【精彩论文】海上油气微能系统的低碳优化运行研究

海上油气微能系统的低碳优化运行研究

李茜^1,2, 黄海涛¹, 晏小彬³, 廖长江¹, 彭欣¹, 张安安¹

（1. 西南石油大学 电气信息学院，四川 成都 610500; 2. 智能电网四川省重点实验室，四川 成都 610065; 3. 西南电力设计院有限公司，四川 成都 610021）

摘要：目前海上油气平台的无人化、低碳化已然成为一种发展趋势。为了满足无人化油气平台的低碳运行，本文构建了一种考虑新能源接入的海上油气微能系统，实现了海上油气平台的低碳运行。首先，考虑应对新能源的不确定性，建立了一种含浮式海水制气-伴生气储库低碳运行模块的混合储能系统，构建了含新能源接入及混合储能系统的海上油气微能系统；其次，考虑系统能量物质流动情况，建立系统的异质流耦合模型，分析了系统各单元的耦合关系，并基于此考虑源、荷不确定性，构建了系统模糊随机经济优化调度模型，实现系统的协调优化；最后，通过算例仿真验证了本文所提模型和方法的可行性与有效性。

引文信息

李茜, 黄海涛, 晏小彬, 等. 海上油气微能系统的低碳优化运行研究[J]. 中国电力, 2023, 56(3): 13-22.

LI Qian, HUANG Haitao, YAN Xiaobin, et al. Reserch on low-carbon optimal operation of offshore oil and gas micro integrated energy system[J]. Electric Power, 2023, 56(3): 13-22.

引言海洋新能源资源丰富，利用海洋新能源为海上油气平台供能已成为一种重要的发展方向^[1]。但新能源的出力往往受到气候影响，具有很强的不确定性，其接入海上油气平台后将对系统的运行及调度带来一定困难^[2]。为实现海上油气平台的低碳运行及用能安全，研究新能源接入海上油气微能系统的可行性，解决新能源接入给系统运行带来的挑战具有重要意义。海上油气平台在油气开采过程中多采用柴油和伴生气协同供能，存在成本高、污染重等问题^[3-4]。目前，国内外学者对于海上平台的发展研究也开始聚焦于低碳性，文献[5-6]将生产的伴生气再利用于海上油气平台的供能系统，不仅减少了柴油的使用和碳排，也降低了成本，但在油气平台开采后期伴生气产量降低，无法满足供能需求。文献[7-8]提出考虑低碳性的海上油田电力系统结构优化模型，分析了系统的减排能力。文献[9]建立了一种可用于海上油气平台可持续开发的联锁结构优化模型。上述文献探讨了通过优化海上系统生产结构来减少碳排的可行性，但海上油气平台系统结构复杂且可优化环节较少，导致无法有效降低碳排。目前，海上新能源发展迅速，据国家能源局统计，截至2022年9月底，海上风电已累计装机2726万kW。同时，中国海上光伏建设工程行动指出，将打造“环渤海、沿黄海”共57个光伏场，总装机容量达4200万kW。已有学者考虑将新能源引入海上油气平台进行供能，文献[10-12]探讨了在海上油气能源系统中引入新能源，并分析了新能源接入对系统的影响，建立了考虑整体经济性的优化模型，但并未考虑新能源的不确定性给系统稳定性带来的风险问题。文献[13-15]通过分析新能源出力与系统负荷情况，考虑系统的灵活性需求，以新能源最大化消纳为目标，提出了不同的优化方法，但由于系统灵活性资源具有局限性，上述研究并未很好地解决新能源的不确定性。为此，部分学者应用储能系统来平抑新能源所带来的波动，文献[16-17]着重于研究含压缩空气储能与蓄电池的能源系统，提出了提高新能源消纳和储能系统经济性的优化控制策略；文献[18]研究利用储热消纳新能源，构建考虑储热特性的电力系统调度模型。以上研究通过引入储能来平抑新能源波动实现新能源消纳，但储能形式相对单一，无法完全适用于多能源、多负荷耦合的海上油气平台。

