考虑源荷不确定性的含氢综合能源系统鲁棒优化调度

姚俊慧; 买买提热依木·阿布力孜; 杨鸿翀; 沈浩男; 谢丽蓉

doi:10.12404/j.issn.1671-1815.2505737

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (22) :9539-9551 DOI: 10.12404/j.issn.1671-1815.2505737

电工技术

考虑源荷不确定性的含氢综合能源系统鲁棒优化调度

作者信息 +

Robust Optimal Scheduling of Integrated Energy Systems Containing Hydrogen Considering Source-load Uncertainty

Author information +

文章历史 +

摘要

针对含氢综合能源系统规划面临可再生能源波动性强、出力不确定性突出等问题,提出了一种考虑源荷不确定性的电-热-冷-气多能协同的含氢综合能源系统鲁棒优化调度方法。首先,利用拉丁超立方抽样技术构建初始场景集,结合改进K-means算法削减冗余场景,实现不确定性的高效表征;其次,深入分析含氢综合能源系统结构特性,建立电、热、冷、气、氢多能流耦合模型;然后,采用鲁棒优化的方法将源荷不确定性转化成预测变量的函数,并利用包络边界法对不确定集进行建模;最后,以系统总成本最低、碳减排最优构建多目标优化模型,并通过算例仿真验证了所构建的含氢综合能源系统模型可在保障系统经济运行的前提下,显著提升低碳效益,同时精准匹配用户多元用能需求,验证了该方法的有效性与实用性。

Abstract

To address the challenges of high volatility and significant output uncertainty of renewable energy sources in the planning of hydrogen-containing integrated energy systems, a robust optimal scheduling method considering source-load uncertainty with electricity-heat-cooling-gas multi-energy synergy was proposed. Firstly, an initial scenario set was constructed utilizing the Latin Hypercube Sampling technique, and redundant scenarios were reduced by combining with an improved K-means algorithm to achieve efficient characterization of uncertainty. Secondly, the structural characteristics of the systems were analyzed in depth, and a multi-energy flow coupling model encompassing electricity, heat, cooling, gas, and hydrogen were established. Subsequently, a robust optimization approach were adopted to transform source-load uncertainty into a function of predictor variables, and the uncertainty set were modeled using the envelope boundary method. Finally, a multi-objective optimization model were constructed aiming at the minimum total system cost and optimal carbon emission reduction. Case studies verify that the proposed the systems model can significantly improve low-carbon benefits while guaranteeing economic operation, and accurately match the diversified energy demands of users, thereby validating the effectiveness and practicality of the method.

Graphical abstract

关键词

含氢综合能源系统 / 源荷不确定性 / 多能流耦合 / 鲁棒优化 / 多目标优化

Key words

hydrogen-containing integrated energy systems / source-load uncertainty / multi-energy flow coupling / robust optimization / multi-objective optimization

引用本文

引用格式 ▾

姚俊慧, 买买提热依木·阿布力孜, 杨鸿翀, 沈浩男, 谢丽蓉. 考虑源荷不确定性的含氢综合能源系统鲁棒优化调度[J]. 科学技术与工程, 2026, 26(22): 9539-9551 DOI:10.12404/j.issn.1671-1815.2505737

YAO Jun-hui, ABULIZI Maimaitireyimu, YANG Hong-chong, SHEN Hao-nan, XIE Li-rong. Robust Optimal Scheduling of Integrated Energy Systems Containing Hydrogen Considering Source-load Uncertainty[J]. Science Technology and Engineering, 2026, 26(22): 9539-9551 DOI:10.12404/j.issn.1671-1815.2505737

登录浏览全文

4963

注册一个新账户忘记密码

在“双碳”目标持续推进与能源绿色低碳转型加速的大背景下,能够科学合理地做好新型储能的整体规划与安排尤为重要,破解多能源系统独立配置与运行的困局,从而形成更加完备合理的综合能源格局。随着电力、热力、冷力及氢储系统间协同性显著增强,且用户侧能源需求趋向多元化^[1],传统单一能源系统规划模式已难以适应发展需求,近年来由多能系统融合而成的综合能源系统获得了快速发展^[2-3]。

氢能因零碳、可再生及高能量密度特性^[4]快速发展,其耦合设备可提升新能源消纳与能效^[5]。含氢综合能源系统(hydrogen integrated energy system,HIES)作为新兴供能系统,能实现多能源高效转换互补及协同运行^[6],在消纳新能源与优化能源结构中优势显著。但新能源渗透率提升带来的出力间歇性、波动性等不确定性,对系统安全稳定运行构成严峻挑战^[7]。

现有研究较少关注HIES中新能源出力与负荷预测的不确定性。处理此类问题的方法主要有随机优化法与鲁棒优化法^[8]。随机优化的性能高度依赖概率模型的准确性,若实际分布与假设不符,解的质量可能大幅下降;其次,随机优化通常仅保证约束在概率意义下成立,仍有小概率场景可能违反约束;而鲁棒优化可以提供确定性的可行性保障,且对于“最坏情况”假设,对模型误差的容忍度更高。此外,鲁棒优化的这一特性使其在数据稀缺场景下更具优势,例如,新兴能源系统部署初期、极端气候条件下的负荷预测等场景中,往往难以获取足够历史数据拟合概率分布,此时鲁棒优化仅需基于工程经验、专家判断或短期监测数据确定不确定性变量的边界范围^[9](如区间边界、多面体包络等),无需依赖历史数据拟合概率分布或假设其服从特定分布(如正态分布、威布尔分布),即可构建优化模型,显著降低了建模门槛与数据依赖风险,这使其在高不确定性、低数据可用性的复杂系统中成为更可靠的决策工具。文献[10]构建了一种针对综合能源系统的两层级协同优化配置方法,该方法将风、光不确定性纳入考量范围;将Wasserstein距离指标、Frank-Copula函数与改进谱聚类算法相结合生成场景集,考虑了风光的极限情况、时序性和相关性。文献[11]以矩信息本身存在一定不确定性的场景,通过构建相应的鲁棒优化模型,应对分布的模糊性并结合随机规划和鲁棒优化特点,但在处理风光不确定性时,假设概率分布的矩信息属于不确定集,该假设可能与实际存在偏差。文献[12]运用拉丁超立方抽样和改进的K均值算法生成场景集解决风光不确定性问题,但主要基于历史数据的概率分布进行处理,难以完全涵盖未来可能出现的复杂不确定性情况。文献[13]同时考虑能源转换设备效率、源侧和荷侧的不确定性,并基于范数模糊集构建两阶段分布鲁棒优化模型,结合列与约束生成算法求解,但该文将源荷不确定性转换为净负荷不确定性进行处理,无法完全反映实际运行中源荷的复杂变化特性。文献[14]考虑了虚拟电厂中风光出力、电价等多重不确定性及其相关性,采用改进的迭代自组织数据分析技术场景生成缩减方法提高风光出力预测精度,但该文在处理不确定性时,对一些因素进行了假设和简化,可能导致模型与实际情况存在一定偏差,影响优化结果的准确性。文献[15]针对动态优化问题提出了一种基于问题特征变化引导的时域鲁棒优化算法,通过新的判断指标和选择策略,为解决含可再生能源不确定性的优化问题提供了新方法;但该文主要基于典型日数据进行分析,对系统在不同季节、不同时段等动态场景下的长期运行特性分析不足,难以全面反映系统在复杂实际运行环境中的性能表现。

