随着经济社会的发展，能源消耗、环境污染等问题日益严峻，为应对全球能源环境危机，我国提出“30·60”碳达峰、碳中和目标^[1-2]。综合能源系统(integrated energy systems， IES)可利用先进的通信技术聚合可再生能源和梯级利用能源，发挥不同类型能源的时空互补能力^[3-5]，在一定程度上可提升能源转化效率，减少能源浪费和环境污染。

CCS具有高效减少碳排放的技术特性^[6-7]，其捕获和封存的CO₂可作为P2G反应所需的原料，两者为IES低碳经济调度提供了技术条件。文献[8]将火电机组与碳捕集装置组成碳捕集电厂(carbon capture power plant, CCPP)，促进风电消纳，增强碳减排效果；文献[9]使用电转气将CO₂转化为CH₄，促进了新能源消纳；文献[10-11]构建CCPP-P2G系统框架，利用CCPP捕获的CO₂为P2G设备提供原料，实现CO₂的循环利用，并验证其具有良好经济效益和低碳特性。文献[12-13]将CCS捕集的CO₂作为原料供给P2G，P2G利用负荷谷期的风光出力产出天然气，构建CCS与P2G协同运行的电气互联优化调度模型。事实上，P2G设备运行可细化为两阶段：第1阶段为电解槽装置电解水生成H₂；第2阶段为甲烷反应器内H₂与CO₂反应生成CH₄。电解水过程中H₂产出效率达到80%^[14]，且氢能具有零碳排放的特性^[15]，故细化P2G运行过程，研究氢能转化利用具有重要意义。

市场机制方面，碳交易机制的引入也成为减少IES碳排放的有效途径。文献[16]引入碳排放成本模型约束系统碳排放量；文献[17]利用碳捕集与电转气技术，在市场机制层面引入阶梯式碳交易模型，进一步提高系统的经济与环境效益；文献[18]建立基于碳交易含精细化P2G与碳捕集、利用与封存(carbon capture, utilization and storage, CCUS)技术的氢能综合能源系统运行框架，仿真结果表明，该系统可实现IES的低碳化及经济性运行。然而，目前对碳捕集与电转气协同的IES优化调度研究大多集中于设备间的耦合及市场机制约束，少有关注系统的不确定性。在实际应用中，风光与负荷预测的不确定性会导致IES调度缺少精确的决策依据，从而造成经济风险。

当前对IES不确定性的处理方法主要是鲁棒优化^[19-21]和随机优化^[22-24]。鲁棒优化模型在使用前需要精确输入概率函数给定波动区间，刻画系统的不确定性，其波动区间不一定符合实际；随机优化模型需大量的离散场景，导致计算量大、求解效率低等问题。信息间隙决策理论(information gap decision theory， IDGT)是一种非概率非模糊的决策理论，其思想是在保证最小预期目标值下最大化不确定性变量波动范围，从而最大化规避不确定性对求解结果的影响^[25-26]，其在负荷需求不确定性的处理有良好适用性^[27-28]。目前拉丁超立方抽样^[29]是风光场景生成中较常见的方法，但该方法忽略了风光出力之间的相关性。为兼顾风光出力的随机性与相关性，本文采用基于多元正态分布和逆变换抽样的典型场景生成方法，提出一种基于场景生成与IGDT的含CCS-P2G综合能源系统低碳优化策略。首先，对P2G两阶段进行精细化建模，并引入含CCS-P2G的CHP机组模型和阶梯碳交易机制；其次，考虑风光以及负荷预测不确定性，采用不确定性场景生成和信息间隙决策理论量化IES实时调度风险；最后，基于算例模拟分析差异化阶梯碳交易机制、风光及负荷不确定性等运行场景对IES系统成本的影响。

