高建偉,黃寧泊,高芳杰,吳浩宇,孟琪琛,劉江濤

(1. 華北電力大學(xué)經(jīng)濟與管理學(xué)院,北京市 102206;2.新能源電力與低碳發(fā)展研究北京市重點實驗室(華北電力大學(xué)),北京市 102206)

0 引 言

隨著智能電網(wǎng)和“雙碳”目標(biāo)的發(fā)展,住宅社區(qū)在實現(xiàn)能源高效利用和可持續(xù)增長方面表現(xiàn)出良好的適應(yīng)性,成為社會各界關(guān)注的焦點[1]。綜合能源系統(tǒng)(integrated energy system, IES)的建設(shè)滿足了居民的多負荷需求[2],在鼓勵高效清潔能源消費方面發(fā)揮著重要作用[3]。然而,可再生能源(renewable energy, RE)[4]和多負荷[5]的不確定性影響了社區(qū)綜合能源系統(tǒng)(community integrated energy system, CIES)的調(diào)度方案,追求經(jīng)濟效益最大化[6]不再符合社區(qū)乃至社會的可持續(xù)發(fā)展目標(biāo)。另外,決策者的風(fēng)險態(tài)度(decision-makers’ risk attitudes, DMRA)會影響能耗方案,從而影響IES調(diào)度方案[7]。因此,在可再生能源、負荷和決策者風(fēng)險態(tài)度不確定的情況下,研究社區(qū)決策者選擇綜合能源多目標(biāo)調(diào)度策略對社區(qū)發(fā)展至關(guān)重要。

智能電網(wǎng)技術(shù)加速了虛擬電廠(virtual power plants, VPP)的發(fā)展,虛擬電廠可以實現(xiàn)地理上分散的分布式能源的聚合配置和協(xié)同優(yōu)化[8]。因此,學(xué)者們[9-11]逐步將風(fēng)電(wind power, WP)、光伏(photovoltaic, PV)、儲能(energy storage, ES)和負荷整合到社區(qū)虛擬電廠(community virtual power plant, CVPP)中。然而,VPP只考慮了這些客觀因素,而沒有注意到?jīng)Q策者對進度的影響,這與現(xiàn)實不符。事實上,決策者對最終策略的選擇有重大影響[7]。然而,以往的研究并沒有考慮到這一點,因此本文提出了一個考慮DMRA的CVPP模型。

CIES中居民和能源供應(yīng)商的共同目標(biāo)是實現(xiàn)經(jīng)濟效益最大化,例如,文獻[12]和文獻[13]針對CIES的研究。然而,隨著能源的匱乏和環(huán)境的惡化,一味追求經(jīng)濟效益已不能滿足社會長遠發(fā)展的需要。文獻[14]在分析CIES時,考慮了基于經(jīng)濟最大化的碳排放目標(biāo)。已有的研究為考慮經(jīng)濟、能源和環(huán)境的多目標(biāo)調(diào)度奠定了基礎(chǔ)。因此,本文構(gòu)建了經(jīng)濟、能源和環(huán)境的多目標(biāo)模型,并使用模糊隸屬函數(shù)[15]將多個目標(biāo)轉(zhuǎn)化為單個最大滿意度模型。

此外,CIES在整個調(diào)度過程中受到RE和多負荷不確定性的影響[16]。不確定度分析一般有2種方法:一種方法是對不確定變量的概率分布進行建模[17]。文獻[18-19]采用Weibull分布和Beta分布模擬了WP和PV的概率分布曲線。二是開發(fā)不確定度測量方法[20]。為了描述不確定性,文獻[21-22]采用了魯棒優(yōu)化方法和條件風(fēng)險值方法。然而,上述2種方法都有缺點。使用隨機規(guī)劃需要了解參數(shù)概率分布,魯棒優(yōu)化中精確的不確定性設(shè)置可能導(dǎo)致過于保守的解決方案,并且條件風(fēng)險值技術(shù)有時過于復(fù)雜。此外,大多數(shù)研究只將不確定性視為負面因素,而忽略了其潛在的好處[23]。文獻[24]提出的信息間隙決策理論(information gap decision theory, IGDT)可以量化存在未知概率分布時的不確定性,在保證系統(tǒng)魯棒性的同時考慮系統(tǒng)經(jīng)濟性。文獻[25]利用IGDT描述源荷的不確定性,實現(xiàn)系統(tǒng)可靠性。對于PV和WP的同步優(yōu)化,文獻[26]采用了基于不同負荷情況的IGDT,以減少功率損耗,提高系統(tǒng)可靠性。同時,IGDT模型中的機會模型和魯棒模型可以很好地解釋各種決策者的風(fēng)險偏好。因此,在確定性社區(qū)經(jīng)濟-能源-環(huán)境多目標(biāo)模型的基礎(chǔ)上,通過建立可再生能源和多負荷的不確定性模型對IGDT進行改進,并對不同波動幅度下的不確定最優(yōu)調(diào)度方案進行決策。

