相关论文：
-
-
全球能源互联网
第6卷 第4期 2023年07月；页码：428-436
考虑风力发电的煤电厂低碳经济优化调度
Low Carbon Economy Optimal Scheduling of Coal Power Plant Considering Wind Power Generation
- 1. 无锡学院，江苏省 无锡市 214105
- 2. 南京信息工程大学，江苏省 南京市 210044
- 3. 北京科技大学电气工程及自动化学院（工业过程知识自动化教育部重点实验室），北京市 海淀区 100083
- 4. 江苏安时商用储能系统有限公司，江苏省 南京市 210005
- 5. 清华大学能源互联网创新研究院，北京市 海淀区 100084
- 1. Wuxi University, Wuxi 214105, Jiangsu Province, China
- 2. Nanjing University of Information Science and Technology, Nanjing 210044, Jiangsu Province, China
- 3. Key Laboratory of Knowledge Automation for Industrial Processes of Ministry of Education, School of Automation and Electrical Engineering, University of Science and Technology Beijing, Haidian District, Beijing 100083, China
- 4. Jiangsu Ah Commercial Energy Storage System Co., Ltd., Nanjing 210005, Jiangsu Province, China
- 5. Energy Internet Research Institute Tsinghua University, Haidian District, Beijing 100084, China
关键词
Keywords
摘 要
Abstract
碳达峰碳中和目标的确立推动了电力系统降碳脱碳，传统煤电厂同时面临着碳排放成本上升的压力和新能源涌入电力市场的挑战。因此，建立煤电的运行成本模型和风电的投资成本模型，以典型日总收益最大化为目标，构建燃煤-风力发电系统的日前低碳经济优化调度模型，求解得出最大典型日总收益和最佳优化调度方案。旨在通过投资风电的方式帮助煤电厂降低碳排放量和度电成本，提高煤电的市场竞争力。对比分析煤电单独供电、风电优先输出与煤电-风电优化协同出力3种情景的收益与成本，发现煤电-风电优化协同出力情景相比煤电单独供电情景减少了32.59%的煤耗量和32.68%的碳排放量，增加收益35.33万元，收益涨幅约20.43%，相比风电优先输出情景减少了25.67%的爬坡量。该优化调度方案通过协调煤电和风电的出力关系，使煤电、风电优势互补，提升了发电系统的综合效益。
Carbon peaking and carbon neutrality goals promote the power system to reduce carbon emissions. Traditional thermal power plants are facing both the pressure of carbon tax and the challenge of new energy flooding into the power market. Therefore, the operating cost model of coal power and the investment cost model of wind power are established, and a day-ahead low-carbon economic optimal dispatch model of thermal-wind power system is constructed with the objective of maximizing the typical daily total revenue, which is solved to derive the maximum typical daily total revenue and the best optimal dispatch scheme. The aim is to explore the ways to help coal plants reduce carbon emissions and levelized cost of electricity by investing in wind power, and to improve the market competitiveness of coal power. Then, the revenues and costs of three scenarios (thermal power output, wind power priority output, and thermal power-wind power optimization synergy) are compared. Compared with thermal power output,the coal consumption and carbon emission of thermal powerwind power optimization synergy would reduce by 32.59% and 32.68% respectively, and the revenue would increase by 353,300 Yuan, about 20.43%. Compared with wind power priority output, the thermal power units ramp of thermal powerwind power optimization synergy would reduce by 25.67%. The low-carbon economic optimal scheduling model can increase the total revenue of thermal-wind power generation system by coordinating the output relationship between thermal power and wind power to make the advantages of thermal power and wind power complement each other.
