计及绿证-碳交易与氢能的综合能源系统多时间尺度优化调度

张洪涛，周意入，凃玲英，秦 宇，李 曦

（湖北工业大学电气与电子工程学院，武汉 430068）

随着环境问题日益严峻和能源需求的不断上升，如何有效减少二氧化碳排放以及可再生能源波动性是世界各国关注的热点话题[1-2]。氢能具有清洁低碳、安全高效等优势，将氢能与综合能源系统IES（integrated energy system）中电、热、冷、气等不同能源相结合，可有效发挥氢能的多方面效益[3-4]。随着新能源在发电系统中的占比不断提高，不确定性等问题变得日益凸显，故减小荷-源不确定性对提升系统稳定性具有重要意义[5]。

目前，国内外学者已对IES 的优化调度进行了深入的探讨与研究。文献[6]从电热互补协调出发，根据电-热网特性，建立了电-热IES优化调度模型；文献[7]基于能源集线器概念对IES 进行建模，提出以效率最大，费用最少为目标的多时段多场景IES 优化模型。随着“双碳”目标的提出，如何有效减少碳排放量是目前研究的热点话题之一。文献[8]在传统电-热-气IES 中加入碳交易机制，以碳交易成本和能源外购成本为目标构建了IES 低碳调度模型；文献[9]提出了计及阶梯碳交易机制IES优化调度模型，研究了阶梯型碳交易成本各项参数对系统低碳优化的影响；文献[10]则考虑到负荷的响应能力，提出了含阶梯碳交易的电-热-气需求响应模型，进一步降低了系统的碳排放量。此外，在新能源平价上网的新形势下，我国建立了可再生配额制度及其绿色证书交易机制，目的是促进新能源的消纳以降低碳排放量；文献[11]根据熵权法对绿证配额进行分配，分别构建了省级日前电力市场出清模型和国际绿证交易市场出清模型；文献[12]提出了计及可再生能源消纳责任权重的IES运行优化模型，综合考虑绿色证书交易、可再生能源消纳能力等因素，有效提高了绿电占比和系统经济性。上述文献从碳市场和绿证市场两个方面对IES 低碳优化展开研究，但在两者的结合应用等方面还有待深入研究，且未考虑氢能带来的低碳清洁效益。

氢能的加入能够有效减少IES 的碳排放量，实现系统低碳运行。文献[13]以运行成本和碳交易成本最优为目标，建立了含风电制氢的园区IES系统；文献[14]则提出含氢储能及天然气混合储能的IES优化运行模型，兼顾了系统经济、环保性；文献[15]以新能源为主体，结合氢能多方面综合效益，建立了基于碳捕集和电-氢转换的IES低碳经济模型；文献[16]则考虑电、热柔性负荷的特点，结合需求响应建立了电-热-氢IES 低碳调度模型，提高了能源利用效率和经济效益。上述研究从氢能耦合特性和制氢方法等角度对IES 优化运行展开研究，但未考虑源、荷不确定性对IES优化运行的影响。

为减少源、荷预测误差对系统优化的影响，多时间尺度调度策略得到了广泛运用。文献[17-18]分别建立了日前-日内-实时多时间尺度优化方法，降低了源、荷预测误差带来的波动性；文献[19]则考虑电能和热、气能在不同时间尺度的响应能量，在IES日内调度模型中建立了双时间尺度滚动优化模型；文献[20]建立了日前运行成本最低和日内弃风成本最低的多时间尺度IES 模型，实现了减少运行成本，提高新能源的利用效率；文献[21]提出分布式模型预测控制MPC（model predictive control）的多时间尺度IES 优化调度策略，该策略能提高经济性能和改善系统的控制性能。

