考慮多能源協(xié)同的智慧能源站優(yōu)化運(yùn)行策略研究

孫軼愷，張利軍，孫英英，俞楚天，姚玉斌

(1.國網(wǎng)浙江省電力有限公司經(jīng)濟(jì)技術(shù)研究院，杭州 310020； 2.東方電子股份有限公司， 山東 煙臺 264000； 3.大連海事大學(xué)， 遼寧 大連 116026)

0 引 言

智慧能源站可對電熱泵(EHP)、熱電聯(lián)產(chǎn)(CHP)、燃?xì)忮仩t、電池儲能(EES)、熱儲能(TES)、太陽能光伏(PV)等進(jìn)行綜合管理，為能源管理提供了一種新的模式。通過優(yōu)化不同能源的協(xié)調(diào)運(yùn)行，智慧能源站可節(jié)省能源成本和減少排放，以及為國家或區(qū)域級的能源系統(tǒng)提供能源儲備等服務(wù)[1]。

智慧能源站運(yùn)行的復(fù)雜性在于其能夠靈活地利用不同的能量載體(如電能、熱能和燃?xì)?，有效地聚合了區(qū)域內(nèi)的電力、熱能、燃?xì)饩W(wǎng)絡(luò)[2-6]。目前已經(jīng)提出了多種方法來研究電力和天然氣網(wǎng)絡(luò)之間的交互[7-8]，這些方法主要側(cè)重于分析由燃?xì)獍l(fā)電機(jī)連接兩種能源網(wǎng)絡(luò)的傳輸系統(tǒng)。也有一些研究分析了電力和熱能網(wǎng)絡(luò)的協(xié)調(diào)運(yùn)行[9-10]。文獻(xiàn)[11]對用于分析可再生能源與多能源系統(tǒng)整合的計(jì)算機(jī)工具進(jìn)行了研究。然而在大多數(shù)模型中，沒有考慮多能源網(wǎng)絡(luò)拓?fù)浜湍茉崔D(zhuǎn)換技術(shù)來進(jìn)行網(wǎng)絡(luò)交互分析[12]。例如在文獻(xiàn)[13]中進(jìn)行了多能源系統(tǒng)的運(yùn)行研究，但沒有考慮能源網(wǎng)絡(luò)詳細(xì)建模。

現(xiàn)有的智慧能源站模型通常通過熱壓力、電壓、損耗等網(wǎng)絡(luò)技術(shù)參數(shù)的精細(xì)化來避免違反能源網(wǎng)絡(luò)約束[14-15]。然而這些模型依賴于簡化方法，不能正確處理多能量流交互、能量供給與需求不確定性、跨時間約束相關(guān)的系統(tǒng)運(yùn)行優(yōu)化問題。一些方法可以根據(jù)不確定性、與儲能相關(guān)的跨時間約束對單一分布式能源的管理進(jìn)行優(yōu)化求解[16-18]。然而網(wǎng)絡(luò)復(fù)雜耦合性導(dǎo)致這些方法可能無法對智慧能源站運(yùn)行優(yōu)化提供有效解。

文中提出了一個新的策略，根據(jù)不確定性及不同能源網(wǎng)絡(luò)設(shè)備(如PV、CHP、EES、TES)模型對智慧能源站的運(yùn)行進(jìn)行優(yōu)化。用太陽輻射、電力和熱量需求進(jìn)行不確定性場景建模。優(yōu)化方法分為兩階段，在MILP優(yōu)化階段，所有能源網(wǎng)絡(luò)中可控設(shè)備的運(yùn)行計(jì)劃都在考慮不確定性和網(wǎng)絡(luò)線性近似的情況下進(jìn)行優(yōu)化。然后基于非線性綜合能源網(wǎng)絡(luò)模型，并通過兩個階段中模型之間的迭代，提高線性模型的精度。所提出方法的另一個特點(diǎn)是使用鏈表來描述MILP問題，以提高計(jì)算效率[19]。

