季振亞 黃學(xué)良 張梓麒 孫厚濤 趙家慶 李 軍

(1東南大學(xué)電氣工程學(xué)院, 南京 210096)(2江蘇省智能電網(wǎng)技術(shù)與裝備重點實驗室, 南京 210096)(3國網(wǎng)蘇州供電公司, 蘇州 215004) (4南京工程學(xué)院電力工程學(xué)院, 南京 211167)

綜合能源系統(tǒng)(integrated energy system，IES)可以打破多能流子系統(tǒng)相對割裂的狀態(tài)，實現(xiàn)能源高效和梯級利用，具有調(diào)整能源結(jié)構(gòu)、促進節(jié)能減排等社會效益，符合我國能源互聯(lián)網(wǎng)發(fā)展需求[1-2].IES的能量管理充分考慮多能流耦合元件，如熱電聯(lián)產(chǎn)機組(combined heat and power，CHP)、電動熱泵(electrical heat pump，EHP)等設(shè)備，在滿足子系統(tǒng)供需平衡與運行約束的前提下，提高能源綜合利用效率、降低用能成本、促進可再生能源消納，通過提升經(jīng)濟與環(huán)境效益來直接提高IES的實用價值[3-4].其中，電動汽車的快速發(fā)展使電力系統(tǒng)與交通能源系統(tǒng)的耦合成為趨勢.然而，電動汽車充電的隨機性使得規(guī)模化電動汽車接入可能帶來電力系統(tǒng)新的負荷尖峰和過載[5].通過進一步加入有序充電策略，IES能量管理可以適應(yīng)快速增長的電動汽車充電需求，減少承擔(dān)高峰負荷的系統(tǒng)建設(shè).

模型預(yù)測控制(model predictive control，MPC)始于20世紀70年代的工業(yè)控制領(lǐng)域，在當(dāng)前時刻根據(jù)預(yù)測模型求解預(yù)測時域內(nèi)的控制指令序列，但僅執(zhí)行當(dāng)前時刻的控制指令，下一時刻重復(fù)這一過程[6].近年來，基于上述原理的能量管理受到普遍關(guān)注[7]，如用于用能支出的最小化[8].常見的MPC基于單一確定性模型，即DMPC(determined MPC).隨著可再生能源發(fā)電系統(tǒng)(renewable energy system，RES)出力、負荷等短期預(yù)測能力的增強[9-11]，變量隨機性逐步獲得精確的定量表述，基于隨機優(yōu)化的模型預(yù)測控制(stochastic MPC，SMPC)日益受到重視.SMPC適用于連續(xù)型概率分布和具有離散特征的隨機性模型[12]，但由于連續(xù)變量將導(dǎo)致SMPC計算時間與空間成本極大增加，因此一般采用含概率的離散場景表達隨機性[13-14].文獻[15]驗證了考慮隨機優(yōu)化的微網(wǎng)能量管理經(jīng)濟性，但隨機場景較少、電動汽車數(shù)量恒定、未考慮時域滾動；文獻[16]實現(xiàn)了風(fēng)儲系統(tǒng)基于時域滾動的隨機優(yōu)化，未涉及電動汽車,且預(yù)測場景數(shù)量有限；文獻[17]考慮風(fēng)機出力多場景下的電動汽車有序充電，但未考慮滾動時域和計算速度，且電動汽車數(shù)量不變.總體來說，目前絕大多數(shù)考慮隨機性與滾動求解的能量管理以RES為主，即使考慮了電動汽車接入，也往往忽略電動汽車在IES中流動的特征.

實際應(yīng)用中，在MPC預(yù)測時域內(nèi)，已接入IES的電動汽車會隨著車主駛離導(dǎo)致該車輛離線，新抵達的電動汽車也有可能接入空閑的充電樁，該特征與其他固定型設(shè)備特征產(chǎn)生了區(qū)別.而當(dāng)前普遍的電動汽車有序充電策略僅針對單一車輛本身，對IES中接入電動汽車的變化考慮不足.此外，目前IES能量管理多數(shù)僅考慮單一的快速求解策略，即在包含隨機性與加快求解速度中從簡擇一處理，但MPC方法包括時域滾動的特征，對實時求解能力要求較高，上述簡化將產(chǎn)生優(yōu)化效果受削弱或計算速度受制約的問題.

