王雨晴 王文詩(shī) 徐心竹 蔡瑞寧 張衛(wèi)翔 曾 博

面向低碳交通的含新能源汽車(chē)共享站電-氫微能源網(wǎng)區(qū)間-隨機(jī)混合規(guī)劃方法

王雨晴1,2王文詩(shī)3徐心竹1蔡瑞寧2張衛(wèi)翔1曾 博1

（1. 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)） 北京 102206 2. 華北電力大學(xué)（保定）經(jīng)濟(jì)管理系 保定 071000 3. 國(guó)網(wǎng)能源研究院有限公司 北京 102209）

在新能源汽車(chē)快速發(fā)展下，為充分發(fā)揮其對(duì)交通與能源領(lǐng)域低碳轉(zhuǎn)型目標(biāo)實(shí)現(xiàn)的支撐作用，該文考慮由電動(dòng)汽車(chē)與氫燃料汽車(chē)間用車(chē)需求可替代性帶來(lái)的負(fù)荷靈活性，采用綜合資源規(guī)劃理念，提出一種含新能源汽車(chē)共享站的電-氫微能源網(wǎng)（VSEHS）兩階段規(guī)劃框架。首先，結(jié)合不同參數(shù)數(shù)據(jù)源的異質(zhì)性，采用區(qū)間和概率相結(jié)合的混合建模方法處理不確定性，并開(kāi)展基于演化博弈的用戶多車(chē)型選擇長(zhǎng)期偏好及其演化建模，刻畫(huà)共享汽車(chē)服務(wù)下用戶需求對(duì)租賃定價(jià)的潛在靈活性；其次，在利用租賃價(jià)格引導(dǎo)用戶需求的基礎(chǔ)上，考慮多種不確定性因素影響下的系統(tǒng)運(yùn)行模擬，構(gòu)建基于區(qū)間-隨機(jī)混合規(guī)劃的VSEHS容量配置與定價(jià)決策優(yōu)化模型；然后，提出區(qū)間-隨機(jī)混合優(yōu)化方法，將不同類(lèi)型的不確定性變量歸一化，并在同一框架下基于啟發(fā)式算法實(shí)現(xiàn)高效求解；最后，通過(guò)相關(guān)算例分析，驗(yàn)證所提方法的有效性。

新能源汽車(chē)共享站 電-氫微能源網(wǎng)規(guī)劃 演化博弈 分時(shí)租賃定價(jià) 區(qū)間-隨機(jī)混合優(yōu)化

0 引言

在“碳達(dá)峰、碳中和”目標(biāo)要求下，為實(shí)現(xiàn)交通領(lǐng)域低碳轉(zhuǎn)型，近年來(lái)我國(guó)大力推動(dòng)以電動(dòng)汽車(chē)（Electric Vehicle, EV）和氫燃料汽車(chē)（Hydrogen Fuel-cell Vehicle, HFV）為主的新能源汽車(chē)發(fā)展[1-2]。然而，為真正發(fā)揮新能源汽車(chē)推廣對(duì)雙碳目標(biāo)的支撐作用，需盡可能保證作為新能源汽車(chē)動(dòng)力的電能與氫能供應(yīng)來(lái)源于可再生能源，否則即是僅僅將車(chē)輛行駛過(guò)程中的碳排放轉(zhuǎn)移至了能源供應(yīng)側(cè)[3]。而依托終端停車(chē)場(chǎng)和電制氫技術(shù)，以電-氫耦合微能源網(wǎng)的形式建立EV充電設(shè)施、HFV加氫站與可再生能源發(fā)電的直接關(guān)聯(lián)[4-6]，則為實(shí)現(xiàn)上述目標(biāo)提供了重要解決方案。

目前，國(guó)內(nèi)外學(xué)者已圍繞該類(lèi)基于停車(chē)場(chǎng)的微能源網(wǎng)規(guī)劃開(kāi)展了一系列的研究。文獻(xiàn)[7]提出了同時(shí)滿足EV充電需求、換電需求及HFV加氫需求的新能源汽車(chē)一體化供能站規(guī)劃模型，實(shí)現(xiàn)了可再生能源和多類(lèi)型新能源汽車(chē)充能需求的聯(lián)合管理；文獻(xiàn)[8-10]進(jìn)一步在規(guī)劃階段考慮了可再生能源發(fā)電、新能源汽車(chē)充電需求及加氫需求的不確定性，分別采用隨機(jī)優(yōu)化、魯棒優(yōu)化等方法建立了電-氫微能源網(wǎng)容量規(guī)劃模型；文獻(xiàn)[11-13]發(fā)掘能源-交通系統(tǒng)之間的互動(dòng)潛力，建立了基于充電站和加氫站建設(shè)的城市綜合能源系統(tǒng)規(guī)劃模型，緩解電力和天然氣網(wǎng)絡(luò)的線路擁堵。為提高新能源汽車(chē)動(dòng)力來(lái)源中可再生能源的比例，現(xiàn)有規(guī)劃研究還進(jìn)一步考慮利用價(jià)格引導(dǎo)用戶側(cè)車(chē)輛的動(dòng)力補(bǔ)充行為，使之與可再生能源隨機(jī)出力匹配，減少因供需不平衡引起的棄風(fēng)棄光。文獻(xiàn)[14]將價(jià)格型需求響應(yīng)納入共享電動(dòng)汽車(chē)站點(diǎn)規(guī)劃，結(jié)果顯示需求響應(yīng)策略在促進(jìn)可再生能源消納的同時(shí)，還可減少共享電動(dòng)汽車(chē)的調(diào)度時(shí)間；文獻(xiàn)[15]通過(guò)施加外部激勵(lì)引導(dǎo)EV車(chē)主主動(dòng)參與需求響應(yīng)計(jì)劃；文獻(xiàn)[16-17]在含EV充電站的配電網(wǎng)擴(kuò)展規(guī)劃中，基于動(dòng)態(tài)定價(jià)機(jī)制引導(dǎo)用戶改變EV充放電需求，與可再生能源出力相協(xié)調(diào)以實(shí)現(xiàn)源網(wǎng)荷的利益平衡。

然而，上述研究普遍關(guān)注由供應(yīng)側(cè)電-氫耦合互補(bǔ)，以及需求側(cè)EV或HFV單一動(dòng)力補(bǔ)充負(fù)荷轉(zhuǎn)移所帶來(lái)的系統(tǒng)靈活性，鮮有研究考慮由EV和HFV間的交通可替代性所帶來(lái)的能量需求可轉(zhuǎn)化特性。具體而言，用戶的出行需求可通過(guò)駕駛EV或駕駛HFV滿足[18]，EV與HFV在用車(chē)需求方面的雙向可轉(zhuǎn)化特性可帶來(lái)電-氫負(fù)荷間的轉(zhuǎn)化，而若對(duì)此加以利用，通過(guò)價(jià)格引導(dǎo)用戶出行用車(chē)選擇，則可進(jìn)一步提高系統(tǒng)的靈活性，促進(jìn)可再生能源消納。租賃模式下的新能源汽車(chē)共享站可認(rèn)為是實(shí)現(xiàn)EV與HFV間用車(chē)需求替代及其能量需求轉(zhuǎn)化的典型場(chǎng)景之一[19]，鑒于此，本文提出一種基于新能源汽車(chē)共享站的電-氫微能源系統(tǒng)（New Energy Vehicle Sharing Station-Based Electro-Hydrogen Micro-Energy System, VSEHS），以同時(shí)推進(jìn)能源-交通領(lǐng)域的低碳轉(zhuǎn)型。

目前，國(guó)內(nèi)外少有關(guān)于VSEHS規(guī)劃的研究，與基于停車(chē)場(chǎng)的微能源網(wǎng)規(guī)劃相比，有效描述用戶的車(chē)輛選擇行為及其動(dòng)態(tài)特性是VSEHS規(guī)劃面臨的重要挑戰(zhàn)。由于用戶的車(chē)輛選擇偏好受到租賃價(jià)格、服務(wù)滿意度等因素影響[20-22]，且從長(zhǎng)期來(lái)看，用戶的車(chē)輛選擇行為非一成不變的，可能會(huì)隨著外部因素的刺激而調(diào)整用車(chē)策略以最大化自身利益[23]，因此在VSEHS規(guī)劃決策中必須適當(dāng)考慮需求側(cè)特征的演化性質(zhì)，通過(guò)合理的租賃價(jià)格方案引導(dǎo)用戶車(chē)輛選擇偏好，從而提高可再生能源的利用率及VSEHS的投資運(yùn)營(yíng)效益。當(dāng)前雖已有學(xué)者基于用戶出行選擇行為特征分析開(kāi)展了共享電動(dòng)汽車(chē)定價(jià)策略研究[24-25]，但現(xiàn)有研究主要通過(guò)動(dòng)態(tài)分時(shí)租賃價(jià)格引導(dǎo)用戶改變短時(shí)車(chē)輛使用行為以緩解交通擁堵，一方面未考慮能源-交通耦合以促進(jìn)可再生能源消納，另一方面鮮有文獻(xiàn)在規(guī)劃階段通過(guò)優(yōu)化價(jià)格以引導(dǎo)用戶長(zhǎng)期車(chē)輛選擇偏好。