本文构建的IES主要包含分布式电/热出力模块和碳循环利用模块。分布式电/热出力模块主要由热电联产机组、风电、光伏、燃气锅炉(gas boiler， GB)、氢燃料电池(hydrogen fuel cell， HFC)组成；碳循环利用模块包括CHP机组、CCS装置、P2G装置和储气储氢装置，CHP机组出力过程中产生的CO₂被CCS装置捕获并存储，作为原料输送到P2G装置，P2G装置利用电解水生成的H₂与CO₂反应生成CH₄，通过天然气管道输送至CHP机组和GB，将多余的CO₂进行存储。IES运行结构如图1所示。

电转气过程分为电解水和甲烷化2个阶段，在第1阶段，电解槽(electrolyzer， EL)通过电解水产生H₂；在第2阶段，将产出的H₂一部分输送至甲烷反应器(methane reactor， MR)，与CCS装置捕获的CO₂反应生成CH₄，供给至燃气机组，一部分送至储氢罐和HFC，将氢能进行存储和二次利用，通过HFC将氢能转化为电能和热能。

1）EL模型

EL模型可将弃风弃光功率转化为易存储的氢能，计算式如下：

式中：PEL,t为t时段EL模型输出氢功率；ηH2为电氢转化效率；PP2G,t为t时段EL模型消耗电功率；PP2Gmax、PP2Gmin分别为输入到EL模型电功率的上下限，ΔPP2Gmax、ΔPP2Gmin分别为EL模型爬坡功率的上下限。

2）MR模型

MR模型利用Sabatier反应将CO₂转化为CH₄，转化气功率计算式如下：

式中：PMR,t为t时段MR模型生成天然气功率；βMR为MR模型气氢转化率；PMR,tEL为t时段由EL模型输入到MR模型的氢功率；PMR,maxEL、PMR,minEL分别为输入到MR模型氢功率的上下限；∆PMR,maxEL、∆PMR,minEL分别为MR模型爬坡功率的上下限。

3）HFC模型

HFC模型可利用EL模型产生的氢能生成电能和热能，计算式如下：

式中：PHFC,te、PHFC,th分别为t时段HFC模型产出的电功率和热功率；ηHFCe、ηHFCh分别为t时段HFC模型电、热功率的转化效率；PHFC,tEL为由EL输送到HFC模型中的氢功率；PHFC,maxEL、PHFC,minEL分别为输送到HFC模型氢功率的上下限；∆PHFC,maxEL、∆PHFC,minEL分别为HFC模型爬坡功率的上下限。

CCS-P2G-CHP系统中的碳流动过程可以用式(4)—(6)表示：

式中：QCHP,t为t时段CHP机组产生的CO₂质量；Qtout为直接排放大气的CO₂质量；Qcc,t为CCS装置捕获的CO₂质量；Qcc,tc为CO₂封存量；QP2G,t为P2G装置消耗的CO₂质量；Qcc,maxc为最大封存量。

CCS-P2G-CHP系统在碳捕集和碳封存过程中电能消耗计算如式(7)所示，其中风电、光伏和CHP机组输出功率一部分用于输入电网，其余部分用于碳捕集设备和电转气设备的能源消耗。

式中：PCC,t为t时段CCS装置的能耗；PP2G,t为t时段P2G装置的能耗；PWT,tge、PPV,tge和PCHP,te分别为t时段风电、光伏和CHP机组的实际输出功率；PWT,tcp、PPV,tcp和PCHP,tcp分别为t时段风电、光伏和CHP机组为CCS-P2G设备供能的功率；PWT,tg、PPV,tg和PCHP,tg分别为t时段风电、光伏和CHP机组的上网功率。