本文以IES包含的電動汽車充電樁為有序充電的控制單元，將充電負荷作為可延時負荷，應(yīng)用SMPC策略，建立IES總用能成本最低的2階段隨機規(guī)劃模型，通過求解期望獲得決策變量，其中，考慮了多種輸入變量的隨機性.為實現(xiàn)在線滾動求解，一方面采用場景生成與削減技術(shù)實現(xiàn)對輸入變量預(yù)測場景集的合理利用，另一方面結(jié)合Benders分解算法進一步提高計算速度.所提方法在一個區(qū)域IES中仿真驗證，結(jié)果表明該方法在保證求解速度的基礎(chǔ)上，具有良好的經(jīng)濟性.

1 區(qū)域多能流綜合能源系統(tǒng)建模

1.1 系統(tǒng)結(jié)構(gòu)模型

IES由分布于同區(qū)域的電力子系統(tǒng)、天然氣子系統(tǒng)、熱力子系統(tǒng)、交通子系統(tǒng)等組成，結(jié)構(gòu)如圖1所示.耦合元件實現(xiàn)子系統(tǒng)間的耦合與作用，消耗系統(tǒng)中一種或多種能源產(chǎn)生其他能源，包括CHP、EHP、燃氣鍋爐、RES等.非耦合元件一般針對單一能源的生產(chǎn)、使用和存儲，包括負荷、儲電單元、儲熱單元等.在能量管理系統(tǒng)的綜合優(yōu)化調(diào)度下，IES作為整體獲得協(xié)同效益.

圖1 多能流區(qū)域綜合能源系統(tǒng)結(jié)構(gòu)示意圖

1.2 多能流耦合約束

IES能量管理的先決條件是保持供需平衡.定義多輸入-多輸出轉(zhuǎn)換模型，輸入端含耦合元件矩陣Wc={W1,W2,…,Wx}T與非耦合元件矩陣Mnc={M1,M2,…,My}T，其中，x，y分別為耦合元件與非耦合元件數(shù)；輸出端為負荷矩陣Ld={L1,L2,…,Ln}T，n為負荷種類；耦合元件在各能流間作用關(guān)系通過耦合矩陣C建立，矩陣元素?Ln/?Wx≠0表示負荷n與耦合元件x之間存在轉(zhuǎn)換關(guān)系，否則無關(guān).約束關(guān)系為

Ld=CWc+Mnc

(1)

圖1中，輸出端包括用電功率Pe,t與熱功率Ph,t，電動汽車充電負荷功率Pev,t包含于Pe,t內(nèi)，即Pe,t=Preg,t+Pev,t，Preg,t為一般用電負荷功率，功率平衡表達式為

(2)

式中，ηce,t，ηch,t分別為t時刻CHP電轉(zhuǎn)換效率和熱轉(zhuǎn)換效率；Xc,t為二元變量，Xc,t=1表示t時刻CHP工作，Xc,t=0表示t時刻CHP關(guān)停；ηl，ηh分別為燃氣鍋爐氣-熱轉(zhuǎn)換效率和EHP電-熱轉(zhuǎn)換效率；γr,t為t時刻RES工作參數(shù)；Pr為RES額定功率；Pc,t，Pl,t，Ph,t分別為t時刻CHP、燃氣鍋爐、EHP的輸入功率；Pex,t，Pb,t，Pw,t分別為t時刻外電網(wǎng)輸入IES電功率(輸入為正)、儲電單元充放電功率(放電為正)和儲熱單元蓄放熱功率(供熱為正).

其他假定條件包括：在同一采樣間隔Δt內(nèi)，各模塊功率、工作狀態(tài)保持不變；設(shè)備模塊損耗折算在各模型表達式中，不考慮子網(wǎng)絡(luò)傳輸損耗.

1.3 設(shè)備運行約束

CHP常用燃氣輪機實現(xiàn)，當(dāng)載荷低于額定功率一定比例時，效率下降.要求燃氣輪機工作在如下功率區(qū)間：

Pcmin≤Pc,t≤Pcmax

(3)

式中，Pcmin為最小功率；Pcmax為最大功率.

作為常用供熱設(shè)備，燃氣鍋爐約束條件為

0≤Pl,t≤Plmax

(4)

式中，Plmax為燃氣鍋爐的最大輸出熱量.

