考虑换电站的综合能源系统低碳经济调度

图1 IES-BSS结构

Fig. 1 IES-BSS structure

1.1　IES设备模型

（1）燃气轮机(micro gas turbine，MT)

\{\begin{array}{l} P_{_{M T}}^{t} = η_{_{M T}}^{g e} H_{n g} G_{_{M T}}^{t} \\ H_{_{M T}}^{t} = η_{_{M T}}^{g h} H_{n g} G_{_{M T}}^{t} \end{array}

(1)

式中， $P_{M T}^{t}$ 和 $H_{M T}^{t}$ 分别是 $t$ 时段MT输出的电功率和热功率； $η_{M T}^{g e}$ 和 $η_{M T}^{g h}$ 分别是MT的气转电效率和气转热效率； $H_{n g}$ 是燃气热值； $G_{M T}^{t}$ 是 $t$ 时段MT的耗气量。

（2）燃气锅炉(gas boiler，GB)

H_{G B}^{t} = η_{_{G B}}^{g h} H_{n g} G_{G B}^{t}

(2)

式中， $H_{G B}^{t}$ 是 $t$ 时段GB输出的热功率； $η_{G B}^{g h}$ 为GB的气转热效率； $G_{G B}^{t}$ 为 $t$ 时段GB的耗气量。

（3）余热锅炉(recovery heating boiler，RHB)

H_{R H B}^{t} = η_{R H B} H_{M T}^{t}

(3)

式中， $H_{R H B}^{t}$ 为 $t$ 时段RHB输出的热功率； $η_{R H B}$ 为RHB的余热回收效率。

（4）吸收式制冷机(absorption chiller，AC)

C_{A C}^{t} = η_{A C} H_{A C}^{t}

(4)

式中， $C_{A C}^{t}$ 为 $t$ 时段AC输出的冷功率； $η_{A C}$ 为AC的制冷效率； $H_{A C}^{t}$ 为 $t$ 时段AC消耗的热功率。

（5）电制冷机(electric chiller，EC)

C_{E C}^{t} = η_{E C} P_{E C}^{t}

(5)

式中， $C_{E C}^{t}$ 为 $t$ 时段EC输出的冷功率； $η_{E C}$ 为EC的转换效率； $P_{E C}^{t}$ 为 $t$ 时段EC输入的电功率。

（6）储能设备(ES)

\{\begin{array}{l} E_{E S}^{t} = (1 - ε_{E S}) E_{E S}^{t - 1} + (P_{E S, c h a}^{t} η_{c h a}^{E S} - \frac{P_{E S, d i s}^{t}}{η_{d i s}^{E S}}) Δ t \\ E_{E S}^{1} = E_{E S}^{T} \\ 0 \leq P_{E S, c h a}^{t} \leq φ_{E S, c h a}^{t} P_{E S, c h a}^{m a x} \\ 0 \leq P_{E S, d i s}^{t} \leq φ_{E S, d i s}^{t} P_{E S, d i s}^{m a x} \\ φ_{E S, c h a}^{t} + φ_{E S, d i s}^{t} \leq 1 \\ E_{E S}^{m i n} \leq E_{E S}^{t} \leq E_{E S}^{m a x}, E S \in {E E S, H E S, C E S} \end{array}

(6)

式中， $E_{E S}^{t}$ 为 $t$ 时段的储能容量； $ε_{E S}$ 为储能的自损效率； $η_{c h a}^{E S}$ 和 $η_{d i s}^{E S}$ 分别为储能的充、放能效率； $E_{E S}^{1}$ 和 $E_{E S}^{T}$ 分别为储能开始的容量和结束的容量； $P_{E S, c h a}^{t}$ 和 $P_{E S, c h a}^{m a x}$ 分别为储能 $t$ 时段的充能功率和最大充能功率； $P_{E S, d i s}^{t}$ 和 $P_{E S, d i s}^{m a x}$ 分别为储能 $t$ 时段的放能功率和最大放能功率； $φ_{E S, c h a}^{t}$ 和 $φ_{E S, d i s}^{t}$ 分别为储能 $t$ 时段的充、放能状态； $E_{E S}^{m i n}$ 和 $E_{E S}^{m a x}$ 分别为储能容量的最小值和最大值， $E S$ 为储能类型， $E E S$ 、 $H E S$ 和 $C E S$ 分别为电储能、热储能和冷储能。

1.2　BSS模型

如图2所示，在满足用户换电需求情况下，换电站内满电量的闲置电池可通过B2G，即电池到电网实现电动汽车换电站和综合能源系统的协调运行，因此电动汽车换电站具有“源荷”两种特性，协助系统“削峰填谷”，实现低碳性和经济性。

