, 黄涛1
, 黄晶晶2, 李晓丰1, 彭道平11. 西南交通大学地球科学与环境工程学院, 成都 611756;
2. 斯图加特大学卫生工程、水质与固废管理研究所, 斯图加特 70569
收稿日期: 2019-12-18; 修回日期: 2020-01-13; 录用日期: 2020-01-13
基金项目: 四川省科技计划项目（国际合作计划）（No.2019YFH0058）
作者简介: 刘轶鋆(1992—), 男, 博士, E-mail:liuyiyun123@hotmail.com
通讯作者（责任作者）: 黄涛, 男, 工学博士, 西南交通大学教授, 博士生导师, 西南交大利兹学院副院长.研究方向为固废资源化、环境规划与管理等.在国内外期刊和国际学术会议先后发表100余篇学术论文, 40余篇被SCI、EI检索, 并出版和参编了多部专著与教材.E-mail:taohuang70@126.com
摘要：探讨了将德国电能需求导向沼气供应模式应用于中国污水厂的剩余污泥和餐厨垃圾协同厌氧发酵系统，以实现根据污水厂电能需求即时调控沼气输出，从而提高沼气利用效率的目的.首先综述了电能需求导向的沼气供应模式在国内外的研究进展，在此基础上提出了一种新型的电能需求导向沼气供应模式实现情景，并利用系统动力学模型模拟了沼气生产及发电系统在此情景下的运行，通过系统的净现值作为观测指标与传统的实现情景进行对比以验证其经济性优势.最后，选取我国某污水厂为典型案例验证了本研究所提出模型，并总结了本研究的不足，为进一步研究奠定了基础.
关键词：需求导向情景分析协同厌氧消化污泥餐厨垃圾
Scenario analysis and simulation of demand oriented biogas supply by co-digestion of sewage sludge and food waste
LIU Yiyun1,2
, HUANG Tao1, HUANG Jingjing2, LI Xiaofeng1, PENG Daoping11. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756;
2. University of Stuttgart, Institute for Sanitary Engineering, Water Quality and Solid Waste Management, Stuttgart 70569
Received 18 December 2019; received in revised from 13 January 2020; accepted 13 January 2020
Abstract: This paper explores the feasibility of applying the demand-oriented biogas supply (DOBS) scheme in Chinese sewage treatment plants using excess sludge and food waste co-digestion to produce electricity.With instantaneous regulating capabilities, the DOBS scheme provides better biogas utilization efficiency.We first reviewed the current research progress of the DOBS system, followed by proposing an improved DOBS implementation scenario.A system dynamic model is then developed to simulate the biogas production and electricity generation.Net present value (NPV) of the system is selected as an economic indicator to assess the performance of the proposed scenario compared with the traditional DOBS scenarios.A typical Chinese sewage treatment plant is selected as a case study to validate the proposed combined model, and limitations of the model are evaluated.
Keywords: demand orientedscenario analysisco-digestionsewage sludgefood waste
1 引言(Introduction)近年来, 我国剩余污泥的数量随着污水处理需求的扩大与日俱增(白杰等, 2016).利用污泥进行厌氧发酵可以产生沼气, 实现能源回收和污水厂能源自给率的提升, 同时也可有效实现污泥的稳定化(郝晓地等, 2016).然而, 该技术尚未在我国污水厂普及, 目前我国剩余污泥的处置方式仍然是以厂内脱水后填埋为主(严迎燕, 2016).虽然大量污水厂都配备了厌氧发酵设备和甲烷发电系统, 但剩余污泥较低的有机质含量导致其沼气产率较低, 回收能源的收益无法抵消其运行成本, 因而我国很多污水厂的污泥发酵设备都处于闲置甚至报废状态(张万钦等, 2014).
将剩余污泥同富含易降解有机质的生物质废弃物, 如城市餐厨垃圾等进行协同厌氧发酵, 可显著提高沼气产率, 同时剩余污泥也可提供碱和微量元素从而降低餐厨垃圾单独发酵时易产生的有机酸累积(Mara?ón et al., 2012).近年来, 一些欧洲国家的污水厂开始尝试通过添加餐厨垃圾到剩余污泥发酵罐中进行协同厌氧发酵, 部分污水厂已经取得了良好的运行效果(Nghiem et al., 2017).中国也进行了类似的尝试, 如大连市夏家河污水污泥处理项目等(董峙标等, 2012).然而, 协同厌氧发酵产气系统需要污水厂投入巨额的成本, 如餐厨垃圾的收运、储存及设施的扩建、人工费等(李明, 2008；P?schl et al., 2010).另一方面, 污水处理厂日用电需求具有明显的峰值和基准负荷(Lensch et al., 2016；Hauptmeier et al., 2016).但我国发酵系统大多基于连续搅拌反应器(CSTR), 该系统下沼气和甲烷产量保持稳定输出, 很难根据沼气实际需求进行灵活调控, 因而限制了沼气生产规模的扩大和能源自给率的提高(Mao et al., 2015).
