考虑综合能源不确定性的能量分析与协同调度研究.pdf

【96】第45卷 第08期 2023-08收稿日期：2022-06-16基金项目：广东省重点领域研发计划（2020B010166004）作者简介：吴任博（1983-）男，山东人，高级工程师，博士，研究方向为电力系统及自动化。考虑综合能源不确定性的能量分析与协同调度研究Energy analysis and collaborative scheduling considering integrated energy uncertainty吴任博1,3*，曲明辉2，齐 锐1，资 慧1，毕燕雷2WU Ren-bo1,3*，QU Ming-hui2，QI Rui1，ZI Hui1，BI Yan-lei2（1.广东电网有限责任公司广州供电局，广州 510620；2.东方电子股份有限公司，烟台 264000；3.山东大学，济南 250100）摘 要：提出了一种综合能源分析架构，用于研究系统内能量流动情况。还提出一种能量调度优化算法，以抵消实时运行中由于可再生能源和电力负荷的不确定性。由于系统构件的响应时间不同，将调度算法在两个时间尺度分解。在较长的时间范围内（提前一小时），调度基于燃料电池的微型冷热电联供装置、储能系统和热负荷控制。而在较短的时间范围内（提前15分钟），调度电池储能，激活电能需求响应。算法中多时间尺度协调通过一个双层优化模型实现，使用两阶段鲁棒模型优化系统运行决策，以解决上层模型中的不确定性。在实际系统运行过程中，通过下层优化计算出一个观望决策。仿真结果表明，所提出的方法能够有效地处理系统不确定性，同时确保系统可靠运行。关键词：综合能源系统；协同调度；双层优化中图分类号：TM863 文献标志码：A 文章编号：1009-0134(2023)08-0096-080 引言近几十年来，全球能源的消费模式发生了重大变化。有研究显示，建筑物用电约占社会总用电量的三分之一，而供暖，通风和制冷负荷占建筑物总能耗的51%13。综合能源系统（integrated energy system,IES）可在建筑物层面实现更高的能源利用效率4,5。综合能源系统除了具备分布式发电技术带来的各种优势外，还可降低运营成本和碳排放量6。在现有的IES技术中，常用微型涡轮机和燃料电池（FC）进行发电，因为它们具有高效率、高灵活性、易于与可再生能源集成的特点7。IES的开发还促进了综合能源系统的应用，如丰田工厂和英国的高端住宅项目8,9，在这些项目中除燃料电池外，还使用了包括光伏和电池储能等多种资源，以满足其电热负荷。目前已经为基于家庭燃料电池的IES系统开发了多种需求响应和调度算法。然而，实际系统的实时运行存在不确定性，其影响尚未得到很好的解决10。在研究中已经发现，可再生能源不确定性可以在长期规划中得到解决11。规划问题将不确定性纳入到未来的负荷和发电量预测中，并假定一个确定性水平。但是与预测值的任何偏差都必须在实际运营阶段处理。虽然进行了许多着力于提高预测准确性的研究，然而实际上长期预测依然可能会出现重大的预测误差。例如在1分钟的时间内，太阳能光伏的输出波动可高达其额定容量的15%。此外，风能输出也会受到时间变化的影响，风速可能在几秒钟内变为预测值的两倍或三倍（由此电力输出可能在几秒钟内变为八倍或二十七倍）12。同样考虑到消费级负载的增加和用户行为变化，电能负载需求变得越来越不确定13。因此，在高可再生能源渗透系统中，不确定性管理是一个具有挑战性的问题。现有文献提出了许多不确定性管理方法1416。其中元启发式优化方法的计算成本很高，并且存在解决方案不一致的问题17。模型预测控制需要精确的系统建模和过多的历史数据18。概率方法需要对不确定的变量有明确的概率分布函数（probability distribution function，PDF）19。随机过程方法通常适用于解决具有软约束的问题20，在这种情况下，不确定的资源要有明确的PDF。然而，如果实时不确定因素与预测误差或PDF相差很大，这些解决方法的鲁棒性就会明显恶化。相比之下，鲁棒优化假设不确定变量属于确定性的不确定集，而不是概率分布，并且可以在多项式时间内解决。此外，它能计算出不确定性最坏情况下的最佳解决方案，而不像随机方法那样，旨在得出具有最佳期望值的解决方案21。对鲁棒优化也开展了多项研究工作2224。然而，文献25中没有评估实际系统运行中普遍存在的负荷不确定性的影响。