生物质和氢的最优物质和能量分配模型

软件X 20（2022）101264原始软件出版物生物质和氢的成本和温室气体最优物质和能量分配模型Markus Millingera，b， 100，Philip Tafartec，d，Matthias Jordana，Frazer Musondaa，Katrina Chana，Kathleen Meisele，Danial Esmaeili Aliabadiaa生物能源部，亥姆霍兹环境研究中心-UFZ，Permoserstraße 15，04318 Leipzig，Germanyb瑞典哥德堡，查尔姆斯理工大学，空间地球与环境系，邮编：412 96。c德国莱比锡Permoserstraße 15，04318亥姆霍兹环境研究中心经济系d德国莱比锡大学基础设施和资源管理研究所经济与管理科学学院MultiplEE研究小组，Ritterstraße 12，04109 Leipzig，e生物能源系统部，Deutsches Biomasseforschungszentrum Gemeinnützige BH-DBFZ，Torgauer Straße116，04347莱比锡，德国ar t i cl e i nf o文章历史记录：收到2020年2021年12月1日收到修订版，2022年关键词：生物质能发电系统LCA产业生态系统视角a b st ra ct提出了一种用于评估可再生能源载体在电力、热力和交通运输部门之间成本最优和/或温室气体减排最优配置的材料和能量优化配置模型BENOPT。对从源头到终端服务的流程进行高度详细的了解，有助于进行详细的生命周期温室气体和成本评估。可以进行帕累托分析，以及全面的敏感性分析。该模型旨在分析生物质和氢气的最佳使用，作为综合评估和电力系统模型的补充©2022作者（S）。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本v2.1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX_2020_97法律代码许可证GNU-GPL 3.0使用git的代码版本控制系统使用Matlab、GAMS、Cplex求解器的软件代码语言、工具和服务技术支持邮件markus. chalmers.se1. 动机和意义生物质和氢在向可再生能源和材料过渡方面发挥着重要作用。它们作为可储存和可调度的可再生能源载体的使用使它们非常适合补充风能和太阳能光伏发电。通过分段耦合，在可能的情况下，预计热、运输和工业将越来越电气化，生物质和氢衍生物将作为补充。通讯作者：Department of Space Earth and Environment，Chalmers Universityof Technology，412 96，Göteborg，Sweden.电子邮件地址：markus. chalmers.se（Markus Millinger）。https://doi.org/10.1016/j.softx.2022.101264然而，在许多研究和综合评估模型中，这些备选方案往往以高度综合的形式处理[1]，从而丢失了关于不同路径的不同特征的信息，例如关于温室气体排放和时间分辨率的信息[2]。此外，它们大多缺乏气体燃料和热量生产，并且通常描述能量需求而不是服务需求[3]，这对于能够描述有效的资源使用[4在未来的能源情景和专用能源系统模型中，生物质的使用往往被粗略地描述，生物质类型，转换选项，土地使用，成本，温室气体排放和相关资源使用和环境影响的细节很少[7]。此外，这些模型以及IAM通常是计算密集型的，这阻碍了全面的敏感性分析[2，8，9]，尽管2352-7110/©2022作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxMarkus Millinger，Philip Tafarte，Matthias Jordan etal.软件X 20（2022）1012642考虑到生物质使用[3]和氢气[10]等大量数据的不确定性，这一点非常重要BioENergy优化模型（BENOPT）在这一研究和建模空白中运行，以提供有关生物质和氢衍生物在可持续转型中的作用的更多详细信息。 该模型是为以下目的开发的：能源和生物经济部门的系统建模，详细介绍生物质作物和转换途径，以及电力到X/电燃料。从系统角度该模型的开发是为了将复杂的生物质利用和PtX的最重要方面整合到系统的角度。