0 引言
生态环境恶化，能源危机不断，恶劣天气频发，这些正威胁着人类的生存与发展。坚持碳达峰碳中和（简称“双碳”）目标，推动能源绿色低碳发展，促进电力系统降碳脱碳是解决上述问题的关键之一[1]。近年来，新能源快速发展，风电、太阳能装机容量不断增加[2]，未来新型电力系统将呈现以新能源为主、火力发电为辅的结构[3-4]。目前，燃煤发电一方面需要承受额外的碳排放成本[5-6]以及新能源涌入带来的煤电机组频繁爬坡和长时间低负荷运行[7]，一方面又要在新能源出力较弱时保障用户侧正常用电[8-9]。新能源发电以绿色环保、成本逐渐下降为特点，但缺乏稳定性。煤电虽有较高的稳定性，但存在环境污染问题，且成本逐步攀升[10]。在煤炭价格较高时，煤电厂甚至面临亏损压力。因此，迫切需要从耦合新能源的角度出发，寻求计及二者安全运行约束的协调优化运行方式。研究联合风电的煤电厂低碳经济优化调度方案，能够帮助“双碳”背景下的煤电厂通过联合风电优化运行的方式实现低碳转型，有助于缓解煤电机组频繁爬坡和长期低负荷运行产生的运行成本与安全问题，同时降低煤电厂的碳排放。
国内外学者已经在煤电联合其他能源优化调度领域作出了较多贡献，主要体现在煤电机组深度调峰和低碳运行2个方面。在煤电机组深度调峰方面，文献[11-13]提出了能够更全面评估深度调峰下煤电机组成本状况的寿命损耗成本模型和投油成本模型，证明了煤电机组合理深度调峰可以促进新能源消纳的可行性。文献[14]建立了考虑煤电深度调峰的风-光-火-储系统日前优化调度模型，充分发挥了该系统多能互补协同的优势，有效提高了新能源利用率并降低了系统运行成本。然而，文献[11-14]均未考虑“双碳”背景下煤电机组的碳排放成本，对系统供电成本的评估有所欠缺。在煤电机组低碳经济运行方面，文献[15]提出了一种利用碳捕集设备向电转气系统供给二氧化碳的方法，可以提高煤电机组的效率和能源利用率，降低碳排放成本。文献[16]提出了一种阶梯式碳排放费用与固碳收益相结合的经济性模型，旨在以碳排放成本最小为目标，优化电-气-热-氢综合能源系统，实现系统低碳经济运行。文献[17-19]提出了煤电结合柔性负荷优化运行的调度方法，可降低系统峰谷差和火电机组深度调峰成本。文献[15-19]虽然减少了系统总碳排放和总运行成本，但是缺少对煤电机组度电碳排放、度电成本方面的实证分析和优化方案探索。
本文提出了“双碳”背景下煤电厂投资风电联合优化调度运行的方案，构建了煤电机组的煤耗、碳排放、爬坡量与机组负荷率之间的函数关系，建立了风电投资成本、运维成本和风能未利用成本的核算模型，以及包含煤电运行成本、风电投资与运行成本的日总收益最大化模型。该模型通过GUROBI求解器求解出典型日的最大总收益和最佳优化调度方案。以比利时电网公司Elia的开源负荷功率数据与风电最大可发电功率数据为基础进行算例分析，对比煤电单独供电、风电优先输出和煤电-风电优化协同出力3种情景，分析了收益与成本的变化关系，总结了优化结果背后成本降低的内在逻辑，为煤电厂如何降低成本、实现低碳转型提供了一定的参考。
1 燃煤-风力发电系统收益模型
随着煤炭价格上涨，碳排放成本增加，煤电的成本逐渐增加，而风电成本将逐渐降低，因此煤电厂可考虑投资风电，联合自身已有的煤电供电，降低碳排放与煤耗，实现企业绿色转型[20-21]。在本文拟定的煤电厂投资风电联合优化运行情景下，燃煤-风力发电系统收益模型中的成本主要包括煤电的运行成本、风电的投资成本与运行成本。
1.1 煤电净收益模型
1.1.1 煤电收益
本研究的煤电厂收益来源主要为售电收益。煤电厂1 d的售电收益为该天内T个时间段的总发电量与煤电上网电价的乘积。煤电的售电收益为
式中：Rcoal为1 d的煤电售电收益；Scoal-sell为煤电的上网电价；Qcoal为1 d的煤电发电量；T表示1 d划分为T个时间段；Pecoal为煤电机组的额定功率；ncoal,i为1 d中第i时刻的煤电负荷率；ΔTcoal,i为煤电负荷率ncoal,i的持续时间。
1.1.2 煤电成本
煤电厂运行成本主要包括煤耗成本与爬坡成本[22]。目前煤电厂碳排放总量有配额限制，对于超出排放配额的碳排放，煤电厂需要购买相应的碳排放权（即发电权）进行抵消。因此，对于碳排放超出配额的煤电厂，其运行成本除了煤耗成本和爬坡成本外，还需加上碳排放成本。其他影响因素暂不纳入本文研究模型。
1）煤耗成本。
式中：Ccoal为1 d的煤耗成本；Scoal为煤炭单价；Bi为第i时刻的煤耗率，与煤电负荷率ncoal,i成二次函数关系，aB、bB、cB为相关系数。
2）碳排放成本。
式中：Cco2为1 d的碳排放成本；Sco2为碳交易单价；Ei为碳排放率，与煤电负荷率ncoal,i成二次函数的关系，aE、bE、cE为相关系数。
3）爬坡成本。
式中：Cramp为1 d的爬坡成本；Sramp为爬坡成本因子；Δncoal,i为该时刻的煤电负荷率与上一时刻之差。
1.1.3 煤电净收益
煤电净收益为煤电售电收益Rcoal扣除煤耗成本Ccoal、碳排放成本Cco2和爬坡成本Cramp，即
式中：Fcoal为1 d的煤电净收益。
1.2 风电净收益模型
1.2.1 风电收益
风电的收益来源主要为售电收益。风电售电收益为
式中：Rwind为1 d的风电售电收益；Swind−sell为风电的上网电价；Qwind为1 d的风电总发电量；
为第i时刻风电蕴含的最大可发电功率；nwind,i为第i时刻的风电负荷率，为风机第i时刻的实际发电功率与风机第i时刻所蕴含的最大发电功率之比；∆Twind,i为风电负荷率nwind,i持续的时间。