CCS装置功率由基本功率和运行功率构成，计算式如下：

式中：Pcc,tbase为t时段的基础能耗；Pcc,top为t时段运行能耗；∂为CCS装置运行能耗转化系数。

根据甲烷反应器内的化学方程式，P2G装置消耗的CO₂质量表示如下：

式中：ρCO2为CO₂密度；VMR,t为MR设备生成的天然气体积；HCH4为天然气热值。

CHP机组可将气功率转化为电功率和热功率，其出力模型如下：

式中：PCHP,te、PCHP,th分别为t时段CHP机组产出的电功率和热功率；ηCHPe、ηCHPh分别为t时段CHP机组电、热功率的转化效率；PCHP,tg为输送到CHP机组的天然气功率；Pg,CHPmax、Pg,CHPmin分别为CHP机组的天然气功率的上下限；∆Pg,CHPmax、∆Pg,CHPmin分别为CHP机组气功率爬坡的上下限；κCHPmax、κCHPmin分别为CHP机组热电比上下限。

1）GB模型

GB模型可辅助CHP机组满足用户热负荷需求，运行模型如下：

式中：PGB,th为t时段GB模型产出的热功率；ηGB为GB模型的转化率；PGB,tg为GB模型在t时段消耗的天然气功率；Pg,GBmax、Pg,GBmin分别为GB模型消耗的天然气功率的上下限；∆Pg,GBmax、∆Pg,GBmin分别为GB模型气功率爬坡的上下限。

2）储能设备约束

在IES中不同能源类型的储能设备数学模型^[30]类似，因此本文对电、热、气、氢储能设备进行统一建模，表达如下：

式中：PES,i,tcha、PES,i,tdis分别为第i种储能设备在t时段的充、放功率；PES,imax为第i种储能设备单次充、放最大功率；uES,i,tcha、uES,i,tdis分别为第i种储能设备在t时段的充、放状态参数，均为布尔变量；PES,i,t为第i种储能设备的输出功率；ηES,icha、ηES,idis分别为第i种储能设备的充、放能效率；Si,t为第i种设备在t时段的储能容量；PES,icap为第i种储能设备的额定容量；Simax、Simin分别为第i种储能容量上下限。

综合能源系统碳排放权配额EF表示如下：

式中：Ee,buy、ECHP、EGB分别为电网购电、CHP机组和GB设备的碳配额量；Pbuy,te为电网购电功率；λe、λh分别为单位电量的碳配额和单位热量的碳配额；φe,h为电热转换系数。

综合能源系统实际碳排放EA表示如下：

式中：Ee,buy,a、ECHP,a、EGB,a分别为电网购电、CHP机组和GB设备的实际碳排放量；ECC,a为碳捕集设备捕获到的CO₂量；λ^e、λ^h分别为单位电量和单位热量对应的碳排放量。

综合能源系统内实际参与市场碳交易的碳排放权配额计算式如下：

相较于传统碳交易模型中的统一定价机制，为进一步达到控制碳减排的目标，本文采用阶梯型碳交易定价模型，划分多个碳排放区，碳排放权配额越多，相应的价格系数越高。阶梯碳交易成本表示如下：