文献26中提出了一个单阶段的优化模型，这导致得出一个过于保守的解决方案。这进一步阻碍了鲁棒优化在需要连续决策的问题上的应用。目前很少有在综合能源系统中应用两阶段鲁棒优化（TSRO）的研究，而且没有考虑利用电能和热能DR来提高运行灵活性。鉴于上述讨论，本文提出了一种考虑不确定性的综合能源系统分析框架。由于传统的IES系统是在跟随电力负荷（FEL）或跟随热负荷（FTL）的情况下运行，其运第45卷 第08期 2023-08【97】行本身就不灵活。因此使用储能系统来提高运行灵活性。本文研究重点是优化调度系统中可用的综合能源，以抵消实时运行中遇到的电源和负荷不确定性。根据不同的响应时间，在两个时间尺度上进行资源调度。在较长的时间范围内（提前一小时），调度基于燃料电池的微型联合制冷、制热和动力装置、储能系统和热负荷控制。而在较短的时间范围内（提前15分钟），调度电池储能，激活电能需求响应，以抵消负荷和发电不确定性。多时间尺度的协调通过一个带有求助决策的双级优化模型实现。将该问题表述为一个两阶段鲁棒优化模型，并通过列和约束生成（C&CG）算法迭代求解27。本文的主要贡献总结如下：1）在光伏和负载不确定性存在的情况下，针对综合能源系统开发了最佳的能源管理策略。2）根据响应时间在两个不同的时间尺度上调度系统资源。3）建立了面向用户的热电需求响应模型。4）通过双层优化实现了多时间尺度协调，最小化总运营成本，同时在任何不确定性下满足用户和系统约束。1 系统建模所研究的综合能源系统的结构如图1所示。除了与电网互连之外，电源由光伏发电和燃料电池单元构成。使用电池储能减轻由于可再生能源的间歇性和可变性引起的功率波动。光伏发电机组燃料电池热电联产热储能电网电储能灵活负荷非灵活负荷电能负荷用户界面供冷负荷供热负荷热能负荷吸收式制冷器加热器热调节装置电能热能信号冷热电联供图1 综合能源系统结构系统电力负载分为灵活和不灵活的负载。灵活负载参与需求响应，通过基于价格的控制或直接负载控制帮助实现运营灵活性。系统热负荷由其空间温度调节负荷（冷却/加热）构成，这由燃料电池供能。综合能源系统在FTL或FEL模式下的固有特性使其调度灵活性较低。为了解耦这两种运行模式并实现电能和热能的协同调度，可以采用适当的热储能（thermal energy storage,TES），它遵循电池储能的一般运行原理。通过控制室内温度，同时考虑居住者的热舒适度，使热负荷变得灵活。但这两者的同时调度实际上并不可行。因此，本文开发了一个在两个不同的时间尺度上调度和控制系统组件的双层模型。由于建筑物固有的热惯性，室内空气温度可以在很宽的范围内控制。这有利于在更长的时间尺度上进行热储能调度和热负荷控制。由于燃料电池的启动和响应时间相对较长，其仅在较长的时间范围内调度。此外，从电网获取的能源在一个小时前决定。相反，由于响应时间短，在较小的时间尺度上进行电池储能调度和直接负载控制。2 优化问题2.1 双层优化结构由于可再生能源的固有间歇性，系统受到不确定性的影响。此外，由于存在动态用户偏好，负载优先级或预测误差，系统负载也可能出现快速波动。因此，在综合能源系统中保持实时发电-负载平衡是一个多时间尺度问题，由于较长时间尺度的负载跟踪和较短时间尺度的不确定性处理而产生。因此，本文开发的能量管理策略为双层结构，如图2所示。上层对应于较长时间尺度上的小时决策，而下层对应于较短时间尺度上的小时内决策。在每小时开始时(tu)，调度燃料电池，电池储能，热储能并激活热负载控制，以在没有不确定性的情况下满足发电-负载平衡。第一层的运行决策是固定的，直到下一个小时开始(tu+tu)，并传达给第二层。每15分钟后(t1)，执行第二层优化，其中重新调度电池储能并激活直接负载控制以有效处理不确定性，这一过程在小时内重复。每小时预测(光伏、负荷需求)上层提前1小时优化下层小时内调整不确定性(光伏、负荷需求)阶段1运行决策阶段2运行决策图2 双层优化结构2.2 优化模型1）目标函数：本文的目标是通过燃料电池单元，光伏发电系统，互连电网，电池储能和负荷的协调运行，最大限度地降低系统运营成本。目标函数可以表示如下：min()()()()()cchpgridomeslcCtCtCtCtCt+(1)燃料电池成本Ccchp由燃料成本Cffc，启动成本Cstartup和碳排放成本Cfccar构成，如下所式：fcfccchpstartupcarfCCCC=+(2),();fc efcfcfcfcffc ecaremfePtCC Pt CCt=(3)()/1totstartupCCCe=+(4)【98】第45卷 第08期 2023-08其中，Pfc是燃料电池的输出功率，Cf表示单位燃料成本，C和C表示燃料电池的固定和冷启动成本；to指燃料电池处于关闭状态的时间；是燃料电池时间常数；e是燃料电池的电效率；fc是燃料排放因子，Cfcem是单位燃料碳排放成本。