EHP是電-熱耦合元件，約束條件為

Phmin≤Ph,t≤Phmax

(5)

式中，Phmin，Phmax分別為EHP最小和最大功率.

RES以風(fēng)機為例，約束條件為

(6)

式中，vt為風(fēng)機所在環(huán)境的當(dāng)前風(fēng)速；vin，vout，vr分別為所裝風(fēng)機的切入風(fēng)速、切出風(fēng)速與額定風(fēng)速.

儲電單元以電池儲能系統(tǒng)為例，約束條件為

(7)

Emin≤Eb,t≤Emax

(8)

Pbdmax≤Pb,t≤Pbcmax

(9)

式中,Eb,t為電池組的當(dāng)前蓄電量；Eb,t-1為電池組的上一時刻蓄電量；Emin為電池組的最小蓄電量；Emax為電池組的最大蓄電量；ηb為自放電損失效率；ηbc，ηbd分別為充、放電效率；Pbcmax,Pbdmax分別為最大充、放電功率.

儲熱單元以蓄熱水罐為例，約束條件為

(10)

Cmin≤Cs,t≤Cmax

(11)

Pwdmax≤Pw,t≤Pwcmax

(12)

式中,Cs,t為蓄熱水罐的當(dāng)前蓄熱量；Cs,t-1為前一時刻蓄熱量；Cmin為最小蓄熱量；Cmax為最大可蓄熱量；ηw為散熱效率；ηwc，ηwd分別為蓄熱和放熱效率；Pwcmax,Pwdmax分別為最大蓄、放熱功率.

1.4 電動汽車有序充電過程

IES中電動汽車數(shù)量是動態(tài)的，但充電樁數(shù)量在預(yù)測時域內(nèi)可認為不變，因此本文以充電樁作為控制對象，假設(shè)共接入Nz個充電樁，其功率Pz由電動汽車及充電樁共同決定，且充電時間恒定.認為車主均同意參與有序充電，在電動汽車接入第z(z∈[1,Nz])個充電樁時，車主需設(shè)置預(yù)期離開時刻tz,set和離開時刻目標(biāo)電量Ez,set，系統(tǒng)判斷并提示車主不能高于最大可充入電量.

基于MPC的能量管理需要掌握預(yù)測時域內(nèi)各時刻電動汽車負荷是否可控及其充電需求.將電動汽車有序充電行為判據(jù)分為2類過程：① 判斷電動汽車充電負荷是否可控.將可適當(dāng)延時而不影響車主駛離時實現(xiàn)目標(biāo)電量的電動汽車歸為可控負荷，如圖2(a)所示.② 預(yù)測時域內(nèi)電動汽車充電負荷序列的形成，使目標(biāo)函數(shù)具有未來時段的電動汽車充電負荷信息，以便于進行能量管理，過程如圖2(b)所示.

(a) 電動汽車充電負荷可控狀態(tài)判斷流程

(b) 適用于MPC的電動汽車充電負荷序列形成過程

圖2(a)以充電樁z為例說明t時刻充電負荷可控狀態(tài)的判斷流程，以判別所接電動汽車是否可以參與有序充電.首先，檢測充電樁z是否接有電動汽車，定義二元變量Xz,t，當(dāng)Xz,t=1時表明該充電樁有車輛接入，檢測當(dāng)前蓄電狀態(tài)Ez,t并讀取Ez,set和tz,set.比較Ez,t與Ez,set，若Ez,t

(13)

車主預(yù)期離開時刻與當(dāng)前時刻之間的時長Tz,set=tz,set-t，若Tz,cTz,set.若Xz,t=0，該充電樁無車輛接入，充電負荷不可控且為零.每個充電樁均執(zhí)行上述判斷流程，將可參與有序充電的充電負荷序列和數(shù)量分別記為Pz,ctr,k，Nz1；不可延時的充電負荷序列和數(shù)量記為Pz,k，Nz2.

圖2(b)是目標(biāo)函數(shù)中電動汽車總充電負荷序列形成過程.當(dāng)充電樁z所接電動汽車離開時刻早于預(yù)測時域時，[t,t+NΔt]內(nèi)存在未知充電負荷信息，Tz,set按Δt向上取整，得Nz,set=[Tz,set/Δt]，利用電動汽車充電負荷預(yù)測模型，并與IES中電動汽車的歷史數(shù)據(jù)擬合，對[t+(Nz,set+1)Δt,t+NΔt]時段內(nèi)未知充電需求進行Monte Carlo抽樣；當(dāng)前時刻無電動汽車接入時，[t+Δt,t+NΔt]時段內(nèi)的未知充電需求用相同方法補足.

