Carbon Management Model of Distributed Energy System Based on Dynamic Carbon Emission Factors
-
摘要:
分布式能源系统具有清洁、低碳、能量利用高效等多种优势，是缓解能源危机和温室效应的有效手段，然而大部分可再生能源具有波动性、间歇性等特性，也为其碳排放精细核算带来了挑战。为提高现有碳核算方法的时空精细度和促进碳排放的系统管理，开展“碳视角”的研究。首先考虑可再生能源波动性对发电机组碳排放强度的影响，设计了表征发电机组不同时隙碳排放强度的动态碳排放因子；其次将动态碳排放因子嵌入到优化模型中，构建了分布式能源系统两阶段实时优化模型；最后提出含碳预测、碳优化与核算、碳交易的三阶段碳管理模型。结果表明：机组负荷强度波动性越大，使用动态碳排放因子核算相较于静态碳排放因子的准确性越高；运行调度中两阶段实时优化算法可使碳排放量显著下降；通过三阶段碳管理模型可使经济成本和环境成本显著降低，有助于微观层面的碳排放精细管理，实现自下而上的碳管理。
Abstract:Distributed energy systems offer various advantages, including clean, low-carbon and efficient energy utilization, making them effective in mitigating energy crises and greenhouse gas effects. However, the fluctuating and intermittent nature of most renewable energy sources poses challenges for precise carbon accounting. In order to enhance the spatiotemporal accuracy of existing carbon accounting methods and facilitate systematic carbon emission management, the "carbon perspective" approach is adopted. Initially, The impact of renewable energy variability on the carbon emission intensity of power generators, introducing dynamic carbon emission factors to characterize varying emission intensities across different time intervals. Subsequently, these dynamic factors are integrated into an optimization model, forming a two-stage real-time optimization model for distributed energy systems. Finally, a three-stage carbon management model encompassing carbon forecasting, optimization and accounting, and carbon trading is proposed. Results indicate that higher variability in unit load intensity corresponds to increased accuracy when using dynamic carbon emission factors compared to static ones. The two-stage real-time optimization algorithm during operational scheduling significantly reduces carbon emissions. Implementation of the three-stage carbon management model leads to a substantial decrease in economic and environmental costs, facilitating fine-grained carbon emission management at the micro level and achieving a bottom-up approach to carbon management.
-
在我国提出“碳达峰碳中和”重大战略目标背景下，能源行业作为我国主要的碳排放源，其低碳化转型成为实现“双碳”目标的关键。2021年, 习近平总书记在中央工作会议上进一步明确指示，完善能源消耗总量和强度调控，逐步转向碳排放总量和强度双控制度。这表明碳排放总量和强度的共同控制已逐渐成为政府和社会各界关注的焦点。分布式能源系统通过化石与可再生能源整合、能量转换过程协同以及供用能系统整体配合[1]，实现系统经济高效、可靠灵活、低碳环保等可持续发展目标，是实现能源体系低碳转型的有效方式。但不确定性可再生能源接入、多种异质能源耦合等因素也增加了分布式能源系统的复杂性[2]，为分布式能源系统的碳足迹实时核算、碳排放优化调度以及精细管理等带来挑战。
精确的碳核算是碳管理的前提[3]，国内外学者开展了大量方法学的研究。主要包括：排放因子法、投入产出法、生命周期法和碳排放流法。排放因子法的应用最为普遍，但因其基于静态核算因子，当排放因子自身发生变化时处理能力较差[4]，无法实现对系统实时碳排放强度的监测。LOU等[5]基于动态的碳排放因子对建筑改造的碳减排潜力进行了研究，使用静态的碳排放因子会高估碳减排潜力。葛津铭等[6]基于碳排放流提出动态碳排放因子，但其忽略了碳排放流法核算的准确性依赖于发电机组碳排放强度的准确评估，然而发电机组的碳排放强度受负荷强度的影响明显[7]，分布式能源系统中可再生能源占比高且具有随机性和间歇性[8]，使燃气发电机组在不同时刻负荷强度的波动较大，现有碳排放因子核算方法已经无法满足精确计算的要求。
目前理论界围绕分布式能源系统的系统规划、运行调度以及综合评价等方面开展了诸多工作，然而对碳排放精细管理的研究不够深入。魏旭等[9-10]将碳排放作为分布式能源运行调度约束条件，讨论了分布式能源系统在成本最低目标函数下同时考虑低碳约束时的运行优化。JU等[11]将碳排放嵌入到分布式能源系统多目标优化的目标函数中，并通过熵权法分配给各个目标不同的权重以实现分布式能源系统经济、低碳运行。也有学者引入绿证交易，研究涉及可再生能源电力消纳责任权重的区域综合能源系统运行模型[12]。然而分布式能源系统多能量耦合的特性给碳管理带来了挑战，常规研究思路是将碳约束作为限制条件以及考虑多种低碳减排技术的协同优化[13]，目前较少有学者采用碳管理模型对分布式能源系统进行碳排放系统管理的研究。
