文章解读与仿真程序复现思路——中国电机工程学报EI\CSCD\北大核心《兼顾捕碳强度与可再生能源消纳的储能容量配置优化方法》

发布时间:2024年01月01日

本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主的专栏栏目《论文与完整程序》

这个标题涉及到两个主要方面:捕碳强度和可再生能源的消纳,以及与之相关的储能容量配置的优化方法。下面我会逐一解读这两个方面:

  1. 捕碳强度与可再生能源消纳:

    • 捕碳强度:?这指的是在能源生产或使用过程中,对二氧化碳(CO2)等温室气体的排放程度。在这个上下文中,标题可能在讨论如何最大程度地减少或捕捉碳排放,以实现更为环保和可持续的能源系统。
    • 可再生能源消纳:?意味着整合和有效利用可再生能源,如太阳能、风能等。这可能与电力系统中大量的可再生能源集成有关,以及如何在系统中平衡和消纳这些可再生能源的波动。
  2. 储能容量配置优化方法:

    • 储能容量配置:?指的是在能源系统中引入储能设备,以平衡能源供需、处理波动和提高系统的稳定性。储能设备可以是电池、储水池、压缩空气储能等。
    • 优化方法:?指的是采用一种系统性的方法,通过算法、模型或策略来确定最佳的储能容量配置。这可能需要考虑多个因素,包括能源需求模式、可再生能源的波动性、碳排放目标等。

综合起来,这个标题表明关注点在于如何在能源系统中找到一种储能容量配置的优化方法,以在捕碳强度和可再生能源消纳方面取得平衡。这可能涉及到开发智能化的算法,以在系统中动态调整储能容量,确保在不同条件下都能够最大程度地提高系统的效能,同时降低碳排放。这类问题往往需要深入的系统分析、数学建模和计算优化技术。

摘要:碳捕集技术是实现发电行业碳达峰和碳中和目标的重要手段。传统碳捕集机组在灵活运行方式下参与可再生能源消纳时,将丧失一定的捕碳强度,无法在深度脱碳条件下灵活地进行可再生能源消纳。为此,面向碳捕集电厂和可再生能源电源,该文提出一种新型捕碳储能系统,主储能系统用于可再生能源消纳,次储能系统协助碳捕集机组实现电碳解耦,并分析瞬态与动态电碳解耦特性。在该捕碳储能系统架构下,基于KL散度刻画风电和光伏出力的不确定性,并构建储能容量配置的分布鲁棒优化模型。最后,通过算例分析进行仿真验证,结果证明了储能容量配置模型的有效性,验证了所提捕碳储能系统可提高可再生能源消纳水平的同时保证高捕碳强度。

这段摘要涉及碳捕集技术在发电行业碳达峰和碳中和目标中的关键作用,以及传统碳捕集机组在参与可再生能源消纳时所面临的挑战。以下是摘要的逐步解读:

  1. 碳捕集技术的重要性:

    • 摘要首先指出碳捕集技术是实现发电行业碳达峰和碳中和目标的关键手段。这表明在减少温室气体排放和实现碳中和的过程中,碳捕集技术被认为是一项不可或缺的工具。
  2. 传统碳捕集机组的挑战:

    • 在灵活运行方式下参与可再生能源消纳时,传统碳捕集机组存在一个问题,即可能会失去一定的捕碳强度。这意味着在可再生能源消纳的过程中,传统碳捕集机组可能无法保持其最大的碳捕集效率,尤其是在追求深度脱碳的条件下。
  3. 新型捕碳储能系统的提出:

    • 为解决传统碳捕集机组的灵活性问题,文中提出了一种新型捕碳储能系统。该系统包括主储能系统和次储能系统,分别用于可再生能源消纳和协助碳捕集机组实现电碳解耦。电碳解耦意味着在能源生产中,电的产生不再与碳排放直接挂钩。
  4. 瞬态与动态电碳解耦特性的分析:

    • 文中对该捕碳储能系统的瞬态与动态电碳解耦特性进行了分析,强调了在不同时间尺度下实现电碳解耦的重要性。
  5. 不确定性建模与优化:

