《Energy》:A dual-driven framework for low-carbon dispatch in the steel enterprise: Integrating deep learning forecasting and distributionally robust optimization under carbon price uncertainty
编辑推荐:
•钢铁企业RIES调度框架将深度学习预测与TSDROM相结合•预测误差向量被嵌入到Wasserstein模糊集中以实现鲁棒调度•碳价不确定性被明确建模,与可再生能源和负荷不确定性并列考虑•显式的碳价不确定性重新塑造了调度和配额交易•CGO优化的深度学习模型准确预测多变量不确定
- •
钢铁企业RIES调度框架将深度学习预测与TSDROM相结合
- •
预测误差向量被嵌入到Wasserstein模糊集中以实现鲁棒调度
- •
碳价不确定性被明确建模,与可再生能源和负荷不确定性并列考虑
- •
显式的碳价不确定性重新塑造了调度和配额交易
- •
CGO优化的深度学习模型准确预测多变量不确定性
引言
钢铁工业是全球工业碳排放(CE)的主要贡献者之一[1],[2],约占25%[3]。根据世界钢铁协会的数据(如图1所示),近年来每吨钢的碳排放强度和能耗强度均呈现出轻微但持续的上升趋势。在中国,该行业占全国工业碳排放的15%[4]。即将实施的规定,如中国扩展的碳市场和欧盟到2025年的碳边境调节机制(CBAM)[5],将带来重大的碳成本。这给低碳转型带来了前所未有的压力,要求提高能源效率和大幅减少碳排放。
不确定条件下的调度已在可再生能源枢纽中得到广泛讨论,其中可再生能源发电、需求响应和灵活资源在运营风险下得到协调[6]。对于钢铁行业,主要的脱碳路径包括基于氢的金属冶炼和直接还原[7],[8]。碳捕集、利用与封存(CCUS)以及更广泛的碳中和技术选择也是重要的选项[9],[10]。然而,由于钢铁生产的特点是电力、热力、燃气、氢气和冷却需求紧密耦合,这些技术很难独立评估或运营。它们的大规模部署还受到经济成本、技术准备度和政策约束的影响[11],[12]。因此,氢和其他低碳技术的碳减排潜力应在系统级的协调框架内进行评估[13]。在本研究中,可再生能源综合能源系统(RIES)提供了一个有用的框架,用于协调可再生能源发电、储能和多能转换设备。对于钢铁企业,RIES可以将光伏(PV)和风力涡轮机(WT)发电与储能、制氢、电力制气(P2G)、CCUS和电力制钢路径整合起来。这种整合可以提高级联能源利用并减少对化石燃料外部供应的依赖[14],[15]。然而,此类系统的运营面临多种不确定性,包括可再生能源发电波动、多能负荷变化、能源市场波动和碳价不确定性[16]。
现有的确定性调度方法无法充分表示这些不确定性来源,可能会产生偏离实际运行条件的调度计划[16]。深度学习(DL)提供了一种有效的工具,用于捕获可再生能源发电、能源需求和能源系统数据中的非线性和时间模式[17],[18]。分布鲁保优化(DRO),特别是基于Wasserstein距离(WD)的模糊集,可以利用经验预测误差信息来对冲分布不确定性[19]。与经典鲁保优化(RO)相比,这种使用数据的公式可以在保留对不确定可再生能源发电和负荷波动风险抵抗力的同时减少过度保守性[20]。碳市场不确定性进一步加强了对此类框架的需求。Wu等人[21]表明碳排放交易可能影响中国钢铁行业的排放效率。Li等人[22]从隐含碳强度的角度分析了中国钢铁行业可能对欧盟CBAM做出的反应。同时,生产能力、能源效率和与上游产业的协调仍然是钢铁行业减少碳排放的重要驱动力[23],[24]。因此,钢铁企业调度框架不应仅将碳价视为固定的外生参数。在不确定的调度中,应考虑碳价预测误差以及可再生能源发电和多能负荷预测误差。
尽管基于DL的预测和基于DRO的调度都已应用于能源系统,但它们通常作为松散连接的模块使用。许多研究直接将点预测作为确定性输入,而预测误差中包含的统计信息被丢弃或仅用于场景生成。这促使本研究在预测和优化之间构建闭环。在此闭环中,来自光伏输出、风电输出、电力负荷、热力负荷、冷却负荷、氢负荷和碳价的经验预测误差向量被嵌入到基于WD的两阶段分布鲁保优化模型(TSDROM)的模糊集中。