系统观点不仅考虑每个使用选项或路径独立，但它们在系统中的发展，并在工业生态学的框架内通过以下领域表现出来[11，12]：（一）生命周期观点，(ii)物质和能量流分析，（iii）系统建模，最好是（iv）跨学科分析。另一个重要方面，（五）技术变革，也应该在这方面提到[11，13]。方面i-iii和v直接包括在该模型[14]，这使得一个更全面的分析，例如比单一途径的LCA。结果可以嵌入到更广泛的跨学科分析中。在模型的帮助下评估的研究问题通常属于以下问题：生物质和其他可再生能源选择在能源和生物经济系统转型过程中可以发挥什么作用，以便以最具成本和温室气体优化的方式实现气候目标？从源头到最终用途的整个过程的详细投入产出和成本信息，可以详细分析温室气体排放和成本发展。对电力、热力和运输部门及其子部门的分析可以从系统的角度进行分析，从而建立一个坚实的决策支持框架。该模型适用于交通、热力和能源部门生物质和氢基能源载体优化部署的政策支持在该模型的帮助下，对德国联邦粮食和农业部（BMEL）的可再生燃料政策分析进行了分析[15，16]联邦经济事务和能源部（BMWi）长期情景下的所有能源部门[17，18]。该模型在Matlab和GAMS中编程，并使用CPLEX求解器进行了测试，从Excel和CSV文件中读取过程数据和依赖关系。数据设置在Excel文件中以及模型代码中2. 软件描述2.1. 软件构架BENOPT是一个确定性、递归、自下而上、完美预见的线性优化模型，用于建模可再生能源载体在电力、热力和运输部门的成本最优和/或温室气体减排最优分配。这些部门又分为次级部门。该模型具有高达15分钟的分辨率，可以根据任务进行聚合。该模型已在Matlab和GAMS中开发，这两者都是运行软件所需的。该模型包括作物价格发展模块（基于农民希望实现相同利润而不管种植何种作物的前提），基于投入产出、运营支出和资本支出数据的自动温室气体排放和成本计算并且它已经与可变可再生电力（VRE）模块硬耦合。大约30多种技术，20多种生物质残留物和作物类型，可用于10多个子行业，使无数的生物质途径选择，可以很容易地扩展。基于电力组合或过剩电力的部门耦合包括许多使用途径，如氢，电动汽车（EV）或热泵。从源服务到最终使用服务的整个路径跨所有部门捕获由于运行时间短，可以进行广泛的敏感性分析。BENOPT包括运输部门（公路客运、公路货运、航运和航空）、电力和热力部门（工业、家庭和商业）。该模型以年分辨率运行（电力部门除外，根据现有数据，电力部门可以分解为15分钟分辨率或更低详细的模型过程如下（图）。 2）的情况。数据设置主要在Excel表格中进行，用于转换技术和原料。这些数据以及基准年的VRE数据被导入并转换为mat-files。数据归因于特定变量以及附加数据集。根据这些数据，计算了原料和工艺的温室气体排放量。通过设置选定的场景特定变量来设置场景。计算未来的VRE发展，并在此基础计算生物质作物和残留物价格，以及工艺的运营成本和资本支出成本。GAMS所需的数据集合以正确的格式设置并发送到GAMS，在那里优化开发。然后可以以选定的格式绘制结果。过程链也可以在蒙特卡洛敏感性分析中并行化，其中整个过程重复一定次数，并随选定变量的变化而变化。2.2. 软件功能这里介绍了关键的模型功能，补充材料中给出了模型的数学公式具体国家数据。指定国家代码和天气年份，并从电力系统数据和Excel文件中读取国家特定数据。这些因素包括太阳能和风力发电的时间序列、需求、技术和车队容量。流程数据、运营支出和资本支出成本。过程数据包括资本支出数据、基础设施、操作和维护成本、个人成本以及投入和产出，包括副产品和二次原料。输入和输出数据能够详细计算成本，并在Millinger等人[19]中详细说明。在Excel文件中，可以调整工艺和原料数据，并设定允许的原料-技术和技术-市场组合（通过这些组合，也可以将技术排除在建模之外）。VRE和多余的电力模块。基准年的可变可再生能源发电量和电力负荷根据特定情景的未来风能和太阳能光伏容量扩张和电力需求发展进行调整，导致VRE份额和过剩电力开发。包括电力储存，可以添加其他（化石或可再生）必须运行的发电[20]。时间上的高分辨率数据随后可以根据任务进行聚合，方法是将数据分类为剩余负载持续时间曲线（RLDC）并将数据划分为设定数量的切片（标准版本中为50），这大大减少了计算负担[4]。··Markus Millinger，Philip Tafarte，Matthias Jordan etal.软件X 20（2022）1012643Fig. 1. 