针对上述问题，本文提出了一种新能源接入的海上油气微能系统（offshore oil and gas micro integrated energy system，OMIES），并考虑电、气的灵活调节及电、热之间的转换，构建了应对系统不确定性的混合储能系统，并建立了适用于海上平台的浮式海水制气-伴生气储库（floating power to gas-associated gas storage，FP2G-AGS）功能模块，降低了碳排；其次综合考虑系统多能量、多物质流耦合情况，建立了OMIES异质流耦合模型，并考虑源、荷双重不确定性，构建了系统的模糊随机经济优化调度模型；最后以渤海某海上油气开采平台为例，基于优化调度模型，实现系统的低碳经济优化运行。

1  考虑新能源接入的OMIES结构与模型1.1  新能源接入的OMIES主体结构

OMIES主要包括供能系统和油气生产系统（oil and gas production system，OGPS），是一种特殊形式的综合能源系统，具有独立的供能模式。余热梯级利用单元（waste heat cascade utilization unit，WSCU）是供能系统的核心单元，其通过燃烧柴油与伴生气为整个OMIES供能；OGPS则消耗电能、热能进行作业生产石油及伴生气，整个生产过程主要是从油井中采出混合原油并将其分离为石油原液和混合伴生气，然后将石油原液加工成石油输出，混合伴生气进行脱水脱酸处理转变成可燃烧的伴生气；同时，为应对新能源带来的挑战，建立的混合储能系统由FP2G-AGS低碳模块、电转热单元（electric-heat，E-H）以及储电单元（electric storage，ES）组成，实现储电、储气功能、电能的转换、CO₂的捕集以及天然气的合成。新能源接入的OMIES的结构如图1所示。

图1  新能源接入的OMIES示意

Fig.1  Schematic diagram of OMIES connected to renewable energy

1.2  FP2G-AGS低碳结构原理

海上油气平台在开采过程中会产生大量伴生气，这部分伴生气在满足自身消耗后，多余伴生气将会燃烧排放到大气中，导致资源浪费和环境污染，本文利用海上废弃枯竭的油气井构建AGS用于储存多余的伴生气。此外，针对平台供能过程中产生的大量CO₂配置碳捕集与封存（carbon capture and storage，CCS）单元以降低碳排放量^[19]，并利用电转气（power to gas，P2G）设备将电解水生成的氢气和捕获的CO₂合成天然气^[20]，既可储存于AGS中也可以供给发电或供热机组。考虑平台建造空间有限和渤海海域特点，适合建造漂浮式系统，因此构建FP2G-AGS低碳运行模块，结构如图2所示。

图2  FP2G-AGS模块结构

Fig.2  FP2G-AGS module structure

海水制甲烷需要利用海水淡化装置对海水淡化处理^[21]，且氢气储存和运输条件较高，海上油气开采平台本身工作环境恶劣，因此将电解水产生的氢气全部通过甲烷反应器制取天然气。FP2G-AGS原理如图3所示。

图3  FP2G-AGS原理示意

Fig.3  FP2G-AGS schematic diagram

P2G技术主要包含了电解水制氢和甲烷化反应2个环节^[22]。

P2G中合成天然气输出量与电能输入量的关系可表示为式中：E_P2G为P2G耗电量，kW·h；V_NG为合成天然气体积，Sm³；Q_NG为天然气热值，kJ/Sm³；为合成天然气的耗电效率。由式（1）、（2）可知，合成1 mol CH₄需要1 mol CO₂，因此合成 V_NG体积CH₄需要的CO₂量为

式中：为吸收消耗的CO₂质量，kg；为CO₂的摩尔质量，g/mol；为CH₄的摩尔质量，g/mol。

2  OMIES的异质流耦合建模

OMIES结构复杂，系统内各单元相互耦合^[23]，单从整体出发进行分析，将忽略系统内部各能量与物质的流动及转换关系，因此本文对各单元子模块分别进行建模，并分析不同模块之间的耦合关系，构建含新能源的OMIES异质流耦合模型如图4所示。