此外,人為變量經(jīng)常影響調(diào)度方法的選擇[1]。決策結(jié)果與決策者做出決策時的決策環(huán)境和DMRA有關(guān)[27]。文獻[7]利用S型效用函數(shù)研究了DMRA對調(diào)度策略的影響。然而,已有研究并未將RE和多負荷的不確定性與DMRA一起考慮。IGDT模型不僅保證了魯棒性,而且還結(jié)合了DMRA。因此,如何從IGDT模型生成的調(diào)度策略中選擇具有不同風(fēng)險偏好的最終策略對CVPP至關(guān)重要。故而,在本研究中,通過迭代多個因素的權(quán)重來解決帕累托邊界問題。采用熵權(quán)法(entropy weight method, EWM)[28]和自信雙層語言偏好關(guān)系(self-confidence double hierarchy linguistic preference relation, SC-DHLPR)[29]共同改進的VIKOR方法[30]來選擇調(diào)度策略。

學(xué)者們從可再生能源、負荷不確定性、多目標(biāo)優(yōu)化等角度對CVPP進行了大量研究。但依舊存在一定的不足。首先,DMRA對調(diào)度策略的選擇有顯著影響,這在現(xiàn)有研究中很少被考量。因此,描述具有不同風(fēng)險態(tài)度的決策者對VPP調(diào)度策略的影響十分重要。其次,在研究CIES時,僅考慮經(jīng)濟效益最大化并不能滿足可持續(xù)發(fā)展觀念。建立包含經(jīng)濟、能源、環(huán)境的多目標(biāo)模型亟待解決。第三,雖然不確定性的研究有很多,但在未知概率分布情況下量化不確定性,包含DMRA的同時保持系統(tǒng)魯棒性和經(jīng)濟性是一項挑戰(zhàn)。最后,對不同風(fēng)險態(tài)度的決策者,最終調(diào)度策略不僅要與優(yōu)化匹配,而且要與風(fēng)險偏好匹配,如何平衡兩者也是一個亟待解決的問題。綜上所述,本文提出考慮DMRA的CVPP模型和基于改進IGDT的調(diào)度策略選擇模型。本研究的主要創(chuàng)新點為:

1)通過將電力、天然氣、IES和決策者整合到住宅社區(qū)中,構(gòu)建CVPP框架,包括客觀數(shù)據(jù)和主觀人為因素。

2)為實現(xiàn)社區(qū)和社會的長期發(fā)展,建立了基于需求響應(yīng)的經(jīng)濟-能源-環(huán)境多目標(biāo)滿意度模型。

3)將電力差(electricity difference, ED)(可再生能源輸出減去電力負荷的差值)、熱負荷和冷負荷的不確定性納入IGDT模型進行改進,分析可再生能源和負荷不確定性以及DMRA對調(diào)度策略的影響。

4)建立一種求解最優(yōu)策略的新方法。首先,通過遍歷電力差、熱負荷和冷負荷的權(quán)重來求解Pareto前沿。然后利用EWM和SC-DHLPR改進的VIKOR方法,重新評估選擇調(diào)度策略時所需的Pareto前沿,為具有不同風(fēng)險態(tài)度的決策模型選擇合適的最優(yōu)調(diào)度策略提供理論支持。

1 CVPP框架

CVPP由社區(qū)外部發(fā)電廠(external power plant, EPP)、天然氣發(fā)電廠(natural gas plant, NGP)、IES、決策者、居民和VPP構(gòu)建組成。具體結(jié)構(gòu)如圖1所示。

圖1 CVPP的框架Fig.1 The framework of CVPP

EPP和NGP為CIES的內(nèi)部IES提供電力和天然氣。IES為用戶提供電能、熱能和冷能。每個社區(qū)組件的功能如下:

1)IES。IES的供電系統(tǒng)由WP、PV、電儲能(electric energy storage,ES)、燃氣輪機(gas turbine,GT)組成,可以滿足用戶所需的電力負荷。為滿足社區(qū)居民對熱負荷的要求,供暖系統(tǒng)由GT、余熱鍋爐(waste heat boiler, WHB)、電鍋爐(electric boiler, EB)、燃氣鍋爐(gas boiler, GB)和換熱器(changer of heat, CH)組成。為了滿足社區(qū)居民對冷負荷的要求,冷卻系統(tǒng)由電制冷機(electric cooler, EC)和吸收式制冷機(absorption cooler, AC)組成。由于WP和PV具有隨機性和不可預(yù)測性,本文采用IGDT對其進行表征。

2)社區(qū)居民。社區(qū)居民存在對電負荷、熱負荷和冷負荷的需求。電負荷分為基本電負荷、可轉(zhuǎn)移電負荷和可調(diào)節(jié)電負荷3種類型?；緹嶝摵珊涂烧{(diào)熱負荷是2種類型的熱負荷。冷負荷分為基本冷負荷和可調(diào)冷負荷。因此,需求響應(yīng)是為了鼓勵社區(qū)居民積極參與調(diào)度。

