彭宇文，李瑞，周永旺，李沁雪，尚筱雅，蔡政彤，許燦城

(1.廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣東 廣州 510006；2.廣州航海學(xué)院 船舶與海洋工程學(xué)院，廣東 廣州 510700)

隨著現(xiàn)階段電力需求的增加，環(huán)境污染所引發(fā)的生態(tài)問題受到國內(nèi)外學(xué)者們的廣泛關(guān)注[1]。綜合能源系統(tǒng)(integrated energy system，IES)的優(yōu)勢(shì)在于它能夠發(fā)揮不同能源之間的互補(bǔ)效應(yīng)，可以有效地規(guī)劃各個(gè)能源子系統(tǒng)的能量耦合，在滿足用能需求的同時(shí)提高能源的利用率[2]。通過對(duì)IES的能量深度挖掘，可以實(shí)現(xiàn)可再生能源就地消納，這對(duì)于含有分布式可再生能源機(jī)組的IES優(yōu)化調(diào)度具有重要作用，它不僅能夠提高分布式可再生能源機(jī)組的傳輸效率，還能夠降低傳統(tǒng)化石能源機(jī)組高耗能帶來的碳排放。因此，研究含儲(chǔ)能的IES優(yōu)化調(diào)度方法具有現(xiàn)實(shí)的工程意義。

目前，大量國內(nèi)外學(xué)者正在研究IES的魯棒優(yōu)化調(diào)度問題，前沿的學(xué)術(shù)研究方向是如何平抑可再生能源機(jī)組出力的波動(dòng)性，以提高IES的多能流整體利用率[3]。文獻(xiàn)[4]闡述了在IES中裝載電轉(zhuǎn)氣裝置來降低棄能所帶來的碳排放，并驗(yàn)證了風(fēng)、光消納的有效性。文獻(xiàn)[5]闡述了在IES中加裝碳捕集裝置來捕獲燃煤運(yùn)行機(jī)組的高碳排放，以平衡系統(tǒng)的經(jīng)濟(jì)性和環(huán)保性。文獻(xiàn)[6]建立了考慮光伏機(jī)組出力不確定性的魯棒優(yōu)化調(diào)度模型，同時(shí)采用隨機(jī)優(yōu)化的方法進(jìn)行求解。文獻(xiàn)[7]構(gòu)建了含兩階段魯棒優(yōu)化調(diào)度的模型，可以降低IES與上級(jí)電網(wǎng)的能量交互。文獻(xiàn)[8]考慮了風(fēng)、光機(jī)組出力波動(dòng)的嚴(yán)重不確定性，進(jìn)而構(gòu)建了含多元儲(chǔ)能的IES魯棒優(yōu)化調(diào)度模型，其目的是提高分布式新能源的實(shí)時(shí)消納率。文獻(xiàn)[9]提出了多時(shí)間尺度的IES魯棒優(yōu)化調(diào)度策略，表明風(fēng)、光機(jī)組在出力嚴(yán)重不確定性的情況下，靈活的日前-日內(nèi)調(diào)度具有穩(wěn)定的運(yùn)行性能。

雖然風(fēng)力機(jī)、光伏等分布式可再生能源機(jī)組可以為IES提供豐富的電能，但其出力的嚴(yán)重不確定性會(huì)影響到IES的穩(wěn)定運(yùn)行。針對(duì)分布式可再生能源機(jī)組出力不確定性的問題，大多數(shù)學(xué)者采用隨機(jī)規(guī)劃、魯棒優(yōu)化和模糊理論等方法[10]。這些傳統(tǒng)數(shù)學(xué)規(guī)劃方法存在著天然的缺陷，比如需要事先獲取不確定參數(shù)的概率分布，或者需要根據(jù)參數(shù)概率區(qū)間設(shè)置可生成與可削減場(chǎng)景。為了解決這些問題，利用信息間隙決策理論去處理場(chǎng)景參數(shù)不確定性對(duì)機(jī)組優(yōu)化調(diào)度的影響，在不依賴分布參數(shù)的情況下實(shí)現(xiàn)機(jī)組決策信息的優(yōu)化，該理論算法在微網(wǎng)調(diào)度[11]、無功優(yōu)化[12]和負(fù)荷預(yù)測(cè)[13]等領(lǐng)域得到科學(xué)應(yīng)用，能夠很好地抑制IES中風(fēng)、光機(jī)組運(yùn)行出力的時(shí)空間歇性和不確定性。

本文主要研究的是如何平抑可再生能源機(jī)組存在出力嚴(yán)重不確定性的問題，通過采取有效策略改善IES多能流利用率，以達(dá)到降低能源機(jī)組運(yùn)行成本的目的。為了優(yōu)化調(diào)度策略，需要以IES購能成本、設(shè)備運(yùn)維成本和環(huán)境污染成本作為多目標(biāo)適應(yīng)度，并進(jìn)一步處理風(fēng)力機(jī)、光伏等新能源機(jī)組出力的嚴(yán)重不確定性，以構(gòu)建出含風(fēng)險(xiǎn)規(guī)避的魯棒優(yōu)化調(diào)度模型。最后通過實(shí)驗(yàn)仿真，驗(yàn)證所提出的雙層魯棒優(yōu)化調(diào)度模型可以在不同場(chǎng)景下對(duì)含儲(chǔ)能的IES經(jīng)濟(jì)指標(biāo)進(jìn)行科學(xué)的分析。

1 IES結(jié)構(gòu)及建模

廣東粵北地區(qū)的冬季熱負(fù)荷需求量較大，主要依賴于冷熱電聯(lián)供(combined cooling heating and power，CCHP)機(jī)組和燃?xì)忮仩t的熱能供應(yīng)，這將導(dǎo)致大量的機(jī)組碳排放。其中CCHP機(jī)組的聯(lián)供運(yùn)行方式會(huì)限制風(fēng)、光電的上網(wǎng)交易空間，從而導(dǎo)致嚴(yán)重的棄風(fēng)、棄光現(xiàn)象。通過在IES中設(shè)置多元儲(chǔ)能裝置，就可以有效打破傳統(tǒng)CCHP機(jī)組“以熱定電”的出力限制，使得其高碳排機(jī)組出力能夠快速地響應(yīng)不同負(fù)荷的需求[14]。本文構(gòu)建了含多元儲(chǔ)能的雙層IES魯棒優(yōu)化調(diào)度模型，它可以有效提升能源系統(tǒng)中風(fēng)、光電的就地消納，減少棄風(fēng)、棄光的能量階梯浪費(fèi)，其IES的結(jié)構(gòu)如圖1所示。該系統(tǒng)的電負(fù)荷由分布式新能源機(jī)組、CCHP機(jī)組、蓄電池以及上級(jí)電網(wǎng)聯(lián)絡(luò)線所組成；由燃?xì)忮仩t、CCHP機(jī)組和蓄熱罐來提供用戶側(cè)所需要的熱能；由CCHP機(jī)組、電制冷機(jī)和蓄冰槽來提供用戶側(cè)所需的冷能。