解决这一问题的有效方法是德国提出的用电需求导向型沼气供应模式(以下均简称“按需供气”), 该模式的提出最初是为了利用沼气能源易于实现人为控制的优势, 在其他严重依赖外部条件的新能源(如光伏、风能和水能)不足时, 可以即时使用生物质产的沼气按照实际需求产生一定量的电能对其他形式能源缺口进行补充, 从而实现“互补型可再生能源系统”(Szarka et al., 2013；Hahn et al., 2014b).
国内外已有研究对按需供气模式的具体实现途径进行了探索, 这些研究主要通过扩大沼气储存容量和灵活性沼气生产等方法实现对沼气生产或储存、输出环节的控制, 从而实现按照实际能源需求即时定量供应沼气(Hahn et al., 2014b).按需供气往往要求沼气在需求高峰时段输出数倍的量, 因此, 可以通过扩大储存容量, 制定合理的沼气调度方案供应沼气(Heffels et al., 2012).在该领域, 研究者多采用数学规划的方法优化沼气存储量, 制定最优的沼气利用方案, 该类研究主要包括Hochloff等(2014)、Balaman等(2014)和Jensen等(2017)的相关工作；此外, 也有研究利用仿真手段确定储存容量和沼气利用水平, 如Saracevic等(2017)、Othman等(2017)等的研究.另一种按需供气方法则是灵活性沼气生产(以下均简称“灵活产气”), 通过采用投加易降解基质、改变基质投料方式及改变发酵系统设备配置等具体手段对厌氧发酵反应进程进行控制, 在有能源需求时即时定量产沼气(Mulat et al., 2016).在该领域, Ahmed等(2017)使用甜菜青贮、Laperriere等(2017)使用萝卜、Mauky等(2015)采用牛粪、玉米青贮和甜菜青贮等作为易降解调节型基质调控产气.除此之外, Mulat等(2016)、张念瑞等(2018)研究了通过改变基质投料频率和当次投料的有机负荷实现灵活控制沼气产率.Cysneiros等(2011)、Linke等(2015)及Lemmer等(2017)则分析了将传统单相的厌氧发酵工艺转换为两相工艺, 向固定床反应器或浸出床反应器中投加水解反应后的水解液以高效定量产沼气.上述的灵活产气实验均取得了不错的效果, 结果亦证明这些方法都不会对厌氧发酵反应过程的稳定性造成冲击.还一些****探讨了上述不同方法情景的适用性, 并从经济性、环境效益等不同角度进行了比较研究.例如, Hahn等(2014a)基于现金流量折现法和德国工程师协会(VDI)指南提供的标准方法, 对灵活产气和扩大沼气储量两种按需供气方法进行了成本的比较分析.Bekkering等(2013)也针对按需供气系统做了类似的经济性评估, 比较了3种方法(灵活产气、扩大沼气储量和增加用能高峰负荷时开启的发酵罐)下的成本.除了经济效益外, 另有一些****进一步考虑了按需供气系统的环境效益.例如, Ertem等(2016)利用生命周期评价(LCA)评估了两种按需供气模式(与不同易降解基质共消化及调控投料的有机负荷率实现产气控制)的环境影响.Lauer等(2017)也采用生命周期评价方法核算了不同厌氧发酵配置、运行模式和发电时间表下灵活产气的可行性和温室气体(GHG)排放量, 以评估系统的可行性.Hahn等(2015)主要关注了通过改变厌氧反应工艺和设备配置的方法实现灵活产气, 并采用生命周期评价方法与传统连续产气的情景进行比较.
上述研究从不同角度证明了按需供气的技术可行性.但现有研究也存在以下不足：大多数研究采用基于农业废弃物作为厌氧发酵反应基质的沼气发电厂作为研究对象, 尚未有研究考虑到引入按需供气模式对污水厂剩余污泥和餐厨垃圾协同厌氧发酵工艺进行优化以提高污水厂的沼气利用效率和能源自给率.另外, 按需供气的具体实现情景通常仅从扩大沼气储存容量或灵活产气单个角度出发, 涉及的情景讨论尚不全面.基于此, 本研究拟探讨污水厂利用其自产剩余污泥和城市餐厨垃圾协同厌氧发酵实现按需供气转型的可行性, 并根据现有研究结论进一步改进并丰富按需供气的情景.