随着我国碳市场的进一步发展，如何进行碳管理已经成为企业的重大挑战。很多企业及专业组织正在着手确定碳核算方法[14]并建立碳管理部门[15]。李薇等[16]提出了碳排放责任的公平分摊方法，围绕碳的管理工作正在成为一种具有重大影响力的企业职能[17]。碳管理不仅要求企业针对政策和市场变化做出快速反应，更希望企业能将碳排放的相关问题纳入其商业模式及战略制定中[18]。殷俊明[19]将碳排放嵌入到企业的预算模型中，构建了包含业务、财务、碳排放的三重预算模型。然而现有研究将碳排放优化与企业管理结合起来的文章较少。因此，本文主要研究：(1)充分考虑分布式能源系统能源类型的多样性及碳排放强度的动态性，以提高动态碳核算的时空精确性，将碳排放因子的时间尺度精确到15 min，研究的空间尺度精确到单一发电机组，并进一步对比分析在不同负荷波动水平下分别使用动态碳排放因子与静态碳排放因子核算产生的碳排放量差异；(2)研究将动态碳排放因子嵌入到分布式能源系统仿真优化模型中，构建了分布式能源系统两阶段实时优化调度的非线性规划模型；(3)构建分布式能源系统三阶段碳管理模型，让企业管理者从事后碳排放核算转变为涵盖计量、优化和交易的系统碳管理提供建模思路与方法。
1. 动态碳排放因子的构建
1.1 分布式能源系统的碳排放范围
分布式能源系统是多个小型电源相互连接组成的能源系统。该系统包含多种设备，如冷热电三联供机组、可再生能源发电机组、储能设备和热泵等。其中冷热电联供机组是分布式能源系统的核心组成部分[20]，可产生电能、热能、冷能，并可联合储能设备配合光伏、风电等可再生能源系统进行调频。要精确核算分布式能源系统的动态碳排放量，衡量和报告企业的低碳活动，通常需要先确定核算范围。
目前，国际、国内公认的核算范围划分法是源于世界可持续发展工商理事会和世界资源研究所制定的《温室气体核算体系》。按照通行的做法，碳排放核算与分析工作需要考虑的碳排放范围包括三类：“scope1排放”即企业在生产经营过程中拥有或者控制来源的直接排放，是分布式能源系统的主要排放，包括燃气轮机及热泵燃烧天然气发电产生的碳排放；“scope2排放”即企业在消耗电能、热能等二次能源产生的间接排放，从电网购电带来的间接碳排放是分布式能源系统scope2排放的主要组成部分；“scope3排放”也被称为“价值链蕴含排放”，指非企业拥有或直接控制但与企业活动相关的碳排放，在分布式能源系统中，主要包括购买燃料运输中产生的碳排放以及光伏板、风力发电机在生产、安装、报废等过程中产生的碳排放。根据生态环境部2023年发布的《2021、2022年度全国碳排放权交易配额总量设定与分配实施方案》，scope3排放暂时未被纳入企业碳核算与碳交易的范围[21]，不会对企业碳配额清缴损益产生影响，因此本文接下来重点探究scope1和scope2的碳排放核算过程。
1.2 动态碳排放因子
传统研究中往往采用固定的碳排放因子进行碳排放量的核算，尽管有部分学者提出动态碳排放因子，但其时空颗粒度有待进一步提升。已有研究表明，每台机组的碳排放特性具有明显的差异性，不同燃料种类的低位发热值及碳氧化率不同，由此导致相关机组的发电效率也不同[22]，碳排放也随之不同；另外，燃气机组的碳排放强度对负荷强度较为敏感[23]，当机组负荷稳定维持在自身最大负荷的一定比例时，碳排放强度较低。与现有研究相比，本文构建的动态碳排放因子在时空尺度方面进一步提升了碳排放核算的精确性。本文设计的方法考虑了燃气轮机的动态能耗，将可再生能源波动的影响转化为燃气轮机负荷强度的变动，核算的时间精细度为15 min，如有需求可以做到更小时隙，空间精确度精确到单一机组。
分布式能源系统的直接碳排放主要由燃烧能源消耗产生，其时间t内的碳排放量计算公式：
Cg=∫t0EFi,f,t×Pg,f,t, (1) 其中，Cg为发电机组时间t内产生的碳排放量；EFi, f, t为时间间隔t内发电机组i使用燃料种类f(f=1, 2, 3, ⋯, n)输送的电力的动态碳排放因子，Pg, f, t表示单位时间t内使用燃料种类f产生的电能功率。本文改进了传统的IPCC排放因子法，采用动态的碳排放因子EFi, f, t代替原排放因子法中静态排放因子。
EFi,f,t=FfSFf,t×(1−Effj), (2) SFt,i=(LCVf×OFf×δf)/λ, (3) Effj=ECEf×100%, (4) 其中，Ff为消耗单位燃料种类f的CO2排放系数；SFf, t为消耗单位燃料种类f的发电量；Effj为技术手段j的碳捕获效率，用来表示企业使用碳捕获设备的实施效果；LCVf为单位燃料f的平均低位发热量，OFf为燃料种类f的碳氧化率，不同燃料在完全燃烧时的碳氧化率不同；δf为发电机组使用燃料f的发电效率，在不同的负荷强度下发电效率是动态变化的; λ为千瓦时与焦耳的换算系数；EC为捕获的CO2流中的折合碳质量; Ef为输入的燃料f的总折合碳质量。本文的研究模型在构建时考虑了燃气轮机在不同负荷强度下的发电效率δf和燃料f燃烧时碳氧化率OFf，以表征可再生能源波动对碳排放强度的影响。
1.3 动态碳排放因子与静态碳排放因子对比
随着碳交易制度的不断完善，企业对碳核算的要求变得更高。实时碳核算能为组织提供即时的反馈和更新，精准捕捉碳排放的波动，识别高耗能环节，以支持快速决策和资源优化。本文所研究的分布式能源系统燃料消耗以天然气为主，因此本文动态碳排放因子基于燃气轮机特性进行研究，其他燃料的火电机组核算碳排放因子原理类似。燃气轮机发电效率随负荷强度的增加会呈现先增加后降低的趋势[24]，其发电效率随负荷强度的变化曲线如图 1所示。为研究静态碳排放因子与动态碳排放因子在燃气轮机不同负荷强度下的碳排放强度变化差异，本文构建的动态碳排放因子与静态碳排放因子的对比如图 2所示。
![]()
图 1 燃气轮机发电效率与负荷强度关系图Figure 1. Relationship between electrical efficiency and load intensity of gas turbines![]()