式中：f为碳交易基本价格；α为价格增长率；l为碳排放量区间长度。

本文所提含CCS-P2G系统的IES优化调度模型以综合成本C最小为目标，表达式如下：

式中：Cin、Cbuy、Cop、Ccut、CCO2分别为日均摊销投资成本、购能成本、运行成本、弃风光成本和碳交易成本。

1）设备投资成本

在规划期内，设备投资成本由单位容量投资成本、额定装机容量和残值计算得出，即

式中：n为设备运行年限；φm为设备m的单位容量投资成本；Wmnom为设备m的额定装机容量；ρ为残值回收系数，取0.9。

2）购能成本

综合能源系统购能成本由电网购电成本与气网购气成本构成，即

式中：cgrid,t为t时段电网购电价格；kCH4为气网购气价格；Pe,tb、Pg,tb分别为t时段购电、购气功率。

3）运行成本

综合能源系统运行成本由碳捕集装置、储碳设备及P2G等设备运行成本构成，即

式中：cccs、cQ、cP2G、cCHP、cGB和cRE分别为碳捕集装置、储碳设备、P2G设备、CHP机组、GB装置、风电和光伏的单位运维成本。

4）弃风、弃光成本

综合能源系统弃风弃光成本主要受风电光伏预测值与实际值的差值和弃风弃光单位成本影响，即

式中：PWP,tpre、PPV,tpre分别为风电光伏预测出力；γWPRE、γPVRE分别为弃风、弃光的单位成本。

5）阶梯型碳交易成本

阶梯型碳交易成本表示为

综合能源系统电、热、气、氢应遵循功率实时平衡约束条件，具体如下：

1）电功率平衡约束条件表示为

式中：PtG为t时段上级电网提供的电功率；PL,t为t时段电负荷功率。

2）热功率平衡约束条件表示为

式中：PHS,tcha、PHS,tdis分别为热储能t时段充、放热功率；Ph,t为t时段热负荷功率。

3）气功率平衡约束条件表示为

式中：Pg,tb为t时段天然气网提供的气功率；PGS,tcha、PGS,tdis分别为气储能t时段充、放气功率。

4）氢功率平衡

式中PHES,tcha、PHES,tdis分别为氢储能t时段充、放氢功率。

综合能源系统调度模型是以确定性风光出力及负荷需求为基准进行调度，但因无法精准预测风光和用户负荷波动，实际结果可能偏离预测值，从而造成经济损失。因此，决策者在进行调度时需考虑系统的不确定性，并对IES的调度方案进行决策，本文采用基于场景生成与IGDT方法量化系统的不确定性。

为了实现系统调度的最优决策，可再生能源出力的不确定性和相关性是必须考虑的要素，采用场景生成刻画风光出力的不确定性，运用逆变换抽样法^[31]进行场景生成，再基于k-means聚类将N个场景缩减为k个典型场景，具体步骤如下。

1）构建风光预测误差的协方差矩阵：

式中：σij为时段i和时段j的协方差；ε为协方差参数，用以控制相关性强度。

2）构造风光预测误差的多元正态分布函数Z1×24~N(0,σ24×24)，调用MATLAB中的mvnrnd函数随机生成N个样本。

3）风电光伏机组预测误差大体服从(0,σti)的正态分布^[32]，i为机组类别，i=W为风电机组，i=PV为光伏机组。σti的计算式如下：

式中：ψ为预测误差系数；Pi,tpre为i类机组在t时段的出力预测值。

4）根据步骤3）中风光概率分布函数，对各时段样本值进行逆变换，得到风光预测误差，由此计算出相应N个风光出力场景。最后采用k-means聚类将N个场景缩减为k个典型场景。逆变换抽样示意图如图2所示。

本文以考虑风光出力多场景生成后产生的期望总成本C最小为目标，表达式如下：

式中：N为生成场景总数；ρk为第k个场景发生的概率；Cink、Cbuyk、Copk、Ccutk、CCO2k分别为第k个场景下日均摊销投资成本、购能成本、运行成本、弃风光成本和碳交易成本。

IGDT的不确定因素输入为一个不精确的集合，并通过非概率模型的集合描述不确定性，如分数不确定性模型、椭球模型和包络模型等^[33]。鉴于负荷不确定性的特点，采用包络模型，表示如下：

式中：Pτ,ttrue为t时段第τ类负荷的实际需求值；Pτ,t为t时段第τ类负荷的预测值；α为负荷波动参数，即不确定度，其值由预测误差决定。

不同决策者对待风险持有不同态度，针对不确定性因素的变化及决策者的风险偏好，基于IGDT的综合能源系统在不确定性下的调度分为基于风险规避的鲁棒模型和基于风险追求的机会模型^[34]。

鲁棒IGDT模型认为负荷的不确定性会影响综合能源系统优化调度结果。在风险规避策略下，综合能源运营商希望在保证系统成本不高于预期的前提下实现鲁棒性最优，即寻求最大不确定度，由此建立基于风险规避的IGDT经济调度模型，计算式如下：