上述文献从碳市场和绿证市场两个方面对IES低碳优化进行了研究，几乎没有考量氢能带来的低碳清洁效益，并且在氢能耦合研究中未能充分考虑源、荷不确定性对IES 优化运行的影响。针对上述问题，本文提出计及绿证-碳交易机制的电-热-冷-氢IES多时间尺度低碳优化调度模型。首先，考虑氢能的利用和转换形式，建立以氢燃料电池、电解槽和甲烷反应器组成的氢能利用环节，并考虑到电解制氢过程中热量散失的情况，引入余热回收装置，建立电解槽热氢联产模型。其次，为发挥IES 的低碳特性，分别引入绿证交易机制和奖惩阶梯型碳交易机制。最后，基于MPC 方法，构建日前低碳调度、日内滚动优化和实时调整的多时间尺度优化模型。算例仿真表明，本文所提模型能够提高各个机组之间的出力精确性，减小联络线交互功率波动率和碳排放量，实现IES的经济、低碳和可靠运行。

1 电-热-冷-气-氢综合能源系统

本文所构建的含电-热-冷-气-氢IES结构如图1所示，其中，外部气网、风电机组WT（wind turbine）、外部电网构成了外部供能系统，同时提供电能和气能。多源储能由储氢罐HES（hydrogen energy storage）、蓄热槽HST（heat storage tank）和蓄电池BT（battery）构成。涉及氢能利用环节主要有电制氢环节、氢转天然气环节以及氢转热电环节，由电解槽EC（electrolytic cell）、甲烷反应器MR（methane reactor）和氢燃料电池HFC（hydrogen fuel cell）构成。此外，还包含燃气轮机GT（gas turbine）、燃气锅炉GB（gas boiler）、余热锅炉WHB（waste heat boiler）、电制冷机ER（electric refrigerator）和吸收式制冷机AR（absorption refrigerator）等在内的冷热电供应系统。冷热电供应系统和多源储能系统涉及的相关设备阐述详见文献[6-10]，此处不再赘述，本节主要介绍氢能利用系统。

图1 IES 结构Fig.1 Structure of IES

1.1 电制氢环节

EC 是电制氢环节的核心元件，其类型主要包括质子交换膜EC、碱性EC、固体氧化物EC。以碱性EC 为例，考虑到电转气环节中EC 的运行特性，其在实际运行的同时，会存在部分热量的损失[22]。本文建立EC热氢联产模型，其EC热氢联供模型的输入-输出关系可表示为

式中：a1、a2、b1和b2分别为EC 热氢联供运行系数；为EC的产热功率；为输入进EC的电功率；为EC 的制氢功率；为EC 的内部温度；为EC 运行状态的0-1 变量；和分别为EC输出电功率的最小值和最大值；和分别为EC输出电功率的爬坡率下限和上限。

在EC制氢环节中引入闭环水循环系统对散失的热量进行回收。本文考虑到热传输过程中的损耗，其热传输模型可表示为

式中：ηh为换热效率；和分别为EC 输出热功率和损失热量；为注入热网的热功率。

EC温度变化可以由准稳态热模型表示为

由式（3）可知，电解制氢-热回收模型也可看作是储热设备。的变化会导致的变化，从而影响和的分配比。EC 运行综合效率ηEC可表示为

式（1）与式（3）组成了EC 热氢联产的运行模型。EC 在运行过程中的热、氢输出功率主要取决于温度和输入功率。

1.2 氢制甲烷环节

MR是氢制甲烷环节的主要核心设备，MR的输入-输出模型表示为

1.3 氢制热、电环节

HFC 是氢制电、热环节的核心设备，可实现氢能与电、热能之间的转换，其具体关系表示[16]为

2 绿色证书交易机制与阶梯型碳交易机制

2.1 绿色证书交易机制

绿证是国家对可再生能源上网电量的认证，也是需求侧消费绿色电力的凭证，与碳交易机制类似，绿色证书交易机制也是通过交易来发挥市场在资源优化配置中的作用。当能源系统中的绿证数量超过该系统无偿的绿证配额时，则可将富裕的绿证数量在绿证交易市场中进行售卖，从而获得收益。反之，则需要从市场中额外购买不足的绿证以满足绿证配额指标。绿色证书交易成本的计算公式可表示为