图 2 动态碳排放因子与静态碳排放因子的对比Figure 2. Comparison between dynamic carbon emission factor and static carbon emission factor静态碳排放因子取值依据天然气完全燃烧且内燃机满负荷运行状态时的碳排放强度，呈现出一条水平的直线，在燃气轮机处于任何工况状态时，燃气轮机碳排放强度维持在0.46 kg/(kW·h)(CO2)。动态碳排放因子受负荷强度的影响而变化，在负荷强度较低时，燃气轮机发电效率较低，燃料消耗量更多，单位发电碳排放量也更多；随着燃气轮机的负荷强度升高，发电效率提升，到达极点后，发电效率达到最大值，燃料充分燃烧后单位碳排放强度达到最低值0.44 kg/(kW·h)(CO2)，此后随着负荷的继续升高，发电效率开始下降，耗用燃料增加，单位发电碳排放强度开始上升。在燃气轮机负荷强度高于58%且低于96%时静态碳排放因子高于动态碳排放因子，这时使用静态排放因子测算会导致碳排放计算结果偏高；在燃气轮机负荷强度低于58%或高于96%，静态碳排放因子低于动态碳排放因子，这时使用静态碳排放因子测算会导致结果比真实值低。另外，在负荷强度小于等于51%或在67%与87%之间时，使用静态碳排放因子带来的实时碳排放量计算误差在5%以上。可见在负荷强度波动较大的分布式能源系统，使用静态的碳排放因子在实时碳核算时有明显的弊端。
为深入探究静态碳排放因子与本文构建的动态碳排放因子在不同负荷水平下运行时产生的碳排放量差异，进一步利用Matlab随机函数生成了10 000组不同负荷强度下燃气轮机的24 h输出功率数据。平均输出功率代表平均水平，标准差是对数据分散程度的考量。结果表明：燃气轮机24 h的平均输出功率越高，由动态碳排放因子与静态碳排放因子计算出的碳排放量偏差越大(图 3A)；燃气轮机负荷水平在不同的标准差时，偏差变化的范围都较大，即使在较小的标准差下，也有可能存在较大的偏差(图 3B)。因此对于微观个体进行碳排放分析时，静态碳排放因子的误差不可忽视，为此本文后续研究采用动态碳排放因子进行核算。
![]()
图 3 不同工作量和波动水平下的核算差异Figure 3. Accounting differences under different workloads and fluctuation levels2. 分布式能源系统三阶段碳管理模型
2.1 碳管理模型设计
分布式能源系统中生产活动与碳管理活动之间的协同关系复杂且涉及多因素[19]。一方面，电力生产会导致煤、天然气等燃料的消耗进而产生二氧化碳；另一方面，碳约束的限制会影响各发电机组的日前发电规划和日内实际发电情况，日后碳市场交易的损益状况也会间接对发电机组的发电安排产生影响。现有的模型研究忽视了企业碳排放管理活动与产品的规划、生产之间的协同互动关系。本文设计的碳管理模型如图 4所示，图中“DES”代表分布式能源系统。
碳管理模型建立在分布式能源系统仿真优化模型之上，仿真优化模型可以模拟和优化能源资源的供需与转化，进而对该系统的能源消耗和碳排放情况进行分析和评估，碳管理模型通过计算和分析该系统的碳排放量，制定和实施碳减排方案，以实现在生产过程中降低碳排放量的目标。为实现生产活动与碳管理活动的高效协同互动，本文设计的碳管理模型主要包括碳排放预测、碳实时优化与核算、碳市场交易与绿证交易三个组成部分。
2.1.1 碳排放预测
碳排放预测是企业碳配额管理的关键要素[25]，能为制定碳减排计划提供科学、有效的参考和依据。本研究在预测日前分布式能源系统24 h的碳排放量时考虑分布式能源系统各设备的经济成本和环境成本。经济成本包括风力发电投资成本与维护成本、光伏发电投资成本与维护成本、CCHP投资成本与维护成本，以及储能设备投资成本与维护成本；环境成本指分布式能源系统在运行过程中排放的二氧化碳需要承担的碳排放成本。首先根据日前新能源预测的输出功率，在满足一定负荷的前提下，以最小化环境成本和经济成本为目标函数，优化燃气轮机和储能的输出功率和充放电情况；然后根据能源消耗量和动态碳排放因子进行二氧化碳排放预测，为企业碳预算提供基础数据，提前规划企业碳减排和碳市场活动。
2.1.2 碳实时优化与测算
利用计算机等技术手段，对企业生产过程中的相关数据进行采集、处理与模拟分析，可以实现企业碳排放量的实时监测、优化控制与排放成本测算等操作。在本文设计的两阶段实时碳优化与测算模型中，在日内重调度阶段，根据可再生能源的实际发电量，以15 min为一个周期，使用滚动优化策略对能源设备的运行和上网电量的采购进行重新调度。在该策略中，t时隙的优化函数基于t时隙风电发电量和光伏发电量的实测值及在剩余时隙(t+1, ⋯, T)的预测值，对于最优解，只执行当前时隙t的解，放弃剩余时隙(t+1, ⋯, T)的解，当到达下一个t+1时隙时，优化区间变成(t+1, ⋯, T)。每一次优化结束，产生t时刻的动态碳排放强度和累计碳排放量。因此，在日内阶段，存在96个优化问题，随着时间的增加优化位数逐渐减少，从而实现碳排放的实时优化与测算，本文构建的两阶段实时优化调度模型如图 5所示。
![]()
图 5 分布式能源系统两阶段实时优化调度模型Figure 5. Two stage real-time optimization scheduling model for distributed energy system2.1.3 碳市场交易与绿证交易
参与碳市场交易和绿证交易是企业将减排贡献变成现金流量的两种途径[26]。通过将碳市场交易和绿证交易纳入企业管理体系中，企业可以获得更加灵活的减排选项，降低减排成本，从而实现更加经济高效的减排目标。另外，研究分布式发电参与碳市场交易和绿证交易有助于做好分布式发电参与绿证及碳市场的理论衔接，更好地发挥分布式发电的电量价值和环境价值，据此，本文构建了碳市场交易模型和绿证交易模型。
(1) 碳市场交易模型
碳市场交易是企业进行碳管理的基本途径，企业可以基于自己的碳配额数据通过市场手段进行排放权交易以平衡各自的排放量，从而达到低成本控制碳排放总量的目的。碳排放配额是企业拥有的发电机组相应的二氧化碳排放限额，包括化石能源消费产生的直接排放和购入电力产生的间接排放。
目前我国碳排放配额采用免费发放的形式，以实现总量控制的目标，各企业拥有的年度配额量为各机组年度配额量的总和，各机组的年度配额量结合实际产出量及相关修正系数确定。借鉴林森等[27]的碳配额研究，结合分布式能源系统本身的能源种类特点，本文设计的碳排放配额模型包括燃气机组产生的直接排放和上级电网采购影响的间接排放所对应的二氧化碳限额。机组免费配额量：
Q=q124∑t=1(Pg,t+Pgr,t), (5) 其中，q1为碳排放权分配系数，Pg, t为t时刻燃气机组的实际发电功率，Pgr, t为t时刻从上级电网采购的电功率。
基于免费碳配额模型及实际碳排放量的计算，本文构建的分布式能源系统的碳交易收益或成本：
CC=(CG,I−Q)×ρC, (6) 其中，CG, I为碳排放成本；ρC为碳交易价格。
(2) 绿证交易
绿证交易可以充分发挥分布式能源系统的绿电优势，通过售出绿证赚取收益。绿色证书交易收益(或成本)：
Cge=q224∑t=1(Pw,t+Ppv,t)/ω, (7) 其中，q2为绿证市场价格；Pw, t、Ppv, t为风电、光伏在t时刻的实际输出功率；ω为可再生能源发电量与绿证量的转换系数。
2.2 求解算法
2.2.1 优化调度目标函数
