計(jì)及光伏不確定性和低碳需求響應(yīng)的工業(yè)園區(qū)光-儲(chǔ)分布魯棒規(guī)劃模型

何 鑫，劉俊勇，高紅均，舒俊霖，胡人川

（四川大學(xué)電氣工程學(xué)院，四川成都 610065）

0 引言

電力行業(yè)的碳排放總量占全社會(huì)的碳排放比例達(dá)到40%以上，是實(shí)現(xiàn)我國(guó)雙碳目標(biāo)的排頭兵，而工業(yè)園區(qū)作為用電大戶，如何減少工業(yè)園區(qū)的碳排放是現(xiàn)目前亟需考慮的[1]。

一方面，在工業(yè)園區(qū)內(nèi)建立光-儲(chǔ)發(fā)電系統(tǒng)，引入綠電，減少因使用外購(gòu)電力而產(chǎn)生的碳排放，但由于光伏出力的不確定性，會(huì)對(duì)園區(qū)內(nèi)的光-儲(chǔ)發(fā)電系統(tǒng)容量規(guī)劃產(chǎn)生很重要的影響[2]。另一方面，基于傳統(tǒng)的價(jià)格需求響應(yīng)，通過在峰平谷疊加電價(jià)，以電視角來決定實(shí)時(shí)電價(jià)，認(rèn)為園區(qū)的用電量少就是低碳環(huán)保。但實(shí)際上，由于發(fā)電側(cè)各時(shí)刻發(fā)電機(jī)組的組合不一樣，每個(gè)時(shí)刻的單位電量造成的碳排放量是不一樣的，而且發(fā)電機(jī)組碳排放量曲線和用電負(fù)荷曲線不具有耦合性，所以為了更好的響應(yīng)雙碳目標(biāo)，有必要建立基于碳視角的用戶側(cè)低碳需求響應(yīng)。

目前針對(duì)光伏不確定性的相關(guān)研究主要分為隨機(jī)優(yōu)化方法[3-6]、魯棒優(yōu)化方法[7-11]和分布式魯棒優(yōu)化方法[12-15]。文獻(xiàn)[16]介紹了通過隨機(jī)優(yōu)化方法，對(duì)各隨機(jī)場(chǎng)景下的儲(chǔ)能配置需求，并根據(jù)各典型場(chǎng)景的概率分布，實(shí)現(xiàn)了對(duì)電網(wǎng)側(cè)儲(chǔ)能的優(yōu)化配置。文獻(xiàn)[17]通過魯棒優(yōu)化方法，對(duì)光伏出力不確定的擾動(dòng)采用盒式不確定集進(jìn)行約束，從而求解儲(chǔ)園區(qū)光-儲(chǔ)容量的優(yōu)化配置結(jié)果。文獻(xiàn)[18]采用兩階段分布式魯棒算法，構(gòu)建了以數(shù)據(jù)驅(qū)動(dòng)下的優(yōu)化調(diào)度模型，通過考慮最惡劣概率分布下的最優(yōu)解，通過列與約束生產(chǎn)算法（Column-and-Constraint Generation，CCG）進(jìn)行求解，提高了能源系統(tǒng)對(duì)清潔能源的笑納。

現(xiàn)目前，隨著雙碳目標(biāo)的提出，如何有效的量化電力各環(huán)節(jié)企業(yè)的碳排放，理清各環(huán)節(jié)的碳排放責(zé)任，有大量學(xué)者進(jìn)行了研究。文獻(xiàn)[19]提出了一種工業(yè)園區(qū)碳排放核算方法，對(duì)于電力碳排放，采用了電力區(qū)域碳排放因子，根據(jù)企業(yè)所在地歸屬，帶入碳排放因子進(jìn)行計(jì)算。文獻(xiàn)[20]提出了基于碳排放流和潮流計(jì)算的聯(lián)系，建立電力系統(tǒng)碳排放流的基本計(jì)算方法。文獻(xiàn)[21]提出了一種基于網(wǎng)絡(luò)功率分解的實(shí)時(shí)碳流的計(jì)算方法，克服了傳統(tǒng)方法無法保障碳流公平分?jǐn)偟牟蛔悖行Ы鉀Q了新能源降碳貢獻(xiàn)無法量化的問題?；谔寂欧帕骼碚摽梢院芎玫睦砬逄剂鞯膩砣ィ⑶揖哂幸欢ǖ臅r(shí)效性，將碳排放流理論與碳排放因子的計(jì)算進(jìn)行結(jié)合，可以更加準(zhǔn)確量化電力系統(tǒng)各環(huán)節(jié)的碳排放[22]。