    • 通过使用KL散度刻画风电和光伏出力的不确定性,文中构建了储能容量配置的分布鲁棒优化模型。这表明考虑到可再生能源的波动性,系统在不确定条件下仍然能够有效运行。
  6. 仿真验证与结论:

    • 最后,通过算例分析进行仿真验证,结果证明了储能容量配置模型的有效性。同时,验证了所提出的捕碳储能系统在提高可再生能源消纳水平的同时,能够保证高捕碳强度。

总体而言,该文提出的新型捕碳储能系统及其相应的建模和优化方法似乎是在解决传统碳捕集机组在可再生能源消纳中的灵活性问题上取得了一定的进展。

关键词: 储能容量配置;捕碳强度;可再生能源消纳;碳捕集厂;电碳解耦;

  1. 储能容量配置:

    • 指的是确定并分配储能系统的存储容量,以满足系统对能量的需求。在这里,可能涉及到对储能系统的设计和优化,确保其能够在需要时提供足够的能量,特别是在可再生能源波动性较大的情况下。
  2. 捕碳强度:

    • 是指碳捕集过程中单位能量产生的碳排放量。高捕碳强度表示在能量生产中捕获了更多的碳,是减少温室气体排放的关键指标。在这里,可能涉及到提高捕碳技术的效率或改进捕碳工艺。
  3. 可再生能源消纳:

    • 意味着将可再生能源(比如风能、太阳能等)整合到能源系统中,使其能够有效地被利用。这可能包括解决可再生能源的间歇性和不稳定性,确保在需要时能够可靠地使用这些能源。
  4. 碳捕集厂:

    • 是指专门从排放源中捕获二氧化碳等温室气体的设施。这些厂房通常用于降低工业过程或能源生产过程中的碳排放,以达到减缓气候变化的目标。
  5. 电碳解耦:

    • 意味着将电的生产与碳排放分离。通常,这是通过使用低碳或零碳的能源来源,比如可再生能源,来产生电能。电碳解耦是追求清洁能源和减少碳排放的一项战略,有助于实现碳中和目标。在这里,可能与碳捕集技术结合使用,以进一步减少电能生产的碳排放。

这些关键词似乎在一个综合的能源系统或碳捕集系统的上下文中被使用,目标可能是实现高效、灵活的可再生能源消纳,同时维持高捕碳强度和推动电碳解耦。

仿真算例:

本文采用改进 IEEE-30 节点系统进行算例验 证,在节点 5、21 引入 80 和 100MW 的风电场。 G1 和 G5 改造为碳捕集电厂。在节点 8 引入 55MW 光伏电站。可再生能源发电数据来源于中国西北某 区域风电、光伏实测数据。风电和光伏全年时序数 据见附图 B1,采用拉丁超立方抽样得到 4 种典型 日(春、夏、秋、冬),典型日天数 91 天。负荷数据 见附图 B2,忽略负荷出力不确定性。常规火电机 组具体参数见附表 C1;碳捕集电厂和储能相关参 数见附表 C2。其余相关参数见附表 C3。分流、储 液和综合灵活运行方式涉及的贫/富液存储器体积 等参数详见文献[22]。 为验证所提储能容量配置模型的有效性,将所 提分布鲁棒优化 (distributionally robust optimization,DRO)模型与确定性优化(certainty optimization , CO) 型、随机优化 (stochastic optimization , SO) 模 型 [23] 、鲁棒优化 (robust optimization,RO)模型[24]进行对比。 为进一步验证本文所提捕碳储能系统的可行 性,本文设置了如下 5 个碳捕集场景进行对比: 1)碳捕集厂 G1、G5 工作在常规运行方式下, 仅在风电场和光伏站配置主储能系统; 2)碳捕集厂 G1、G5 工作在分流运行方式下,仅在风电场和光伏站配置主储能系统; 3)碳捕集厂 G1、G5 工作在储液运行方式下, 仅在风电场和光伏站配置主储能系统; 4)碳捕集厂 G1、G5 工作在综合灵活运行方 式下,仅在风电场和光伏站配置主储能系统; 5)碳捕集厂 G1、G5 工作在电碳解耦运行方 式下,在风电场和光伏站配置主储能系统,在 G1、 G5 配置次储能系统以提升机组灵活性。

仿真程序复现思路:

