可再生能源（RESs）、分布式发电（DG）、热电联产（CHP）系统以及电力-天然气（NG）网络整合的最新进展突显了能源枢纽在优化资源分配、减少排放和降低成本方面的关键作用[1]。然而，可再生能源本质上受天气影响且不可预测，这带来了需要能够有效管理此类波动的灵活系统[2]。在发电规划层面，灵活性被定义为网络通过可变生产单元满足未满足负荷需求的能力[3]。在传输网络中，灵活性是指在各种发电情景下以经济高效的方式保持可靠性的能力[4]。
减轻环境影响需要扩大可再生能源的部署并采用先进的CCUS技术，这些技术包括三个主要阶段：捕获、运输和安全的地下储存[5]。在这方面，INVELOX风力涡轮机作为一种成本效益高的创新技术最近出现，通过先进的空气捕获和流动管理加速风速，提供了比传统风力涡轮机更优越的替代方案[6]。需求响应计划（DRPs）通过在不确定性下转移负荷来提高能源枢纽的灵活性，多项研究表明，协调的DR策略可以降低运营成本和排放[7]。在[7]中，一个为期四周、分为五个阶段的MILP框架用于中期能源枢纽运营，该框架使用CVaR证明了储能扩展和负荷转移可以降低成本和风险。最近关于能源枢纽的研究越来越多地考虑发电和需求的不确定性，强调预测错误可能导致与最优结果的显著偏差。因此，不确定性已成为能源枢纽管理系统（EH-EMS）研究中的一个核心挑战[8]。
电动汽车（EVs）通过减少排放和提高能源效率促进了智能电网的发展。然而，随着EV采用的加速，与安全运行相关的挑战也随之出现，这需要智能停车能源管理系统来确保高效的充电和无缝的电网整合[9]。参考文献[10]表明，将EVs与智能能源枢纽结合使用——利用氢储存和先进的预热技术——可以在寒冷气候下提高电池效率，降低运营成本和排放，并使EVs在智能电网中作为灵活的分布式能源资源发挥作用。将EVs与能源枢纽整合可以降低运营成本和排放，EVs在智能电网中充当灵活的分布式资源[11]。例如，[12]提出了一种三阶段随机方法，利用插入式EV（PEV）的灵活性来管理可再生能源的变异性和电力市场价格的不确定性。P2G通过将多余的电力转换为可储存的气体，提供了额外的灵活性，支持可再生能源的变异性管理[13]。在P2G系统中，多余的电力被转换为可储存的气体，之后可以重新转换为电力或热能，提供灵活性以管理可再生能源的变异性、储存能量并参与需求响应（DRPs）。
可再生能源资源（RERs）及其相关不确定性的整合突显了灵活性在能源枢纽中的关键作用，灵活性被定义为适应可变供应和需求条件以优化和可靠运行的能力。在参考文献[13]中研究了需求响应资源（DRRs）在减轻RER变异性和提高电力系统灵活性方面的作用。同样，[14]评估了在需求和供应不确定性下的电力系统灵活性，以提高适应性和可靠性。
在[15]中的工作提出了一个灵活的发电维护调度框架，该框架结合了实时定价、直接负荷控制和紧急需求响应，以优化系统可靠性和成本。在[16]中，提出了一种针对本地能源社区的新层次化能源管理框架，该框架结合了社区能源储存以提高可持续性和电网灵活性。在[17]中，提出了一种家庭能源管理系统，旨在在提供灵活性服务的同时最小化前一天能源成本。在[18]中，提出了一种基于灵活性的安全约束单元承诺模型，该模型结合了需求响应，在风能和天然气供应不确定性下优化电力系统运行，从而降低了运营成本。在[19]中，提出了一个多目标、基于灵活性的发电维护调度框架，该框架使用风能预测、P2G储存和需求响应，并通过修改后的IEEE RTS 24母线进行了增强epsilon约束优化。
