考虑季节性储氢的区域能源系统优化模型

徐 波，伍声宇，侯东羊，张玉敏，吉兴全，李文升

（1.国网能源研究院有限公司，北京 102209；2.山东科技大学电气与自动化工程学院，山东青岛 266590；3.山东大学电气工程学院，山东济南 250061）

0 引言

碳达峰、碳中和是中国式现代化征程的必由之路，大力发展新能源是我国实现“双碳”目标的重要途径，与传统化石能源发电相比，新能源发电具有随机性与波动性，大规模接入将对电力系统带来全方位挑战[1-5]。

为满足新能源调节需求，必须发展规模化储能。季节性储能能够支撑电能在长时间内能量平移，从而解决高比例新能源的长周期消纳问题[6-10]。相比其他季节性储能，氢能是大规模、长时段能量存储的最佳途径[11-14]。据不完全统计，全国有超过30个地方政府发布了氢气产业发展相关规划、实施方案、行动计划等。目前已有学者对电制氢技术的可行性展开广泛研究，文献[15]考虑氢能需求和交易模式，对风电制氢系统进行优化配置。文献[16]建立主动配电网中电制氢模块的优化规划模型，对电制氢的选型、选址、定容进行决策。文献[17]根据季节性储氢的关键特征，提出季节性储氢的配置方法。但目前研究多集中在对电力耦合氢能系统进行探讨，而对电、热/冷、气、氢、煤炭等能源耦合的能源规划方法尚未形成。国内近几年在能源系统规划研究方面积累了不少经验，文献[18]建立了中国综合能源优化模型（The Integrated MARKAL-EFOM System，TIMES），对2010—2050 年间中国终端能源和一次能源的消费及构成进行了研究。文献[19]构建了碳排放达峰路径模型体系，研究了中国未来可能的碳排放峰值水平及达峰路径。文献[20]开发了世界与中国能源展望模型，通过设定碳排放约束，模拟实现碳中和目标的中国能源转型路径。文献[21]开发了国家能源技术经济模型，研究了中国能源系统、碳捕集与封存技术以及碳汇对CO2 排放的贡献程度。虽然关于能源系统规划的研究已经取得了一定成果，但现有研究对新能源、季节性储氢等重大影响因素的考虑仍不够全面，导致对能源转型路径的技术可行性和经济性刻画不够准确，不能最大程度地降低转型成本。

综上所述，针对现有研究的不足本文提出考虑季节性储氢的区域能源系统优化模型。研究的创新之处在于采用K-means 聚类分析法获得新能源发电出力典型场景，并引入一定置信水平下的极限场景校验模型的鲁棒性，在传统能源规划模型基础上建立了计及新能源发电出力多场景、季节性储氢等技术的能源系统优化模型。算例分析表明，本文所提模型可有效降低供能成本、提高新能源消纳水平。

1 计及季节性储氢的区域能源系统

1.1 区域能源系统结构

参照国家统计局能源平衡表的划分标准，本文将一次能源供应划分为煤炭、石油、天然气、一次电力及其他能源，区域能源系统结构如图1 所示。其中，能源加工转换环节主要包括电力、热能、成品油、氢气等各类能源加工转换产品的生产。终端能源消费环节主要包括第一产业、第二产业、第三产业和居民生活等。

图1 区域能源系统结构Fig.1 Structure of regional energy system

制氢主要包括煤制氢、电制氢以及天然气制氢等，制取的氢气一方面可满足交通、高耗能行业等的消费需求，另一方面可根据电力系统需要进行发电[22-25]。本文利用电制氢技术将富余的新能源转化为氢气，通过跨季节储氢解决长时间尺度下新能源发电出力与电力需求的不匹配问题。采用电化学储能进行日内调节，可充分发挥长、短期储能的互补优势，其中季节性储氢在实现不同季节之间能量的调节方面具有明显优势。

1.2 新能源发电出力场景生成

新能源发电出力场景生成包括极限出力场景和典型出力场景生成2 种。由于典型出力场景无法考虑极端情况，为提高能源系统优化结果的鲁棒性，需综合考虑典型出力场景与一定置信水平下的极限出力场景，本文以风电为例说明场景生成方法。

1.2.1 极限出力场景生成

为在出力场景生成中计及小概率极端情景，有效反映实际情况，生成极限出力场景具体包括以下步骤：

1）根据风电历史出力数据，得到春、夏、秋、冬4个季节风电出力初始场景集合。季节j下风电场景z的风电功率为：

2）令Nj为季节j下风电出力初始场景数目，根据季节j下t时刻各风电出力初始场景的风电功率，获得季节j下t时刻的风电功率的概率分布函数为：

式中：Pj,t为季节j下t时刻的风电功率；Pr()∙为概率水平函数。

3）基于一定置信水平确定极限出力场景功率，风电在季节j下t时刻的极限出力场景风电功率满足条件为：

式中：σ为置信水平；为季节j下t时刻极限出力场景风电功率的概率分布函数。

1.2.2 典型出力场景生成

K-means 聚类法为电力规划中常用的新能源发电出力场景聚类方法。针对春、夏、秋、冬4 个季节风电历史出力数据样本，本文运用该方法将季节j下Nj个风电出力初始场景经过聚类缩减为U个典型出力场景。K-means 聚类具体步骤如下：