3)VPP構(gòu)建。VPP構(gòu)建包括電源控制數(shù)據(jù)、負荷控制數(shù)據(jù)、決策者控制數(shù)據(jù)、數(shù)據(jù)處理(data process, DP)和云服務(wù)。云服務(wù)可以利用電源控制數(shù)據(jù)、負荷控制數(shù)據(jù)、決策者控制數(shù)據(jù)和DMRA收集的EPP、NGP、內(nèi)部IES的能源信息,公平規(guī)劃能源,防止資源浪費,提高多層次的能源利用效率。由于決策具有人性化,不同風(fēng)險態(tài)度的決策者有不同的決策行為。為了與實際場景相適應(yīng),本文采用IGDT中的機會性和魯棒性模型對不同風(fēng)險態(tài)度的決策者進行表征,推導(dǎo)出不同的能源調(diào)度策略,為實際應(yīng)用提供理論支持。

2 考慮需求響應(yīng)的社區(qū)“經(jīng)濟-能源-環(huán)境”多目標(biāo)調(diào)度模型

2.1 需求響應(yīng)

社區(qū)居民積極參與需求響應(yīng)不僅可以降低自身的能源成本,而且對能源和環(huán)境都有益,具體的需求響應(yīng)可參考文獻[7]。

2.2 社區(qū)“經(jīng)濟-能源-環(huán)境”多目標(biāo)調(diào)度模型

選擇能源供應(yīng)商利潤(energy supplier profit, ESP)、居民成本(resident cost, RC)、可再生能源利用率(renewable energy utilization rate, NEUR)和凈碳排放量(net carbon processing capacity, NCE)作為研究目標(biāo),考察該模型的經(jīng)濟性-能源-環(huán)境。

2.2.1 能源供應(yīng)商利潤

maxRpro=Rrev-Ccost

(1)

式中:Rpro表示服務(wù)商利潤;Rrev表示服務(wù)商收入;Ccost表示服務(wù)商花費的成本。

服務(wù)收入包括向消費者出售冷、熱和電能的收入以及可再生能源補貼。

(2)

服務(wù)成本包括燃料成本Cgas、購電成本Cbuy、設(shè)備運行成本Cmain和向用戶支付的激勵費用Cinc。

(3)

2.2.2 居民成本

居民成本由購買能源成本和激勵補貼組成。

minCuser=RIES-Cinc

(4)

式中:Cuser為居民用戶的購能成本。

2.2.3 可再生能源利用率

可再生能源利用率IRE定義為可再生能源實際使用量PRE,actual與可再生能源總量PRE,total之比。

(5)

2.2.4 凈碳排放量

本文利用凈碳排放量作為參考來解決碳排放問題[1]。凈碳排放量被定義為CO2排放和吸收之間的差值,用于表征群落與CO2的相互作用狀態(tài)。

minICO2=Bpf-Bxs

(6)

(7)

2.3 模糊隸屬函數(shù)

為了求解多目標(biāo)函數(shù),本文采用將多個目標(biāo)轉(zhuǎn)化為單個目標(biāo)的方法。本文采用的模糊隸屬函數(shù)為上升半Γ型隸屬函數(shù)和下降半Γ型隸屬函數(shù)[15]。

(8)

(9)

式中:f為目標(biāo)函數(shù)值;fmax為目標(biāo)函數(shù)值的最大值;fmin為目標(biāo)函數(shù)值的最小值。

凸模糊決策必須滿足式(10),以保證最優(yōu)決策解是原多目標(biāo)非線性規(guī)劃的Pareto最優(yōu)有效解。

0<χkin(fkin)<1 ,kin=1,2,…,Kin

(10)

式中:χkin(fkin)為第kin個指標(biāo)的隸屬度;Kin為多目標(biāo)個數(shù)。

2.4 滿意度模型

對2.3節(jié)中的多個目標(biāo)函數(shù)進行模糊處理后,給出各目標(biāo)函數(shù)的權(quán)重后,滿意度模型可表示為:

max Ζ=ψ1·χ1(Rpro)+ψ2·χ2(Cuser)+
ψ3·χ3(IRE)+ψ4·χ4(ICO2)

(11)

式中:ψ1、ψ2、ψ3、ψ4為不同指標(biāo)的權(quán)重系數(shù);χ1(Rpro)、χ2(Cuser)、χ3(IRE)、χ4(ICO2)分別為能源供應(yīng)商利潤、居民成本、可再生能源利用率和凈碳排放量的隸屬度函數(shù)。

2.5 約束條件

1)能源平衡。

(12)

2)設(shè)備出力約束。

(13)

3)爬坡約束。

(14)

式中:Rz,down、Rz,up分別表示第z個設(shè)備的最小和最大爬坡出力。

4)聯(lián)絡(luò)線約束。

(15)