將所提出的方法在測試系統(tǒng)進(jìn)行了評估，給出了在不同不確定性水平和網(wǎng)絡(luò)約束的案例分析。文章的主要貢獻(xiàn)可總結(jié)如下：

(1)提出了新的優(yōu)化方法，考慮了綜合能源網(wǎng)絡(luò)的物理特性，能源需求不確定性和儲能靈活性；

(2)使用多維鏈表有效處理儲能靈活性約束并提高計(jì)算效率；

(3)基于案例研究，量化不確定性、時間依賴性和網(wǎng)絡(luò)限制對智慧能源站的影響。

1 優(yōu)化運(yùn)行策略

提出了一種新的智慧能源站運(yùn)行優(yōu)化方法，如圖1所示。優(yōu)化方法結(jié)合了MILP和電力，熱能和燃?xì)饩C合網(wǎng)絡(luò)模型。

圖1 智慧能源站運(yùn)行優(yōu)化方法

優(yōu)化模型基于可用能源價格數(shù)據(jù)，能源需求和設(shè)備的特性(在此階段忽略網(wǎng)絡(luò)模型)，提供機(jī)組組合的首次估計(jì)。然后將該信息傳遞給綜合網(wǎng)絡(luò)模型，估計(jì)損失并識別現(xiàn)有的網(wǎng)絡(luò)約束沖突。該信息用于制定損失和網(wǎng)絡(luò)約束的分段線性估計(jì)，并傳遞回MILP模型。然后重復(fù)兩階段過程，直到結(jié)果收斂。

為了提高可讀性，模型使用變量和參數(shù)的簡化上標(biāo)表示法。例如，電力輸出Eo與不同的上標(biāo)組合以表示不同的變量，例如光伏系統(tǒng)輸出(EoPV)、熱電聯(lián)產(chǎn)裝置(EoCHP)、建筑物(EoBui)、網(wǎng)絡(luò)連接點(diǎn)(EoNet)、整個區(qū)域(EoDis)的電力輸出。BEN表示與電網(wǎng)相連的建筑物集合,BGN表示與天然氣管網(wǎng)相連的建筑物集合,BHN表示與熱力網(wǎng)相連的建筑物集合,RCHD表示熱量需求魯棒約束集合,RCED表示電力需求魯棒約束集合,RCPV表示太陽輻射魯棒約束集合。Blr表示鍋爐,Bui表示建筑,Dis表示運(yùn)行區(qū)域。b表示建筑標(biāo)簽,i,j表示電、熱、氣節(jié)點(diǎn)標(biāo)簽，ne、nh、ng表示電力、熱力和燃?xì)饩W(wǎng)絡(luò)標(biāo)簽，t表示與場景相關(guān)的時間標(biāo)簽，s表示場景標(biāo)簽。

1.1 優(yōu)化模型

所提出的優(yōu)化模型基于文獻(xiàn)[20]中提出的MILP方法，并在其基礎(chǔ)上進(jìn)行了擴(kuò)展，包括了儲能(即EES和TES)、斜坡約束等跨時間約束和不確定性約束。

式(1)為優(yōu)化目標(biāo)函數(shù)，表示最小化預(yù)期能源成本。目標(biāo)函數(shù)考慮：整個地區(qū)在連接點(diǎn)的電能輸入和輸出(運(yùn)營區(qū)域內(nèi)部電力流動無成本)；智慧能源站向外購買的燃?xì)獬杀?；CHP、EHP、PV、鍋爐和儲能裝置的運(yùn)行和維護(hù)成本；不可行和不期望條件的懲罰函數(shù)。

(1)

式中C為成本函數(shù)；Ei,Eo為電力輸入/輸出；Gi為燃?xì)廨斎耄籋i,Ho為熱力輸入/輸出，PF為懲罰函數(shù)；ωs為情景發(fā)生概率；πEi,πEo為電力購入和出售價格；πGi為天然氣價格；Com為操作和維護(hù)成本；dt為時長。