1.2.2 风电成本
风电的日建设成本为总投资成本与风力发电机寿命的比值。本文借鉴文献[23]，将总投资成本简化为风电单位装机容量的平均投资价格与风电装机容量的乘积。为鼓励清洁电能的使用，在模型中设置风能未利用成本[24]。风电的运维成本设为度电平均运维成本与该日风电发电量的乘积。
1）建设成本。
式中：Cinv为平均每d的建设成本；Sinv为单位风电装机容量的平均建设成本；
为风电的装机容量；Y为风机的平均寿命。
2）风能未利用成本。
式中：Cabdn为1 d的风能未利用成本；Sabdn为风能未利用成本系数。
3）运维成本。
式中：Copt为1 d的运维成本；Sopt为平均度电运维成本。
1.2.3 风电净收益
风电净收益可由风电售电收益Rwind扣除日投资成本Cinv、风能未利用成本Cabdn和运维成本Copt得到，即
式中：Fwind为1 d的风电净收益。
2 燃煤-风力发电系统低碳经济优化调度模型
2.1 目标函数
燃煤-风力发电系统日前低碳经济优化调度的目标函数为日总收益最大化，即煤电与风电的净收益之和最大。
总收益最大化目标函数如下：
2.2 约束条件
煤电和风电联合向某地区供电，需要该地区的发电用电功率实时平衡。煤电机组低于一定的负荷率将无法工作，存在不停机最小负荷率。煤电机组的发电功率在短时间内无法无限升高，因此机组爬坡速率也有一定的限制。
功率平衡约束为
式中：Pcoal,i为煤电第i时刻的输出功率；Pwind,i为风电第i时刻的输出功率；Pload,i为第i时刻的负荷情况。
负荷率约束为
式中：
、
分别为煤电负荷率的下限和上限；
、
分别为风电负荷率的下限和上限。
爬坡约束为
式中：Gcoal,i为第i时刻的爬坡速率；
、
分别为煤电机组爬坡速率的下限和上限；∆Pcoal,i为第i时刻与第（i-1）时刻间煤电机组的功率变化；∆Tramp,i为机组爬坡时间。
本文建立的优化调度模型为非线性模型，包含煤耗成本、碳排放成本2个非线性项。为求解该模型，本文使用MATLAB语言编程，并通过YALMIP工具箱描述模型的约束条件和目标函数，调用GUROBI求解器对其进行求解。
3 算例仿真
3.1 算例参数配置
本文采用的负荷功率和风电最大可发电功率来自比利时电网公司Elia的开源数据。Elia电网公司2022年3月8日（星期二）的开源负荷功率[25]与风电最大可发电功率[26]的日总用电量和风电发电量接近年度日平均值，并且其变化趋势具有典型特征。为提取Elia数据源中负荷数据与风电最大可发电功率的典型趋势特征作为本文相应规模负荷与风电的趋势特征，本文将该日的负荷功率和风电最大可发电功率经过式 （24）和式 （25）进行等比例转化，得出本文算例的负荷功率与风电最大可发电功率，如图1所示。
图1 转化后的负荷功率和风电最大可发电功率
Fig. 1 Converted load power and maximum generation power of wind power
式中：
为Elia中2022年3月8日第i时刻的负荷；
为Elia中该月的最大负荷；
为本文算例的最大负荷；
为Elia中2022年3月8日第i时刻的风电最大可发电功率；
为Elia中风电的装机容量；
为本文算例中风电的装机容量。由于篇幅原因，本文只研究600 MW最大负荷
和600 MW风电装机容量
的场景。Elia开源数据每隔15 min作为1个时间段，1 d共96个时间段，即T为96。
本算例的负荷情况如图1中的负荷功率所示，目前已有600 MW煤电机组向其供电，考虑再投入600 MW装机容量的风电联合供电。该煤电机组的基本参数如表1和表2所示。其中，表2的煤耗率系数和碳排放率系数由表3中的数据[27]拟合得出。
表1 煤电机组的基本参数
Table 1 Basic parameters of thermal power unit
名称参数数值e /MW600额定功率Pcoal min 30%最小负荷率ncoal max 100%最大负荷率ncoal min / (MW·h-1)0最小爬坡速率Gcoal max / (MW·h-1)91最大爬坡速率Gcoal
表2 煤电机组煤耗率和碳排放率系数
Table 2 Coal consumption rate coefficient and carbon emission rate coefficient of thermal power unit
名称参数数值煤耗率二次项系数aB / (g·(kWh)-1)0.032煤耗率一次项系数bB / (g·(kWh)-1)-0.076煤耗率常数项系数cB / (g·(kWh)-1)0.346碳排放率二次项系数aE / (g·(kWh)-1)0.144碳排放率一次项系数bE / (g·(kWh)-1)-0.284碳排放率常数项系数cE /(g·(kWh)-1)0.991
表3 煤电机组煤耗率与碳排放率数据
Table 3 Coal consumption rate data and carbon emission rate data of thermal power unit
负荷率ncoal煤耗率B/(g·(kWh)-1)碳排放率E/(g·(kWh)-1)50%316885 70%307859 100%302851