另一方面, 引入按需供气模式会给系统带来额外的投资和运营成本, 然而我国当前的绿电激励机制是针对发电量的固定补贴, 无法针对按需供气系统的优势进行有效激励从而补偿该模式的负外部性(崔逊等, 2016).但随着我国供给侧结构性改革的不断深入, 可再生能源配额制(Renewables portfolio standard, RPS)作为一种重要的市场化激励手段正逐步在我国推进实施, 该制度下政府将制定配额以确保每个发电主体的电力产量中至少有一定比例由可再生能源提供(Zhang et al., 2017；梁钰等, 2018).此时, 污水厂通过剩余污泥与餐厨垃圾协同厌氧发酵产生沼气用于发电, 不仅可以减少外购电能的成本, 同时还可以向可再生能源需求者出售绿色证书(Tradable green certificates, TGC)而获得经济回报(董福贵等, 2019).在TGC交易市场中, 污水厂通过按需供气可以在可再生能源需求较高时以相对较高的TGC价格供应更多的电能, 因而大大提高了该技术推广的可能性.
在此背景下, 本研究首先构建污水厂按需供气模式下协同厌氧发酵系统的概念模型, 基于现有研究提出并改进按需供气实现情景, 构建基于系统动力学模型的方法体系模拟沼气生产和发电系统的运行, 并结合中国污水厂和餐厨垃圾的实际性质参数, 对RPS制度实施时系统的经济收益和成本进行预测, 获得适于在中国推行的按需供气模式.以期为我国污水厂能源结构和效率的优化, 以及城市固体废弃物的资源化利用提供一定的理论和方法依据.
2 研究方法(Research methods)2.1 系统描述与模型假设本研究构建的系统概念模型及其边界如图 1所示.餐厨垃圾由第三方收运公司从大型餐饮企业统一收运至污水处理厂, 经过预处理分离粗大物料和油脂之后, 和污水厂二沉池的剩余污泥混合并按一定的有机负荷投料至发酵罐, 产生的沼气输入沼气存罐中.根据用电需求输出的沼气经过净化后, 提取甲烷作为气体燃料, 通过热电联产机组发电, 产出的电能大部分在污水处理厂自用.在RPS制度下, 通过沼气产出的电能可转化为一定数量的TGC并计入交易系统.在TGC交易市场中, 污水厂可以向有TGC需求的电厂(通常是火力电厂等)销售TGC而获利.
图 1(Fig. 1)
 |
| 图 1 系统概念模型和边界 Fig. 1The proposed conceptual system and its boundary |
为突出研究重点, 本文对系统做了一些必要的简化和假设：①本研究的关注重点是厌氧发酵产甲烷和沼气发电过程, 其他的一些重要环节, 如餐厨垃圾的收运、沼渣沼液的制肥及回田利用和TGC交易的具体过程等均做了一定程度的简化；②本研究选取1 d作为模拟的时间尺度, 不考虑长时间尺度下的季节性变化和沼气产气容量的扩大；③日发电和沼气需求量取代表值, 忽略污水厂每日运行工况的变化；④假设按需供气的主要实现手段(如扩大储气容量和灵活产气)均不存在技术问题, 投料的剩余污泥和经过预处理后的餐厨垃圾性质稳定.
2.2 用电需求导向的沼气供应情景设置按需供气模式按照实际沼气发电供给用电需求的程度可以分为完全需求导向(FD)和不完全需求导向(SD)模式(Lauer et al., 2017), 如图 2所示.在完全需求导向下, 沼气发电机组仅在用电高峰时段运行以补偿高峰负荷, 而在低峰时段所有机组均停止运行；而不完全需求导向下, 至少保证有一台机组持续满负荷运行, 而其余机组用于补偿用电负荷(Lauer et al., 2017).本研究以传统连续式沼气供应为基准情景, 同按需供气模式进行比较以论证按需供气模式的经济效益提升效果.
图 2(Fig. 2)
 |
| 图 2 沼气发电运行模式 Fig. 2Biogas-to-electricity operational modes |
根据上述的沼气利用及发电方案, 本研究进一步探讨如何设置不同情景的沼气生产方式来满足沼气需求, 具体的情景设置见图 3.由于不完全需求导向情景下部分电能由沼气连续式输出进行发电供给, 本研究假设该部分的沼气来自于连续式沼气生产(CP)；而对于完全需求导向及不完全需求导向模式中供给高峰负荷的沼气通常可以通过两条途径进行生产：①连续式沼气生产(CP), 同时系统通过调节储气量控制沼气输出；②灵活产气(FP), 与连续产气相比, 灵活产气可以大大减少沼气储存容量从而降低投资成本和风险, 但其大量的一次性投料会使发酵系统出现暂时性有机酸积累从而导致甲烷含量下降, 同时污水厂也必须投入设备和人员以保证发酵罐的稳定运行(Mauky et al., 2015).基于这两种沼气生产模式的优缺点, 本研究提出了一种连续型沼气生产和灵活性沼气生产的组合模式以实现按需供气, 供给用电需求的部分沼气由连续产气和灵活产气共同产生, 以同时兼顾用电需求的调节、减小沼气储量及保证系统的稳定性.
