计及碳捕集和氢储能的微电网优化调度

doi:10.12422/j.issn.1672-6952.2026.05.012

摘要/Abstract

摘要：

随着全球能源转型的推进，减少碳排放和提高能源利用效率已成为电力系统优化的重要目标。微电网作为一种新型的电力调度和管理方式，利用分布式能源资源和智能化调度技术，可以有效实现能源的优化配置和调度。提出了改进非支配排序型遗传算法的优化策略，构建结合碳捕集与氢储能的微电网优化调度模型；针对非支配排序的多目标遗传算法（Non⁃Dominated Sorting Genetic Algorithm Ⅱ，NSGA⁃Ⅱ），用佳点集种群与线性排序的父代选择替代原本的初始种群和父代选择策略；用代际距离量化改进前后算法的收敛性能；验证了碳捕集与氢储能对系统减排与经济性的贡献，并对比分析了弃电量水平，以及算法改进前后的收敛性。结果表明，改进后的NSGA⁃Ⅱ算法具有更优秀的收敛性和全局搜索能力；结合碳捕集和储氢售氢的微电网，可在有效提升经济性与减排能力的同时，满足负荷消纳的需求，并且其收敛性明显优于改进前。

关键词: 微电网, 碳捕集, 氢储能, 优化调度, 碳排放, 非支配排序的多目标遗传算法

Abstract:

With the advancement of the global energy transition, reducing carbon emissions and improving energy utilization efficiency have become important objectives in power⁃system optimization.As a new form of power scheduling and management, a microgrid uses distributed energy resources and intelligent dispatching technologies to achieve the optimal allocation and scheduling of energy.An improved non⁃dominated sorting genetic algorithm is proposed,and an optimal scheduling model for a microgrid integrating carbon capture and hydrogen energy storage is established. For the non⁃dominated sorting genetic algorithm Ⅱ (NSGA⁃Ⅱ), the original initial population and parent⁃selection strategy are replaced by a good⁃point⁃set population and linear⁃ranking parent selection. Generational distance is used to quantify the convergence performance before and after algorithm improvement. The contributions of carbon capture and hydrogen energy storage to emission reduction and economic performance are verified, and the levels of curtailed power and convergence performance before and after algorithm improvement are comparatively analyzed. The results show that the improved NSGA⁃Ⅱ algorithm has better convergence and global search capability. A microgrid combining carbon capture with hydrogen storage and hydrogen sales can effectively improve both economic performance and emission⁃reduction capability while satisfying load accommodation requirements, and its convergence is significantly better than that of the original method.

Key words: Microgrid, Carbon capture, Hydrogen energy storage, Optimal scheduling, Carbon emission, NSGA?Ⅱ

中图分类号:

TM734

高钦, 常玲, 王博, 李倩. 计及碳捕集和氢储能的微电网优化调度[J]. 辽宁石油化工大学学报, 2026, 46(5): 86-96.

Qin GAO, Ling CHANG, Bo WANG, Qian LI. Optimal Scheduling of a Microgrid Considering Carbon Capture and Hydrogen Energy Storage[J]. Journal of Liaoning Petrochemical University, 2026, 46(5): 86-96.

图/表 16

图1 微电网控制框图

Fig.1 Microgrid control block diagram

Fig.2 Population spatial distribution generated by random initialization and good point set initialization

图3 改进后的NSGA?Ⅱ算法流程

Fig.3 Flowchart of the improved NSGA?Ⅱ algorithm

图4 单台WD?10型风力发电机组月小时级的发电出力曲线

Fig.4 Monthly and hourly power output curve for a single WD?10 wind turbine

图5 单台MSX?83型光伏板月小时级的发电出力曲线

Fig.5 Monthly hourly power output curve for a single MSX?83 photovoltaic panel

图6 典型日小时级用电负荷变化曲线

Fig.6 Hourly electricity demand curve for a typical day

表1 各算例容量配置结果

Table 1 Capacity configuration results

算例	风电机组/台	光伏机组/台	电解槽/台	储氢罐/台
算例一	520	300	无	无
算例二	520	300	无	无
算例三	520	300	63	5
算例四	520	300	58	5

