張 治，董潤楠，魏振華，高鑫濤

（1.國核電力規(guī)劃設(shè)計研究院有限公司，北京 100095； 2.華北電力大學(xué)控制與計算機(jī)工程學(xué)院，北京 102206）

隨著人類對環(huán)境日益關(guān)注，可再生能源得到重視并逐步發(fā)展，能源耦合的關(guān)鍵技術(shù)得到進(jìn)一步發(fā)展，電力、天然氣及冷熱能源系統(tǒng)由原先的單獨規(guī)劃、單獨設(shè)計、獨立運(yùn)行逐漸轉(zhuǎn)為相互協(xié)調(diào)、互聯(lián)互通的供應(yīng)模式，提高了能源利用率及能源供應(yīng)系統(tǒng)的穩(wěn)定性和安全性[1]。我國以火電為主的傳統(tǒng)能源進(jìn)行能源轉(zhuǎn)型更是需要加大可再生能源與傳統(tǒng)能源的耦合力度，大力發(fā)展綜合能源技術(shù)[2]。在綜合能源系統(tǒng)（integrated energy system，IES）的優(yōu)化調(diào)度中，針對風(fēng)電不確定性制定有效的綜合能源系統(tǒng)運(yùn)行方案，實現(xiàn)風(fēng)電最大程度消納，降低系統(tǒng)運(yùn)行成本是非常必要的。

目前，國內(nèi)外學(xué)者針對綜合能源系統(tǒng)優(yōu)化調(diào)度中由于風(fēng)電并入造成的不確定性開展了一系列深入研究，主要側(cè)重構(gòu)建基于風(fēng)電不確定性分析的系統(tǒng)運(yùn)行調(diào)度模型[3]。文獻(xiàn)[4]采用非參數(shù)核密度估計與概率場景抽樣相結(jié)合的方法對綜合能源系統(tǒng)中源荷不確定性進(jìn)行處理，建立了源荷儲協(xié)調(diào)的冷熱電綜合能源系統(tǒng)隨機(jī)優(yōu)化運(yùn)行模型；文獻(xiàn)[5]應(yīng)用魯棒線性優(yōu)化方法處理風(fēng)電需求的不確定性，構(gòu)建熱-電-氣綜合能源系統(tǒng)兩階段日前經(jīng)濟(jì)調(diào)度模型；文獻(xiàn)[6]將電轉(zhuǎn)氣（power to gas，P2G）裝置與傳統(tǒng)冷熱電聯(lián)產(chǎn)（combined cool, heat and power，CCHP）微電網(wǎng)相結(jié)合，提出一種考慮風(fēng)電不確定性和多需求響應(yīng)計劃的數(shù)據(jù)驅(qū)動魯棒優(yōu)化模型。綜合來看，上述文獻(xiàn)中優(yōu)化模型主要包括隨機(jī)優(yōu)化和魯棒優(yōu)化，但這2種方法都有不足，隨機(jī)優(yōu)化會生成大量場景，導(dǎo)致計算量大，計算時間長，無法將最壞的情況考慮進(jìn)去，使得優(yōu)化可靠性不強(qiáng)；而魯棒優(yōu)化忽略不確定變量的概率分布，用不確定性集合表示不確定因素的變化范圍，計算得出最惡劣場景下的優(yōu)化結(jié)果，結(jié)果往往過于保守。

應(yīng)對風(fēng)電出力不確定性的另一種思路是優(yōu)化備用容量，風(fēng)電接入對系統(tǒng)運(yùn)行備用的影響已有研究。文獻(xiàn)[7]根據(jù)風(fēng)電功率預(yù)測的不確定性對電力系統(tǒng)備用容量的影響，建立了基于風(fēng)電不確定性的備用容量獲取模型；文獻(xiàn)[8]建立了考慮風(fēng)電不確定性的風(fēng)-火-水-氣-核-抽水蓄能多類型電源機(jī)組協(xié)同調(diào)度的旋轉(zhuǎn)備用優(yōu)化模型；文獻(xiàn)[9]提出一種基于風(fēng)險量化的綜合能源系統(tǒng)儲能事故備用容量優(yōu)化利用方法，以提高系統(tǒng)并網(wǎng)運(yùn)行經(jīng)濟(jì)性，但未充分利用綜合能源系統(tǒng)的需求側(cè)資源。