此外，VSEHS規(guī)劃面臨著可再生能源出力和用戶出行需求帶來(lái)的多種不確定性。其中，用戶出行需求可通過(guò)調(diào)查問(wèn)卷等方法在短時(shí)間內(nèi)獲得大量有效數(shù)據(jù)，便于用基于概率分布的隨機(jī)變量表示[26]。而可再生能源出力的準(zhǔn)確概率分布需要長(zhǎng)期的氣象監(jiān)測(cè)，在歷史數(shù)據(jù)未知的地點(diǎn)通常難以獲得滿意的數(shù)據(jù)，因此有學(xué)者認(rèn)為利用區(qū)間數(shù)表示可再生能源出力既能保留相應(yīng)的不確定信息，又便于實(shí)現(xiàn)，具有更強(qiáng)的合理性[27]。由此，VSEHS規(guī)劃將同時(shí)含有隨機(jī)參數(shù)和區(qū)間參數(shù)兩類(lèi)不確定性變量，這使得問(wèn)題求解具有一定難度，而現(xiàn)有文獻(xiàn)中鮮有區(qū)間和隨機(jī)參數(shù)聯(lián)合求解的相關(guān)經(jīng)驗(yàn)。

針對(duì)上述研究的不足，本文提出一種容量配置與車(chē)輛租賃價(jià)格協(xié)同優(yōu)化的VSEHS綜合資源規(guī)劃框架。首先，闡述VSEHS系統(tǒng)架構(gòu)及考慮多能源-多車(chē)型協(xié)調(diào)互濟(jì)的低碳運(yùn)行模式；其次，系統(tǒng)刻畫(huà)可再生能源及用戶需求的不確定性，開(kāi)展基于演化博弈的用戶多車(chē)型選擇長(zhǎng)期偏好及其演化建模；然后，引入基于租賃價(jià)格的用戶出行引導(dǎo)方案，構(gòu)建了基于區(qū)間-隨機(jī)混合優(yōu)化的VSEHS設(shè)備配置與定價(jià)決策兩階段規(guī)劃模型；最后，考慮不同形式的不確定變量，提出區(qū)間-隨機(jī)混合求解方法，將其轉(zhuǎn)化為確定性優(yōu)化問(wèn)題求解。算例仿真結(jié)果驗(yàn)證了本文所提方法的有效性。

1 VSEHS系統(tǒng)架構(gòu)

本文提出的VSEHS在提供EV和HFV車(chē)輛租賃服務(wù)的同時(shí)，還承擔(dān)著站內(nèi)新能源汽車(chē)的燃料供應(yīng)與動(dòng)力補(bǔ)充任務(wù)。一個(gè)典型的VSEHS系統(tǒng)主要由新能源汽車(chē)共享站和電-氫能量樞紐兩部分構(gòu)成，VSEHS系統(tǒng)的基本架構(gòu)如圖1所示。

VSEHS系統(tǒng)內(nèi)配置EV和HFV兩種不同類(lèi)型的新能源車(chē)輛，通過(guò)向用戶提供車(chē)輛租賃服務(wù)獲得收入，并配備了相應(yīng)的充電樁（Charging Pile，CP）和加氫設(shè)備（Hydrogenation Equipment, HE），用于為站內(nèi)多輛可租賃的新能源汽車(chē)同時(shí)提供能量補(bǔ)充。作為新能源汽車(chē)的能量來(lái)源，VSEHS中配有小型風(fēng)機(jī)（Wind Turbine, WT）、分布式光伏發(fā)電（Photovoltaic Unit, PV）、電解池（Electrolytic Cell, EC）和燃料電池（Fuel Cell, FC）四類(lèi)能源生產(chǎn)設(shè)備，以及電儲(chǔ)能（Electrical Energy Storage, ES）和儲(chǔ)氫裝置（Hydrogen Storage, HS）兩類(lèi)能源儲(chǔ)存設(shè)備，同時(shí)系統(tǒng)還分別與外部電網(wǎng)及氫燃料供應(yīng)體系相連，從而可以從外部市場(chǎng)購(gòu)買(mǎi)額外電能和氫能，以補(bǔ)充系統(tǒng)可能出現(xiàn)的供能不足。

此外，在車(chē)輛租賃服務(wù)方面，本文假設(shè)用戶可自由選擇是否在VSEHS內(nèi)租賃車(chē)輛。若用戶選擇在VSEHS內(nèi)租車(chē)，則需進(jìn)一步選擇租車(chē)車(chē)型（EV或HFV），并向VSEHS運(yùn)營(yíng)商提供每日出行時(shí)間/返回時(shí)間、行駛距離等出行習(xí)慣數(shù)據(jù)。而VSEHS在為用戶提供所需要的車(chē)輛后，將根據(jù)車(chē)輛租賃價(jià)格與時(shí)間獲得服務(wù)收入。若用戶拒絕在VSEHS內(nèi)租車(chē)，則認(rèn)為其通過(guò)常規(guī)模式出行，與VSEHS無(wú)交互。由于用戶的租車(chē)選擇將直接決定VSEHS的能源需求和運(yùn)行性能，因此為了實(shí)現(xiàn)系統(tǒng)盈利最大化，VSEHS運(yùn)營(yíng)商有必要設(shè)計(jì)適當(dāng)?shù)能?chē)輛租賃價(jià)格，以激勵(lì)用戶選擇最有利于VSEHS的理想出行方式。

圖1 VSEHS系統(tǒng)基本架構(gòu)

2 不確定性建模

VSEHS規(guī)劃面臨源荷雙側(cè)的不確定性，其中源側(cè)主要為可再生能源出力的不確定性，負(fù)荷側(cè)主要為車(chē)輛充電與加氫負(fù)荷的不確定性。其中，車(chē)輛動(dòng)力補(bǔ)充需求與VSEHS內(nèi)的車(chē)輛調(diào)度計(jì)劃緊密相關(guān)，由用戶的租車(chē)行為決定，具體而言，VSEHS需根據(jù)車(chē)輛租賃時(shí)間、返還時(shí)間、行駛里程、每一時(shí)刻租賃車(chē)輛數(shù)量、租賃車(chē)輛能源形式合理安排站內(nèi)車(chē)輛調(diào)度及動(dòng)力補(bǔ)充，以與電-氫能量樞紐運(yùn)行相協(xié)調(diào)，而用戶行為同樣具有不確定性。因此，本節(jié)結(jié)合可靠數(shù)據(jù)概率分布的獲取難度，采用區(qū)間和隨機(jī)兩種方法，分別對(duì)可再生能源出力、用戶出行習(xí)慣和用戶出行方式選擇偏好進(jìn)行不確定性建模，刻畫(huà)VSEHS源荷雙側(cè)不確定性。

此外，需要強(qiáng)調(diào)的是，用戶租車(chē)選擇偏好的概率并非恒定，受租賃價(jià)格等變量影響而演變。基于此，VSEHS可借助價(jià)格方式激發(fā)用戶車(chē)輛使用需求的能源可替代性，引導(dǎo)其選擇偏好，以與VSEHS的規(guī)劃運(yùn)行相匹配。

2.1 可再生能源出力建模

在實(shí)際工程中，由于氣象的復(fù)雜性，可再生能源出力的可靠概率分布不僅短期內(nèi)不易準(zhǔn)確得到，而且根據(jù)地理位置的不同往往具有較大差異性?？紤]到某一地區(qū)可再生能源出力的邊界值通?？梢詼?zhǔn)確得到，因此本文采用區(qū)間方法來(lái)表示可再生能源出力，如式（1）～式（3）所示。

2.2 用戶出行習(xí)慣建模

式中，為該對(duì)數(shù)正態(tài)分布的均值；為該對(duì)數(shù)正態(tài)分布的方差。

2.3 用戶選擇偏好建模

VSEHS各時(shí)刻租賃車(chē)輛能源形式與數(shù)量由用戶租車(chē)選擇偏好決定，然而在現(xiàn)實(shí)生活中，由于外部環(huán)境信息的不完全性，租車(chē)用戶在進(jìn)行策略選擇時(shí)往往是有限理性的，其在初始階段通常無(wú)法找到使自己效益最優(yōu)化的出行方式，但其可以通過(guò)不斷觀察學(xué)習(xí)自身及其他用戶之前采用某種策略所獲得的收益，改變自己的租車(chē)選擇策略以使自己的效用最優(yōu)。因此，用戶對(duì)車(chē)型的選擇并非一成不變，且由于上述學(xué)習(xí)能力的存在，用戶的選擇行為遵循行為學(xué)中的“反射-反應(yīng)”（RR）范式[32]：當(dāng)某種策略在用戶群體里被證明有更好的效益時(shí)，其他用戶會(huì)改變自己的固有選擇而進(jìn)行模仿學(xué)習(xí)；此外，某一種策略越被用戶認(rèn)可，它在用戶群體中被學(xué)習(xí)的可能性越高，被選擇的概率也會(huì)隨之發(fā)生改變。