图4  OMIES异质流耦合模型

Fig.4  The heterogeneous flow model of OMIES

2.1  FP2G-AGS模块的能流分析

该模块消耗电能和热能，将吸收的CO₂转换为天然气，用于生产或储存。同时对系统生产的伴生气进行储存与释放，该过程消耗部分电能。其耦合数学模型为

式中：V_E.A1、V_E.A2为储存与释放伴生气消耗的电能；V_AG.in、V_AG.out为储存与释放的伴生气体积；η_AGS.E为AGS的耗电系数；V_G.P2G为合成的伴生气体积；V_AG.O为伴生气预测产量；V_AG.W为供能系统消耗的伴生气体积；η_E.CCS、η_H.CCS、η_C.CCS为CCS单元的耗电、耗热系数以及捕获CO₂效率；V_C.CCS、V_H.CCS为CCS捕获的CO₂量和消耗的热能；η_G.P2G为利用CO₂合成伴生气的转换系数；η_E.P2G为P2G的耗电系数；V_E.C、V_E.D为CCS单元消耗的电能以及P2G单元消耗的电能。2.2  WSCU的能流分析该单元消耗伴生气与柴油，生成系统生产过程所需的电能与热能，同时产生CO₂。其耦合数学模型为式中：为供能系统消耗伴生气的产电、产热、排放CO₂系数；为供能系统消耗柴油的产电、产热、排放CO₂系数；V_DO为消耗的柴油量；V_E.O、V_H.O、V_C.WS为供能系统产生的电能、热能、排放的CO₂量。2.3  E-H的能流分析该单元将部分供能系统以及新能源产生的电能转换为热能，其耦合数学模型为式中：η_E-H为电转热系数；V_E.B为E-H消耗的电能。2.4  ES的能流分析该单元用于储存供能系统以及新能源产生的多余电能，同时也在油气生产负荷高峰时释放电能，其耦合数学模型为

式中：w_t为新能源出力；E_load为生产系统所需的电负荷；V_E.in、V_E.out为储存和释放的电能；V_E.A为AGS消耗的电能。

3  计及不确定性的OMIES优化调度建模

3.1  不确定性分析

针对海上油气平台负荷与新能源出力存在波动的情况，本文考虑源、荷双重不确定性对OMIES进行研究^[24-25]。采用模糊变量对伴生气产量和电、热负荷进行表示，且考虑新能源的随机性，将新能源发电功率预测误差值作为模糊随机变量。本文对风力发电功率预测值与实际值之间的相对误差进行建模，采用中间型柯西隶属度函数作为相对误差模型，具体表达式^[26]为

式中：η_k为权重因子；∆k为风力发电功率的预测误差百分数，当风电出力预测值小于实际值时为k⁺，当风电出力预测值大于实际值时为k^–。模糊变量采用梯形函数表示为式中：μ (x)为隶属度函数；r₁、r₂、r₃、r₄为梯形隶属度参数；V_E.ESS、V_H.ESS、V_AG.ESS为整个系统产生的电能、热能以及所消耗的伴生气体积。针对海上油气平台源、荷双重不确定性，采用模糊随机机会约束规划进行不确定性处理^[27-28]。为使决策在期望约束下得到最大的期望效益，建立模糊随机期望值模型为式中：f为模糊随机目标函数；x、ξ为决策向量与模糊随机向量；g_i(x,ξ) 为第i个期望约束条件；g_j(x,ξ)为第j个模糊机会约束条件； Cr{⋅} 为模糊随机事件的可信性；α为置信水平，满足α∈(0，1)。3.2  OMIES低碳经济优化调度模型3.2.1  目标函数本文以运行成本与碳排放量最低为优化目标建立优化模型，碳排放量以惩罚成本形式表示，因此成本可表示为式中：F_cost为系统运行成本；F_DO为消耗柴油带来的运行成本；F_AG为消耗伴生气的成本；F_CC为新能源发电预测误差的惩罚成本；为碳排放惩罚成本。式中：C_DO为柴油成本系数，元/kg；C_AG为伴生气的成本系数，元/Sm³；C_ER为新能源预测误差带来的成本系数，元/kW；∆P_new为新能源出力预测误差值；为排放CO₂的惩罚系数，元/kg；为系统排放的CO₂量。目标函数为式中：F_cost.t为t时段的运行成本。3.2.2  约束条件等式约束包括前文建立的各单元系统模型以及电、热、伴生气负荷平衡约束，不等式约束包括各变量的上下限约束、储能设备约束等。由于新能源出力及电、热负荷预测的不确定性，将电、热平衡约束处理为模糊机会约束形式，以一定的置信水平保障系统可靠性要求。1）电、热、气负荷平衡约束为式中：V_Eload、V_Hload为预测的电、热负荷；V_NEW.fore为预测的新能源发电功率。将式（26）转化为清晰等价类约束，即式中：V_Eload.1、V_Eload.2、V_Hload.1、V_Hload.2、v_NE.C.1、v_NE.C.2、v_AG.C.1、v_AG.C.2、v_AG.W.1、v_AG.W.2、v_AG.O.1、v_AG.O.2均为对应变量的隶属度参数。2）系统模型。系统异质流耦合方程如式（5）~（15）所示。3）不等式约束。各变量的上下限约束为储能设备约束为式中：为ES和AGS在t时刻储电与放电功率以及储气与放气速率上下限。综上所述，基于源、荷双重不确定性的OMIES优化调度模型为4  算例分析本文以渤海某海上油气开采平台为例进行仿真，验证优化模型的有效性。整个模型属于混合整数线性规划问题（MILP），基于Matlab平台搭建，调用Cplex软件进行求解。

