考慮隨機場景生成及優(yōu)選技術的分布式能源站選型定容規(guī)劃研究

王培汀，王 丹，賈宏杰，2，原 凱，宋 毅，張 梁

（1.天津大學智能電網教育部重點實驗室，天津 300072；2.天津市智慧能源與信息技術重點實驗室（天津大學），天津 300072；3.國網經濟技術研究院有限公司，北京 102209；4.國網天津市電力公司經濟技術研究院，天津 300171）

為緩解能源需求日益增長與環(huán)境保護日益迫切之間的矛盾，區(qū)域綜合能源系統(tǒng)RIES（regional integrated energy system）備受各國關注[1-2]。分布式能源站作為RIES的核心，集成了多種能源耦合設備，涉及能源的供應、轉換、存儲等多個環(huán)節(jié)[3]。因此，對能源站各耦合設備進行合理的選型定容規(guī)劃，是提高RIES的經濟性，促進節(jié)能減排的重要環(huán)節(jié)。

傳統(tǒng)的分布式能源站選型定容規(guī)劃通常是基于確定性的規(guī)劃場景，未考慮風、光等可再生能源的不確定性，未考慮用戶負荷的用能不確定性[4-5]，由此得到的分布式能源站選型定容規(guī)劃配置在其實際運行過程中并非為最優(yōu)結果。因此，在進行分布式能源站的選型定容規(guī)劃時，需考慮各種不確定性因素的影響。如何在進行分布式能源站選型定容規(guī)劃研究過程中對各種不確定性因素進行綜合考慮，以及建立更加符合真實情況的隨機場景是當前研究所面臨的挑戰(zhàn)之一。

目前國內外已有學者在對不確定性因素的處理方法上展開了相關研究。文獻[6]考慮了風、光可再生能源的不確定性，基于風、光歷史數(shù)據(jù)分別得到了風、光概率密度函數(shù)參數(shù)，用于描述風、光的不確定性；文獻[7]采用區(qū)間數(shù)學規(guī)劃方法考慮了不確定因素的取值區(qū)間，進而分別選取區(qū)間的上、下限，將不確定性問題轉變?yōu)閮蓚€確定性問題進行處理，對于不確定性因素的隨機特性考慮的較為粗糙；文獻[8]考慮了風電的不確定性，通過蒙特卡洛隨機抽樣方法生成一定的不確定性場景并進行相應場景縮減，進而提出了一種基于場景法的兩階段規(guī)劃求解策略；文獻[9]提出了一種考慮多能負荷不確定性的區(qū)域綜合能源系統(tǒng)魯棒規(guī)劃方法，該方法同樣是以區(qū)間的形式考慮負荷的不確定性；文獻[10]基于Copula 理論及時序重構技術研究了風速的相關性問題；文獻[11]綜合考慮了風、光不確定性和電負荷的不確定性，并且考慮了它們之間的相關性，生成了一系列隨機場景，用于分布式能源系統(tǒng)的規(guī)劃。

上述文獻從不同角度對不確定因素進行了分析處理，但均未考慮各個不確定因素內部的時序自相關性。常用的隨機場景生成方法不能表征實際場景下的風速、光照強度以及負荷內部的時序自相關性特點，因此，忽視各自不確定因素的時序自相關性而考慮不確定性，不能保證最終得到的隨機場景真實合理。

綜上所述，本文針對上述研究的不足提出了一種考慮隨機場景生成及優(yōu)選技術的分布式能源站選型定容規(guī)劃方法。首先對各種不確定性因素進行建模，并提出了一種綜合考慮時序自相關性和互相關性的隨機場景生成及優(yōu)選方法TA-MCRSGOM（Monte Carlo random scenes generation and optimiza?tion method considering time-sequence auto-correla?tion and mutual correlation）；然后構建了隨機場景下分布式能源站選型定容規(guī)劃模型，在規(guī)劃時兼顧了未來運行的經濟性；最后通過相應算例進行對比分析，重點討論在不確定性的風速、光照強度、電負荷和熱負荷（以下簡稱為風、光、電、熱）情況下，時序自相關性和互相關性對于分布式能源站優(yōu)化配置的影響。