综上所述,要使经过削减处理的源荷端可以完整留存原始场景的核心关键特点,同时考虑之后HIES计划优化的开支节省和环境保护,现采取改进的K-means聚类算法,对可再生能源发电设备和负荷典型出力场景进行削减,并提出一种考虑源荷不确定性的电-热-冷-气的含氢综合能源系统鲁棒优化方法。首先,分析HIES的结构,给出含电、热、冷、气多种能源的耦合模型;然后,利用包络边界法对不确定集进行建模,从而实现系统碳排放量与整体成本双重最小化,针对HIES的调度问题,搭建具备鲁棒性的优化模型;最后,通过算例仿真验证模型和方法的有效性,以期为含氢综合能源系统在高比例可再生能源接入场景下的安全、经济调度提供有效的理论支撑与工程参考。

1 含氢综合能源系统结构

所构建的HIES模型如图1所示,HIES模型包括能源生产侧、能源转换侧和能源需求侧等部分^[16]。能源生产侧主要由风机、光伏、电网和气网等产能设备构成,当系统产生的电能或气能无法满足用户的电、气负荷需求时,系统会主动从电网或气网中购买所需的电能或气能补充系统所缺的电、气份额。

能源转换侧涉及多种能源耦合设备和储能设备,其大致包括:碳捕集系统(carbon capture system,CCS)、电转气(power to gas,P2G)、电解槽(electrolyzer,EL)、甲烷反应器(methanation reactor,MR)、氢燃料电池(hydrogen fuel cell,HFC)、热电联产(combined heat and power,CHP)、燃气锅炉(gas boiler,GB)、电制冷机(electric chiller,EC)、吸收式制冷机(absorption chiller,AC);储能设备包括蓄电池(sto-rage battery,SB)、储氢罐(hydrogen tank,HT)、储热罐(heat storage tank,HST)和储气罐(gas storage tank,GST)。

能源需求侧主要包含电、冷、热、气4类负荷。蓄电池会根据系统电能是否富足通过实施灵活的充电与放电操作,可增加HIES的调度幅度阈值;对于冷负荷供给需要,则通过吸收式制冷机组、电制冷机组满足;热负荷需求由燃气锅炉和热电联产设备产生的热量满足,储热罐在系统热能不足时放热,在系统热能富余时储热,维持系统热能平衡;气负荷主要由甲烷反应器产气和气网购气满足,储气罐平衡系统气能流。

2 考虑源荷不确定性的典型场景生成与消减

鲁棒优化通常基于不确定性变量具有明确边界范围的假设来刻画波动特性。以鲁棒优化框架下的不确定性集合方法解决参数波动的鲁棒性问题,该方法的核心在于定义不确定性变量的可行域,从而将问题转化为在所有可能场景下均满足约束的确定性优化问题。然而,在不确定性集合的构建过程中,集合的形状与保守度直接影响求解效率与结果的稳健性。集合范围过宽会引入过度保守性,导致解的经济性下降;集合范围过窄则可能遗漏关键风险场景,无法保证实际运行中的可行性。具体实施路径如下:首先,采用拉丁超立方抽样(Latin hypercube sampling,LHS)^[17]获取大规模初始场景集;接着,通过优化后的K-means聚类算法^[18]对初始场景集实施精简处理操作,从而得到4个具有代表季节性的场景。

2.1 源荷典型场景生成与削减

当源荷场景独立生成时,虽具备较高的处理效率,但往往会忽略源荷之间的相关性。与之不同的是,源荷场景联合生成方法充分考虑了源侧风电与负荷需求在时空维度上的关联性,有效规避了多目标优化过程中可能忽视两者相关性的潜在问题。在传统多目标优化中,需要对不同目标的权重进行权衡,但源荷联合生成则借助物理关联性直接生成协调场景,从而减少了主观权重设定带来的偏差。

2.1.1 基于LHS的源荷双侧场景生成

基于LHS的源荷双侧场景生成,LHS是一种有效处理源荷不确定性的手段,它能够在较少的抽样次数下,实现对源荷变量取值空间的均匀覆盖;场景分析法是该过程的基础。首先,收集与整理源荷相关的历史数据,通过对这些历史数据进行深入的概率密度估计,确定源荷数据所服从的概率分布模型,据此建立源荷双侧预测模型。

2.1.2 基于K-means聚类的源荷双侧场景削减

采用K-means聚类算法削减源荷双侧场景;K-means聚类是一种基于划分的聚类算法,它通过迭代的方式,将相似的场景聚集在一起。其基本过程如下。

(1)初始聚类中心选取:从数据集中选择K个场景作为初始聚类中心集合。

(2)数据分配:将每个时间点的源荷数据分配至与该数据距离最近的聚类中心所属集合。

(3)聚类中心更新:基于当前聚类结果,计算各集合的均值,并将其作为新的聚类中心。

(4)迭代收敛与场景生成:重复上述步骤直至聚类结果收敛,最终得到K个典型场景及其对应的场景概率。

K-means聚类消减生成各典型场景的数学模型为

(1)P_i(t)=$\frac{1}{{p}_{i}N}{\sum }_{s\in {\Omega }_{i}}^{}{P}_{s}^{raw}$(t)