能源枢纽管理系统（EH-EMS）通过优化能源储存和需求响应来提高系统可靠性并降低成本，智能电网技术进一步改善了能源枢纽的性能。参考文献[20]使用多目标函数来优化ENS、可靠性、能源损失成本和投资，分析中排除了能源储存系统（ESSs）和需求响应。
CCUS是一种关键的气候缓解技术，涉及从固定源捕获CO2，然后将其运输用于中间用途或长期储存，以防止大气释放[21]。在[22]中，提出了一个集成电力-天然气系统（IEGS）与CCUS的双层最优调度模型，该模型具有梯级碳交易机制，将碳排放转化为经济效益。最近开发的INVELOX技术通过漏斗和狭窄通道捕获和引导风流，加速气流以驱动地面发电机，与传统的高塔风力涡轮机（WT）相比，提供了更安全且更具成本效益的能源生产[23]。在[24]中，介绍了Multi-Grid INVELOX风力涡轮机（MG-IWT），该涡轮机整合了可再生和不可再生资源以及多样化的负荷，优化了成本、排放和纳米电网费用。
能源枢纽管理系统（EH-EMS）可以使用传统的、近似的和基于AI的方法进行优化。已经应用了线性规划（LP）、非线性规划（NLP）、动态规划（DP）、MILP、PSO和鲁棒优化等技术，在不确定性下降低运营成本和排放并提高性能[25],[26],[27],[28],[29],[30],[31],[32]。在[33]中，作者回顾了AI在电力网络中的应用，包括预测、电网控制和能源管理，强调了其在整合可再生能源系统、提高性能以及在高不确定性下提高成本效率和可靠性方面的有效性。表1将所提出的研究与文献中的相关方法进行了比较。
先前的研究强调了在能源枢纽运营中考虑系统能力、资源和负荷不确定性以及结合新的经济和环境技术的必要性。本文研究了创新技术，如CCUS、INVELOX风力涡轮机和多载体能源储存（P2G、EVs），重点关注系统灵活性和需求响应计划。提出了一种基于场景的FBEH-EMS框架，以在不确定性下降低成本、排放并提高灵活性。该系统整合了多种能源来源，如PV、INVELOX风力涡轮机、PT、锅炉、CHP、储能单元，以满足电力、热能和天然气需求。场景生成使用概率密度函数和蒙特卡洛模拟（MCS）。该模型旨在降低成本和排放，并通过系统灵活性指数（SFI）量化灵活性改进。此外，提出了一种hBES-MOGWO算法来有效解决FBEH-EMS优化问题。
本文提出了几个关键贡献：（1）一个多目标的FBEH-EMS框架，同时优化运营成本、排放和系统灵活性，并根据发生概率进行场景加权；（2）一个增强的灵活性指数，结合了电气和热能系统的灵活性，通过自由容量和反应时间进行评估；（3）分析了RES、CCUS、INVELOX风力涡轮机、ESSs、电热泵和电力转气体技术对系统性能和稳定性的影响；（4）一个结合CCUS和INVELOX涡轮机的新型随机FBEH-EMS模型；（5）开发了一个包括多种可再生能源发电单元、储能技术和电力、热能和天然气网络需求响应计划的广泛能源枢纽模型；（6）旨在减少排放、节省运营成本和增加SFI的策略；（7）对与电动汽车停车场相关的不确定性的建模，包括到达/离开时间和充电状态（SOC）；（8）考虑中断性负荷以减轻电力、热能和天然气需求中的ENS惩罚。
本文的其余部分组织如下。第2节提供了能源枢纽概念的概述以及CCUS、P2G和INVELOX风力涡轮机等新兴技术的简要介绍。第3节详细介绍了所提出的FBEH-EMS目标函数的制定。第4节详细阐述了用于解决优化问题的hBES-MOGWO算法。第5节提出了数值模拟及其分析。最后，第6节总结了本文的主要发现和未来研究方向。