简化的模型范围概述。图二、模 型 中的流程。敏感性分析可以涉及整个链或子模块。图三. 不同温室气体减排预算目标下的成本最优运输能源载体部署。Electric=电动车辆，PtL=动力到液体，CH4=甲烷（来自不同的转化途径），LCH4=液化甲烷，PBtL_FT=动力到生物质到液体（费温室气体排放。农业和转化过程的输入和输出数据与排放因子相结合，可以计算详细的途径温室气体排放量，包括将排放分配给副产品[21]。原料价格模块。农作物价格的变化是通过加上基准作物（小麦）每公顷的利润来计算的每种能源作物的每公顷生产成本[22]。未来的价格发展是根据小麦价格的年度发展来计算的。生物质残留物的价格同样与既定的发展挂钩，而电价（混合和ERE）是根据基于以下假设设定的：例如文学优化模块。用于优化的输入数据被形成为适合GAMS数据格式并被传送到GAMS中的优化模块。将数据传输回Matlab进行数据处理和绘图。在可耕地上种植的作物、投资和部署得到优化，运输部门的燃料需求由内部决定通过车队的调整。在标准设置中，在整个时间跨度内的温室气体减排首先被最大化，而没有成本限制。然后，将温室气体减排设定为必须在最小化成本的同时实现的目标。低于这个目标的任何水平都可以设定，也可以采用逐步的方法进行帕累托分析。该目标设定了一个温室气体减排预算，需要在整个分析时间跨度内全部实现，但没有为个别年份设定目标敏感性分析模块。蒙特卡罗灵敏度分析[21，22]可以通过并行计算执行，从而实现更快的运行。可以添加任何参数进行变化，并可以执行与单个参数相关的绘图。可以对奇异函数和整个模型过程链进行分析（图10）。 5）。密谋。可以进行广泛的绘图，并添加更多，如图2所示的示例。1Markus Millinger，Philip Tafarte，Matthias Jordan etal.软件X 20（2022）1012644----见图4。 两年内燃料选择的优点顺序。HVO氢化植物油生物甲烷，甲醇木质纤维素基甲醇燃料电池电动汽车，BeetEtOH甜菜基乙醇生物质液化脂肪酸甲酯，PtL粉末液化，SNG替代天然气.图五. 示例变量样本的蒙特卡罗敏感性分析。RE=可再生能源占电力供应的比例，剩余=过剩电力，PV=光伏发电，WindOn=陆上风力发电，WindOff=海上风力发电，WeatherYear=光伏和风力发电的天气年份，基 于 电力需求模式，ghgMax =可实现的最 大 温室气体减排量。3. 说明性实例我们通过德国交通部门的应用程序展示了该模型的主要功能。对不同温室气体预算目标下的成本最优燃料部署进行了评估（图1）。3）。从运输部门的例子中可以看出，该模型选择了不同目标运行之间发生变化的时间点。例如，在最大温室气体目标下，BeetEtOH（基于甜菜的生物乙醇）的一些容量在略低的目标下，这些产能过剩不会出现。此外，PBtL（电力到生物质到液体）部署较少，以便在较低目标时完全随着目标的减少，选择的多样性也随之减少。电动汽车出现在所有目标中，因此可以被视为示例中最强大的选项优序图显示了在竞争条件下，给定原料和需求限制的情况下，不同选择的温室气体减排成本和潜力（图1）。4）.根据在不同时间点使用的资源以及与生产量相比是否有产能过剩，技术选项的选择可能会随着时间的推移而有所不同，如图中的HVO所示。与2030年相比，2050年电燃料的使用扩大了可能的温室气体减排量，而生物燃料在很大程度上保持了相同的温室气体减排量，但最终产品不同。可以进行全局蒙特卡罗敏感性分析，这为分析不同参数值对结果的影响以及由此对鲁棒性的影响提供了坚实的基础 的结果。在VRE上运行1000 Monte Carlo的图，Markus Millinger，Philip Tafarte，Matthias Jordan etal.软件X 20（2022）1012645多余的电力模块如图所示。五、通过这种分析，人们可以看到不同参数之间的结果分布，这有助于确定参数的重要性。例如，在这种情况下，单独采用的光伏和陆上和海上风力发电的容量对于实现的可再生能源份额并不具有决定性，并且超额发电量对评估的天气年份敏感，而可再生能源电力份额则不敏感，如小提琴图所示。 生物质使用和PtX都伴随着整个途径的巨大不确定性，这对于评估深入了解所分析的系统。4. 影响与IAM相比，VRE、部门耦合以及从源头到终端服务的更多样化的供应链选项的详细程度有所与电力系统模型相比，生物质和其他部门的描述更详细。该模型也非常适合于调查发展的敏感性，其中大量的参数有影响，特别是在生物量使用的复杂领域。