綜上所述，本文提出了一種計(jì)及光伏不確定性和低碳需求響應(yīng)的工業(yè)園區(qū)光-儲(chǔ)魯棒規(guī)劃配置。首先，針對(duì)現(xiàn)目前無法厘清各時(shí)刻用戶用電碳排放責(zé)任的問題，建立了基于碳排放流理論的分時(shí)動(dòng)態(tài)碳排放系數(shù)，將動(dòng)態(tài)碳排放系數(shù)融入需求響應(yīng)價(jià)格中，實(shí)現(xiàn)低碳需求響應(yīng)。其次，構(gòu)建以包括光-儲(chǔ)發(fā)電設(shè)備年投資成本、年維護(hù)成本、年購(gòu)電成本、年購(gòu)氣成本、年售電收益和年碳排放費(fèi)用等綜合成本最小為優(yōu)化目標(biāo)，成本約束、電網(wǎng)傳輸功率約束、電功率平衡約束、儲(chǔ)能相關(guān)約束、電價(jià)約束和需求響應(yīng)相關(guān)約束等為約束條件的工業(yè)園區(qū)光-儲(chǔ)規(guī)劃模型。然后，為了應(yīng)對(duì)光伏出力的不確定性，確定性概率置性分布區(qū)間同時(shí)受到1-范數(shù)和∞-范數(shù)的約束，構(gòu)建兩階段分布魯棒規(guī)劃模型，并采用CCG算法進(jìn)行求解，獲得最優(yōu)的規(guī)劃方案。最后通過某工業(yè)園區(qū)進(jìn)行算例分析，驗(yàn)證了模型的有效性。

1 低碳需求響應(yīng)機(jī)制

在雙碳背景下，需要從碳視角出發(fā)，在考慮電力系統(tǒng)“源隨荷動(dòng)”的特性下，基于碳排放流理論，厘清碳排放的流向，獲取分時(shí)刻動(dòng)態(tài)碳排放系數(shù)，通過在電價(jià)上疊加動(dòng)態(tài)碳排放系數(shù)，讓用戶知曉各時(shí)刻用電對(duì)應(yīng)的碳排放水平，來達(dá)到減少用戶側(cè)碳排放的目的。

1.1 區(qū)域平均碳排放系數(shù)

現(xiàn)目前，計(jì)算因使用電能所產(chǎn)生的碳排放量，一般采用區(qū)域平均碳排放系數(shù)法計(jì)算獲得，用戶全年產(chǎn)生的碳排放總量由式（1）可得：

式中：Ek為用戶k1 a 的碳排放總量；Y為某年；Qk,t為用戶k在時(shí)刻t的用電量；CO2為用戶k所在區(qū)域的平均碳排放系數(shù)。

區(qū)域平均碳排放系數(shù)由式（2）可得：

其中區(qū)域電網(wǎng)n覆蓋地理范圍內(nèi)發(fā)電產(chǎn)生的二氧化碳排放量可以由式（3）所得：

式中：MFall,n為區(qū)域電網(wǎng)n覆蓋范圍內(nèi)用于發(fā)電的總化石燃料量；δf,n為化石燃料的碳排放系數(shù)。

區(qū)域平均碳排放系數(shù)具有計(jì)算簡(jiǎn)單的特點(diǎn)，但在現(xiàn)目前新能源大規(guī)模接入的背景下，該方法產(chǎn)生的誤差日益擴(kuò)大。

隨著新型電力系統(tǒng)的建設(shè)，各區(qū)域內(nèi)不同時(shí)間段的機(jī)組清潔能源占比也有所不同，對(duì)于用戶來說，不同時(shí)刻產(chǎn)生的碳排放其實(shí)是有明顯的時(shí)空差異的，區(qū)域平均碳排放因子不能很好的表征這些差距。

1.2 基于碳排放流理論的分時(shí)刻動(dòng)態(tài)碳排放系數(shù)

目前，電力行業(yè)對(duì)于碳排放的計(jì)算還是只針對(duì)發(fā)電側(cè)進(jìn)行了清算，但實(shí)際上由于電力系統(tǒng)“源隨荷動(dòng)”的特性，用戶側(cè)的用電才是導(dǎo)致產(chǎn)生碳排放的主要原因。因此，對(duì)于發(fā)電側(cè)產(chǎn)生的碳排放應(yīng)該考慮網(wǎng)側(cè)和荷側(cè)共同承擔(dān)。