圖1 IES結(jié)構(gòu)模型Fig.1 IES structure model

1.1 CCHP機(jī)組模型

本文所建立的CCHP機(jī)組可以同時(shí)為用戶提供多種類的供能負(fù)荷，主要內(nèi)部裝置包括微型燃?xì)廨啓C(jī)、余熱回收鍋爐和吸收式制冷機(jī)[15]。微型燃?xì)廨啓C(jī)用于供給IES電負(fù)荷，余熱回收鍋爐用于供給IES熱負(fù)荷，吸收式制冷機(jī)用于供給IES冷負(fù)荷。其CCHP機(jī)組的模型如下：

a)微型燃?xì)廨啓C(jī)。它作為CCHP機(jī)組中的主要供電耦合設(shè)備，可以有效地將機(jī)械能轉(zhuǎn)變成電能進(jìn)行用戶側(cè)持續(xù)供電，其輸出電功率

PCCHP，e=ηeFMT，g.

(1)

式中：FMT，g為微型燃?xì)廨啓C(jī)消耗的天然氣；ηe為微型燃?xì)廨啓C(jī)的電耦合效率。

b)余熱回收鍋爐。它通過回收燃?xì)廨啓C(jī)發(fā)電過程中產(chǎn)生的余熱，實(shí)現(xiàn)能量階梯利用，以減少傳遞過程中的能量損失，其輸出熱功率

HCCHP，h=FMT，g(1-ηloss)ηh.

(2)

式中：ηh為余熱回收鍋爐的熱轉(zhuǎn)化效率；ηloss為余熱回收鍋爐的散熱損失系數(shù)。

c)吸收式制冷機(jī)。它是利用化學(xué)反應(yīng)來生成制冷功率的冷能耦合設(shè)備，能夠在低溫極端條件下持續(xù)地給用戶側(cè)供冷，其輸出冷功率

CCCHP，c=ηcQMT，h.

(3)

式中：QMT，h為吸收式制冷機(jī)的吸收熱功率；ηc為吸收式制冷機(jī)的冷耦合效率。

1.2 燃?xì)忮仩t模型

燃?xì)忮仩t通過燃燒天然氣產(chǎn)生熱能來有效補(bǔ)充CCHP機(jī)組產(chǎn)熱不足時(shí)的熱負(fù)荷，其輸出熱功率HGB與輸入天然氣功率GGB的關(guān)系為：

HGB=ηGBGGB.

(4)

式中ηGB為燃?xì)忮仩t的熱能轉(zhuǎn)換效率系數(shù)。

1.3 電制冷機(jī)模型

在CCHP機(jī)組無法滿足供冷需求時(shí)，電制冷機(jī)會(huì)主動(dòng)耗電制冷來補(bǔ)償冷能量的不足，其輸入電功率PAC與輸出冷功率CAC之間的關(guān)系為：

CAC=ηACPAC.

(5)

式中ηAC為電制冷機(jī)的冷能轉(zhuǎn)換效率系數(shù)。

1.4 電轉(zhuǎn)氣模型

電轉(zhuǎn)氣裝置包含電解水和甲烷化這2個(gè)運(yùn)行轉(zhuǎn)換步驟，耦合的平均效率為45%～60%，其輸出天然氣功率GP2G與輸入電功率PP2G的關(guān)系為：

GP2G=ηP2GPP2G.

(6)

式中ηP2G為電轉(zhuǎn)氣設(shè)備的轉(zhuǎn)換效率系數(shù)。

1.5 碳捕集模型

碳捕集裝置通過消耗大量電能來捕獲CCHP機(jī)組和燃?xì)忮仩t釋放出來的二氧化碳，機(jī)組能耗和捕獲碳量有著密切關(guān)系，其輸出捕獲的碳含量TCCS與輸入消耗電功率PCCS的關(guān)系為：

TCCS=ηCCSPCCS.

(7)

式中ηCCS為碳捕集裝置的轉(zhuǎn)換效率系數(shù)。

1.6 蓄電池模型

蓄電池是將化學(xué)能轉(zhuǎn)化為電能，并穩(wěn)定儲(chǔ)存的電能量轉(zhuǎn)換設(shè)備，為了避免在低荷電狀態(tài)下充放電導(dǎo)致的使用壽命低問題，其運(yùn)行工況需要滿足荷電狀態(tài)的容量約束。其模型表示為：

Ebt，t=Ebt，t-1+(ηbt，chrPES，c，t-PES，d，t/ηbt，dis)Δt.

(8)

式中：ηbt，chr、ηbt，dis分別為蓄電池的充電、放電效率轉(zhuǎn)換耦合系數(shù)；PES，c，t、PES，d，t分別為t時(shí)刻蓄電池的儲(chǔ)電、放電功率；Ebt，t為t時(shí)刻蓄電池的荷電功率當(dāng)前儲(chǔ)存量；Δt為單位時(shí)間間隔。

1.7 蓄熱罐模型

蓄熱罐是能量儲(chǔ)熱設(shè)備，它能夠在荷側(cè)熱能富余時(shí)儲(chǔ)存熱能，并在熱源不足時(shí)釋放熱能，這種儲(chǔ)熱設(shè)備具有削峰填谷的平抑功能，可以提高系統(tǒng)的耦合運(yùn)行靈活性，其運(yùn)行工況需要滿足儲(chǔ)熱狀態(tài)下的容量約束。其模型表示為：

Wbt，t=Wbt，t-1+(ηrt，chrHHS，c，t-HHS，d，t/ηrt，dis)Δt.