1 典型RIES 結構

RIES將傳統(tǒng)分立的能源供應源、多樣化供能網絡及多能用戶綜合考慮，促進各種能源形式相互耦合，協(xié)同運行。同時RIES可充分利用當?shù)仫L、光等自然資源稟賦，最終實現(xiàn)能源的綜合利用，提高系統(tǒng)運行的經濟性和環(huán)保性。

RIES 由多能網絡、分布式能源站以及居民、商業(yè)、工業(yè)等不同功能的用戶組成，涉及能源的“傳輸-轉換-分配”等多個環(huán)節(jié)，其典型結構如圖1 所示。作為RIES 能源耦合的核心，分布式能源站集成了熱電聯(lián)供CHP（combined heat and power）機組、燃氣鍋爐GB（gas boiler）、熱泵HP（heat pump）、儲能、風機WT（wind turbine）、光伏PV（photovoltaic）等設備，與不同區(qū)域負荷直接相連，可以協(xié)調區(qū)域間能源互聯(lián)，為用戶提供可靠、經濟的能源供應。

圖1 RIES 典型結構Fig.1 Typical structure of RIES

因此，本文針對分布式能源站，在考慮風、光、電、熱各自時序自相關性以及它們之間的互相關性的情況下，研究分布式能源站內部耦合設備的選型定容規(guī)劃方案。

2 不確定性因素建模

2.1 風速概率模型

2.2 光照強度概率模型

式中：PCAP,PV為光伏的額定容量；Ge為額定光照強度大??；Bg為光照強度基準值。

2.3 電、熱負荷概率模型

電、熱負荷的隨機性服從正態(tài)分布，置信區(qū)間為95%，此時有1.96σ=0.2μ[17]。電、熱負荷的概率密度函數(shù)f(L(m,s,t))可表示為

式中：L(m,s,t)為第m種負荷在s季節(jié)t時刻的負荷大??；μ(m,s,t)、ι(m,s,t)分別為第m種負荷在s季節(jié)t時刻的均值和標準差。

3 隨機場景生成及優(yōu)選方法研究

本文所構建的隨機場景集考慮了風、光、電、熱的不確定性。對于不確定性的分析，分別考慮了每個不確定性因素內部的時序自相關性和不確定性因素之間的互相關性，圖2表述了時序自相關性和互相關性的含義，其中，時序自相關性描述了同一時間序列不同時刻的任意兩個元素之間的關聯(lián)程度，互相關性描述了不同時間序列之間的關聯(lián)程度。

圖2 時序自相關性與互相關性的含義Fig.2 Meaning of time-sequence autocorrelation and mutual correlation

3.1 時序自相關性建模

3.2 互相關性建模

在第3.1 節(jié)中，時序自相關性描述的是單一時間序列內部不同時刻的數(shù)值之間的關聯(lián)，而互相關性則描述的是不同時間序列之間的關聯(lián)程度。為了更好地描述非正態(tài)分布隨機變量間的互相關性，本文引入Spearman 秩相關系數(shù)[18]。首先對隨機變量按照從小到大進行排序，計算隨機變量的秩，進而計算秩的Pearson相關系數(shù)。

兩個隨機變量X、Y間的Pearson 相關系數(shù)可表示為[10]

3.3 綜合考慮時序自相關性和互相關性的隨機場景生成及優(yōu)選方法

為了使生成的隨機場景集更貼合實際情況，將一年的風、光、電、熱劃分為過渡季、夏季和冬季進行處理。隨機場景集的生成步驟如下。

步驟1 根據(jù)已有的典型風速、光照強度歷史數(shù)據(jù)及電、熱負荷規(guī)劃數(shù)據(jù)，分別得到真實場景下各季度風、光、電、熱各自的參考時序自相關性系數(shù)矩陣Ss,q,ref和風、光、電、熱之間的參考互相關性系數(shù)矩陣ρs,ref。

步驟2 結合各不確定性因素的概率分布模型，利用蒙特卡洛進行隨機抽樣，得到N個初始不確定性場景，然后計算各場景中每個季度不確定性因素的時序自相關性矩陣，以風速為例，設過渡季風速F的時序自相關性矩陣為S1,1，通過對S1,1進行Cholesky分解可以消除由于隨機抽樣而產生的時序自相關性影響，即