在綜合能源系統(tǒng)中考慮旋轉(zhuǎn)備用容量配置的文獻(xiàn)較少。本文將隨機(jī)優(yōu)化和魯棒優(yōu)化相結(jié)合，同時引入廣義儲能優(yōu)化旋轉(zhuǎn)備用容量，提出一種基于風(fēng)電不確定性分析和旋轉(zhuǎn)備用容量優(yōu)化的魯棒機(jī)會約束優(yōu)化方法。首先利用拉丁超立方對風(fēng)電機(jī)組數(shù)據(jù)進(jìn)行采樣，并通過模糊c均值聚類算法進(jìn)一步縮減場景，得到風(fēng)電出力的不確定集合；然后通過廣義儲能配置旋轉(zhuǎn)備用容量，構(gòu)建基于魯棒機(jī)會約束優(yōu)化的綜合能源優(yōu)化調(diào)度模型，兼顧系統(tǒng)魯棒性和經(jīng)濟(jì)性；最后通過仿真實例驗證模型的有效性。

1 綜合能源系統(tǒng)

1.1 綜合能源系統(tǒng)概述

綜合能源系統(tǒng)指將一個區(qū)域內(nèi)的電能、熱能、氣能、風(fēng)能、光能等多種可再生或不可再生能源有效整合，利用先進(jìn)的技術(shù)實現(xiàn)各種異質(zhì)能源子系統(tǒng)之間協(xié)調(diào)規(guī)劃、優(yōu)化運(yùn)行、互補(bǔ)互濟(jì)[10]。綜合能源系統(tǒng)（圖1）主要包含電力網(wǎng)絡(luò)、熱力網(wǎng)絡(luò)和天然氣網(wǎng)絡(luò)，為了滿足多種能源的運(yùn)行調(diào)度，首先通過熱電聯(lián)供（combined heat and power，CHP）機(jī)組產(chǎn)生電能及熱能，通過燃?xì)忮仩t（gas boiler，GB）、熱泵（heat pump，HP）實現(xiàn)電熱之間轉(zhuǎn)換，通過P2G技術(shù)，完成電能與氣能之間轉(zhuǎn)換，并通過多元儲能設(shè)備將產(chǎn)生的多余能源進(jìn)行儲存，當(dāng)需求大于產(chǎn)能時，及時釋放以保證系統(tǒng)正常運(yùn)行。

1.2 關(guān)鍵設(shè)備建模

1.2.1 電網(wǎng)設(shè)備模型

綜合能源系統(tǒng)中提供電能的主要有發(fā)電機(jī)組、風(fēng)電機(jī)組等清潔能源以及CHP機(jī)組產(chǎn)生的電能。CHP機(jī)組是綜合能源系統(tǒng)核心設(shè)備，本文主要介紹CHP機(jī)組。CHP機(jī)組通過燃燒天然氣帶動發(fā)電設(shè)備發(fā)電，產(chǎn)生滿足需求的電力，產(chǎn)生的余熱通過余熱回收設(shè)備采集并重新產(chǎn)熱[11]。其表達(dá)式為：

式中：Pchp為CHP機(jī)組的電功率，kW；ηchp,e為發(fā)電效率，本文取0.3；ηlhv為天然氣的低位熱值，取9.7 (kW·h)/m3；Qchp為天然氣輸入量，m3/h。

1.2.2 熱網(wǎng)模型

綜合能源系統(tǒng)的熱源有CHP機(jī)組、燃?xì)忮仩t和熱泵。燃?xì)忮仩t以天然氣為燃料，產(chǎn)生高質(zhì)量的熱能。CHP機(jī)組主要靠余熱回收鍋爐將產(chǎn)電后熱量收集。熱泵將電能轉(zhuǎn)化為高品質(zhì)的熱能?？傊瑹峋W(wǎng)模型可表示為：