式中：C0为未考虑负荷预测偏差时系统调度成本；εrm为鲁棒模型的偏差因子，取值范围为[0,1)。

鲁棒IGDT模型寻求用户实际负荷在不确定性区间变化时，系统成本不超过预期调度成本。对于式(33)，当实时负荷取值为不确定集上限时，下层模型的成本能达到最大值，因此可将双层规划模型转化为单层优化模型，表示如下：

机会IGDT模型认为负荷的不确定性可使结果朝系统经济有利的方向发展。在机会寻求策略下，运营商利用负荷的不确定性来释放成本，尽可能减小追求不确定性带来的风险，从而花费更小的成本，由此建立基于风险追求的IGDT经济调度模型，计算式如下：

式中εom为机会模型的偏差因子，取值为[0,1)。

对于式(35)，当实时负荷需求取值为不确定集的下界时，下层目标函数可取得最小值，因此可转化为式(36)：

以北方某园区含可再生能源发电的热电联合综合能源系统为仿真对象，系统能源设备构成如图1所示。设置调度周期为24 h，IES内部的负荷及风光出力预测结果如图3所示，经聚类削减的风、光生成场景如图4、5所示，分时电价见表1，碳排放配额和实际碳排放模型参数可参考文献[35]，机组运行系数可参考文献[11,36-40]。本文基于MATLAB配置的Yalmip工具箱进行模型构建，并调用CPLEX求解器进行算例求解，通过MATLAB输出可视化的数据及图像。

为验证本文所提模型的经济性和低碳性，现设置以下4种情景进行仿真分析。

场景1：不考虑CCS设备和P2G设备。

场景2：考虑CCS设备和传统的P2G设备。

场景3：考虑CCS设备和细化两阶段的P2G设备。

场景4：考虑CCS设备和P2G设备两阶段运行，引入阶梯型碳交易。

根据前4种不同的场景，MATLAB优化所得的各场景碳排放量及碳交易成本曲线如图6所示，各项成本对比见表2。

综合分析图6和表2，在碳减排方面，采用CCS装置和传统P2G设备的场景2减排效果明显优于场景1；而细化两阶段P2G设备的场景3优于场景2；在场景3基础上引入阶梯型碳交易机制的场景4碳减排效果小幅优于场景3。

场景2与场景1相比，加入传统P2G设备和CCS装置，CCS-P2G设备运行可利用多余的风光功率，P2G设备吸收CCS装置捕获的CO₂，不仅缓解碳捕集装置的封存压力，还将捕获的部分CO₂作为原料生成天然气，供给燃气设备使用，该场景下弃风弃光成本降低4 209.29元，碳交易成本降低24 211.2元，碳排放量降低了54.98 t，总成本降低11 047.62元。

场景3引入细化两阶段的P2G设备和CCS装置，较场景2总成本降低8 023.41元，碳排放量降低71.69 t，购电购气成本下降了10.80%，主要原因为：细化两阶段的P2G设备较传统P2G设备具有更高的能源利用率和灵活性，氢能的高效利用可促进CCS设备为甲烷反应器提供CO₂，提高了CO₂的消纳量；两阶段P2G设备的氢燃料电池可将氢能转换成电能和热能，减缓了CHP机组与GB机组的出力，从而降低购能成本。

在CCS-P2G协同运行的基础上，场景4引入阶梯碳交易机制，通过设置阶梯碳价来进一步控制系统的碳排放量，如图6所示，相较于场景3碳排放成本有略微提高，但碳排放量下降了35.74 t，总成本降低8 424.28元，这是由于阶梯碳交易机制对碳排放区间进行严格的划分，随着碳排放量的增加，运营商将面临碳排放成本的大幅增长，会大大降低对碳源的调用，该场景充分挖掘CCS-P2G的节能减排潜力，对于新能源消纳、响应“双碳”目标政策起到促进作用，总体实现系统低碳经济调度的目标。