由于比利时典型负荷曲线呈双峰，与湖南省负荷情况相似，且比利时风电场平均风速及昼夜变化趋势也接近湖南省风电场，因此可以考虑采用湖南省制定的指导电价[28]作为本算例发电价格的参考。将湖南省燃煤基准价0.45元/kWh作为本算例煤电的上网电价，拟定煤炭价格为800元/t，碳排放价格为60元/t，煤电机组爬坡成本因子为80。风电相关数据情况如表4所示，日建设成本Cinv可由式 （11）计算得到，为57.53万元/d。风电的上网电价取湖南省风电指导价0.448元/kWh。风能未利用成本因子设置为风电日投资成本与风电利用率100%情况下发电量的比值，即由式 （26）计算得到，为0.134元/kWh。
表4 风电的基本参数
Table 4 Basic parameters of wind power
名称参数数值install/MW600装机容量Pwind min 0%最小负荷率nwind最大负荷率nwind max 100%平均寿命Y/a20运维成本Sopt/(元·(kWh)-1)0.05建设成本Sinv /(元· (kW)-1)7000
3.2 日前优化调度
3.2.1 收益对比
配置上述算例数据后，本文通过GUROBI求解燃煤-风力发电系统日前低碳经济优化调度模型，各情景下的收益情况如图2所示。当仅使用600 MW煤电机组向图1负荷供电时，收益为172.97万元；当仅投资风电，不优化风电出力，风电优先于煤电向图1负荷供电时，燃煤-风力发电系统的总收益为205.28万元；煤电-风电优化协同出力情景的总收益最高，将达到208.30万元。对比风电优先输出情景和煤电-风电优化协同出力情景，风电降低4.89万元的收益将换取煤电增加7.91万元的收益，增加总收益3.02万元。煤电-风电优化协同出力情景的总收益比煤电单独供电情景增加了35.33万元，涨幅约20.43%。因此，煤电厂投资风电配合自身煤电机组优化供电，将具有较好的收益。
图2 3种情景下的详细收益情况
Fig. 2 Detailed revenue situations under three scenarios
3.2.2 调度方案对比
煤电单独供电的负荷率情况如图3所示，由于仅有煤电供电，该煤电负荷率变化趋势与图1负荷完全相同。图4为风电优先输出情景下煤电负荷率与风电负荷率的变化曲线。由于风电各个时刻蕴含的最大发电功率均小于负荷，因此风电始终满功率输出，负荷率为1。对比图3和图4可知，风电的加入导致煤电负荷率长时间处于低负荷状态，且波动变大。
图3 煤电单独供电情景的负荷率曲线
Fig. 3 Load ratio curve of thermal power output alone
图4 风电优先输出情景的负荷率曲线
Fig. 4 Load ratio curve of wind power priority output
图5为煤电-风电优化协同出力情景下的负荷率变化曲线。此时风电负荷率不再始终为1，而是有选择地变动。对比图4和图5可以发现，煤电-风电优化协同出力可以平滑煤电负荷率，在时段3:00—5:00，8:00—11:00和13:00—15:00，煤电负荷率几乎没有波动。因此，该优化方案有助于煤电机组保持平稳发电，减少机组的频繁爬坡。
图5 煤电-风电优化协同出力情景的负荷率曲线
Fig. 5 Load ratio curve of optimizing wind power output
3.2.3 煤电成本分析
煤电单独供电、风电优先输出和煤电-风电优化协同出力3种情景的发电变化情况如图6所示。投入风电后，风电会占据煤电的部分市场，煤电机组发电量减少约4000 MWh。优化煤电和风电的负荷率后，风电让出约100 MWh电量由煤电供给。结合图2可知，风电让出该部分电量给煤电有利于增加系统总收益。
图6 3种情景下煤电与风电发电量的变化情况
Fig. 6 Changes in thermal and wind power generation under three scenarios
为衡量煤电的真实效益情况，表5记录了煤电单独供电、风电优先输出和煤电-风电优化协同出力3种情景下的煤电总发电成本、煤电度电成本、总煤耗量、总碳排放量和总爬坡量。煤电单独供电情景下，煤电的总发电成本大于风电优先输出情景和煤电-风电优化协同出力情景。相比煤电单独供电情景，风电优先输出情景的煤电度电成本增加了0.025 7元/kWh。经过优化后，煤电的度电成本降低了0.008 5元/kWh。比较3种情景下的煤耗量、碳排放量和爬坡量，包含风力发电的情景中的煤耗和碳排放大量减少，而爬坡量大量增加。其中，煤电-风电优化协同出力情景比煤电单独供电减少煤耗1 214.5 t，降幅约32.59%；减少碳排放3 414.8 t，降幅约32.68%。对比优化前后的煤耗量、碳排放量和爬坡量，由于优化后的煤电供电量增多，煤耗和碳排放略微增加，但优化后的爬坡量相比优化前降低了800.5 MW/h，降幅约25.67%。煤电厂投资风电并联合煤电优化调度，有利于机组平稳运行，缓解碳排放压力，减少煤炭资源消耗，助力企业实现低碳转型。
表5 煤电成本情况
Table 5 Costs situations of thermal power
风电优先输出成本类型煤电单独供电煤电-风电优化协同出力煤电总发电成本/万元377.71265.53261.75煤电度电成本/(元· (kWh)-1)0.308 660.334 310.325 78总煤耗量/t3 726.82 485.42 512.5总碳排放量/t10 450.06 959.77 035.2总爬坡量/(MW· h-1)2 107.83 118.12 317.6