電力系統(tǒng)的碳排放流理論，能根據(jù)發(fā)電側(cè)發(fā)電機(jī)組信息、線路潮流信息和線路網(wǎng)損等信息將碳排放打上標(biāo)簽，能有效的理清碳排放的來源和去向。此外，由于該理論是基于具有時(shí)空特性的潮流信息進(jìn)行碳排放的溯源定責(zé)，所以也會(huì)有明顯的時(shí)空特性，能有效的理清不用用戶在不同時(shí)刻的用電行為產(chǎn)生的碳排放影響。

但由于該理論得到的碳排放數(shù)據(jù)是基于單個(gè)節(jié)點(diǎn)的碳勢(shì)，不同節(jié)點(diǎn)的碳勢(shì)是有一定的差距，但為了滿足區(qū)域公平性原則，需要對(duì)一定區(qū)域內(nèi)的碳勢(shì)進(jìn)行平均化處理，并根據(jù)式（4）計(jì)算具有時(shí)空特性的區(qū)域動(dòng)態(tài)碳排放系數(shù)。

式中：eCO2,i,t為區(qū)域電網(wǎng)在i天時(shí)刻t的區(qū)域動(dòng)態(tài)碳排放系數(shù)；為節(jié)點(diǎn)q在i天時(shí)刻t的負(fù)荷量；為基于碳排放流理論算出的節(jié)點(diǎn)q在i天時(shí)刻t的碳勢(shì)；Z為區(qū)域電網(wǎng)n內(nèi)節(jié)點(diǎn)集合。

基于區(qū)域動(dòng)態(tài)碳排放系數(shù)，可由式（5）得到某用戶全年各時(shí)刻的碳排放量：

式中：為用戶k在第i天時(shí)刻t產(chǎn)生的碳排放量，Qk,i,t為用戶k在第i天時(shí)刻t的負(fù)荷量。

2 工業(yè)園區(qū)光-儲(chǔ)魯棒規(guī)劃模型

2.1 目標(biāo)函數(shù)

本文建立了以園區(qū)年綜合成本最小的目標(biāo)函數(shù)，包含到折算到每年的光-儲(chǔ)發(fā)電設(shè)備的年投資成本、年維護(hù)成本、年購(gòu)電成本、年購(gòu)氣成本、年售電收益和年碳排放費(fèi)用，具體如式（6）—式（8）所示。

式中：F1，F(xiàn)2，F(xiàn)yic，F(xiàn)yr，F(xiàn)buye，F(xiàn)buyg，F(xiàn)sellein，F(xiàn)cin分別為年投資和維護(hù)成本、年運(yùn)行成本、年投資成本、年維護(hù)成本、年購(gòu)電成本、年購(gòu)氣成本、年售電收益、年核定碳減排收益。

1）年投資成本包括光伏和儲(chǔ)能的投資成本，采用年等值投資成本方式，如式（9）所示：

式中：Cpv，Cess，Epv，Eess，Rpv，Ress，Ypv，Yess分別為單位容量光伏投資成本、單位容量?jī)?chǔ)能投資成本、光伏容量、儲(chǔ)能容量、光伏投資貼現(xiàn)率、儲(chǔ)能投資貼現(xiàn)率、光伏使用壽命和儲(chǔ)能的使用壽命。

2）年維護(hù)成本包括光伏和儲(chǔ)能的維護(hù)成本，采用年等值投資成本方式，如式（10）所示：

式中：Cpvr和Cessr分別為單位容量光伏裝置維護(hù)成本和單位容量?jī)?chǔ)能裝置維護(hù)成本。

3）年購(gòu)電成本

式中：Ns為的場(chǎng)景集合；Ps為場(chǎng)景s可能發(fā)生的概率；和Δt分別在場(chǎng)景s下i天時(shí)刻t的購(gòu)電功率、實(shí)時(shí)購(gòu)電電價(jià)和每個(gè)計(jì)量時(shí)段的長(zhǎng)度。

4）年購(gòu)氣成本

式中：?2，?1，?0為燃?xì)廨啓C(jī)相關(guān)參數(shù)；為場(chǎng)景s下i天時(shí)刻t燃?xì)廨啓C(jī)的發(fā)電功率；為場(chǎng)景s下時(shí)刻t的實(shí)時(shí)購(gòu)氣價(jià)格。