图 3(Fig. 3)
 |
| 图 3 按需供气模式情景设置 Fig. 3Settings of scenarios for demand oriented biogas supply modes |
基于本研究所设定的按需供气实现情景, 进一步根据沼气生产和发电系统的经济效益确定各情景下FP/CP分配比(以RCF表示)、基质的进料有机负荷(OLR)、初始进料时间(FT)和进料时间间隔(TI)等主要运行参数的最优值.其中, RCF表示在连续型和灵活性沼气生产的组合模式中, 用于供给用电需求的沼气分别来自于连续型产气和灵活产气部分的比例, 根据两部分所占比例的大小可以分为3种类型：连续性产气主导型(CD)、灵活产气主导型(FD)和两种模式均等型(ES).进料OLR是决定沼气产量和AD反应稳定性的最重要参数之一, 本研究根据不同沼气生产模式的沼气需求量计算各场景的投料OLR, 确保沼气产量满足沼气需求, 并使沼气储存量不低于安全限值(Gou et al., 2014).本研究采用的灵活产气具体采用改变基质投料频率和时间间隔的方式实现, 因此, 确定初始投料时间(FT)和投料时间间隔(TI)为灵活产气的主要参数.
2.3 系统动力学模型本研究采用系统动力学模型对所构建的按需供气及发电情景进行模拟.系统动力学模型的显著优势在于可以基于系统元素间的相互作用, 特别是系统中部分元素具有累积特征时, 来模拟系统行为随时间的动态变化(Forrester, 1994).采用Stella@软件建立系统的存量流量图, 量化污水厂按需供气系统中主要库存、流量和辅助变量之间的相互关系, 综合考虑沼气利用量、沼气产气速率、沼气储存量、运行成本、节省的外购电成本、TGC售卖收益等因素模拟系统的运行, 如图 4所示.其中, 沼气产量预测采用的是基于O'Shea等(2016)提出的灵活产气机制下沼气预测模型的改进模型.
图 4(Fig. 4)
 |
| 图 4 系统动力学模型存量流量图 Fig. 4Stock flow diagram of the SD model |
2.4 经济效益核算本研究采用经济成本和收益分析方法评估各按需供气情景的相对优化效果.所考虑的成本和收益构成如图 5所示.其中, 总成本主要由固定成本和可变成本构成, 固定成本指按需产气系统的所有一次性投资, 包括新建发酵罐和热电联产设备、沼气储气罐、产气及反应监控系统的投资；可变成本主要核算系统运行过程中的物资和人员投入等, 主要包括餐厨垃圾收运成本、发电机组运行成本、沼气提纯和储存成本.其中, 餐厨垃圾收运成本主要由餐厨垃圾收运过程投入的人力、车辆、设备及其燃料耗用费用组成；发电机组运行成本主要包括机组的燃料消耗和启停成本；沼气净化和储存成本主要计
图 5(Fig. 5)
 |
| 图 5 经济核算中的系统成本与收益分类 Fig. 5Classifications of system′s cost and revenue involved in economic accounting |
算沼气厂内管道运输、产生的沼气进入储气罐时加压至1 MP时的动力消耗成本, 以及沼气净化及甲烷提取成本.按需供气机制下污水厂的收益主要由两部分构成：节省的外购电能费用和政策激励机制收益.其中, 节省的外购电能费用根据电力需求由沼气发电所供给的部分进行计算；政策激励机制收益主要是污水厂销售TGC的收入和获得的政府补贴.根据国家能源局《可再生电力能源电力配额考核办法(征求意见稿)》(https://www.iea.org/policiesandmeasures/pams/germany/name-25107-en.php), RPS制度实施后, 政府补贴将逐步退坡并取消, 沼气发电机组只有保证运行时数在“最低保障利用小时数”内的可以享受政府补贴, 其余发电量可以通过配额交易市场内销售TGC证书获利.因此, 本研究设定只有当污水厂沼气发电机组24 h持续运行发电时才能获得补贴, 而供给补充高峰用电负荷需求部分的发电量无法获得补贴, 只能通过售卖TGC获益.