因此，BENOPT在某种程度上可以弥补建模方面的差距。该模型已被用于德国的许多分析生物燃料的成本[19，22]和温室气体排放[21]评估，以及BMEL的最佳生物燃料部署[5]和可再生燃料政策分析[15，16]已经出版。在BMWi的长期情景中，对运输、热力和电力部门的生物质使用进行了分析[17]。与一般平衡农业模型和土地利用模型[23，24]耦合，以及对电燃料/电力到X的分析[4]。未来的工作。 独立版本侧重于化学产品[25，26]以及热部门[6，27 - 30 ]，已被删除，并计划将细节集成到主模型中。有关可持续农业、营养[31]和工业的方面部门耦合和（可再生）电力为基础的选择以及碳捕获越来越多地包括在建模中，这使得可再生能源的未来在所考虑的部门进行全面分析。该模型允许根据现有数据对任何国家或区域进行分析。5. 结论提出了一种物料和能量的优化分配模型。该模型包括运输，热力和电力部门，并可能增加。整个供应链从源头到终端服务进行了分析下的资源竞争，使系统的观点。生物质和电力为基础的选项（PtX，电动汽车）包括和部署要么最大限度地减少温室气体或实现温室气体目标的成本最优。可以对不同的温室气体目标进行帕累托分析，以及全面的敏感性分析。该模型旨在分析部门耦合和生物量的使用，作为对综合管理模型和电力系统模型的更详细的补充，并已用于就德国的情况提供政策咨询竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作确认这项工作由德国亥姆霍兹研究中心协会资助，并通过研究项目Begleit- forschung Energiewende im Verkehr-BEniVer，资助项目感谢Daniela Thrän对模型开发的支持。附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.softx.2022.101264上找到。这包括模型方程、集合、参数、变量和命名的详细描述。引用[1]Gambhir Ajay，Butnar Isabela，Li Pei-Hao，Smith Pete，Strachan Neil。通过BECCS的视角，审查对综合评估模式的批评以及解决这些问题的拟议方法。能源2019;12（9）：1747. http://dx.doi.org/10.3390/en12091747网站。[2]Creutzig Felix ，Popp Alexander，Plevin Richard ， Luderer Gunnar，MinxJan，伊登霍费尔·阿西玛对未来的生物能源部署进行自上而下和自下而上的建模。Nature Clim Change 2012;2（5）：320-7. 网址：//dx.doi.org/10.1038/nclimate1416网站。[3]Daioglou Vassilis，Rose Steven K，Bauer Nico，Kitous Alban，MuratoriMatteo，Sano Fuminori等人，长期气候变化缓解中的生物能源技术：EMF-33研究的结果。Clim Change 2020. http://dx.doi.org/10.1007/s10584-020-02799-y网站。[4][10]杨伟，杨伟.电燃料从过剩的可再生电力中获得的可再生能源份额：成本、温室气体减排、碳使 用 和 竞 争 。 SustainEnergyFuels2021;5 （ 3 ） ： 828-43.http://dx.doi.org/10.1039/d0se01067g网站。[5]米林格M、MeiselK，特伦 D.温室 气体 最佳减排在德国利用农作物生产生物燃料。Transp Res D Transp Environ 2019;69：265-75. http://dx.doi.org/10.1016/j.trd.2019.02.005网站。[6]Jordan Matthias，Lenz Volker，Millinger Markus，Oehmichen Katja，Thrän Daniela.德国供热行业未来有竞争力的生物能源技术：经济优化方法的发现。能源2019;189：116194。http://dx.doi.org/10.1016/j.energy.2019.116194网站。[7]BörjessonMartin，Grahn Maria，Ahlgren EO.运输生物燃料期货《能源经济建模-综述》：见www.f3centre.se：report no 2013：10。