5）年售電收益

6）年碳排放費(fèi)用

2.2 約束條件

本文模型約束條件包括投資成本約束、電網(wǎng)傳輸功率約束、電功率平衡約束、儲(chǔ)能充放電功率和狀態(tài)約束、儲(chǔ)能荷電狀態(tài)約束、園區(qū)負(fù)載售電電價(jià)約束和需求響應(yīng)相關(guān)約束。

1）投資成本約束

式中：Cic_min和Cic_max分別為最小投資成本和最大投資成本。

2）電網(wǎng)傳輸功率約束：

3）電功率平衡約束：

4）儲(chǔ)能充放電功率和狀態(tài)約束

充電功率約束：

放電功率約束：

充放電狀態(tài)約束：

5）儲(chǔ)能容量約束

容量狀態(tài)等式約束：

容量狀態(tài)上下限約束：

式中：為儲(chǔ)能容量狀態(tài)；Emax為儲(chǔ)能額定最大容量。

6）燃?xì)廨啓C(jī)出力約束

7）燃?xì)廨啓C(jī)爬坡約束

爬坡約束：

下坡約束：

8）園區(qū)負(fù)載售電電價(jià)約束

9）需求響應(yīng)相關(guān)約束。為了促進(jìn)低碳減排，引入動(dòng)態(tài)碳排放系數(shù)，將用戶時(shí)刻用電時(shí)刻產(chǎn)生的碳排放費(fèi)用作為定價(jià)的依據(jù)，添加如下電價(jià)約束：

可轉(zhuǎn)移負(fù)荷限制：

3 數(shù)據(jù)驅(qū)動(dòng)的分布魯棒框架

為了應(yīng)對(duì)光伏出力的不確定性，本文構(gòu)建了基于數(shù)據(jù)驅(qū)動(dòng)的兩階段分布魯棒規(guī)劃模型。第一階段是投資和維護(hù)階段，該階段變量用x表示，包含光伏和儲(chǔ)能的規(guī)劃容量大小，第二階段是運(yùn)行階段，在已知一階段方案下，以運(yùn)行成本最小為目標(biāo)，第二階段變量用ys，包含各機(jī)組的各時(shí)段出力和儲(chǔ)能充放電狀態(tài)，進(jìn)行模擬運(yùn)行。采用如下矩陣形式表示二階段分布魯棒規(guī)劃模型：

式中：A為第一階段常量集合；Ns為場(chǎng)景s的集合；ps為場(chǎng)景s下的概率；D,E,F為第一階段約束條件集合、第二階段約束不等式集合與第二階段約束等式集合;G,H,J分別為兩階段變量、離散場(chǎng)景下光伏與儲(chǔ)能的出力的集合；K,M分別為第二階段與需求響應(yīng)常量集合；d，e，f，g，j為對(duì)應(yīng)階段的等式條件集合；Ωp為ps滿足的集合；ξs為場(chǎng)景聚類后的單位容量光伏出力值；Ax為光-儲(chǔ)發(fā)電系統(tǒng)的年投資成本和年維護(hù)成本F1；Bys+Cξs為第s場(chǎng)景下的年運(yùn)行成本F2；式（32）為第一階段的投資和運(yùn)行成本約束；式（33）、式（34）為第二階段的不等式約束和等式約束；式（35）為兩階段變量與離散場(chǎng)景下光伏、儲(chǔ)能的出力不等式約束；式（36）為第二階段變量與需求響應(yīng)的等式約束條件。

其中為了使ps滿足真實(shí)的概率分布，增加1-范數(shù)和∞-范數(shù)約束，離散場(chǎng)景下的ps滿足如下約束集合：

式中：為場(chǎng)景初始聚類后的初始概率；θ1，θ∞分別對(duì)應(yīng)1-范數(shù)和∞-范數(shù)約束下的場(chǎng)景概率的偏差允許值。

根據(jù)文獻(xiàn)[23]在分布魯棒規(guī)劃下，場(chǎng)景概率滿足置信度約束：

使式（38）和式（39）中的右邊分別等于α1和α∞，分別為1-范數(shù)和∞-范數(shù)概率的不確定性概率置性度，則有：

對(duì)式（38）和式（39）中的絕對(duì)值進(jìn)行轉(zhuǎn)換。

1-范數(shù)約束為：

式中:m為輔助變量。

∞-范數(shù)約束為：

4 算例分析

4.1 算例參數(shù)

