编辑推荐：
随机网络约束单位承诺框架整合氢能列车、光伏不确定性及需求响应，采用VARMA-Kantorovich距离场景缩减和广义Benders分解，实现成本降低10.01%，并显著改善电网可靠性。
陈尚|穆罕默德·乌迈尔|沙法·古利耶娃|齐贝达·沙卡拉利耶娃|穆罕默德·泰亚布
山东交通大学国际商学院，中国威海
摘要
本研究开发了一个随机网络约束单元承诺框架，该框架整合了氢能源储存列车、太阳能光伏发电的不确定性以及需求响应计划，以优化运营成本并提高电网可靠性。向量自回归移动平均模型结合康托罗维奇距离场景简化方法能够捕捉太阳能的变异性，同时保留关键尾部事件和时空相关性。该框架采用广义宾德斯分解（Generalized Benders Decomposition）来解决两阶段随机混合整数线性规划问题，其中第一阶段决策确定单元承诺和列车调度；第二阶段子问题评估不同太阳能场景下的运营可行性。氢能源储存列车被明确建模为移动能源储存资产，通过包含交付时间窗口、容量限制和多站调度的车辆调度公式进行建模。在IEEE 24节点系统上的案例研究表明，与确定性基线相比，总成本降低了10.01%；与传统方法相比，通过先进的场景简化方法，成本降低了12.88%。康托罗维奇距离方法通过协调调度可再生资源和氢能源，将太阳能削减罚款减少了56.9%，燃料成本减少了14.3%。敏感性分析显示，氢能源生产和储存的收益在达到阈值容量后趋于递减，而运输成本的变化显著影响最优调度策略和交付频率。
引言
随着各国努力实现碳中和并将可再生能源（RESs）整合到现有电力基础设施中，全球能源格局正在发生根本性变革。在各种可再生能源技术中，太阳能光伏（PV）系统因其成本下降、可扩展性和环境效益而成为可持续能源发电的基石[1]。然而，太阳能发电的固有间歇性和不确定性对电网稳定性和运营可靠性构成了重大挑战[2]、[3]。随着可再生能源渗透率的增加，这些挑战更加突出，需要创新的能源储存解决方案和灵活的需求管理策略来维持供需平衡。氢能源储存（HES）作为一种有前景的长期储存技术，能够应对可再生能源的季节性和日变化，因此受到了广泛关注[4]。与传统的电池储能系统（BESS）不同，氢能源储存具有更高的能量密度、更长的放电时间，并且可以通过燃料电池在交通和工业过程中的应用实现行业耦合[2]、[5]。太阳能发电、氢能源储存技术和智能电网管理的结合代表了实现有弹性的低碳能源系统的关键路径。
尽管太阳能光伏系统和氢能源储存基础设施的部署不断增加，但仍有若干运营挑战阻碍了它们与电力网络的无缝整合。首先，太阳辐射的随机性导致发电预测存在较大不确定性，从而使得单元承诺决策不够理想，运营成本增加[6]、[7]。传统的确定性优化方法往往无法充分捕捉这种变异性，导致要么过于保守的调度（预留过多余量），要么过于激进的调度（增加可靠性风险）。其次，氢能源生产设施、储存地点和消费中心的空间分布带来了复杂的物流挑战，需要协调发电调度和运输路线规划[8]、[9]。第三，现有的网络约束单元承诺（NCUC）框架主要关注固定式能源储存系统，忽略了移动式氢能源储存解决方案的独特运营特性[10]。第四，尽管需求响应计划（DRPs）在削峰和电网平衡方面表现出有效性，但在随机优化的背景下，它们与氢能源系统和可再生能源发电的整合仍不够充分[10]。这些多方面的挑战凸显了需要综合建模框架来同时解决不确定性管理、运输物流、网络约束和需求侧灵活性问题。
对现有文献的深入研究揭示了几个重要的研究空白，这些空白限制了氢能-太阳能电力系统实际应用的进展。虽然有许多研究探讨了可再生能源整合的随机优化[11]、[12]、需求响应作为灵活资源[13]、[14]，以及氢能源储存和运输的物流优化[15]、[16]，但在网络约束单元承诺框架内同时整合这三个组件的研究尚未开展。具体而言，关于移动式氢能源储存的研究主要集中在基于管式拖车和罐车的应用上，这些研究基于简化假设，忽略了基于铁路的运输系统的运营约束[17]。此外，以往关于氢能源服务提供商（HESPs）的研究未能充分建模包含时间窗口、容量限制和交付调度的车辆调度问题（VRP）[18]。此外，虽然随机规划技术已被应用于可再生能源系统，但尚未研究广义宾德斯分解（GBD）在分解电力市场清算、氢能源生产调度、列车调度优化和需求响应协调这一耦合问题中的具体应用。缺乏能够捕捉太阳能发电变异性、氢能源生产和运输物流、网络安全约束以及需求侧管理之间相互依赖关系的综合框架，是目前能源系统研究中的一个重大空白。