(9)

式中：ηrt，chr、ηrt，dis分別為蓄熱罐的充熱、放熱效率轉(zhuǎn)換耦合系數(shù)；HHS，c，t、HHS，d，t分別為t時(shí)刻蓄熱罐的儲(chǔ)熱、放熱功率；Wbt，t為t時(shí)刻蓄熱罐的熱能功率當(dāng)前儲(chǔ)存量。

1.8 蓄冰槽模型

蓄冰槽是用于蓄冰聚冷的儲(chǔ)能設(shè)備，通過在冷能產(chǎn)量過剩時(shí)將水冰凍起來，并在冷能缺額時(shí)釋放出來以滿足用戶冷能需求，其運(yùn)行工況需要滿足儲(chǔ)冷狀態(tài)下的容量約束。其模型表示為：

Bbt，t=Bbt，t-1+(ηlt，chrCCS，c，t-CCS，d，t/ηlt，dis)Δt.

(10)

式中：ηlt，chr、ηlt，dis分別為蓄冰槽的充冷、放冷效率耦合系數(shù)；CCS，c，t、CCS，d，t分別為t時(shí)刻蓄冰槽中的儲(chǔ)冷、放冷功率；Bbt，t為t時(shí)刻蓄冰槽中的冷能功率當(dāng)前儲(chǔ)存量。

2 IES優(yōu)化調(diào)度模型

2.1 目標(biāo)函數(shù)

本文所建立的IES優(yōu)化調(diào)度模型考慮了多層經(jīng)濟(jì)運(yùn)行指標(biāo)，包括上網(wǎng)購能成本、機(jī)組運(yùn)維成本和環(huán)境污染成本。為了實(shí)現(xiàn)總成本最小化，需要將所構(gòu)建的非線性混合整數(shù)規(guī)劃模型約束條件與多層經(jīng)濟(jì)運(yùn)行指標(biāo)相結(jié)合，從而實(shí)現(xiàn)對(duì)IES目標(biāo)適應(yīng)度的數(shù)學(xué)建模[16]。其構(gòu)建的目標(biāo)函數(shù)如下：

minF=Fbuy+Fom+Fen.

(11)

式中：Fbuy為上網(wǎng)購能成本；Fom為設(shè)備運(yùn)維成本；Fen為環(huán)境污染成本。

a)上網(wǎng)購能成本。含儲(chǔ)能的IES購能成本主要由購電成本和購氣成本組成。購電是通過與上級(jí)電網(wǎng)建立聯(lián)絡(luò)線，以大量購買荷側(cè)缺額的電量來滿足源荷之間的能量平衡；購氣則是通過天然氣管道，在天然氣不足時(shí)購買IES所需的天然氣來補(bǔ)充燃?xì)夤┙o。其購能成本

(12)

式中：Pt為t時(shí)刻的購電功率；λe為電力市場(chǎng)購電的分時(shí)電價(jià)；Gt為t時(shí)刻的天然氣購買量；λg為天然氣的分時(shí)價(jià)格；T為24 h 周期數(shù)。

b)設(shè)備運(yùn)維成本。含儲(chǔ)能的IES的能量耦合設(shè)備包括光伏機(jī)組、風(fēng)電機(jī)組、CCHP機(jī)組、燃?xì)忮仩t、電制冷機(jī)、蓄電池、蓄熱罐、蓄冰槽、碳捕集單元、電轉(zhuǎn)氣單元等。其運(yùn)維成本

(13)

式中：Com，i為設(shè)備i的單位投資運(yùn)維成本，下標(biāo)表示為與設(shè)備i有關(guān)的變量；Pi，t為t時(shí)刻各耦合運(yùn)行設(shè)備工作時(shí)的消耗功率。

c)環(huán)境污染成本。含儲(chǔ)能的IES在機(jī)組調(diào)度過程中，CCHP機(jī)組和燃?xì)忮仩t所排放的二氧化碳是導(dǎo)致環(huán)境污染的主要原因，也是超額環(huán)境成本的主要來源，所以在IES調(diào)度燃煤機(jī)組時(shí)，必須考慮碳排放量對(duì)環(huán)境的影響。其環(huán)境成本

λCO2，CCHPGCCHP，t-λCO2，P2GPP2G，t.

(14)

式中：GGB，t為t時(shí)刻燃?xì)忮仩t供能時(shí)所需要輸入的天然氣功率；GCCHP，t為t時(shí)刻CCHP機(jī)組供能時(shí)所需要輸入的天然氣功率；PP2G，t為t時(shí)刻電轉(zhuǎn)氣合成天然氣所消耗的電功率；λCO2，GB為燃?xì)忮仩t供熱時(shí)產(chǎn)生碳排放的轉(zhuǎn)換系數(shù)；λCO2，CCHP為CCHP機(jī)組供能時(shí)產(chǎn)生碳排放的轉(zhuǎn)換系數(shù)；λCO2，P2G為電轉(zhuǎn)氣設(shè)備合成天然氣所消耗二氧化碳的碳捕獲系數(shù)。

2.2 約束條件

2.2.1 等式約束條件

含儲(chǔ)能的IES優(yōu)化調(diào)度模型主要包含等式約束和不等式約束條件，其中等式約束條件包括各種可調(diào)度機(jī)組在電、熱、冷能量供需方面的多能平衡時(shí)空約束，而IES源荷供需量平衡又是確保系統(tǒng)可調(diào)度機(jī)組安全穩(wěn)定運(yùn)行的基礎(chǔ)。

a)電功率平衡約束：

Pbuy，t+PWT，t+PPV，t+PCCHP，e，t+PES，d，t=

Pload，e，t+PES，c，t+PAC，t+PP2G，t+PCCS，t.

(15)

式中：PWT，t、PPV，t分別為t時(shí)刻風(fēng)力機(jī)、光伏的預(yù)測(cè)電功率；Pload，e，t為t時(shí)刻的電負(fù)荷；Pbuy，t為t時(shí)刻的上網(wǎng)實(shí)際購電量；PCCHP，e，t為t時(shí)刻CCHP機(jī)組的燃?xì)廨敵鲭姽β省?/p>

b)熱功率平衡約束：

HCCHP，h，t+HGB，t+HHS，d，t=HHS，c，t+Hload，h，t.

(16)

式中：HCCHP，e，t為t時(shí)刻CCHP機(jī)組的燃?xì)廨敵鰺峁β剩籋GB，t為t時(shí)刻燃?xì)忮仩t的輸出熱功率；Hload，h，t為t時(shí)刻的熱負(fù)荷。

c)冷功率平衡約束：

CCCHP，c，t+CAC，t+CCS，d，t=CCS，c，t+Cload，c，t.