鑒于此，本文選擇應(yīng)用描述有限理性參與者調(diào)整自身策略以適應(yīng)環(huán)境的演化博弈理論來(lái)刻畫(huà)RR范式下的用戶租車(chē)策略選擇問(wèn)題，建立用戶選擇偏好模型，以準(zhǔn)確分析在動(dòng)態(tài)優(yōu)化的租賃價(jià)格引導(dǎo)下用戶的車(chē)輛選擇行為和趨勢(shì)，求解演化穩(wěn)定狀態(tài)下的用戶租車(chē)策略選擇概率，描述租車(chē)意愿的相關(guān)不確定性。

在演化博弈中，參與者通過(guò)類(lèi)似于遺傳機(jī)制而非理性選擇過(guò)程調(diào)整策略以適應(yīng)環(huán)境，并由此產(chǎn)生群體行為演化趨勢(shì)[33]。演化博弈模型主要包括五種元素：參與者集合、策略集、適應(yīng)度函數(shù)、復(fù)制者動(dòng)態(tài)方程及演化穩(wěn)定策略。本文所構(gòu)建的VSEHS用戶選擇偏好演化博弈模型如下：

1）博弈參與者：用戶群體。

2）策略集。實(shí)際中，每個(gè)用戶在出行前都會(huì)面臨選擇哪一種租車(chē)方式的問(wèn)題，每一個(gè)用戶可選擇的租車(chē)策略集合用={1,2,3}表示，其中，=1表示用戶拒絕在VSEHS內(nèi)參與租車(chē)服務(wù)，可認(rèn)為是選擇在其他租車(chē)站進(jìn)行租車(chē)；=2表示租賃EV；=3表示租賃HFV。假設(shè)x表示用戶選擇策略出行的種群比例，顯然滿足x∈[0,1]，1231。由于用戶會(huì)根據(jù)自己和他人效益進(jìn)行策略的學(xué)習(xí)與改變，因此采用不同策略的比例會(huì)隨之發(fā)生變化。

3）適應(yīng)度函數(shù)。本文將每種租車(chē)策略的適應(yīng)度函數(shù)U定義為選擇該策略的用戶群體總效用，如式（5）～式（8）所示，用戶個(gè)體選擇租車(chē)策略的效用函數(shù)U為其出行效益與由租車(chē)成本及車(chē)輛擁擠度所導(dǎo)致的效用折損間的差值。

在演化博弈過(guò)程中，為了保證自身利益最大化，每個(gè)VSEHS用戶會(huì)學(xué)習(xí)與調(diào)整策略。若用戶選擇策略的收益少于群體平均收益，則說(shuō)明該策略并不會(huì)給用戶帶來(lái)較高的回報(bào)，同時(shí)該策略在用戶群體中也不會(huì)受歡迎，因此該策略的增長(zhǎng)率為負(fù)；反之為正。基于此建立租賃行為中的用戶復(fù)制者動(dòng)態(tài)方程如式（10）所示，其揭示了選擇各個(gè)出行策略群體比例的演化規(guī)律。

5）演化穩(wěn)定策略。本文采用離散式迭代算法求解演化博弈穩(wěn)定點(diǎn)。將式（10）所示的基于時(shí)間的連續(xù)微分方程差分化，可得到離散型復(fù)制者動(dòng)態(tài)方程如式（11）所示，并當(dāng)滿足式（12）所示約束時(shí)可認(rèn)為演化博弈達(dá)到演化穩(wěn)定。

式中，為迭代次數(shù)；為迭代步長(zhǎng)；為一個(gè)極小的正整數(shù)。

VSEHS用戶租車(chē)選擇偏好演化穩(wěn)定點(diǎn)求解首先根據(jù)用戶的初始策略選擇，依次計(jì)算所選策略的適應(yīng)度和所有其他可用策略下的平均適應(yīng)度值，然后對(duì)策略進(jìn)行比較、迭代和更新，直到滿足收斂條件。

3 VSEHS兩階段規(guī)劃模型構(gòu)建

3.1 VSEHS規(guī)劃框架

本文假設(shè)VSEHS的投資與運(yùn)營(yíng)均由同一主體承擔(dān)，其目標(biāo)是確定VSEHS最優(yōu)的設(shè)備配置與定價(jià)策略，以實(shí)現(xiàn)自身利潤(rùn)的最大化。然而，由于VSEHS的投資效益與其運(yùn)行方式是強(qiáng)耦合的，因此在規(guī)劃階段必須充分考慮VSEHS運(yùn)行狀態(tài)的潛在影響。鑒于此，VSEHS規(guī)劃是一個(gè)典型的兩階段優(yōu)化問(wèn)題，需同時(shí)考慮投資決策和運(yùn)行優(yōu)化及其交互效應(yīng)，其規(guī)劃基本框架如圖2所示。

在此框架下，第一階段問(wèn)題為VSEHS的最優(yōu)配置設(shè)計(jì)。具體而言，該問(wèn)題以系統(tǒng)投資凈收益最大化為目標(biāo)，確定能源生產(chǎn)、轉(zhuǎn)化與儲(chǔ)存設(shè)備的安裝容量，EV、HFV及其動(dòng)力補(bǔ)充設(shè)施的投資數(shù)量，以及EV與HFV的租賃定價(jià)方案。同時(shí)，第一階段問(wèn)題受到設(shè)備/車(chē)輛經(jīng)濟(jì)技術(shù)參數(shù)及租賃價(jià)格的約束，而由第一階段問(wèn)題產(chǎn)生的決策方案將構(gòu)成第二階段問(wèn)題的參數(shù)集。

圖2 VSEHS規(guī)劃基本框架

考慮到運(yùn)行過(guò)程中可能采取的控制策略的影響，第二階段為系統(tǒng)運(yùn)行狀態(tài)模擬。該階段綜合考慮可再生能源出力、用戶出行需求和用戶選擇偏好等不確定性，對(duì)擬建VSEHS的實(shí)時(shí)運(yùn)行調(diào)度進(jìn)行優(yōu)化，確定各時(shí)間段的能量輸入/輸出設(shè)備出力以及新能源車(chē)輛的運(yùn)行調(diào)度安排，進(jìn)而將給定規(guī)劃決策和定價(jià)方案下的系統(tǒng)運(yùn)行狀態(tài)反饋給第一階段，在一個(gè)交互框架下得到VSEHS的最優(yōu)規(guī)劃解。

3.2 VSEHS兩階段規(guī)劃模型

3.2.1 規(guī)劃-運(yùn)行兩階段優(yōu)化目標(biāo)

VSEHS兩階段規(guī)劃模型以最大化系統(tǒng)年投資凈利潤(rùn)為目標(biāo)，如式（14）所示，系統(tǒng)年投資凈利潤(rùn)等于VSEHS年運(yùn)行效益減去系統(tǒng)年值化的投資成本。

VSEHS投資成本由VSEHS內(nèi)能源設(shè)備配置成本、新能源汽車(chē)配置成本和動(dòng)力補(bǔ)充設(shè)備配置成本共同組成，并通過(guò)資金回收系數(shù)轉(zhuǎn)化為等年值，如式（15）所示。

VSEHS的車(chē)輛租賃收益為EV用戶和HFV用戶租賃費(fèi)用的總和，可表示為

同時(shí)，VSEHS利用多能互補(bǔ)與多車(chē)型聯(lián)運(yùn)的靈活性可以促進(jìn)可再生能源的消納，系統(tǒng)用電量/耗氫量與外購(gòu)能源間的差值為VSEHS內(nèi)的綠電和綠氫供應(yīng)量，其與外購(gòu)能源相比無(wú)碳排放，其產(chǎn)生的碳減排量可參與碳交易獲取碳減排收益。鑒于此，本文將碳減排收益納入目標(biāo)函數(shù)，將環(huán)境指標(biāo)體系中碳排放量轉(zhuǎn)化為經(jīng)濟(jì)指標(biāo)，以實(shí)現(xiàn)環(huán)境與經(jīng)濟(jì)屬性的統(tǒng)一。目標(biāo)函數(shù)為

此外，VSEHS年運(yùn)行成本由外購(gòu)能源成本與運(yùn)行維護(hù)成本共同組成，有

3.2.2 規(guī)劃決策階段約束條件

規(guī)劃約束主要包括設(shè)備配置容量/數(shù)量約束、租賃價(jià)格定價(jià)約束。

1）設(shè)備配置約束

受限于資源可用性、空間等約束限制，VSEHS系統(tǒng)中各類(lèi)設(shè)備的配置容量需滿足

2）定價(jià)約束

為防止車(chē)輛租賃價(jià)格波動(dòng)對(duì)民生造成的負(fù)面影響，VSEHS內(nèi)EV、HFV的租賃定價(jià)應(yīng)受到上、下限的限制，即

3.2.3 運(yùn)行模擬階段約束條件

運(yùn)行約束主要包括功率平衡約束、設(shè)備運(yùn)行特性約束和共享站內(nèi)車(chē)輛調(diào)度約束。

1）功率平衡約束

電、氫負(fù)荷由VSEHS內(nèi)的新能源汽車(chē)充電需求和加氫需求決定，與車(chē)輛調(diào)度計(jì)劃緊密相關(guān)，具體如式（24）和式（25）所示，而與車(chē)輛調(diào)度計(jì)劃相關(guān)的用戶租車(chē)行為不確定性已在前節(jié)詳細(xì)討論。