在核算了经济收益和成本后, 进一步选取净现值(NPV)作为衡量各按需供气情景和参数下经济效益的观测指标.NPV根据资本的时间价值和项目的风险感知程度对未来现金流进行贴现和求和, 再减去初始投资, 具体见公式(1)(Kim et al., 1986).净现值越大, 项目在整个生命周期中所能获得的经济效益就越高.
 | (1) |
3 结果与讨论(Results and discussion)3.1 数据来源与参数确定本研究以四川省成都市某污水厂为典型案例(该污水厂处理污水量为30×104 m3·d-1), 验证本研究所构建模型.该污水厂剩余污泥产量约为400 t·d-1, 经过厂内脱水后被运到填埋场进行填埋.该厂配备了厌氧发酵罐等设备用于处理剩余污泥, 但由于污泥产气率较低及缺乏相关运行经验等原因, 沼气一直未能被收集利用.模型的主要输入参数, 如污水厂的运行参数、剩余污泥的性质等通过现场调研和参阅其《环境影响报告书》获得, 餐厨垃圾的主要性质参数来源于相关文献和对成都市某餐厨垃圾处理厂的现场调研, 其性质汇总见表 1, 模型的输入参数汇总见表 2.因该污水厂尚未开展沼气发电实践, 协同厌氧发酵系统的部分输入参数主要参考国内外类似项目获得.
表 1(Table 1)
| 表 1 投料基质的性质参数 Table 1 Characterization of the feeding substrates | ||||||||||||||||||||||||
表 1 投料基质的性质参数 Table 1 Characterization of the feeding substrates
| ||||||||||||||||||||||||
 |
表 2(Table 2)
| 表 2 模型输入参数的确定 Table 2 Determination of the model′s input parameters | |||||||||||||||||||||||||||||||||||||||||||||
表 2 模型输入参数的确定 Table 2 Determination of the model′s input parameters
| |||||||||||||||||||||||||||||||||||||||||||||
|
3.2 不同情景下系统的净现值利用系统动力学模拟各按需供气情景下系统的运行, 基于此计算每个运行参数下各子情景的净现值, 图 6展示了部分子情景NPV的计算结果, 图 7进一步展示了各情景NPV的综合比较, 其中, 各情景的代表值选取各情景内部NPV最大的子情景.图中的纵坐标为NPV, 横坐标表示具体的按需供气子情景, 例如图 6a中“FD-FP, FT3 TI5”表示该情景是完全需求导向沼气发电, 沼气通过灵活产气进行生产, 且灵活产气模式中初始投料时间为凌晨3：00, 投料时间间隔为5 h.根据比较结果, 大多数按需供气模式的NPV要显著高于基准情景, 表明在适当的参数设置下, 按需供气模式取得的正外部性可以通过配额交易制度获得经济性补偿, 污水厂实施按需供气模式后可以获得经济和环境效益的双赢.
图 6(Fig. 6)
 |
| 图 6 部分子情景的NPV核算结果(a.完全需求导向模式中的灵活产气情景, b.完全需求导向模式中的混合式情景, c.不完全需求导向模式) Fig. 6NPV accounting results of representative sub-scenarios(a.flexible biogas production in fully flexible scenario, b.combined biogas production in fully flexible scenario, c.semi-flexible scenario) |
图 7(Fig. 7)
 |
| 图 7 不同情景下NPV的比较 Fig. 7NPV comparison of different scenarios |
由图 7可知, 在同样的沼气利用与发电方案情景下, 连续型沼气生产模式的NPV均大于灵活产气模式, 这表明虽然灵活产气可以减小沼气的储存成本, 但脉冲性投料造成的反应过程扰动和甲烷含量降低会给系统带来更多成本.本研究提出的按需供气情景中, 经济最优情景为完全需求导向的沼气发电模式下连续和灵活产气混合式情景(FD-CP+FP), 其中, 连续型沼气生产应占主导地位, 用于满足大部分的用电需求, 剩余的电力需求通过灵活产气进行补充；在灵活产气中, 最优的参数设置为每天两次投料, 第一次投料以OLR=3 g·m-3·台-1向一个发酵罐进行投料, 第二次投料向该发酵罐以OLR=0.5 g·m-3·台-1再次投料, 初始进料时间为凌晨3：00, 进料时间间隔为11 h.在不完全需求导向的沼气发电模式下, 虽然污水处理厂可以通过提供持续性的沼气供给发电以满足“最小保障小时数”从而获得政府补贴, 但最终NPV仍低于无补贴下的完全需求导向的沼气发电模式, 这也证明了配额交易制度可以针对按需供气机制的优势形成有效激励, 激励效果优于政府补贴.