本研究为多维不确定性下的钢铁企业RIES开发了由数据和模型驱动的调度框架。总体目标是支持低碳运营,同时保持经济可行性以及物理排放与排放交易系统(ETS)配额头寸之间的透明分离。具体目标如下。
- 1)
使用元启发式优化增强的先进DL架构,构建关键不确定变量的高精度预测模型,包括风能和太阳能(WSP)输出、电力/热力/冷却/氢负荷以及碳价。2) 开发一个TSDROM,通过基于WD的模糊集纳入预测误差,并捕获钢铁企业中电力、热力、燃气、氢气和冷却子系统之间的耦合关系。3) 针对一家真实钢铁厂开展实证案例研究,量化碳价不确定性、分块重采样和鲁保半径设置以及风险厌恶参数对运营成本、碳排放和系统鲁保性的影响,从而为钢铁企业的低碳运营管理提供循证指导。
章节摘要片段
综合能源系统的应用
综合能源系统(IES)已被广泛研究,用于提高能源效率和协调多种能源载体。在社区层面,Li等人[25]提出了一种基于Stackelberg博弈的分层随机调度方法,以解决多社区IES中的可再生能源发电和需求不确定性。Li等人[26]进一步发展了一种使用数据的两阶段分布鲁保调度模型用于社区IES,其中使用WD构建模糊集
系统运行与设备描述
RIES(图3)通过多能耦合和级联利用管理电力、热力、燃气、氢气和冷却流。其运营由TSDROM策略管理,该策略考虑了可再生能源输出、负荷需求、市场价格和WSP弃用的惩罚。调度级RIES的主要设备容量配置报告在补充材料表S2中。
电能流是系统运营的核心。电力由可再生能源供应
基于混沌博弈优化和深度学习的不确定性预测方法
为了预测高维不确定变量,本研究使用了一种由混沌博弈优化(CGO)增强的集成回归框架,整合了Transformer、BiLSTM和XGBoost[47]。Transformer-BiLSTM分支捕获局部时间模式和长程依赖性,而XGBoost[48]表示非线性特征交互;CGO调整模型超参数和集成权重。工作流程如图4所示。对于负荷预测,采用了一种CGO优化的BiLSTM模型来
实证结果
本研究选择山东省的一家钢铁企业作为案例研究。负荷数据来自工厂的实际记录,而风能和太阳能输出以及相关气象数据来自小转风1。数据时间范围涵盖2024年全年,分辨率为1小时,如图6所示。
碳排放权交易价格数据来自上海环境能源交易所2发布的历史记录
比较分析
表2在匹配的分块重采样敏感性设置下,比较了所提出的DRO公式与盒不确定性RO和SO[56]。在四个匹配的K设置下,归一化成本排序为SO < DRO < RO,DRO成本介于较低成本的SO解决方案和更保守的RO解决方案之间。
场景分析
碳价不确定性与可再生能源发电和负荷不确定性一起表示。继2025年3月中国碳排放权交易市场扩展到包括钢铁和
结论与政策建议
本研究为钢铁企业RIES的低碳能源管理开发了一个DL-TSDROM框架。DL模型的预测误差被用于构建Wasserstein模糊集,两阶段仿射补救策略协调了可再生能源发电、多能负荷和碳价不确定性下的调度。主要发现总结如下:
- (1)
所提出的RIES协调了可再生能源发电、储能、多能转换、CCUS和配额交易以实现低碳
CRediT作者贡献声明
Juan He:撰写—审阅与编辑、撰写—初稿、方法论、形式化分析。 Zihan Xu:撰写—审阅与编辑、撰写—初稿、软件、调查研究。 Jianli Zhou:验证、监督、资金获取、概念化。 Jialei Yan:验证、监督、软件。 Ruige Zhao:方法论、调查研究。 Wanfei Dong:可视化、验证、软件。 Zhiming Zhong:监督、项目管理。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能影响到本文报告的工作。
致谢
本研究得到了国家自然科学基金(72401248)、教育部人文社会科学研究基金(23YJCZH328)、新疆维吾尔自治区社科联(2024ZJFLD07)、新疆维吾尔自治区自然科学基金(2022D01C665)以及国家社会科学基金重大项目(21&ZD133)的支持。
作者们想要表达他们的诚挚感谢
Juan He|Zihan Xu|Jianli Zhou|Jialei Yan|Ruige Zhao|Wanfei Dong|Zhiming Zhong