式(2)所示的燃?xì)忮仩t的熱量輸出與燃?xì)廨斎胄?，必須在?3)的約束范圍內(nèi)。

(2)

(3)

式中Hmax為最大熱輸出；ηe,ηh為電和熱效率。CHP部件的電力和熱輸出分別基于二進(jìn)制變量I和兩個線性化參數(shù)ae,ah，表示為燃?xì)廨斎氲木€性函數(shù)，如式(4)和式(5)所示。如文獻(xiàn)[20]中所討論的，用這些線性方程可以擬合廠家給出的典型非線性電氣和熱效率曲線。發(fā)電限制由式(6)約束，斜坡約束由式(7)表示。二進(jìn)制變量表示打開或關(guān)閉設(shè)備。

(4)

(5)

(6)

(7)

式中R為爬坡率限制；Emin為最小電力輸出；Emax為最大電力輸出。EHP的熱輸出，發(fā)電量和斜坡約束分別表示為：

(8)

(9)

(10)

PV基于太陽能資源和能源輸出縮減量進(jìn)行建模，如式(11)所示。Esun為太陽輻照度，Eoc為電力輸出縮減量。

(11)

EES和TES隨時間變化的能量輸出和輸入以及儲能單元充電狀態(tài)SOC分別用式(12)和式(13)建模。根據(jù)SOC，可存儲在設(shè)備中的能量限制由式(14)和式(15)表示。裝置充電和放電速率的約束由式(16)和式(17)表示。SOCmax為最高充電狀態(tài),SOCmin為最低充電狀態(tài)。

(12)

(13)

(14)

(15)

(16)

(17)

在建筑、網(wǎng)絡(luò)和區(qū)域?qū)用孢M(jìn)行能量平衡建模。在建筑物層面，所有發(fā)電盈余或赤字由電力網(wǎng)絡(luò)平衡，如式(18)～式(20)所示，未考慮燃?xì)夤芫W(wǎng)。ED表示電力需求，HD表示熱力需求。

(18)

(19)

(20)

考慮到智慧能源站運(yùn)營區(qū)域包括多個能源網(wǎng)絡(luò)，在網(wǎng)絡(luò)級別也應(yīng)該保持能量平衡，能量平衡模型如式(21)和式(22)所示。由于文中僅考慮具有固定配置的單一燃?xì)饩W(wǎng)絡(luò)，在此平衡模型中不包括燃?xì)饩W(wǎng)絡(luò)。

(21)

(22)

式中L為能量損失。在區(qū)域?qū)用妫煌W(wǎng)絡(luò)的凈能量由上游能源系統(tǒng)平衡。只考慮式(23)的電力和式(24)燃?xì)馄胶?，熱能通過集中供熱在網(wǎng)絡(luò)層面局部平衡。

(23)

(24)

1.2 魯棒約束及儲能靈活性約束

為了減輕光伏發(fā)電間歇性以及能源需求不確定性給智慧能源站的運(yùn)行優(yōu)化帶來的不利影響，使用高斯過程回歸和電力需求ED、熱量需求HD和太陽輻射Esun三種不確定變量對魯棒約束進(jìn)行場景建模[15]：

(25)

(26)

(27)

以上定義的魯棒約束可能對儲能的靈活性預(yù)估不準(zhǔn)確，因?yàn)樵趯?shí)際運(yùn)行中，可能會偏離預(yù)期條件。這個問題可以用考慮不同SOC的多階段規(guī)劃來解決，但是這樣的方法計(jì)算成本很高[21]。然而，正如在文獻(xiàn)[22]中所討論的，對儲能靈活性進(jìn)行建模時可使用場景樹方法使得計(jì)算成本最小化。場景樹方法是將優(yōu)化時間范圍劃分為多個時間快，在每個時間塊內(nèi)，根據(jù)其平均太陽輻射預(yù)測值分為不同的“樹”。然后，對每個時間塊中位于同一樹中的場景執(zhí)行約束。時間塊的引入允許機(jī)組組合可在不同的時段和時間塊之間變化(可表示為光伏發(fā)電的函數(shù))，從而在優(yōu)化問題中引入靈活性。約束式(14)～式(15)中儲能狀態(tài)上下限定義如下：