电网的电力交易成本Cgrid由电网总能源成本Cfgrid和相应的碳税Ccargrid构成，如下所示：grid grid car;gridgridggridffCCCCC Pt=+=(5)car gridgridgridemgridCCPt=(6)其中，Pgrid是指从电网中获取的电功率，Cg是指电网电价。grid表示电网的碳排放因子，Cemgrid表示电网碳排放的单位成本。运行和维护成本Com：()()fctescdomomfcomththpvbescdompvombbCCPtCPPtCPtCPPt=+(7)其中，Pthc/d和Pbc/d分别为第一层优化中热储能和电池储能的充电/放电功率，Ppv为光伏输出，Comfc，Comtes，Combes和Compv分别为燃料电池，热储能，电池储能和光伏的单位维护成本。储能成本是电池储能的退化成本，包括电池更换成本Cbrep和惩罚成本Cbpen：6reppenesbbCCC=+(8)()()/2()()ccddbbreprepbbbbbtCCLdtE dt+=(9)()bcdbbbbLdade=(10)()/ccddb bbbbbtdE=(11)penpenpenddccbbbbbdischCCPtCPt=+(12)其中a，b和c是曲线拟合系数，其将电池寿命Lb表示为循环深度db的函数；/dcbbc/d是电池储能的总充电/放电功率；bc/d是第二层优化中电池储能充电/放电功率；Eb是电池储能额定容量。负载调度成本Clc包括热负荷调度成本Clctherm和电负荷调度成本Clcelec。所提出的优化策略在调度热和电气需求响应的同时结合了用户的舒适性和偏好。这通过式(13)和式(14)计算负载调度成本来确保。通过增加不便成本，将实际用户偏好纳入负载调度成本。为确保热舒适性，从用户处获得温度设定值Tset。区域温度Tzone超过设定点的任何偏差计算如下。任何超出设定点的区域温度Tzone的偏差都计算为惩罚。therm elec lclclcCCC=+(13)式(1)中的成本最小化目标确保对资源的最佳调度同时与Tset的温度偏差最小化。不便成本为恒定收费模式。Clctherm和不是物理成本，分别表示用户的实际总不适和每单位不适。负载调度费用如下所示：()2therm set;eleclczonelcdlcdlcCTTCCPt=(14)与Clctherm和类似，Clcelec和Cdlc不是实际成本，它们表示需求响应给用户带来的全部和单位不便。2）约束条件：式(1)中表示的目标函数受到以下等式和不等式约束。,dcd egridfc epvbbPPPP=+(15)()()dcdcdcbbbbbbPP =+(16),fid ed ed ePPP=+(17)(),;fcdlcd edlcd edlcd ePPPP=(18)(19)(20)(21)(22)(23)(24)(25)()()1/1ccddb bbbttbbtSOCSOCE+=+(26)(27)(28)(29),dcd tfc tththPPPP=+(30)1,ttambinttd tairpinintTTPMCTTR=(31)(32)/u lsetsetinTTT=(33)(34)(35)(36)第45卷 第08期 2023-08【99】,1,0 if 01 if 0fc etotofc ePttP=+=(37)其中Pd,e和Pd,t分别表示电气和热负载需求。Pfc,e和Pfc,t分别表示燃料电池的电输出和热输出；Pdf,e和Pdi,e分别表示灵活和非灵活负载。c表示总负载中可控制的部分；d1c表示直接负载控制的优化控制决策。Ppv/d,emin/max表示Ppv和Pd,e的最小和最大限制。式(21)式(24)表示电池储能充电/放电功率的限制。c/dl/u表示决定两个层级的电池储能的运行模式（充电/放电）的二进制决策变量。式(24)确保电池储能仅在一种模式下运行。b/t分别表示电池储能和热储能的时间常数。SOC表示电池的充电状态，受到式(27)的最小和最大限制的约束。Et表示热储能的存储级别，其受到式(29)的上限和下限的约束。