式中：δP为IES中所分配的绿证数量配额系数；εLZ为风电WT 发电转换为绿证数量的转化系数，1 本绿证对应1 MW·h的WT结算量；为用户电负荷；为WT 的输出电功率；DP为IES 持有的绿证数量配额；DS为IES 新能源发电获得的绿证数量；eGCT为绿证交易价格；CGCT为IES 的绿证交易成本。

考虑到绿证的交易价格随其绿证数量的变化而改变，本文基于数量竞争的古诺交易模型表征绿证的交易价格。根据古诺模型公式，绿证交易价格模型可表示为

式中：Dc为IES 出售的绿证数量；和分别为古诺交易模型的反价格函数的两个正值参数可分别表示为

式中：eGCT,0为绿证基础交易价格；为基于历史数据算出来的GCT交易价格比率。

结合式（7）～式（9）可知，绿证基础交易价格作为绿证交易价格的上限，将直接影响风电出力效果和绿证交易成本，本文选取的绿证基础交易价格为220 元/本[12]。

2.2 奖惩阶梯型碳交易机制

碳排放的原理是通过构建碳排放权，用成本激励被考核主体，减少碳排放。当实际碳排放高于配额时，需要购买碳排放权，反之则出售碳排放权，进而取得碳排放收益。本文考虑系统向外部电网的购电量均来自火电，依据基准线法，认为IES中碳排放源来自于外购3部分：电力、CHP和GB，则碳交易的无偿碳排放配额分配表示为

式中：EGrid、ECHP及EGB分别为IES 中外购电力、CHP 及GB 的无偿碳排放配额；E为IES 总的碳配额；为IES 外购电量；分别为GT、GB、WHB 的输出电功率；εe和εh分别为单位电量和单位热量的无偿碳配额系数；φe-h为发电量折算成供热量的折算系数，取6 MJ/（kW·h）[18]。

在计量IES 实际运行中的碳排放量时，还需进一步考虑MR设备对二氧化碳的捕获消纳作用。则实际的碳排放量计算为

式中：EAct为IES实际总的碳排放量；分别为外部购电、燃气机组的实际碳排放量；为MR吸收的二氧化碳量；为IES外购电量；为燃气机组的等效输出功率；αCO2为MR 转换过程中吸收二氧化碳的效率系数；为MR 吸收的二氧化碳量；x1、y1、z1和x2、y2、z2分别为外购电力和燃气机组的碳排放计算参数。

为了在控制碳排放量同时兼顾能源供能企业的节能积极性，在碳交易的基础上引入奖-惩系数，根据企业实际排放量与设定排放量的对比进行奖励或者处罚。其奖惩阶梯型碳交易成本计算模型可表示为

式中：CCET为IES承担的碳交易成本；β为市场上的单位碳交易价格；l为碳排放区间长度；μ和r为奖惩阶梯型碳交易机制的奖励系数和惩罚系数。

3 多时间尺度优化调度模型

源、荷预测精度随时间尺度的减小而降低，为减少负荷预测和可再生能源对系统优化调度的影响，本文提出了日前-日内-实时三时间尺度的优化调度模型，其整体调度框架如图2所示。

图2 多时间尺度调度框架Fig.2 Framework of multi-timescale scheduling

（1）日前低碳调度（1 h）基于奖惩阶梯型碳交易机制和绿证交易机制，以系统购能成本、运行成本、奖惩阶梯型碳交易成本和绿证交易成本之和最低为优化目标，以1 h为时间尺度，制定1天24 h的设备运行计划、启停计划和储能充放能计划。

（2）日内滚动调度（15 min）以15 min 为时间尺度，在日内调度中第k时段开始时，更新接下来控制时域M内源、荷预测信息。然后以系统购能成本、机组启停惩罚成本、奖惩阶梯型碳交易成本和绿证交易成本之和最低为目标，确定M内各机组最优出力调整量，但只执行t时段计划。然后在第k+1 时段开始，使用更新好的源-荷数据信息重复此优化步骤，实现滚动更新。