預(yù)測時域內(nèi)每個時間節(jié)點的累積充電負荷序列Pev,k由可延時充電功率Pz,ctr,k和不可延時充電功率Pz,k(k∈[t,t+NΔt])組成，即

(14)

Pz,ctr,k∈{0,Pz,k}

(15)

(16)

目標(biāo)函數(shù)接到充電負荷序列指今后，對可參與有序充電的充電樁，下發(fā)當(dāng)前充電或延時充電指令；對不參與有序充電的充電樁，按不可控負荷處理.

2 基于隨機優(yōu)化的能量管理策略

2.1 基于隨機模型預(yù)測控制的能量管理模型

在多目標(biāo)隨機優(yōu)化問題的求解中，兩階段隨機規(guī)劃是常見的方法，該方法適用于求解隨機模型在期望下的最優(yōu)解[18].本文針對IES結(jié)構(gòu)，目標(biāo)函數(shù)兩階段分別定義為：第1階段表示CHP啟停及出力成本，第2階段表示除CHP外其他成本的可控變量.第1階段發(fā)生在包含隨機性的輸入變量確定之前，CHP啟停狀態(tài)與上一時刻工作狀態(tài)有關(guān)，且一旦發(fā)生變化，IES的供能組成會發(fā)生明顯調(diào)整；而第2階段可控變量的調(diào)節(jié)相對靈活，可以作為優(yōu)化目標(biāo)函數(shù)結(jié)果的補償變量，彌補第1階段帶來的可行解或最優(yōu)解問題.目標(biāo)函數(shù)根據(jù)第2階段隨機變量所決定的期望解尋找第1階段的最優(yōu)解，使第1階段成本和第2階段的成本期望值之和最小.在考慮出力全額消納的情況下，使預(yù)測時域[t,t+NΔt]內(nèi)總用能成本最小，目標(biāo)函數(shù)表達式為

(17)

式中，F(xiàn)(Xc,k,Xc,k-1)為CHP在k時刻改變前一時刻啟停狀態(tài)的罰函數(shù)，表達式如下：

F(Xc,k,Xc,k-1)=λsu,k(Xc,k-Xc,k-1)+λsd,k(Xc,k-1-Xc,k)

(18)

式(17)受式(1)～(16)的約束.其他假設(shè)條件包括：RES無一次能源成本，可切除負荷按實際切除負荷量補貼，可延時負荷無補貼.

考慮隨機性與加速求解的總能量管理流程如圖3所示.集中控制結(jié)構(gòu)下，將IES中多個隨機變量的場景集與采集的其他狀態(tài)變量作為輸入變量，求解后向各控制單元下發(fā)當(dāng)前時刻的控制參數(shù)指令.包含隨機性的未來狀態(tài)預(yù)測參與當(dāng)前決策，使總時段內(nèi)的經(jīng)濟性獲得提升；滾動優(yōu)化的執(zhí)行方式，使未來狀態(tài)的不確定性不影響下一時刻系統(tǒng)的能量管理，不會導(dǎo)致供能不平衡等問題.

圖3 考慮隨機性與加速求解的能量管理流程

2.2 隨機變量的場景樹技術(shù)

場景樹技術(shù)即為適用于不確定性的樣本集合[19].隨著IES能量管理中以隨機模型表示變量的增加，多個場景樹的合并導(dǎo)致總場景數(shù)迅速增加，求解效率受到制約.

場景削減方法通過盡可能少的場景數(shù)量來提高場景描述效率，同時保證場景抽樣足以充分表達隨機特征.針對已充分生成的場景集，利用基于最大削減的同步回代場景削減技術(shù)[20]，減少每個場景集的場景數(shù)，在保證覆蓋率的同時獲得一組與初始場景分布概率相近的最優(yōu)場景集，最大保留輸入變量隨機性特征.具體步驟包括：

1) 生成基于預(yù)測模型的場景.以風(fēng)速vt為例，一種常見的自回歸滑動平均模型表達式為[21]

(19)

式中，p，q分別為自回歸及滑動平均部分的階數(shù)；{vt,vt-1,…,vt-p}為vt的時間序列；φp，φq為自回歸系數(shù)；{εt,εt-1,…,εt-q}為誤差序列.上述自回歸系數(shù)、誤差序列通過擬合實際歷史數(shù)據(jù)獲得.利用Monte Carlo抽樣獲得初始風(fēng)速場景集Sr.