式(1)中:P_i(t)为第i个典型场景在t时段的功率值;p_i为第i个典型场景发生的概率;N为生成原始场景的数目;

${P}_{s}^{raw}$

(t)为第i类簇的第s个原始场景在t时段的功率值;Ω_i为第i个聚类簇包含的原始场景集合。

通过K-means算法不仅获得了代表季节性特征的典型场景曲线,同时也保留了归属于每一类典型场景的原始场景集合。这些数据将共同作为后续构建鲁棒优化不确定性集合的基准数据源:典型场景曲线将作为鲁棒优化的标称预测值,而各簇内原始场景相对于中心的离散分布特征将用于确定不确定性的波动边界^[19]。

2.2 基于典型场景包络的源荷不确定性建模

采用鲁棒优化的方法对不确定参数进行处理时,核心在于将不确定性转化为已知边界范围的约束条件。为了克服传统鲁棒优化中边界设定主观性强的问题,提出了一种数据驱动的包络边界建模方法,将2.1节中离散的场景分析转化为连续的不确定性集合。

具体构建过程如下:首先,将K-means聚类得到的第k类典型场景曲线作为该工况下源荷的标称模拟值P_sim;其次,遍历归属于第k类聚类簇的所有原始LHS场景,计算各时刻原始场景值相对于典型场景中心的最大正负偏差,以此统计特征定义不确定参数的波动幅度

$\hat{P}$

。

基于上述数据映射关系,构建多面体不确定性集合,要求优化解在该包络范围内的所有可能场景下均满足约束条件。其数学模型为

(2)$\stackrel{\sim }{P}$=P_sim+ξ

$\hat{P}$

式(2)中:

$\stackrel{\sim }{P}$

为不确定参数真实值;P_sim为由典型场景确定的标称模拟值;

$\hat{P}$

为由聚类簇内场景分布特征确定的最大波动幅度;ξ为不确定参数变化剧烈程度(鲁棒系数),其介于[-1,1]^[20]。

依照上述构建的包络边界不确定系统,所构建系统的源荷不确定性的变化区间为

(3)${\stackrel{\sim }{P}}_{WT}$(t)=${P}_{WT}^{sim}$(t)+ξ_WT${\hat{P}}_{WT}$(t)

(4)${\stackrel{\sim }{P}}_{PV}$(t)=${P}_{PV}^{sim}$(t)+ξ_PV${\hat{P}}_{PV}$(t)

(5)${\stackrel{\sim }{P}}_{L}^{i}$(t)=${P}_{L,i}^{sim}$(t)+ξ_L${\hat{P}}_{L}^{i}$(t)

式中:

${\stackrel{\sim }{P}}_{WT}$

(t)、

${\stackrel{\sim }{P}}_{PV}$

(t)、

${\stackrel{\sim }{P}}_{L}^{i}$

(t)分别为t时刻风电、光伏和负荷的实际不确定值;

${P}_{WT}^{sim}$

(t)、

${P}_{PV}^{sim}$

(t)、

${P}_{L,i}^{sim}$

(t)为对应时刻的典型场景值(标称值);

${\hat{P}}_{WT}$

(t)、

${\hat{P}}_{PV}$

(t)、

${\hat{P}}_{L}^{i}$

(t)为基于LHS场景集统计得到的最大波动偏差;ξ_WT、ξ_PV、ξ_L为调节系统保守度的鲁棒控制系数;i为负荷类别。

风电鲁棒不确定集的构建如图2所示,光伏与负荷的不确定集构建方法与此同理,此处不再赘述。

3 含氢综合能源系统的经济调度模型

3.1 目标函数

本文模型既考量了HIES的设备运行开支,也考量了相应的碳交易花费,建立起目标函数为整体成本最小的优化经济调度模型。其成本可通过式(6)来描述。

(6)minF=f_E+f_gas+f_W+f_fix+f_CO₂+f_CC

式(6)中:f_E为HIES与外电网交互成本;f_gas为HIES与外气网交互成本;f_W为系统的弃风弃光成本;f_fix为系统各设备的运行成本;f_CO₂为系统碳排放成本,其主要由三部分构成:热电联产机组燃烧天然气时排放的二氧化碳,燃气锅炉燃烧天然气时排放的二氧化碳,系统外网购电时排放的二氧化碳;f_CC为碳捕集能耗成本;minF为系统总成本的最小值。

(1)购电成本。

(7)f_E=$\sum _{t=1}^{T}$a_e(t)P_{e, buy}(t)

式(7)中:a_e(t)为t时刻的购电价格;P_{e, buy}(t)为t时刻购电量;T=24,代表一天24 h。

(2)购气成本。

(8)f_gas=$\sum _{t=1}^{T}$λ_g(t)P_{g, buy}(t)

式(8)中:λ_g(t)为t时刻系统的购气价格;P_{g, buy}(t)为t时刻系统的购气功率。

(3)弃风弃光成本。

(9)f_W=λ_q

$\sum _{t=1}^{T}$

P_pvc(t)+P_wtc(t)$\left\{\begin{array}{l}{P}_{wtc}\left(t\right)={\stackrel{\sim }{P}}_{WT}\left(t\right)-{e}_{wt}\left(t\right)\\ {P}_{pvc}\left(t\right)={\stackrel{\sim }{P}}_{PV}\left(t\right)-{e}_{pv}\left(t\right)\end{array}\right.$

式(9)中:λ_q为弃风弃光的单位成本系数;P_pvc(t)为t时刻的弃光功率;P_wtc(t)为t时刻的弃风功率;e_wt(t)为系统在t时刻消纳的风电机组的发电量;e_pv(t)为系统在t时刻消纳的光伏机组的发电量。

(4)各设备的运维成本。

(10)f_fix=f_en+f_op+f_st+f_co

(11)