（3）实时调整调度（5 min）主要是对日内各能源设备的出力计划进行细微调整，从而使机组出力满足实际运行过程中的时变需求。实时调整阶段以5 min为时间尺度，根据实时更新的源、荷预测信息，以下一时刻的系统输出即设备总调整量为优化目标，计算IES中各机组的实时出力。

3.1 计及氢能耦合及阶梯型碳交易机制的日前调度模型

在日前调度中，会涉及新能源不确定性的处理。本文使用多场景方法来描述可再生能源不确定性问题。以风电功率为例，假定风电功率服从正态分布，然后，用拉丁超立方抽样生成风电出力场景，并基于Kantorovich 距离[23]的场景削减技术进行场景削减。接着，导出削减之后的相对应概率的场景。详细步骤见文献[23]。

日前调度以购能、运行和阶梯型碳交易、绿证交易等成本之和最小为优化目标，其目标函数为

式中：CDAED为日前IES 总成本；分别为IES 的购电成本和购气成本；为设备运行维护成本；和分别为阶梯型碳交易成本和绿证交易成本。其中和的表达式分别如式（12）和式（7）所示，其余分别表示为

系统约束除了满足各设备运行约束之外，还需要满足电、热、冷、气、氢功率平衡约束，即

除了氢能耦合设备之外，IES 内部的冷热电联供设备和多源储能设备均需要满足上、下限约束和爬坡率约束，并且多源储能设备还需要满足互斥约束和充放能频率等约束，具体可参见文献[17，19]，此处不再赘述。

此外，IES还需满足外部电网、外部气网的交互约束为

3.2 日内滚动优化调度模型

日内滚动优化以15 min为间隔，根据最新预测信息，以系统日内购能成本、阶梯型碳交易成本、绿证交易成本及各机组启停惩罚成本之和最小为目标调整各机组出力计划。其目标函数可表示为

式中：CID为日内IES总成本；和分别为日内购电成本和购气成本；为日内各设备的启停惩罚成本；为日内绿证交易成本，如式（7）；为日内阶梯型碳交易成本，如式（12）。各项可分别表示为

式中：x为各设备的种类；为第x类机组的启停状态，为0-1系数；为第x类机组的启停惩罚费用。

日内调度阶段的约束条件除了需满足设备运行约束和功率平衡约束，同时还需满足日前调度运行状态约束，即

3.3 实时调整阶段

在实时调整阶段，通过对日内调度设备出力进行细微调整以满足不断变化的能源需求。根据实时更新的源、荷预测信息，实时调整与日内滚动优化嵌套执行，以5 min 为时间尺度，根据后续1 h 内的设备总调整量最低为目标，确定调整后的最终调度计划值。即

其中，IES中部分设备的调整状态方程为

式中：等号左边为最后调度计划值；等号右边第1项是上一阶段的优化值；第2项是实时阶段调整的输入量；呵呵分别为电负荷、热负荷、冷负荷和风电WT波动值构成的扰动量。

4 算例分析

4.1 基础数据

本文以某含氢能的IES 为例进行算例仿真。IES设备参数见文献[9，16，19，22]，其中内部各能源设备主要参数如表1所示，储能设备主要参数如表2所示，分时电价如表3所示，电、冷、热负荷及风电的预测曲线如图3所示。碳交易参数方面，εe、εh分别为0.728 t/（MW·h）和0.102 t/GJ，μ和r分别为0.15 和0.2，IES 实际碳排模型参数如表4 所示。假定风电和各负荷预测误差均遵循正态分布，其各部分不确定性水平见文献[17]，日内阶段各设备启停惩罚成本见文献[21]。本文建立的IES 多时间尺度优化调度模型各阶段均为混合整数线性规划模型，基于MATLAB+YALMIP建模，调用商业求解器Gurobi对所提模型进行求解。