复现该仿真需要进行以下步骤:

  1. 建立系统模型:

    • 使用 IEEE-30 节点系统作为基础,引入风电场和光伏电站,并将节点 5、21 分别连接 80MW 和 100MW 的风电场,节点 8 连接 55MW 的光伏电站。
    • 根据给出的数据(附图 B1,附图 B2,附表 C1,附表 C2,附表 C3)整合风电和光伏的全年时序数据,以及负荷数据。
  2. 设计算法:

    • 实现拉丁超立方抽样,从全年时序数据中抽取代表春、夏、秋、冬四种典型日的数据,每种典型日持续 91 天。
    • 建立储能容量配置模型,涉及的优化算法包括分布鲁棒优化 (DRO) 模型、确定性优化 (CO) 模型、随机优化 (SO) 模型以及鲁棒优化 (RO) 模型。这些模型将被用于验证储能容量配置模型的有效性。
  3. 验证碳捕集场景:

    • 设置五种不同的碳捕集场景,包括不同的运行方式以及储能系统配置。
    • 分别对每个场景下的节点 G1 和 G5 进行仿真,记录碳捕集厂在不同运行方式下的效果。
  4. 程序语言示例(伪代码):

    • 以下是一种可能的伪代码表示,展示如何组织程序来进行仿真:
import numpy as np
import matplotlib.pyplot as plt

# Step 1: 建立系统模型
class PowerSystem:
    def __init__(self):
        # 初始化节点和组件
        self.nodes = {}
        self.wind_farms = {}
        self.solar_farms = {}
        self.energy_storage = None

    def add_node(self, node_id):
        self.nodes[node_id] = Node(node_id)

    def add_wind_farm(self, node_id, capacity):
        if node_id not in self.wind_farms:
            self.wind_farms[node_id] = WindFarm(node_id, capacity)

    def add_solar_farm(self, node_id, capacity):
        if node_id not in self.solar_farms:
            self.solar_farms[node_id] = SolarFarm(node_id, capacity)

    def add_energy_storage(self, capacity):
        self.energy_storage = EnergyStorage(capacity)

# 节点类
class Node:
    def __init__(self, node_id):
        self.node_id = node_id

# 风电场类
class WindFarm:
    def __init__(self, node_id, capacity):
        self.node_id = node_id
        self.capacity = capacity

# 光伏电场类
class SolarFarm:
    def __init__(self, node_id, capacity):
        self.node_id = node_id
        self.capacity = capacity

# 储能系统类
class EnergyStorage:
    def __init__(self, capacity):
        self.capacity = capacity
        self.state_of_charge = 0

# Step 2: 设计算法和建立储能容量配置模型
# 省略对 DRO、CO、SO 和 RO 模型的具体实现

# Step 3: 验证碳捕集场景
def simulate_scenario(system, scenario):
    # 根据场景配置节点和组件

    # 进行仿真计算

# 场景 1:常规运行方式
scenario_1 = {'G1': 'conventional', 'G5': 'conventional', 'storage': 'main'}
simulate_scenario(power_system, scenario_1)

# 场景 2:分流运行方式
scenario_2 = {'G1': 'diverted', 'G5': 'diverted', 'storage': 'main'}
simulate_scenario(power_system, scenario_2)

# 场景 3:储液运行方式
scenario_3 = {'G1': 'liquid', 'G5': 'liquid', 'storage': 'main'}
simulate_scenario(power_system, scenario_3)

# 场景 4:综合灵活运行方式
scenario_4 = {'G1': 'flexible', 'G5': 'flexible', 'storage': 'main'}
simulate_scenario(power_system, scenario_4)

# 场景 5:电碳解耦运行方式
scenario_5 = {'G1': 'decoupled', 'G5': 'decoupled', 'storage': 'main', 'secondary_storage': 'secondary'}
simulate_scenario(power_system, scenario_5)

请注意,这个示例并没有具体的仿真计算或优化算法的实现,而是提供了一个基本的框架,你需要根据具体的问题和仿真工具来完善和扩展这个框架。此外,你可能需要使用诸如Matpower、Pandapower等专业工具来建模和仿真电力系统

文章来源:https://blog.csdn.net/LIANG674027206/article/details/135201765
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。