2）設(shè)備運(yùn)行特性約束

（1）電解池

（2）燃料電池

（3）電氫儲(chǔ)能設(shè)備

3）車(chē)輛調(diào)度約束

此外，針對(duì)各時(shí)段的車(chē)輛調(diào)度方案，需滿足以下車(chē)輛和動(dòng)力補(bǔ)充設(shè)備的數(shù)量約束限制。

式（30）表示任何一個(gè)時(shí)刻所有狀態(tài)下的EV/HFV總數(shù)應(yīng)保持恒定。式（31）為EV/HFV的狀態(tài)轉(zhuǎn)移方程，表示時(shí)刻開(kāi)始充能的車(chē)輛數(shù)量等于在時(shí)刻完成充能的車(chē)輛數(shù)量。式（32）表示正在充電/加氫車(chē)輛數(shù)量應(yīng)少于加注設(shè)施數(shù)量。式（33）表示任何一個(gè)時(shí)刻用戶租走的EV/HFV數(shù)量應(yīng)該小于該時(shí)刻站內(nèi)滿動(dòng)力狀態(tài)的EV/HFV數(shù)量，以滿足用戶出行需求。式（34）表示任何一個(gè)時(shí)刻下各個(gè)狀態(tài)的EV/HFV數(shù)量應(yīng)少于VSEHS車(chē)輛總數(shù)量。

4 區(qū)間-隨機(jī)混合優(yōu)化求解方法

由于上述優(yōu)化模型存在隨機(jī)與區(qū)間兩種形式的不確定性參數(shù)，此外，相關(guān)決策同時(shí)涉及規(guī)劃決策及運(yùn)行模擬兩個(gè)階段，因此，本文所研究的VSEHS規(guī)劃在數(shù)學(xué)上屬于一個(gè)復(fù)雜的區(qū)間/隨機(jī)混合二階段優(yōu)化問(wèn)題。本文所提模型的緊湊形式為

為實(shí)現(xiàn)對(duì)上述模型的有效求解，本文提出一種區(qū)間-隨機(jī)混合優(yōu)化求解方法：首先，基于蒙特卡羅模擬法生成預(yù)想場(chǎng)景集合，以實(shí)現(xiàn)對(duì)概率型參數(shù)的確定化描述，從而將問(wèn)題轉(zhuǎn)化為一個(gè)只含有區(qū)間型參數(shù)的優(yōu)化模型；其次，通過(guò)引入?yún)^(qū)間序關(guān)系和模糊偏好法，對(duì)目標(biāo)函數(shù)和約束條件進(jìn)行變換，以使含有區(qū)間型參數(shù)的優(yōu)化問(wèn)題最終轉(zhuǎn)化為一個(gè)確定性優(yōu)化問(wèn)題；最后，利用遺傳算法對(duì)該確定性優(yōu)化問(wèn)題進(jìn)行求解。

4.1 概率型參數(shù)處理

圖3 考慮內(nèi)外生不確定性隨機(jī)變量抽樣流程

4.2 區(qū)間型參數(shù)處理

本文所提規(guī)劃模型中與可再生能源出力相關(guān)的不確定性均用區(qū)間形式進(jìn)行描述。本節(jié)將對(duì)含有區(qū)間型參數(shù)的目標(biāo)函數(shù)及約束條件的處理方法分別介紹。

1）含區(qū)間型參數(shù)的目標(biāo)函數(shù)

根據(jù)上述方法，為了確定最優(yōu)解，本文采用模糊偏好法對(duì)區(qū)間數(shù)進(jìn)行比較。對(duì)于任意兩個(gè)區(qū)間數(shù)和，通過(guò)定義模糊偏好函數(shù)，可表示VSEHS投資商對(duì)的偏好[38]，如式（41）所示。然后，從0到1選取悲觀情緒來(lái)描述VSEHS投資商的風(fēng)險(xiǎn)承受能力，并將模糊函數(shù)值與VSEHS投資商的悲觀程度進(jìn)行比較，以確定優(yōu)選的區(qū)間數(shù)。當(dāng)()大于值時(shí)，VSEHS投資商選擇；否則，選擇。在上述基礎(chǔ)上，文獻(xiàn)[39]對(duì)區(qū)間數(shù)的比較進(jìn)行了簡(jiǎn)化，有

因此通過(guò)以上步驟，基于式（14）的VSEHS投資年利潤(rùn)可轉(zhuǎn)換為確定性模型，有

2）含區(qū)間型參數(shù)的約束條件

通過(guò)對(duì)目標(biāo)函數(shù)與約束條件的轉(zhuǎn)化，便可以將本文的區(qū)間隨機(jī)優(yōu)化模型（35）轉(zhuǎn)化為

4.3 算法流程

由于遺傳算法具有適用性強(qiáng)、便于操作、可擴(kuò)展性的優(yōu)點(diǎn)，易于與演化博弈迭代算法以及包含內(nèi)生不確定性變量的場(chǎng)景生成算法結(jié)合，因此，本文采用遺傳算法作為求解方法，以實(shí)現(xiàn)復(fù)雜規(guī)劃問(wèn)題的高效求解。具體求解流程如圖4所示。需要說(shuō)明的是，本文將最大迭代次數(shù)和沒(méi)有適應(yīng)性改善的最大迭代時(shí)間作為收斂條件，如果達(dá)到指定標(biāo)準(zhǔn)里的任意一個(gè)，則輸出當(dāng)前最優(yōu)個(gè)體作為最終規(guī)劃方案。

5 算例分析

5.1 參數(shù)設(shè)置

為了驗(yàn)證本文所提VSEHS區(qū)間-隨機(jī)混合規(guī)劃方法的有效性，本文以某一城市社區(qū)為背景，并考慮該社區(qū)內(nèi)100名用戶的出行需求，開(kāi)展VSEHS規(guī)劃。該系統(tǒng)的基本結(jié)構(gòu)如圖1所示，其可用車(chē)型及設(shè)備的關(guān)鍵參數(shù)見(jiàn)表1和表2。根據(jù)該地區(qū)歷史氣象數(shù)據(jù)，風(fēng)電和光伏的出力預(yù)測(cè)曲線及波動(dòng)區(qū)間分別如圖5和圖6所示。

圖4 基于遺傳算法的區(qū)間-隨機(jī)混合優(yōu)化求解流程

表1 車(chē)輛參數(shù)

Tab.1 Vehicle parameters

表2 設(shè)備參數(shù)[40, 45-48]

Tab.2 Equipment parameters

（續(xù)）

圖5 風(fēng)機(jī)出力預(yù)測(cè)曲線

圖6 光伏出力預(yù)測(cè)曲線

本文假設(shè)系統(tǒng)購(gòu)電電價(jià)為峰谷電價(jià)，各時(shí)段劃分及價(jià)格見(jiàn)表3[40]，系統(tǒng)從外部能源市場(chǎng)的購(gòu)氫價(jià)格為0.77 元/(kW·h)[41]。此外，碳減排價(jià)格為0.16元/kg[42]，電力和氫能的碳排放因子分別為0.889 kg/(kW·h)和0.478 3 kg/(kW·h)[43-44]。

表3 分時(shí)段電價(jià)

Tab.3 Peak-valley electricity price

演化博弈算法相關(guān)參數(shù)取值情況：12分別取9.6和0.4；分別取5.1和3。遺傳算法相關(guān)參數(shù)取值情況：種群規(guī)模為100，迭代次數(shù)為400，交叉概率為0.9，變異概率為0.2。

5.2 規(guī)劃結(jié)果分析

通過(guò)求解優(yōu)化模型，得到該VSEHS系統(tǒng)最優(yōu)規(guī)劃方案及其經(jīng)濟(jì)效益結(jié)果見(jiàn)表4和表5。在最優(yōu)規(guī)劃方案下，系統(tǒng)年投資凈利潤(rùn)為333.99萬(wàn)元，在年運(yùn)行收入中，車(chē)輛租賃收益和碳減排收益分別占比94.35%和8.65%。

表4 最優(yōu)規(guī)劃方案

Tab.4 Optimal planning schemes

表5 最優(yōu)規(guī)劃效益

Tab.5 Optimal planning results（單位：萬(wàn)元）

在最優(yōu)規(guī)劃方案中，EV的租賃價(jià)格為0.483元/ min，HFV的租賃價(jià)格為0.717 元/min。在該租賃價(jià)格水平下，基于演化博弈的用戶出行選擇策略演化過(guò)程如圖7所示。用戶策略在迭代到第10次左右逐漸趨于穩(wěn)定，最終在最大迭代次數(shù)為100次的仿真情景下，該問(wèn)題的演化穩(wěn)定狀態(tài)為30%的用戶拒絕參與租車(chē)服務(wù)，49%的用戶選擇租賃EV，21%的用戶選擇租賃HFV。這是由于用戶在此定價(jià)下租賃EV的效益高于HFV，因此，選擇租賃EV的用戶更多。而得到此定價(jià)的原因在于氫-電的運(yùn)營(yíng)投資比例會(huì)直接影響車(chē)站的經(jīng)濟(jì)和環(huán)境效益，適當(dāng)?shù)臍湫枨罂梢韵{富裕的風(fēng)光出力，提高可再生能源的消納率，從而提高碳減排效益。而大量的氫需求則一方面會(huì)導(dǎo)致規(guī)劃成本的大幅增加，另一方面會(huì)使站內(nèi)自備氫來(lái)源短缺而導(dǎo)致外購(gòu)氫量過(guò)大，反而增加了系統(tǒng)對(duì)高碳排放能量來(lái)源的依賴，因此，決策者通過(guò)此價(jià)格引導(dǎo)用戶租賃EV多于HFV。同時(shí)，對(duì)于決策者來(lái)說(shuō)，定價(jià)過(guò)高會(huì)造成一定數(shù)量的用戶流失，定價(jià)過(guò)低可能會(huì)影響車(chē)站的盈利。因此，本規(guī)劃結(jié)果所顯示價(jià)格雖然會(huì)造成30%的客戶流失，但是綜合來(lái)看營(yíng)收利潤(rùn)仍為最優(yōu)值。

