搞点氢能，再算算碳税：聊聊综合能源系统的热电优化

oBxkQwKTLam

2人浏览 · 2026-03-24 18:45:00

oBxkQwKTLam · 2026-03-24 18:45:00 发布

考虑阶梯式碳机制与电制氢的综合能源系统热电优化 “双碳”背景下，为提高能源利用率，优化设备的运行灵活性，进一步降低综合能源系统（IES）的碳排放水平，提出一种IES低碳经济运行策略首先考虑IES参与到碳市场，引入阶梯式碳机制引导IES控制碳排放；接着细化电转气（P2G）的两阶段运行过程，引入电解槽、甲烷反应器、氢燃料电池（HFC）替换传统的P2G，研究氢能的多方面效益；最后提出热电比可调的热电联产、HFC运行策略，进一步提高IES的低碳性与经济性基于此，构建以购能成本、碳排放成本、弃风成本最小的低碳经济运行目标，将原问题转化为混合整数线性问题，运用CPLEX商业求解器进行求解，通过设置多个运行情景，对比验证了所提策略的有效性关键词：氢能；阶梯式碳机制；热电比可调；综合能源系统；低碳经济

现在“双碳”目标喊得震天响，做综合能源系统（IES）如果还只盯着怎么省电、省钱，那格局稍微小了点。咱们得把碳排放也揉进运行策略里，让它既经济又低碳。最近琢磨了一个思路，把阶梯式碳机制和电制氢（P2G）的细节结合起来，搞了一套热电联产优化方案，效果还挺有意思。

先说这个“阶梯式碳机制”。以前咱们算碳成本，往往是线性的一刀切，排多少吨乘个单价就完事。但现实里，为了倒逼企业减排，碳价往往是阶梯状的：排得越少，单价越便宜（甚至有补贴）；一旦超过了某个红线，价格立马飙升。这种非线性的成本函数，直接丢给求解器处理会头疼，咱们写代码的时候通常得把它拆解一下。

比如，我们可以用分段函数的逻辑来描述这个碳成本 $C_{carbon}$：

def calculate_carbon_cost(emission):
    # 假设设置了两个阶梯阈值
    limit1 = 100  # 第一阶梯上限
    limit2 = 300  # 第二阶梯上限
    
    price1 = 20   # 基础碳价
    price2 = 50   # 超标后价格翻倍
    price3 = 100  # 严重超标价格天价
    
    cost = 0
    if emission <= limit1:
        cost = emission * price1
    elif emission <= limit2:
:
        # 第一段全按基础价，超出的部分按二档价
        cost = limit1 * price1 + (emission - limit1) * price2
    else:
        # 两段都爆了，剩下的按三档价算
        cost = limit1 * price1 + (limit2 - limit1) * price2 + (emission - limit2) * price3
        
    return cost

这段逻辑虽然简单，但在优化模型里，它实际上给系统施加了一个很强的约束：求解器会拼命压低 emission，因为一旦跨过 limit1，边际成本会突然增加。这种“鞭策”效果比单纯的线性碳价好得多。

接下来是重头戏：氢能。传统的P2G（电转气）在模型里常被简化成一个黑盒：电进去，天然气出来。但这其实浪费了氢能的价值。我们把P2G拆开看，它是“电解水制氢”和“甲烷化”两个阶段。更重要的是，我们引入了氢燃料电池（HFC）。

这意味着，电变成氢之后，不一定要去合成甲烷进管网，我们可以直接把氢存起来，或者直接送给HFC发电供热。这就在系统里多了一条非常灵活的能量路径。

我们可以用伪代码简单描述一下这个能量流的调度逻辑：

# P2G 两阶段及 HFC 协同逻辑
# 输入：弃风或低价电 power_input

# 1. 电解槽工作
hydrogen_produced = power_input * efficiency_electrolyzer

# 2. 氢能分配：一部分去甲烷化，一部分变成燃料电池的燃料
# 这是一个优化变量，由求解器决定比例
ratio_to_methanation = solver.optimize_variable("ratio_to_methanation", 0, 1)
h2_for_ch4 = hydrogen_produced * ratio_to_methanation
h2_for_hfc = hydrogen_produced * (1 - ratio_to_methanation)

# 3. 甲烷反应器产出天然气
natural_gas_output = h2_for_ch4 * efficiency_methanation

# 4. 氢燃料电池产出热和电
# 注意：HFC的热电比也是可以调节的，这后面会提到
hfc_power_out, hfc_heat_out = hfc_for_hfc * hfc_efficiency()

这里的核心在于 ratiotomethanation。如果电价极低（比如风电大发），求解器可能会倾向于多产氢；如果此时热需求高但电需求低，求解器可能会把氢导向HFC来供热，而不是去合成天然气。这种多方面的效益，是传统P2G模型比不了的。

再进一步，为了让系统更灵活，我们还得把热电联产（CHP）和HFC的“热电比”做成可调的。传统的燃气机组，发了多少电就得产多少热，比例是死的，经常出现“为了发电产了过量的热，只能通过散热器排掉”的尴尬情况。

在混合整数线性规划（MILP）模型里，我们可以通过设定一组约束条件来实现热电比的可调范围：

# 假设 chp_power 是CHP的发电功率
# chp_heat 是CHP的产热功率
# R_min 和 R_max 是允许的热电比范围，比如 0.8 到 1.5

# 约束1：热产出 >= 电产出 * 最小比例
model.add_constraint(chp_heat >= chp_power * R_min)

# 约束2：热产出 <= 电产出 * 最大比例
model.add_constraint(chp_heat <= chp_power * R_max)

加上这两个约束后，CPLEX求解器在跑的时候，就会根据当前的热负荷和电负荷，自动调整CHP的运行点。如果热负荷高，它就往 $R{max}$ 靠；如果电负荷紧缺，它就往 $R{min}$靠。配合前面提到的HFC，整个系统的灵活性就上了一个台阶。

最后，把这些乱七八糟的成本——买能成本、刚才算的阶梯碳成本、还有弃风浪费的成本——全部加起来作为目标函数：

$$ \min F = C{grid} + C{carbon}(E) + C_{wind} $$

把这个问题丢给CPLEX这种商业求解器，设几个不同的场景（比如“传统P2G vs 细化P2G”、“固定碳价 vs 阶梯碳价”），跑一跑对比一下结果。通常你会发现，引入了氢能细化和阶梯碳机制后，虽然模型复杂度变高了（变量多了，约束多了），但总成本能下来，碳排放也能压得更低。

这波操作说明，想要把IES玩明白，不能只盯着设备参数，还得在机制设计（比如阶梯碳价）和能量转化细节（比如氢能的中间态利用）上动刀子。代码写得好，碳排放没烦恼。