2) 削減提高描述效率的場景.在生成的初始風(fēng)速場景集合Sr中，k(k∈[t,t+NΔt])時刻場景ωi,k與場景ωj,k之間的距離為

(20)

最大削減策略要求縮減前后場景集之間的概率距離最小，刪除的場景集Ω需符合削減精度σ約束,即

(21)

實現(xiàn)式(13)的同步回代場景削減過程步驟如下：

① 初始化參數(shù)，迭代次數(shù)為m，第m次迭代計算時被刪除的場景集記為Ωm，其中，Ω0為空集.

③ 判斷步驟②中獲得的最小值是否大于削減精度σ，若大于，則返回步驟②，m=m+1；若小于等于σ，則迭代停止，進入下一步驟.

④ 被刪除的場景由保留場景集中距離最近的場景代替，保留場景的概率相應(yīng)修正為能刪除場景概率與保留場景的原概率之和.

相似地，光伏出力、電負荷、熱負荷的場景Sv，Se，Sh生成、削減原理與網(wǎng)速Sr相同.

2.3 基于Benders分解的快速求解

多隨機變量場景的合并使得場景總數(shù)急劇增加，為進一步加快求解速度、提高能量管理在線求解能力，引入Benders分解.作為求解大規(guī)模問題的并行計算方法，Benders分解將原問題拆分為一個主問題及若干子問題，交互迭代，判斷所得優(yōu)化解是否為可行解，若優(yōu)化解不是可行解，則向主問題返回一個“Benders割”，重新優(yōu)化，迭代至找到符合收斂條件的最優(yōu)解[22].具體如下：

① 初始化.記迭代次數(shù)b=1，Benders割θ初始賦值0，收斂條件上界U=+∞，下界L=-∞，主問題M、第s個場景下子問題Ss表達式為

(22)

(23)

(24)

(25)

(26)

④ 判斷收斂條件為U-L≤ξ，ξ為預(yù)設(shè)的小常數(shù)；若收斂條件成立，則得到最優(yōu)解；否則，迭代b+1次后返回步驟②.

3 算例

3.1 算例參數(shù)

以一個RES滲透率較大的區(qū)域IES為例驗證能量管理模型.因RES出力與天氣密切相關(guān)，取典型晴、陰天氣連續(xù)工作日，光伏、風(fēng)機輸出隨機性預(yù)測及實際出力如圖4(a)所示，電、熱負荷隨機性預(yù)測及實際曲線如圖4(b)所示.引入場景削減與Benders分解以加快求解，故與文獻[16]不同，預(yù)測場景區(qū)間內(nèi)設(shè)置大量初始場景.設(shè)可切除負荷不超過10%，電價考慮峰谷平電價，天然氣價格在仿真時域內(nèi)認為恒定.

區(qū)域IES內(nèi)元件參數(shù)如下：微型燃氣輪機Pcmin=1.5 MW，Pcmax=3 MW，ηc=0.8，ηce,t=0.3～0.4；燃氣鍋爐最大功率為Plmax=2.5 MW，ηl=0.85；EHP最大功率為Phmax=1 MW，ηh=0.9；電池儲能系統(tǒng)Emin=0.3 MW·h，Emax=1.5 MW·h，Pbcmax=Pbdmax=0.3 MW，ηb=0.99，ηbc=ηbd=0.95；蓄熱水罐Cmin=0.4 MW·h，Cmax=2 MW·h，Pwcmax=Pwdmax=0.8 MW，ηw=0.95，ηwc=ηwd=0.9.IES中充電樁共計300臺，額定功率都為7 kW.電動汽車出行規(guī)律包括抵達時間、離開時間、行駛里程，抵達時間近似服從正態(tài)分布N(9,0.52)和N(18,1.52)，離開時間近似服從正態(tài)分布N(19,1.52)和N(7,0.52)，行駛里程近似服從對數(shù)正態(tài)分布.假設(shè)用戶設(shè)置的Ez,set都為100%.