1）随机选取n个样本作为初始的聚类中心。

2）计算每个样本与n个聚类中心之间的距离，把每个样本分配给距离它最近的聚类中心。

3）求解出新的聚类中心。

4）如果聚类中心发生变化，则重复步骤2），否则，进行步骤5）。

5）当聚类中心不发生变化时，输出n个聚类中心作为典型出力场景。

2 区域能源系统优化模型

由于新能源发电极限出力场景与典型出力场景下，区域能源系统优化模型建模过程类似，受篇幅所限，本文仅针对典型出力场景说明建模过程。

2.1 目标函数

区域能源系统优化的目标是通过对不同规划方案的经济性进行比较，使能源系统总成本最小。总成本包括投资成本、运行成本和设备残值，其目标函数为：

式中：y为规划水平年；Y为规划年限；λ为规划年限折现率；Cinv,y，Coper,y，Vres,y分别为规划水平年y下区域能源系统的投资成本、运行成本和设备残值。

2.1.1 投资成本

投资成本Cinv,y为各类设备新增容量成本：

式中：m为某一设备类型；ΩW为不同设备类型集合；为设备类型m在规划水平年y下新增容量；t为设备类型m在规划水平年y下新增单位容量投资成本。

2.1.2 运行成本

运行成本Coper,y包括能源生产成本、交易成本、设备启停成本、运维成本和碳排放成本：

式中：Cpro,y，Cbuy,y，Csta-sto,y，Cmai,y，Cemi,y分别为规划水平年y下能源生产成本、交易成本、设备启停成本、运维成本和碳排放成本。

其中：

式中：ξ为一次能源类型；Ωpri为一次能源类型集合；分别为规划水平年y下一次能源ξ的本地单位生产成本、本地生产量；分别为规划水平年y下一次能源及其加工转换产品的国内调剂费用、国外进出口费用；Ωsea为季节集合；s为某一典型出力场景；Pr(j,s) 为季节j出力场景s发生的概率；Csta,m，Csto,m分别为设备类型m的启、停机成本；分别为t时刻设备类型m在规划水平年y下季节j场景s的启停机标志（为1 时设备启动，为1 时设备停机）；为设备类型m在规划水平年y下的单位容量运维成本；为设备类型m在规划水平年y下的累积容量；为规划水平年y下单位CO2排放成本；Ωdepa为部门集合，包括终端能源消费部门和能源加工转换部门；Ωprod为能源加工转换产品（本文简称能源产品）集合；Oi,y,ξ为规划水平年y下部门i中一次能源类型ξ的直接消费量；为部门i消费一次能源类型ξ的CO2排放系数；Oi,y,r为在规划水平年y下部门i中能源产品r的消费量；为部门i消费能源产品r的CO2排放系数。

2.1.3 设备残值

设备残值Vres,y是指设备资产折旧后的原值残值：

2.2 约束条件

1）能源供需平衡约束为：

2）容量利用约束[26]为：

3）电力平衡约束为：

式中：e为某一电源类型；Ωe为不同电源类型集合；Pe,y,j,s,t为电源类型e在规划水平年y季节j场景s下t时刻的出力；ΩLy为在规划水平年y下与区域相连的输电通道集合；为第L条输电通道在规划水平年y季节j场景s下t时刻的传输功率（设定流入区域为正方向，流出区域为负方向）；分别为电化学储能在规划水平年y季节j场景s下t时刻的充、放电功率；为热电联产机组在规划水平年y季节j场景s下t时刻的电功率；为氢气在规划水平年y季节j场景s下t时刻的放电功率；为电制氢设备在规划水平年y季节j场景s下t时刻的充电功率；为规划水平年y季节j场景s下t时刻的电力供热功率；为规划水平年y季节j场景s下t时刻的电力负荷。