表1 IES 能源设备参数Tab.1 Parameters of IES energy equipment

表2 储能设备参数Tab.2 Parameters of energy storage equipment

表3 分时电价Tab.3 Time-of-use electricity price

表4 实际碳排放模型参数Tab.4 Parameters of actual carbon emission model

图3 电、冷、热负荷及其风电预测曲线Fig.3 Prediction curves of power,cooling and heat loads and wind power

4.2 日前调度结果分析

4.2.1 氢能耦合系统效益分析

为了体现引入氢能耦合系统的IES优化调度的优势，本文设置以下3种方案进行对比。

方案1：采用传统的冷热电联产优化调度模型，未引入多源储能设备。

方案2：含多源储能设备的传统电-热-气优化调度模型。

方案3：在方案2的基础上，引入氢能耦合系统。

3 种方案下的优化成本对比结果如表5 所示。为了更清晰地比较氢能耦合系统的优势，列出3种方案的电能调度结果进行分析比较，如图4 所示。图5为3种方案下的风电消纳情况。

表5 日前调度中各种方案下的调度结果对比Tab.5 Comparison of scheduling result under different schemes in day-ahead scheduling

图4 不同方案下电功率调度结果Fig.4 Electric power scheduling results under different schemes

图5 3 种方案下的风电消纳情况Fig.5 Wind power consumption under three schemes

首先，对比方案1 和方案2。由表5 可知，方案2中IES的购能成本、IES总成本和系统碳排放量相比方案1分别下降了3.98%、4.34%和3.12%。由于方案1未引入多源储能设备，在负荷高峰时期的供能压力较大，从而导致购能成本较高。而对于方案2，由图4 可看出，在引入多源储能设备之后，储能设备能在电负荷高峰时期如18：00—22：00 放电，缓解供能压力，在电负荷低谷时期如23：00—04：00充电，减少资源浪费。此外，由图5可知，由于风电出力具有反调峰特性，在夜间出力较多，故在方案1的情况下会产生大量的弃风功率，导致能源利用度不高。而方案2能有效提升风电的消纳能力，提高能源利用效率。

然后，对比方案2和方案3。由表5可知，方案3中IES 的购能成本、总成本和碳排放量分别下降了5.93%、3.83%和3.74%。在方案3中，由于引入了氢能耦合系统，IES 会首先将富裕的风电功率输入进电解槽中制氢，从而提高了风电的消纳能力；接着，通过电解槽产生的氢能和热能，其中一部分氢能可输送至氢燃料电池中进行热、电生产，另外一部分氢能可输送至甲烷反应器中合成天然气供气，或者通过氢储能储存，而生成的热能则能直接供应热负荷，实现能源的最大利用。通过上述步骤，可将富裕的风电功率转换成氢气，实现了电-热-氢耦合。结合图4、图5 和表5 可以看出，在01：00—10：00 时段，由于风电功率较高，因此可通过电解槽制氢，故消纳了大量的风电功率。

4.2.2 绿证-碳交易机制效益分析

为了验证考虑绿证-碳交易机制在经济性和环保性方面的有效性，本文在方案3设备模型的基础上，新增以下4种方案进行对比。

方案4：仅考虑传统碳交易机制。

方案5：仅考虑奖惩阶梯型碳交易机制。

方案6：仅考虑绿证交易机制。

方案7：考虑本文所提的绿证-碳交易机制。

方案3～方案7的对比结果如表6所示。

表6 日前调度中各种方案下的调度结果对比Tab.6 Comparison of scheduling result under different schemes in day-ahead scheduling