3.3 敏感性分析本研究进一步对各按需供气情景进行敏感性分析, 以确定沼气生产和发电系统中各不确定性因素对NPV的影响程度.选择RCF(只针对连续型产气和灵活产气的混合式情景)、沼气储存容量、进料OLR和实际沼气产量作为主要影响参数, 分别令其在可行域内变化10%, 观测NPV的变化率, 该比率越大说明其对应的因素对系统经济效益影响越剧烈.
敏感性分析的结果如图 8所示, 结果表明, 进料的有机负荷是影响NPV的最敏感因素, 这是由于在增加进料OLR时, 会引入巨额的餐厨垃圾收运成本, 从而导致经济效益的显著下降.Hahn等(2014a)和Skovsgaard等(2017)的研究也得出类似结论.该结论也说明灵活产气模式中脉冲式投料的一次性大量OLR会引起甲烷含量下降, 因而为满足同等发电需求系统需要产出更多沼气, 从而需要更多投料基质, 进而增加了系统的基质耗用成本, 这是最终导致其经济效益下降的主要原因.这也解释了在混合式情景中采用连续产气为主、灵活产气为辅进行调峰具有相对较高经济收益的原因.
图 8(Fig. 8)
 |
| 图 8 不同按需供气情景下NPV敏感性分析 Fig. 8Sensitive analysis of NPV under different demand oriented biogas supply scenarios |
3.4 讨论本研究的模拟结果表明在按需供气的实现方式中, 同等的沼气需求总量情形下单一的灵活产气模式因其脉冲式投料造成的基质需求量增大而失去其经济性优势.Hahn等(2014a)的研究也获得了类似的结论, 他们比较了5种沼气生产配置的沼气供应成本, 结果表明, 每日沼气供应8h情形下连续型产气扩大储存量是相对较优选择, 而灵活产气在应对较长时间没有沼气需求时降低产气负荷更有优势.然而, 一些研究也获得了不同的结论, 如Bekkering等(2013)研究了3种按需供气方案：灵活产气、扩大储气容量及设置仅在年内用电高峰季开启的沼气罐, 结果表明, 灵活产气是所有情景中经济最优的；但随着产气规模的增加, 灵活产气的经济优势会逐渐降低.该结论说明污水厂的规模和用电需求是影响按需供气模式经济性的另一重要因素.但本研究因选取的特定污水厂作为案例, 因而沼气需求量和生产规模固定, 进一步研究应选取不同规模的污水处理厂进行比较以验证沼气供应方案的适用性.
除此之外, 本研究所提出的按需供气概念模型和方法论也存在一系列不确定性：一是由于采用剩余污泥和餐厨垃圾协同厌氧发酵进行按需供气尚未投入工程实践, 本研究所采用的沼气产量预测模型是基于前人实验室规模下研究得出的理论模型, 因而在实际操作时可能存在一定不确定性.其次, RPS机制下TGC价格和对于污水厂TGC的需求量确定牵扯到新能源发电部门同火力电厂的复杂博弈, 本研究为了突出研究重点, 对TGC交易模块进行了一定的简化；除此之外, 本模型以一天为时间尺度, 没有考虑到较长运行期内可能出现的参数变化, 如季节性的污水厂用电需求变化等, 这些都可能会对模型结果产生影响.
3.5 研究不足与展望本研究也存在一些不足：首先, 本研究的按需供气模式下沼气产量预测模型是基于实验室规模下的理论模型, 且建模过程引入了许多理想化的假设和对于一些复杂过程的简化处理.其次, 本研究只分析了一些主要的按需供气系统控制参数, 事实上按需供气会涉及到更多的复杂控制变量；最后, 本研究的激励机制只考虑了配额交易制度, 可以有其他激励手段和组合型政策对系统进行激励.
基于此, 进一步研究可以考虑在实际污水厂中开展试验以验证本模型的有效性, 并对所提出的方法框架进行修正.此外, 可以将本模型扩展到其他按需供气实现途径以探索其适用性.另外, 污水处理厂在RPS制度下的行为响应可以通过其与其他发电企业的利益交互视角进行模拟.最后, 除了经济效益作为按需供气模式的评价指标外, 还应考虑环境效益、公众接受度等因素进行综合评价.