图2

图2 BSS运行方式

Fig. 2 BSS operation mode

通过应用Monte Carlo方法，可以模拟并计算电动汽车在每个时段的换电需求概率，从而得出准确的换电需求量，由文献[23]可求出各时段的换电需求量。

为此，本文对BSS模型假设如下：①不考虑电池更换时间，用户的电池每次仅更换一块电池；②换电电池容量相同，电池采用恒功率充放电，转换效率为95%；③处于充电状态和放电状态的电池不参与用户换电，即只有满电量电池可用于换电服务。换电站模型如下：

\{\begin{array}{l} C_{B S S}^{t} = C_{B S S}^{t - 1} + P_{B S S, c h a}^{t} - P_{B S S, d i s}^{t} + C_{E V, l}^{t} - C_{E V, d}^{t} \\ P_{B S S, c h a}^{t} = η_{c} P_{c h a}^{} N_{c h a}^{t} Δ t \\ P_{B S S, d i s}^{t} = P_{d i s}^{} / η_{d} N_{d i s}^{t} Δ t \\ C_{E V, l}^{t} = λ E_{b} N_{E V}^{t} \\ C_{E V, d}^{t} = E_{b} N_{E V}^{t} \end{array}

(7)

式中， $C_{B S S}^{t}$ 、 $C_{E V, l}^{t}$ 、 $C_{E V, d}^{t}$ 分别为 $t$ 时段BSS存储的电池电量、从用户EV卸载的电池剩余电量和用于交换的电池电量； $P_{B S S, c h a}^{t}$ 、 $P_{B S S, d i s}^{t}$ 分别为BSS充、放电功率； $η_{c}$ 、 $η_{d}$ 分别为电池充、放电效率； $P_{c h a}^{}$ 、 $P_{d i s}^{}$ 分别为充电机的充、放电功率； $N_{c h a}^{t}$ 、 $N_{d i s}^{t}$ 和 $N_{E V}^{t}$ 分别为 $t$ 时段内BSS的充电电池数目、放电电池数目和用户的换电需求； $λ$ 为用户换电电池的平均电量系数，取0.3； $E_{b}$ 为电池容量。

2 碳交易机制的数学模型

碳交易机制是一种市场化机制，将碳排放作为可交易商品。监管部门制定排放规则并分配碳配额，激励能源供应商优先采取节能减排措施，以减少总体碳排放。该机制旨在促使能源产业转型，实现环保和可持续发展。通过引入市场机制和经济激励，碳交易机制为企业提供奖励和惩罚措施，推动减排和能效提升。企业需在规定碳配额内运营，确保控制碳排放，推动低碳经济。

2.1　碳排放初始配额

在碳交易机制下，实际的碳排放量可以自由交易，其数量取决于政府分配的碳排放量和实际排放量之间的差异。本文采用基线法确定系统无偿碳排放配额^[24]。IES的碳排放源包括购买的电力即上级煤电机组、燃气锅炉和燃气轮机，其碳排放初始配额如下：

\{\begin{array}{l} E_{I E S}^{} = E_{b u y, e}^{^{}} + E_{G B}^{^{}} + E_{M T}^{^{}} \\ E_{b u y, e} = δ_{e} \sum_{t = 1}^{T} P_{b u y, e}^{t} \\ E_{G B}^{^{}} = δ_{h} \sum_{t = 1}^{T} H_{G B}^{t} \\ E_{M T}^{^{}} = δ_{h} \sum_{t = 1}^{T} (δ_{e} P_{M T}^{t} + H_{M T}^{t}) \end{array}

(8)

式中， $E_{I E S}^{}$ 、 $E_{b u y, e}^{^{}}$ 、 $E_{G B}^{^{}}$ 、 $E_{M T}^{^{}}$ 分别为IES、火电机组、GB和MT的无偿碳排放配额； $δ_{e}$ 和 $δ_{h}$ 分别为单位发电量和单位供热量碳排放配额。

2.2　实际碳排放量

\{\begin{array}{l} E_{I E S}^{a} = E_{M T}^{a} + E_{G B}^{a} + E_{b u y, e}^{a} \\ P_{M T, G B}^{t} = P_{M T}^{t} + H_{M T}^{t} + P_{G B}^{t} \\ E_{M T, G B}^{a} = \sum_{t = 1}^{T} (a_{1} P_{M T, G B}^{t^{2}} + b_{1} P_{M T, G B}^{t^{}} + c_{1}) \\ E_{b u y, e}^{a} = \sum_{t = 1}^{T} (a_{2} P_{b u y, e}^{t^{2}} + b_{2} P_{b u y, e}^{t} + c_{2}) \end{array}