式中：Hchp為CHP機(jī)組輸出熱功率，kW；ηchp,H為定熱電比，本文取1.5；QGB為燃?xì)忮仩t消耗天然氣量，m3/h；ηGB為燃?xì)忮仩t的效率，本文取0.9；PHP為熱泵消耗的電功率，kW；ηHp為熱泵的效率，本文取0.8。

1.2.3 氣網(wǎng)模型

綜合能源系統(tǒng)主要涉及氣網(wǎng)設(shè)備為P2G設(shè)備，其工作原理為通過剩余電力結(jié)合化學(xué)反應(yīng)，產(chǎn)生相應(yīng)燃?xì)?，可表示為?/p>

式中：GP2G為P2G設(shè)備產(chǎn)生的氣功率，kW；PP2G為P2G消耗的電功率，kW；ηP2G為P2G設(shè)備的效率，本文取1.6。

2 風(fēng)電不確定性分析及廣義儲能定義

2.1 風(fēng)電不確定性分析

基于拉丁超立方構(gòu)建不確定集的基本思想，首先選用威布爾三參數(shù)分布確定風(fēng)速，根據(jù)確定的參數(shù)進(jìn)行拉丁超立方采樣，獲得大量風(fēng)速場景，進(jìn)一步得到風(fēng)電出力，再選用模糊c均值聚類算法將獲得的大量風(fēng)電出力值縮減，得到風(fēng)電出力區(qū)間。

2.1.1 基于拉丁超立方采樣確定風(fēng)電初始場景集

選取好的采樣方法可以使樣本更貼近實際，蒙特卡羅采樣的特點是隨著樣本數(shù)量不斷增大，理論上樣本可以達(dá)到真實分布，但需要巨大的計算量。拉丁超立方采樣在蒙特卡羅采樣的基礎(chǔ)上，進(jìn)行分層抽樣，使得樣本更具代表性，減少了計算量[12]，因此本文選取此采樣方法。

拉丁超立方采樣首先對采樣對象累計分布函數(shù)的取值空間進(jìn)行分層，均勻分為N個部分，每個部分代表一層，然后在每一層中隨機(jī)抽樣，這樣就把整個取值空間均勻分成若干個部分，減少了采樣過程中出現(xiàn)聚集的情況，最終達(dá)到采樣的全覆蓋性，使得采樣更具完整性。圖2為拉丁超立方采樣原理，其中Y為采樣對象的累積分布函數(shù)，Xk為采樣點，N為確定的采樣區(qū)間數(shù)。

在對風(fēng)電出力的采樣中，整個采樣空間可以分為N×T個子空間，X為每個子空間該時刻風(fēng)電出力。首先從第1個子空間抽取N個值，然后從第2個子空間抽取N個值，以此類推最終得到N×T個數(shù)據(jù)；然后將每列的數(shù)據(jù)打亂，重新排序，保證得到的樣本數(shù)量保持不變，得到新的抽樣矩陣，進(jìn)一步減少樣本產(chǎn)生聚集性的可能，同時使抽樣的隨機(jī)性加強(qiáng)。

本文用三參數(shù)威布爾分布描述風(fēng)速的統(tǒng)計特性，并用矩估計法計算威布爾3個參數(shù)，得到每個時刻的參數(shù)α、β與μ后，利用威布爾累積分布函數(shù)的反函數(shù)進(jìn)行計算，將得到的風(fēng)速用矩陣表示，矩陣中每個行向量即代表1個場景集。按每15 min劃分，可得到N個場景集，每個場景集有96個數(shù)據(jù)。

2.1.2 模糊c均值聚類算法

經(jīng)拉丁超立方采樣獲得的樣本需要進(jìn)一步縮減，以獲得合理的風(fēng)電出力區(qū)間。風(fēng)電出力具有能量密度低的特點，在空間的分布不均勻，故本文采用模糊c均值聚類算法完成場景縮減。