式中：D為通過對S1,1進行Cholesky 分解得到的下三角矩陣；G為消除因隨機抽樣產生的時序自相關性后的N個過渡季風速序列所組成的矩陣。

步驟3 對G施加步驟1中求得的參考時序自相關性系數(shù)矩陣，可以得到比較符合真實情況的時序自相關性風速序列，即

式中：Dref為通過對S1,1,ref進行Cholesky 分解得到的下三角矩陣；Gauto為施加參考時序自相關性后的N個過渡季風速序列所組成的矩陣。

步驟4 通過上述步驟可分別得到三季度貼合真實時序自相關性的N個風、光、電、熱序列，然后需要考慮風、光、電、熱之間的互相關性，并通過粒子群算法篩選得到綜合考慮時序自相關性和互相關性的隨機場景集。由于慣性權重的設置對于粒子群算法的計算精度關系密切，慣性權重較大時算法有利于跳出局部最小值，便于全局搜索；慣性權重較小時算法有利于進行局部區(qū)域的精確搜索，便于收斂。因此本文通過采用慣性權重線性遞減的粒子群算法，兼顧了算法搜索的全局性以及局部搜索的精確性，對所得到的N個風、光、電、熱序列進行匹配，從中挑選出使得風、光、電、熱之間的互相關性與真實場景下的互相關性誤差最小的H個隨機場景組成最終的隨機場景集，實現(xiàn)以上全部過程的流程如附錄圖A1所示。其中粒子群算法的慣性權重ω(t)以及適應度函數(shù)min(Er)可分別表示為

式中：t為迭代次數(shù)；tmax為最大迭代次數(shù)；ωmax、ωmin分別為最大慣性權重和最小慣性權重；Er為互相關性誤差；smax為所劃分季節(jié)個數(shù)，本文將一年分為過渡季、夏季和冬季；qmax為不確定因素個數(shù)，本文為風、光、電、熱共4 個；ρh,s為第h個隨機場景s季節(jié)互相關性系數(shù)矩陣。

4 不確定性場景下分布式能源站選型定容規(guī)劃模型

4.1 目標函數(shù)

不確定性場景下分布式能源站選型定容規(guī)劃模型的目標函數(shù)為使分布式能源站投資、運行成本最低，其表達式為

式中：Z為分布式能源站等值年規(guī)劃總成本；Cinv為分布式能源站等值年投資成本；H為隨機場景的數(shù)量；Cbuy,h、Cmai,h和Ctax,h分別為在第h種隨機場景下分布式能源站等值年能源購置成本、設備運行維護成本和所產生的CO2折算后的等值碳稅成本。

4.2 約束條件

分布式能源站選型定容規(guī)劃模型的約束條件可分為規(guī)劃類約束和運行類約束。規(guī)劃類約束側重于設備的固定投資方面，運行類約束側重于分布式能源站中各設備的實時運行情況。

4.2.1 規(guī)劃類約束

2）設備選型約束

規(guī)定當1 種設備存在多種型號時最多只能選擇其中的1種，則相應的約束可表示為

綜上所述，本文所建立的分布式能源站規(guī)劃模型為混合整數(shù)線性規(guī)劃模型，基于MATLAB 平臺，使用YALMIP 軟件包進行建模，并利用CPLEX求解器求得模型最優(yōu)解[20-21]。

5 算例分析

5.1 算例設置

以北方某商業(yè)園區(qū)為規(guī)劃對象，該園區(qū)建設規(guī)模為9×104m2，有較豐富的風能和太陽能資源，園區(qū)負荷主要為電、熱負荷。根據(jù)其資源稟賦與用能特性，按照文獻[22]中能源站的拓撲設計原則，構建了典型的分布式能源站拓撲結構，如圖3所示。在此基礎上，通過對該能源站規(guī)劃不同類型和型號的能源設備，以實現(xiàn)綜合利用風能、光能、電能和燃氣，并為用戶提供充足電能和熱能的目的。對于該園區(qū)來說，待規(guī)劃分布式能源站可考慮的能源設備有GB、CHP、HP、PV、WT、電儲能和熱儲能設備。其中，GB、CHP和HP需要考慮設備型號和容量大小，本文定義的設備型號是用于區(qū)分同一種設備具有不同的轉換效率和單位容量造價的情況；PV、WT、電儲能和熱儲能僅規(guī)劃設備容量。為了保證分布式能源站運行的經濟效益和環(huán)境效益，需要對上述設備進行合理規(guī)劃?？捎糜谝?guī)劃分布式能源站的設備如圖4所示。