热负荷根据式(31)计算，其中Mair表示该区域包含的空气质量，Cp表示空气的比热容，Rt表示建筑物外壳的耐热性；Tin和Tamb分别表示内部和环境空气温度。内部温度限制受用户设定点Tset和允许的峰值温度偏差Tin的限制。热储能的储能和释能的最大和最小限制由式(34)式(35)决定。c/d表示热储能运行的两种模式的二进制变量，由式(36)确保。燃料电池的关闭时间通过式(37)获得。3 求解方法3.1 两阶段鲁棒优化为所提出的双层能量管理策略建立两阶段鲁棒优化（two-stage robust optimization,TSRO）模型，以抵消实时运行过程中可能遇到的多种不确定性。在本文中，不确定性集包括不确定变量Ppv和Pd,e，如下所示：(38)(39)其中，Pt,minpv/d,e和Pt,maxpv/d,e表示光伏和电气负载的预测最小值和最大值，Pf,tpv/d,e表示光伏和负载的预测值，lpv/d,e和upv/d,e是相应不确定性集的上下预算。不确定性预算是量化预测数据不确定性的一种措施。更宽的预算可以确保对不确定因素有更高程度的鲁棒性，而解决方案往往会变得更加保守。因此，预算的选择应对优化方案的预期鲁棒性和保守性进行权衡。建立两阶段鲁棒优化问题如下：min()max min()()xuyc xd ye u+(40)(41)(42)(,)()()H u xI yJ uw+=(43)式(40)提出了min-max-min问题，其中三个不同的变量集在两个阶段进行优化。第一阶段通过优化决策变量x来最小化第一阶段的成本，这些变量表示实时决策，不受任何不确定因素的影响，在第一阶段中优化，在第二阶段的优化中保持固定。第二阶段通过优化决策变量y，使第二阶段的成本最小化，以体现考虑不确定性情况。第二阶段的变量在实时运行期间考虑不确定性后进行优化，因此被称为观望决策。不确定性的最坏情况通过优化不确定变量u，最大化第二阶段的最小化问题miny得到。在所提出的方法中，第一阶段的决策变量为Pgrid、Pfc,e、Pfc,t、Pbd、Pbc、Pts,c、Pts,d、uc和lc。这些变量都针对第二阶段不确定性的最坏情况提前一小时进行优化。第二阶段的变量是bc、bd和dlc，它们在考虑不确定性时进行小时内优化。式(1)的目标函数可以改写为式(40)形式的TSRO问题，如下所示：12min()max min(,)xobjuyobjCxCy u+(44)1therm()repobjcchpgridomlcbCxCCCCC=+(45)2(,)penelecpvobjlcompvbCy uCCCPt=+(46),dculgridfc efc tbbts cts dccxPPPPPPP=(47),cdbbdlcpvd eyuPP=(48)提前一小时进行TSRO问题的第一阶段优化，以调度燃料电池、电池储能和热储能，以满足系统的电力和热负荷，同时满足系统的运行约束。此外，在第一阶段进行热负荷控制，确保用户的热舒适度。3.2 求解算法如Bender和C&CG方法求解TSRO问题具有较高的计算效率。此外，计算时间不受不确定性增加的明显影响。现有的文献显示，与Bender分解法相比，C&CG具有更快的收敛速度。因此，在这项工作中，C&CG被应用于解决TSRO的问题。为了通过C&CG进行求解，两阶段的鲁棒优化问题被分为代表第一阶段的主问题和代表第二阶段的从问题。这两个阶段按照算法1进行迭代求解。算法1：C&CG1）初始化：设置上限UB和下限LB：UB=+,LB=-,S=，k=02）求解主问题：,minTxc x+(49)【100】第45卷 第08期 2023-08 (50)(51)(52)*llHxIyJuw+=(53)(54)导出最佳解决方案(*1*11,kkkxyy+)更新LB=*11Tkkc x+3）求解子问题：()*,maxminTTu UyS u xd ye u=+(55)(56)*HxIyJuw+=(57)更新UB=()*111min,TkkkUB c yS ux+4）计算差值=|UB-LB|5）如果差值，则返回*1yk+并终止程序6）否则7）k=k+1，并转到步骤2）上层的TSRO模型给出了第一阶段的决策变量，这些变量已经针对第二阶段的不确定性的最坏情况实现进行了优化。因此在小时内运行期间，实施下层优化，以对第二阶段的决策变量进行实时调整，与不确定变量的实际情况相对应。