模糊c均值聚類算法可以根據(jù)隸屬度的不同對樣本進(jìn)行有效分類[13]。

本文利用模糊c均值聚類算法對拉丁超立方采樣產(chǎn)生大量樣本進(jìn)行處理，具體步驟[14]為：

1）首先給出待縮減風(fēng)電出力樣本矩陣，矩陣的每一列代表同一時刻的風(fēng)電出力，每一行代表全天的風(fēng)電出力。模糊c均值聚類算法即縮減每一列的場景。

2）給定目標(biāo)函數(shù)J，設(shè)模糊指數(shù)m=2，算法最大迭代次數(shù)為1 000，uij為隸屬度矩陣，o為聚類中心矩陣，則有：

3）初始化隸屬度矩陣uij。

4）更新迭代隸屬度矩陣uij和聚類中心矩陣o。

5）若隸屬度最大變化值低于誤差設(shè)定值則計算完畢，否則跳轉(zhuǎn)到步驟4），輸出聚類中心。

2.2 廣義儲能輔助配置旋轉(zhuǎn)備用容量

隨著儲能技術(shù)多元化的發(fā)展，廣義儲能應(yīng)運(yùn)而生，本文基于綜合能源系統(tǒng)的分布式特性和日益增多的電動汽車，將蓄電池與電動汽車納入廣義儲能，進(jìn)一步優(yōu)化旋轉(zhuǎn)備用容量。

蓄電池調(diào)節(jié)速度快，可隨時充放電，具有2倍自身容量調(diào)節(jié)能力，需要滿足能量和功率約束，即：

式中：SSOC,e,min、SSOC,e,max為蓄電池荷電最小、最大限值；rcha,e、rdis,e為充、放電系數(shù)；Ee(t)為t時刻蓄電池的可用容量，kW·h。

電動汽車作為一類可移動的分布式儲能，不考慮其駛?cè)腭偝鲆蛩兀妱悠嚨娜萘颗c接入充電樁時的荷電狀態(tài)有直接關(guān)系，經(jīng)研究發(fā)現(xiàn)初始的荷電狀態(tài)與日行駛里程成正態(tài)分布。

式中：xev為電動汽車行駛里程，km；yd為電動汽車日行駛里程概率密度函數(shù)；μd=3.676；σd=0.547。

式中：SSOE(t)為t時刻EV的荷電狀態(tài)；SSOE(t0)為t0時刻EV的荷電狀態(tài)；Ek為百公里耗電量，kW·h；Eall為EV額定容量，kW·h；η為EV效率。

式中：Eev為EV提供的電池容量，kW·h。

式中：Pup,es為廣義儲能提供上旋轉(zhuǎn)備用功率，kW；Pdown,es為下旋轉(zhuǎn)備用功率，kW；PEVc、PEVd分別為EV的充、放電功率，kW。

3 基于魯棒機(jī)會約束優(yōu)化的綜合能源系統(tǒng)模型

3.1 目標(biāo)函數(shù)

本文以綜合能源系統(tǒng)調(diào)度成本最低為目標(biāo)，建立考慮風(fēng)電不確定性和旋轉(zhuǎn)備用容量配置的綜合能源系統(tǒng)魯棒機(jī)會約束優(yōu)化。根據(jù)負(fù)荷和預(yù)測的風(fēng)電出力，合理規(guī)劃各機(jī)組的啟停和運(yùn)行狀態(tài)，以達(dá)到當(dāng)天運(yùn)行費(fèi)用最低。主要考慮的相關(guān)費(fèi)用包括大型設(shè)備（CHP機(jī)組、燃?xì)忮仩t等）啟停運(yùn)行和維護(hù)費(fèi)用、電網(wǎng)的購電費(fèi)用、化石燃料的成本以及需求響應(yīng)的成本。