(a) RES預(yù)測場景及實際出力

(b) 電負荷、熱負荷預(yù)測及實際需求曲線

3.2 仿真與分析

為綜合比較本文提出方法的優(yōu)化結(jié)果與在線運行時間,定義并仿真下述3種方法：① 不考慮滾動與隨機優(yōu)化的RBC(rule-based control)方法，即不考慮預(yù)測時域、所有指令僅圍繞當(dāng)前時刻能量平衡及設(shè)備約束條件，相當(dāng)于式(17)中取N=0，Ns=1，ps,k=1.② 考慮滾動優(yōu)化、但僅考慮確定等值預(yù)測的DMPC方法，相當(dāng)于式(17)中N分別取3,5，Ns=1，ps,k=1.③ 未采用綜合利用場景削減與Benders分解的O-SMPC(original SMPC)方法.④ 本文方法SMPC.在Intel i3 CPU，4GB RAM環(huán)境下仿真.

令Δt=1 h，預(yù)測步長分別為3，5和7，比較上述4種方法在48 h內(nèi)的運行成本和計算速度，見表1.從經(jīng)濟性方面比較，RBC方法的支出最高，3種MPC方法可以明顯降低IES總運行成本.考慮了隨機性的SMPC和O-SMPC的2種方法比未考慮隨機性的DMPC，運行成本進一步降低，經(jīng)濟性提高；而SMPC與O-SMPC運行成本非常接近.從計算速度方面比較，從表1中選取的仿真時段內(nèi)出現(xiàn)的單次最大計算時間可以看出，包含大量隨機場景的O-SMPC方法其變量數(shù)量遠大于RBC和DMPC，運行速度明顯放緩.而在采用本文提出的含場景削減與Benders分解的SMPC方法后，周期內(nèi)最大單次計算時間較為理想.

表1 能量管理方法經(jīng)濟性與計算速度

上述分析表明，本文方法在利用隨機優(yōu)化實現(xiàn)經(jīng)濟性的同時，又通過加快求解策略使計算成本未發(fā)生顯著增加.這是由于一方面在輸入層面通過場景削減減少場景總數(shù)；另一方面，在求解層面引入的Bender分解可以充分利用并行計算，使求解效率得到提升.總的來說，在同樣的信通設(shè)備、計算配置等基礎(chǔ)設(shè)施下，本文方法經(jīng)濟性更好，當(dāng)預(yù)測步長適中時，每次計算耗時可控制在合理的數(shù)量級，不影響能量管理在線運行.

以下基于預(yù)測步長N=5進行分析.電動汽車有序充電的執(zhí)行情況如圖5所示，可以看出，能量管理策略在滿足總充電需求的前提下，部分充電行為被引導(dǎo)為延期執(zhí)行.因基于經(jīng)濟性的有序充電將引導(dǎo)充電負荷避開高峰電價時段，因此又起到削減用電高峰負荷的作用.隨著電動汽車數(shù)量的逐漸增加，有序充電的意義將更突出.

圖5 有序充電前后的電動汽車充電總負荷曲線

每個Δt內(nèi)IES運行支出及電、熱子網(wǎng)絡(luò)供需平衡如圖6(a)～(c)所示，記支出為正.因算例RES安裝容量較高，即隨機變量占比較大，在光伏出力較多的晴天日中時段(如首日9:00—16:00)，IES售電獲得盈利，目標(biāo)函數(shù)根據(jù)RES出力與負荷預(yù)測時域內(nèi)的趨勢，選擇午間售出電量；隨著預(yù)測時域內(nèi)負荷增加，RES出力降低，結(jié)合電價變化，轉(zhuǎn)以蓄能為主，以提前應(yīng)對晚間用電高峰.次日陰天時，光伏出力急劇下降，RES出力轉(zhuǎn)以滿足自用為主，售電時長與收益均明顯降低(如次日10:00—11:00).此外，IES中微型燃氣輪機、EHP等耦合元件使子網(wǎng)絡(luò)間的能量分配相互影響，較單一能流系統(tǒng)更復(fù)雜，如當(dāng)早晚負荷即將出現(xiàn)高峰、電價即將進入峰時段前，或RES出力因氣象因素降低時，要綜合考慮啟停成本，微型燃氣輪機應(yīng)適時啟動，并結(jié)合負荷變化，適當(dāng)調(diào)整電熱轉(zhuǎn)換的比例，使得子網(wǎng)絡(luò)能量供應(yīng)更靈活、設(shè)備利用率更高.