每度电的煤耗量、碳排放量和爬坡量决定了煤电机组的效益情况。图7中的煤耗率、碳排放率和爬坡率分别为3种情景下总煤耗量、总碳排放量、总爬坡量与其发电量的比值。例如，煤电-风电优化协同出力情景下的爬坡率可由式 （27）求出：
图7 3种情景成本对比
Fig. 7 Costs contrast of three scenarios
式中：Mper为煤电机组单位发电量的爬坡量；Mtoal为煤电-风电优化协同出力情景的总爬坡量；Qcoal为煤电总发电量。
相比煤电单独供电情景，风电优先输出情景的煤电煤耗率、碳排放率和爬坡率都将升高。优化后煤电的煤耗率、碳排放率和爬坡率均有所降低，但煤耗率和碳排放率的下降幅度较小。结合图3、图4和图5可知，风电加入情景下的煤电负荷率较低，机组效率较低，未来可以考虑通过结合储能的方式提升煤电机组的负荷率，从而提升机组效率[29-30]。煤电厂主动转型，投资风电配合自身煤电，优化煤电-风电协同出力可有效降低煤电机组爬坡量，减少煤耗率和碳排放率，实现机组低碳经济运行。
3.2.4 风电成本分析
3种情景下的风电总成本、度电成本、建设成本、运维成本和风能未利用率情况如表6所示。对比优化前后的风电发电成本、度电成本和风能未利用率，三者分别增加了0.78万元、0.005 58元/kWh和2.17%，这说明牺牲少量的风电、增加少量的风电成本有利于总收益的增加。随着风力发电机的成熟，生产水平的提高，风电的建设成本和度电成本将继续降低，投资风电对提升煤电厂效益的效果将更加明显。
表6 风电成本情况
Table 6 Costs situations of wind power
煤电-风电优化协同出力风电总发电成本/万元079.0079.78风电度电成本/ (元· (kWh)-1)00.183 950.189 83风电日建设成本/万元 057.5357.53风电运维成本/万元021.4721.01成本类型煤电单独供电风电优先输出风能未利用率0%0%2.17%
3.2.5 整体效益分析
由表5的煤电总发电成本和表6的风电总发电成本累计得到3种情景的总发电成本分别为377.71万元、344.53万元和340.29万元。3种情景的度电成本如图8所示，可见度电成本在逐渐下降，燃煤-风力发电系统的效益逐渐提高。
图8 系统的度电成本
Fig. 8 Levelized cost of electricity of system
煤电厂投资风电，并联合自身煤电进行优化调度，有助于降低企业度电成本，在增加企业总收益的同时实现低碳环保。
4 结论
为缓解“双碳”背景下煤电机组频繁爬坡、机组效率低下、能耗与排放增高的问题，本文以风能与煤炭为例，针对煤电厂超出碳排放配额的情况，建立燃煤-风力发电系统日前低碳经济优化调度模型，并进行优化求解。具体结论如下。
1）3种方案对比结果显示，与煤电单独供电相比，本研究提出的优化调度方案的综合收益提高了20.43%。煤电-风电优化协同出力可以显著提高煤电厂的综合收益，降低煤炭价格较高时煤电厂面临亏损的风险。需要指出的是，本文的相关成本考虑并不完整，同时风电建设成本还将进一步降低，因此实际收益可能存在误差，但该算例结果中的收益增长趋势是确定的。
2）对比3种情景，煤电-风电优化协同出力情景可有效降低风电给煤电带来的频繁爬坡，但煤电机组的煤耗率和碳排放率下降不明显。后续研究可考虑通过结合储能的方式，进一步实现煤电机组低碳经济运行的目标。
3）煤电-风电优化协同出力方案能够有效降低煤电的度电成本，尤其在未来风电建设成本继续下降的情况下，该方案的效益还有望进一步提升，提高煤电厂在大规模新能源并网下的市场竞争力。
本文提出的投资风电的煤电厂低碳经济优化调度方案，可在煤电厂综合收益最大化的同时兼顾降碳，能够为“双碳”目标下煤电厂的未来发展提供一定参考。
参考文献
-
[1]
程耀华，杜尔顺，田旭，等. 电力系统中的碳捕集电厂：研究综述及发展新动向[J]. 全球能源互联网，2020，3(4)：339-350.CHENG Yaohua, DU Ershun, TIAN Xu, et al. Carbon capture power plants in power systems: review and latest research trends[J]. Journal of Global Energy Interconnection, 2020,3(4): 339-350 (in Chinese). [百度学术]
-
[2]
韩文艳，杨娜，熊永兰. 科技大国能源消费结构演变及影响因素研究[J]. 科技管理研究，2023，43(1)：199-205.HAN Wenyan, YANG Na, XIONG Yonglan. A study on the evolution and influencing factors of energy consumption structure in major scientific and technological power[J].Science and Technology Management Research, 2023, 43(1):199-205 (in Chinese). [百度学术]
-
[3]
文福拴，鲁刚，黄杰. 面向碳达峰、碳中和的综合能源系统[J]. 全球能源互联网，2022，5(2)：116-117.WEN Fushuan, LU Gang, HUANG Jie. Integrated energy system towards carbon peak and neutrality targets[J]. Journal of Global Energy Interconnection, 2022, 5(2): 116-117 (in Chinese). [百度学术]
