用效率。此外，为提高模型的求解效率与精度，本文在MFO算法中融合差分进化策略，增强了其全局寻优能力。通过设置多种调度方案并进行算例验证，得出以下结论：
1）P2G-CCS耦合运行可有效地降低碳排放并提升经济性，引入燃气掺氢后进一步提高氢能利用率，使VPP碳排放减少135.1 t，总成本下降7.83%。
2）AA-CAES具备热电协同优势，与氢能系统联合运行可作为灵活热源，降低燃气机组供热负担，提升系统能效。相比未参与供热的方案，系统总成本减少44.66万元，碳排放降低7.60%。
3）定量分析掺氢比例变化对系统经济性与碳排放的影响，本研究得出的最优运行参数组合为：燃气轮机掺氢比18%配合燃气锅炉掺氢比8%。
4）模型求解方面，引入差分进化策略改进MFO算法，在改善搜索精度的同时使求解效率提升约18.7%，为多能系统优化提供了有效支撑。
5）本文调度研究基于确定的风光及负荷预测数据展开，未考虑可再生能源波动。未来可引入随机优化、鲁棒优化或基于离散系统动态仿真等技术，增强模型的适应性与实用性。
参考文献
[1] 李翔宇, 赵冬梅. 分散架构下多虚拟电厂分布式协同优化调度[J]. 电工技术学报, 2023, 38(7): 1852-1863.
Li Xiangyu, Zhao Dongmei. Distributed coordinated optimal scheduling of multiple virtual power plants based on decentralized control structure[J]. Transactions of China Electrotechnical Society, 2023, 38(7): 1852-1863.
[2] 董雷, 李扬, 陈盛, 等. 考虑多重不确定性与电碳耦合交易的多微网合作博弈优化调度[J]. 电工技术学报, 2024, 39(9): 2635-2651.
Dong Lei, Li Yang, Chen Sheng, et al. Multi-microgrid cooperative game optimization scheduling considering multiple uncertainties and coupled electricity-carbon transactions[J]. Transactions of China Electrotechnical Society, 2024, 39(9): 2635-2651.
[3] 周任军, 邓子昂, 徐健, 等. 碳捕集燃气热电机组碳循环及其虚拟电厂优化运行[J]. 中国电力, 2020, 53(9): 166-171.
Zhou Renjun, Deng Ziang, Xu Jian, et al. Optimized operation using carbon recycling for benefit of virtual power plant with carbon capture and gas thermal power[J]. Electric Power, 2020, 53(9): 166-171.
[4] 崔杨, 曾鹏, 惠鑫欣, 等. 考虑碳捕集电厂综合灵活运行方式的低碳经济调度[J]. 电网技术, 2021, 45(5): 1877-1886.
Cui Yang, Zeng Peng, Hui Xinxin, et al. Low-carbon economic dispatch considering the integrated flexible operation mode of carbon capture power plant[J]. Power System Technology, 2021, 45(5): 1877-1886.
[5] 袁坤龙, 张少康, 常冉, 等. 阶梯式碳交易机制下计及电-气-热综合能源系统需求响应优化运行[J]. 电气技术, 2024, 25(1): 8-16.
Yuan Kunlong, Zhang Shaokang, Chang Ran, et al. Optimal operation of demand response of electricity-gas-heat integrated energy system under the stepped carbon trading mechanism[J]. Electrical Engineering, 2024, 25(1): 8-16.
[6] 骆钊, 罗蒙顺, 沈鑫, 等. 基于碳捕集-电转气的矿区综合能源系统协同优化调度[J]. 电力系统自动化, 2024, 48(3): 22-30.
Luo Zhao, Luo Mengshun, Shen Xin, et al. Collaborative optimal scheduling of coal mine integrated energy system based on carbon capture and power to gas[J]. Automation of Electric Power Systems, 2024, 48(3): 22-30.
[7] 陈海鹏, 陈晋冬, 张忠, 等. 计及灵活运行碳捕集电厂捕获能耗的电力系统低碳经济调度[J]. 电力自动化设备, 2021, 41(9): 133-139.
Chen Haipeng, Chen Jindong, Zhang Zhong, et al. Low-carbon economic dispatching of power system considering capture energy consumption of carbon capture power plants with flexible operation mode[J]. Electric Power Automation Equipment, 2021, 41(9): 133-139.
[8] 蒙军, 任洲洋, 王皓. 氢能交互下的多区域电氢综合能源系统可靠性提升策略[J]. 电工技术学报, 2024, 39(16): 5011-5027.
Meng Jun, Ren Zhouyang, Wang Hao. Reliability improvement strategies of multi-region electricity-hydrogen integrated energy systems considering hydrogen interaction between different regions[J]. Transactions of China Electrotechnical Society, 2024, 39(16): 5011-5027.