场景4的各类最优功率调度如图7—10所示。

如图7所示，在00:00—07:00时段电负荷需求低，风电功率充裕，此时主要由风电和CHP机组供电，为了消纳多余的风电，P2G设备、CCS装置和储能设备均开始运行，将多余电能转化为氢能等其他形式的能源加以利用；08:00—18:00时段电负荷需求增大，光伏机组开始供电，在用电高峰期时，通过电网购电或储能放电方式缓解机组的发电压力；19:00—24:00时段主要由风电、CHP机组和HFC满足电功率平衡，随着电负荷需求的减少，将剩余的电能用于电解水制氢。

由图8可见，在00:00—07:00时段热负荷需求较大，CHP机组和HFC均以最大功率提供热负荷，GB和储热装置配合产热机组满足热负荷需求；08:00—18:00，随着白天光照强度增大，热负荷减小，CHP机组和HFC减少出力，多余热负荷被储热装置储存起来；19:00—24:00时段，光照强度逐渐减小至零，CHP机组和HFC供热协同储热装置实现热功率平衡，总体实现削峰填谷。

由图9和图10可见，在00:00—07:00时刻，可再生能源出力较高，电负荷需求低，电解槽利用多余的电能进行电解水制氢，一部分氢能供给HFC满足电热负荷需求，一部分氢能用于甲烷反应器制取天然气，提供给燃气机组使用，剩余氢能储存并在用能高峰时段释放，实现系统削峰填谷并降低运行成本；在08:00—18:00时段风光出力全部供应于电负荷，P2G设备出力降低，该时段系统的天然气功率主要由购气供应；在19:00—24:00时段，风电出力增大，P2G设备出力增大，电制氢和电转气功率均逐渐增大，盈余气功率用于CHP机组产电产热。

在场景4的基础上，探究阶梯碳交易中的区间长度、价格增长率以及碳交易基准价格对系统总成本和碳排放量的影响，结果如图11—13所示。

由图11可知，当碳排放区间长度在[8,20]变化时，由于区间长度较小，碳排放权交易额处于高价区间，IES运营商需严格控制碳排放量，因此碳排放量较少，系统总成本较高，随着区间长度的增大，低价交易区拓宽，系统碳排放量增加，总成本呈下降趋势；当区间长度大于23 t，较大的区间长度使得阶梯型碳交易机制与传统碳交易差别不大，运营商以碳交易基准价格即可排放CO₂，系统碳排放量基本不变，总成本逐渐减少。

由图12可知，价格增长率在[0.05,0.15]时，增长率对系统刺激较小，碳排放量基本不变，碳排放成本随着增长率的增加而增大；在(0.15,0.3]时，增长率对碳减排刺激加大，系统通过调节机组出力和CCS对碳的捕获与封存，改善能源结构，减少碳排放，碳排放量呈下降趋势，总成本呈上升趋势；增长率大于0.3后，由于系统内部固定的负荷需求，各机组出力趋于稳定，碳排放量保持不变，但总成本仍随增长率的增大而增大。

由图13可知，碳交易基价在小于265元前，系统碳排放量随着基价的增加而逐渐降低，总成本逐渐增加，这是由于基价的增加，碳交易成本增加，运营商会约束系统CO₂的排放，以降低碳交易成本；碳交易基价大于265元后，系统机组出力趋于稳定，碳排放量基本不变，但此时系统仍存在碳配额购买，基价持续增加，碳交易成本也会随之增加，总成本仍然增加。

IES总碳排放分为两部分：一部分被碳捕集装置捕获，用于P2G和碳封存；另一部分直接排放到大气中，如图14所示。在01:00—06:00和23:00—24:00时段，可再生能源充足，P2G装置以较大功率运行，捕获的CO₂一部分用于P2G装置，另一部分进行封存，总体实现CO₂的循环利用；在07:00—09:00时段和19:00—22:00时段，P2G装置停止运行，将碳捕获的CO₂全部进行封存，这是由于考虑到碳存储成本远远低于碳交易成本，系统会通过碳封存技术尽可能减少CO₂的外排放。在10:00—18:00时段，由于可再生能源和CHP机组出力全部用于供给用户需求侧，CCS-P2G停止运行，故该时段CO₂几乎全部向外界排放。