-
[4]
贾彦兵，张国林，孙严冬，等. 我国煤电转型的形势与建议[J]. 能源研究与利用，2023(1)：16-22. [百度学术]
-
[5]
张喜荣，张昌梅. 碳税对火电企业效益的影响因素分析及对策研究[J]. 中国市场，2022(5)：138-139. [百度学术]
-
[6]
王淑云，娄素华，刘文霞，等. 考虑火电深度调峰的电力系统低碳发电优化研究[J]. 全球能源互联网，2019，2(3)：226-231.WANG Shuyun, LOU Suhua, LIU Wenxia, et al. Study on optimization of low-carbon power generation in power system considering the depth peak regulation of thermal power units[J]. Journal of Global Energy Interconnection, 2019, 2(3):226-231 (in Chinese). [百度学术]
-
[7]
张兴科，魏朝阳，王康平，等. 面向高比例光伏并网的火电爬坡压力缓解策略[J]. 综合智慧能源，2022，44(1)：1-8.ZHANG Xingke, WEI Chaoyang, WANG Kangping, et al.Strategies for relieving ramp pressure of thermal power units with high-proportion photovoltaic power connecting to the grid[J]. Integrated Intelligent Energy, 2022, 44(1): 1-8 (in Chinese). [百度学术]
-
[8]
袁家海，张浩楠，黄辉. 煤电与新能源耦合发展模式探析[J]. 中国电力企业管理，2023(1)：20-22. [百度学术]
-
[9]
LU P, LÜ H, LIU N, et al. Optimal flexibility dispatch of demand side resources with high penetration of renewables: a Stackelberg game method[J]. Global Energy Interconnection,2021, 4(1): 28-38. [百度学术]
-
[10]
黄晟，王静宇，郭沛，等. 碳中和目标下能源结构优化的近期策略与远期展望[J]. 化工进展，2022，41(11)：5695-5708.HUANG Sheng, WANG Jingyu, GUO Pei, et al. Short-term strategy and long-term prospect of energy structure optimization under carbon neutrality target[J]. Chemical Industry and Engineering Progress, 2022, 41(11): 5695-5708 (in Chinese). [百度学术]
-
[11]
邓婷婷，娄素华，田旭，等. 计及需求响应与火电深度调峰的含风电系统优化调度[J]. 电力系统自动化，2019，43(15)：34-41.DENG Tingting, LOU Suhua, TIAN Xu, et al. Optimal dispatch of power system integrated with wind power considering demand response and deep peak regulation of thermal power units[J]. Automation of Electric Power Systems,2019, 43(15): 34-41 (in Chinese). [百度学术]
-
[12]
于国强，刘克天，胡尊民，等. 大规模新能源并网下火电机组深度调峰优化调度[J]. 电力工程技术，2023，42(1)：243-250.YU Guoqiang, LIU Ketian, HU Zunmin, et al. Optimal scheduling of deep peak regulation for thermal power units in power grid with large-scale new energy[J]. Electric Power Engineering Technology, 2023, 42(1): 243-250 (in Chinese). [百度学术]
-
[13]
李英量，周丽雯，王德明，等. 计及用户分级的虚拟电厂经济调度[J]. 电力系统保护与控制，2022，50(16)：121-130.LI Yingliang, ZHOU Liwen, WANG Deming, et al.Virtual power plant economic dispatching considering user classification[J]. Power System Protection and Control, 2022,50(16): 121-130 (in Chinese). [百度学术]