(a) 區(qū)域綜合能源系統(tǒng)各時段支出與累積支出

(b) 電力子網(wǎng)絡(luò)供需平衡

(c) 熱力子網(wǎng)絡(luò)供需平衡

4 結(jié)論

1) 提出了一種基于隨機優(yōu)化的綜合能源系統(tǒng)能量管理策略，不僅考慮了電、熱、氣等常見的子系統(tǒng)，還包含了以電動汽車為代表的綠色交通子系統(tǒng)給綜合能源系統(tǒng)帶來的新用電負荷.

2) 由于考慮了可再生能源出力等預(yù)測模型的隨機性，為滿足能量管理策略在線求解的速度需要，本文綜合采用了場景削減技術(shù)和Benders分解2種方法，使得引入隨機優(yōu)化在提高能量管理經(jīng)濟性的同時，對計算速度的影響降至最低.

3) 針對電動汽車有序充電策略，設(shè)計了以充電樁為控制對象的控制策略，又通過采樣并生成預(yù)測充電序列的方法，解決了由于汽車流動性導(dǎo)致的模型預(yù)測控制應(yīng)用時時長不一致的問題.

)

[1] Pan Z, Guo Q, Sun H. Interactions of district electricity and heating systems considering time-scale characteristics based on quasi-steady multi-energy flow[J].AppliedEnergy, 2016,167: 230-243. DOI:10.1016/j.apenergy.2015.10.095.

[2] 王偉亮, 王丹, 賈宏杰, 等. 能源互聯(lián)網(wǎng)背景下的典型區(qū)域綜合能源系統(tǒng)穩(wěn)態(tài)分析研究綜述[J]. 中國電機工程學(xué)報, 2016, 36(12): 3292-3306. DOI：10.13334/j.0258-8013.pcsee.152858.

Wang Weiliang, Wang Dan, Jia Hongjie, et al. Review of steady-state analysis of typical regional integrated energy system under the background of energy internet[J].ProceedingsoftheCSEE, 2016,36(12): 3292-3306. DOI：10.13334/j.0258-8013.pcsee.152858.(in Chinese)

[3] Mancarella P. MES (multi-energy systems): An overview of concepts and evaluation models[J].Energy, 2014,65: 1-17. DOI:10.1016/j.energy.2013.10.041.

[4] 孫宏斌, 潘昭光,郭慶來. 多能流能量管理研究:挑戰(zhàn)與展望[J]. 電力系統(tǒng)自動化, 2016, 40(15): 1-8 ,16. DOI:10.7500/AEPS20160522006.

Sun Hongbin, Pan Zhaoguang, Guo Qinglai. Energy management for multi-energy flow: Challenges and prospect[J].AutomationofElectricPowerSystems, 2016,40(15): 1-8 ,16. DOI:10.7500/AEPS2016 0522006. (in Chinese)

[5] Liu M, McNamara P, Shorten R, et al. Residential electrical vehicle charging strategies: The good, the bad and the ugly[J].JournalofModernPowerSystemsandCleanEnergy, 2015,3(2): 190-202. DOI:10.1007/s40565-015-0122-2.

[6] Mayne D Q. Model predictive control: Recent developments and future promise[J].Automatica, 2014,50(12): 2967-2986. DOI:10.1016/j.automatica.2014.10.128.

[7] 席裕庚, 李德偉, 林姝. 模型預(yù)測控制——現(xiàn)狀與挑戰(zhàn)[J]. 自動化學(xué)報, 2013, 39(3): 222-236.

Xi Yugeng, Li Dewei, Lin Shu. Model predictive control: Status and challenges [J].ActaAutomaticaSinica, 2013,39(3): 222-236. (in Chinese)

[8] Khan A A, Naeem M, Iqbal M, et al. A compendium of optimization objectives, constraints, tools and algorithms for energy management in microgrids[J].RenewableandSustainableEnergyReviews, 2016,58: 1664-1683. DOI:10.1016/j.rser.2015.12.259.

[9] 薛禹勝, 郁琛, 趙俊華, 等. 關(guān)于短期及超短期風(fēng)電功率預(yù)測的評述[J]. 電力系統(tǒng)自動化, 2015, 39(6): 141-151. DOI:10.7500/AEPS20141218003.