因此，在已经有了小时前决策的情况下，将下层小时内优化问题建模如下所示：min()()()peneleclcompvbCtCtCPtt+(59)其中ComPpv(t)t是一个常数项，根据小时内运行的不确定性的实际信息得到。第二阶段的决策相应地每15分钟重新优化一次，直到下一小时开始时进行上层优化（TSRO）。4 模拟结果4.1 测试系统在图1所示系统对所提出方法进行了仿真测试。一个6kW的燃料电池用于冷热电联供。光伏装置的峰值发电量为14.85kW，系统电力负荷峰值为23.3kW。图3描述了每小时的环境温度和设定温度。用于仿真的系统参数如表1所示。在一台具备3.2GHz处理器和32GB内存的64位电脑上进行测试，使用MATLAB 2019a仿真。温度()时间(h)环境设定点图3 环境温度和设定温度表1 系统仿真参数参数值参数值b0.001Tt0.01cb0.97db0.97ct0.87Rt2.8Mcair1040.64dt0.87c0.25Cp1005.4C0.05Cf0.060.75C0.15Cfcem0.011fc0.18Cg0.07e0.5grid0.95t0.35Cfcom0.005Cemgrid0.0055Cpvom0.005Comtes0.0002Crep600Combes0.006b1.98a4980Cpendis0.03c0.0160.05Cpench0.03Eb12Cchdlc0.054.2 确定性测试确定性案例是一个单阶段优化，假设实时负载和光伏输出没有不确定性。负载和光伏输出的不确定性场景使用蒙特卡洛模拟生成。为了评估单阶段确定性优化的性能，将结果与蒙特卡洛模拟生成的100个随机场景进行了比较，对比结果如图4所示。结果显示，在负荷和光伏不确定因素发生时，系统性能与确定性场景有很大差异。从图中可以看出，在确定性优化中，在给定的小时内SOC为0.289，在不确定的情况下，其峰值偏差为11.263%。此外，从确定性优化得到的平均SOC偏差为2.421%。对Pb也有类似的结果。这突出表明，即使预测负荷和发电数据的小偏差也会对系统的可靠性造成损害。这些偏差对电池的寿命和系统的运行至关重要，特别是在电池储能接近极限的时刻。此外，在低估不确定性的情况下，电池可能在深度循环中运行，这可能会大大降低其寿命，导致成本提升。SOC功率(kW)随机场景确定性场景数量图4 确定性和随机情况下的Pb和SOC4.3 双层优化TSRO的min-max-min问题针对现有不确定性集的最坏情况进行了优化，这确保了所获解决方案的鲁棒性。然而，最坏情况下的不确定性在实际中很少遇到，解决方案第45卷 第08期 2023-08【101】通常远离最佳状态。因此，在本文中，开发了一个双层优化模型。上层为TSRO模型，下层为实时调整模型。上层在不确定性最坏情况下优化系统运行，并在较长（小时）的时间范围内进行决策。下层为系统运行期间的实时调整提供了一个观望决策，时间尺度较短（提前15分钟）。假设光伏输出的不确定性为10%，而电力负荷的不确定性为2.5%。图5和图6分别描述了每小时预测的Pd,e和Ppv。与环境温度和设定温度相对应的每小时热负荷在图7中给出。系统的热负荷由基于燃料电池的冷热电联供装置和热储能来满足，同时也保证了用户的热舒适度，这由Tset决定。这意味着燃料电池的电力输出和其他电力资源的协同调度受到温度设定点Tset、允许的温度带宽Tin和热储能水平Et的限制。电力负荷(kW)时间(h)图5 Pd,e的区间预测.光伏输出(kW)时间(h)图6 Ppv的区间预测热负荷(kW)时间(h)图7 每小时热负荷TSRO在考虑不确定性最坏情况下进行优化，在较长的时间范围内（提前1小时）得到多种资源的最佳协同调度，其中包括燃料电池、热储能、电池储能、与电网的交易和多能源需求响应。图8描述了热需求响应后的优化温度。热储能的储能和释能状态在图9中给出。在相对较短的15分钟的时间范围内，当有更精确的不确定性预测时，将进行实时调整。因此，电池储能和直接负荷控制被重新调度。电池储能和直接负荷控制的最坏情况和实时调度在图10图12中给出。图10图13和表2给出了最坏情况下的TSRO（仅上层）和双层TSRO的比较。从结果中可以看出，系统的最坏情况评估导致了更高的电池储能运行水平。与双层TSRO相比，单层TSRO的电池循环平均放电深度（depth of discharge,DOD）要高得多。