圖7 用戶租車(chē)偏好演化博弈過(guò)程

該規(guī)劃方案下24 h內(nèi)VSEHS各能源設(shè)備電功率的運(yùn)行情況如圖8所示。由圖8可知，可再生能源出力主要集中在8:00～15:00，為消納豐富的新能源出力，系統(tǒng)安排EV的充電時(shí)間主要集中在白天。但由于該時(shí)段電負(fù)荷的需求仍小于可再生能源出力，富裕的可再生能源出力大部分通過(guò)EC轉(zhuǎn)化為氫能，用于HFV的加氫行為，少量電能通過(guò)ES儲(chǔ)存。對(duì)于傍晚和夜間，可通過(guò)FC發(fā)電和ES放電為電動(dòng)汽車(chē)充電。

圖8 電功率平衡

圖9展示了VSEHS運(yùn)行過(guò)程中的車(chē)輛調(diào)度情況。由圖9可知，充電、加氫車(chē)輛數(shù)量峰值點(diǎn)均出現(xiàn)在白天，與圖8負(fù)荷需求相對(duì)應(yīng)，這說(shuō)明在本文所提出模型下EV/HFV的動(dòng)力補(bǔ)充和電-氫能量轉(zhuǎn)化調(diào)度相協(xié)調(diào)，在滿足用戶出行需求的前提下，系統(tǒng)結(jié)合新能源實(shí)時(shí)出力安排車(chē)輛調(diào)度以提高碳減排效益。對(duì)于70人選擇站內(nèi)租車(chē)出行的情況，經(jīng)過(guò)能源-車(chē)輛協(xié)同管理規(guī)劃只需投資57輛新能源汽車(chē)，車(chē)輛投資數(shù)量減少了18.57%，有效地提高了車(chē)輛利用率，從而減少額外的建設(shè)投資。

圖9 新能源汽車(chē)狀態(tài)

該規(guī)劃方案下氫能相關(guān)設(shè)備的運(yùn)行狀態(tài)由圖10所示。一方面大部分HS用于負(fù)荷需求，優(yōu)先供應(yīng)于HFV的加氫，剩余部分氫能用于電價(jià)較高或風(fēng)光出力較小時(shí)的FC出力；另一方面，氫能主要來(lái)源于電制氫，少數(shù)時(shí)刻來(lái)源于外部購(gòu)氫，氫能自給率高達(dá)91.3%，可保證HFV的動(dòng)力來(lái)源基本來(lái)自于可再生能源。

圖10 氫能設(shè)備運(yùn)行狀態(tài)

5.3 多情景規(guī)劃對(duì)比與結(jié)果分析

5.3.1 情景設(shè)置

為揭示VESHS實(shí)施電-氫集成規(guī)劃及優(yōu)化定價(jià)機(jī)制帶來(lái)的效益，本文設(shè)置四種情景，對(duì)多情景下的最優(yōu)規(guī)劃方案、定價(jià)方案及其成本效益進(jìn)行對(duì)比分析，各情景下的規(guī)劃方案及規(guī)劃效益見(jiàn)表6和表7。

表6 多情景規(guī)劃方案對(duì)比

Tab.6 Comparison of optimization schemes in multiple scenarios

情景1：VSEHS電-氫耦合系統(tǒng)，采用優(yōu)化定價(jià)機(jī)制。

情景2：電、氫能源系統(tǒng)獨(dú)立運(yùn)行，采用優(yōu)化定價(jià)機(jī)制，該場(chǎng)景下僅配置可再生能源發(fā)電和ES，不使用氫電轉(zhuǎn)換設(shè)備與HS，氫能全部外購(gòu)而不考慮電-氫兩種能源形式之間的耦合作用。

情景3：VSEHS電-氫耦合系統(tǒng)，根據(jù)當(dāng)前市場(chǎng)獨(dú)立共享汽車(chē)運(yùn)營(yíng)商的EV租車(chē)價(jià)格定價(jià)。參考文獻(xiàn)[30]，取EV租賃價(jià)格為0.59 元/min。由于目前尚無(wú)HFV的租賃價(jià)格，本文參考EV租賃定價(jià)方式，根據(jù)氫能源價(jià)格、HFV購(gòu)買(mǎi)維修費(fèi)用等成本并結(jié)合合理收益，取HFV租車(chē)價(jià)格為0.92 元/min。

情景4：VSEHS電-氫耦合系統(tǒng)，低價(jià)格水平的固定價(jià)格方案。在本例中，人為地將EV租賃價(jià)格設(shè)為0.21 元/min，HFV租賃價(jià)格設(shè)為0.34 元/min。

5.3.2 電氫聯(lián)合規(guī)劃效益分析

通過(guò)對(duì)比情景1和情景2可知，相比于電、氫獨(dú)立運(yùn)行的規(guī)劃方案，電-氫耦合聯(lián)合規(guī)劃方案的規(guī)劃成本大大增加，這主要是因?yàn)轳詈舷到y(tǒng)中包含電氫轉(zhuǎn)換設(shè)備，其大量使用及可再生能源發(fā)電設(shè)備的額外投入會(huì)直接導(dǎo)致投資成本有明顯的增加。但是總體來(lái)看，電-氫耦合系統(tǒng)的綜合經(jīng)濟(jì)效益和環(huán)境效益均有較優(yōu)的結(jié)果，情景1的年投資凈收益和環(huán)境收益較情景2分別提高了11.97%和24.71%。這是由于多能源-多車(chē)型的聯(lián)合優(yōu)化調(diào)度可以利用多余的能量實(shí)現(xiàn)電氫轉(zhuǎn)換，增強(qiáng)風(fēng)光的就地消納能力，使系統(tǒng)更大程度地利用可再生能源，同時(shí)減少對(duì)外部市場(chǎng)電能和氫能（即具有高碳排放附加屬性的能量來(lái)源）的依賴，在雙重作用下顯著增大環(huán)境效益。此外，情景2中由于氫燃料汽車(chē)能量直接來(lái)源于外部，其環(huán)境效益遠(yuǎn)小于電動(dòng)汽車(chē)，因此，情景2中EV和HFV的租賃定價(jià)差價(jià)相對(duì)更大，以便引導(dǎo)用戶使用電動(dòng)汽車(chē)多于氫燃料汽車(chē)。

表7 多情景規(guī)劃效益對(duì)比

Tab.7 Comparison of optimization benefits in multiple scenarios（單位：萬(wàn)元）

為了進(jìn)一步揭示電-氫耦合系統(tǒng)規(guī)劃方案的有效性，圖11和圖12分別展示了情景2下各設(shè)備日出力情況和車(chē)輛調(diào)度情況。

圖11 情景2電功率平衡

由圖11可知，一方面，系統(tǒng)側(cè)在電價(jià)低谷時(shí)從電網(wǎng)購(gòu)買(mǎi)較多電量以滿足車(chē)輛的充電需求；另一方面，在8:00—15:00由于少了EC對(duì)新能源的直接消納，導(dǎo)致白天光伏的利用率大大下降，光伏裝機(jī)容量下降38.47%，對(duì)比圖8和圖11可以看出光伏最大出力下降30%左右。因此，在非聯(lián)合規(guī)劃場(chǎng)景下雖然同樣使用新能源汽車(chē)，卻因不能高效利用“綠氫”和“綠電”而無(wú)法實(shí)現(xiàn)能源、交通的協(xié)同低碳轉(zhuǎn)型。

由圖12可以看出，充電、加氫車(chē)輛數(shù)量最高點(diǎn)均出現(xiàn)在早晨，這說(shuō)明在非聯(lián)合規(guī)劃情況下，系統(tǒng)會(huì)集中在早上進(jìn)行大量充電；而聯(lián)合規(guī)劃下，可調(diào)節(jié)的充電和加氫行為使系統(tǒng)更靈活地協(xié)調(diào)安排各個(gè)設(shè)備的運(yùn)行，系統(tǒng)可以根據(jù)新能源出力及時(shí)調(diào)整充電需求，并結(jié)合用戶出行需求更好地實(shí)現(xiàn)車(chē)輛的調(diào)度安排，進(jìn)一步提高系統(tǒng)的經(jīng)濟(jì)效益和環(huán)保效益。