对比方案3 和方案4。由于方案3 未考虑碳交易成本，IES以自身利益为主，故在负荷高峰时期为减少自身运行成本，会增加对外部电网的购电量，导致碳排放量上升。方案4 考虑了传统碳交易成本后，因其CCHP 和GB 的实际碳排放量较少，系统为了减少碳排放量，会选择增加CCHP 和GB 等燃气机组的出力，从而使系统碳排放量低于分配的碳配额，获得碳交易收益，减少了IES向外部电网的购电量并降低碳排放量。根据表6 数据，与方案3 比较，方案4 的IES 总成本和系统碳排放量分别下降了5.11%和10.19%。

对比方案4 和方案5。因为方案5 加入了涉及奖惩的阶梯型碳交易机制，当系统碳排放量低于免费的碳配额时，得到政府奖励，从而促进机组的输出功率优化，进一步降低系统碳排放量。由表6可知，相比方案4，方案5 的IES 总成本和系统碳排放量分别下降了2.21%和5.71%。

方案6 为仅考虑绿证交易机制的优化场景，相较于方案3，方案6系统碳排放量和IES总成本和分别下降了6.18%和3.48%。方案6 在引入绿证交易机制之后，由于系统的绿电占比较多，因此可将系统富裕的绿电配额随绿证在市场中进行交易，不仅提升了风电的消纳能力，还获得了一定的绿证交易收益，验证了绿证交易机制的有效性。而方案7则将奖惩阶梯型碳交易机制与绿证交易机制同时作用于IES 优化调度中，由表6 可知，相比其他6 种方案，方案7 下系统不仅获得了碳交易收益，还同时获得了绿证交易收益，故IES 总成本和碳排放量均到达最低值，表明综合考虑绿证-碳交易机制可进一步减少系统的碳排放量和运行成本。

4.3 日内调度结果分析

4.3.1 不同策略下的对比结果分析

为验证本文所提多时间尺度协调优化策略的有效性，以日前调度中方案7 的优化模型为基础，新增DA-P 调度策略进行对比。DA-P 策略是指在遵从日前调度的基础上，仅仅通过外部网络对风电和负荷不确定性产生的功率波动进行平抑。

表7为多时间尺度调度策略与日前调度、DA-P调度策略的对比结果。首先对比日前调度和多时间尺度调度策略，由于日内调度计划考虑了机组启停惩罚费用等因素，因此多时间尺度策略下IES 的运行成本会增加，导致总成本上升。但由于日前调度未考虑预测误差对系统的影响，其模型精度相对较低，并不能反映机组的实际运行情况。而多时间尺度下风电和负荷的预测信息更精确，其调度结果更加合理。

接下来对比多时间尺度策略和DA-P策略。由表7可知，多时间尺度下的IES总成本相比DA-P策略下降了3.07%，且联络线交互功率和系统碳排放量分别下降了8.69%和6.75%。这是因为在实际运行时，DA-P 策略只能通过外部网络如电网和气网来平抑可再生能源和负荷的预测误差，因此平抑过程中会产生大量的购电成本使IES 运行成本上升。而在多时间尺度调度策略下，通过反复滚动优化的同时更新了源、荷预测信息，并且利用实时调整对机组出力的情况进行优化，使得系统减小了来自源、荷预测误差的影响。此外，由于采用多时间尺度策略缓解了外部电网和气网的供能压力，故交互功率波动率的下降也能间接降低系统的碳排放量。

4.3.2 各设备调整结果分析

实时调整阶段的5 min间隔会影响储能设备的利用率和寿命，故储能设备仅参与日前和日内调度。各储能设备的日前-日内对比结果如图6 所示。由图6可以看出，BT、HST和HES 3种储能设备的日前-日内出力功率波动不大。在实时阶段产生的负荷波动可以由能源转换设备满足。在日前和日内两阶段的调度中，储能设备变化趋势相似，因为由预测带来的误差大部分可以通过系统中能源转换设备来减小，只有少部分需要通过储能设备进行调整。

图6 各储能设备的日前-日内对比结果Fig.6 Results of comparison between day-ahead and intraday outputs for each energy storage equipment