设计分布式能源系统运行的优化模型，分析分布式能源系统在经济成本和环境成本最小化的运行调度规划和碳排放变化情况。由于在模型中引入了动态碳排放因子，目标函数中包含了非线性部分，属于多变量的非线性优化问题，因此本文使用Matlab的非线性约束最优化函数fmincon进行求解。目标函数包括系统运维成本、购售电收益或成本、碳排放成本和绿证收益或成本四部分，即
f=min(Com+Cgr+CC+Cge), (8) 其中，Com、Cgr、CC、Cge分别为系统运维成本、购售电收益(或成本)、碳排放权交易收益(或成本)、绿证交易收益(或成本)4部分组成。
Com=Cw+Cpv+Cg+Cbat , (9) 其中，Cw为风电机组运行成本，Cpv为光伏机组运行成本，Cg为冷热电联供机组运行成本，Cbat为储能机组运行成本，风电、光伏发电和储能的运行成本包括单位维护成本和单位折旧成本两部分，燃气轮机除维护成本和折旧成本外，还需要考虑燃料成本。各机组成本计算公式如下：
Cw=(Cw,op+Cw,de)×Pw×ΔT, (10) Cpv=(Cpv,op+Cpv,de)×Ppv×ΔT, (11) Cg=[(Cg,op+Cg,de)×Pg+Pg×Vg]×ΔT, (12) Cbat =(Cbat , op +Cbat , de )×(Pchar +Pdis )×ΔT, (13) Cgr=(ppgr×Ppgr−psgr×Psgr)×ΔT, (14) 其中, Cw为风电机组运行成本, Cw,op、Cw,de表示风电机组的单位维护成本和单位折旧成本; Cpv为光伏机组运行成本, Cpv,op、Cpv,de表示光伏机组的单位维护成本和单位折旧成本; Cg为冷热电联供机组运行成本, Cg,op、Cg,de表示冷热电联供机组的单位维护成本和单位折旧成本; Vg表示单位发电量使用的天然气成本; Cbat为储能机组运行成本, Cbat,op、Cbat,de表示储能设备的单位维护成本和单位折旧成本; Pchar、Pdis表示储能的充放电功率; Cgr为电网购、售成本或收益; Ppgr、Ppgr分别为t时刻从外部电网的购电电价和功率; Psgr、Psgr分别为t时刻向外部电网售电的电价和功率。
分布式能源系统的碳排放成本包括直接排放成本CG和间接排放成本CI两部分，
CG,I=CG+CI, (15) 直接排放核算见1.2部分。分布式能源系统的间接排放主要来源于上级电网购电，基于电力系统的碳排放流理论，能根据发电侧发电机组信息、线路潮流信息和线路网损等信息将碳排放打上标签，从而厘清来自电网碳排放的来源和去向[28]。在该理论下，上级电网购电涉及的碳排放动态成本计算公式：
CI=Pgr×EFg,i,t, (16) 其中，EFg, i, t为一定区域内的碳排放强度，实质为区域i内各个节点碳势的加权平均值，可以表征区域i内碳排放量变化的时空特性。
EFg,i,t=∑q∈Z(Qqi,t×εi,t)∑q∈ZQqi,t, (17) 其中，EFg, i, t为区域电网在第i天t时刻的区域动态碳排放系数；Qi, tq为节点q在第i天t时刻的负荷量；εi, t为基于碳排放流理论算出的节点q在第i天t时刻的碳势；Z为区域电网n内节点集合。
2.2.2 约束条件
分布式能源系统运行过程中，需要满足的约束条件如下：
(1) 能量平衡约束
PeCHP,t+Pw,t+Ppv,t+Pdis,t+Pchar,t+Pgr,t=Pe 。 (18) 能量平衡约束包括电功率平衡约束和热功率平衡约束两部分，其中PCHP, te为热电联供机组在t时刻的发电输出功率，Pw, t为风力发电机组在t时刻的输出功率，Ppv, t为光伏机组在t时刻的出力，Pdis, t、Pchar, t分别为储能设备在t时刻的放电功率和充电功率，储能系统在同一时间段不能同时进行充放电，Pgr, t代表t时刻从电网购买或者出售的电力，Pe为发电负荷。
系统的热功率平衡约束：
PhCHP,t+Pgb,t=Ph, (19) 其中，PCHP, th代表热电联供机组在t时刻生产的热量，Pgb, t为余热锅炉在t时刻生产的热量，Ph为热负荷。
(2) 机组容量约束
{Pmin,t⩽ (20) 其中，Pmin, t为机组运行下限，Pmax, t为机组运行上限。
(3) 机组爬坡约束
\left\{\begin{array}{c} P_{\mathrm{g}, t-1}-P_{\mathrm{g}, t} \leqslant P_{\text {down }} \\ P_{\mathrm{g}, t}-P_{\mathrm{g}, t-1} \leqslant P_{\text {up }} \end{array}, \right. (21) 其中，Pdown为机组爬坡下限，Pup为机组爬坡上限。
(4) 储能约束
\left\{\begin{array}{l} 0 \leqslant u_{\text {char }, t}+u_{\mathrm{dis}, t} \leqslant 1, u_{\text {char }, t}、u_{\mathrm{dis}, t} \in\{0, 1\} \\ \operatorname{SOC}_{\text {min }} \leqslant \mathrm{SOC}_t \leqslant \mathrm{SOC}_{\text {max }} \\ \sum\limits_1^T P_{\text {char }, t}+\sum\limits_1^T P_{\text {dis }, t}=0 \end{array}, \right. (22) 储能电池充电和放电不能同时发生，定义uchar, t、udis, t为储能的充放电状态参数；储能系统荷电比例SOC不超过荷电比例上下限值；储能设备一天内充放电功率之和为0。
3. 案例分析与讨论
3.1 算例参数
为验证所构建动态碳排放因子及碳管理模型在分布式能源系统运行过程中的经济性和有效性，本节在不同情况下进行仿真，并在Matlab中实现了仿真优化。由于目前不具有发电能力的供热设施不纳入碳配额管理的范围，不需要核算碳排放，因此研究的案例设备包括：风力发电机、光伏机组、燃气轮机、电池储能设备。案例中风、光及负荷预测值(图 6)参考文献[29]的结果，其中，风电厂、光伏电站、燃气机组的额定功率分别是300、300、80 kW。
燃气机组参与深度调峰，最低输出功率为额定容量的30%，爬坡速度最大为45%。最大存储容量为90 kW，初始电量为最大存储电量的40%，最大充放电功率为45 kW，荷电比上限和下限分别为0.9和0.1，充电效率和放电效率均为95%。系统向外网购电采用北京市大工业分时电价(图 7)。
余电上网电价采用北京市风电、光伏上网指导价，即0.358 2元/(kW·h)。上网购电的动态碳排放系数采用清华大学与国网江苏省电力有限公司构建的ecarbon+平台中更新的典型日实时用电碳排放曲线进行模拟分析(图 8)。由于实际风力发电、光伏发电以及负荷用电的不确定性，案例中风电和光伏发电及负荷的实际运行数据采用日前预测数据添加20%的随机波动产生的序列，各机组的成本信息如表 1和表 2所示。