(9)

式中， $E_{I E S}^{a}$ 、 $E_{M T, G B}^{a}$ 、 $E_{b u y, e}^{a}$ 分别为IES、MT与GB和火电机组实际产生的碳排放量^[25]； $P_{M T, G B}^{t}$ 为MT与GB等效输出功率； $a_{i}$ 、 $b_{i}$ 、 $c_{i}$ ( $i$ =1，2)为耗气型设备和煤电机组的碳排放计算系数。

2.3　奖惩阶梯型碳交易成本模型

基于奖惩阶梯型碳交易机制，建立了碳交易价格体系。如图3所示，当系统的实际碳排放量超过初始分配限额时，IES应以阶梯型碳交易价格购买相应数量的碳排放权，从而增加其成本。反之，当系统的实际碳排放量低于初始分配额度时，IES可以按照阶梯型碳交易价格出售剩余的碳排放权，并获得相应收益。

图3

图3 奖惩阶梯型碳交易成本模型

Fig. 3 Carbon trading cost model with rewards and punishments

碳交易成本为

f_{C O_{2}} = \{\begin{array}{l} - c (1 + 2 ρ) (E_{I E S}^{} - ω - E_{I E S}^{a}), & E_{I E S}^{a} \leq E_{I E S}^{} - ω \\ - c (1 + 2 ρ) ω - c (1 + ρ) (E_{I E S}^{} - E_{I E S}^{a}), & E_{I E S}^{} - ω < E_{I E S}^{a} \leq E_{I E S}^{} \\ c (E_{I E S}^{a} - E_{I E S}^{}), & E_{I E S}^{} < E_{I E S}^{a} \leq E_{I E S}^{} + ω \\ c ω + c (1 + γ) (E_{I E S}^{a} - E_{I E S}^{} - ω), & E_{I E S}^{} + ω < E_{I E S}^{a} \leq E_{I E S}^{} + 2 ω \\ c (2 + γ) ω + c (1 + 2 γ) (E_{I E S}^{a} - E_{I E S}^{} - 2 ω), & E_{I E S}^{} + 2 ω < E_{I E S}^{a} \leq E_{I E S}^{} + 3 ω \\ c (3 + 3 γ) ω + c (1 + 3 γ) (E_{I E S}^{a} - E_{I E S}^{} - 3 ω), & E_{I E S}^{} + 3 ω < E_{I E S}^{a} \end{array}

(10)

式中， $c$ 为碳交易价格； $ω$ 为碳排放的间隔长度； $γ$ 为碳交易价格的增长率； $ρ$ 表示碳交易激励系数。

3 考虑换电站的综合能源系统低碳经济调度模型

3.1　目标函数

考虑BSS和奖惩阶梯型碳交易的IES最优运行模型的目标是在满足系统约束条件下使系统总运行成本最小化。系统总运行成本包括碳交易成本、设备运行维护成本、购能成本和BSS电池折旧成本。目标函数为：

m i n f = f_{C O_{2}} + f_{o m} + f_{b u y} + f_{B S S}

(11)

式中， $f_{C O_{2}}$ 为碳交易成本； $f_{o m}$ 为设备运维成本； $f_{b u y}$ 为能源购买成本； $f_{B S S}$ 为BSS放电电池损耗成本。

（1）碳交易成本见式(10)

（2）设备运维成本

f_{o m} = \sum_{t = 1}^{T} \sum_{i = 1}^{8} θ_{i}^{o m} P_{i}^{t}

(12)

式中， $i$ 取1，2…8，分别代表设备1至设备8； $θ_{i}^{o m}$ 为设备 $i$ 的运行维护成本系数； $P_{i}^{t}$ 为 $t$ 时段设备 $i$ 的出力。

（3）系统购能成本

f_{b u y} = \sum_{t = 1}^{T} θ_{b u y, e}^{t} P_{b u y, e}^{t} + θ_{b u y, g}^{t} \sum_{t = 1}^{T} (G_{M T}^{t} + G_{G B}^{t})

(13)

式中， $θ_{b u y, e}^{t}$ 和 $θ_{b u y, g}^{t}$ 分别为 $t$ 时段电网电价和天然气价格； $P_{b u y, e}^{t}$ 为 $t$ 时段系统的购电量。

（4）BSS电池折旧成本

f_{B S S} = α_{0} \sum_{t = 1}^{T} (N_{E V}^{t} + \frac{P_{B S S, d i s}^{t}}{E_{b}})

(14)