(17)

式中：CCCHP，e，t為t時(shí)刻CCHP機(jī)組的燃?xì)廨敵隼涔β?；CAC，t為t時(shí)刻電制冷機(jī)的輸出冷功率；Cload，c，t為t時(shí)刻的冷負(fù)荷。

2.2.2 不等式約束條件

含儲(chǔ)能的IES優(yōu)化調(diào)度模型的不等約束條件有多種表現(xiàn)形式，其中包括運(yùn)行機(jī)組出力約束、爬坡約束和上網(wǎng)聯(lián)絡(luò)線交互約束等，在不同運(yùn)行機(jī)組的約束前提下，調(diào)度結(jié)果會(huì)有明顯差異，所以設(shè)置合理的不等式約束條件可以減少能量損失。

a)CCHP機(jī)組出力和爬坡約束：

(18)

式中：PCCHP，min、PCCHP，max分別為t時(shí)刻CCHP機(jī)組出力功率的最小值和最大值；PCCHP為t時(shí)刻CCHP機(jī)組出力功率；PCCHP，down、PCCHP，up分別為t時(shí)刻CCHP機(jī)組最小爬坡率和最大爬坡率。

b)燃?xì)忮仩t出力和爬坡約束：

(19)

式中：HGB，min、HGB，max分別為t時(shí)刻燃?xì)忮仩t出力功率的最小值和最大值；HGB為t時(shí)刻燃?xì)忮仩t的出力功率；HGB，down、HGB，up分別為t時(shí)刻燃?xì)忮仩t的最小爬坡率和最大爬坡率。

c)電制冷機(jī)出力和爬坡約束：

(20)

式中：CAC，min、CAC，max分別為t時(shí)刻電制冷機(jī)出力功率的最小值和最大值；CAC為t時(shí)刻電制冷機(jī)的出力功率；CAC，down、CAC，up分別為t時(shí)刻電制冷機(jī)的最小爬坡率和最大爬坡率。

d)電轉(zhuǎn)氣出力和爬坡約束：

(21)

式中：GP2G，min、GP2G，max分別為t時(shí)刻電轉(zhuǎn)氣出力功率的最小值和最大值；GP2G為t時(shí)刻電轉(zhuǎn)氣的出力功率；GP2G，down、GP2G，up分別為t時(shí)刻電轉(zhuǎn)氣的最小爬坡率和最大爬坡率。

e)碳捕集出力和爬坡約束：

(22)

式中：TCCS，min、TCCS，max分別為t時(shí)刻碳捕集出力功率的最小值和最大值；TCCS為t時(shí)刻碳捕集的出力功率；TCCS，down、TCCS，up分別為t時(shí)刻碳捕集的最小爬坡率和最大爬坡率。

3 IES雙層魯棒優(yōu)化調(diào)度模型

本文采用信息決策間隙理論(information gap decision theory，IGDT)來處理IES中風(fēng)、光機(jī)組出力波動(dòng)的嚴(yán)重不確定性，以解決傳統(tǒng)魯棒優(yōu)化調(diào)度過于保守和隨機(jī)規(guī)劃難以準(zhǔn)確生成削減場(chǎng)景的運(yùn)行調(diào)度問題[17]。過程包括3個(gè)步驟：建立帶約束條件的向量集優(yōu)化調(diào)度模型、建立新能源不確定集模型和建立風(fēng)險(xiǎn)規(guī)避型魯棒調(diào)度模型。

3.1 向量集優(yōu)化調(diào)度模型

現(xiàn)階段IGDT在處理復(fù)雜的不確定性問題上已經(jīng)表現(xiàn)出實(shí)用的工程效果，它通過比較預(yù)期結(jié)果和當(dāng)前決策信息狀況后修改約束條件范圍，進(jìn)而估算出系統(tǒng)的不穩(wěn)定因素[18]。這種優(yōu)化方法將原本含儲(chǔ)能的IES魯棒優(yōu)化調(diào)度模型改寫成帶有條件約束的向量集優(yōu)化調(diào)度模型，表達(dá)式如下：

(23)

式中：F(x，y)為優(yōu)化模型的目標(biāo)函數(shù)，x為系統(tǒng)決策變量，y為分布的不確定參數(shù)；H(x，y)為向量集優(yōu)化模型的等式約束；G(x，y)為向量集優(yōu)化模型的不等式約束。

3.2 新能源不確定集模型

在利用IGDT處理不確定性IES的新能源機(jī)組運(yùn)行參數(shù)時(shí)，需要將不確定性概率區(qū)間分布轉(zhuǎn)化為確定性預(yù)測(cè)變量集合，這個(gè)過程的轉(zhuǎn)換是通過使用包絡(luò)界區(qū)間來對(duì)不確定數(shù)值進(jìn)行量化處理，并對(duì)新能源機(jī)組出力波動(dòng)區(qū)間建模，表達(dá)式如下：

(24)

同時(shí)，當(dāng)IES無法準(zhǔn)確獲取風(fēng)、光機(jī)組不確定性參數(shù)的概率分布時(shí)，常用的隨機(jī)規(guī)劃方法難以準(zhǔn)確描述其生成的可聚類場(chǎng)景，而IGDT可以處理這類參數(shù)信息不充分問題，進(jìn)而使用包絡(luò)邊界區(qū)間來約束其功率能量波動(dòng)的范圍：

(25)

(26)

式中：aWT、aPV分別為風(fēng)、光機(jī)組的出力波動(dòng)不確定性幅度；PWT，pre，t、PPV，pre，t分別為風(fēng)、光機(jī)組的預(yù)測(cè)運(yùn)行電功率；PWT，t、PPV，t分別為風(fēng)、光機(jī)組的實(shí)際運(yùn)行電功率。

3.3 風(fēng)險(xiǎn)規(guī)避型魯棒調(diào)度模型

傳統(tǒng)的IGDT包含著風(fēng)險(xiǎn)規(guī)避方式的魯棒優(yōu)化調(diào)度模型，能夠幫助保守型決策者應(yīng)對(duì)嚴(yán)重的不確定性變化，從而降低IES的能量損失[19]。本文采用加權(quán)平方和的方式將2個(gè)不確定性參數(shù)和熵權(quán)法給定的調(diào)整權(quán)重結(jié)合起來，表達(dá)式如下：

(27)

式中：τWT、τPV分別為風(fēng)電機(jī)組和光伏機(jī)組的不確定性出力波動(dòng)的權(quán)重系數(shù)；ξWT、ξPV分別為風(fēng)電機(jī)組和光伏機(jī)組的加權(quán)可調(diào)節(jié)系數(shù)；α為新能源機(jī)組出力波動(dòng)的決策信息不確定度。