F3.瑞典可再生交通燃料知识中心;2013年。[8]Bauer Nico，Rose Steven K，Fujimori Shinichiro，van Vuuren P，WeyantJohn，Wise Marshall等人，《全球能源部门减排和生物能源用途：EMF-33模型比 较 的 生 物 能 源 需 求 阶 段 概 述 》 。 ClimChange2018.http://dx.doi.org/10.1007/s10584-018-2226-y.[9]Deeperis Joseph，Daly Hannah，Dodds Paul，Keppo Ilkka，Li Francis，McDowall Will， et al.能源 系统 优化建 模的形 式化 最佳实 践应用 能源2017;194：184-98.http://dx.doi.org/10.1016/j的网站。apenergy.2017.03.001网站。[10]耶茨·乔纳森，戴扬·拉赫曼，帕特森·罗伯特，伊根·雷纳特，阿迈勒·罗斯，Ho-Baille Anita等人，采用不确定性分析的离网独立光化学法2020年中国科学院院士http://dx.doi.org/10.1016/j.xcrp.2020.100209网站。[11]LifsetR，Graedel T. 工业生态学：目标和定义。 于：作者声明：Robert U，Leslie W.工业生态学手册。Cheltenham：Edward ElgarPublishing Ltd; 2002，p. 3-15。[12]埃尔克曼S.工业生态学：一个历史风景J清洁 Prod1997;5（1-2）：1-10.[13]格鲁布勒·阿努尔夫技术与全球变化。剑桥：剑桥大学出版社，1998.[14]米林格·马库斯生物燃料的系统评估：未来模型成本和温室气体减排的竞争力之间的生物燃料运输的 情 况 下 ，德国（博士论文），莱比锡：UFZ; 2018年。[15]Meisel叶淇：米林格马库斯，Naumann卡琳，穆勒-兰格·弗兰齐斯卡，梅杰·斯特凡，斯朗·丹妮拉。根据RED II和气候保护目标，未来可再生燃料将混合在德国的交通运输中。能源2020;13（7）：1712。http://dx.doi.org/10.3390/en13071712网站。[16]MeiselK，Millinger M，Naumann K，Majer S，Müller-Langer F，Thrän D.Untersuchungenzuraustestaltungderbiokraftstoffgesetzgebungindeutschland-arbeitspapier（04.07.2019）. 2019年。[17]特伦 丹妮拉劳尔 马库斯， 多曹尔马丁，卡尔彻贾斯敏Oehmichen Katja，Majer Stefan，etal.技术经济学分析和生物质能转化潜力（TATBIO）：Endberichtzu FKZ 03MAP 362。2019年。[18]Lauer Markus，Dotzauer Martin，Millinger Markus，Oehmichen Katja，Jor-丹·马蒂亚斯，卡尔彻·贾斯敏，Majer Stefan，Thraen Daniela.生物能源在德 国 气 候 中 性 能 源 系 统中 的 关 键 作 用 化 学 工 程 与 技 术 2022;（ 00 ） ：1http://dx.doi.org/10.1002/ceat.202100263.[19]Millinger Markus，Ponitka Jens，Arendt Oliver，Thrän Daniela.竞争-先进和传统生物燃料的竞争力：德国生物燃料竞争最低成本模型的结果。能源政策2017;107（107）：394-402。http://dx.doi.org/10.1016/j.enpol.2017.05.013网站。Markus Millinger，Philip Tafarte，Matthias Jordan etal.软件X 20（2022）1012646[20]塔法特·菲利普艾希霍恩·马库斯斯朗·丹妮拉基于风能和太阳能的电力供应的容量扩展途径以及先进技术的影响--德国的案例研究。能源2019;12（2）：324.网址：//dx.doi.org/10.3390/en12020324网站。[21]Millinger Markus，Meisel Kathleen，Budzinski Maik，Thrän Daniela.