图7为IES内部分设备机组在多时间尺度策略下与日前调度和DA-P策略的对比结果。由于日前与实时阶段的时间尺度和源、荷信息预测值差异较大，多时间尺度策略通过逐级细化时间尺度，采取滚动优化手段降低源、荷预测信息带来的不确定性，并通过实时调整阶段调整IES内各设备出力，使系统内多种设备参与到功率波动平抑中，因此对各设备出力都有一定的修正，使优化结果更符合实际情况。

图7 部分设备日前-日内出力对比Fig.7 Comparison between day-ahead and intraday outputs for some equipment

图8为3种策略对于外部电网联络线交互功率波动率的对比结果。根据图8 和表7，在DA-P、多时间尺度和日期调度3种策略中，DA-P策略下的联络线交互功率波动率为19.25%，大于其他两种策略，该阶段功率波动较大主要是由于外部网络承担了DA-P阶段的功率波动。多时间尺度策略通过滚动优化和实时调整使更多的能源设备参与到功率波动的平抑过程中，其电网交互功率波动率得到了较大的平缓，该策略联络线交互功率波动率为10.56%，相对于DA-P 策略下降了8.69%，有效降低与外部网络的功率波动程度。

图8 联络线交互功率波动率Fig.8 Interaction power fluctuation rate of contact line

4.3.3 绿证-碳交易机制对IES 多时间尺度调度的影响

为了进一步突出绿证-碳交易机制对IES 多时间尺度优化调度的影响，本文新增2 种场景（方案8、9）与本文计及绿证交易机制和奖惩阶梯型碳交易机制的IES 多时间尺度优化调度进行对比。其中，方案8：IES 多时间尺度调度未引入绿证交易机制和奖惩阶梯型碳交易机制；方案9：IES 多时间尺度调度中仅考虑绿证交易机制，未引入奖惩阶梯型碳交易机制。3种场景的对比结果如表8所示。

表8 绿证-碳交易机制对多时间尺度优化的影响Tab.8 Influence of green certificate-carbon trading mechanism on multi-timescale optimization

由表8 可知，相比方案8 和方案9，在IES 多时间尺度调度中同时引入绿证交易机制和奖惩阶梯型碳交易机制，其IES 总成本分别下降了2.05%和2.96%，系统碳排放量分别下降了14.8%和21.3%。由此可见，绿证交易机制和碳交易机制不仅对IES日前优化具有较好影响，而且在IES 多时间尺度全局优化中也起到较好作用，并且相比日前阶段，绿证交易机制和碳交易机制对IES多时间尺度整体优化的减排效果更好。其原因是由于多时间尺度通过不断细化时间尺度，在日前调度的基础上，进一步通过在日内、实时调度阶段对各能源设备机组出力进行调整，能与两种机制有更好的配合。

此外，相比方案8和方案9，本文场景下的交互功率波动率也得到了一定的缓解，这是由于引入绿证交易和碳交易机制后，降低了IES 对外部电网和外部气网的购能量，从而间接缓解了其交互功率波动率。

5 结 论

为降低IES 的碳排放水平、提高可再生能源消纳能力，提出了计及绿证-碳交易机制的电-热-冷-氢IES多时间尺度低碳优化调度策略。通过算例仿真，得到如下结论。

（1）本文在IES中考虑氢能效益，引入了氢能利用的能量转换模型，减小了IES系统成本，促进风能消纳，提升能源的利用效率，具有较好的经济效益和环境效益。

（2）在多时间尺度模型中同时引入绿证交易机制和奖惩阶梯型碳交易机制，减少了系统碳排放量。通过对比未考虑碳交易和分别只考虑单一碳交易机制的优化模型，验证了绿证-碳交易机制提升系统经济性与环保性的有效性。

（3）搭建了日前-日内-实时三时间尺度优化模型，通过逐级细化调度时间尺度，降低源、荷预测误差对系统实际运行的影响，提高了设备出力精准度，缓解了联络线交互功率波动率，实现了IES的经济、稳定和可靠运行。