$\left\{\begin{array}{l}{f}_{en}=\sum _{t=1}^{24}{\gamma }_{w}\left[{\stackrel{\sim }{P}}_{WT}\right(t)+{\stackrel{\sim }{P}}_{PV}(t\left)\right]\\ {f}_{op}=\sum _{t=1}^{24}[{\gamma }_{e}{P}_{el}\left(t\right)+{\gamma }_{h}{P}_{hfc}\left(t\right)+{\gamma }_{m}{P}_{{h}_{2},mr}\left(t\right)+\\ 　　{\gamma }_{b}{P}_{g,chp}\left(t\right)+{\gamma }_{g}{P}_{g,gb}\left(t\right)+{\gamma }_{v}{P}_{e,ccs}\left(t\right)]\\ {f}_{st}=\sum _{t=1}^{24}{\gamma }_{d}\left[{e}_{dis}\right(t)+{e}_{cha}(t)+{h}_{dis}(t)+\\ 　　{h}_{cha}\left(t\right)+{h}_{2,dis}\left(t\right)+{h}_{2,cha}\left(t\right)]\\ {f}_{co}=\sum _{t=1}^{24}{\gamma }_{c}\left[{e}_{ec}\right(t)+{h}_{ac}(t\left)\right]\end{array}\right.$

式中:γ_w为风电和光伏机组的单位运行成本;γ_e为EL的单位运行成本;γ_h为HFC的单位运行成本;γ_m为MR的单位运行成本;γ_b为CHP的单位运行成本;γ_g为GB的单位运行成本;γ_d为储能设备的单位运行成本;γ_c为制冷设备的单位运行成本;γ_v为CCS设备的单位运行成本;P_e,ccs(t)为CCS在t时刻的耗电功率;P_el(t)为EL在t时刻的耗电功率;P_hfc(t)为HFC在t时刻的产电功率;P_h₂,mr(t)为MR在t时刻的耗氢功率;P_g,chp(t)为CHP在t时刻的耗气功率;P_g,gb(t)为GB在t时刻的耗气功率;e_cha(t)、e_dis(t)为储能设备在t时刻的充、放电功率;h_cha(t)、h_dis(t)为储能设备在t时刻的充、放热能功率;h_2,cha(t)、h_2,dis(t)为储能设备在i时刻的充、放氢能功率;e_ec(t)、h_ac(t)为制冷设备在t时刻的耗电和耗热功率;f_en为新能源发电机组的运维成本;f_op为能源转换设备的运维成本;f_st为储能设备的运维成本;f_co为制冷设备的运维成本。

(5)系统碳排放成本。

(12)f_CO₂=${c}_{C{O}_{2}}\sum _{t=1}^{24}$[c_chp,CO₂(t)+c_gb,CO₂(t)+c_buy,CO₂(t)+c_ccs,CO₂(t)]

(13)

$\left\{\begin{array}{l}{c}_{chp,C{O}_{2}}\left(t\right)={\eta }_{s}{G}_{chp}\left(t\right)\\ {c}_{gb,C{O}_{2}}\left(t\right)={\eta }_{s}{G}_{gb}\left(t\right)\\ {c}_{buy,C{O}_{2}}\left(t\right)={\eta }_{e}{P}_{e,buy}\left(t\right)\\ {c}_{g,C{O}_{2}}\left(t\right)={\eta }_{g}{P}_{g,buy}\left(t\right)\\ {c}_{ccs,C{O}_{2}}\left(t\right)={E}_{coal}\left(t\right)-{E}_{cap}\left(t\right)\end{array}\right.$

式中:c_chp,CO₂(t)为CHP在t时刻燃烧天然气的过程中排放的二氧化碳量;c_gb,CO₂(t)为GB在t时刻燃烧天然气的过程中排放的二氧化碳量;c_buy,CO₂(t)为系统在t时刻从电网购电量排放的二氧化碳量;c_g,CO₂(t)为系统在t时刻从气网购气量排放的二氧化碳量;η_s为天然气燃烧时二氧化碳排放系数;η_e为电网发电的二氧化碳排放系数;η_g为气网产气的二氧化碳的排放系数;η_CH₄为CHP在t时刻燃烧的天然气量;G_gb(t)为GB在t时刻燃烧的天然气量;P_e,buy(t)为系统在t时刻外网的购电量;P_g,buy(t)为系统在t时刻外网的购气量;c_ccs,CO₂(t)为CCS的实际碳排放量;E_coal(t)为CCS机组在t时刻的碳排放量;E_cap(t)为碳捕集量;c_CO₂为二氧化碳排放单价,取0.150 元/kg。

3.2 约束条件

3.2.1 功率平衡约束条件

(1)电功率平衡约束。

(14)P_e,buy(t)+P_e,chp(t)+P_e,dis(t)+P_e,hfc(t)+${\stackrel{\sim }{P}}_{WT}$(t)+${\stackrel{\sim }{P}}_{PV}$(t)=${{\stackrel{\sim }{P}}^{e}}_{L}$(t)+P_ccs,e(t)+P_cha,e(t)+P_el,e(t)+P_ec,e(t)

式(14)中:P_e,buy(t)为HIES在t时刻从外电网购入的电量;P_e,chp(t)为CHP在t时刻产出的电量;P_e,hfc(t)为t时刻HFC产出的电量;P_e,dis(t)为SB在t时刻的放电功率;

${\stackrel{\sim }{P}}_{WT}$

(t)、

${\stackrel{\sim }{P}}_{PV}$

(t)分别为t时刻光伏和风机输出的电功率;

${{\stackrel{\sim }{P}}^{e}}_{L}$

(t)为t时刻系统电负荷需求功率;P_ccs,e(t)为t时刻CCS消耗的电功率;P_el,e(t)为t时刻EL消耗的电功率;P_ec,e(t)为t时刻EC消耗的电功率;P_cha,e(t)为SB在t时刻的充电功率。

(2)热功率平衡约束。

(15)P_h,chp(t)+P_h,hfc(t)+P_h,gb(t)+P_h,dis(t)=${{\stackrel{\sim }{P}}^{h}}_{L}$(t)+P_ac,h(t)+P_cha,h(t)

式(15)中:P_h,chp(t)为CHP在t时刻输出的热功率;P_h,hfc(t)为HFC在t时刻输出的热功率;P_h,gb(t)为GB在t时刻输出的热功率;P_h,dis(t)为HST在t时刻的放热功率;