從風(fēng)險(xiǎn)規(guī)避的角度出發(fā)，為了能夠降低模型評(píng)估風(fēng)險(xiǎn)出現(xiàn)的概率，需要確保IES的運(yùn)行成本不會(huì)超過預(yù)期最惡劣的機(jī)組調(diào)度成本，這意味著需要承擔(dān)更高風(fēng)險(xiǎn)的決策信息成本[20]。公式如下：

(28)

式中：maxφ為目標(biāo)函數(shù)；F0為風(fēng)、光機(jī)組不確定出力取預(yù)測(cè)值時(shí)的最優(yōu)調(diào)度成本基準(zhǔn)值；(1+μc)F0為預(yù)期調(diào)度目標(biāo)的可接受成本范圍；μc為風(fēng)險(xiǎn)規(guī)避偏差系數(shù)。

通過上述風(fēng)險(xiǎn)規(guī)避魯棒優(yōu)化調(diào)度模型，可以精確控制參數(shù)不確定性的變化范圍。當(dāng)新能源機(jī)組發(fā)電不足以滿足日常供能需求的情況下，可以通過快速調(diào)度CCHP機(jī)組或燃?xì)忮仩t的出力來彌補(bǔ)聯(lián)絡(luò)線的功率缺額，進(jìn)而轉(zhuǎn)化為單層規(guī)劃模型，即：

(29)

式中：aWT為風(fēng)電機(jī)組的出力波動(dòng)幅度；aPV為光伏機(jī)組的出力波動(dòng)幅度；PWT，t為風(fēng)電機(jī)組的實(shí)際功率值；PPV，t為光伏機(jī)組的實(shí)際功率值。

4 雙層IES模型求解算法及流程

本文模型采用分段線性化的方法，將IES不確定性模型轉(zhuǎn)化為確定性經(jīng)濟(jì)優(yōu)化調(diào)度模型，并利用模擬退火粒子群優(yōu)化(simulated annealing particle swarm optimization，PSO-SA)算法結(jié)合CPLEX求解器進(jìn)行雙層迭代求解。優(yōu)化調(diào)度過程主要分為2個(gè)階段：第1階段是確定性的IES調(diào)度模型優(yōu)化階段，假設(shè)不確定參數(shù)的概率分布區(qū)間對(duì)應(yīng)的預(yù)測(cè)值是準(zhǔn)確的，就可以利用PSO-SA優(yōu)化得出下層約束的基準(zhǔn)值；第2階段是不確定性的IES魯棒調(diào)度模型優(yōu)化階段，通過處理IES中嚴(yán)重不確定性的機(jī)組出力波動(dòng)，就可以采用風(fēng)險(xiǎn)規(guī)避型魯棒優(yōu)化調(diào)度方法計(jì)算出不確定性度，進(jìn)而使用CPLEX求解器對(duì)下層目標(biāo)適應(yīng)度進(jìn)行數(shù)值方法求解，獲得最優(yōu)的運(yùn)行機(jī)組出力方案。

4.1 粒子群優(yōu)化算法

粒子群優(yōu)化算法(particle swarm optimization，PSO)屬于種群更新的啟發(fā)式優(yōu)化算法，最初是受到鳥群覓食的靈感而創(chuàng)立的[21]。該智能優(yōu)化算法具有簡(jiǎn)單且易實(shí)現(xiàn)的優(yōu)點(diǎn)，能夠在較短時(shí)間內(nèi)搜索到近似的最優(yōu)適應(yīng)度，但由于在很大概率上無法找到全局的穩(wěn)定最優(yōu)解，實(shí)際工程中需要調(diào)整慣性權(quán)重或增加種群數(shù)量來提高算法性能。

4.2 模擬退火粒子群算法

PSO-SA屬于混合型啟發(fā)式優(yōu)化算法，它結(jié)合著自然界鳥群捕食與物理退火過程的思想[22]。該算法的靈感來源于固體在溫度降低時(shí)，其內(nèi)部粒子群將由無序狀態(tài)向有序狀態(tài)轉(zhuǎn)變。因此，在迭代計(jì)算過程中，粒子不僅可以接受優(yōu)秀的個(gè)體解，還可以按某種特定概率接受被淘汰的較差解，這種突變機(jī)制提高了優(yōu)化算法的收斂精度，從而保證混合型啟發(fā)式算法的完備性。PSO-SA的步驟如下：

a)隨機(jī)初始化種群中粒子的位置和速度。

b)計(jì)算每個(gè)粒子的適應(yīng)度，將當(dāng)前粒子的位置和速度存儲(chǔ)在Pbest(即當(dāng)前這一代粒子找到的最優(yōu)適應(yīng)度)中，同時(shí)將所有粒子中最優(yōu)適應(yīng)值個(gè)體的位置和速度存儲(chǔ)在Gbest(即過去到現(xiàn)在所有粒子找到的最優(yōu)適應(yīng)度)中。

c)根據(jù)當(dāng)前種群中粒子的位置和速度，更新其粒子狀態(tài)，并生成下一代粒子群，其中后代的速度和位置更新計(jì)算公式如下：

vj(k+1)=wvj(k)+c1r1[Pbest-xj(k)]+
c2r2[Gbest-xj(k)].

(30)

xj(k+1)=xj(k)+vj(k+1).

(31)

式中：vj(k)為第k次迭代時(shí)第j個(gè)粒子的速度，k為當(dāng)前迭代次數(shù)；xj(k)為第k代迭代時(shí)的第j個(gè)粒子的位置；w為慣性權(quán)重系數(shù)；c1、c2分別為個(gè)體和社會(huì)學(xué)習(xí)因子；r1、r2為0～1之間的隨機(jī)數(shù)。

算法采用線性變化的自適應(yīng)權(quán)重，讓慣性權(quán)重w從最大值減小到最小值，且隨迭代次數(shù)增加而逐步變化。權(quán)重w的自適應(yīng)公式為：

w=wmax-k×(wmax-wmin)/kmax.

(32)

式中：wmax、wmin分別為初始慣性權(quán)重的最大值與最小值；kmax為最大迭代次數(shù)。

d)接著對(duì)產(chǎn)生的每一代粒子群均按交叉概率運(yùn)算，同時(shí)利用模擬退火算法思想接受交叉后被淘汰的子代粒子群，并對(duì)其進(jìn)行優(yōu)化調(diào)整：

(33)

e)在對(duì)交叉操作后產(chǎn)生的新粒子群可以再按變異概率pm繼續(xù)進(jìn)行變異，接著利用模擬退火思想接受變異后的子代粒子群，接受變異后子代的公式與交叉概率運(yùn)算的公式相同。

f)完成上述粒子群概率突變后，個(gè)體粒子開始進(jìn)行模擬退火操作，粒子群降溫公式為：

T(k+1)=c×T(k).