式中， $α_{0}$ 为BSS电池折旧系数。

3.2　约束条件

（1）功率平衡约束

\{\begin{array}{l} P_{P V} + P_{W T} + P_{b u y, e} + P_{M T} + P_{E S, d i s} = P_{c} + P_{E C} + P_{E B} + P_{E S, c h a} \\ H_{R H B} + H_{G B} + P_{H S, d i s} = P_{h} + H_{A C} + P_{H S, c h a} \\ C_{E C} + C_{A C} + P_{C S, d i s} = P_{l} + P_{C S, c h a} \end{array}

(15)

式中，P_PV和P_WT分别为光伏、风机输出的电功率；P_e、P_h和P_l分别为用户的电负荷、热负荷以及冷负荷需求。

（2）设备出力的上下限约束

\{\begin{array}{l} 0 \leq P_{i}^{t} \leq P_{i, m a x} \\ 0 \leq H_{i}^{t} \leq H_{i, m a x} \\ 0 \leq C_{i}^{t} \leq C_{i, m a x} \end{array}

(16)

（3）购能功率约束

\{\begin{array}{l} 0 \leq P_{b u y, e}^{t} \leq P_{b u y, e}^{m a x} \\ 0 \leq P_{b u y, g}^{t} \leq P_{b u y, g}^{m a x} \end{array}

(17)

（4）BSS容量约束

C_{B S S, m i n} \leq C_{B S S}^{t} \leq C_{B S S, m a x}

(18)

（5）电池数量约束

N_{_{f u l}}^{t} + N_{e m p}^{t} + N_{c h a}^{t} + N_{d i s}^{t} = N_{b a t}

(19)

式中， $N_{_{f u l}}^{t}$ 、 $N_{e m p}^{t}$ 和 $N_{b a t}$ 分别为BSS在 $t$ 时段的满电量电池数量、空电量电池数量和电池总数量。

（6）换电约束

\{\begin{array}{l} N_{f u l}^{t} + N_{c h a}^{t} \geq N_{E V}^{t + 1} + N_{E V}^{t} \\ N_{f u l}^{t} - N_{d i s}^{t} \geq N_{E V}^{t + 1} + N_{E V}^{t} \end{array}

(20)

（7）电池充、放电数量约束

N_{c h a}^{t} \leq N_{p o s, m a x}, N_{d i s}^{t} \leq N_{p o s, m a x}

(21)

式中， $N_{p o s, m a x}$ 为充电机数量。

3.3　模型转化及求解方法

本文建立了在奖惩阶梯型碳交易机制下考虑BSS的IES优化调度模型，是一个带约束的非线性数学规划问题。本文中，碳排放模型和约束条件为非线性约束，经过线性化^[18]后的模型属于混合整数线性规划问题(mixed integer linear programming，MILP)。在MATLAB中可调用Cplex求解器对优化模型进行求解，得到最优的运行结果。求解模型的标准形式为式(22)，求解过程如图4所示。

\begin{array}{l} m i n f^{T} x \\ \{\begin{matrix} s . t . & A x \leq b \\ A_{e q} x = b_{e q} \\ x_{m i n} \leq x_{i} \leq x_{m a x} \\ x_{j} \in {0,1} \end{matrix} \end{array}

(22)

其中，优化变量 $x$ 包括供能设备输出、能量耦合设备输出、储能设备输出、电网购电和换电站充放电计划；等式约束包括系统能量平衡方程、储能设备能量平衡方程和BSS电池约束。不等式约束包括系统中每个设备的运行约束和BSS运行约束。

图4

图4 IES-BSS优化调度流程图

Fig. 4 Flowchart of IES-BSS optimization scheduling

4 算例分析

4.1　算例参数

为验证本文所提模型及优化策略的可行性，本文选取华北某地区典型的IES作为仿真对象。调度周期为每天24 h，以1 h为调度时长。IES中各种负荷和风电、光伏出力的预测曲线如图5所示。天然气价取0.35元/(kW·h)，主网采用分时电价如表1所示，表2为储能参数，IES中各能量转换设备的参数和换电站参数如表3、表4所示，碳排放参数和实际碳排放模型参数如表5、表6所示。

图5

图5 负荷及风光出力预测曲线

Fig. 5 Load and wind power prediction curve

表1 主网分时电价

Table 1 TOU price of main network

类别

时段

价格/[元/(kW·h)]

峰时段

12∶00—14∶00

19∶00—22∶00

1.10

平时段

08∶00—11∶00

15∶00—18∶00

0.88

谷时段

01∶00—07∶00

23∶00—24∶00

0.48

表2 储能参数

Table 2 Energy storage parameters

参数	电储能	热储能	冷储能
$E_{E S}^{m a x}$ /(kW·h)	135	90	90
$P_{E S, d i s}^{m a x}$ /kW	30	20	20
$P_{E S, c h a}^{m a x}$ /kW	30	20	20
$E_{E S}^{m i n}$ /(kW·h)	15	0	0
$η_{c h a}^{E S}$ / $η_{d i s}^{E S}$	0.9	0.88	0.9
$ε_{E S}$	0.001	0.001	0.001