![]()
图 8 区域上网动态碳排放系数Figure 8. Dynamic carbon emission factors for regional internet access表 1 主要设备成本信息Table 1. Main equipment cost information设备类型 功率范围/kW 初始投资成本/万元 预计使用寿命/年 太阳能光伏板 0~300 200 25 风力发电机组 0~300 310 25 燃气轮机 0~80 33 25 蓄电池 0~90 13 3 表 2 主要设备优化调度使用成本参数Table 2. Cost parameters for optimizing and dispatching main equipment设备类型 功率范围/kW 单位折旧成本/(元·kW-1) 单位维护成本/(元·kW-1) 太阳能光伏板 0~300 0.150 0.086 风力发电机 0~300 0.079 0.045 燃气轮机 0~80 0.036 0.020 蓄电池 0~90 0.170 0.045 受政策变化及供需波动等多种因素影响，本文假设碳市场价格及绿证价格在考虑的时间段内相对稳定，并选取典型的市场价格作为案例分析的参数，不会对实验结论产生显著影响。基于碳市场交易平台的历史交易数据，碳排放约束成本和碳交易价格取0.073元/kg(CO2)，根据《2021、2022年度全国碳排放权交易配额总量设定与分配实施方案(发电行业)》，碳排放权分配系数取0.390 1 kg/(kW·h)(CO2)，可再生能源发电量与绿证量的转换系数取0.001，绿证价格为50元/个。
3.2 情景设置
为了比较动态碳排放因子与静态碳排放因子在碳排放核算时的差异性，以及评价本文设计的三阶段碳管理模型在分布式能源系统运行中是否能发挥经济优越性和碳减排效果，对分布式能源系统进行实时优化，以参与碳市场交易、绿证交易作为情景设置变量，设置4个典型情景(表 3)。情景1是基础情景，不考虑实时优化和碳市场及绿证交易。情景2是在情景1的基础上，添加碳市场及绿证交易。情景3是在情景1基础上，添加实时优化。情景4是在情景1基础上既考虑实时优化，又考虑碳市场及绿证交易。
表 3 情景设置Table 3. Scenario settings情景设置 碳排放因子 实时优化 碳市场交易和绿证交易 情景1 动态 不考虑 不考虑 静态 不考虑 不考虑 情景2 动态 不考虑 考虑 静态 不考虑 考虑 情景3 动态 考虑 不考虑 静态 考虑 不考虑 情景4 动态 考虑 考虑 静态 考虑 考虑 3.3 算例结果分析
3.3.1 不同碳排放因子下的碳排放量对比
采用静态碳排放因子进行分布式能源系统碳排放计算会低估碳排放压力(表 4、图 9)。静态碳排放因子的取值往往是根据燃气轮机处于满负荷时的碳排放强度取值，忽视了系统波动对碳排放强度的影响。在分布式能源系统中，受可再生能源输出功率不稳定及消费侧负荷波动的影响，燃气轮机输出功率波动性较大，机组在不同时刻的负荷强度也随之波动。在日内实时监测过程中，使用静态碳排放因子无法反映真实的机组碳排放强度；在日以上的监测周期中，对于负荷波动变化较大的能源系统，使用静态碳排放因子存在低估风险，而且低估会随着时间的推移而累积，造成动态和静态碳排放因子核算的差异逐渐扩大(图 9)。
表 4 不同情景下系统运行总成本对比Table 4. Comparison of total system operating costs under different scenarios情景 核算方式 经济成本/元 碳排放量/kg 环境成本/元 总成本/元 碳排放成本 碳交易成本 绿证 情景1 动态 1 703.34 984.32 71.86 0.00 0.00 1 775.20 静态 1 703.64 962.98 70.30 0.00 0.00 1 773.93 情景2 动态 1 702.99 983.81 71.82 15.33 -280.65 1 509.49 静态 1 703.40 961.69 70.20 14.10 -280.65 1 507.06 情景3 动态 1 528.71 849.02 61.98 0.00 0.00 1 590.69 静态 1 528.18 781.06 57.02 0.00 0.00 1 585.20 情景4 动态 1 528.80 851.26 62.14 18.02 -280.65 1 328.31 静态 1 528.22 781.74 57.07 13.46 -280.65 1 318.10 ![]()
图 9 动态、静态碳排放因子差异对比示意图(月度)Figure 9. Comparison diagram of dynamic and static carbon emission factor differences (monthly)3.3.2 动态碳排放因子下碳排放量的实时变化
分布式能源系统内的直接碳排放主要来源于燃气轮机发电，分析发现除受能量平衡约束外，燃气轮机发电量还受到燃气轮机的单位发电成本和余电上网电价之间相对关系的影响(图 10)。
情景1的日内碳排放实时监测图(图 10)中可见2处明显的变化：一是6时负荷强度突然升高并在8~9时达到峰值；二是19~22时，碳排放量明显高于其他时刻。6时负荷强度异常变化受两方面因素影响：一方面，由于6时开始早上用电需求增加，而此时光伏和风电无法满足用电需求，需要燃气轮机发电以满足负荷要求；另一方面，燃气轮机单位发电成本和余电上网电价的相对关系也会影响碳排放量，早高峰余电上网电价相对较高，此时燃气轮机在负荷强度较高时单位发电成本较低，剩余电量上网具有经济性，所以6时燃气轮机负荷增加。系统在19~22时属于全天的碳排放量峰值，因为此时太阳落山导致光伏发电降低，同时风力发电也在降低，而用电负荷属于晚高峰时期，为了满足系统负荷需求，燃料轮机输出功率达到功率最大值，因而此时系统的碳排放量较高，碳排放成本也较高。
3.3.3 动态碳排放因子下不同情景总收益对比
动态碳排放因子下4种情景的优化调度(图 11~图 12)结果表明：模型设定情景1和情景2不考虑新能源输出功率的实时波动性，根据日前预测结果进行优化调度，当日内出现预测值小于实际值时，优先使用火电补足电力，火电达到最大输出功率后，通过上网购买电量以维持实时电能量平衡。情景3和情景4考虑新能源出力的波动性，以15 min为间隙更新输入新能源实时功率，重新优化调度。
![]()