表2 各算例优化仿真结果

Table 2 Simulation optimization results

算例	碳排放量/t	弃风弃光率	成本/万元	售氢收益/元
算例一	2 775.33	0.166	11 209.2	0
算例二	1 282.99	0.153	11 355.9	0
算例三	2 784.23	0	11 188.9	180 452.1
算例四	1 286.92	0	11 340.6	166 320.3

图7 算例四的帕累托最优前沿曲线

Fig.7 Best Pareto front of example 4

图8 算例四的弱风光出力与强风光出力日变化曲线

Fig.8 Daily variation curves for low?wind and high?wind conditions in example 4

图9 算例三与算例四的弱风光出力日碳排放量变化曲线

Fig.9 Daily carbon emission variation curves under weak wind?solar output for example 3 and example 4

表3 算例四经过NSGA?Ⅱ算法优化后得到的Pareto最优解集

Table 3 The set of Pareto?optimal solutions obtained for example 4 following optimisation using the NSGA?Ⅱ algorithm

序号	碳排放量/t	成本/万元	弃电量/%
1	1 286.926	113.406 9	0
2	1 287.029	113.304 0	0.06
3	1 287.113	113.183 0	0.12
4	1 287.200	113.082 0	0.19
5	1 287.282	112.999 0	0.24
6	1 287.351	112.914 0	0.40
7	1 287.409	112.847 0	0.44
8	1 287.451	112.788 0	0.48
9	1 287.493	112.109 0	0.53
10	1 287.516	112.058 0	0.65

图10 算例二与算例四的强风光出力日消纳率对比

Fig.10 Comparison of daily consumption rate under high wind?solar output for example 2 and example 4

图11 电解槽数量与氢能收益的关系曲线

Fig.11 The relation curve of electrolyzer quantity and hydrogen energy revenue

表4 改进前后NSGA?Ⅱ算法的优化结果

Table 4 Optimization results of the NSGA?Ⅱ algorithm before and after improvement

NSGA⁃Ⅱ算法	迭代次数	代际距离
改进前	267	0.015
改进后	97	0.006

图12 改进前后NSGA?Ⅱ算法的代际距离与迭代次数的关系曲线

Fig.12 Relationship between generational distance and number of iterations for the NSGA?Ⅱ algorithm before and after improvement