表3 设备参数

Table 3 Device parameters

参数	参数值	参数	参数值
$η_{E C}$	3.5	$η_{M T}^{g e}$	0.3
$η_{A C}$	1.2	$η_{M T}^{g h}$	0.4
$P_{M T, m a x}$ /kW	300	$η_{G B}^{g h}$	0.9
$C_{A C, m a x}$ /kW	150	$η_{R H B}$	0.85
$H_{G B, m a x}$ /kW	400	$C_{E C, m a x}$ /kW	150

表4 BSS参数

Table 4 BSS parameters

参数	参数值	参数	参数值
$α_{0}$	6	$N_{b a t}$	150
$P_{c h a}^{}$ ， $P_{d i s}^{}$ /kW	15	$E_{b}$ /(kW·h)	30
$η_{c}$ ， $η_{d}$	0.95	$N_{p o s, m a x}$	20

表5 碳排放参数

Table 5 Carbon emission parameters

参数	参数值
单位电量的无偿碳排放额 $δ_{e}$ /[t/(MW·h)]	0.728
单位热量的无偿碳排放额 $δ_{h}$ /[t/(MW·h)]	0.102
碳交易价格/(元/t)	267.6
碳交易价格增长系数 $γ$	0.25

表6 实际碳排放模型参数

Table 6 Actual carbon emission model parameters

耗电型			耗气型
$a_{1}$	$b_{1}$	$c_{1}$	$a_{2}$	$b_{2}$	$c_{2}$
0.0034	-0.38	36	0.001	-0.004	3

4.2　算例结果分析

为了验证所提在奖惩阶梯型碳交易机制下考虑换电站的综合能源系统低碳经济调度模型的有效性，本文设置了4种典型场景进行对比分析。

场景1：考虑换电站无序充电的IES经济运行模型。

场景2：在传统碳交易机制下考虑换电站有序充电的IES低碳经济运行模型。

场景3：在阶梯型碳交易机制下考虑换电站有序充电的IES低碳经济运行模型。

场景4：在奖惩阶梯型碳交易机制下考虑换电站有序充放电的IES低碳经济运行模型。

表7 不同场景下系统的碳排量和成本

Table 7 The system's carbon emissions and costs exhibit variations under different scenarios.

参数	场景1	场景2	场景3	场景4
碳交易成本/元	—	361.04	93.63	-221.47
碳排放量/kg	8172.2	7582.2	6733.6	6114.9
运维成本/元	544.17	584.65	612.28	626.98
购能成本/元	10535	9466.5	9200	8705.4
电池折旧成本/元	511.58	511.58	511.58	1076.3
总成本/元	11591	10924	10417	10187

（1）场景1和场景2的对比分析

场景2相比于场景1，系统的碳排放量比场景1减少了7.22%，系统总成本降低了5.75%，这是因为在目标函数中需要考虑碳交易成本，并且场景2换电站在低谷时刻充电相比于场景1无序充电在负荷高峰时段能够减少系统的供电成本。

（2）场景2和场景3的对比分析

相较于传统固定碳价的碳交易机制，阶梯型碳交易机制通过设置阶梯碳价，能够进一步限制系统的碳排放，阶梯型碳交易机制的引入使碳排放量减少了848.6 kg，即减少了11.20%。碳交易成本减少了267.41元。

（3）场景3和场景4的对比分析

场景4相比于场景3，系统的碳排放量减少了618.7 kg，即减少了9.19%，碳交易成本为负，表明此时系统获得碳收益，即碳排放成本可以盈利221.47元，并且系统的总成本减少了230元，即减少了2.21%。奖惩型碳交易机制通过奖励措施鼓励系统降低碳排放量，同时通过对高排放行为进行处罚的方式来激励系统减少碳排放，而换电站在负荷高峰期利用闲置满电量电池放电为系统提供电能，减少系统购电，虽然BSS通过B2G使得电池折旧成本升高，但系统的购能成本的减少和碳交易的碳收益使得总运行成本降低。