4 结论(Conclusions)本研究在对国内外文献综述的基础上, 构建了采用污水厂剩余污泥和餐厨垃圾协同厌氧发酵的按需供气模式概念模型, 提出了一种连续式和灵活性沼气生产混合式情景来实现按需产气.以成都市某污水处理厂为例, 利用系统动力学模型对混合式情景及传统的单独连续式和灵活产气情景下沼气生产和发电系统的运行进行了模拟, 并根据仿真结果核算了各情景的NPV.结果表明, 配额交易制度可以有效激励按需供气系统, 证明了混合式情景能够综合两种不同产气模式的优势, 产生更高的经济效益；混合式情景中应采用连续产气供给大部分的沼气需求, 剩余需求通过灵活产气进行补充.同时根据NPV结果也确定了系统的最优运行参数.
参考文献
| Ahmed S, Kazda M. 2017. Characteristics of on-demand biogas production by using sugar beet silage[J]. Anaerobe, 46: 114-121. |
| Balaman ? Y, Selim H. 2014. A fuzzy multiobjective linear programming model for design and management of anaerobic digestion based bioenergy supply chains[J]. Energy, 74: 928-940. |
| 白杰, 刘和, 马惠君, 等. 2016. 污泥厌氧发酵产酸关键影响因素的函数模型研究[J]. 环境科学学报, 36(5): 1738-1744. |
| Bekkering J, Broekhuis A A, vanGemert W J T, et al. 2013. Balancing gas supply and demand with a sustainable gas supply chain-A study based on field data[J]. Applied Energy, 111: 842-852. |
| 崔逊, 谢煜华. 2016. 浅析我国生物质能发电的定价原则[J]. 能源与环境, (1): 42-44. |
| Cysneiros D, Banks C J, Heaven S, et al. 2011. The role of phase separation and feed cycle length in leach beds coupled to methanogenic reactors for digestion of a solid substrate (Part 2):Hydrolysis, acidification and methanogenesis in a two-phase system[J]. Bioresource Technology, 102(16): 7393-7400. |
| 董福贵, 时磊. 2019. 可再生能源配额制及绿色证书交易机制设计及仿真[J]. 电力系统自动化, (12): 14. |
| 董峙标, 乔波, 徐飞. 2012. 我国污水处理厂污泥处理现状分析-以大连夏家河污泥处理厂为例[J]. 节能, 31(4): 4-6. DOI:10.3969/j.issn.1004-7948.2012.04.001 |
| Ertem F C, Martínez-Blanco J, Finkbeiner M, et al. 2016. Life cycle assessment of flexibly fed biogas processes for an improved demand-oriented biogas supply[J]. Bioresource Technology, 219: 536-544. |
| Forrester J W. 1994. System dynamics, systemsthinking, and soft OR[J]. System Dynamics Review, 10(2/3): 245-256. DOI:10.1002/sdr.4260100211 |
| Gou C, Yang Z, Huang J, et al. 2014. Effects of temperature and organic loading rate on the performance and microbial community of anaerobic co-digestion of waste activated sludge and food waste[J]. Chemosphere, 105: 146-151. |
| Grim J, Nilsson D, Hansson P A, et al. 2015. Demand-orientated power production from biogas:modeling and simulations under Swedish conditions[J]. Energy & Fuels, 29(7): 4066-4075. |
| Hahn H, Ganagin W, Hartmann K, et al. 2014a. Cost analysis of concepts for a demand oriented biogas supply for flexible power generation[J]. Bioresource Technology, 170: 211-220. |
| Hahn H, Krautkremer B, Hartmann K, et al. 2014b. Review of concepts for a demand-driven biogas supply for flexible power generation[J]. Renewable and Sustainable Energy Reviews, 29: 383-393. |
| Hahn H, Hartmann K, Bühle L, et al. 2015. Comparative life cycle assessment of biogas plant configurations for a demand oriented biogas supply for flexible power generation[J]. Bioresource Technology, 179: 348-358. |
| 郝晓地, 魏静, 曹达啟. 2016. 废铁屑强化污泥厌氧消化产甲烷可行性分析[J]. 环境科学学报, 36(8): 2730-2740. |
| Hauptmeier K, Penkuhn M, Tsatsaronis G. 2016. Economic assessment of a solid oxide fuel cell system for biogas utilization in sewage plants[J]. Energy, 117: 361-368. |
| Heffels T, McKenna R, Fichtner W. 2012. Direct marketing of electricity from biogas and biomethane:an economic analysis of several business models in Germany[J]. Journal of Management Control, 23(1): 53-70. |
| Hochloff P, Braun M. 2014. Optimizing biogas plants with excess power unit and storage capacity in electricity and control reserve markets[J]. Biomass and Bioenergy, 65: 125-135. |
| Jensen I G, Münster M, Pisinger D. 2017. Optimizing the supply chain of biomass and biogas for a single plant considering mass and energy losses[J]. European Journal of Operational Research, 262(2): 744-758. |