参考文献 25

[1]	邱玥，陆帅，陆海，等.综合能源系统灵活性：基本内涵、数学模型与研究框架［J］.电力系统自动化， 2022， 46（17）： 16⁃43.
	QIU Y， LU S， LU H， et al. Flexibility of integrated energy system： Basic connotation， mathematical model and research framework［J］. Automation of Electric Power Systems， 2022， 46（17）： 16⁃43.
[2]	臧海祥，耿明昊，黄蔓云，等. 电⁃热⁃气混联综合能源系统状态估计研究综述与展望［J］. 电力系统自动化， 2022， 46（7）： 187⁃199.
	ZANG H X， GENG M H， HUANG M Y， et al. Review and prospect of state estimation for electricity⁃heat⁃gas integrated energy system［J］. Automation of Electric Power Systems， 2022， 46（7）： 187⁃199.
[3]	MEI S F， TAN Q L， LIU Y， et al. Optimal bidding strategy for virtual power plant participating in combined electricity and ancillary services market considering dynamic demand response price and integrated consumption satisfaction［J］. Energy， 2023， 284： 128592.
[4]	DONG Z Y， ZHANG Z， HUANG M H， et al. Research on day⁃ahead optimal dispatching of virtual power plants considering the coordinated operation of diverse flexible loads and new energy［J］. Energy， 2024， 297： 131235.
[5]	戴观权，潘凯岩，蔡莹，等. 基于改进灰狼优化算法的多区域虚拟电厂协调优化调度技术［J］. 可再生能源， 2024， 42（12）： 1681⁃1688.
	DAI G Q， PAN K Y， CAI Y， et al. Coordinated optimization scheduling technology for multiregion virtual power plants based on improved grey wolf optimization algorithm［J］. Renewable Energy Resources， 2024， 42（12）： 1681⁃1688.
[6]	苏海锋，董鑫星，孙明皓. 考虑阶梯型碳交易和条件风险价值的虚拟电厂经济调度［J/OL］. 华北电力大学学报（自然科学版）， 2025： 1⁃11 （2025⁃01⁃15）［2025⁃05⁃26］. https：//link.cnki.net/urlid/13.1212.tm.20250115.1103.002.
	SU H F， DONG X X， SUN M H. Optimal scheduling strategy of virtual power plant considering tiered carbon trading and conditional value⁃at⁃risk［J/OL］. Journal of North China Electric Power University （Natural Science Edition）， 2025： 1⁃11 （2025⁃01⁃15）［2025⁃05⁃26］.https：//link.cnki.net/urlid/13.1212.tm.20250115.1103.002.
[7]	MARTENS P， DELARUE E， D'HAESELEER W. A mixed integer linear programming model for a pulverized coal plant with post⁃combustion carbon capture［J］. IEEE Transactions on Power Systems， 2012， 27（2）： 741⁃751.
[8]	王力，希望 ⋅ 阿不都瓦依提，程静，等. 碳交易机制下含碳捕集设备虚拟电厂经济调度［J］. 现代电子技术， 2023， 46（5）： 126⁃131.
	WANG L， ABUDUWAYITI X W， CHENG J， et al. VPP economic dispatching of carbon capture equipment under carbon trading mechanism［J］. Modern Electronics Technique， 2023， 46（5）： 126⁃131.
[9]	杨冬锋，吴子阳，张承鑫，等. 考虑低碳需求响应的含捕碳储能综合能源系统优化调度［J］. 电力系统及其自动化学报， 2025， 37（6）： 13⁃23.
	YANG D F， WU Z Y， ZHANG C X， et al. Optimal scheduling of integrated energy system with carbon capture and energy storage considering low⁃carbon demand response［J］. Proceedings of the CSU⁃EPSA， 2025， 37（6）： 13⁃23.
[10]	LI X， LI T X， LIU L， et al. Operation optimization for integrated energy system based on hybrid CSP⁃CHP considering power⁃to⁃gas technology and carbon capture system［J］. Journal of Cleaner Production， 2023， 391： 136119.
[11]	AKARSU B， SERDAR GENÇ M. Optimization of electricity and hydrogen production with hybrid renewable energy systems［J］. Fuel， 2022， 324（Part A）： 124465.
[12]	WU X， QI S X， WANG Z， et al. Optimal scheduling for microgrids with hydrogen fueling stations considering uncertainty using data⁃driven approach［J］. Applied Energy， 2019， 253： 113568.
[13]	XIONG Y F， CHEN L J， ZHENG T W， et al. Electricity⁃heat⁃hydrogen modeling of hydrogen storage system considering off⁃design characteristics［J］. IEEE Access， 2021， 9： 156768⁃156777.