5.3.3 定價(jià)機(jī)制影響分析

情景3和情景4為固定價(jià)格方案，即在給定的車(chē)輛租賃價(jià)格下進(jìn)行規(guī)劃。由表7可知兩種固定價(jià)格方案下的VSEHS投資收益均低于采用本文優(yōu)化定價(jià)機(jī)制的情景1。

由情景3與情景1對(duì)比可知，情景3的投資效益和碳減排收益均略遜于情景1，并且情景3的各種設(shè)備配置基本都有所減小，這主要是因?yàn)榫C合成本決定了車(chē)輛租賃價(jià)格，而目前由于充電站和加氫站均獨(dú)立運(yùn)營(yíng)，且能源-車(chē)輛之間缺少調(diào)度匹配導(dǎo)致其綜合成本較高，以至于社會(huì)固定租賃價(jià)格較VSEHS優(yōu)化價(jià)格整體偏高，因此用戶租車(chē)意愿明顯降低，有40%的用戶拒絕參與租車(chē)服務(wù)。

而VSEHS可以利用富余可再生能源進(jìn)行電制氫及通過(guò)多能互補(bǔ)-車(chē)輛協(xié)調(diào)調(diào)度提高資源利用率從而顯著降低聯(lián)合規(guī)劃運(yùn)行成本。同時(shí)，動(dòng)態(tài)優(yōu)化定價(jià)可間接反映聯(lián)合規(guī)劃運(yùn)行成本，實(shí)現(xiàn)價(jià)格-成本間的聯(lián)動(dòng)以充分發(fā)揮聯(lián)合規(guī)劃成本低的優(yōu)勢(shì)。由規(guī)劃效益結(jié)果顯示，優(yōu)化定價(jià)機(jī)制可以增加源側(cè)能源系統(tǒng)和用戶側(cè)交通出行的交互利潤(rùn)，即租賃收益，表明規(guī)劃者可以較低的價(jià)格獲得較大的收益。

對(duì)比情景4和情景1可以看出，情景4的投資成本有所增加，但同時(shí)其租賃收益大幅下降。這是因?yàn)樵谳^低價(jià)格水平下，用戶租車(chē)需求會(huì)增加（80%的用戶選擇在站內(nèi)租車(chē)），設(shè)備的裝機(jī)容量也將隨之增加；但同時(shí)較低的價(jià)格也會(huì)使租賃收入不樂(lè)觀。因此，動(dòng)態(tài)優(yōu)化定價(jià)機(jī)制相對(duì)于固定價(jià)格機(jī)制具有明顯的優(yōu)勢(shì)。

此外，在優(yōu)化定價(jià)機(jī)制下，系統(tǒng)可借助用戶用車(chē)需求所具有的能源可替代性引導(dǎo)其選擇偏好，進(jìn)而根據(jù)用戶需求調(diào)整自身規(guī)劃運(yùn)行策略，改變了系統(tǒng)側(cè)的氫電投資比例，從而實(shí)現(xiàn)了投資效益的提升。同時(shí)，通過(guò)基于用戶選擇偏好的長(zhǎng)期需求側(cè)調(diào)節(jié)還可適度提高地終端負(fù)荷需求與可再生能源發(fā)電出力的匹配度，提高了系統(tǒng)中可再生能源的消納率，從而使系統(tǒng)具有更好的運(yùn)行經(jīng)濟(jì)性和低碳效益。

5.4 混合優(yōu)化與隨機(jī)優(yōu)化比較分析

為驗(yàn)證本文所提出的區(qū)間-隨機(jī)混合優(yōu)化模型的有效性，本節(jié)將前述情景1規(guī)劃方案與傳統(tǒng)純隨機(jī)優(yōu)化方法所得規(guī)劃方案的規(guī)劃效益進(jìn)行對(duì)比。

在純隨機(jī)優(yōu)化方案中，對(duì)于原區(qū)間變量，將根據(jù)其波動(dòng)區(qū)間及給定概率分布，利用蒙特卡羅模擬生成隨機(jī)樣本序列。需要強(qiáng)調(diào)的是，在沒(méi)有先驗(yàn)信息的條件下，本文采取國(guó)內(nèi)外研究廣泛采用的幾種分布函數(shù)：均勻分布、正態(tài)分布、高斯截?cái)喾植?。假設(shè)純隨機(jī)優(yōu)化方法下的模型參數(shù)設(shè)置均與5.1節(jié)相同。

區(qū)間-隨機(jī)混合優(yōu)化與純隨機(jī)的規(guī)劃效益見(jiàn)表8所示。由表8可知，純隨機(jī)優(yōu)化模型得到的系統(tǒng)規(guī)劃方案高度依賴所給基準(zhǔn)數(shù)據(jù)的分布信息，在不同分布情況下所得數(shù)據(jù)具有較強(qiáng)的差異性。因此，基于純隨機(jī)的規(guī)劃方法并不具有普適性，對(duì)于不同地區(qū)其規(guī)劃結(jié)果相差過(guò)大，將給未知數(shù)據(jù)地區(qū)的研究帶來(lái)巨大的困難。而本文中所提出的區(qū)間-隨機(jī)混合優(yōu)化模型同時(shí)兼顧不同種不確定參數(shù)的數(shù)據(jù)特點(diǎn)，采取最適合的數(shù)學(xué)處理方法：對(duì)于不易于短時(shí)間內(nèi)獲得可靠數(shù)據(jù)的不確定變量采用區(qū)間形式以同時(shí)兼顧系統(tǒng)在不確定性作用下樂(lè)觀和悲觀兩方面情況；對(duì)于短時(shí)間內(nèi)易獲得大量可靠數(shù)據(jù)的變量采用隨機(jī)優(yōu)化方法，由于其采用確切分布函數(shù)描述而有較高的準(zhǔn)確性。因此本文所提的區(qū)間-隨機(jī)混合規(guī)劃方案比傳統(tǒng)純隨機(jī)方案具有更好的通用可靠性。

表8 混合優(yōu)化與純隨機(jī)優(yōu)化規(guī)劃效益對(duì)比

Tab.8 Comparison of pure stochastic planning results（單位：萬(wàn)元）

6 結(jié)論

為充分發(fā)揮新能源汽車(chē)對(duì)能源交通領(lǐng)域低碳轉(zhuǎn)型目標(biāo)的支撐作用，本文提出一種面向新能源汽車(chē)共享站的電-氫微能源系統(tǒng)綜合資源規(guī)劃框架。相比于現(xiàn)有研究，本文重點(diǎn)研究了租賃價(jià)格優(yōu)化引導(dǎo)下用戶租車(chē)選擇偏好對(duì)VSEHS長(zhǎng)期規(guī)劃的影響，并考慮到不同參數(shù)數(shù)據(jù)源的異質(zhì)性，采用區(qū)間和隨機(jī)相結(jié)合的混合建模方法來(lái)處理規(guī)劃中的不確定性，進(jìn)而設(shè)計(jì)了一種區(qū)間-隨機(jī)混合優(yōu)化方法進(jìn)行求解。經(jīng)過(guò)算例仿真分析，可得出以下主要結(jié)論：

1）由EV與HFV車(chē)輛需求可替代性所引起能量需求轉(zhuǎn)化是VSEHS系統(tǒng)靈活性的來(lái)源之一，借助價(jià)格引導(dǎo)用戶租車(chē)選擇長(zhǎng)期偏好，以與VSEHS的規(guī)劃運(yùn)行相匹配，對(duì)于制定VSEHS最優(yōu)規(guī)劃方案至關(guān)重要。

2）考慮電-氫耦合和不同車(chē)型聯(lián)合運(yùn)行的VSEHS綜合資源規(guī)劃模型能夠?qū)崿F(xiàn)供需平衡，有效地提高VSEHS的經(jīng)濟(jì)效益和環(huán)境效益。同時(shí)，可以實(shí)現(xiàn)新能源汽車(chē)的動(dòng)力基本來(lái)源于可再生能源，從而有效促進(jìn)可再生能源消納和交通領(lǐng)域低碳發(fā)展。

3）汽車(chē)租賃定價(jià)較高或較低都會(huì)帶來(lái)不理想的收益，價(jià)格優(yōu)化機(jī)制可以實(shí)現(xiàn)價(jià)格與系統(tǒng)成本的聯(lián)動(dòng)，充分發(fā)揮綜合資源規(guī)劃模式下的低成本優(yōu)勢(shì)，增加能源系統(tǒng)與用戶的互動(dòng)利潤(rùn)。

4）與傳統(tǒng)的純隨機(jī)優(yōu)化方法相比，基于區(qū)間-隨機(jī)混合優(yōu)化方法的VSEHS規(guī)劃方案能有效適應(yīng)某些參數(shù)先驗(yàn)信息未知的情況，具有更好的通用性和可靠性。

后續(xù)將基于能源-交通耦合視角，進(jìn)一步考慮VSEHS系統(tǒng)在支撐電網(wǎng)運(yùn)行及緩解交通堵塞方面的重要作用，開(kāi)展含多個(gè)VSEHS協(xié)同運(yùn)行的區(qū)域級(jí)綜合能源系統(tǒng)規(guī)劃研究。

[1] 國(guó)務(wù)院. 國(guó)務(wù)院關(guān)于印發(fā)2030年前碳達(dá)峰行動(dòng)方案的通知[Z/OL]. (2021-10-24). http://www.gov.cn/ zhengce/content/2021-10/26/content_5644984.htm.