温度()时间(h)设定温度优化后温度图8 热负荷控制热储能(kWh)时间(h)储能释能图9 热储能状态功率(kW)时间(h)实时最坏情况图10 电池充电功率功率(kW)时间(h)实时最坏情况图11 电池放电功率功率(kW)时间(h)实时最坏情况图12 直接负荷控制SOC时间(h)双层优化单层优化图13 单层和双层优化电池充电状态对比【102】第45卷 第08期 2023-08表2 单层和双层优化结果对比案例电池循环直接负荷控制SOCdevSOC平均DOD成本能量平均单层优化0.03910.12706.93072.3472 0.50510.0628双层优化0.01940.03392.04440.56260.61430.7305 与双层优化相比，单层优化充电和放电成本要高很多。此外，由于电池储能在最坏情况下不确定性较高，在单层和双层优化中，与确定性情况相比，峰值SOC的最大偏差分别为0.5051和0.6143。这表明，即确定性情况没有考虑到实时运行中的不确定性，而TSRO中的电池储能可有效地处理这些不确定性。此外，将与确定性情况的峰值SOC偏差表示为SOCdev，由于单层优化的电池储能运行水平较高，单层优化中SOCdev小于双层优化的SOCdev。将最大和最小SOC之间的差值表示为SOC，在双层优化中SOC更高，这表明电池储能利用水平更高。从表2中可以看出，单层优化通过直接负荷控制减载的总负荷为6.9千瓦时，明显高于双层优化的实际减载负荷。4.4 鲁棒性分析为了验证所提出的方法在不同不确定条件下的鲁棒性，对八个不同的光伏和电力负荷不确定集进行了仿真。表3中列出了每组的不确定性裕量情况，这些预算对应于实时运行中不确定性的最大和最小预期值。不确定性测试的仿真结果列于表4，并在图14图16中说明。图14、图15和图16分别表示了不同不确定性下的系统性能，包括电池的SOC、通过DLC减载的负荷和一天中内部温度的变化。可以看出，在不同的不确定性下，每小时的SOC是不同的，从案例1到案例8，其数值有所提高。类似的趋势在DLC的电力负荷中也可观察到。这些结果表明，随着负载和发电的不确定性从2.5%增加到10%，电池储能和DLC的运行水平会提高，以满足增加的不确定情况下负载-发电平衡，双层优化可以通过多种资源的优化和协调运行来处理高水平的实时不确定性。此外，从图16可以看出，随着不确定性的变化，内部温度的偏差是最小的，即使在最坏情况下，也能确保用户的热舒适性。表3 不同案例下的不确定性裕量案例(%)lpv(%)upv(%)ll(%)ul19011090110292.5107.592.5107.5397.5102.59011049510592.5107.5592.5107.5951056951059510579011097.5102.5897.5102.597.5102.5表4 不同不确定性下结果对比案例电池状态电池储能惩罚DLC惩罚热惩罚调度成本10.54230.13360.35860.08240.492220.65140.11560.24090.09060.356430.16140.17560.15280.10120.328440.16230.15300.13000.10160.283150.92080.12490.10720.09570.232160.92590.11170.09400.09870.205670.94110.09690.08660.10040.183680.66960.05770.04730.07730.1050SOC时间(h)案例1案例2案例3案例4案例5案例6案例7案例8图14 不同案例中电池充电状态对比功率(%)时间(h)案例1 案例2 案例3 案例4 案例5 案例6 案例7 案例8图15 不同案例中直接负荷控制对比温度()时间(h)案例1案例2案例3 案例4案例5案例6 案例7 案例8图16 不同案例中温度控制对比因此，从表4可以看出，随着不确定性从2.5%增加到10%，调度成本从0.1050增加到0.4922。这表明：增加不确定性的大小以使系统在更高的不确定性水平下鲁棒运行，但解决方案变得更加保守，因此也更加昂贵。需要在解决方案的鲁棒性和保守性之间进行权衡。4.5 综合测试将所提出的双层优化方法与其他解决方法进行了比较，结果如表5所示。案例A为确定性方法，它是一种单阶段优化，假定对数据有精确的把握14。在案例B中评估了基于随机过程的两阶段优化方法18，其中不确定的场景通过蒙特卡洛抽样产生，并且应用了后向还原来减少计算负担。