(34)

式中：T(k)為第k代粒子群的退火溫度；c為系統(tǒng)冷卻系數(shù)，取0～1之間的隨機(jī)數(shù)，為了保證固態(tài)的粒子能夠緩慢退火，通常取較大值。

g)在未達(dá)到預(yù)先初始設(shè)定的粒子最大迭代次數(shù)的情況下，轉(zhuǎn)回步驟c)繼續(xù)計(jì)算，而當(dāng)達(dá)到設(shè)定的粒子最大迭代次數(shù)時(shí)，輸出最終優(yōu)化結(jié)果。

4.3 雙層IES模型求解步驟

本文所建立的模型為雙層規(guī)劃模型。上層表示成本不超過預(yù)期時(shí)的最保守確定型場(chǎng)景，使用混合PSO-SA算法對(duì)目標(biāo)進(jìn)行優(yōu)化，并將最優(yōu)適應(yīng)度作為約束信息傳遞到下層；下層表示實(shí)際可再生能源出力在不確定性區(qū)間內(nèi)的變化，要求調(diào)度機(jī)組運(yùn)行成本不得超過預(yù)期風(fēng)險(xiǎn)成本的最大值，再通過調(diào)用CPLEX求解器對(duì)模型進(jìn)行求解，進(jìn)一步實(shí)現(xiàn)目標(biāo)函數(shù)的可控調(diào)度。通過上下層的迭代，可很準(zhǔn)確地計(jì)算出不確定性IES模型中各運(yùn)行機(jī)組的調(diào)度出力方案。算法求解流程[23]如圖2所示。

圖2 雙層IES優(yōu)化調(diào)度模型求解流程Fig.2 Flow chart of solving two-level optimization scheduling model

步驟1：用風(fēng)、光預(yù)測(cè)功率計(jì)算IES確定性經(jīng)濟(jì)調(diào)度模型，得到最優(yōu)目標(biāo)函數(shù)值，并將其目標(biāo)適應(yīng)度傳遞到下層作為基準(zhǔn)值信息約束。

步驟2：用風(fēng)、光實(shí)際值代替預(yù)測(cè)值，并制訂風(fēng)險(xiǎn)成本可調(diào)偏差因子，從而確定決策者在可接受的優(yōu)化模型期望下的目標(biāo)值。

步驟3：迭代優(yōu)化模型上下層，判斷是否達(dá)到收斂精度或最大迭代次數(shù)。若不收斂，則調(diào)整成本偏差因子；若收斂，則輸出調(diào)度結(jié)果。

5 算例分析

5.1 算例參數(shù)

為了驗(yàn)證本文所建模型的合理性，選擇廣東某園區(qū)級(jí)IES作為研究對(duì)象，并進(jìn)行算例仿真。該工業(yè)園區(qū)以日前24 h為調(diào)度運(yùn)行的周期，其多能負(fù)荷需求如圖3所示；風(fēng)、光機(jī)組出力功率預(yù)測(cè)結(jié)果如圖4所示；表1為各設(shè)備的裝機(jī)容量和轉(zhuǎn)換效率；表2為上網(wǎng)購能的分時(shí)電價(jià)和氣價(jià)。在仿真過程中，設(shè)置了1 h的時(shí)間步長間隔。上層模型使用PSO-SA算法求解確定性目標(biāo)適應(yīng)度，其混合啟發(fā)式算法的種群數(shù)目設(shè)置為200組，最高迭代次數(shù)設(shè)置為500次，接著通過迭代優(yōu)化的方式獲得全局最佳適應(yīng)度作為基準(zhǔn)值信息傳遞到下層；下層模型在MATLAB_2021b軟件內(nèi)使用YALMIP工具包中的CPLEX求解器進(jìn)行數(shù)值求解；最后通過雙層迭代獲得IES的日前調(diào)度最優(yōu)出力方案。

表1 IES設(shè)備主要參數(shù)Tab.1 Main parameters of IES

表2 電、氣分時(shí)價(jià)格Tab.2 Electricity/gas time-of-use electricity price

圖3 多能負(fù)荷需求結(jié)果Fig.3 Multi-energy load demand results

圖4 風(fēng)、光功率預(yù)測(cè)結(jié)果Fig.4 Forecasting results of WTand PV

在IES的上層調(diào)度過程中，使用PSO-SA算法求解多目標(biāo)適應(yīng)度，從而得到各個(gè)運(yùn)行機(jī)組的初步出力計(jì)劃，接著將最優(yōu)目標(biāo)適應(yīng)度作為基準(zhǔn)決策信息傳遞到下層。上層仿真結(jié)果表明，優(yōu)化后可以獲得100個(gè)Pareto前沿解，這意味著有100種可選擇的控制策略方案，但每個(gè)調(diào)度策略對(duì)應(yīng)的適應(yīng)度值各不相同，其優(yōu)化結(jié)果如圖5所示。

圖5 基于PSO-SA算法的帕累托前沿解Fig.5 Pareto solution based on PSO-SA algorithm

5.2 場(chǎng)景調(diào)度結(jié)果分析

本節(jié)主要分析含不確定性的IES魯棒優(yōu)化調(diào)度模型，并設(shè)置2種場(chǎng)景進(jìn)行對(duì)比。場(chǎng)景1：不含不確定性的多目標(biāo)魯棒優(yōu)化場(chǎng)景，即日前經(jīng)濟(jì)運(yùn)行調(diào)度場(chǎng)景；場(chǎng)景2：考慮新能源不確定性的魯棒優(yōu)化調(diào)度場(chǎng)景，即將IGDT方法應(yīng)用于風(fēng)、光不確定性出力處理后的可控調(diào)度場(chǎng)景。在IES魯棒優(yōu)化模型調(diào)度過程中，雙層魯棒優(yōu)化調(diào)度將確定性模型的優(yōu)化目標(biāo)轉(zhuǎn)化為求取風(fēng)險(xiǎn)成本不大于最大不確定性度的基準(zhǔn)約束，得到的標(biāo)定信息值越大，意味著保守決策方案對(duì)機(jī)組出力的不確定性程度變得相對(duì)更加不敏感，即IES的魯棒性更好。