式中：x為機(jī)組的出力；y為各機(jī)組的啟停狀態(tài)；u為不確定變量的出力，即風(fēng)電出力；COSS為設(shè)備的運(yùn)行維護(hù)和啟停費(fèi)用；Cbuy為購買能源的費(fèi)用；Ccurt為棄風(fēng)成本；Cdr為需求響應(yīng)成本；T為運(yùn)行的總時間段，每隔1 h為1個時間段，總共有24個時間段；Neq為設(shè)備數(shù)量總數(shù)，Ceq為設(shè)備的維護(hù)費(fèi)用；Peq為各設(shè)備的運(yùn)行功率；ceq為各設(shè)備的啟停費(fèi)用；yeq為0-1變量，表示各設(shè)備的運(yùn)行狀態(tài)；cet為各時間段購電價格；Pe為購電的功率；cgt為各時間段天然氣的價格；Pg為燃?xì)獾墓β剩籧curt為單位時間的棄風(fēng)懲罰成本系數(shù)；Pcurt為各時間段的棄風(fēng)功率；cdr為單位時間需求響應(yīng)成本；Pdr,e為各時間需求響應(yīng)優(yōu)化的電功率。

3.2 約束條件

3.2.1 電網(wǎng)功率平衡約束

電網(wǎng)功率平衡約束為：

式中：Pload為各時段電負(fù)荷；Pchp為CHP機(jī)組輸出電功率；Pw為風(fēng)電出力；PG為發(fā)電機(jī)組生產(chǎn)的電功率；Pbuy為從電網(wǎng)購買的電功率；PHP為電轉(zhuǎn)熱消耗的電功率；Pbat為廣義儲能的功率。

3.2.2 熱功率平衡

熱功率平衡可表示為：

式中：Hload表示各時段熱負(fù)荷。

3.2.3 氣功率平衡

氣功率平衡可表示為：

式中：Qload為各時段氣負(fù)荷；QP2G為P2G產(chǎn)生的天然氣；QGB為GB消耗的天然氣；Qchp為CHP機(jī)組消耗的天然氣；Qbat為儲氣罐的天然氣；Qbuy為購買的天然氣。

3.2.4 設(shè)備出力約束和爬坡約束

設(shè)備出力約束和爬坡約束可表示為：

式中：PA為各設(shè)備運(yùn)行功率（包括CHP機(jī)組、GB、HP、P2G）；PA,max為設(shè)備運(yùn)行最大出力；PA,min為設(shè)備運(yùn)行最小出力。

3.2.5 最小啟停約束

最小啟停約束可表示為：

式中：Teq,min為設(shè)備最小開機(jī)時間；Teq,max為設(shè)備最大開機(jī)時間。

3.2.6 潮流約束

潮流約束可表示為：

式中：θl,t、θj,t為點l、j的電壓相角；θj,max為相角限值；θref,t為平衡節(jié)點相角。

3.2.7 節(jié)點電壓約束

式中：fli,t為線路（l,j）的電力潮流，正負(fù)值表示潮流方向；Dj,t為節(jié)點j電力負(fù)荷需求；G為節(jié)點j所連機(jī)組集合；F和E分別為以節(jié)點j為起點和終點的線路集合。

3.2.8 需求響應(yīng)約束

式中：Ddr為需求響應(yīng)調(diào)度周期的總用電需求；Ddr,min、Ddr,max分別為各時段最小和最大用電需求。

3.2.9 棄風(fēng)約束

式中：Pcurt,max為最大棄風(fēng)功率。

3.2.10 風(fēng)電出力約束

式中：Pw,max為風(fēng)電出力的最大值。

3.2.11 機(jī)組備用容量約束

式中：Pup,es,,t、Pdown,es,t分別為各時間段廣義儲能提供的上、下旋轉(zhuǎn)備用容量；ΔPw,t、ΔPload,t分別為風(fēng)電與負(fù)荷預(yù)測誤差；Prc,p、Prc,n分別為安全運(yùn)行的正、負(fù)額定備用容量。