(28)

(29)

SOCtmin-qLow≤SOCt≤SOCtmax+qUp

(30)

式中SOCs1,t為t時刻與運(yùn)行場景s1相關(guān)的儲能狀態(tài)；qLow與qUp為松弛變量，用于在必要時通過使用式(31)所示的懲罰成本來放寬儲能靈活性范圍。

(31)

式中cLow與cUp分別為高速與低速機(jī)組發(fā)電邊際成本。慢速機(jī)組定義為最小起停時間大于1 h的發(fā)電機(jī)?？焖贆C(jī)組是指最小啟動和停機(jī)時間小于或等于1 h的發(fā)電機(jī)。當(dāng)所有慢速機(jī)組完全投入時，應(yīng)放松約束條件(30)。這是由于開啟額外的快速機(jī)組不僅會產(chǎn)生邊際發(fā)電成本，還會增加空載和啟動成本，因此額外快速機(jī)組的投入預(yù)計(jì)將比使用儲能裝置中儲存的能量更昂貴。遵循場景樹優(yōu)化原理，將約束式(28)～式(31)添加到優(yōu)化模型中，這些約束在下文中稱為儲能靈活性約束。

基于鏈表模型，可以無縫地從數(shù)學(xué)模型中包含或去除特定設(shè)備或場景。例如通過調(diào)整鏈表，在熱平衡方程式(18)中跳過指定的設(shè)備，并創(chuàng)建非預(yù)期約束。該方法的這一特性允許最少化變量，縮減模型規(guī)模，顯著提高計(jì)算效率。

1.3 綜合網(wǎng)絡(luò)模型

綜合網(wǎng)絡(luò)模型是通過使用多種能源的效率矩陣，耦合電力、熱力和燃?xì)饩W(wǎng)絡(luò)穩(wěn)態(tài)模型而建立。該模型采用牛頓法求解，該方法在雅可比矩陣中包含了耦合元素[23]。耦合元素由綜合能源技術(shù)引入，包括備用發(fā)電機(jī)，或主動網(wǎng)絡(luò)管理部件(如節(jié)點(diǎn)壓力控制泵)。如果沒有耦合元件，則網(wǎng)絡(luò)是解耦的，并且可以使用對應(yīng)模型單獨(dú)求解，否則應(yīng)使用綜合網(wǎng)絡(luò)模型。

電網(wǎng)采用式(32)所示的有功和式(33)所示的無功節(jié)點(diǎn)潮流平衡方程建模。

(32)

(33)

熱力網(wǎng)絡(luò)基于式(34)所示的節(jié)點(diǎn)平衡和式(35)所示的累積損耗進(jìn)行建模。

(34)

(35)

燃?xì)饩W(wǎng)絡(luò)基于式(36)所示的節(jié)點(diǎn)平衡，式(37)所示的壓力和式(31)所示的累積損耗進(jìn)行建模。

(36)

(37)

1.4 迭代方法

通過MILP模型與綜合網(wǎng)絡(luò)模型之間的迭代，提高M(jìn)ILP模型的精度。迭代方法基于損耗和網(wǎng)絡(luò)極限的分段線性估計(jì)。通過綜合網(wǎng)絡(luò)模型估計(jì)損耗和網(wǎng)絡(luò)限制(例如容量、電壓和壓力限制)來制定線性約束。然后根據(jù)建筑層的電力、熱力和燃?xì)饬髁恐贫芰繐p失和網(wǎng)絡(luò)約束。如式(38)所示，使用微分常數(shù)Kfd和獨(dú)立常數(shù)Kfc來創(chuàng)建約束沖突的線性近似。

(38)