[2] 國(guó)務(wù)院辦公廳. 國(guó)務(wù)院辦公廳關(guān)于印發(fā)新能源汽車(chē)產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035年）的通知[Z/OL]. (2020-10-20). http://www.gov.cn/zhengce/content/ 2020-11/02/content_5556716.htm.

[3] 中國(guó)氫能源行業(yè)發(fā)展前景預(yù)測(cè)與投資戰(zhàn)略規(guī)劃分析報(bào)告[R]. https://bg.qianzhan.com/report/detail/160 7281732570984.html?v=title.

[4] 陳中, 陳妍希, 車(chē)松陽(yáng). 新能源汽車(chē)一體充能站框架及能量?jī)?yōu)化調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(24): 41-49. Chen Zhong, Chen Yanxi, Che Songyang. Framework of integrated charging station for renewable energy vehicle and energy optimal dispatching method[J]. Automation of Electric Power Systems, 2019, 43(24): 41-49.

[5] 王海鑫, 袁佳慧, 陳哲, 等. 智慧城市車(chē)-站-網(wǎng)一體化運(yùn)行關(guān)鍵技術(shù)研究綜述及展望[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(1): 112-132. Wang Haixin, Yuan Jiahui, Chen Zhe, et al. Review and prospect of key techniques for vehicle-station-network integrated operation in smart city[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 112-132.

[6] 毛玲, 張鐘浩, 趙晉斌, 等. 車(chē)-樁-網(wǎng)交融技術(shù)研究現(xiàn)狀及展望[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(24): 6357-6371. Mao Ling, Zhang Zhonghao, Zhao Jinbin, et al. Research status and prospects of fusion technology of vehicle-charging pile-power grid[J]. Transactions of China Electrotechnical Society, 2022, 37(24): 6357-6371.

[7] 翁菖宏, 胡志堅(jiān), 劉妍, 等. 計(jì)及互聯(lián)調(diào)控的新能源汽車(chē)一體化供能站規(guī)劃[J]. 智慧電力, 2021, 49(9): 24-31, 94. Weng Changhong, Hu Zhijian, Liu Yan, et al. Integrated power supply station planning of new energy vehicles with interconnection control[J]. Smart Power, 2021, 49(9): 24-31, 94.

[8] Cao Xiaoyu, Sun Xunhang, Xu Zhanbo, et al. Hydrogen-based networked microgrids planning through two-stage stochastic programming with mixed-integer conic recourse[J]. IEEE Transactions on Automation Science and Engineering, 2022, 19(4): 3672-3685.

[9] 吳孟雪, 房方. 計(jì)及風(fēng)光不確定性的電-熱-氫綜合能源系統(tǒng)分布魯棒優(yōu)化[J]. 電工技術(shù)學(xué)報(bào), 2023, 38(13): 3473-3485. Wu Mengxue, Fang Fang. Distributionally Robust optimization of electricity-heat-hydrogen integrated energy system with wind and solar uncertainties[J]. Transactions of China Electrotechnical Society, 2023, 38(13): 3473-3485.

[10] Liu Jia, Cao Sunliang, Chen Xi, et al. Energy planning of renewable applications in high-rise residential buildings integrating battery and hydrogen vehicle storage[J]. Applied Energy, 2021, 281: 116038.

[11] 李珂, 邵成成, 王雅楠, 等. 考慮電-氣-交通耦合的城市綜合能源系統(tǒng)規(guī)劃[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2023, 43(6): 2263-2273. Li Ke, Shao Chengcheng, Wang Yanan, et al. Optimal planning of urban integrated energy systems considering electricity-gas-transportation interactions[J]. Proceedings of the CSEE, 2023, 43(6): 2263-2273.

[12] 袁鐵江, 計(jì)力, 田雪沁, 等. 考慮燃料電池汽車(chē)加氫負(fù)荷的電-氫系統(tǒng)協(xié)同優(yōu)化運(yùn)行[J]. 電力系統(tǒng)自動(dòng)化, 2023, 47(5): 16-25. Yuan Tiejiang, Ji Li, Tian Xueqin, et al. Synergistic optimal operation of electricity-hydrogen systems considering hydrogen refueling loads for fuel cell vehicles[J]. Automation of Electric Power Systems, 2023, 47(5): 16-25.

[13] 閆佳佳, 滕云, 邱實(shí), 等. 計(jì)及供能可靠性動(dòng)態(tài)約束與碳減排的充能型微電網(wǎng)互聯(lián)系統(tǒng)優(yōu)化模型[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(23): 5956-5975. Yan Jiajia, Teng Yun, Qiu Shi, et al. Optimization model of charging microgrid interconnection system considering dynamic constraints of energy supply reliability and carbon emission reduction[J]. Transactions of China Electrotechnical Society, 2022, 37(23): 5956-5975.

[14] Ran Cuiling, Zhang Yanzi, Yin Ying. Demand response to improve the shared electric vehicle planning: managerial insights, sustainable benefits[J]. Applied Energy, 2021, 292: 116823.

[15] Aliasghari P, Mohammadi-Ivatloo B, Alipour M, et al. Optimal scheduling of plug-in electric vehicles and renewable micro-grid in energy and reserve markets considering demand response program[J]. Journal of Cleaner Production, 2018, 186: 293-303.

[16] Salyani P, Abapour M, Zare K. Stackelberg based optimal planning of DGs and electric vehicle parking lot by implementing demand response program[J]. Sustainable Cities and Society, 2019, 51: 101743.

[17] Shojaabadi S, Abapour S, Abapour M, et al. Optimal planning of plug-in hybrid electric vehicle charging station in distribution network considering demand response programs and uncertainties[J]. IET Generation, Transmission & Distribution, 2016, 10(13): 3330-3340.

[18] 程妤. 基于心理賬戶的共享汽車(chē)出行選擇行為研究[D]. 重慶: 重慶交通大學(xué), 2020.

[19] 程瑜, 邰宇峰, 丁肇豪, 等. 基于網(wǎng)絡(luò)流的共享電動(dòng)汽車(chē)優(yōu)化調(diào)度[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(增刊1): 145-152. Cheng Yu, Tai Yufeng, Ding Zhaohao, et al. Optimal scheduling of sharing electric vehicles based on network flow[J]. Transactions of China Electrotechnical Society, 2022, 37(S1): 145-152.

[20] 王亮. 考慮個(gè)體異質(zhì)性的新能源汽車(chē)分時(shí)租賃出行選擇行為研究[D]. 成都: 西南交通大學(xué), 2020.

[21] Fan Jingli, Wang Jiaxing, Zhang Xian. An innovative subsidy model for promoting the sharing of electric vehicles in China: a pricing decisions analysis[J]. Energy, 2020, 201: 117557.

[22] Wang Yue, Yao Enjian, Pan Long. Electric vehicle drivers’ charging behavior analysis considering heterogeneity and satisfaction[J]. Journal of Cleaner Production, 2021, 286: 124982.

[23] Wu Fuzhang, Yang Jun, Zhan Xiangpeng, et al. The online charging and discharging scheduling potential of electric vehicles considering the uncertain responses of users[J]. IEEE Transactions on Power Systems, 2021, 36(3): 1794-1806.

[24] 冰雪. 考慮供需時(shí)空特征的共享電動(dòng)汽車(chē)差異化定價(jià)研究[D]. 長(zhǎng)春: 吉林大學(xué), 2022.

[25] 姬楊蓓蓓, 陳欣萌, 成楓. 考慮排放成本的共享電動(dòng)汽車(chē)和共享停車(chē)位最優(yōu)組合定價(jià)研究[J]. 管理工程學(xué)報(bào), 2022, 36(1): 134-145. Ji Yangbeibei, Chen Xinmeng, Cheng Feng. Research on optimal pricing of shared vehicles and shared parking considering traffic emission cost[J]. Journal of Industrial Engineering and Engineering Management, 2022, 36(1): 134-145.

[26] Zeynali S, Nasiri N, Marzband M, et al. A hybrid robust-stochastic framework for strategic scheduling of integrated wind farm and plug-in hybrid electric vehicle fleets[J]. Applied Energy, 2021, 300: 117432.

[27] Kou Xiao, Li Fangxing. Interval optimization for available transfer capability evaluation considering wind power uncertainty[J]. IEEE Transactions on Sustainable Energy, 2020, 11(1): 250-259.

[28] Daryabari M K, Keypour R, Golmohamadi H. Robust self-scheduling of parking lot microgrids leveraging responsive electric vehicles[J]. Applied Energy, 2021, 290: 116802.

[29] Tan Jun, Wang Lingfeng. Integration of plug-in hybrid electric vehicles into residential distribution grid based on two-layer intelligent optimization[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1774-1784.

[30] Lu Xinhui, Zhou Kaile, Yang Shanlin, et al. Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles[J]. Journal of Cleaner Production, 2018, 195: 187-199.