-
[14]
李雄威，王昕，顾佳伟，等. 考虑火电深度调峰的风光火储系统日前优化调度[J]. 中国电力，2023，56(1)：1-7.LI Xiongwei, WANG Xin, GU Jiawei, et al. Day-ahead optimal dispatching of wind-solar-thermal power storage system considering deep peak shaving of thermal power[J].Electric Power, 2023, 56(1): 1-7 (in Chinese). [百度学术]
-
[15]
马喜平，沈渭程，甄文喜，等. 基于低碳目标的电气综合能源系统优化调度策略研究[J]. 电网与清洁能源，2021，37(12)：116-122.MA Xiping, SHEN Weicheng, ZHEN Wenxi, et al. A study on the optimal scheduling strategy of electric-gas-thermal integrated energy system based on low carbon target[J]. Power System and Clean Energy, 2021, 37(12): 116-122 (in Chinese). [百度学术]
-
[16]
李天格，胡志坚，陈志，等. 计及电-气-热-氢需求响应的综合能源系统多时间尺度低碳运行优化策略[J]. 电力自动化设备，2023，43(1)：16-24.LI Tiange, HU Zhijian, CHEN Zhi, et al. Multi-time scale lowcarbon operation optimization strategy of integrated energy system considering electricity-gas-heat-hydrogen demand response[J]. Electric Power Automation Equipment, 2023,43(1): 16-24 (in Chinese). [百度学术]
-
[17]
刘蓉晖，李子林，杨秀，等. 考虑用户侧柔性负荷的社区综合能源系统日前优化调度[J]. 太阳能学报，2019，40(10)：2842-2850.LIU Ronghui, LI Zilin, YANG Xiu, et al. Optimal dispatch of community integrated energy system considering user-side flexible load[J]. Acta Energiae Solaris Sinica, 2019, 40(10):2842-2850 (in Chinese). [百度学术]
-
[18]
徐天奇，田业，高鑫，等. 新能源全消纳并网友好型虚拟发电厂优化调度研究[J]. 电力工程技术，2021，40(2)：33-38.XU Tianqi, TIAN Ye, GAO Xin, et al. Optimal dispatching of virtual power plant with new energy power generation full consumption and friendly integration into power grids[J]. Electric Power Engineering Technology, 2021, 40(2): 33-38 (in Chinese). [百度学术]
-
[19]
樊国旗，刘海南，黄健，等. 含柔性负荷的火电机组深度调峰的源荷分层优化调度[J]. 四川电力技术，2021，44(3)：7-11.FAN Guoqi, LIU Hainan, HUANG Jian, et al. Source and load hierarchical optimization dispatch for deep peak shaving of thermal power units considering flexible load[J]. Sichuan Electric Power Technology, 2021, 44(3): 7-11 (in Chinese). [百度学术]
-
[20]
陆秋琴，魏悦，黄光球. 火电企业低碳转型效果关键影响因素研究[J]. 生产力研究，2023(1)：108-114.LU Qiuqin, WEI Yue, HUANG Guangqiu. Research on the key factors influencing the effect of low-carbon transformation in thermal power enterprises[J]. Productivity Research, 2023(1):108-114 (in Chinese). [百度学术]
-
[21]