在每一次迭代之前，調(diào)整獨(dú)立參數(shù)Kfc使得求解方法更接近最優(yōu)條件。然而每次迭代的參數(shù)大調(diào)整可能導(dǎo)致優(yōu)化問題不可解。因此需要設(shè)計(jì)合適的迭代優(yōu)化方法。現(xiàn)有的研究提供了幾種模型迭代優(yōu)化的方法[24]，可用于調(diào)整參數(shù)Kfc和Kfd。然而，這些方法的最優(yōu)性和收斂通常僅針對特定的電網(wǎng)條件(如沒有反向潮流，只適用于放射狀電網(wǎng))，沒有考慮綜合網(wǎng)絡(luò)條件。因此采用了一般割線法進(jìn)行迭代優(yōu)化，包括：

(1)算法的收斂標(biāo)準(zhǔn)：損失估計(jì)的精確度，約束的違反程度；

(2)基于網(wǎng)絡(luò)約束違反情況和損失來定義基本條件：調(diào)整如Kfc等獨(dú)立參數(shù)，以便線性約束與綜合網(wǎng)絡(luò)仿真的結(jié)果匹配。線性約束包含在下一次優(yōu)化中；

(3)如果新的機(jī)組組合符合所有收斂標(biāo)準(zhǔn)，重復(fù)前一步。否則，使用基本條件和新數(shù)據(jù)之間的線性插值估計(jì)獨(dú)立參數(shù)的新值。將新的約束集添加到優(yōu)化中，并重復(fù)此步驟。如果根據(jù)精度閾值，機(jī)組組合保持不變，則滿足終止標(biāo)準(zhǔn)。在兩次連續(xù)迭代中，精度為線性網(wǎng)絡(luò)近似所用參數(shù)(如Kfd和Kfc)之間的最大差值；

(4)如果優(yōu)化的輸出與功率損耗匹配，并且沒有超過網(wǎng)絡(luò)限制(如PF=0)，則認(rèn)為機(jī)組組合可行。

2 仿真分析

智慧能源站測試系統(tǒng)包括26棟建筑，每年總需求為28 GWhe(峰值6 MWe)電力和18 GWhth(峰值12 MWth)的熱能?；诂F(xiàn)有的基礎(chǔ)設(shè)施，包括2.7 MWe、2.6 MWth、3.4 MWe和24 MWth的CHP、EHP、PV和燃?xì)忮仩t容量等60個設(shè)備可在該區(qū)域使用。建筑物之間的多能量交換通過13節(jié)點(diǎn)的電網(wǎng)，36節(jié)點(diǎn)的熱能網(wǎng)絡(luò)和37節(jié)點(diǎn)燃?xì)饩W(wǎng)絡(luò)完成，如圖2所示。測試系統(tǒng)電力網(wǎng)絡(luò)由一個中壓變壓器與外部電網(wǎng)連接，該變壓器位于13號節(jié)點(diǎn)。電能通過每條饋線上的配電變壓器供應(yīng)給電力負(fù)荷。在熱能網(wǎng)絡(luò)中，鍋爐廠通過埋在地下的管道向多座建筑輸送熱量。系統(tǒng)中有兩臺燃?xì)忮仩t：一臺鍋爐與1號節(jié)點(diǎn)相連，另一臺鍋爐與20號節(jié)點(diǎn)相連。假設(shè)熱能網(wǎng)絡(luò)供應(yīng)溫度為85 ℃，回流溫度為70 ℃。燃?xì)忮仩t容量分別為19.2 MW和4.8 MW，效率均為79.2%，系統(tǒng)中熱負(fù)荷均由燃?xì)忮仩t供給。假設(shè)天然氣價格是靜態(tài)的，燃?xì)鈨r格為236 ￥/MWh。限于篇幅限制，CHP、EHP、PV等細(xì)節(jié)信息，參見文獻(xiàn)[25]。

圖2 智慧能源站測試系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)