5)儲能約束。

(16)

(17)

6)權(quán)重約束。

(18)

式中:ψkin為第kin個指標(biāo)的權(quán)重系數(shù)。

3 基于IGDT的多目標(biāo)不確定性函數(shù)模型

3.1 IGDT

IGDT是一種針對參數(shù)不確定模型的數(shù)學(xué)優(yōu)化方法[23]。IGDT允許研究不確定參數(shù)對預(yù)定目標(biāo)的潛在影響。預(yù)設(shè)目標(biāo)的影響根據(jù)其性質(zhì)可以分為消極和積極2個方面。相關(guān)的模型稱為魯棒模型和機會模型。它們對應(yīng)于決策者在面對風(fēng)險時選擇的2種截然相反的價值取向:一種認為不確定參數(shù)的存在會對目標(biāo)預(yù)期產(chǎn)生不利影響;另一種是期望不確定參數(shù)朝著有利的方向變化,有助于目標(biāo)的實現(xiàn)。

一般優(yōu)化模型為:

(19)

式中:U為不確定參數(shù);x為決策變量;F(U,x)為目標(biāo)函數(shù);H(U,x)和G(U,x)為等式和不等式約束。

(20)

在一個不確定的環(huán)境中,保守的決策者通常會最大化不確定參數(shù)的有害干擾,以實現(xiàn)最小的預(yù)期目標(biāo),而冒險的決策者更有可能追求不確定性帶來的額外利益。2種策略的數(shù)學(xué)模型如下:

1)魯棒模型。

(21)

2)機會模型。

(22)

3.2 基于IGDT的多目標(biāo)不確定性調(diào)度模型

選擇WP、PV和多負荷作為不確定參數(shù)。式(23)為所構(gòu)建的電力差模型,但由于冷能、熱能需經(jīng)其他設(shè)備轉(zhuǎn)換后才能產(chǎn)生,因此直接構(gòu)建熱負荷和冷負荷的不確定范圍,如式(24)和(25)所示。

(23)

(24)

(25)

(26)

(27)

(28)

如果根據(jù)式(21),原模型根據(jù)式(1)—(18)得到的最優(yōu)目標(biāo)值為f0,決策者根據(jù)運行經(jīng)驗給出的不利干擾下的最小可接受(悲觀)滿意度為(1-βco)f0,其中βco>0,則優(yōu)化模型需要增加以下約束:

f≥(1-βco)f0

(29)

同時,在滿足式(29)的基礎(chǔ)上,將不利干擾最大化,原模型的目標(biāo)函數(shù)改為:

maxαco

(30)

(31)

(32)

式中:f為maxf的退化函數(shù)。

4 最優(yōu)策略的求解方法

通過遍歷權(quán)值,可以有效地求解Pareto前沿問題。使用這種方法的基礎(chǔ)是確定每個目標(biāo)的權(quán)重,因此本節(jié)著眼于權(quán)重選擇和最終策略選擇。

4.1 多目標(biāo)模型的權(quán)值求解

利用EWM和SC-DHLPR語境計算確定性多目標(biāo)函數(shù)的權(quán)值。

4.1.1 熵權(quán)法

為了最大限度地減少多目標(biāo)未加權(quán)疊加計算和人為主觀干擾造成的評價結(jié)果不準(zhǔn)確,采用基于信息熵理論的EWM計算各目標(biāo)的客觀權(quán)重。詳細方法介紹參見文獻[7]。

4.1.2 SC-DHLPR

權(quán)重使用文獻[29]提出的SC-DHLPR對屬性權(quán)重進行優(yōu)先級排序,其基本性質(zhì)和定義在文獻中有詳細說明。雙層語言的設(shè)計在語言環(huán)境上能夠輔助專家更好表達其決策偏好,另外通過“自信度”的引入能夠更快幫助群體達成共識,具體步驟參見文獻[29]和文獻[31]。

4.1.3 EWM和SC-DHLPR的組合權(quán)重

利用EWM獲得的熵權(quán)排序與SC-DHLPR得到的權(quán)重加權(quán)相乘,得到組合權(quán)重:

(33)

式中:Wi為EWM方法得到的第i個指標(biāo)的熵權(quán)排序;ωi為SC-DHLPR方法得到的第i個指標(biāo)的權(quán)重。

4.2 基于EWM和SC-DHLPR的改進VIKOR方法最優(yōu)策略選擇

文獻[32]提出了VIKOR方法作為一種折衷的排序方法。通過評價正、負理想解之間的關(guān)系,實現(xiàn)集體利益價值最大化,個體后悔價值最小化,將最接近完美解的評價對象識別為妥協(xié)解。本文針對專家模糊語言表達困難和信息質(zhì)量缺乏評價的問題,結(jié)合EWM和SC-DHLPR擴展VIKOR方法,此方法具體如下。