${{\stackrel{\sim }{P}}^{h}}_{L}$

(t)为t时刻系统热负荷需求功率;P_ac,h(t)为t时刻AC消耗的热功率;P_cha,h(t)为HST在t时刻的充热功率。

(3)气功率平衡约束。

(16)P_{g, buy}(t)+P_g,mr(t)=${{\stackrel{\sim }{P}}^{g}}_{L}$(t)+P_g,chp(t)+P_g,gb(t)

式(16)中:P_{g, buy}(t)为HIES在t时刻与外气网交互气量;P_{g, mr}(t)为MR在t时刻输出的气功率;

${{\stackrel{\sim }{P}}^{g}}_{L}$

(t)为t时刻系统气负荷需求功率;P_g,chp(t)为t时刻CHP消耗的气功率。

(4)氢功率平衡约束。

(17)P_h₂,el(t)+P_h₂,dis(t)=P_hfc,h₂(t)+P_mr,h₂(t)+P_cha,h₂(t)

式(17)中:P_h₂,el(t)为EL在t时刻输出的氢功率;P_h₂,dis(t)为HT在t时刻的放氢功率;P_mr,h₂(t)为t时刻MR消耗的氢功率;P_hfc,h₂(t)为t时刻HFC消耗的氢功率;P_cha,h₂(t)为HT在t时刻的储氢功率。

(5)冷功率平衡约束。

(18)P_{c, ec}(t)+P_c,ac(t)=${{\stackrel{\sim }{P}}^{c}}_{L}$(t)

式(18)中:P_{c, ec}(t)为EC在t时刻输出的冷功率;P_{c, ac}(t)为AC在t时刻输出的冷功率;

${{\stackrel{\sim }{P}}^{c}}_{L}$

(t)为t时刻系统冷负荷需求功率。

3.2.2 储能设备约束

所涉及的储能设备主要有:蓄电池、储热罐、储氢罐和储气罐4种。且储能设备约束可分为:①储能设备容量约束,即最大和最小值约束,以保证储能设备的寿命和安全稳定运行;②储能或放能状态约束,即储能设备不能在同一时刻既充能又放能;③全周期净交换功率为零约束,即初始容量和结束容量相同。

(19)E_{cap, min}≤E_cap(t)≤E_{cap, max}

(20)P_{ex, min}≤P_ex(t)≤P_{ex, max}

(21)0≤S(t)+R(t)≤1

(22)

$\sum _{t=1}^{24}$

P_ex(t)=0

式中:E_cap(t)、P_ex(t)分别为t时刻下的储能设备容量、充放电能量;E_{cap, min}、E_{cap, max}分别为储能设备容量的最大和最小值;P_{ex, min}、P_{ex, max}分别为储能设备在任一时刻充放能功率的最大和最小值;S(t)、R(t)分别为储能设备的充、放能状态,均为0-1变量。

3.2.3 设备运行约束

(23)0≤P_i≤P_N_,_i

式(23)中:P_i为各设备输出功率;i为设备类型;P_N_,_i为各设备输出的最大功率。

3.3 求解方法

针对考虑源荷不确定性的HIES构建优化调度模型,其核心本质是一类带约束的数学规划问题。在数值计算环节,采用MATLAB平台结合CPLEX商业求解器进行模型求解,通过调用求解器内置的高效分支定界(branch-and-bound)与割平面(cutting plane)算法,在保证收敛性的前提下,最终获得满足约束条件的全局最优调度方案,得到HIES最优调度运算结果。

4 算例分析

4.1 基础数据

为了验证所提方法的有效性,以位于新疆达坂城工业园区为例进行仿真研究。该算例场景综合考量了源荷不确定性特征,并适配了分时电价和分时气价的市场环境。系统的详细配置及运行参数如表1所示,其中系统与电网和气网的交互关系中只考虑购能关系,假设上级电网和气网具备充足的容量裕度,能够满足系统的任意购电、购气需求。因此,在表1运行参数中未对电网和气网的购能功率设置上下限约束;具体的能源交易价格如图3所示。模型中,储能装置的充放能效率统一设定为0.95,各能源类型的碳排放因子如表2所示。

4.2 典型场景生成

采集新疆达坂城工业园区的风电、光伏出力及负荷一年期历史数据用于分析计算,将每日运行状态定义为一个原始场景;经过数据预处理后,共获得365 个有效原始场景,为降低计算复杂度,通过数据压缩技术将聚类数据矩阵从365×24维降至4×24维,并采用改进的K-means聚类算法按照季节特性对原始场景进行划分和削减,最终得到的4个典型场景分布特征如图4所示。

从图4(a)风电场景中可以看出,由于该园区地处著名的达坂城风区,具有明显的时序波动性,四季典型日的风电出力各不相同;其中,夏季典型日的风功率波动幅度最大,在250~620 kW波动;春、秋季典型日的风电功率波动幅度比较稳定;冬季典型日的风功率在400 kW左右来回波动。从图4(b)光电场景中可以看出,由于夏季光照时间长,且光照强度高,夏季典型日的光伏发电功率在一天中最大,且最大幅值达到了650 kW;春、秋季典型日的光电功率大小相近;而冬季由于光照时间短,且光照强度低,光电功率值最小,最大幅值不超过400 kW。从图4(c)电负荷场景中可以看出,夏季和冬季典型日的电功率整体较高,且变化趋势较为相似,均在上午开始逐渐上升,在中午12:00达到峰值,随后逐渐下降;其中冬季典型日的峰值超过了500 kW。秋季典型日的电功率在中午达到一个较高值后有所回落;春季典型日的电功率相对较低,在200~300 kW波动。从图4(d)中可以看出,冬季典型日的热功率整体处于较高水平,基本稳定地维持在200 kW左右。这主要是因为冬季寒冷的气候条件,室内外温差显著,为了维持适宜的室内温度环境,需要持续且大量地消耗热能。春季和秋季典型日的热功率水平大致保持在100~150 kW。至于夏季,其热功率在四季典型日中处于最低水平,基本稳定维持在50 kW左右。从图4(e)冷负荷场景可知,夏季气温高,室内外温差大,为降低室内温度,需要制冷设备大量且长时间运行,导致冷功率需求大增;所以夏季典型日的冷功率最高,在一天内基本维持在150~200 kW。然而春、秋季节气温适中,冷功率整体处于100~150 kW。冬季气温低,室内外温差方向与夏季相反,冷功率需求极低,基本在50 kW左右,且波动幅度极小。