綜合網(wǎng)絡(luò)模型和兩階段迭代方法的終止標(biāo)準(zhǔn)為最大誤差小于0.0001。如果增加計(jì)算時間，則可以使用較低的誤差閾值。使用所提出的方法按半小時分辨率提前一天制定運(yùn)行策略。重點(diǎn)考慮網(wǎng)絡(luò)限制和儲能使用影響以及計(jì)算效率，通過仿真對智慧能源站運(yùn)行進(jìn)行評估。

2.1 經(jīng)濟(jì)性評估

測試時間為冬季一月的能源需求高峰日，即2019年1月19日。根據(jù)氣象及負(fù)荷情況，智慧能源站運(yùn)營區(qū)域內(nèi)的大多數(shù)能源供應(yīng)機(jī)組都處于運(yùn)行狀態(tài)。在所提出的優(yōu)化策略下，測試系統(tǒng)的運(yùn)行情況如圖3所示。未使用優(yōu)化策略時，在16時～20時之間由于電費(fèi)引起能源價格尖峰，該區(qū)域?qū)a(chǎn)生25.3萬元的能源支出。從圖3中可知，使用優(yōu)化策略后，降低了能源需求，尤其在6時～22時之間更為明顯，與之對應(yīng)的是CHP機(jī)組輸出功率提升。通過優(yōu)化后，系統(tǒng)能源支出減少到24.5萬元，即節(jié)省了3%。

圖3 優(yōu)化策略下測試系統(tǒng)運(yùn)行情況

2.2 網(wǎng)絡(luò)極限下儲能優(yōu)化評估

表1中給出了在不同儲能滲透率和網(wǎng)絡(luò)限制情況下，測試系統(tǒng)的能源支出情況。通過向每個建筑物配置1 kW(1 m3)或10 kW(10 m3)的EES(TES)來定義儲能滲透率。網(wǎng)絡(luò)極限定義為每個獨(dú)立能源網(wǎng)絡(luò)處于極限需求情況。

表1 不同儲能滲透率和網(wǎng)絡(luò)限制下的單日能源成本

如表1所示，不同的能源網(wǎng)絡(luò)處于極限情況可能導(dǎo)致不同的成本。未添加儲能時，熱能網(wǎng)絡(luò)處于極限情況下系統(tǒng)能源支出最高為26.9萬元。分別向系統(tǒng)添加10 kW和10 m3電儲能和熱儲能后，系統(tǒng)能源支出可降至26.3萬元，即節(jié)省了約2.2%。從表1中還可看出在任何能源網(wǎng)絡(luò)處于極限情況下，增加儲能均能降低系統(tǒng)能源支出。根據(jù)優(yōu)化策略，可調(diào)整不同源網(wǎng)絡(luò)功率輸出以降低能源開支。例如，測試系統(tǒng)的最佳運(yùn)行依賴于CHP的有效使用。如圖3所示，調(diào)度CHP機(jī)組可最大限度地減少在能源高價期間的開支，限制熱能使用不利于能源成本控制(表1中熱能網(wǎng)絡(luò)處于極限時系統(tǒng)能源支出最高)。

2.3 考慮不確定性的評估

上述評估結(jié)果基于理想情況，即能源需求、可再生能源發(fā)電和其他參數(shù)使用單一預(yù)測值。因此考慮了不確定性對所提出的方法進(jìn)行評估。使用電力和熱能需求以及太陽輻射變化(±10%)的場景對不確定性進(jìn)行建模。電力需求、熱能需求、太陽輻射值來自于2017年～2019年的實(shí)際系統(tǒng)數(shù)據(jù)[25]。魯棒約束使用兩個極端條件，即最高能源需求和最低太陽輻射，或最低能源需求和最高太陽輻射[26]。靈活性約束基于3個或9個場景樹。表2給出了考慮不確定性時的系統(tǒng)能源支出，還給出了完全信息預(yù)期價值(VPI)以反映系統(tǒng)不確定性水平。