首先,本文考慮到通過備選方案比選[33]提升決策質(zhì)量,利用兩兩比選的方式最大降低信息干擾[34-35];其次,SC-DHLPR利用“自信度”的信息補充,在語言構(gòu)建上充分考慮識別疏忽失誤和誤授失誤的風(fēng)險[36];最后,主客觀賦權(quán)法充分吸納和利用客觀數(shù)據(jù)和主觀經(jīng)驗進行決策,提高了屬性確權(quán)的科學(xué)性。具體步驟如下。

步驟1：假設(shè)m個評估方案,A={A1,A2,…,Am};n個評價指標(biāo),B={B1,B2,…,Bn}。指標(biāo)Bj下方案Ai的值為xij(i=1,2,…,m;j=1,2,…,n),多目標(biāo)決策矩陣為:

(34)

步驟2：對原始決策矩陣進行歸一化。為了減少數(shù)據(jù)維度對計算結(jié)果的影響,使用式(8)、(9)中的Γ形隸屬函數(shù)處理指標(biāo)數(shù)據(jù)。得到歸一化矩陣Y=(yij)m×n為:

(35)

步驟3：確定評價指標(biāo)的權(quán)重。在4.1節(jié)中,使用EWM和SC-DHLPR計算各指標(biāo)的權(quán)重。

步驟4：確定正理想解U+和負理想解U-。

(36)

(37)

式中:J+為效益指標(biāo)集;J-為成本指標(biāo)集。

步驟5：計算各方案到正、負理想解的距離比,具體見式(38)和(39)。

(38)

(39)

步驟6：確定決策計劃的收益比。

(40)

(41)

式中:v為“多數(shù)標(biāo)準(zhǔn)”策略的決策機制系數(shù),表示決策者偏好的重要程度[32]。從很多人的支持態(tài)度來看,v>0.5意味著他們屬于風(fēng)險偏好類型。v=0.5是風(fēng)險中性的,考慮了多數(shù)群體的利益和少數(shù)群體的阻力。根據(jù)少數(shù)派的反對意見,v<0.5是規(guī)避風(fēng)險的。故本研究中最優(yōu)風(fēng)險規(guī)避策略采用v=0.3,最優(yōu)風(fēng)險偏好策略采用v=0.7。

步驟7：做出評估結(jié)果。

S、R和Q的值按升序排序,以評估方案的優(yōu)勢[37],前提是越小越好。若Q值最低的方案為Z(1),則方案個數(shù)為m。

條件1：可接受的優(yōu)勢。

(42)

條件2：解的穩(wěn)定性是可以接受的。滿足最小Q值的方案也應(yīng)滿足最小S或R值。

如果滿足以上2個條件,則為最佳方案。如果不滿足這些條件中的任何一個,則應(yīng)提出以下折衷解集:

1)如果條件1不滿足,折中解集為{Z(1),Z(2),…,Z(?)},Q(Z(2))-Q(Z(1))≥DQ決定了的最大值?。

2)當(dāng)只有條件2不一致時,最優(yōu)解為排名第一和第二的解,即折衷解集包括Z(1)和Z(2)。

5 算例分析

本文以中部某市某居民區(qū)的能源價格信息和能源使用信息為例進行算例分析。

5.1 基礎(chǔ)數(shù)據(jù)

本文以一個典型的夏日為例。典型的一天被分成24個時段,每個時段是1 h。該地區(qū)典型夏季日的PV和WP值如附錄圖A1所示。居民負荷如附錄圖A2所示。家用電器的具體情況和設(shè)備的相關(guān)參數(shù)可參考文獻[1]。表1給出了電能、冷能、熱能和激勵補貼價格。天然氣單價為2.1元/m3。

表1 價格數(shù)據(jù)Table 1 Price data

5.2 場景設(shè)置

根據(jù)是否考慮不確定性,分為2種場景:

場景1：CVPP中的多目標(biāo)調(diào)度,確定性模型。

場景2：基于場景1,同時考慮多個不確定性,如多目標(biāo)權(quán)重、偏差因素和DMRA。

5.3 結(jié)果分析

僅外網(wǎng)供能時,能源供應(yīng)商利潤為0元,居民成本為18 133.816 0元,凈碳排放量為21 688.255 3 kg,可再生能源利用率為0。IES和需求響應(yīng)的實現(xiàn)提高了多目標(biāo)值。具體分析如下。

5.3.1 多目標(biāo)確定性分析

根據(jù)第3節(jié),首先計算各單目標(biāo)的最大值,如表2所示。其次,根據(jù)表2利用EWM和SC-DHLPR計算目標(biāo)值的權(quán)重。計算多目標(biāo)最優(yōu)值后得到的最大滿意度值為91%,能源供應(yīng)商利潤、居民成本、凈碳排放量和可再生能源利用率分別為14 980.212 4元、16 500.742 6元、1 927.923 8 kg、83.92%。圖2和圖3顯示了設(shè)備產(chǎn)出和家用電器使用情況。