[9] Koç Y, Yağlı H, Görgülü A, et al. Analysing the performance, fuel cost and emission parameters of the 50 MW simple and recuperative gas turbine cycles using natural gas and hydrogen as fuel[J]. International Journal of Hydrogen Energy, 2020, 45(41): 22138-22147.
[10] di Gaeta A, Reale F, Chiariello F, et al. A dynamic model of a 100 kW micro gas turbine fuelled with natural gas and hydrogen blends and its application in a hybrid energy grid[J]. Energy, 2017, 129: 299-320.
[11] 谢敏, 叶佳南, 何知纯, 等. 考虑碳排放和混合燃烧特性的氢混燃机精细化建模及应用[J]. 中国电机工程学报, 2023, 43(11): 4319-4340.
Xie Min, Ye Jianan, He Zhichun, et al. Refined modeling and application of hydrogen mixed gas turbine considering characteristics of carbon emission and co-combustion[J]. Proceedings of the CSEE, 2023, 43(11): 4319-4340.
[12] 王丹, 张甜甜, 吴嘉禾, 等. 大规模压缩空气储能系统发电方式与运行控制分析与构想[J]. 电力系统自动化, 2019, 43(24): 13-22.
Wang Dan, Zhang Tiantian, Wu Jiahe, et al. Analysis and conception of power generation mode and operation control of large-scale compressed air energy storage system[J]. Automation of Electric Power Systems, 2019, 43(24): 13-22.
[13] Yang Cheng, Wang Xusheng, Huang Manman, et al. Design and simulation of gas turbine-based CCHP combined with solar and compressed air energy storage in a hotel building[J]. Energy and Buildings, 2017, 153: 412-420.
[14] Li Rui, Chen Laijun, Yuan Tiejiang, et al. Optimal dispatch of zero-carbon-emission micro Energy Internet integrated with non-supplementary fired compressed air energy storage system[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(4): 566-580.
[15] Yao Erren, Wang Huanran, Wang Ligang, et al. Multi-objective optimization and exergoeconomic analysis of a combined cooling, heating and power based compressed air energy storage system[J]. Energy Conversion and Management, 2017, 138: 199-209.
[16] 李佳佳, 李兴朔, 魏凡超, 等. 耦合火电机组的新型压缩空气储能系统技术经济性评估研究[J]. 中国电机工程学报, 2023, 43(23): 9171-9183.
Li Jiajia, Li Xingshuo, Wei Fanchao, et al. Research on techno-economic evaluation of new type compressed air energy storage coupled with thermal power unit[J]. Proceedings of the CSEE, 2023, 43(23): 9171-9183.
[17] Chen Longxiang, Zhang Liugan, Yang Huipeng, et al. Dynamic simulation of a re-compressed adiabatic compressed air energy storage (RA-CAES) system[J]. Energy, 2022, 261: 125351.
[18] 彭元, 娄素华, 吴耀武, 等. 考虑储液式碳捕集电厂的含风电系统低碳经济调度[J]. 电工技术学报, 2021, 36(21): 4508-4516.
Peng Yuan, Lou Suhua, Wu Yaowu, et al. Low-carbon economic dispatch of power system with wind power considering solvent-storaged carbon capture power plant[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4508-4516.
[19] 范宏, 杨忠权, 夏世威. 考虑阶梯式碳交易机制的混氢天然气综合能源系统低碳经济运行[J]. 上海交通大学学报, 2024, 58(5): 624-635.
Fan Hong, Yang Zhongquan, Xia Shiwei. Low carbon economic operation of hydrogen-enriched compressed natural gas integrated energy system considering step carbon trading mechanism[J]. Journal of Shanghai Jiao Tong University, 2024, 58(5): 624-635.
[20] 陈沼宇, 王丹, 贾宏杰, 等. 考虑P2G多源储能型微网日前最优经济调度策略研究[J]. 中国电机工程学报, 2017, 37(11): 3067-3077, 3362.
Chen Zhaoyu, Wang Dan, Jia Hongjie, et al. Research on optimal day-ahead economic dispatching strategy for microgrid considering P2G and multi-source energy storage system[J]. Proceedings of the CSEE, 2017, 37(11): 3067-3077, 3362.
[21] 刘妍, 胡志坚, 陈锦鹏, 等. 含碳捕集电厂与氢能多元利用的综合能源系统低碳经济调度[J]. 电力系统自动化, 2024, 48(1): 31-40.
Liu Yan, Hu Zhijian, Chen Jinpeng, et al. Low-carbon economic dispatch of integrated energy system considering carbon capture power plant and multi-utilization of hydrogen energy[J]. Automation of Electric Power Systems, 2024, 48(1): 31-40.
[22] He Liangce, Lu Zhigang, Zhang Jiangfeng, et al. Low-carbon economic dispatch for electricity and natural gas systems considering carbon capture systems and power-to-gas[J]. Applied Energy, 2018, 224: 357-370.
[23] 陈登勇, 刘方, 刘帅. 基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度[J]. 电网技术, 2022, 46(6): 2042-2054.