圖3 待規(guī)劃分布式能源站拓撲結構Fig.3 Topology of distributed energy station to be planned

圖4 分布式能源站待規(guī)劃設備集合Fig.4 Collection of equipment to be planned for distributed energy station

5.2 不同隨機場景集生成方法對比

為驗證所提綜合考慮時序自相關性和互相關性隨機場景生成及優(yōu)選方法的合理性，分別采用蒙特卡洛隨機抽樣技術MCRS（Monte Carlo random sampling）、考慮互相關性的蒙特卡洛隨機抽樣技術MCMCRS（Monte Carlo random sampling considering mutual correlation）以及本文所提TA-MCRSGOM 進行對比分析。分別通過采用以上3 種技術抽取50個隨機場景集樣本，選取隨機場景中3個典型日的光照強度為例，與歷史典型場景光照強度的結果對比如圖5所示。

圖5 不同方法產生的光照強度與歷史典型場景對比Fig.5 Comparison between light intensity generated using different methods and that in typical historical scenes

由圖5 可知，傳統(tǒng)的MCRS 方法所得到的隨機場景集十分粗糙，光照強度的變化情況與真實場景差異較大。而在此基礎上考慮不同因素之間的相關性的MCMCRS方法可以得到一定程度的改善，但仍與實際典型場景有較大出入。若采用以上兩種方法所生成的隨機場景進行分布式能源站規(guī)劃將會造成較大誤差。由圖5可知，本文所提綜合考慮光照強度的時序自相關性和光照強度與其他因素之間的互相關性，所得隨機場景光照強度的變化情況更符合真實場景，因而采用本文所提TA-MCRS?GOM 進行隨機場景下的分布式能源站規(guī)劃研究將更符合實際情況。

第5.2節(jié)是以光照強度為例定性分析了本文所提TA-MCRSGOM生成的隨機場景相比于其他方法的優(yōu)勢，從定量的角度，根據(jù)3 個季節(jié)場景生成方法所得到的50 個不確定性場景，分別計算各場景的時序自相關性系數(shù)矩陣和互相關性系數(shù)矩陣，并與第3.3 節(jié)中得到的參考時序自相關性系數(shù)矩陣Ss,q,ref和互相關性系數(shù)矩陣ρs,ref對比，將平均誤差分別列于表1，由表1可知，本文所提方法的誤差明顯小于其他兩種方法，從而驗證了本文所提方法的有效性。

表1 不同隨機場景生成方法的平均誤差Tab.1 Error analysis of different random scenes generation methods%

時序自相關性的誤差計算公式可表示為

5.3 場景縮減合理性驗證

本文首先采用蒙特卡洛方法隨機生成1 500個隨機場景，對所得到的各不確定性因素樣本施加參考時序自相關性，得到考慮時序自相關性的風、光、電、熱樣本。通過采用慣性權重線性遞減的粒子群算法從時序自相關性樣本中篩選出較為符合真實場景互相關性的隨機場景，篩選數(shù)量為50，從而完成了場景優(yōu)選，得到了最終的隨機場景。

圖6對比了所篩選出的50個場景在1 500個時序自相關性樣本中的分布情況，由圖6 可知，所得到的隨機場景集較為均勻地分布于自相關性場景集的中心，具有很好的代表性。

圖6 優(yōu)選后場景在時序自相關性樣本中的分布情況Fig.6 Distribution of post-optimization scenes in timesequence autocorrelation samples

5.4 確定性對比場景設定

傳統(tǒng)的分布式能源站選型定容配置研究大都基于確定性的典型場景[4，5，26，27]，將其作為能源站規(guī)劃求解的輸入條件，而未考慮到風、光資源以及電、熱負荷的不確定性所產生的影響。

為了證明風、光、電、熱的不確定性對于分布式能源站規(guī)劃所產生的影響，參照文獻[5]的做法，將典型日的風速和光照強度以及電、熱負荷的規(guī)劃數(shù)據(jù)設為確定性場景，分別與傳統(tǒng)的MCRS 方法所得到的隨機場景集、MCMCRS方法得到的隨機場景集以及TA-MCRSGOM 得到的隨機場景集作為對比，以探究在確定性場景和不同隨機場景下分布式能源站的規(guī)劃結果。確定性場景和TA-MCRSGOM方法所得到的隨機場景集的典型日對比如圖7所示。