考虑不确定性给系统成本带来的影响，鲁棒模型与机会模型下的偏差因子设置均为0.1，新构建以下2种场景：

场景5：在场景4运行的基础上，考虑风险规避策略下的不确定性。

场景6：在场景4运行的基础上，考虑风险追求策略下的不确定性。

考虑到负荷需求的不确定性，运用本文构建的IGDT模型，得到风险规避和风险追求策略下的IES优化调度结果，如图15所示。

由图15可知，在用户负荷预测存在偏差的情况下，运营商通过优化调整各机组出力，使综合能源系统运行满足不同风险偏好的成本要求。风险规避策略下，电热负荷高于预测结果，系统会增加CHP机组的出力和外购电功率来满足用户的用能需求，运行成本增加10 304.76元；机组出力的增大会使CO₂排放增加，由于碳交易机制激励企业的碳减排，CCS-P2G增加运行以消纳更多的CO₂，CCS-P2G运行成本增加6 846.25元，总成本增加了35 454.59元。风险追求策略下，电热负荷低于预测结果，系统对CHP机组的出力需求降低，运行成本减少9 468.35元；低谷期盈余的风电光伏功率会通过储电装置存储起来在高峰期释放，实现了削峰填谷；由于机组出力的降低，CCS-P2G功率也随之减少，其运行成本下降了4 668.92元，总成本下降了32 751.98元。

IGDT的优化结果受偏差因子的影响，2种策略下的运行成本与不确定度在不同偏差因子下的优化结果见表3。

由表3可知，风险规避策略下，不确定因素将对系统成本产生负面影响。随着偏差因子的升高，IES可接受的不确定度逐渐增加，运营商进行鲁棒优化决策的风险逐渐降低，系统成本在逐渐升高。风险追求策略下，不确定因素将对系统成本产生积极影响。随着偏差因子的升高，IES可接受的不确定度不断增加，风险追求行为的系统风险不断增加，系统成本逐渐减小，运营商可以释放更多的运行成本。因此，决策者需要通过平衡系统经济性和不确定性风险，设置合理的成本偏差因子。

以CHP-CCS-P2G耦合的IES为研究对象，利用CCS-P2G协同运行消纳可再生能源和CO₂，实现系统低碳经济运行；同时考虑风光出力的不确定性和相关性以及负荷预测的不确定性，构建了基于场景生成和IGDT的IES低碳经济优化调度模型。通过算例的对比分析，验证所提模型的有效性，得到如下结论：

1）引入CCS与两阶段P2G协同运行后，IES弃风弃光成本与购能成本降低，系统的碳循环使碳排放量减少，说明CCS-P2G装置具备灵活运行优势，在促进新能源消纳的同时，对IES低碳经济运行及能源梯级利用具有积极影响。

2）基于阶梯碳易模型开展碳排放量和总成本的敏感性分析。通过设置恰当的碳交易基价、区间长度和价格增长率可合理引导运营商控制碳排放量，从而有效协调环境效益和经济效益的平衡。

3）CCS与P2G可以有效实现CO₂的循环利用，但其运行受到风光出力的影响，在用能高峰时段无法对CO₂进行捕集与利用，其碳循环利用的能力受到一定的限制，需新增备用资源为CCS-P2G运行提供能源。

4）基于场景生成与IGDT可对风光以及负荷预测的不确定性进行有效描述，帮助决策者根据其风险偏好制定风险规避与风险追求策略下的调度方案，实现系统不确定性与经济性的平衡。通过敏感性分析，可得到给定不确定度下的成本预留上限和成本释放上限，帮助决策者制定合理的资金使用计划。