表2 單目標(biāo)優(yōu)化結(jié)果Table 2 Optimal value of single target

圖2 確定性的多目標(biāo)優(yōu)化調(diào)度后的設(shè)備產(chǎn)出Fig.2 Equipment output after deterministic multi-objective optimal scheduling

圖3 確定性的多目標(biāo)優(yōu)化調(diào)度后的家用電器使用方式Fig.3 The use of household appliances after deterministic multi-objective optimal scheduling

結(jié)合居民能耗前后的多目標(biāo)值和表2可知,用戶采用CIES和需求響應(yīng)后,雖然能源供應(yīng)商電價高于外部電網(wǎng),但居民成本降低,能源供應(yīng)商利潤增加。如圖2所示,除了滿足電負荷外,可再生能源通過EC產(chǎn)生冷能來滿足冷負荷(AC提供冷能來滿足小部分冷負荷),通過EB產(chǎn)生熱能來滿足熱負荷(GT和GB也產(chǎn)生熱能來滿足部分熱負荷)。與使用外部電網(wǎng)相比,可再生能源的使用降低了凈碳排放量,同時提高了可再生能源利用率。從圖3可以看出,可轉(zhuǎn)移負荷根據(jù)居民的能耗偏好轉(zhuǎn)移到電價低谷期,既降低了居民成本,又提高了可再生能源利用率,從而降低了凈碳排放量。

5.3.2 多目標(biāo)不確定性分析

在具有不確定性的多目標(biāo)調(diào)度中,首先要確定電力差、熱負荷和冷負荷的不確定性系數(shù)的比例。不確定因子α的值在相等的間隔內(nèi)變化。其次,不同偏好的決策者的偏差系數(shù)β對最終結(jié)果有顯著影響。

遍歷0≤κe≤1,0≤κh≤1-κe和κc=1-κe-κh的權(quán)值,可以在相同偏差系數(shù)β下有效求解Pareto前沿。該方法不僅考慮了模糊規(guī)劃,而且還考慮了決策模型對不同風(fēng)險的容錯極限,使得遍歷權(quán)重求出的非劣解分布更加均勻。以保守決策者為例,選取β值在0.009～0.020之間(區(qū)間0.001),研究電力差、熱負荷和冷負荷的不確定權(quán)重對α波動幅度的影響。圖4和附錄表A1分別顯示了帕累托前沿和不同權(quán)重的結(jié)果(βco=0.02下的結(jié)果如附錄表A1所示)。

圖4 考慮不確定因素的多目標(biāo)優(yōu)化后的保守型決策者Pareto前沿Fig.4 Pareto Frontier for conservative decision makers after multiple objectives optimization with considering uncertain factors

如圖4和表A1所示,βco相同,α值不同。當(dāng)κe、κh和κc的權(quán)重不同時,多目標(biāo)值也不同。同時,隨著冷負荷權(quán)重的增加,α值也隨之增加。這表明,與電力差和熱負荷的不確定性相比,冷負荷的權(quán)重對α的影響最大。也就是說,決策者應(yīng)該關(guān)注居民在夏季對冷負荷的需求。此外,每種調(diào)度策略都求解相應(yīng)的最大值α,策略的最大α值因偏好的不同而不同。第5.3.3節(jié)表明,在βco相同的情況下,α值越高的策略并不越好。

如圖4所示,不同的βco具有不同的αco和多目標(biāo)值。本文首先選擇一組[κe,κh,κc]值,其次使用5.3.3節(jié)中的最優(yōu)策略比較分析αco和βco的變化。

選取[κe,κh,κc]值為[0.4,0.4,0.2],具體的βco、αco和多目標(biāo)值如表3所示。圖5描述了使用最優(yōu)策略時β和α值之間的關(guān)系。

表3 βco,αco值和多目標(biāo)值Table 3 βco, αco values and multi-target values

圖5 考慮不確定因素的多目標(biāo)優(yōu)化策略下β與α的關(guān)系Fig.5 Relationship between β and α under optimal strategy after multiple objectives optimization with considering uncertain factors

如表3所示,在相同權(quán)重下,隨著αco值的增加,βco值也隨之增加。這表明,隨著系統(tǒng)承受不確定性能力的提高,系統(tǒng)滿意度越小,生成的調(diào)度方案對電力差、熱負荷和冷負荷不確定性的應(yīng)對能力越強。如圖5所示,在魯棒模型中,βco與αco呈正相關(guān),與系統(tǒng)滿意度呈負相關(guān)。

這是由于保守決策者相信魯棒模型在偏差方向下,不確定因素會對系統(tǒng)滿意度產(chǎn)生不利影響。αco值越高,電力差、熱負荷和冷負荷的不確定性風(fēng)險越大,系統(tǒng)滿意度越低。然而,在機會模型中,隨著βa的增加,αa和系統(tǒng)滿意度也會增加,因為增加的系統(tǒng)不確定性對系統(tǒng)滿意度有積極的影響,即αa越大,電力差、熱負荷和冷負荷的不確定性提供的滿意度越大。