| Kim Y H, Philippatos G C, Chung K H. 1986. Evaluating investment in inventory policy:A net present value framework[J]. The Engineering Economist, 31(2): 119-136. |
| Laperrière W, Barry B, Torrijos M, et al. 2017. Optimal conditions for flexible methane production in a demand-based operation of biogas plants[J]. Bioresource Technology, 245: 698-705. |
| Lauer M, Dotzauer M, Hennig C, et al. 2017. Flexible power generation scenarios for biogas plants operated in Germany:impacts on economic viability and GHG emissions[J]. International Journal of Energy Research, 41(1): 63-80. |
| Lemmer A, Krümpel J. 2017. Demand-driven biogas production in anaerobic filters[J]. Applied Energy, 185: 885-894. |
| Lensch D, Schaum C, Cornel P. 2015. Examination of food waste co-digestion to manage the peak in energy demand at wastewater treatment plants[J]. Water Science and Technology, 73(3): 588-596. |
| 李明.2008.餐厨垃圾厌氧发酵制氢产甲烷一体化工艺及设备开发[D].上海: 同济大学 |
| 梁钰, 孙竹, 冯连勇, 等. 2018. 可再生能源固定电价政策和可再生能源配额制比较分析及启示[J]. 中外能源, 23(5): 13-20. |
| Linke B, Rodríguez-Abalde á, Jost C, et al. 2015. Performance of a novel two-phase continuously fed leach bed reactor for demand-based biogas production from maize silage[J]. Bioresource Technology, 177: 34-40. |
| Mao C, Feng Y, Wang X, et al. 2015. Review on research achievements of biogas from anaerobic digestion[J]. Renewable and Sustainable Energy Reviews, 45: 540-555. |
| Mara?ón E, Castrillón L, Quiroga G, et al. 2012. Co-digestion of cattle manure with food waste and sludge to increase biogas production[J]. Waste Management, 32(10): 1821-1825. |
| Mauky E, Jacobi H F, Liebetrau J, et al. 2015. Flexible biogas production for demand-driven energy supply-feeding strategies and types of substrates[J]. Bioresource Technology, 178: 262-269. |
| Mulat D G, Jacobi H F, Feilberg A, et al. 2016. Changing feeding regimes to demonstrate flexible biogas production:effects on process performance, microbial community structure, and methanogenesis pathways[J]. Applied and Environmental Microbiology, 82(2): 438-449. |
| Nghiem L D, Koch K, Bolzonella D, et al. 2017. Full scale co-digestion of wastewater sludge and food waste:bottlenecks and possibilities[J]. Renewable and Sustainable Energy Reviews, 72: 354-362. |
| O'Shea R, Wall D, Murphy J D. 2016. Modelling a demand driven biogas system for production of electricity at peak demand and for production of biomethane at other times[J]. Bioresource Technology, 216: 238-249. |
| Othman M N, Lim J S, Theo W L, et al. 2017. Optimisation and targeting of supply-demand of biogas system through gas system cascade analysis (GASCA) framework[J]. Journal of Cleaner Production, 146: 101-115. |
| P?schl M, Ward S, Owende P. 2010. Evaluation of energy efficiency of various biogas production and utilization pathways[J]. Applied Energy, 87(11): 3305-3321. |
| Saracevic E, Woess D, Friedl A, et al. 2017. Dynamic simulation of a biogas plant providing control energy reserves[J]. Chemical Engineering Transactions, 61: 931-936. |
| Skovsgaard L, Jacobsen H K. 2017. Economies of scale in biogas production and the significance of flexible regulation[J]. Energy Policy, 101: 77-89. |
| Szarka N, Scholwin F, Trommler M, et al. 2013. A novel role for bioenergy:aflexible, demand-oriented power supply[J]. Energy, 61: 18-26. |
| 严迎燕. 2016. 浅谈我国城镇污水处理厂污泥处理处置现状[J]. 广东化工, 43(11): 204-205. |
| 张念瑞, 李倩, 许曼娟, 等. 2018. 进料频率对餐厨垃圾与剩余污泥中温共发酵系统稳定性的影响[J]. 环境工程学报, 12(2): 638-644. |
| 张万钦, 戚丹丹, 吴树彪, 等. 2014. 不同预处理方式对污泥厌氧发酵的影响[J]. 农业机械学报, 45(9): 187-198. |
| Zhang Y, Zhao X, Ren L, et al. 2017. The development of China's biomass power industry under feed-in tariff and renewable portfolio standard:A system dynamics analysis[J]. Energy, 139: 947-961. |
