利用TimeGAN与两阶段聚类方法，在不确定性条件下优化综合能源系统中的氨能存储配置

《International Journal of Hydrogen Energy》：Optimizing ammonia energy storage configuration in integrated energy systems under uncertainty using TimeGAN and two-stage clustering

　　丁建涛|王江江|吴博凌|赵志伟 中国河北省保定市071003，华北电力大学储能技术与综合能源利用河北重点实验室 摘要 将氨能存储与燃煤联合热电系统相结合，可以提高高比例可再生能源接入时的系统灵活性。本研究提出了一种集成电能转氨、氨能存储及余热回收的能源系统，旨在优化成本并应对源荷不确定性。为此，研究开发了一种新的TimeGAN方法以及两阶段聚类（K均值和0-1场景简化）方法，用于高效进行不确定性建模。调度结果表明，所提出的配置可将最优氨燃比从6%提升至8%，总成本降低1.1%（降至111.41千美元），同时缩短投资回报期。优化的存储容量还能减轻电能转氨子系统的峰值负荷压力。在最优成本下，可再生能源的整合比例和转换率分别可达98.83%和96.74%，在18%的氨燃比下仍可实现完全适配。总体而言，该系统提升了运行稳定性与经济性，为传统联合热电厂提供了可行的低碳升级路径。引言 面对气候变化和化石燃料资源枯竭的问题，全球向低碳能源系统的转型进程不断加快[1]。各国政府及产业界越来越重视可持续能源战略，以减少温室气体排放、增强能源安全并保障长期经济韧性[2]。集成能源系统通过协调电力、热能和燃料的生产、转换与利用，被视为提升整体能源效率、提高可再生能源占比的有效途径[3]。然而，风能和太阳能等可变可再生能源的大规模应用会带来较大的波动性和不确定性[4]，往往导致可再生能源被限制使用，进而增加传统发电设施的运营压力[5]。因此，通过先进的储能与转换技术提升系统灵活性，对于促进可再生能源整合及提高集成能源系统运行的可靠性至关重要。在各类灵活性解决方案中，化学燃料存储因具备大规模、长时储能的优势而受到越来越多关注[6]。电能转氢技术作为一种新兴的化学储能方案，也引发了广泛兴趣[7]。参考文献[8]中对氢能存储与电能存储的比较表明，在兆瓦时级储能应用中，当存储时间超过1000小时时，电能存储的单位成本会显著高于氢能存储。不过，氢能存在泄漏风险和运输难题[9]。电能转氨技术则通过水电解和氮气分离将多余的可再生能源电能转化为氨，再通过哈伯-博施工艺进一步加工[10]。与氢能相比，氨具有更高的体积能量密度，存储和运输要求更简单，且可直接用于燃烧和工业流程中[11]。这种整合方式尤其适合用于改造以煤炭为主的工业园区或高比例可再生能源接入的偏远微电网[12]。在这些场景中，系统既要应对较高的区域供热与供电需求，又要面对不稳定的可再生能源供应，同时还面临外部电网灵活性不足的问题。而氨能存储系统则具备传统电池或热存储所缺乏的长期、季节性能源调峰能力[13]。赵等人[14]的研究表明，在后化石能源时代，氨的生产与存储成本可比氢能低20–30%。除了作为季节性能源载体外，氨还可直接用于发电、交通运输及作为化工原料[15]。与氢能所需的复杂深冷冷却工艺及易脆化问题相比，液氨能够在温和条件下实现更简单、长时久的化学存储，且其体积能量密度更高。此外，通过先进的分级燃烧和选择性催化还原等技术，也可有效控制氨燃烧产生的燃料氮氧化物排放，从而满足严格的环保标准。尽管如此，现有大多数研究仍将电能转氨视为一种独立的储能方式，未能充分探讨其与集成能源系统其他子系统，尤其是燃煤电厂的协同运行机制。氨与煤的混合燃烧已成为现有燃煤电厂实现脱碳的务实且短期内可行的方案[16]。吴等人[17]通过实验和模拟证明，用氨部分替代煤炭可在保持燃烧稳定性和锅炉性能的同时显著降低二氧化碳排放。林等人[18]指出，在300兆瓦的燃煤电厂中引入纯氨燃烧器，可使二氧化碳排放量减少15%以上，同时热效率损失控制在0.12–0.38%之间。哈迪等人[19]对比了纯煤燃烧与纯氨燃烧的情况，发现氨-煤/氧化剂混合物的燃烧速率是前者的两到三倍。袁等人[20]提出了一种基于氨能存储系统的模型，用于优化风能-太阳能-热能集成能源系统；当将电能转氨技术融入此类系统后，多余的可再生能源电能可被储存为氨，之后与煤炭一起燃烧发电。这种整合方式不仅能避免可再生能源被限制使用，还能提升燃煤电厂的低碳经济性能[21]。然而，目前针对这类系统的技术经济性进行全面分析的研究仍然较少。除了直接混合燃烧外，还将电能存储、熔盐储能以及需求侧管理等其他互补型灵活性资源纳入氨集成能源系统，可进一步提升其在高比例可变可再生能源接入环境下的适应能力[22]。通过协调调度，可在可再生能源过剩时期集中进行氨的生产，而快速响应的电能存储和热存储则可用于平滑短期波动[23]。日本和欧洲的海上风能转氨项目等国际举措，进一步凸显了氨作为连接电力、热能、交通及工业领域的跨行业能源载体的潜力[24,25]。