4.3　系统供需平衡分析

以场景4的调度结果进行具体供需平衡分析。考虑BSS和奖惩阶梯型碳交易机制下，IES的供能最优运行结果如图6～图8所示。

图6

图6 电功率供需平衡

Fig. 6 Power supply and demand balance

图7

图7 热功率供需平衡

Fig. 7 Thermal power supply and demand balance

图8

图8 冷功率供需平衡

Fig. 8 Cold power supply and demand balance

（1）在00∶00—07∶00时间段内电价较低，主要由向上级电网购电和风电以及光伏提供电能来满足用户的电负荷需求和BSS的电池充电需求，并且将多余的电能储存在EES中，充分消纳新能源。在12∶00—14∶00和19∶00—22∶00这2个负荷高峰时段内，考虑到电价升高，MT增加出力，并且EES和BSS进行放电，减少系统设备的供电压力。BSS在参与IES优化运行中充分利用了风光资源，同时，与系统的耦合设备协同运行，减少了向上级电网的购电量和MT的输出，相当于实现了碳排放量的减少，从而实现运行成本的降低，使IES更加经济低碳运行。因此换电站参与系统运行可有效缓解供能设备在用能高峰期的供能压力，增强系统的运行灵活性，在能源使用高峰期，它可以将充电电池转移至低谷时段，以保持系统的稳定性，降低系统的运营成本。

（2）热能供给主要由GB和RHB提供。在热负荷需求较低时，主要由GB提供热量，在满足用户热负荷需求下，多余的热能被HES收集起来，在热负荷高峰期释放热能，提高系统的稳定性。

（3）冷能供给主要由AC和EC提供。在电价低谷期，冷负荷主要由EC提供冷能满足，在电价高峰期，AC增加出力，EC减少出力，以此来减少系统运行成本，并且在满足系统冷负荷需求的同时，将多余的冷能存储在CES中，CES在系统供冷高峰或供冷不足时释放冷能，缓解系统中设备的供冷压力，实现能量的梯级利用。

4.4　BSS运行方式分析

结合表8和图9、图10可知，当换电站的运行方式是无序充电时，即在传统的换电模式下，用户到站即进行换电和充电操作，而没有考虑对换电负荷进行优化调度。用户换电需求的高峰期和基本电负荷高峰期相互叠加，BSS的充电时间主要集中在负荷的峰时段和平时段，增加了系统的电负荷峰值，即升高了14.58%。这种充电模式与电负荷的叠加进一步增加了系统供电负担。

表8 不同场景下系统的电负荷峰谷差情况

Table 8 The peak-valley difference of system electrical load in different scenarios

参数	无序充电	有序充电	有序充放电	基本电负荷
负荷峰值/kW	744.74	650	575.53	650
负荷谷值/kW	148	263	330.79	148
峰谷差/kW	596.74	387	244.74	502

图9

图9 BSS不同运行方式下充放电功率

Fig. 9 Charging and discharging power of BSS under different operating modes

图10

图10 BSS不同运行方式下负荷曲线

Fig. 10 Load curve of BSS under different operating modes

当换电站的运行方式转变为有序充电时，换电站将合理安排站内电池的充电计划，在分时电价的激励下，换电站将峰时段和平时段的充电电池转移至谷时段进行电池充电，降低系统在峰时段的供电压力，实现“填谷”，即峰谷差减少了22.9%。

当换电站的运行方式转变为有序充放电时，由图10可以看出，基本电负荷在10∶00—12∶00、18∶00—22∶00时段出现峰值，为充分利用换电站内闲置的满电量电池，在满足用户换电需求下，换电站可以参与IES优化运行，实现低价充电、高价放电的运行策略，降低系统中设备的供电压力，从而减少系统的运行成本，并且系统在电力高峰期减少了电网的购电量，即减少了煤电机组产生的碳排放量，IES可以将多余的碳配额出售，提高环境效益，降低运营成本。因此换电站可以合理引导系统向低碳经济方向发展，优化设备出力。

4.5　碳交易价格参数分析

在系统的低碳经济调度中，不同碳交易价格对IES的用能消耗和碳排放量有很大影响，如图11所示，随着碳交易价格的增加，IES优化能源组合，增加低碳能源的比例，IES的购电量减少、购气量增加，这是因为较高的碳交易价格会使系统向上级电网购电的成本增加，而系统为了降低碳排放量和运行成本，会减少高排放的火电机组的电能供应，为了替代其出力，系统通过增加购气量，即增加燃气设备的出力以减少碳排放并提高环保性，当碳交易价格超过250元/t时，继续增加碳交易价格对系统的运行影响较小，这是因为系统已经通过调整用能消耗和能源组合来实现经济性和环保性的平衡，此时的设备功率已经趋于稳定，购买电力和天然气的成本相对稳定。

图11

图11 碳交易价格对系统用能消耗和碳排放量的影响

Fig. 11 Influence of carbon trading price on system energy consumption and carbon emissions