于沛东，郑印伟，何晓迪，等. “双碳”背景下火电企业转型升级与发展对策及路径[J]. 能源研究与管理，2022，14(3)：20-25.YU Peidong, ZHENG Yinwei, HE Xiaodi, et al.Countermeasures and paths for transformation and upgrading and development of thermal power enterprises under the background of “double carbon”[J]. Energy Research and Management, 2022, 14(3): 20-25 (in Chinese). [百度学术]
-
[22]
安磊，王绵斌，齐霞，等. “风、光、火、蓄、储”多能源互补优化调度方法研究[J]. 可再生能源，2018，36(10)：1492-1498.AN Lei, WANG Mianbin, QI Xia, et al. Optimal dispatching of multi-power sources containing wind/photovoltaic/thermal/hydro-pumped and battery storage[J]. Renewable Energy Resources, 2018, 36(10): 1492-1498 (in Chinese). [百度学术]
-
[23]
刘喜梅，崔阳，董建明，等. 基于风电机组可靠性的风电场平准化成本模型研究[J]. 太阳能学报，2022，43(10)：304-311.LIU Ximei, CUI Yang, DONG Jianming, et al. Research on levelized cost model of wind farms based on wind turbine reliability[J]. Acta Energiae Solaris Sinica, 2022, 43(10): 304-311 (in Chinese). [百度学术]
-
[24]
赵振宇，郝宇霞. 基于火电灵活性改造的可再生能源消纳系统成本优化[J/OL]. 现代电力，1-9 [2023-06-06]. https://doi.org/10.19725/j.cnki.1007-2322.2022.0246. [百度学术]
-
[25]
Elia. Load and load forecast[EB/OL]. [2023-05-14]. https://www.elia.be/en/grid-data/load-and-load-forecasts?csrt=8520121908531248354. [百度学术]
-
[26]
Elia. Wind power generation[EB/OL]. [2023-05-14]. https://www.elia.be/en/grid-data/power-generation/wind-powergeneration. [百度学术]
-
[27]
张展鹏，班明飞，郭丹阳，等. 适用于环境-经济调度研究的燃煤机组二氧化碳排放特性模型[J]. 上海交通大学学报，2021，55(12)：1663-1672.ZHANG Zhanpeng, BAN Mingfei, GUO Danyang, et al. A model for carbon dioxide emission characteristics of coal-fired units for environment-economic dispatch research[J]. Journal of Shanghai Jiao Tong University, 2021, 55(12): 1663-1672 (in Chinese). [百度学术]
-
[28]
能源内参. 全国各地新建风光上网指导价定了[EB/OL].[2021-4-28]. https://xueqiu.com/9331049986/176640439. [百度学术]
-
[29]
朱健宇，潘学萍，王正风，等. 兼顾碳减排和新能源消纳的火电机组深度调峰与复合储能协调规划[J/OL]. 电力自动化设备，1-13 [2023-06-06]. https://doi.org/10.16081/j.epae.202303003. [百度学术]
-
[30]
马汀山，王妍，吕凯，等. “双碳”目标下火电机组耦合储能的灵活性改造技术研究进展[J]. 中国电机工程学报，2022，42(增刊1)：136-148.MA Tingshan, WANG Yan, LYU Kai, et al. Research progress on flexibility transformation technology of coupled energy storage for thermal power units under the “dual-carbon” goal[J]. Proceedings of the CSEE, 2022, 42(Supplement 1): 136-148 (in Chinese). [百度学术]
基金项目
无锡学院引进人才科研启动专项经费资助（局域能源网交易机制研究，2022r023）。
Wuxi University Research Start-up Fund for Introduced Talents-Research (Local Energy Network Transaction Mechanism,2022r023).
作者简介
-
邵文才
-
延星