考虑燃气主要用于热电联产和燃气锅炉,那么对气功率的需求就较为稳定。从图4(f)可以看出,4个季节典型日的气功率变化趋势一致,整体呈现出先上升后下降的态势。在一天24 h中,气功率大致在上午时段开始上升,于中午到下午时段达到峰值200 kW,随后逐渐下降。春、秋季节典型日的气功率较为接近,整体波动大致在150~170 kW区间。

4.3 不同典型场景经济调度运行分析

在考虑源荷双侧不确定性的情况下,将4个季节的典型日分为典型日1、典型日2、典型日3、典型日4;并分别对该园区HIES典型场景进行经济运行调度,各典型日场景成本计算结果如表3所示。由表3可知,各典型日的求解时间相近,其中,典型日4的求解时间最短为10.03 s;典型日2的购电成本最低,为11.95 元,相较于典型日4购电成本降低了84.94%;购气成本降低了82.19%;弃风成本和弃光成本分别增加了80.26%、84.67%;总成本降低了11.74%;典型日3的弃风成本为280.11 元,相较于典型日2弃风成本降低了55.48%;弃光成本降低了66.94%;购气成本增加了43.13%;设备运维成本降低了7.05%;总成本降低了3.94%,为7 288.19 元。典型日3相比于典型日2减少了弃风、弃光和设备运维成本,同时也增加了购能和碳排放成本,但总成本相比之下最低;所以下文在该典型日3下研究源荷不确定性对系统的经济调度影响能够有效地保证系统的经济性和环保性。

4.4 考虑源荷不确定性的调度运行分析

为了验证源荷双侧不确定性对HIES的调度结果的影响,共设定了4种不同情景,用以开展对比分析工作。这些情景的设定,涵盖了能源供应端(分布式电源发电功率的波动性)以及能源需求端(用户用能行为的不确定性)的多种不确定性。

(1)情景1:不考虑源、荷双侧不确定性参与HIES优化调度。

(2)情景2:只考虑源侧风、光不确定性参与HIES优化调度。

(3)情景3:只考虑荷侧电、热、冷、气负荷不确定性参与HIES优化调度。

(4)情景4:考虑源侧风、光不确定性和荷侧电、热、冷、气负荷不确定性均参与HIES优化调度。

4种情景仅参与调度的源、荷双侧不确定性不同。4种情景成本计算结果如表4所示,4种情景下成本优化结果如图5~图9所示。其中,考虑源侧或荷侧的不确定性参与调度是否会影响系统总成本,进而影响电、热、冷、气负荷的优化调度情况。源荷双侧不确定性通过情景1和情景4进行对比;源侧不确定性通过情景2和情景1进行对比;荷侧不确定性通过情景3和情景1进行对比。

4种情景除参与调度的源荷双侧或单侧不确定性不同外,设备参数、能源价格等都保持一致。4种情景成本计算结果如表4所示,4种情景下负荷优化结果如图5~图9所示。接着,考虑源侧或荷侧的不确定性参与调度是否会影响系统总成本,进而影响电、热、冷、气负荷的优化调度情况。考虑源荷双侧不确定性与不考虑源荷不确定性的情况通过情景1和情景4进行对比;考虑源侧单侧不确定性与不考虑源荷不确定性的情况通过情景2和情景1、情景3和情景1进行对比;考虑源荷不确定性与不考虑源荷不确定性的情况通过情景1与情景2、情景3、情景4对比;考虑源荷双侧不确定性与考虑源荷单侧不确定性的情况通过情景4与情景2、情景3对比。

由表4可知,情景1不考虑源荷双侧不确定性,该园区的IES总成本最高,为7 920.76 元。情景2由于考虑了源侧风、光不确定性参与调度,弃风成本降低了37.89%,弃光成本降低了47.66%,设备运维成本降低了5.11%,系统碳排成本降低了33.14%,总成本降低了7.41%;在情景2的基础上,情景4加入了荷侧电、热、冷、气负荷不确定性,相较于情景2弃风成本降低13.32%,弃光成本降低了3.63%,设备运维成本降低了2.20%,碳排放成本增加0.46%,总成本降低了0.67%,这是因为荷侧电、热、冷、气负荷不确定性的引入导致无法准确预测能源需求造成能源不足和效率低下,增加购能成本,进而增加碳排放成本;相较于情景3,情景4的总成本降低了7.06%;相较于情景1,情景4的总成本降低了8.03%;计算结果表明,将源荷不确定性纳入调度策略,能够显著提升系统运行的经济性。

由图5电负荷平衡可知,需求侧电负荷主要由风机、光伏等新能源发电满足;对比其他情景,情景4消纳风电和光电的比例最高,即系统对新能源发电的利用率最高,有效减少了弃风、弃光现象;在此情景下,热电联产机组的发电量达到峰值,不仅有效平衡了新能源间歇性、保障了基荷供电能力,还可以通过灵活调峰来弥补风、光出力的波动;此外,该情景中电转气装置的耗电量最低,这一特征能够优化新能源直接供电比例,减少不必要的电-气转换损耗,进而提升系统整体能效。综上,图5的电负荷平衡特性表明,情景4通过深度整合源荷双侧信息,在提升可再生能源利用率的同时,实现了电负荷供需的经济性和稳定性。

由图6热负荷平衡可知,需求侧热负荷主要由燃气锅炉产热满足;其中情景2中燃料电池的产热量最大,在满足热负荷需求的同时,可以实现能源的高效梯级利用;情景4中CHP的产热量最大,可深度耦合电-热系统,平衡电负荷与热负荷需求,有效弥补可再生能源出力波动对热供给的影响;情景4中吸收式制冷机耗热量最大,可减少传统电制冷的能耗压力,有助于进一步挖掘HIES运行灵活性。

由图7冷负荷平衡可知,需求侧冷负荷主要由电制冷机制冷满足;与其他情景相比,情景4中吸收式制冷机的制冷量最大,减少了系统对电制冷机制冷的依赖,同时也减少了电网压力,降低了冷负荷对电力系统的冲击,更好地实现含氢综合能源系统的多能互补和梯级利用。