算例模型通過Matlab 的Yalmip 工具包調(diào)用Cplex 商業(yè)求解器進(jìn)行求解，并采用CCG 算法進(jìn)行分階段求解。本文選取西南方某市含燃?xì)廨啓C(jī)機(jī)組的工業(yè)園區(qū)為對(duì)象，其機(jī)組相關(guān)參數(shù)見表1。園區(qū)購(gòu)買天然氣單位熱值價(jià)格為0.349 元/kWh。工業(yè)園區(qū)負(fù)荷曲線如圖1 所示，此外采用正態(tài)分布對(duì)光伏基礎(chǔ)出力場(chǎng)景進(jìn)行場(chǎng)景的誤差生產(chǎn)，以基礎(chǔ)值為均值，0.25 倍基礎(chǔ)值為方差，生產(chǎn)5 000 個(gè)誤差場(chǎng)景數(shù)據(jù)，通過場(chǎng)景聚類成如圖2 所示的5 個(gè)典型場(chǎng)景。園區(qū)購(gòu)電價(jià)格如表2 所示，光伏上網(wǎng)電價(jià)為0.35 元/kWh 光伏設(shè)備參數(shù)如表3 所示，儲(chǔ)能設(shè)備參數(shù)如表4 所示。動(dòng)態(tài)碳排放因子選取文獻(xiàn)[18]中的計(jì)算方式得到，結(jié)果如圖3 所示。價(jià)格彈性系數(shù)選取文獻(xiàn)[24]。

表1 燃?xì)廨啓C(jī)參數(shù)Table 1 Parameters of gas turbine

圖1 工業(yè)園區(qū)日負(fù)荷曲線Fig.1 Daily load curve of industrial park

表2 園區(qū)購(gòu)電電價(jià)Table 2 Power purchasing prices for park

圖2 單位容量光伏出力典型場(chǎng)景出力Fig.2 Typical scenario output of photovoltaic output per unit capacity

表3 光伏設(shè)備參數(shù)Table 3 Photovoltaic equipment parameters

表4 儲(chǔ)能相關(guān)參數(shù)Table 4 Parameters related to energy storage device

圖3 動(dòng)態(tài)碳排放因子Fig.3 Dynamic carbon emission factor

4.2 仿真結(jié)果與分析

為了驗(yàn)證所提模型的合理性，本文對(duì)以下4 個(gè)場(chǎng)景進(jìn)行對(duì)比分析。

場(chǎng)景1：園區(qū)規(guī)劃光-儲(chǔ)發(fā)電系統(tǒng)，選用隨機(jī)規(guī)劃考慮光伏不確定性，不考慮低碳需求響應(yīng)。

場(chǎng)景2：園區(qū)規(guī)劃光-儲(chǔ)發(fā)電系統(tǒng)，選用分布魯棒考慮光伏不確定性，不考慮低碳需求響應(yīng)。

場(chǎng)景3：園區(qū)內(nèi)安裝光-儲(chǔ)發(fā)電系統(tǒng)，選用隨機(jī)規(guī)劃考慮光伏不確定性，考慮低碳需求響應(yīng)。

場(chǎng)景4：園區(qū)內(nèi)安裝光-儲(chǔ)發(fā)電系統(tǒng)，選用分布魯棒考慮光伏不確定性，考慮低碳需求響應(yīng)。

4 個(gè)場(chǎng)景問題均采用Cplex 進(jìn)行求解，其中分布魯棒算法采用文獻(xiàn)[14]所述算法進(jìn)行求解，置信度相關(guān)約束中的∞-范數(shù)約束和1-范數(shù)約束均為0.99。設(shè)隨機(jī)規(guī)劃中每個(gè)場(chǎng)景的概率為0.2。

4 種場(chǎng)景下的仿真結(jié)果見表5，4 種場(chǎng)景下的園區(qū)購(gòu)售電量如圖4—圖7 所示。

表5 各場(chǎng)景仿真結(jié)果Table 5 Simulation results of each scenario

圖4 場(chǎng)景1和場(chǎng)景2園區(qū)購(gòu)售電量Fig.4 Power purchasing and selling of park in scenario 1 and scenario 2

從圖4 可以看出，場(chǎng)景（1，2）在未考慮低碳需求響應(yīng)時(shí)，分布魯棒算法較隨機(jī)規(guī)劃，各時(shí)段購(gòu)買的電量基本均少于隨機(jī)規(guī)劃，這是因?yàn)榉植剪敯羲惴ㄆ漪敯粜?，?guī)劃了更多的光伏裝機(jī)容量，來避免光伏出力的不確定的對(duì)園區(qū)運(yùn)行的影響。