Chen Dengyong, Liu Fang, Liu Shuai. Optimization of virtual power plant scheduling coupling with P2G-CCS and doped with gas hydrogen based on stepped carbon trading[J]. Power System Technology, 2022, 46(6): 2042-2054.
[24] 葛淑娜, 张彩玲, 王爽, 等. 计及氢能多元利用和绿证-碳联合交易的综合能源系统优化运行[J]. 电力自动化设备, 2023, 43(12): 231-237.
Ge Shuna, Zhang Cailing, Wang Shuang, et al. Optimal operation of integrated energy system considering multi-utilization of hydrogen energy and green certification-carbon joint trading[J]. Electric Power Automation Equipment, 2023, 43(12): 231-237.
[25] Xin Yue, Wang Ke, Zhang Yindi, et al. Numerical simulation of combustion of natural gas mixed with hydrogen in gas boilers[J]. Energies, 2021, 14(21): 6883.
Compressed Storage and Hydrogen-Driven Virtual Power Plant for Low-Carbon Economic Dispatch of Generation-Storage-Load
Abstract To address critical challenges in virtual power plant (VPP), including low hydrogen utilization efficiency, limited hydrogen blending applications in gas-fired units, and the narrow energy flow scope of existing energy storage systems, this paper proposes a low-carbon economic dispatch model for hydrogen-driven VPPs. The model integrates advanced adiabatic compressed air energy storage (AA-CAES) with a two-stage power-to-gas and carbon capture system (P2G-CCS), establishing a deeply coupled source-storage-load collaborative optimization framework. This framework enables unified coordination and dispatch of multiple energy carriers and devices within the VPP, aiming to significantly improve energy utilization efficiency, facilitate renewable energy integration, and substantially reduce system carbon emissions.
On the supply side, an innovative two-stage hydrogen utilization strategy is designed. In the first stage, hydrogen is produced via electrolysis using surplus renewable electricity. In the second stage, carbon dioxide captured from gas turbine emissions undergoes methanation to generate synthetic natural gas. The resulting synthetic gas mixture, rich in hydrogen, is co-fired in gas turbines and boilers. The model thoroughly considers the operational characteristics and efficiency variations of gas-fired equipment under different hydrogen blending ratios. It quantitatively analyzes the impact of hydrogen blending on overall system economics and carbon reduction benefits, verifying the rationality and technical feasibility of dynamic hydrogen blending strategies and providing scientific support for diversified hydrogen utilization in VPP.
Regarding energy storage, the cogeneration advantage of AA-CAES is fully exploited. The system recovers and stores thermal energy generated during the air compression process, which is then released during the discharge phase to meet heating demands within the VPP. This coordinated electric-thermal output enhances system dispatch flexibility, effectively mitigates the variability and uncertainty of renewable generation, reduces renewable energy curtailment risks, and improves overall energy efficiency and economic performance.
To achieve efficient coordinated operation among multiple energy carriers, a multi-energy coupled collaborative optimization dispatch model is developed. The objective is to minimize the comprehensive operating cost of the VPP, including fuel procurement expenses, carbon trading costs, carbon capture operational costs, and economic losses due to renewable energy curtailment. Considering the high nonlinearity, multiple variables, and complex constraints of the problem, a hybrid optimization algorithm combining the moth-flame optimization (MFO) algorithm with a differential evolution strategy—referred to as DE-MFO—is proposed. This algorithm enhances global search capability, accelerates convergence, and improves solution robustness, making it well-suited for large-scale complex energy system optimization.
Simulation case studies and comparative analyses validate the effectiveness and superiority of the proposed model and algorithm. Results demonstrate that the integration of AA-CAES and P2G-CCS not only significantly reduces total operating costs and carbon emissions of the VPP but also improves renewable energy accommodation and utilization efficiency. Additionally, the dynamic hydrogen blending strategy effectively supports flexible dispatch of gas turbines, achieving efficient and low-carbon hydrogen utilization. Overall, the proposed dispatch model and optimization method provide a solid theoretical foundation and practical technical pathway for multi-energy synergy and low-carbon operation in VPP, offering important guidance for the construction and operation of future clean energy systems.
keywords：Virtual power plant, adiabatic compressed air energy storage, power-to-gas, hydrogen blending, moth flame optimization algorithm
中图分类号：TM734
DOI: 10.19595/j.cnki.1000-6753.tces.250803
国家重点研发计划（2021YFB2601300）和中央高校基本科研业务费专项资金（2023JC007）资助项目。
收稿日期 2025-05-13
改稿日期 2025-07-01
师瑞峰 男，1977年生，教授，博士生导师，研究方向为交通能源融合、综合能源系统调度等。
E-mail：Shi.ruifeng@ncepu.edu.cn（通信作者）
贾利民 男，1963年生，教授，博士生导师，研究方向为交通能源融合、智能交通等。
（编辑 赫 蕾）