5.2.1 含不確定性的多目標(biāo)優(yōu)化結(jié)果分析

5.2.1.1 電功率平衡結(jié)果

在本文研究中，場(chǎng)景1被視為典型場(chǎng)景，在該場(chǎng)景下的電負(fù)荷主要由CCHP機(jī)組、風(fēng)電機(jī)組、光伏以及電網(wǎng)交互聯(lián)絡(luò)線供給，而電制冷機(jī)、電轉(zhuǎn)氣裝置和碳捕集裝置則用于能量耦合，電功率平衡結(jié)果如圖6所示。由于廣東粵北地區(qū)在冬季有著大量的熱負(fù)荷需求，而CCHP機(jī)組為了滿足用戶的生活熱能需求，通常會(huì)在“以熱定電”的模式下穩(wěn)定運(yùn)行供能，所以這種多能聯(lián)供調(diào)度模式會(huì)導(dǎo)致大量的過剩電能量，進(jìn)而出現(xiàn)就地棄能現(xiàn)象。

圖6 電功率平衡結(jié)果Fig.6 Electric power balance results

5.2.1.2 熱功率平衡結(jié)果

在場(chǎng)景1的基礎(chǔ)上，IES的熱負(fù)荷主要由燃?xì)忮仩t和CCHP機(jī)組共同出力滿足，熱功率平衡結(jié)果如圖7所示。由圖7可以發(fā)現(xiàn)：白天用戶側(cè)的熱負(fù)荷需求不是很大，因此可以通過儲(chǔ)熱裝置來儲(chǔ)存過剩的熱功率；而在夜晚機(jī)組運(yùn)行時(shí)段，由于用戶側(cè)的荷需求量在逐漸升高，燃?xì)忮仩t會(huì)主動(dòng)輸出熱功率來補(bǔ)償IES熱負(fù)荷需求的不足，同時(shí)蓄熱罐釋放儲(chǔ)存的大功率熱能量。通過燃?xì)忮仩t與蓄熱罐的聯(lián)合調(diào)度，可以使CCHP機(jī)組熱出力達(dá)到IES荷側(cè)熱負(fù)荷的供需平衡，為風(fēng)、光等分布式新能源機(jī)組出力騰出大量的能量耦合空間。

圖7 熱功率平衡結(jié)果Fig.7 Thermal power balance results

5.2.1.3 冷功率平衡結(jié)果

在場(chǎng)景1的基礎(chǔ)上，IES的冷負(fù)荷主要由電制冷機(jī)和CCHP機(jī)組提供，用戶側(cè)的冷功率平衡結(jié)果如圖8所示。由圖8可以看出荷側(cè)的冷負(fù)荷在需求量較低時(shí)是不需要CCHP機(jī)組工作的，而在高冷負(fù)荷需求下，只需要吸收少量的CCHP機(jī)組產(chǎn)熱量制冷即可調(diào)節(jié)用戶側(cè)的冷能平衡；當(dāng)用戶側(cè)的冷需求量較大時(shí)，會(huì)由電制冷機(jī)承擔(dān)主要的動(dòng)態(tài)冷負(fù)荷供給，同時(shí)釋放蓄冷槽內(nèi)儲(chǔ)存的冷能量，進(jìn)而滿足IES荷側(cè)的冷負(fù)荷能量供需平衡。

圖8 冷功率平衡結(jié)果Fig.8 Cold power balance results

5.2.2 考慮不確定性的多目標(biāo)優(yōu)化結(jié)果分析

基于上述確定性場(chǎng)景的結(jié)果分析，進(jìn)一步修正圖6、7、8所示的風(fēng)、光電預(yù)測(cè)出力值，并進(jìn)行雙層IES魯棒優(yōu)化調(diào)度。首先將風(fēng)電的不確定度和光電的不確定度置0，此時(shí)的雙層IES優(yōu)化調(diào)度模型是不需要考慮不確定性的確定性模型，也即將風(fēng)電預(yù)測(cè)值、光伏預(yù)測(cè)值以及各種網(wǎng)絡(luò)機(jī)組參數(shù)帶入模型后利用PSO-SA算法進(jìn)行優(yōu)化求解，得到的目標(biāo)函數(shù)對(duì)應(yīng)解就是魯棒調(diào)度成本，這個(gè)解即稱為基準(zhǔn)決策信息；接著再利用這個(gè)基準(zhǔn)值作為調(diào)度決策者制訂雙層IES優(yōu)化運(yùn)行策略的參考信息；隨著風(fēng)險(xiǎn)規(guī)避系數(shù)的逐漸提高，下層目標(biāo)的適應(yīng)度在相同權(quán)重下會(huì)趨向更惡劣的調(diào)度場(chǎng)景，造成目標(biāo)調(diào)度風(fēng)險(xiǎn)運(yùn)行成本值同樣升高，調(diào)度結(jié)果見表3。

表3 不確定性場(chǎng)景優(yōu)化調(diào)度結(jié)果Tab.3 Uncertainty optimization scheduling results

由于在IES魯棒調(diào)度模型中考慮了風(fēng)、光機(jī)組電產(chǎn)能波動(dòng)不確定性的結(jié)果，將其與僅考慮確定型目標(biāo)優(yōu)化調(diào)度結(jié)果相對(duì)比，可以發(fā)現(xiàn)在不同規(guī)避系數(shù)的調(diào)控下，其購能成本、運(yùn)維成本和環(huán)境成本均有明顯變化。這表明參數(shù)分布不確定性對(duì)機(jī)組的運(yùn)維效益和環(huán)境保護(hù)都具有重要影響，且隨著風(fēng)險(xiǎn)規(guī)避系數(shù)的提高，決策者所能接受風(fēng)險(xiǎn)的能力會(huì)逐漸增強(qiáng)。這個(gè)過程中的風(fēng)、光電出力波動(dòng)不確定性雖然也在不斷增大，但在上層提供基準(zhǔn)值信息的限制約束下，IES依然會(huì)減少棄風(fēng)、棄光量。

5.2.2.1 優(yōu)化后電功率平衡結(jié)果

場(chǎng)景2考慮了風(fēng)、光電出力的不確定性，在該調(diào)度優(yōu)化場(chǎng)景下，用戶側(cè)的電負(fù)荷主要由CCHP機(jī)組、風(fēng)電機(jī)組、光伏機(jī)組和上級(jí)電網(wǎng)交互聯(lián)絡(luò)線供給，但風(fēng)電機(jī)組和光伏機(jī)組出力功率已經(jīng)由原來的不確定性變?yōu)橄鄬?duì)無誤差的電功率輸出。這樣做雖然能夠減少因?yàn)闀r(shí)間尺度周期長帶來的預(yù)測(cè)誤差而造成的額外機(jī)組調(diào)度策略損失，但增加了能源響應(yīng)機(jī)組快速調(diào)度所需要的風(fēng)險(xiǎn)決策成本。優(yōu)化后的電功率平衡結(jié)果如圖9所示。