[31] Khezri R, Mahmoudi A, Haque M H. Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle[J]. IEEE Transactions on Industrial Informatics, 2022, 18(9): 5838-5848.

[32] 陸劍清. 現(xiàn)代消費(fèi)行為學(xué)[M]. 北京: 北京大學(xué)出版社, 2013.

[33] 梅生偉, 劉鋒, 魏韡. 工程博弈論基礎(chǔ)及電力系統(tǒng)應(yīng)用[M]. 北京: 科學(xué)出版社, 2016.

[34] 楊雄. 分時(shí)租賃電動(dòng)汽車(chē)運(yùn)行數(shù)據(jù)驅(qū)動(dòng)的充/換電設(shè)施布局研究[D]. 北京: 北京交通大學(xué), 2020.

[35] Ahn H, Rim D, Pavlak G S, et al. Uncertainty analysis of energy and economic performances of hybrid solar photovoltaic and combined cooling, heating, and power (CCHP?+?PV) systems using a Monte-Carlo method[J]. Applied Energy, 2019, 255: 113753.

[36] Mei Fei, Zhang Jiatang, Lu Jixiang, et al. Stochastic optimal operation model for a distributed integrated energy system based on multiple-scenario simulations[J]. Energy, 2021, 219: 119629.

[37] Farham H, Mohammadian L, Alipour H, et al. Energy procurement of large industrial consumer via interval optimization approach considering peak demand management[J]. Sustainable Cities and Society, 2019, 46: 101421.

[38] Sengupta A, Pal T K. On comparing interval numbers[J]. European Journal of Operational Research, 2000, 127(1): 28-43.

[39] Liu Yangyang, Jiang Chuanwen, Shen Jingshuang, et al. Coordination of hydro units with wind power generation using interval optimization[J]. IEEE Transactions on Sustainable Energy, 2015, 6(2): 443-453.

[40] Pan Guangsheng, Gu Wei, Qiu Haifeng, et al. Bi-level mixed-integer planning for electricity-hydrogen integrated energy system considering levelized cost of hydrogen[J]. Applied Energy, 2020, 270: 115176.

[41] Dong Xiangxiang, Wu Jiang, Xu Zhanbo, et al. Optimal coordination of hydrogen-based integrated energy systems with combination of hydrogen and water storage[J]. Applied Energy, 2022, 308: 118274.

[42] Zhong Xiaoqing, Zhong Weifeng, Liu Yi, et al. Cooperative operation of battery swapping stations and charging stations with electricity and carbon trading[J]. Energy, 2022, 254: 124208.

[43] Zhang Xizheng, Wang Zeyu, Lu Zhangyu. Multi-objective load dispatch for microgrid with electric vehicles using modified gravitational search and particle swarm optimization algorithm[J]. Applied Energy, 2022, 306: 118018.

[44] Li Junjie, Cheng Wanjing. Comparative life cycle energy consumption, carbon emissions and economic costs of hydrogen production from coke oven gas and coal gasification[J]. International Journal of Hydrogen Energy, 2020, 45(51): 27979-27993.

[45] Jiang Qian, Mu Yunfei, Jia Hongjie, et al. A Stackelberg Game-based planning approach for integrated community energy system considering multiple participants[J]. Energy, 2022, 258: 124802.

[46] Mu Yunfei, Chen Wanqing, Yu Xiaodan, et al. A double-layer planning method for integrated community energy systems with varying energy conversion efficiencies[J]. Applied Energy, 2020, 279: 115700.

[47] Isaac N, Saha A K. Analysis of refueling behavior of hydrogen fuel vehicles through a stochastic model using Markov Chain process[J]. Renewable and Sustainable Energy Reviews, 2021, 141: 110761.

[48] Li Jiale, Liu Zhenbo, Wang Xuefei. Public charging station localization and route planning of electric vehicles considering the operational strategy: a bi-level optimizing approach[J]. Sustainable Cities and Society, 2022, 87: 104153.

Hybrid Interval/Stochastic Planning Method for New Energy Vehicle Sharing Station-based Electro-Hydrogen Micro-Energy System for Low-Carbon Transportation

Wang Yuqing1,2Wang Wenshi3Xu Xinzhu1Cai Ruining2Zhang Weixiang1Zeng Bo1

（1. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Beijing 102206 China 2. School of economics and management North China Electric Power University(Baoding) Baoding 071000 China 3. State Grid Energy Research Institute Co. Ltd Beijing 102209 China）

Under the rapid development of electric vehicles (EV) and hydrogen fuel vehicles (HFV), the construction of electric-hydrogen coupling micro-energy networks based on terminal parking lots and renewable energy hydrogen production technology is an important means to effectively promote the low-carbon transformation of the transportation field. The current research on micro-energy grid planning based on parking lot rarely considers the load flexibility brought by the traffic substitutability between EV and HFV, and guides users' long-term vehicle choice preferences by optimizing the price to promotes the consumption of renewable energy source(RES). Considering that the new energy vehicles (NEV) sharing station under the leasing mode is one of the typical scenarios to realize the vehicle demand substitution and energy conversion demand transformation between EV and HFV, this paper takes the new energy vehicle sharing station-based electro-hydrogen micro-energy system (VSEHS) as the research object. In this paper, a two-stage VSEHS planning framework with capacity allocation and vehicle rental price co-optimization is proposed based on the concept of comprehensive resource planning and hybrid interval/stochastic optimization method.

Firstly, the VSEHS architecture and the low-carbon operation mode considering multi-energy and multi-vehicle coordination is described. Secondly, according to the difficulty of obtaining the probabilistic distribution, a hybrid modeling method combining interval and probability is used to deal with the uncertainty of supply side and load side. Secondly, the long-term preference and evolutionary modeling of users' car-rental based on evolutionary game are carried out to describe the potential flexibility of user demand on rental pricing under car-sharing services. And then, on the basis of using rental price to guide user demand, considering the influence of various uncertain factors, the capacity allocation and pricing decision optimization model of VSEHS based on interval-stochastic hybrid programming is constructed. Finally, an interval-stochastic hybrid optimization method is proposed to normalize different types of uncertain variables, and achieve efficient solutions based on heuristic algorithms under the same framework.

The simulation results of VSEHS planning for an urban community show that, under the optimum planning scheme, the rental prices of EV and HFV are 0.483 ￥/min and 0.717 ￥/min respectively. At this price level, 30% of users refuse to participate in the rental service, 49% and 21% of users choose to rent EV and HFV, respectively. Through the coordinated optimization of vehicle scheduling and electric-hydrogen energy conversion scheduling, the hydrogen self-sufficiency rate of the system reaches 91.3%, which can ensure that HFV is basic comes from the RES. The planning schemes under different scenarios show that, compared with the independent operation, the annual net investment and environmental benefits of electric-hydrogen integrated planning can be increased by 11.97% and 24.71%, respectively, and the dynamic optimal pricing mechanism has obvious advantages over the fixed price mechanism. This proves that the electric-hydrogen integrated planning can make greater use of RES and reduce the dependence on external market for electricity and hydrogen energy; for another, it illustrates that under the optimal pricing mechanism, the system can guide the user's choice preferences by energy substitutability in the user's vehicle demand, and then adjust its own planning and operation strategy according to the user's demand. Thus, the improvement of investment efficiency is realized. Finally, the planning schemes of interval/stochastic hybrid optimization and pure stochastic optimization are compared. The results show that, the planning scheme obtained by the pure stochastic optimization is highly dependent on the distribution information of the given data, and the proposed interval/stochastic hybrid planning scheme has better general reliability.

The following conclusions can be drawn from the simulation analysis: (1) the VSEHS planning model considering electron-hydrogen coupling and joint operation of different models can achieve the balance between supply and demand, also realize that NEVs can basically supplied by RES while ensuring the economic benefits. (2) The optimal mechanism of vehicle rental price can not only guide the long-term preferences of users in rental cars to match the planning and operation of VSEHS, but also realize the linkage between price and system cost, which makes full use of the low cost advantage of comprehensive resource planning mode, and increase the interaction profit between supply and demand side. (3) Compared with the traditional pure stochastic optimization method, the VSEHS planning scheme based on interval-random hybrid optimization method can effectively adapt to the situation where the prior information of some parameters is unknown, and has better versatility and reliability.

New energy vehicle sharing station, electro-hydrogen micro-energy network planning, evolutionary game, pricing for vehicle sharing, interval-stochastic hybrid optimization

10.19595/j.cnki.1000-6753.tces.L10038

TM715

河北省自然科學(xué)基金（G2022502004）、國(guó)家自然科學(xué)基金（62133015）和中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金（2022JG005）資助項(xiàng)目。

2023-01-13

2023-06-27

王雨晴 女，1994年生，博士，講師，碩士生導(dǎo)師，研究方向?yàn)榫C合能源系統(tǒng)規(guī)劃。E-mail：wangyuqingncepu@foxmail.com

王文詩(shī) 女，1998年生，碩士，研究方向?yàn)殡?氫綜合能源系統(tǒng)規(guī)劃。E-mail：qqmavis121@163.com（通信作者）

（編輯 赫蕾）