尽管取得了这些进展，大多数研究仍孤立地分析氨能及其他储能技术，缺乏能够实时利用它们各自优势的集成优化框架。可再生能源发电与负荷需求的固有不确定性，进一步增加了氨集成能源系统最优调度的难度[26]。为解决这一问题，杨等人[27]提出了一种考虑氨能利用与余热回收的两阶段鲁棒优化调度方法。赵等人[28]则采用随机模糊建模方法，来处理与可再生能源相关的随机模糊不确定性。虽然这些研究提升了人们对氨能存储系统在提升可再生能源利用效率及降低系统成本方面的认识，但很少有研究探讨其在同时提供电力和热能方面的作用，也未评估在不同氨燃比下的不确定性影响。尽管已有诸多进展，但目前针对氨能存储系统集成系统的全面技术经济评估仍然十分匮乏。现有研究主要存在三大局限性：首先，大多数文献将电能转氨仅视为一种静态的、单一路径的储能介质，忽视了双路径架构（即结合直接电能转氨供应与专用氨存储罐）所带来的更大调度灵活性。其次，很少研究在高比例可再生能源接入背景下，电能转氨子系统与传统燃煤联合热电机组之间的协同调度问题，这限制了整个系统的灵活性，也低估了氨作为能源缓冲手段的价值。第三，传统的不确定性建模方法（如常规蒙特卡洛模拟或基础聚类方法）难以有效捕捉多源不确定性的复杂时空关联，从而导致容量设定不够理想。为弥补这些不足，本研究开发了一种针对氨集成能源系统的多场景优化模型，该模型综合考虑了电能转氨、氨-煤混合燃烧以及与储能系统协同的供热供电调度。该模型能够考虑可再生能源发电和负荷需求的不确定性，同时优化不同氨燃比、存储容量及调度策略下的系统配置与运行方式。所提出的框架能够提供全面的技术经济评估结果，为提升可再生能源整合水平、减少碳排放以及提高大规模集成能源系统在向碳中和过渡过程中的成本效益提供实用指导。(1)本研究提出了一种结合双路径氨能存储系统与余热回收的氨集成能源系统。与传统单一路径的电能转氨系统不同，这种混合架构将直接电能转氨供应与专用氨存储罐及熔盐储能系统相结合。通过协调电力、热能和燃料的调度，该系统能够最大限度地减少能源转换损失，显著提升可再生能源的利用率，并改善整体经济性能。(2)在多种不确定性场景下，本研究全面分析了将氨能存储系统与氨-煤混合燃烧相结合对系统最佳容量配置、运行灵活性以及可再生能源吸收能力的影响。研究表明，氨能存储系统起到了关键的能源缓冲作用，使得氨的每小时合成过程与实时的燃烧需求相互分离。与单一电能转氨路径相比，这种机制能够减轻联合热电装置的峰值负荷压力，提高最优氨燃比，缩短投资回报期，同时使设备负荷曲线更加平稳。(3)本研究还开发了一种基于TimeGAN算法和第二阶聚类方法（结合K均值和0-1场景简化）的场景生成方法，用于捕捉可再生能源发电和负荷需求中的时间与统计特征。这种数据驱动的方法显著提升了场景的代表性、多样性及计算效率，为氨集成能源系统的多场景随机优化提供了准确且可靠的依据。本文结构如下：第2节介绍基于氨能存储系统的集成能源系统，第3节阐述不确定性场景分析方法，第4节给出场景优化模型，第5节通过具体案例的优化结果证明氨能存储系统在集成能源系统中的作用，第6节总结主要结论。内容要点 能量流图1展示了所提出的氨能存储系统-集成能源系统的结构。该系统在传统集成能源框架的基础上，加入了以氨作为储能介质的电能转氨子系统，从而实现多路径调控。能量输入包括可再生能源（风能、光伏能）以及用于削峰的燃煤电力。系统的主要组成部分包括电解槽、变压吸附装置、氨合成装置、氨存储罐、联合热电装置、电能存储系统以及熔盐储能系统。场景分析方法为准确把握集成能源系统中风速、太阳辐射强度及负荷变化等多种不确定性因素的影响，本研究提出了一种结合TimeGAN场景生成、K均值聚类以及0-1场景简化技术的两阶段聚类方法，如图2所示。基于TimeGAN的场景生成TimeGAN是一种专为时间序列数据生成设计的生成对抗网络框架，在时间序列数据增强方面表现优异。其架构融合了对抗学习与多场景优化方法图3展示了基于电能转氨的集成能源系统的随机优化及求解过程，该过程需考虑可再生能源发电和负荷的不确定性。优化模型包括决策变量、目标函数、约束条件以及求解方法。案例研究为进一步支撑系统的建模与优化工作，本文总结了集成能源系统中联合热电装置、电能存储系统、熔盐储能系统以及电能转氨装置等关键设备的技术参数，详见表1。关于该集成能源系统的经济参数信息，请参阅表2。结论本文对氨能存储系统-集成能源系统的容量配置优化进行了全面研究。为应对多源不确定性，本研究通过TimeGAN生成高质量的时间序列数据，并结合K均值与0-1场景简化技术的第二阶聚类方法对这些数据进行分类处理。这种方法显著提升了场景的代表性及计算效率。基于多场景随机优化模型，本研究分析了将氨能存储系统与……相结合的效果。CRediT作者贡献说明丁建涛：方法设计、软件工具、可视化呈现、论文撰写——负责初稿撰写。王江江：概念构思、资金申请、项目指导。吴博凌：数据整理、形式化分析、结果验证。赵志伟：数据整理、研究调研、论文撰写——负责初稿撰写。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金（项目编号：52276007）的支持。