由图8氢平衡可知,电转气装置制氢主要用于燃料电池耗氢和甲烷反应器耗氢;情景2中甲烷反应器耗氢的占比最小,可强化氢能在电-热领域的即时消纳能力;与其他情景相比,情景4中电转气装置制氢量最小,在150 kW左右;提升了新能源直接供电、供热比例,减少了对电-氢转换路径的依赖,减少了能量转换环节的损耗,同样实现了氢能的按需生产,避免了氢气存储成本及泄漏风险。

由图9气负荷平衡可知,需求侧气负荷主要由气网供气和甲烷反应器产气满足;相比于其他情景,情景1购气量最低;情景4甲烷反应器的产气量最低;情景4热电联产机组的耗气量最高;燃气锅炉的耗气量最高;其承担了电-热负荷的双重供给任务,实现了对电负荷和热负荷的强支撑作用,尤其在新能源出力波动时,CHP可快速调峰以维持系统稳定,为优化能源结构与提升系统灵活性提供数据支撑。

对于荷侧负荷不确定性,源侧风、光不确定性参与调度效果更为明显;由于分时电价的峰期、平期主要集中在8:00—18:00,且该时段也是新能源出力最明显的时段,该时段的大部分荷侧负荷需求可由新能源发电直接或间接满足,因此也减少了弃能和相关设备运行的成本;由于分时气价的原因,热电联产机组和燃气锅炉成了热负荷的主力军;由图6~图9可知,考虑源荷双侧不确定性会增加购能成本,提升新能源发电的利用率,即减少弃风、弃光成本,同时也减少了设备运维成本和系统碳排成本。

5 结论

为提高HIES的能源利用效率,减少系统整体成本,同时缓解负荷与新能源出力不确定性给调度工作带来的负面作用,提出了考虑源荷不确定性的含氢综合能源系统低碳运行调度方法,通过验证,得到如下结论。

(1)针对负荷和新能源出力的不确定性,首先通过拉丁超立方抽样法得到大规模的场景集;并对场景集数据实施降维操作,接着再运用优化的K-means聚类开展场景削减,随后针对削减后的数据聚类分析,进而构建各典型日运行曲线,为充分考虑不确定性对系统优化调度的影响提供基础数据支撑,同时降低计算复杂度。

(2)采用鲁棒优化的方法对不确定参数的不确定性进行处理,将不确定性转化成预测变量的函数,并利用包络边界法对不确定集进行建模;并分析源荷不确定性在4个典型日条件下对系统购能、运维、弃能、碳排成本的影响。

(3)通过对比分析多情景下源荷双侧或单侧不确定性的参与,结果显示当源侧与荷侧的不确定性同时参与调度时,系统可通过多能流协同调节实现更灵活的供需匹配;仿真结果表明,双侧不确定性参与的调度方案可使HIES的综合运行成本降低0.67%~8.03%,碳排成本降低0~32.83%,显著优于仅考虑单侧不确定性的情景;即相较于考虑源荷单侧不确定性,考虑源荷双侧不确定性参与系统调度可有效降低HIES的总成本和碳排量。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	周孝信, 赵强, 张玉琼, 等. “双碳”目标下我国能源电力系统发展趋势分析: 绿电替代与绿氢替代[J]. 中国电机工程学报, 2024, 44(17): 6707-6721.

[2]	Zhou Xiaoxin, Zhao Qiang, Zhang Yuqiong, et al. Analysis of the development trend of China's energy and power system under the dual carbon target: green electricity substitution and green hydrogen substitution[J]. Proceedings of the CSEE, 2024, 44(17): 6707-6721.

[3]	国家能源局. 新型电力系统发展蓝皮书(征求意见稿)[R]. 北京: 国家能源局, 2023.

[4]	National Energy Administration. Blue book on the development of new power systems (draft for comment)[R]. Beijing: National Energy Administration, 2023.

[5]	国家能源局. 关于报送“十四五”电力源网荷储一体化和多能互补工作方案的通知[R]. 北京: 国家能源局, 2023.

[6]	National Energy Administration. Notice on the submission of the“14th Five-Year Plan” power source, grid, load and storage integration and multi-energy complementary work program[R]. Beijing: National Energy Administration, 2023.

[7]	梁涛, 孙博峰, 刘伟, 等. 可再生能源制氢系统多目标优化调度[J]. 科学技术与工程, 2023, 23(1): 226-235.

[8]	Liang Tao, Sun Bofeng, Liu Wei, et al. Multi-objective optimal scheduling of renewable energy hydrogen production system[J]. Science Technology and Engineering, 2023, 23(1): 226-235.

[9]	栗然, 王欣鹏, 白杨, 等. 考虑氢储能与源荷不确定性的微网优化配置[J]. 华北电力大学学报(自然科学版), 2025, 52(3): 32-41, 53.

[10]	Li Ran, Wang Xinpeng, Bai Yang, et al. Optimal configuration of microgrid considering hydrogen storage and source and load uncertainty[J]. Journal of North China Electric Power University(Natural Science Edition), 2025, 52(3): 32-41, 53.

[11]	吴佩隆, 王维庆, 樊小朝, 等. 天然气制氢的园区综合能源系统氢储能优化配置[J]. 科学技术与工程, 2022, 22(26): 11409-11417.

[12]	Wu Peilong, Wang Weiqing, Fan Xiaozhao, et al. Optimized allocation of hydrogen storage for integrated energy system in a natural gas-to-hydrogen park[J]. Science Technology and Engineering, 2022, 22(26): 11409-11417.

[13]	于馨玮, 陈继明, 仉志华. 分布鲁棒优化在综合能源系统调度与规划中的应用综述[J]. 全球能源互联网, 2023, 6(2): 207-215.

[14]	Yu Xinwei, Chen Jiming, Zhang Zhihua. A review of the application of distributionally robust optimization in integrated energy system dispatching and planning[J]. Journal of Global Energy Interconnection, 2023, 6(2): 207-215.

[15]	林舜江, 冯祥勇, 梁炜焜, 等. 新能源电力系统不确定优化调度方法研究现状及展望[J]. 电力系统自动化, 2024, 48(10): 20-41.