圖7 確定性場景和不確定性場景對比Fig.7 Comparison between deterministic and uncertain scenes

5.5 分布式能源站優(yōu)化配置分析

通過考慮不同方法所建立的隨機場景集，以及第5.4 節(jié)構建的確定性規(guī)劃場景，可分別得到不同場景下分布式能源站各設備的選型定容結果，如表2 所示。由表2 可知，在不同情況下所得到的規(guī)劃結果差異較大，具體分析如下。

表2 不同場景下分布式能源站規(guī)劃結果Tab.2 Planning results of distributed energy station in different scenes

（1）設備選型。不同隨機場景集和確定性場景所得結果大體一致，這是因為雖然輸入場景不同，但目標都是使分布式能源站投資運行成本綜合最優(yōu)。在設備選型上的差別體現(xiàn)在GB 設備上，確定性場景未規(guī)劃GB，其他隨機場景集選擇了GB-1，主要是因為確定性場景下熱負荷較小，而隨機場景集中有些場景熱負荷較大，因此在規(guī)劃中選擇了GB-1，起到負荷高峰時段的調峰作用。

（2）規(guī)劃容量。本文所提方法對GB 規(guī)劃容量明顯大于其他兩種方案的規(guī)劃容量，這是因為，其他兩種方案所生成的隨機場景不符合實際情況，所生成的熱負荷曲線波動較大，CHP受爬坡率約束的影響不能及時滿足波動性較大的熱負荷需求，因此只能增加供熱容量。對于CHP 尤其HP 設備，MCRS、MCMCRS 方案設備的規(guī)劃容量均大于本文所提方法的規(guī)劃容量。從供熱角度，GB 相比于CHP 和HP 具有較大的成本優(yōu)勢，若減少GB 規(guī)劃容量，將GB 的部分供熱能力轉移到成本較大的CHP 或者HP 設備上，那么在平時供熱過程中CHP或者HP會出現(xiàn)較大的容量冗余情況，而這部分冗余容量也只在“調峰”時起作用。綜上，雖然本文所提方法規(guī)劃的GB 容量相對偏大，但最終規(guī)劃成本反而較低。

不同隨機場景集下的供熱設備規(guī)劃容量均大于確定性場景的規(guī)劃容量，但由于熱儲能設備造價較低，因此把熱儲能設備規(guī)劃到所允許的最大容量。隨機場景集中的熱負荷具有一定的不確定性，在某些場景下熱負荷較高，所以總規(guī)劃容量相比于確定性場景要大。同時發(fā)現(xiàn)不同隨機場景集之間的供熱規(guī)劃容量也有較大差距，本文所提方法供熱規(guī)劃容量最小，MCMCRS 次之，在MCRS 下供熱規(guī)劃容量最大。這是因為MCRS 和MCMCRS 所產生的隨機場景未考慮到負荷的時序自相關性，負荷曲線波動過大，而機組受到爬坡率的約束不能即時滿足負荷的變化需求，因此對于供熱設備的規(guī)劃容量偏大。

（3）供電設備容量。確定性場景和隨機場景集設備規(guī)劃的差異性較大，對于電儲能設備，在隨機場景集下電儲能設備的規(guī)劃達到所允許的最大額定容量。這是因為電儲能設備具有良好的“削峰填谷”作用，提高了在不確定性情況下供電的穩(wěn)定性。由于風、光均具有一定的不確定性，所以對于WT、PV的規(guī)劃容量綜合來看相比于確定性場景較小。不同隨機場景集所規(guī)劃WT、PV容量也具有一定差異，由于風速相比于光照強度具有更大的波動性，而MCRS和MCMCRS方法所產生的風速波動更大，因此其規(guī)劃的風機容量較小，但由于光照強度較大，在這兩種隨機場景集下所規(guī)劃的光伏容量相對較大。

表3 對比了不同場景下分布式能源站的投資和運行成本?？梢园l(fā)現(xiàn)確定性場景下系統(tǒng)的總成本要低于其他方法產生的隨機場景下的成本，主要體現(xiàn)在能源購置費用上。這是因為在確定性場景下，認為風、光、電、熱均處在典型日不變，但是在實際情況下，無論是風光資源，還是電熱負荷，均存在著一定的不確定性，而確定性場景沒有考慮這一實際情況，按照理想的確定性運行狀態(tài)進行了規(guī)劃，雖然理論計算成本較低，但實際情況下將會有較大偏差。