5.3.3 多目標(biāo)策略選擇

α和β的值將影響調(diào)度策略。本研究結(jié)合EWM和SC-DHLPR對VIKOR方法進行改進,并對最終策略進行二次最優(yōu)選擇,以區(qū)分不同風(fēng)險態(tài)度的決策者對策略的影響。

以βco=0.02為例,選擇v=0.3來描述保守決策者的決策過程。附錄表A2給出了S、R和Q的最終值。附錄表A3給出了不同偏差因子βco值的最優(yōu)策略。

當(dāng)βco=0.02時,根據(jù)第5節(jié)和附錄表A2的資料,選擇編號為22的策略作為保守決策者的最終調(diào)度策略。圖6為最優(yōu)策略下家用電器和設(shè)備的具體運行情況。

圖6 考慮不確定因素的多目標(biāo)優(yōu)化后的設(shè)備輸出和家用電器運行-保守決策者Fig.6 Equipment output and household appliances operation after multiple objectives optimization with considering uncertain factors-conservative decision-makers

與圖3(a)相比,圖6(c)中的轉(zhuǎn)移負荷在電價較低時運行,降低了居民的能源成本。基本運行與圖3(b)相同,居民采用需求響應(yīng)策略。轉(zhuǎn)移負荷的具體工作時間是不同的。這是因為當(dāng)考慮魯棒性時,電負荷、熱負荷和冷負荷增加,而RE減少。由于模型是基于這些信息智能傳輸?shù)?因此可轉(zhuǎn)移負荷的特定工作時間會發(fā)生變化。

與圖2相比,考慮魯棒特性后,設(shè)備的輸出有很大不同。對比圖6(a)和圖2(a),以04:00和24:00為例。在24:00,洗衣機工作轉(zhuǎn)移(見圖6(c)),原始負荷減少。另外,使用電能生成其他能源的設(shè)備的利用率隨著RE的降低而降低(見圖6(a))。同時,從圖6可知,考慮魯棒特性后,系統(tǒng)主要利用GT、WHB產(chǎn)生熱能(不考慮魯棒性時,用電能代替EB產(chǎn)生熱能),AC吸收熱能產(chǎn)生冷能,滿足居民的冷負荷需求。在04:00,圖2(a)中只有RE和EC在運行,而圖6(a)中GT、WHB和AC在運行。在圖6(a)中干衣機在04:00工作,增加了負荷。圖6(b)和圖2(b)中的ES在RE充足時充電,在能量不足時放電。并且,為了延長使用壽命,儲能不會一直充電和放電。這證明了CVPP的智能性。

保守決策者結(jié)合魯棒模型的最優(yōu)策略,在充分考慮多個目標(biāo)之間的聯(lián)系后,選擇了最滿意的調(diào)度策略。在滿足供能商和居民利益的基礎(chǔ)上,盡可能使用可再生能源來降低新能源消耗。

以βa=0.02為例,用v=0.7來描述冒險決策者的決策過程。附錄表A4給出了各種偏差因子βa值的理想策略,附錄表A5給出了S、R和Q的最終值。

同樣,當(dāng)βa=0.02時,選擇編號為1的策略作為最終冒險決策者的調(diào)度策略。圖7描述了最優(yōu)策略下家用電器的設(shè)備輸出和運行時間。

圖7 考慮不確定因素的多目標(biāo)優(yōu)化后的設(shè)備產(chǎn)出和家用電器運行-冒險決策者Fig.7 Equipment output and household appliances operation after multiple objectives optimization with considering uncertain factors-risk decision-makers

與圖3(a)類似,圖7(c)中的轉(zhuǎn)移負荷在電價較低時運行,降低了居民的能源獲取成本。這與圖3(b)相似,居民使用需求響應(yīng)策略。圖7(c)中轉(zhuǎn)移負荷的具體運行時間與圖3(b)相同,但與圖6(c)有所不同,這是因為考慮機會特性時,電負荷、熱負荷和冷負荷減小,而RE增大。根據(jù)系統(tǒng)的信息,相同的轉(zhuǎn)移不會影響居民對家用電器使用的滿意度,這是因為不影響使用方式,但可以降低成本,從而居民更容易接受這種方式,

與圖2相比,考慮到機會特性后,設(shè)備的輸出顯著不同。以03:00為例,對比圖7(a)和圖2(a)。考慮到RE的上升,原GT產(chǎn)生的電能和AC吸收WHB產(chǎn)熱能量產(chǎn)生的冷能均由RE滿足,EC吸收RE產(chǎn)生的冷能滿足AC生產(chǎn)的所有冷負荷。同樣,圖7(b)和2(b)中的ES在RE充足時充電,在RE不足時放電。并且不會一直充放電,延長使用壽命。這些都證明了CVPP的智能性。