4）电化学储能运行约束为：

5）耦合设备约束为：

6）季节性储氢约束为：

7）机组出力约束为：

8）系统备用约束为：

式中：γe,y为电源类型e在规划水平年y下参与电力平衡的系数；θy为规划水平年y系统备用率；为规划水平年y下系统最大电力负荷。

9）非化石能源消费占比约束为[27]：

2.3 能源系统优化流程

本文所构建的模型主要决策变量包括：各规划水平年设备新增容量、各设备/环节的能量流。能源系统优化流程步骤如下。

1）收集基础参数，包括能源技术经济参数、能源碳排放参数、基准年能源消费等。

2）对基准年数据进行校准。

3）对规划水平年终端煤炭、油品、天然气、电力、热能、氢气等能源消费量进行预测。

4）生成极限出力场景和典型出力场景。

5）将典型出力场景输入能源系统优化模型，求解得到规划方案。

6）利用极限出力场景校验规划方案鲁棒性。

7）若有可行解，则将步骤5 得到的规划方案作为最终解；否则，松弛储氢设备容量及非化石能源消费占比约束，返回步骤5。

3 算例分析

3.1 算例及情景设计

算例以某地区能源系统为对象进行研究，以2017 年为基准年，规划期为2017—2030 年，折现率取8%。基准年能源电力数据主要参考该地区统计年鉴，各类能源碳排放系数以及能源加工转换效率等参数参考相关权威机构统计数据进行测算确定。为分析在能源系统优化中纳入季节性储氢的影响，本文设置2 个情景进行对比。情景1：氢气不仅用于满足终端消费需求，还用于发电和供热；情景2：氢气仅用于满足终端消费需求。本文将情景1 作为基准方案，后续重点围绕基准方案开展论述，不再对情景2 进行分析。

3.2 优化结果

3.2.1 能源消费情况

按发电煤耗法核算，情景1 中一次能源消费总量及结构分别如图2 和图3 所示。

图2 情景1中一次能源消费总量Fig.2 Total primary energy consumption under scenario 1

图3 情景1中一次能源消费结构Fig.3 Composition of primary energy consumption under scenario 1

由图2 和图3 可知，情景1 中一次能源消费总量将从2017 年的1.1×108t 标准煤增加到2030 年的1.5×108t 标准煤，2025 年一次电力消费比重达33.0%，煤炭消费比重下降至40.6%，2030 年一次电力消费比重达39.2%。表明该地区通过大力发展可再生能源，逐步实现对化石能源的替代。

3.2.2 电力生产

情景1 中发电量构成如图4 所示。

图4 情景1中发电量构成Fig.4 Composition of power generation under scenario 1

由图4 可知，情景1 中发电量由2017 年的1.8×1011kWh 增长到2030 年的3.3×1011kWh。其中，煤电发电量仍然占比最高，2030 年发电量1.2×1011kWh，占比达34.8%。随着新能源大规模发展，电力生产量持续增加，2030 年新能源全年发电量约为4.2×1010kWh，在总发电量中的占比为12.6%，占比持续增加。

不考虑电制氢时2030 年各季节净发电量如图5 所示。

图5 2030年各季节净发电量Fig.5 Net power generation in each season in 2030

由图5 可知，春、夏季净发电量合计3.5×109kWh，秋、冬季缺电量合计1.3×109kWh，将春、夏季净发电量转化为氢能，制氢量可达6.5×104t。在秋、冬季电力供应不足时，可将制氢量的80%进行发电后并入电网保障电力安全供应，其余氢气用于满足交通、工业等行业部分氢气消费需求。

3.2.3 CO2排放情况

情景1 中分部门CO2排放总量如图6 所示。

图6 情景1中分部门CO2排放总量Fig.6 Total CO2 emissions by sectors under scenario 1

由图6 可知，能源消费CO2排放2025 年左右达峰，峰值约为2.2×108t。CO2排放量在2025 年前增速较快，2025 年之后CO2排放呈缓慢下降趋势，到2030 年降为2.0×108t。其中，电力部门是CO2排放是最主要的来源，2025 年和2030 年该部门的排放量将分别达到1.1×108t，1.0×108t，第二产业是仅次于电力部门的第二大排放源。

3.2.4 模型经济性分析

情景1 中供电成本包括各类电源、电制氢以及储氢设备投资成本和运行成本。根据测算结果，情景1 中电制氢、储氢设备成本相比情景2 有所增加，但由于新能源和调峰电源新增装机规模减少以及调峰发电机组启停成本降低，规划年限内总供电成本减少3×109元以上。短期看新能源消纳主要依靠电力系统，长期看单纯依靠电力系统难以充分利用新能源。而电制氢设备作为可变负荷，有助于新能源长周期消纳，提升电力系统长周期调节能力。目前我国氢能技术水平与国际水平仍有差距，若不能实现技术突破和氢能规模化商业应用，随着新能源渗透率的提高将增加对抽水蓄能、电化学储能等灵活调节资源的需求，进而导致系统供电成本增加。

4 结语

为应对未来大规模新能源接入对能源系统的影响，缓解能源供应的季节性矛盾，本文提出一种考虑季节性储氢的区域能源系统优化模型。研究表明，本文模型能够实现多场景、多时间尺度下不同能源形式的耦合和互补，提高能源系统规划方案的适应性，有利于降低成本、提高新能源消纳水平。后续研究将在现有研究基础上，进一步考虑各类碳减排技术对碳排放和能源系统规划方案的影响。