在案例B中，使用蒙特卡洛抽样产生了200个场景，使第45卷 第08期 2023-08【103】用后向还原将其减少到30个。对MCS的两个不同案例进行了评估（案例C和D）。案例C为式(1)中的问题生成了200个随机场景，而在案例D中，消除了热惩罚，并评估了相同数量的场景。案例A、D和E的总成本相近，而案例B和C的总成本略高。此外，案例A和D的温度没有偏离用户设定点，因此，没有施加热惩罚。然而案例A没有考虑到数据的不确定性，系统在实时运行时存在很大的偏差。在案例D中每次模拟平均需要42分钟，计算成本高昂。案例B的计算成本大大减少，然而，它出现了与用户温度设定点的的重大偏差，带来了更高的热惩罚。从表3中可以看出，案例E，也就是所提出的方法，室温偏差非常小，因此在这种情况下施加的热惩罚非常小。此外，电池储能的退化成本也最低，碳成本和电网能源成本与其他方案相当。虽然总成本比案例D高0.2289%，但案例E的计算效率更高。上层的平均计算时间为2.91秒，下层的计算时间为0.16秒。上层优化提前一小时进行，下层优化每15分钟进行一次，所以计算速度是满足要求的。在实践中，可以使用更高效的求解器或分布式计算平台来加快求解过程。5 结语本文提出了一个分析框架，通过在两个时间尺度内对资源进行优化调度，实现了与可再生能源相结合的综合能源管理。在较长的时间尺度内，调度燃料电池、电池储能和热需求响应以满足电力平衡。在较短的时间尺度内，重新调度电池储能，激活电力需求响应，以抵消由于光伏和负载产生的不确定性。多时间尺度的协调已经通过所提出的双层优化模型实现。上层为两阶段鲁棒优化模型，考虑不确定性最坏情况进行优化。下层在系统运行中对优化决策进行实时调整。仿真结果表明，系统运行得到了鲁棒优化，同时确保了用户的舒适性和系统的可靠性。与其他方法相比，所提出的方法计算效率高，成本低，电池储能退化最小，用户满意度最高。参考文献：1 黎静华,朱梦姝,陆悦江,等.综合能源系统优化调度综述J.电网技术,2021,45(6):2256-2272.2 吕佳炜,张沈习,程浩忠,等.考虑互联互动的区域综合能源系统规划研究综述J.中国电机工程学报,2021,41(12):4001-4021.3 降国俊,崔双喜,樊小朝,等.考虑电转氢气过程及综合需求响应的电-氢-气综合能源系统协调优化运行J.可再生能源,2021,39(1):88-94.4 李鹏,吴迪凡,李雨薇,等.基于综合需求响应和主从博弈的多微网综合能源系统优化调度策略J.中国电机工程学报,2021,41(4):1307-1321,1538.5 杨欢红,谢明洋,黄文焘,等.含废物处理的城市综合能源系统低碳经济运行策略J.电网技术,2021,45(9):3545-3552.6 白云,贾燕冰,陈浩,等.计及供气充裕性的电-气互联综合能源系统低碳经济调度J.电测与仪表,2021,58(11):32-38.7 潘光胜,顾伟,张会岩,等.面向高比例可再生能源消纳的电氢能源系统J.电力系统自动化,2020,44(23):1-10.8 Simo L,Lisboa A.Green marketing and green brand-The Toyota CaseJ.Procedia manufacturing,2017,12:183-194.9 Endo N,Shimoda E,Goshome K,et al.Construction and operation of hydrogen energy utilization system for a zero emission buildingJ.International Journal of Hydrogen Energy,2019,44(29):14596-14604.10罗凤章,张旭,杨欣,等.基于深度学习的综合能源配电系统负荷分析预测J.高电压技术,2021,47(1):23-32.11翟桥柱,周玉洲,李轩,等.非预期性与全场景可行性：应对负荷与可再生能源不确定性的现状、挑战与未来J.中国电机工程学报,2020,40(20):6418-6433.12张晓辉,刘小琰,钟嘉庆.考虑奖惩阶梯型碳交易和电热转移负荷不确定性的综合能源系统规划J.中国电机工程学报,2020,40(19):6132-6142.13朱兰,牛培源,唐陇军,等.考虑直接负荷控制不确定性的微能源网鲁棒优化运行J.电网技术,2020,44(4):1400-1413.14郑豪丰,杨国华,潘欢,等.