結(jié)合機會模型的最優(yōu)多目標(biāo)策略,本文發(fā)現(xiàn)CVPP充分考慮了多目標(biāo)之間的關(guān)系,在滿足電力需求的基礎(chǔ)上,以能源供應(yīng)商和居民的利益為基礎(chǔ),鼓勵使用可再生能源,減少碳排放過程,從而為冒險決策者選擇最滿意的調(diào)度策略提供依據(jù)。

結(jié)合上述場景,選取相同的權(quán)重,研究具有不同風(fēng)險態(tài)度的決策者對能源調(diào)度的影響。通過對比圖2、圖3、圖6和圖7,很明顯,實施需求響應(yīng)后,居民在使用家用電器時將節(jié)省資金并獲得積極的體驗。同時,為了滿足能源供應(yīng)商和居民的利益,應(yīng)盡可能多地部署可再生能源以降低凈碳處理量。另外,不同風(fēng)險態(tài)度的決策者會根據(jù)自己的偏好采取能源調(diào)度策略,從而居民的可轉(zhuǎn)移負荷工作時間也有所不同。除上述分析外,還發(fā)現(xiàn)保守決策者和冒險決策者在23:00使用的調(diào)度策略完全不同。但是,保守決策者更傾向于利用EC產(chǎn)生冷能來滿足居民冷負荷的需求,冒險決策者更傾向于利用EB產(chǎn)生熱能,利用AC吸收熱能產(chǎn)生冷能來滿足居民冷負荷的需求。造成這種現(xiàn)象的原因一方面是RE和負荷的變化,另一方面是為了實現(xiàn)多重目標(biāo)的最優(yōu),CVPP基于DMRA進行了智能優(yōu)化選擇。

根據(jù)上述分析,考慮DMRA的CVPP將根據(jù)客觀數(shù)據(jù)和主觀態(tài)度選擇智能調(diào)度策略。該模型具有較強的實際應(yīng)用價值,可為實際能源調(diào)度提供理論依據(jù)。

6 結(jié) 論

本文首先構(gòu)建了一個考慮DMRA的CVPP模型。其次,建立了經(jīng)濟-能源-環(huán)境的多目標(biāo)滿意度模型。第三,對IGDT模型進行改進,以考慮可再生能源、負荷和DMRA的不確定性。然后通過遍歷電力差、熱負荷和冷負荷權(quán)重來求解Pareto前沿,從而得到最優(yōu)調(diào)度方法。為了對最優(yōu)策略進行二次優(yōu)化,在考慮DMRA的情況下,采用EWM和SC-DHLPR語境對VIKOR方法進行改進。最后,通過一個居民區(qū)的多場景示例,驗證了所提模型的有效性。研究結(jié)論如下:

1)新的CVPP模型不僅考慮了客觀數(shù)據(jù)的調(diào)度,而且考慮了DMRA對調(diào)度的影響。不同風(fēng)險態(tài)度的決策者對調(diào)度的影響是不同的,這與實際情況是一致的。本文所建模型提供了多樣的調(diào)度策略,決策者可以根據(jù)自身的具體需求選擇調(diào)度策略。這為實際調(diào)度奠定了基礎(chǔ)。

2)需求響應(yīng)模型充分考慮了居民能源使用的特點,與部署前相比,居民成本降低了9%,凈碳處理量降低了91%。同時,能源供應(yīng)商利潤和可再生能源利用率也得到了提高。所建立的IGDT模型考慮了需求響應(yīng),并對多目標(biāo)進行了改進。因此,多目標(biāo)滿意度模型在經(jīng)濟、能源和環(huán)境領(lǐng)域顯示出積極的效果,證明了模型的有效性。

3)改進的IGDT模型考慮了可再生能源、負荷和DMRA的不確定性。調(diào)度策略受模型的不確定性因子和偏差因子的影響。因此,改進的IGDT模型和改進的VIKOR方法為不同風(fēng)險偏好的決策者根據(jù)自己的偏好選擇最優(yōu)調(diào)度策略提供了理論依據(jù),同時,具有相同風(fēng)險偏好但不同偏好程度的決策者也可以選擇自身偏好的調(diào)度策略。

綜上所述,本文開發(fā)的CVPP充分考慮了經(jīng)濟-能源-環(huán)境和DMRA的多目標(biāo)實現(xiàn),為增加收入、降低成本、降低碳排放和提高可再生能源利用率提供理論指導(dǎo)。此外,多種調(diào)度優(yōu)化策略為決策者選擇綜合能源多目標(biāo)調(diào)度策略提供了多樣可能。

附錄A

表A1 βco=0.02時不同權(quán)重結(jié)果Table A1 Different weight results when the parameter βco=0.02

圖A1 可再生能源預(yù)測數(shù)據(jù)Fig.A1 Predicted data of renewable energy