圖9 優(yōu)化后電功率平衡結(jié)果Fig.9 Optimized electrical power balance results

5.2.2.2 優(yōu)化后熱功率平衡結(jié)果

在場(chǎng)景2的基礎(chǔ)上，雙層IES用戶側(cè)的熱負(fù)荷需求主要是由電鍋爐和CCHP機(jī)組的熱出力來共同滿足底層熱能的缺額功率，優(yōu)化后熱功率平衡結(jié)果如圖10所示。同樣是在確定了風(fēng)、光電的輸出功率特性后，為保證源荷兩端的熱平衡，需要在IES用熱需求量較高時(shí)，由電鍋爐來承擔(dān)主要的熱能量供應(yīng)，以此減少CCHP機(jī)組的運(yùn)行約束，同時(shí)通過燃?xì)忮仩t配合蓄熱罐充、放熱出力來平衡荷側(cè)熱能的變化，間接減少了階梯能量損失。

圖10 優(yōu)化后熱功率平衡結(jié)果Fig.10 Optimized thermal power balance results

5.2.2.3 優(yōu)化后冷功率平衡結(jié)果

在場(chǎng)景2的基礎(chǔ)上，雙層IES的冷負(fù)荷主要由電制冷機(jī)和CCHP機(jī)組的冷出力來共同滿足底層冷能的缺額運(yùn)行功率，優(yōu)化后的源荷冷功率平衡結(jié)果如圖11所示。在確定了風(fēng)、光機(jī)組的運(yùn)行輸出特性后，冷負(fù)荷功率主要由CCHP機(jī)組承擔(dān)底層的冷能需求量供應(yīng)，而電制冷機(jī)和蓄冷槽起著冷負(fù)荷補(bǔ)償運(yùn)行耦合作用，減少了各機(jī)組調(diào)度過程中的能量損失，加強(qiáng)了不同能源間的深層耦合。

圖11 優(yōu)化后冷功率平衡結(jié)果Fig.11 Optimized cooling power balance results

5.2.3 模型有效性對(duì)比分析

為了驗(yàn)證本文所提雙層IES魯棒優(yōu)化調(diào)度模型的優(yōu)越性，將基于IGDT和PSO-SA的魯棒優(yōu)化調(diào)度模型分別與傳統(tǒng)IGDT優(yōu)化調(diào)度模型和確定性優(yōu)化調(diào)度模型進(jìn)行比較，同時(shí)對(duì)比了IES運(yùn)行場(chǎng)景機(jī)組的調(diào)度成本、運(yùn)行時(shí)間和迭代次數(shù)。上述3種模型在不同場(chǎng)景下的調(diào)度結(jié)果見表4。

表4 不同調(diào)度方法的場(chǎng)景對(duì)比Tab.4 Comparisons of different scheduling methods

由表4可知，采用本文所提出的雙層魯棒優(yōu)化調(diào)度模型可以明顯降低IES的運(yùn)行成本，不僅可以減少風(fēng)、光機(jī)組出力不確定性所造成的額外棄能經(jīng)濟(jì)損失，還能增強(qiáng)IES的魯棒穩(wěn)定性。在實(shí)際工程調(diào)度過程中，信息決策者應(yīng)該對(duì)IES中嚴(yán)重不確定性的機(jī)組風(fēng)險(xiǎn)水平進(jìn)行評(píng)估，再通過評(píng)估系統(tǒng)的決策信息來設(shè)置合理的風(fēng)險(xiǎn)規(guī)避系數(shù)，進(jìn)而選擇可接受風(fēng)險(xiǎn)范圍內(nèi)的最佳日前機(jī)組調(diào)度方案。

6 結(jié)論

本文為了平抑IES的能量瞬時(shí)高波動(dòng)，詳細(xì)分析了風(fēng)、光機(jī)組出力的嚴(yán)重不確定性。首先通過構(gòu)建確定性經(jīng)濟(jì)調(diào)度場(chǎng)景，同時(shí)考慮購能成本、機(jī)組運(yùn)維成本和環(huán)境污染成本，并設(shè)置相應(yīng)約束條件；然后在上層利用PSO-SA算法進(jìn)行尋優(yōu)，并將計(jì)算的適應(yīng)度作為基準(zhǔn)值傳遞到下層作為決策信息；接著在下層不確定性場(chǎng)景中接受來自上層的基準(zhǔn)信息，并利用CPLEX求解器數(shù)值求解在信息約束下的魯棒優(yōu)化調(diào)度模型；最后通過算例仿真，驗(yàn)證了該雙層魯棒模型可以促進(jìn)風(fēng)、光電的消納，減少IES的調(diào)度運(yùn)行成本。主要研究成果如下：

a)本文建立了考慮新能源不確定性的IES魯棒優(yōu)化調(diào)度模型，相較于傳統(tǒng)IES經(jīng)濟(jì)優(yōu)化運(yùn)行調(diào)度模型，該雙層IES魯棒優(yōu)化調(diào)度模型在計(jì)算效率方面雖然會(huì)有所降低，但它在機(jī)組能量傳遞上由于增加了電轉(zhuǎn)氣和碳捕集的耦合，使得所建模型能夠優(yōu)化出更加精確的日前機(jī)組調(diào)度結(jié)果。

b)本文利用IGDT方法解決風(fēng)、光機(jī)組出力波動(dòng)的嚴(yán)重不確定性，與確定性魯棒優(yōu)化調(diào)度相比，該方法不需要考慮在最惡劣場(chǎng)景下和目標(biāo)經(jīng)濟(jì)指標(biāo)調(diào)度相沖突的矛盾，能夠?yàn)檎{(diào)度工作者提供更加合理的機(jī)組調(diào)度決策信息。

c)本文利用PSO-SA算法求解確定性IES經(jīng)濟(jì)優(yōu)化調(diào)度模型，并在上層多目標(biāo)決策變量的約束條件下，增加了等式和不等式約束條件，接著對(duì)多目標(biāo)函數(shù)進(jìn)行求解，在獲取帕累托前沿解后，選擇最優(yōu)適應(yīng)度傳遞到下層作為基準(zhǔn)決策信息。