從圖5 可以看出，場(chǎng)景（3，4）在考慮了低碳需求響應(yīng)時(shí)，在動(dòng)態(tài)碳排放因子高峰期時(shí)，分布魯棒算法對(duì)應(yīng)的購(gòu)電量較隨機(jī)規(guī)劃多，但其他時(shí)候的購(gòu)電量還是均小于隨機(jī)規(guī)劃，雖然高碳排放因子下購(gòu)電量大，但總體購(gòu)電量還是小于隨機(jī)規(guī)劃的結(jié)果?？紤]了高碳排放因子下的購(gòu)電量對(duì)園區(qū)運(yùn)行成本的影響。

圖5 場(chǎng)景3和場(chǎng)景4園區(qū)購(gòu)售電量Fig.5 Power purchasing and selling of park in scenarios 3 and 4

總的來說，對(duì)比場(chǎng)景（1，2）和場(chǎng)景（3，4）可以看出，分布魯棒算法較隨機(jī)規(guī)劃算法的年運(yùn)行成本更多，雖然經(jīng)濟(jì)性不佳，但儲(chǔ)能與光伏容量之比低于隨機(jī)規(guī)劃，能夠更多減少光伏不確定性對(duì)園區(qū)運(yùn)行的影響，減少了向電網(wǎng)購(gòu)電的成本，從而使得園區(qū)的年碳排放量更少，其魯棒性更好。

從圖6 和圖7 可知，考慮低碳需求響應(yīng)時(shí)，在碳排放因子高峰時(shí)，場(chǎng)景3 和場(chǎng)景4 的購(gòu)電量大于場(chǎng)景1 和場(chǎng)景2。但在非碳排放因子高峰時(shí)，場(chǎng)景3 和場(chǎng)景4 的購(gòu)電量是小于場(chǎng)景1 和場(chǎng)景2。雖然場(chǎng)景3 和4 的總購(gòu)電量有增加，但實(shí)際的碳排放總量卻低于場(chǎng)景1 和2。這是因?yàn)榧尤牖趧?dòng)態(tài)碳排放因子的需求響應(yīng)后，在產(chǎn)生碳排放多的時(shí)段減少了購(gòu)電量。

圖6 場(chǎng)景1和場(chǎng)景3園區(qū)購(gòu)售電量Fig.6 Power purchasing and selling of park in scenario 1 and scenario 3

圖7 場(chǎng)景1和場(chǎng)景3園區(qū)購(gòu)售電量Fig.7 Power purchasing and selling of park in scenario 2 and scenario 4

總的來說，對(duì)比場(chǎng)景（1，3）和場(chǎng)景（2，4）可以看出，使用基于動(dòng)態(tài)碳排放因子定價(jià)規(guī)則的需求響應(yīng)較使用傳統(tǒng)分時(shí)電價(jià)需求響應(yīng)，雖然園區(qū)的購(gòu)電成本上升，但是園區(qū)的年碳排放總量反而下降了。這是因?yàn)檎鐖D3 可知，動(dòng)態(tài)碳排放因子的峰值和用電峰值是不同的，所以年碳排放排放總量并沒隨著購(gòu)電成本的增加而增加，反而有所減少，具有良好的低碳效應(yīng)。

5 結(jié)論

本文提出了一種計(jì)及光伏不確定性和低碳需求響應(yīng)的工業(yè)園區(qū)光-儲(chǔ)魯棒規(guī)劃配置，采用分布式魯棒算法，通過數(shù)據(jù)驅(qū)動(dòng)的方式減少光伏不確定性對(duì)系統(tǒng)的影響，并引入基于碳排放流理論的計(jì)及動(dòng)態(tài)碳排放因子的低碳需求響應(yīng)模型，最后通過算例驗(yàn)證，得出以下結(jié)論：

1）分布式魯棒算法下的規(guī)劃結(jié)果，較隨機(jī)規(guī)劃算法的結(jié)果表現(xiàn)出能夠更多減少光伏不確定性對(duì)園區(qū)運(yùn)行的影響，減少了向電網(wǎng)購(gòu)電的成本，從而使得園區(qū)的年碳排放量更少，在保證一定的經(jīng)濟(jì)性下，具有更好的魯棒性。

2）在引入基于動(dòng)態(tài)碳排放因子的低碳需求響應(yīng)后，相比于電視角的方案相比，本文所提的需求響應(yīng)更偏向于從碳視角，在高碳排放因子時(shí)段減少購(gòu)電，能夠有效的降低園區(qū)的年總碳排放量。