考虑区域供热系统及不确定性因素的综合能源系统日前调度J.电力系统及其自动化学报,2020,32(8):83-90.15Aien M,Hajebrahimi A,Fotuhi-Firuzabad M.A comprehensive review on uncertainty modeling techniques in power system studiesJ.Renewable and Sustainable Energy Reviews,2016,57:1077-1089.16Hasan K N,Preece R,Milanovi J V.Existing approacIES and trends in uncertainty modelling and probabilistic stability analysis of power systems with renewable generationJ.Renewable and Sustainable Energy Reviews,2019,101:168-180.17Bao Z,Zhou Q,Yang Z,et al.A multi time-scale and multi energy-type coordinated microgrid scheduling solutionPart I:Model and methodologyJ.IEEE Transactions on Power Systems,2014,30(5):2257-2266.18Ma D,Zhang L,Sun B.An interval scheduling method for the CCHP system containing renewable energy sources based on model predictive controlJ.Energy,2021,236:1214-1223.表5 不同求解方法结果对比案例求解方法平均温度偏差热惩罚电池老化成本碳成本电网能量成本总成本A确定性方法0.00000.00001.84050.00008.533918.5052B随机方法1.63393.73490.98040.71276.828921.4455CMCS(Case 1)1.68243.71160.96550.71416.851621.5608DMCS(Case 2)0.00000.00001.00890.74917.549318.0373E所提出方法0.21220.10040.94110.74687.494518.0787【下转第118页】【118】第45卷 第08期 2023-085 重型移载机器人试运行测试为测试重型移载机器人在真实工况下的承载能力，开展了如图11所示的现场运行测试试验，负载为24t的水泥管片及模具。经过一段时间的测试试验，过程中车体结构并未发生明显变形，说明经过拓扑优化和尺寸优化设计的车体可以满足工程实际需求。图11 现场运行测试6 结语针对重型移载机器人运输和举升大部件的问题，对举升机构、轮系的负载分配与结构优化设计展开研究，主要研究工作为以下三点：1）提出一种重型移载机器人的布局配置方式，综合考虑重型移载机器人举升机构和轮系的承载受力情况，基于车体静力学平衡方程及几何尺寸条件提出一种承载均匀分配方法。2）对车架拓扑结构进行优化，获得了一种材料分布最优的车架拓扑结构，再以车架质量、应力和形变为目标，采用多目标优化设计，得出车架关键结构尺寸的优化参数，优化结果显示可以有效降低车架质量和最大形变，且最大等效应力趋近于许用值。3）在项目现场进行行测试，经过该优化方法设计的车体结构可以满足工程实际需求。参考文献：1 王永红.重载AGV的应用现状及发展前景浅析J.现代工业经济和信息化,2021.11(9):145-146.2 耿牛牛,王小铎,敖勇,等,重载AGV的设计与应用J.机械工业标准化与质量,2021(12):34-36.3 王浩吉,杨永帅,赵彦微.重载AGV的应用现状及发展趋势J 机器人技术与应用,2019.(5):20-24.4 陈柳钦.加快发展和振兴我国高端装备制造业对策研究J.创新,2011.5(6):55-62.5 苏永华.全方位移动式AGV技术研究J.制造业自动化,2014,36(15):10-14.6 程苏全.基于二维激光雷达的室内AGV样机研制D.郑州:郑州大学,2018.7 吴斌,钱晓明,武星,等.自动导引车骨架结构优