热电联供系统优化：P2G与碳捕集的协同建模

1. 项目背景与核心挑战

在能源系统优化领域，热电联供系统（Combined Heat and Power, CHP）因其高效能源利用率而备受关注。但随着碳中和目标的提出，传统CHP系统面临两个关键挑战：一是如何有效降低碳排放，二是如何在复杂设备配置下实现经济性运行。这正是我们这项研究要解决的核心问题。

我最近复现了一篇SCI一区论文的工作，重点研究了包含P2G（Power-to-Gas）和碳捕集设备的综合能源系统优化问题。这个系统的独特之处在于：

  • 首次将P2G技术与碳捕集设备协同考虑
  • 采用epsilon算法处理碳排放成本与运维成本的双目标优化
  • 建立了完整的Matlab仿真模型

关键提示：在实际工程中，P2G设备的启停特性与碳捕集设备的能耗特性存在强耦合关系，这是大多数简化模型容易忽略的难点。

2. 系统建模与关键设备特性

2.1 系统架构设计

我们构建的综合能源系统包含以下核心组件：

  1. 燃气轮机CHP单元
  2. 电转气(P2G)设备
  3. 胺基碳捕集系统
  4. 储气/储热装置
  5. 电网连接节点

各组件间的能量流动关系如下图所示（用文字描述）：

  • 燃气轮机同时产生电能和热能
  • 碳捕集设备处理燃气轮机排放的CO2
  • P2G设备利用富余电能生产合成天然气
  • 储气罐平衡P2G产气与燃气轮机用气需求

2.2 关键设备数学模型

2.2.1 P2G设备建模

P2G设备的电-气转换效率呈现明显的非线性特性：

η_P2G = 0.65 - 0.002*(P_in - P_rated)^2 (当0.3P_rated ≤ P_in ≤ P_rated)

其中P_rated为额定功率，这个二次函数关系源于电解槽的电化学特性。

2.2.2 碳捕集系统能耗

碳捕集能耗主要由三部分组成：

  1. 吸收剂再生能耗：约2.5-3.5 GJ/tCO2
  2. CO2压缩能耗：0.3-0.5 GJ/tCO2
  3. 辅助设备功耗：占总能耗15-20%

3. 双目标优化问题构建

3.1 目标函数定义

我们建立的双目标函数为：

min [F1, F2] = [C_OM, C_Carbon] 其中： C_OM = Σ(c_fuel + c_maintenance + c_startup) C_Carbon = k1*E_CO2 + k2*P_CCS

3.2 epsilon约束法实现

传统加权求和法难以保证Pareto前沿的均匀分布，我们采用epsilon算法：

  1. 将碳排放成本F2转化为约束条件： F2 ≤ ε
  2. 通过调整ε值获取Pareto解集
  3. 采用自适应ε调整策略： ε_{k+1} = ε_k - Δε*(d_k/d_avg)

在Matlab中实现的关键代码如下：

function pareto = epsilon_optimization() epsilon_range = linspace(0, F2_max, 50); for i = 1:length(epsilon_range) options = optimoptions('fmincon','Algorithm','interior-point'); [x,fval] = fmincon(@objfun, x0, [], [], [], [], lb, ub, ... @(x)nonlcon(x,epsilon_range(i)), options); pareto(i,:) = [fval, calculate_F2(x)]; end end

4. Matlab实现关键细节

4.1 模型求解流程

完整的求解流程包括：

  1. 设备参数初始化
  2. 负荷数据预处理
  3. epsilon参数扫描
  4. 单目标优化求解
  5. Pareto前沿筛选
  6. 结果可视化

4.2 性能优化技巧

在大规模求解时，我们采用以下加速策略：

  • 使用并行计算处理不同ε值：
parfor i = 1:num_epsilon % 优化求解代码 end
  • 热启动策略：将上一个ε解的变量作为下一个优化的初值
  • 雅可比矩阵解析式提供：显著提升fmincon收敛速度

5. 典型运行结果分析

5.1 Pareto前沿特征

我们的仿真得到了典型的Pareto前沿曲线，呈现出三个特征区域：

  1. 低碳排放区（ε<50）：运维成本急剧上升
  2. 经济最优区（50≤ε≤80）：良好的成本-排放平衡
  3. 高排放区（ε>80）：成本下降趋于平缓

5.2 设备运行策略对比

对比不同ε值下的设备调度方案：

ε值范围P2G利用率碳捕集率储气策略
<50>85%>90%夜间储气
50-8060-80%70-90%峰谷平衡
>80<50%<70%即产即用

6. 工程实践中的经验总结

在实际复现过程中，有几个容易忽视但至关重要的细节：

  1. 碳捕集系统的滞后特性： 胺基吸收剂的再生过程存在30-45分钟的延迟，必须在模型中加入一阶惯性环节：

    dCO2_captured/dt = (u(t) - CO2_captured)/τ (τ=0.5h)

  2. P2G启停损耗： 每次启停会造成约2-3%的效率损失，频繁启停会显著影响经济性。我们添加了启停惩罚项：

    C_startup = 0.02*P_rated*(1 - exp(-t_off/4))

  3. 多时间尺度协调： 碳捕集系统适合小时级调度，而CHP需要分钟级响应。我们采用分层优化架构：

    • 上层：小时级碳排放优化
    • 下层：分钟级经济调度

这个项目最让我意外的发现是：当ε取值在65-75区间时，系统会自发形成"P2G-碳捕集"的协同效应——P2G消耗的CO2正好抵消CHP新增排放，实现短暂的碳平衡状态。这种特性在实际微电网规划中具有重要价值。

对于想要复现这项工作的同行，我建议特别注意设备参数的标准化处理。不同文献中的效率指标可能基于不同基准，我们开发了参数归一化模块：

function para_norm = normalize_parameters(para_raw, base) para_norm.P2G_eff = para_raw.P2G_eff / base.P2G; para_norm.CCS_energy = para_raw.CCS_energy * base.CO2; % 其他参数处理... end