[14]	胡福年，付瑞东，陈军. 基于氢能精细化利用与改进碳交易机制的能源优化调度研究［J/OL］. 控制工程， 2024： 1⁃9 （2024⁃09⁃10）［2025⁃04⁃10］. https：//doi.org/10.14107/j.cnki.kzgc.20240464.
	HU F N， FU R D， CHEN J. A study on energy optimisation dispatching based on the refined utilisation of hydrogen energy and the improvement of carbon trading mechanisms［J/OL］. Control Engineering of China， 2024：1⁃9 （2024⁃09⁃10）.［2025⁃04⁃10］.https：//doi.org/10.14107/j.cnki.kzgc.20240464.
[15]	包广清，王建辉.考虑电转气⁃碳捕集⁃氢燃料电池的“以气定热”整体建模与优化［J］.电力自动化设备，2023，43（12）：37⁃44.
	BAO G Q， WANG J H. Holistic modeling and optimization of "setting heat with gas" considering power⁃to⁃gas， carbon capture and hydrogen fuel cell［J］. Electric Power Automation Equipment， 2023， 43（12）： 37⁃44.
[16]	李建林，王大龙，赵文鼎，等. 计及动态氢价的光伏电解水制氢调度策略［J］. 电力建设， 2025， 46（2）： 99⁃112.
	LI J L， WANG D L， ZHAO W D， et al. Hydrogen production scheduling strategy for photovoltaic electrolysis of water considering dynamic hydrogen prices［J］. Electric Power Construction， 2025， 46（2）： 99⁃112.
[17]	梁俊鹏，张高航，李凤婷，等. 计及氢储能⁃制氨⁃碳捕集的综合能源系统低碳优化调度［J］. 电力自动化设备， 2024， 44（10）： 16⁃23.
	LIANG J P， ZHANG G H， LI F T， et al. Low⁃carbon optimal scheduling of integrated energy system considering hydrogen energy storage， ammonia production and carbon capture［J］. Electric Power Automation Equipment， 2024， 44（10）： 16⁃23.
[18]	李奇，邹雪俐，蒲雨辰，等. 基于氢储能的热电联供型微电网优化调度方法［J］. 西南交通大学学报， 2023， 58（1）： 9⁃21.
	LI Q， ZOU X L， PU Y C， et al. Optimal schedule of combined heat⁃power microgrid based on hydrogen energy storage［J］. Journal of Southwest Jiaotong University， 2023， 58（1）： 9⁃21.
[19]	孙洪，胡剑宇，颜勇，等. 基于风电⁃碳捕集虚拟电厂的环保经济调度［J］. 现代电力， 2017， 34（4）： 21⁃26.
	SUN H， HU J Y， YAN Y， et al. Environmental economic dispatch based on virtual power plant with carbon capture unit and wind power［J］. Modern Electric Power， 2017， 34（4）： 21⁃26.
[20]	孙靓雨，林泽源，李伟. 考虑氢储能的多目标综合能源优化配置方案研究［J］. 高压电器， 2024， 60（7）： 88⁃96.
	SUN L Y， LIN Z Y， LI W. Research on multi⁃objective comprehensive energy optimization configuration scheme considering hydrogen storage［J］. High Voltage Apparatus， 2024， 60（7）： 88⁃96.
[21]	DEB K， JAIN H. An evolutionary many⁃objective optimization algorithm using reference⁃point⁃based nondominated sorting approach， part I： solving problems with box constraints［J］. IEEE Transactions on Evolutionary Computation， 2014， 18（4）： 577⁃601.
[22]	ZHAO Z B， LIU B， ZHANG C R， et al. An improved adaptive NSGA⁃Ⅱ with multi⁃population algorithm［J］. Applied Intelligence， 2019， 49（2）： 569⁃580.
[23]	滕新亮，赵雪峰，董宏丽，等.氢储能油田孤岛综合能源微网规划与运行方法［J］.东北石油大学学报，2026，50（1）：109⁃119.
	TENG X L， ZHAO X F， DONG H L， et al. Planning and operation methods for integrated energy microgrids in hydrogen energy storage oilfield islands ［J］. Journal of Northeast Petroleum University， 2026， 50（1）： 109⁃119.
[24]	王嘉诚，邹雨恒，王珊珊，等.基于镜像判断和改进父代选择的多目标进化算法［J］.陕西科技大学学报，2025，43（2）：215⁃216.
	WANG J C，ZOU Y H，WANG S S，et al.Multi⁃objective evolutionary algorithm based on image judgment and improved parent selection［J］.Journal of Shaanxi University of Science & Technology，2025，43（2）：215⁃216.
[25]	马鑫，何宝宝，刘金崇，等.基于改进多目标优化算法的中长期电网规划与优化技术［J］.电子设计工程，2026，34（20）：114⁃118.
	MA X，HE B B，LIU J C，et al.Medium and long⁃term power grid planning and optimization technology based onimproved multi⁃objective optimization algorithm［J］.Electronic Design Engineering，2026，34（20）：114⁃118.