[16]	Lin Shunjiang, Feng Xiangyong, Liang Weikun, et al. Research status and prospects of uncertain optimal scheduling methods for new energy power systems[J]. Automation of Electric Power Systems, 2024, 48(10): 20-41.

[17]	范宏, 徐涛, 贾庆山. 数据-模型混合驱动的数据中心综合能源系统优化调度综述[J]. 南方电网技术, 2025, 19(3): 174-187.

[18]	Fan Hong, Xu Tao, Jia Qingshan. Review of optimization scheduling for integrated energy systems with data centers based on hybrid data-model driven[J]. Southern Power System Technology, 2025, 19(3): 174-187.

[19]	Jin X, Liu B, Liao S, et al. Wasserstein metric-based two-stage distributionally robust optimization model for optimal daily peak shaving dispatch of cascade hydroplants under renewable energy uncertainties[J]. Energy, 2022, 260: 125107.

[20]	曾子龙, 李培强, 李勇, 等. 考虑条件风险价值的交直流系统两阶段分布鲁棒低碳经济优化调度[J]. 高电压技术, 2024, 50(1): 157-168.

[21]	Zeng Zilong, Li Peiqiang, Li Yong, et al. Two-stage distributional robust low-carbon economic optimal scheduling of AC-DC systems considering conditional value-at-risk[J]. High Voltage Technology, 2024, 50(1): 157-168.

[22]	钟华平, 范钰波, 税纪钧, 等. 考虑源荷不确定性和线性碳交易的综合能源系统优化调度[J]. 系统仿真学报, 2025, 37(10): 2485-2499.

[23]	Zhong Huaping, Fan Xubo, Shui Jijun, et al. Optimal scheduling of integrated energy systems considering source-load uncertainty and linear carbon trading[J]. Journal of System Simulation, 2025, 37(10): 2485-2499.

[24]	闻天润, 彭道刚, 赵慧荣, 等. 考虑设备风险和风光不确定性的园区综合能源随机优化运行[J]. 科学技术与工程, 2023, 23(32): 13861-13871.

[25]	Wen Tianrun, Peng Daogang, Zhao Huirong, et al. Stochastic optimal operation of integrated energy in parks considering equipment risk and scenery uncertainty[J]. Science Technology and Engineering, 2023, 23(32): 13861-13871.

[26]	付波, 杨勇康, 方文俊, 等. 考虑综合需求响应的含碳捕集与光热电站综合能源系统低碳经济调度[J]. 科学技术与工程, 2024, 24(33): 14260-14269.

[27]	Fu Bo, Yang Yongkang, Fang Wenjun, et al. Low-carbon economic dispatch of an integrated energy system with carbon capture and photovoltaic power plant considering integrated demand response[J]. Science Technology and Engineering, 2024, 24(33): 14260-14269.

[28]	包盛宝, 王文成. 考虑双层电转气与需求响应的综合能源系统低碳优化: 以南宁江南工业园区为例[J]. 科学技术与工程, 2025, 25(9): 3730-3738.

[29]	Bao Shengbao, Wang Wencheng. Low-carbon optimization of integrated energy system considering double-layer electricity to gas conversion and demand response: a case study of Jiangnan Industrial Park in Nanning[J]. Science Technology and Engineering, 2025, 25(9): 3730-3738.

[30]	孙文杰, 武家辉, 张强. 考虑主动配电网下多区域综合能源系统间电能交互的优化调度策略[J]. 科学技术与工程, 2024, 24(11): 4539-4551.

[31]	Sun Wenjie, Wu Jiahui, Zhang Qiang. Optimized scheduling strategy for power interaction among multi-area integrated energy systems under active distribution networks[J]. Science Techno-logy and Engineering, 2024, 24(11): 4539-4551.

[32]	Yang L F, Gao S, Cai X L, et al. Generating method for spatiotemporal probability distribution of distributed PV output in small range based on latin hypercube sampling[J]. Southern Power System Technology, 2023, 17(9): 38-48.

[33]	南斌, 姜春娣, 董树锋, 等. 计及源荷不确定性的综合能源系统日前-日内协调优化调度[J]. 电网技术, 2023, 47(9): 3669-3683.

[34]	Nan Bin, Jiang Chundi, Dong Shufeng, et al. Day-ahead-intraday coordinated optimal scheduling of integrated energy systems taking into account source-load uncertainty[J]. Grid Technology, 2023, 47(9): 3669-3683.

[35]	Li Y, Han M, Shahidehpour M, et al. Data-driven distributionally robust scheduling of community integrated energy systems with uncertain renewable generations considering integrated demand response[J]. Applied Energy, 2023, 335: 120749.

[36]	王永利, 向皓, 李淑清. 考虑冷热电三联供系统耦合特性的区域综合能源系统运行优化[J]. 科学技术与工程, 2023, 23(18): 7787-7797.

[37]	Wang Yongli, Xiang Hao, Li Shuqing. Optimization of regional integrated energy system operation considering the coupling characteristics of cooling, heating and power cogeneration system[J]. Science Technology and Engineering, 2023, 23(18): 7787-7797.

基金资助

新疆维吾尔自治区自然科学基金面上项目(2023D01C23)

国家自然科学基金(62163034)

PDF (16355KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-04	2026-08-08	2026-01-09
Online Date
2026-09-03

摘要

Abstract

Graphical abstract

关键词

Key words

中图分类号

引用本文

1 含氢综合能源系统结构

2 考虑源荷不确定性的典型场景生成与消减

2.1 源荷典型场景生成与削减

2.1.1 基于LHS的源荷双侧场景生成

2.1.2 基于K-means聚类的源荷双侧场景削减

2.2 基于典型场景包络的源荷不确定性建模

3 含氢综合能源系统的经济调度模型

3.1 目标函数

3.2 约束条件

3.2.1 功率平衡约束条件

3.2.2 储能设备约束

3.2.3 设备运行约束

3.3 求解方法

4 算例分析

4.1 基础数据

4.2 典型场景生成

4.3 不同典型场景经济调度运行分析

4.4 考虑源荷不确定性的调度运行分析

5 结论

参考文献

基金资助