德国生物燃料的相对温室气体减排成本竞争力。能源2018;11（3）：615。http://dx.doi.org/10.3390/en11030615网站。[22] 米林格·马库斯，瑟伦·丹妮拉。生物质价格的发展抑制了德国的生物燃料投资 和 研 究 ： 高 产 的 关 键 未 来 作 用 。 J Clean Prod 2018;172 ： 1654-63.http://dx.doi.org/10.1016/j的网站。jclepro.2016.11.175网站。[23]Thrän Daniela ， Schaldach Rüdiger ， Millinger Markus ， Wolf Verena ，ArendtOliver ， PonitkaJens ， etal.TheMILESTONESmodelingframework ： An integrated analysis of national bioenergy strategies andtheir global environmental impacts. Environ Model Softw 2016;86 ： 14-29.http://dx.doi的网站。org/10.1016/j.envsoft.2016.09.005。[24] Thrän Daniela，Arendt Oliver，Banse Martin，Braun Julian，FritscheUwe，Gärtner Sven，et al. Strategy elements for a sustainable bioenergypolicybasedonscenariosandsystemsmodeling ： Germanyasexample.ChemEngTechnol2017;40（2）：211http://dx.doi.org/10.1002/ceat.201600259网站。[25] 穆桑达·弗雷泽米林格·马库斯斯朗·丹妮拉德国部分生物化学品的温室气体可持续性2020;12（6）：2230。http://dx.doi.org/10.3390/su12062230网站。[26]穆桑达·弗雷泽米林格·马库斯斯朗·丹妮拉基于经济和环境目标冲突的德国生物经 济 最 优 生 物 量 分 配 。 JCleanProd2021;309 ： 127465.http://dx.doi.org/10.1016/j.jclepro.2021.127465的网站上发布的。[27] 乔丹·马蒂亚斯米林格·马库斯斯朗·丹妮拉德国热转换的稳健生物能源技术：一种结合优化建模与Sobol敏感性分析的新方法。应用能源2020;262：114534. http://dx.doi.org/10.1016/j.apenergy.2020.114534网站。[28] Jordan M，Hopfe C，Millinger M，Rode J，Thrän D.将消费者选择纳入德 国 供 热 部 门 的 优 化 模 型 ： 对 预 计 生 物 能 源 使 用 的 影 响 。 第 295 章 .http://dx.doi.org/10.1016/j.jclepro.2021.126319天啊[29]Mutlu Özge，Jordan Matthias，Zeng Thomas，Lenz Volker.高温热需求行业生物合成气的竞争性选择-到2050年的预测。化学工程技术2022;（00）：1-9.http://dx.doi.org/10.1002/ceat.202200217网站。[30]乔丹·马蒂亚斯米林格·马库斯斯朗·丹妮拉Benopt-Heat：一个经济优化模型，用 于 确 定 德 国 热 转 换 的 强 大 生 物 能 源 技 术 。 SoftwareX 2022;18 ： 101032.http://dx.doi.org/10.1016/j.softx.2022.101032的网站上发布的。[31] Chan Katrina，Millinger Markus，Schneider Uwe A，Thrän Daniela.饮食组合的转变与基于陆地的气候变化缓解战略相结合如何减少德国的气候负担。Journal of Cleaner Production 2022;376（2021年12月）：134200.http://dx.doi.org/10.1016/j的网站。jclepro.2022.134200。