据不确定性分析，本文采用区间值表示电、热负荷和伴生气产量，取波动范围为±10%，采用正态分布表示预测误差的不确定性。考虑预测误差的新能源发电功率以及未来24 h电、热负荷、伴生气产量预测曲线如图5所示，系统中WSCU、CCS、AGS、P2G单元参数如表1所示。

图5   电、热负荷、伴生气产量和新能源发电功率预测

Fig.5  Prediction of electricity, heat load, associated gas production and renewable energy power generation

表1  设备参数

Table 1  Equipment parameters

天然气热值取38000 kJ/Sm³，单价取3.1 元/Sm³；柴油热值取42800 kJ/kg，单价取8.0 元/kg，WSCU的排放系数为0.76 kg/(kW·h)。考虑新能源接入与FP2G-AGS呈现强耦合关系，为保证系统的可靠运行，本文设置了2种场景进行算例分析，如表2所示。

表2  场景设置

Table 2  Scenario settings

1）不考虑双重不确定性。

在不考虑双重不确定性下，进行算例仿真，2种场景下优化运行的成本与碳排放量对比如表3所示。

表3  2种场景下的运行成本与碳排放对比

Table 3  Comparison of operating costs and carbon emissions under two scenarios

由表3可见，新能源的利用极大地降低了运行成本和碳排放量，场景1比场景2的碳排放量降低了近50%，这是由于传统燃料柴油和伴生气的消耗减少了。同时在场景1下由于P2G具有消纳多余电量转化为天然气的作用，进一步降低了运行成本与碳排放量。

燃料消耗对比情况如图6所示。与场景2中运行情况相比，场景1中由于新能源的接入，同时一部分燃料通过P2G转化而来，使得在负荷量较低的时刻，如02:00—11:00和18:00—24:00，场景1消耗的伴生气量小于场景2消耗的伴生气量。在负荷高峰时刻，如12:00—18:00，场景2中的伴生气产量无法满足负荷需求，需要柴油来补充，而场景1由于P2G将捕捉到的CO₂合成为天然气，提供给供能系统作为补充燃料，使得在这段时间不再需要柴油补充。

图6   2种场景的燃料消耗情况对比

Fig.6  Comparison of fuel consumption under two scenarios

2种场景下的碳排放量如图7所示。

图7  2种场景的CO2排放对比

Fig.7  Comparison of carbon dioxide emissions under two scenarios

从图7中可见，场景1中每个时刻的碳排放量都低于场景2，这是因为场景1中的新能源出力满足了部分负荷，且平台产生的伴生气会优先用于自身消耗，在多余时会储存在AGS中。而场景2中未配置AGS，因而无法储存，只能进行燃烧排放，如在08:00和11:00左右，场景2的伴生气产量较高，但负荷较低，此时伴生气在满足负荷需求的前提下，多余伴生气不得不燃烧排放，产生较多的CO₂，因此仿真得到的场景2中碳排放曲线趋近伴生气产量预测曲线。而场景1中接入了新能源并由于AGS的作用，CO₂排放量在负荷大时排放多、负荷小时排放少，其CO₂排放曲线趋近负荷预测曲线。2）考虑双重不确定性。在考虑双重不确定性下，采用不同的优化模型对风电出力进行处理。预测值优化模型将风电出力处理为预测值；随机性优化模型将风电出力处理为随机变量；模糊随机优化模型将风电出力处理为模糊随机变量。为验证双重不确定性的优化调度模型的可行性，分别采用预测值优化模型、随机性优化模型及模糊随机优化模型进行系统的优化调度，同样，以运行成本与碳排放量最低为优化目标，进行对比分析。