图 12 累积燃气轮机输出功率曲线和储能实时充放电曲线Figure 12. Output power curves and real-time energy storage charge-discharge curves of accumulated gas turbine通过分析在动态碳排放因子核算方式下4种情景的成本构成可发现：情景2由于分布式能源系统在碳管理流程加入碳市场交易和绿证交易，会带来碳交易成本的上升，但由于其绿电优势可参与绿证交易，总成本相较于情景1降低了14.97%；同理对比情景3与情景4，情景4总成本降低了16.49%。这说明对分布式能源系统来说，在碳管理中积极参与碳交易市场以及绿证交易，可以更好地发挥高比例清洁能源带来的绿电优势，从而降低环境成本以降低总成本。
情景3与情景4在优化调度的过程中，随着新能源实际发电数据的更新，每15 min重新进行优化调度，实现了经济成本和环境成本的双重下降。对比情景1与情景3，经济成本下降10.25%，碳排放成本下降13.75%；对比情景2与情景4，情景4的经济成本下降了10.23%，碳排放成本下降了13.47%。进一步分析可发现在碳管理中实时优化算法能够实现在满足各种约束的条件下降低燃气轮机使用量，提升储能利用率，实现经济成本与碳排放成本的双重降低。情景4相较于情景1，从经济效益来看，总成本下降446.89元；在环境性能方面，日排放量减少133.06 kg。
4种情景下累积燃气轮机输出功率以及储能实时充放电曲线如图 12所示。4种情景的总成本从大到小依次为：情景1、情景3、情景2、情景4。
分布式能源系统在进行碳管理时，情景4的碳管理方法降低碳排放成本和总成本的效果最好，说明分布式能源系统应该积极参与碳交易与绿证交易，发挥其绿电优势带来的经济效益，同时采用两阶段的实时优化策略可以实现分布式能源系统内的资源运行优化配置，进一步提高分布式能源运行的经济性与环境性。
4. 结论
本文考虑可再生能源的波动性，创新性地构建了能表征碳排放强度动态变化的碳排放因子，并进一步研究了在不同波动水平下动态碳排放因子与静态碳排放因子的测算差异。为实现分布式能源系统生产活动与碳管理活动的协同交互，将动态碳排放因子嵌入到分布式能源系统仿真优化模型中，据此构建了基于动态碳核算的三阶段碳管理模型。本文拓展了分布式能源系统碳管理的模型研究，主要的研究结论与成果如下：
(1) 随着负荷强度的增加，燃气发电机组的单位碳排放强度呈现出一定的变化，形成先下降后上升的波动性；
(2) 在不同波动水平下，发电机组负荷水平的平均值越大，静态碳排放因子与动态碳排放因子之间核算的差异越大；负荷水平在不同的标准差时，偏差变化的范围较大；案例分析发现采用静态碳排放因子进行分布式能源系统碳排放计算会低估碳排放压力，这证明对于碳排放强度本身波动较大的分布式能源系统使用动态碳排放因子测算更准确；
(3) 通过两阶段优化调度的处理来解决可再生能源输出功率波动的问题，实现了更精细化的运行调度管理。分析结果表明，考虑实时优化能实现碳排放量的显著下降；
(4) 考虑碳预测、碳优化、碳交易的三阶段碳管理模型可获得良好的综合运行性能，从经济效益来看，总成本下降了446.89元；在环境性能方面，CO2日排放量减少了133.06 kg。
受企业价值链复杂且碳排放责任界定困难的局限，本研究重点考虑分布式能源系统内范围1和范围2的碳排放测算及管理，未进一步考虑范围3的碳排放。未来随着碳排放测算方法学的建立，以及碳排放价值链管理的完善，有望实现分布式能源系统全价值链碳排放的动态测算与管理。
-
![]()
图 1 燃气轮机发电效率与负荷强度关系图
Figure 1. Relationship between electrical efficiency and load intensity of gas turbines
![]()
图 2 动态碳排放因子与静态碳排放因子的对比
Figure 2. Comparison between dynamic carbon emission factor and static carbon emission factor
![]()
图 3 不同工作量和波动水平下的核算差异
Figure 3. Accounting differences under different workloads and fluctuation levels
![]()
图 5 分布式能源系统两阶段实时优化调度模型
Figure 5. Two stage real-time optimization scheduling model for distributed energy system
![]()
图 8 区域上网动态碳排放系数
Figure 8. Dynamic carbon emission factors for regional internet access
![]()
图 9 动态、静态碳排放因子差异对比示意图(月度)
Figure 9. Comparison diagram of dynamic and static carbon emission factor differences (monthly)
![]()
图 12 累积燃气轮机输出功率曲线和储能实时充放电曲线
Figure 12. Output power curves and real-time energy storage charge-discharge curves of accumulated gas turbine
表 1 主要设备成本信息
Table 1 Main equipment cost information
设备类型 功率范围/kW 初始投资成本/万元 预计使用寿命/年 太阳能光伏板 0~300 200 25 风力发电机组 0~300 310 25 燃气轮机 0~80 33 25 蓄电池 0~90 13 3 
下载: 导出CSV
表 2 主要设备优化调度使用成本参数
Table 2 Cost parameters for optimizing and dispatching main equipment
设备类型 功率范围/kW 单位折旧成本/(元·kW-1) 单位维护成本/(元·kW-1) 太阳能光伏板 0~300 0.150 0.086 风力发电机 0~300 0.079 0.045 燃气轮机 0~80 0.036 0.020 蓄电池 0~90 0.170 0.045
下载: 导出CSV
表 3 情景设置
Table 3 Scenario settings
情景设置 碳排放因子 实时优化 碳市场交易和绿证交易 情景1 动态 不考虑 不考虑 静态 不考虑 不考虑 情景2 动态 不考虑 考虑 静态 不考虑 考虑 情景3 动态 考虑 不考虑 静态 考虑 不考虑 情景4 动态 考虑 考虑 静态 考虑 考虑
下载: 导出CSV
表 4 不同情景下系统运行总成本对比
Table 4 Comparison of total system operating costs under different scenarios