3.3 基于機(jī)會約束的魯棒優(yōu)化模型

在綜合能源系統(tǒng)中，由于風(fēng)電的隨機(jī)性和波動性，可能會出現(xiàn)負(fù)荷過大導(dǎo)致系統(tǒng)不能安全運(yùn)行；但如果備用容量過大，又會導(dǎo)致可再生能源的浪費(fèi)，經(jīng)濟(jì)性會變差。因此，本文將備用容量約束條件設(shè)為一定置信水平成立的機(jī)會約束，使得系統(tǒng)兼顧經(jīng)濟(jì)性和魯棒性[15]。

機(jī)會約束魯棒優(yōu)化的數(shù)學(xué)模型一般表達(dá)為：

式中：Pr表示機(jī)會約束成立的概率。上述機(jī)會約束的含義為允許系統(tǒng)不滿足旋轉(zhuǎn)備用容量約束的概率為β0，這樣可以降低魯棒優(yōu)化的保守性以及減少棄風(fēng)約束。當(dāng)β0為1時，表示系統(tǒng)不允許出現(xiàn)任何超出安全規(guī)定的情況，保證了系統(tǒng)的魯棒性，但是會導(dǎo)致能源的浪費(fèi)；而當(dāng)β0為0時，表示系統(tǒng)可以接受任何風(fēng)險，此時為達(dá)到經(jīng)濟(jì)性最佳，系統(tǒng)的安全性被犧牲。選擇合適的β0值，經(jīng)濟(jì)性與魯棒性會達(dá)到平衡。

3.4 求解算法

3.4.1 機(jī)會約束條件

若利用采樣的方法求解約束條件中含有機(jī)會約束的問題，首先需要確定變量的分布規(guī)律，然后利用拉丁超立方采樣生成大量樣本，將產(chǎn)生的樣本逐一代入驗證，若成立的次數(shù)與驗證的次數(shù)比值大于1–β0，則該機(jī)會約束成立，否則不成立。由此可見該方法需要大量的樣本驗證，給計算帶來困難，因此本文選用將機(jī)會約束轉(zhuǎn)化為確定性約束的方法[16]，這樣減少了大量計算，避免了解析法的弊端。

3.4.2 魯棒對偶變換

由于不能直接用商業(yè)求解器求解魯棒優(yōu)化問題，需要先運(yùn)用強(qiáng)對偶理論轉(zhuǎn)換為單層優(yōu)化問題，即min max問題轉(zhuǎn)換為min問題，變成可以求解的單層問題，并將約束中非線性部分進(jìn)行線性化近似，將其轉(zhuǎn)化為線性優(yōu)化模型，經(jīng)過處理后，再應(yīng)用大M法等價轉(zhuǎn)換，最后用商業(yè)求解器Cplex直接求解。

4 算例分析

4.1 綜合能源節(jié)點仿真系統(tǒng)

選取39節(jié)點系統(tǒng)與天然氣網(wǎng)絡(luò)及熱網(wǎng)耦合為例，驗證本文提出基于機(jī)會約束魯棒優(yōu)化模型的 有效性。所構(gòu)建的綜合能源系統(tǒng)結(jié)構(gòu)如圖3所示，其中天然氣網(wǎng)絡(luò)采用4節(jié)點天然氣系統(tǒng)，熱網(wǎng)采用6節(jié)點供熱網(wǎng)絡(luò)。仿真所用軟件平臺為MATLAB 2016a，采用Cplex求解器進(jìn)行計算。仿真設(shè)備參數(shù)見表1。

表1 仿真設(shè)備參數(shù) Tab.1 Parameters of the simulation device

4.2 拉丁超立方采樣與模糊c聚類風(fēng)電場景分析

采用本文所提出的方法生成1 000個風(fēng)電出力場景如圖4所示，經(jīng)削減后選取5個場景風(fēng)電出力 如圖5所示。由圖4和圖5可以看出，削減場景后的風(fēng)電出力能夠覆蓋真實風(fēng)電出力，證明本文所提出方法是有效的。