Xue Yusheng, Yu Chen, Zhao Junhua, et al. A review on short-term and ultra-short-term wind power prediction[J].AutomationofElectricPowerSystems, 2015,39(6): 141-151. DOI:10.7500/AEPS2014 1218003. (in Chinese)

[10] 馬瑞, 李文曄, 李晅, 等. 分布式冷熱電聯(lián)供系統(tǒng)負荷隨機模糊建模[J]. 電力系統(tǒng)自動化, 2016, 40(15): 53-58. DOI:10.7500/AEPS20151021001.

Ma Rui, Li Wenye, Li Xuan, et al. Random fuzzy model for load of distributed combined cooling, heating and power system[J].AutomationofElectricPowerSystems, 2016,40(15): 53-58. DOI:10.7500/AEPS20151021001. (in Chinese)

[11] 張洪財, 胡澤春, 宋永華,等. 考慮時空分布的電動汽車充電負荷預(yù)測方法[J]. 電力系統(tǒng)自動化, 2014, 38(1): 13-20. DOI:10.7500/AEPS2013

0613009.

Zhang Hongcai, Hu Zechun, Song Yonghua, et al. A prediction method for electric vehicle charging load considering spatial and temporal distribution[J].AutomationofElectricPowerSystems, 2014,38(1): 13-20. DOI:10.7500/AEPS20130613009. (in Chinese)

[12] Mesbah A. Stochastic model predictive control: An overview and perspectives for future research[J].IEEEControlSystemsMagazine, 2016,36(6): 30-44. DOI:10.1109/mcs.2016.2602087.

[13] Patrinos P, Trimboli S, Bemporad A. Stochastic MPC for real-time market-based optimal power dispatch[C]//IEEEConferenceonDecision&Control&EuropeanControlConference. Orlando, USA, 2011: 7111-7116.

[14] 張彥, 張濤, 劉亞杰, 等. 基于隨機模型預(yù)測控制的能源局域網(wǎng)優(yōu)化調(diào)度研究[J]. 中國電機工程學(xué)報, 2016, 36(13): 3451-3462,3364. DOI：10.13334/j.0258-8013.pcsee.152491.

Zhang Yan, Zhang Tao, Liu Yajie, et al. Stochastic model predictive control for energy management optimization of an energy local network[J].ProceedingsoftheCSEE, 2016,36(13): 3451-3462,3364. DOI：10.13334/j.0258-8013.pcsee.152491. (in Chinese)

[15] Su W, Wang J, Roh J. Stochastic energy scheduling in microgrids with intermittent renewable energy resources[J].IEEETransactionsonSmartGrid, 2014,5(4): 1876-1883. DOI:10.1109/tsg.2013.2280645.

[16] Wang Y, Zhou Z, Botterud A, et al. Stochastic coordinated operation of wind and battery energy storage system considering battery degradation[J].JournalofModernPowerSystemsandCleanEnergy, 2016,4(4): 581-592. DOI:10.1007/s40565-016-0238-z.

[17] Kou P, Liang D, Gao L, et al. Stochastic coordination of plug-in electric vehicles and wind turbines in microgrid: A model predictive control approach[J].IEEETransactionsonSmartGrid, 2016,7(3): 1537-1551. DOI:10.1109/tsg.2015.2475316.

[18] Parisio A, Rikos E, Glielmo L. Stochastic model predictive control for economic/environmental operation management of microgrids: An experimental case study[J].JournalofProcessControl, 2016,43: 24-37. DOI:10.1016/j.jprocont.2016.04.008.

[19] Zheng Q P, Wang J, Liu A L. Stochastic optimization for unit commitment: A review[J].IEEETransactionsonPowerSystems, 2015,30(4): 1913-1924. DOI:10.1109/tpwrs.2014.2355204.

[20] Growe-Kuska N, Heitsch H, Romisch W. Scenario reduction and scenario tree construction for power management problems[C]//IEEEPowerTechConferenceProceedings. Bologna, Italy,2003: 3-7.

[21] Morales J M, Mínguez R, Conejo A J. A methodology to generate statistically dependent wind speed scenarios[J].AppliedEnergy, 2010,87(3): 843-855. DOI:10.1016/j.apenergy.2009.09.022.

[22] Benders J F. Partitioning procedures for solving mixed-variables programming problems[J].NumerischeMathematik, 1962,4(1): 238-252. DOI:10.1007/bf01386316.