5 结论

本文提出了一种在奖惩阶梯型碳交易机制下考虑换电站的综合能源系统优化调度模型，通过分析不同的场景及换电站运行方式，验证了所提模型的经济性和环保性，主要得到以下结论。

（1）换电站的运行方式可以实现削峰填谷，不仅可以缓解系统的能源供应压力，还可以减少系统从外部电网购买的电力和系统的碳排放。

（2）采用奖惩阶梯型碳交易机制，将其应用于IES。通过激励低排放、惩罚高排放的经济调节机制，为IES的低碳经济运行提供了有效途径。在其引导下，IES不仅能够有效减少碳排放，还能够通过碳交易在碳交易成本为负的情况下降低运行成本，展现出其优势和良好的发展前景。

（3）从碳减排背景来看，合理设置碳价，可以进一步减少IES的碳排放，通过分析不同碳交易价格对IES的用能消耗和碳排放量的影响，合理引导系统向低碳经济方向发展。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

程耀华, 张宁, 康重庆, 等. 低碳多能源系统的研究框架及展望[J]. 中国电机工程学报, 2017, 37(14): 4060-4069, 4285.

CHENG Y H, ZHANG N, KANG C Q, et al. Research framework and prospects of low-carbon multiple energy systems[J]. Proceedings of the CSEE, 2017, 37(14): 4060-4069, 4285.

[2]

李昊, 刘畅, 苗博, 等. 考虑冷热电互补及储能系统的多园区综合能源系统协调优化调度[J]. 储能科学与技术, 2022, 11(5): 1482-1491.

LI H, LIU C, MIAO B, et al. Coordinative optimal dispatch of multi-park integrated energy system considering complementary cooling, heating and power and energy storage systems[J]. Energy Storage Science and Technology, 2022, 11(5): 1482-1491.

[3]

XIE R, WEI W, WU Q W, et al. Optimal service pricing and charging scheduling of an electric vehicle sharing system[J]. IEEE Transactions on Vehicular Technology, 2020, 69(1): 78-89.

[4]

陆燕娟, 陈友芹, 潘庭龙. 考虑EV和需求侧响应的社区微网能量管理[J]. 储能科学与技术, 2021, 10(2): 617-623.

LU Y J, CHEN Y Q, PAN T L. Community microgrid energy management considering electric vehicles and demand response[J]. Energy Storage Science and Technology, 2021, 10(2): 617-623.

[5]

INFANTE W, MA J. Coordinated management and ratio assessment of electric vehicle charging facilities[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 5955-5962.

[6]

WU H. A survey of battery swapping stations for electric vehicles: Operation modes and decision scenarios[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 23(8): 10163-10185.

[7]

洪睿洁, 顾丹珍, 莫阮清, 等. 基于用户偏好的电动汽车储能V2G策略优化[J]. 储能科学与技术, 2023, 12(8): 2659-2667.

HONG R J, GU D Z, MO R Q, et al. Research on optimization of EV energy storage V2G strategy based on user preference[J]. Energy Storage Science and Technology, 2023, 12(8): 2659-2667.

[8]

葛少云, 孙睿, 刘洪, 等. 内嵌运行优化与动力电池梯次利用的光储充换电站多阶段规划[J]. 电力自动化设备, 2022, 42(10): 149-156.

GE S Y, SUN R, LIU H, et al. Multi-stage planning of charging and battery swapping station with photovoltaic and energy storage considering embedded operation optimization and cascaded utilization of electric vehicle batteries[J]. Electric Power Automation Equipment, 2022, 42(10): 149-156.

[9]

YANG J, LIU W, MA K, et al. An optimal battery allocation model for battery swapping station of electric vehicles[J]. Energy, 2023, 272: 127109.

[10]

崔杨, 李翼成, 付小标, 等. 基于换电服务定价策略及动态调控方法的含充换电站微电网系统双层优化调度[J]. 电网技术, 2023, 47(5): 1998-2011.

CUI Y, LI Y C, FU X B, et al. Double-layer optimal scheduling of micro-grid system with charging and swapping stations based on battery swap service pricing strategy and dynamic regulation[J]. Power System Technology, 2023, 47(5): 1998-2011.

[11]

代亮, 刘治南, 陈天泉, 等. 基于自供给模式的电动汽车换电站供需均衡运营策略[J]. 电力自动化设备, 2022, 42(7): 128-133, 182.

DAI L, LIU Z N, CHEN T Q, et al. Supply-demand equilibrium operation strategy of electric vehicle battery swapping station based on self-supply mode[J]. Electric Power Automation Equipment, 2022, 42(7): 128-133, 182.