4.3 旋轉(zhuǎn)備用容量結(jié)果分析

圖6為廣義儲能提供的旋轉(zhuǎn)備用容量。

由圖6可見：廣義儲能配置旋轉(zhuǎn)容量充分利用了綜合能源的儲能資源，在實際風(fēng)電出力低于電負(fù)荷時，廣義儲能出力可滿足電功率平衡；當(dāng)風(fēng)電功率大于電負(fù)荷時，為充分消納風(fēng)電，廣義儲能開始充電，可減少棄風(fēng)。

4.4 基于機(jī)會約束魯棒優(yōu)化結(jié)果分析

設(shè)置機(jī)會約束參數(shù)為0.1，經(jīng)過計算得到最優(yōu)解時對應(yīng)的電網(wǎng)、熱網(wǎng)、氣網(wǎng)系統(tǒng)優(yōu)化調(diào)度結(jié)果，如圖7、圖8與圖9所示。由圖7、圖8、圖9可知，在夜間（22:00—05:00）負(fù)荷較小時，為充分消納風(fēng)電，廣義儲能開始充電，同時P2G設(shè)備開始運(yùn)行，將電能轉(zhuǎn)化為氣能儲存起來，熱泵將電能轉(zhuǎn)化為熱能。隨著負(fù)荷增大，在10:00—17:00廣義儲能放電，CHP機(jī)組出力增加。在熱負(fù)荷達(dá)到最大時（12:00—17:00），熱儲能放熱，燃?xì)忮仩t出力達(dá)到最大，而在熱負(fù)荷減小后（24:00后）熱儲能充能，提高熱能利用率。

4.5 機(jī)會約束影響

為分析機(jī)會約束參數(shù)β0在模型中對經(jīng)濟(jì)性與魯棒性的影響，現(xiàn)將β0設(shè)置為不同值，得出魯棒優(yōu)化結(jié)果。表2給出了β0分別為0.10、0.15、0.20、0.30的魯棒優(yōu)化經(jīng)濟(jì)性對比。由表2可知，隨著機(jī)會約束參數(shù)增大，魯棒性變差，成本降低，主要表現(xiàn)為棄風(fēng)成本和購買燃料的費(fèi)用降低，β0的增大既降低了系統(tǒng)的保守性減少成本，同時提高了風(fēng)電的利用率。

表2 β0的魯棒優(yōu)化經(jīng)濟(jì)性對比 單位：元 Tab.2 The robust optimization economy of β0

4.6 不同方法對比分析

為了驗證本文提出方法的優(yōu)越性，使用4種情形（表3）進(jìn)行對比分析，依次對4種情形進(jìn)行仿真分析，對應(yīng)的結(jié)果見表4。

表3 不同情形設(shè)置 Tab.3 Experimental situation setting

由表4可知，4種方法中由于DO未考慮風(fēng)電的波動性，結(jié)果過于理想化，因而計算的成本最低，不具有指導(dǎo)意義；RO計算的成本最高，因為RO考慮最惡劣的場景，過于保守；而本文提出方法即基于機(jī)會約束的魯棒優(yōu)化（CRO）充分考慮風(fēng)電的不確定性，更接近實際運(yùn)行情況，介于兩者之間，同時改善了RO過于保守的缺點，更具有參考價值。

表4 求解結(jié)果對比 Tab.4 Comparison of solution results

5 結(jié) 論

1）采用拉丁超立方采樣與模糊c均值聚類算法建立風(fēng)電不確定性集合，能夠覆蓋真實風(fēng)電出力，有利于模擬真實的風(fēng)電場景，使綜合能源系統(tǒng)能夠計算出更合理的運(yùn)行結(jié)果。

2）在綜合能源系統(tǒng)運(yùn)行中采用廣義儲能優(yōu)化旋轉(zhuǎn)備用容量配置，廣義儲能能夠及時滿足備用需求，增加了系統(tǒng)的靈活性，提高了風(fēng)電消納水平。

3）所建立的綜合能源魯棒機(jī)會約束優(yōu)化模型，兼顧了綜合能源系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和魯棒性。