表3 不同場景下分布式能源站運行投資成本對比Tab.3 Comparison of investment costs for distributed energy station operation in different scenes 104￥

現(xiàn)選取確定性場景下能源站的規(guī)劃結果，分析其在TA-MCRSGOM方法所產生的隨機場景下的運行情況。發(fā)現(xiàn)確定性場景下所規(guī)劃的分布式能源站無法滿足部分隨機場景下的供能需求。對于電負荷缺額，尚可由電網來補足，而對于熱負荷缺額，由于確定性場景下供熱設備規(guī)劃容量較小，因此無法滿足供熱需求。通過計算可知，在確定性場景下規(guī)劃設備最大熱出力為366 kW，其中CHP 最大熱出力為196 kW，HP最大熱出力為80 kW，熱儲能設備最大熱出力為90 kW，根據(jù)本文所建立的隨機場景集可知，其中熱功率最大為444 kW，在此隨機場景下依然有78 kW的熱功率缺額，無法滿足隨機場景下的熱負荷需求。因此，在本文所提TA-MCRS?GOM 方法所建立的隨機場景集下分布式能源站的規(guī)劃結果，相比于確定性場景的規(guī)劃結果不僅能適應更加復雜的不確定性運行場景，而且其投資成本也低于確定性場景規(guī)劃結果。

不同隨機場景下所規(guī)劃的分布式能源站運行投資成本也存在較大差異，對于投資成本，如上文所述，由于采用MCRS 和MCMCRS 方法所產生的風、光、電、熱場景不符合真實場景下的變化情況，即不滿足實際情況下的時序自相關性，不同時刻之間的值波動較大，而CHP機組出力受到爬坡率的約束，因此為了滿足負荷需求，所規(guī)劃的容量偏大，投資成本較高，而運行成本與設備的投資成本密切相關，因此也存在一定差異。相比之下，本文所提TAMCRSGOM 方法下的規(guī)劃結果既可以有效降低能源站投資成本，又可以滿足多種隨機場景下的運行需求，而且其所建立的隨機場景集更加符合真實情況。

5.6 隨機場景下所規(guī)劃能源站的運行特性分析

為了探究TA-MCRSGOM方法下所規(guī)劃能源站的運行特性，需要從以上隨機場景集中選取相應的隨機場景作為運行分析的輸入條件。隨機場景的選取原則為選擇隨機場景集中較為極端的場景，可采用以下方法得到。

（1）分別計算隨機場景集中風、光、電、熱3 個典型日之和的期望，即

式中，Vq(h,t)為場景h下不確定因素q在t時刻的值。

（2）計算不同隨機場景下風、光、電、熱的偏移度，從中選取上述4種不確定性因素各自偏移度最大的場景作為運行分析的輸入條件，由此可確定4個隨機場景。不同場景的偏移度計算公式為

（3）挑選綜合偏移率最大的場景作為用于運行分析的第5個隨機場景，綜合偏移度計算公式為

通過采用上述方法可以得到用于分析能源站運行特性的5個隨機場景，其中不重復場景有4個，分別為場景6、場景40、場景41和場景49，各場景典型日的相關數(shù)據(jù)見附錄圖A6～A9。圖8為場景40中3個典型日下分布式能源站的運行特性，其他3個場景典型日能源站的運行情況見附錄圖A10～A12。

由圖8（a）可知，由于過渡季和夏季熱負荷較低，因此主要依靠CHP 機組就能滿足用戶供熱需求，所產生的多余熱能儲存在熱儲能設備中。冬季熱負荷較大，CHP機組容量有限，此時HP機組開始出力，能滿足一天中大部分熱負荷需求，但在熱負荷峰值時段，則需要GB參與調峰出力。由于GB只參與調峰，因此對于GB規(guī)劃的容量相對較低。

圖8（b）展示了分布式能源站供電情況，由于WT 和PV 在運行的經濟性和環(huán)境效益方面都具有巨大優(yōu)勢，因此WT和PV優(yōu)先出力供應負荷。當可再生能源出力較低時，在谷時電價時段，電價相比于天然氣價格存在一定優(yōu)勢，此時電網增加出力供應負荷，而在其他時段則由CHP機組增加出力供應負荷。