情景 核算方式 经济成本/元 碳排放量/kg 环境成本/元 总成本/元 碳排放成本 碳交易成本 绿证 情景1 动态 1 703.34 984.32 71.86 0.00 0.00 1 775.20 静态 1 703.64 962.98 70.30 0.00 0.00 1 773.93 情景2 动态 1 702.99 983.81 71.82 15.33 -280.65 1 509.49 静态 1 703.40 961.69 70.20 14.10 -280.65 1 507.06 情景3 动态 1 528.71 849.02 61.98 0.00 0.00 1 590.69 静态 1 528.18 781.06 57.02 0.00 0.00 1 585.20 情景4 动态 1 528.80 851.26 62.14 18.02 -280.65 1 328.31 静态 1 528.22 781.74 57.07 13.46 -280.65 1 318.10
下载: 导出CSV
-
[1] 李承周, 王宁玲, 窦潇潇, 等. 多能源互补分布式能源系统集成研究综述及展望[J]. 中国电机工程学报, 2023, 43(18): 1-25. LI C Z, WANG N L, DOU X X, et al. Research review and prospect of multi energy complementary distributed energy system integration[J]. Proceedings of the Chinese Society for Electrical Engineering, 2023, 43 (18): 1-25.
[2] WANG L Z, JIANG S Y, SHI Y Y, et al. Blockchain-based dynamic energy management mode for distributed energy system with high penetration of renewable energy[J]. International Journal of Electrical Power & Energy Systems, 2023, 148: 108933/1-15.
[3] 李幸芝, 韩蓓, 李国杰, 等. 分布式绿色能源碳交易机制及碳数据管理的挑战[J]. 上海交通大学学报, 2022, 56(8): 977-993. LI X Z, HAN B, LI G J, et al. The challenge of distributed green energy carbon trading mechanism and carbon data management[J]. Journal of Shanghai Jiaotong University, 2022, 56(8): 977-993.
[4] 刘明达, 蒙吉军, 刘碧寒. 国内外碳排放核算方法研究进展[J]. 热带地理, 2014, 34(2): 248-258. LIU M D, MENG J J, LIU B H. Research progress on carbon emission accounting methods at home and abroad[J]. Tropical Geography, 2014, 34(2): 248-258.
[5] LOU Y, YE Y, YANG Y, et al. Long-term carbon emission reduction potential of building retrofits with dynamically changing electricity emission factors[J]. Building Environment, 2022, 210: 108683/1-12.
[6] 葛津铭, 刘志文, 王朝斌, 等. 考虑需求响应的高比例光伏配电网低碳调度[J/OL]. 电网技术, 2023, 1-10. https://doi.org/10.13335/j.1000-3673.pst.2023.0602. GE J M, LIU Z W, WANG C B, et al. Low carbon dispatch of high proportion photovoltaic distribution networks considering demand response[J/OL]. Power System Technology, 2023, 1-10. https://doi.org/10.13335/j.1000-3673.pst.2023.0602.
[7] 高建强, 宋铜铜, 杨东江. 燃煤发电机组碳排放折算方法研究与应用[J]. 热力发电, 2020, 49(2): 88-92. GAO J Q, SONG T T, YANG D J. Research and application of carbon emission conversion methods for coal-fired power generation units[J]. Thermal Power Generation, 2020, 49(2): 88-92.
[8] LI C, WANG L, ZHANG Y, et al. A multi-objective planning method for multi-energy complementary distributed energy system: tackling thermal integration and process synergy[J]. Journal of Cleaner Production, 2023, 390: 135905/1-17.
[9] 魏旭, 刘东, 高飞, 等. 双碳目标下考虑源网荷储协同优化运行的新型电力系统发电规划[J]. 电网技术, 2023, 47(9): 1-13. WEI X, LIU D, GAO F, et al. A new type of power system generation planning considering coordinated operation of source network load storage under dual carbon goals[J]. Power System Technology, 2023, 47(9): 1-13.
[10] ZHONG X, ZHONG W, LIU Y, et al. Optimal energy management for multi-energy multi-microgrid networks considering carbon emission limitations[J]. Energy, 2022, 246: 123428/1-13.