[12]

黄敏丽, 于艾清. 基于改进布谷鸟算法的电动汽车换电站有序充电策略研究[J]. 中国电机工程学报, 2018, 38(4): 1075-1083, 1284.

HUANG M L, YU A Q. Study on coordinated charging strategy for battery swapping station based on improved cuckoo search algorithm[J]. Proceedings of the CSEE, 2018, 38(4): 1075-1083, 1284.

[13]

TAN X Q, QU G N, SUN B, et al. Optimal scheduling of battery charging station serving electric vehicles based on battery swapping[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1372-1384.

[14]

杨景旭, 唐渊, 姚蓝霓, 等. 考虑服务能力和削峰任务约束的换电站削峰方法[J]. 电力系统自动化, 2022, 46(15): 29-36.

YANG J X, TANG Y, YAO L N, et al. Peak-shaving method for battery swap station considering service capacity and peak-shaving task constraints[J]. Automation of Electric Power Systems, 2022, 46(15): 29-36.

[15]

ZHANG F, YAO S J, ZENG X K, et al. Operation strategy for electric vehicle battery swap station cluster participating in frequency regulation service[J]. Processes, 2021, 9(9): 1513.

[16]

YUAN H T, WEI G, ZHU L, et al. Optimal scheduling for micro-grid considering EV charging-swapping-storage integrated station[J]. IET Generation, Transmission & Distribution, 2020, 14(6): 1127-1137.

[17]

LI Y, YANG Z, LI G Q, et al. Optimal scheduling of isolated microgrid with an electric vehicle battery swapping station in multi-stakeholder scenarios: A bi-level programming approach via real-time pricing[J]. Applied Energy, 2018, 232: 54-68.

[18]

郭尊, 李庚银, 周明, 等. 计及综合需求响应的商业园区能量枢纽优化运行[J]. 电网技术, 2018, 42(8): 2439-2448.

[本文引用: 2]

GUO Z, LI G Y, ZHOU M, et al. Optimal operation of energy hub in business park considering integrated demand response[J]. Power System Technology, 2018, 42(8): 2439-2448.

[本文引用: 2]

[19]

施锦月, 许健, 曾博, 等. 基于热电比可调模式的区域综合能源系统双层优化运行[J]. 电网技术, 2016, 40(10): 2959-2966.

SHI J Y, XU J, ZENG B, et al. A Bi-level optimal operation for energy hub based on regulating heat-to-electric ratio mode[J]. Power System Technology, 2016, 40(10): 2959-2966.

[20]

魏震波, 马新如, 郭毅, 等. 碳交易机制下考虑需求响应的综合能源系统优化运行[J]. 电力建设, 2022, 43(1): 1-9.

WEI Z B, MA X R, GUO Y, et al. Optimized operation of integrated energy system considering demand response under carbon trading mechanism[J]. Electric Power Construction, 2022, 43(1): 1-9.

[21]

贠保记, 张恩硕, 张国, 等. 考虑综合需求响应与"双碳"机制的综合能源系统优化运行[J]. 电力系统保护与控制, 2022, 50(22): 11-19.

YUN B J, ZHANG E S, ZHANG G, et al. Optimal operation of an integrated energy system considering integrated demand response and a "dual carbon" mechanism[J]. Power System Protection and Control, 2022, 50(22): 11-19.

[22]

WANG L Y, DONG H Q, LIN J L, et al. Multi-objective optimal scheduling model with IGDT method of integrated energy system considering ladder-type carbon trading mechanism[J]. International Journal of Electrical Power & Energy Systems, 2022, 143: 108386.

[23]

程杉, 倪凯旋, 赵孟雨. 基于Stackelberg博弈的充换储一体化电站微电网双层协调优化调度[J]. 电力自动化设备, 2020, 40(6): 49-55, 69, 56.

CHENG S, NI K X, ZHAO M Y. Stackelberg game based bi-level coordinated optimal scheduling of microgrid accessed with charging-swapping-storage integrated station[J]. Electric Power Automation Equipment, 2020, 40(6): 49-55, 69, 56.

[24]

YANG P H, JIANG H, LIU C M, et al. Coordinated optimization scheduling operation of integrated energy system considering demand response and carbon trading mechanism[J]. International Journal of Electrical Power & Energy Systems, 2023, 147: 108902.

[25]

秦婷, 刘怀东, 王锦桥, 等. 基于碳交易的电-热-气综合能源系统低碳经济调度[J]. 电力系统自动化, 2018, 42(14): 8-13, 22.

QIN T, LIU H D, WANG J Q, et al. Carbon trading based low-carbon economic dispatch for integrated electricity-heat-gas energy system[J]. Automation of Electric Power Systems, 2018, 42(14): 8-13, 22.