圖8 場景40 典型日下分布式能源站運行特性Fig.8 Operating characteristics of distributed energy station on typical days in scene 40

綜上可知，以選取的4 個場景典型日為例，驗證了在綜合考慮風、光、電、熱各自的時序自相關性和它們之間的互相關性時，所規(guī)劃得到的分布式能源站能夠適應各種隨機場景，并在運行過程中可以兼顧經濟性和環(huán)保性。

6 結 論

本文研究了考慮多種不確定性因素的隨機場景生成及優(yōu)選方法，在此基礎上進行了分布式能源站選型定容規(guī)劃研究。主要工作如下。

（1）針對各不確定性因素進行建模分析，提出了TA-MCRSGOM，得到了用于分布式能源站規(guī)劃的隨機場景集。通過與各種抽樣方法產生的隨機場景對比，證明了本文所提方法能更加合理的反映風、光、電、熱的變化特點，因此產生的隨機場景更加符合實際情況。

（2）在生成隨機場景集的基礎上，構建了隨機場景下分布式能源站的選型定容規(guī)劃模型，該模型為混合整數(shù)線性規(guī)劃模型，通過CPLEX 求解器可以得到最優(yōu)解。

（3）在確定性場景和不同隨機場景集下，對分布式能源站的規(guī)劃結果進行對比，驗證了本文所提TA-MCRSGOM 能夠精準地考慮不確定性因素的時序自相關性和互相關性，從而對分布式能源站進行規(guī)劃，其結果不僅能適應復雜的不確定性運行場景，而且其投資成本也低于確定性場景及其他隨機場景集下的規(guī)劃結果。

（4）分析了所規(guī)劃的分布式能源站在隨機場景下典型日的運行特性。通過考慮分時電價的影響以及可再生能源出力特點，各設備協(xié)同出力，可以較好地適應園區(qū)供能需求的不確定性。

另外本文對上述問題的研究具有局限性：①根據(jù)典型日的規(guī)劃數(shù)據(jù)構建的隨機場景，僅為能源站運行的一般情況，未考慮極端場景；②所研究的綜合能源系統(tǒng)規(guī)模較小，未考慮分布式能源站輸入側以及輸出側的網絡拓撲；③對于能源站中設備發(fā)生故障的可能性、故障發(fā)生類型以及故障發(fā)生后的應對措施未作考慮。這些將在后續(xù)工作中進行進一步研究。

附錄A

圖A1 隨機場景樣本生成策略Fig.1 Random scene samples generation strategy

圖A2 歷史典型日風速曲線Fig.2 Wind speed curve on typical historical days

圖A3 歷史典型日光照強度曲線Fig.3 Light intensity curve on typical historical days

圖A4 電熱負荷規(guī)劃數(shù)據(jù)曲線Fig.4 Curves of electricity and heat load planning data

圖A5 分時電價曲線Fig.5 Curve of time-of-use electricity price

圖A6 隨機場景6 典型日的風、光、電、熱數(shù)據(jù)Fig.6 Data of wind speed，light intensity，electrical load，and heat load on typical days in random scene 6

圖A7 隨機場景40 典型日的風、光、電、熱數(shù)據(jù)Fig.7 Data of wind speed，light intensity，electrical load，and heat load on typical days in random scene 40

圖A8 隨機場景41 典型日的風、光、電、熱數(shù)據(jù)Fig.8 Data of wind speed，light intensity，electrical load，and heat load on typical days in random scene 41

圖A9 隨機場景49 典型日的風、光、電、熱數(shù)據(jù)Fig.9 Data of wind speed，light intensity，electrical load，and heat load on typical days in random scene 49

圖A10 場景6 典型日下分布式能源站運行特性Fig.10 Operating characteristics of distributed energy station on typical days in scene 6

圖A11 場景41 典型日下分布式能源站運行特性Fig.11 Operating characteristics of distributed energy station on typical days in scene 41

圖A12 場景49 典型日下分布式能源站運行特性Fig.12 Operating characteristics of distributed energy station on typical days in scene 49

表A1 CHP 機組各型號設備參數(shù)Tab.A1 Equipment parameters of different types of CHP unit

表A2 熱泵、燃氣鍋爐各型號設備參數(shù)Tab.A2 Equipment parameters of different types of heat pump and gas boiler

表A3 其他設備參數(shù)Tab.A3 Parameters of other equipment