[11] JU L, TAN Z, LI H, et al. Multi-objective operation optimization and evaluation model for CCHP and renewable energy based hybrid energy system driven by distributed energy resources in China[J]. Energy, 2016, 111: 322-340.
[12] 方程, 许彦斌, 张凯琳, 等. 可再生能源消纳责任权重制下风电多阶段消纳策略[J]. 华北电力大学学报(自然科学版), 2023, 50(3): 1-12. FANG C, XU Y B, ZHANG K L, et al. Multi stage wind power consumption strategy under the responsibility weight system for renewable energy consumption[J]. Journal of North China Electric Power University(Natural Science Edition), 2023, 50(3): 1-12.
[13] 康重庆, 杜尔顺, 李姚旺, 等. 新型电力系统的"碳视角": 科学问题与研究框架[J]. 电网技术, 2022, 46(3): 821-833. KANG C Q, DU E S, LI Y W, et al. "Carbon perspective" of new power systems: scientific issues and research framework[J]. Power System Technology, 2022, 46(3): 821-833.
[14] DONG Y, ZHAO Y, ZHANG J, et al. Development of a framework of carbon accounting and management on the township level in China[J]. Journal of Environmental Management, 2022, 318: 115609/1-12.
[15] ASCUI F, LOVELL H. Carbon accounting and the construction of competence[J]. Journal of Cleaner Production, 2012, 36: 48-59.
[16] 李薇, 许轶, 许野, 等. 基于FCI-公平性的电力系统负荷侧碳排放责任分摊研究[J]. 华南师范大学学报(自然科学版), 2023, 55(2): 10-17. doi: 10.6054/j.jscnun.2023014 LI W, XU Y, XU Y, et al. Research on load side carbon emission responsibility sharing in power systems based on FCI fairness[J]. Journal of South China Normal University(Natural Science Edition), 2023, 55(2): 10-17. doi: 10.6054/j.jscnun.2023014
[17] ANDREW J, CORTESE C. Accounting for climate change and the self-regulation of carbon disclosures[J]. Accounting Forum, 2011, 35(3): 130-138.
[18] SCHALTEGGER S, LVDEKE-FREUND F, HANSEN E G. Business cases for sustainability: the role of business model innovation for corporate sustainability[J]. International Journal of Innovation Sustainable Development, 2012, 6(2): 95-119.
[19] 殷俊明, 邓倩, 江丽君, 等. 嵌入碳排放的三重预算模型研究[J]. 会计研究, 2020(7): 78-89. YIN J M, DENG Q, JIANG L J, et al. Research on a Triple Budget Model embedded in carbon emissions[J]. Accounting Research, 2020(7): 78-89.
[20] REN F, WEI Z, ZHAI X. A review on the integration and optimization of distributed energy systems[J]. Renewable Sustainable Energy Reviews, 2022, 162: 112440/1-27.
[21] 生态环境部. 2021、2022年度全国碳排放权交易配额总量设定与分配实施方案(发电行业)[EB/OL]. 2023. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/202303/t20230315_1019707.html. [22] 王惠. 分布式能源系统多目标优化与敏感性分析[D]: 天津: 天津大学, 2016. WANG H. Multi objective optimization and sensitivity analysis of distributed energy systems[D]. Tianjin: Tianjin University, 2016.
[23] 朱良君, 张海珍, 王世朋, 等. 基于EBSILON的燃气-蒸汽联合循环系统高冷负荷下供能特性分析[J]. 热力发电, 2021, 50(2): 35-42. ZHU L J, ZHANG H Z, WANG S P, et al. Analysis of energy supply characteristics of gas steam combined cycle system under high cooling load based on EBSILON[J]. Thermal Power Generation, 2021, 50(2): 35-42.
[24] 曾丹苓. 工程热力学[M]. 北京: 高等教育出版社, 1986. [25] ZHOU X, NIU A, LIN C. Optimizing carbon emission forecast for modelling China's 2030 provincial carbon emission quota allocation[J]. Journal of Environmental Management, 2023, 325: 116523/1-16.
[26] YU X, DONG Z, ZHOU D, et al. Integration of tradable green certificates trading and carbon emissions trading: how will Chinese power industry do?[J]. Journal of Cleaner Production, 2021, 279: 123485/1-12.
[27] 林森, 文书礼, 朱淼, 等. 考虑碳交易机制的海港综合能源系统电-热混合储能优化配置[J]. 上海交通大学学报, 2023. DOI: 10.16183/j.cnki.jsjtu.2022.428. LIN S, WEN S L, ZHU M, et al. Optimizing the allocation of electric thermal hybrid energy storage in the comprehensive energy system of seaports considering carbon trading mechanisms[J]. Journal of Shanghai Jiaotong University, 2023. DOI: 10.16183/j.cnki.jsjtu.2022.428.
[28] 李姚旺, 张宁, 杜尔顺, 等. 基于碳排放流的电力系统低碳需求响应机制研究及效益分析[J]. 中国电机工程学报, 2022, 42(8): 2830-2842. LI Y W, ZHANG N, DU E S, et al. Research on the low-carbon demand response mechanism and benefit analysis of power systems based on carbon emissions[J]. Proceedings of the Chinese Society for Electrical Engineering, 2022, 42(8): 2830-2842.
[29] 张程, 匡宇, 刘佳静, 等. 考虑需求侧管理的风光燃储微网两阶段优化调度[J]. 电力系统保护与控制, 2022, 50(24): 13-22. ZHANG C, KUANG Y, LIU J J, et al. Two stage optimized scheduling of wind, solar, and fuel storage microgrids considering demand side management[J]. Power System Protection and Control, 2022, 50(24): 13-22.
-
期刊类型引用(2)
1. 王智. 高速铁路客运站房碳排放计算方法及减碳策略研究. 铁道建筑技术. 2024(09): 26-28+59 . 
百度学术
2. 肖佳，涂罗乐，梅琦，张建平，蒋龙. 油气企业参与绿电交易潜力评估及交易规划. 天然气与石油. 2024(05): 134-140 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 221
- HTML全文浏览量: 86
- PDF下载量: 70
- 被引次数: 5