表2 考慮不確定性的單日能源成本

如表2所示，系統(tǒng)未添加儲能時，系統(tǒng)的不確定性水平最高，能源支出也最高。在使用3棵場景樹建模時，儲能滲透率從0增加到10時，不確定水平下降了約81%，能源支出降低了約9.9%。結(jié)果表明，隨著儲能滲透率增加，系統(tǒng)不確定水平顯著下降，能源支出也隨之下降。儲能所增加的靈活性緩解了能源不確定性所帶來的不利影響。在將靈活性場景樹的數(shù)量從3個增加到9個之后，能源支出大致保持不變，而VPI有所降低。然而，在實(shí)際中，不確定性預(yù)測更為復(fù)雜，可選擇足夠數(shù)量的場景樹來建模，但添加場景樹會增加計(jì)算成本，同時由于存在飽和情況而導(dǎo)致優(yōu)化程度有限。

2.4 計(jì)算成本評估

在本研究的背景下，可分別在30 s和500 s內(nèi)求解出確定性情況和考慮不確定性情況的最佳運(yùn)行策略。文中假設(shè)的智慧能源站調(diào)度決策時間為半小時，所提出方法的求解時間顯然在可接受范圍內(nèi)。由于所提出的方法基于MILP方法，影響計(jì)算時間的主要因素是模型約束和變量的數(shù)量，所考慮的場景和設(shè)備決定了約束和變量的數(shù)量。文中，在為所有機(jī)組設(shè)備建模時，需要418 700個約束和254 368個變量，包括41 774個離散變量。能源網(wǎng)絡(luò)限制也會影響模型求解速度，由于不同網(wǎng)絡(luò)上限制的沖突，MILP模型和綜合網(wǎng)絡(luò)模型之間需要額外的迭代。例如，雖然可以調(diào)用CHP以減少電力需求，但可能由于熱能網(wǎng)絡(luò)受限無法達(dá)到所需的發(fā)熱量。

表3中給出了不同條件下對所提出方法計(jì)算性能的評估結(jié)果。簡化線性規(guī)劃方法放松了優(yōu)化模型，刪除了所有二進(jìn)制變量，在幾乎沒有約束的情況下進(jìn)行求解。完全線性規(guī)劃使用了第三節(jié)中提出的MILP模型，并將該模型應(yīng)用于受約束的能源網(wǎng)絡(luò)，在使用9棵場景樹進(jìn)行不確定性建模時，計(jì)算時間需要244 s。極端限制下完全線性規(guī)劃是最壞情況下的情景評估，系統(tǒng)中鍋爐、EES、TES、EHP和CHP均使用了二進(jìn)制變量建模。由表3可知，即使在最極端的情況下，所提出的方法的計(jì)算性能也滿足當(dāng)前的應(yīng)用要求。

表3 不同情況下計(jì)算時間

3 結(jié)束語

文中介紹了智慧能源站的運(yùn)營優(yōu)化方法，考慮了內(nèi)部能源網(wǎng)絡(luò)約束，以及相關(guān)的不確定性。提出了隨機(jī)優(yōu)化方法，將MILP模型與非線性綜合能源網(wǎng)絡(luò)模型相結(jié)合。使用了多維鏈表，以提高隨機(jī)模型的計(jì)算效率。在測試系統(tǒng)對該方法的綜合網(wǎng)絡(luò)壓力、不確定性和儲能水平等多方面進(jìn)行了驗(yàn)證。未考慮不確定性優(yōu)化時，系統(tǒng)能源支出相比優(yōu)化前可減少約3%。使用儲能對不確定性優(yōu)化時，儲能滲透率從0增加到10時，不確定水平下降了約81%，能源支出降低了約9.9%。結(jié)果表明，能源網(wǎng)絡(luò)的物理限制、能源需求和特定能源的不確定性降低了智慧能源站的靈活性。然而，儲能可增強(qiáng)系統(tǒng)靈活性，用于減輕網(wǎng)絡(luò)約束和不確定性的影響。