由图8可以看出随机性模型与模糊随机性模型处理的风电出力误差大小存在差异，考虑双重不确定性的模糊随机值具有更小的波动幅度，更贴近实际值。由于风电出力的预测误差会带来一定的成本，因此更小的预测误差意味着更小的惩罚成本。分别采用风电出力预测值、模糊随机值进行计算，并与实际值的仿真结果进行对比，得到不同情况下的运行总成本对比如表4所示。

图8   风电出力预测值、随机值、模糊随机值、实际值对比

Fig.8  Comparison of wind power prediction, random quantity, fuzzy random quantity and actual quantity

表4  不同风电出力值下的运行成本与碳排放对比

Table 4  Comparison of operating costs and carbon emissions under different wind power output values

由表4中数据对比可见，相比直接采用预测值进行仿真，采用模糊随机值仿真时，由于考虑了双重不确定性，其得到的优化结果与实际值更为接近，误差更小。

以上为风电出力的不确定性给系统带来的影响，由于OMIES的供能系统与生产系统紧密联系，电、热负荷与伴生气产量的不确定性也影响着系统的运行情况，如前所述，本文采用模糊量来处理电热负荷与伴生气产量，将考虑源、荷双重不确定性的场景与不考虑双重不确定的场景进行仿真对比分析，2种情况下的碳排放如图9所示。

图9   2种情况下的碳排放对比

Fig.9  Comparison of carbon emissions in two cases

由图9可见，在考虑源、荷双重不确定性的场景下，虽然几乎每个时刻的碳排放量比不考虑双重不确定性场景高，但由于考虑了双重不确定性后，新能源出力与负荷值都更加趋近于真实值，缓解了二者的波动，得到的仿真结果曲线更加平滑，最终仿真得到的碳排放量也更加近似实际值。

将风电出力的模糊随机性与电热负荷、伴生气产量模糊性用梯形模糊数表示，模糊隶属度参数依据大量历史数据获得。选取不同的置信水平，计算得到的运行成本与碳排放量如表5所示。

表5  不同置信水平下的运行成本与碳排放惩罚成本

Table 5  Operating cost and carbon emission penalty cost under different confidence levels

由表5可见，随着置信水平的上升，系统的运行成本和碳排放量也会随之增加，置信水平越低，系统的运行成本与碳排放量越低，原因很明显，风险越高带来的效益也越高。但在实际操作情况下，决策者不能一味降低置信水平，决策者对于违反约束的风险需要有一定的把控，决策者将在可接受的风险程度下选择最优置信水平，最终得到平衡运行成本与碳排放量的最佳调度方案，尽可能得到最大的收益。

5  结语1）针对海上油气平台的供能情况以及运行环境，构建了考虑新能源接入的OMIES，建立了含FP2G-AGS低碳模块的混合储能系统以应对新能源接入带来的不确定性，为实现海上油气平台的低CO₂排放提供了思路。2）全面分析了OMIES各单元之间的能量-物质耦合关系，建立了含新能源与FP2G-AGS的OMIES整体数学模型，实现系统多能量流、物质流耦合的建模与分析。3）对源、荷双重不确定性进行分析，基于不确定性理论和模糊随机优化理论，建立了相应的模糊随机双重不确定性优化模型，并对不同场景下的OMIES进行优化运行对比分析，算例验证了FP2G-AGS低碳模块的建立极大地降低了海上油气平台的CO₂排放量，且考虑了双重不确定性得到的优化结果也更加趋近真实值，同时在越低的置信水平下，仿真得到的运行成本越低，但决策者不能一味追求低风险的运行条件，应在可接受的风险程度下取得最优的置信水平。

（责任编辑　蒋东方）

作者介绍

李茜（1988—），女，通信作者，博士，副教授，从事综合能源系统、电气设备状态监测研究，E-mail：[e-mail];

★

黄海涛（1996—），男，硕士研究生，从事综合能源系统、海上油气平台优化控制研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：杨彪校对：于静茹审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。