除了上述技术空白外，还有必要量化在太阳能发电不确定性下协调氢能源储存列车与需求响应计划的经济和运营效益。现有研究表明，氢能源储存可以减轻可再生能源的削减[19]；需求响应可以降低高峰负荷费用[20]，但它们联合部署的协同效应尚未得到量化。此外，系统性能对关键设计参数（如氢能源生产能力、列车储存容量、运输成本和需求响应参与率）的敏感性尚未进行系统分析。这种分析的缺乏限制了系统规划者和政策制定者在基础设施投资和监管框架方面的决策能力。此外，大多数现有优化模型使用简化的不确定性表示方法（如场景简化技术），可能无法充分捕捉极端太阳能发电事件相关的尾部风险[21]、[22]。开发更复杂的场景生成方法，如结合康托罗维奇距离（KD）矩阵方法的向量自回归移动平均（VARMA）模型，可以提供更可靠的不确定性表征。解决这些空白需要一个综合建模框架，该框架能够捕捉现代电力系统的全部复杂性，同时通过使用先进的分解技术在计算上保持可行性。
为了解决这些研究空白，本研究开发了一个新颖的随机网络约束单元承诺（NCUC）框架，首次将氢能源储存列车（HESTs）、太阳能光伏发电的不确定性和需求响应计划整合到一个统一的优化模型中。本研究的主要贡献有五点：（1）我们提出了第一个全面的数学模型，明确将氢能源储存列车作为移动能源储存和运输资产纳入NCUC框架，包括车辆调度问题（VRP）约束，如交付时间窗口、列车容量限制、装卸动态和路线优化——这些特性从根本上区分了基于铁路的氢能源运输与之前研究的基于管式拖车和罐车的运输方式，因为后者具有固定的基础设施要求、计划性操作和更高的载荷容量。（2）我们开发了一种先进的不确定性建模方法，利用向量自回归移动平均（VARMA）方法进行太阳能光伏场景生成，并结合康托罗维奇距离（KD）矩阵进行场景简化，其性能优于主成分分析（PCA）、狄利克雷过程混合模型（DPMM）和K均值聚类等传统方法，在捕捉太阳能辐射的时空相关性方面表现更佳。（3）我们将集成优化问题表述为一个两阶段随机混合整数线性规划（MILP），并实现广义宾德斯分解（GBD）算法以提高计算可行性，其中主问题确定第一阶段的单元承诺和列车调度决策；同时，子问题评估在多个太阳能发电场景下的运营可行性，并受到直流最优功率流约束。（4）我们对多个运营参数进行了全面的敏感性分析，包括氢能源生产率、列车储存容量、每公里运输成本和需求响应参与水平，以量化它们对总系统成本的单独和交互影响，为基础设施规划和政策制定提供可操作的见解。（5）通过在IEEE 24节点测试系统上的广泛案例研究，我们证明所提出的集成框架与不含氢能源储存或需求响应的确定性基线场景相比，总系统成本降低了10.01%；与分区组合方法相比，康托罗维奇距离场景简化方法降低了12.88%的成本。该框架通过改善可再生能源发电时序和氢能源生产调度，同时将太阳能削减罚款减少了56.9%，燃料成本减少了14.3%，其中随机优化的贡献为4.55%，氢能源列车整合的贡献为5.75%，需求响应计划的贡献为1.15%，并通过增强旋转备用容量和减少对昂贵峰值单元的依赖提高了电网可靠性。
本文的其余部分组织如下：第2节回顾了有关氢能源系统、可再生能源整合的随机优化以及需求响应计划的相关文献；第3节介绍了包括运营和市场层面公式在内的系统建模框架；第4节描述了基于GBD的解决方案方法；第5节展示了数值案例研究和敏感性分析；第6节总结了主要发现和未来研究方向。
章节摘录
文献综述
将氢能源系统整合到电力网格中，作为实现电力和交通部门脱碳的途径，吸引了越来越多的研究关注。[23]、[24]的早期基础工作提供了氢能源储存关键技术的全面调查，确立了通过水电解大规模生产氢能源的技术可行性，并确定储存容量是可再生能源整合的关键推动因素。
系统建模
本节提出了一个综合的随机网络约束单元承诺（NCUC）框架，该框架整合了氢能源储存（HES）列车、太阳能光伏发电和需求响应计划。优化模型确定了三个层次上的协调决策：日前单元承诺和列车调度（第一阶段决策）、在太阳能不确定性场景下的实时电力调度和氢能源生产（第二阶段选择）以及市场清算
提出的方法
本节提出了一种系统化的解决方案方法，用于解决整合氢能源储存列车、太阳能光伏不确定性和需求响应计划的随机网络约束单元承诺问题。该方法解决了三个基本的计算挑战：使用高保真概率模型表示太阳能光伏的不确定性，捕捉时空依赖性；在保持统计特性的同时，将场景集简化到可管理的规模
案例研究
本节通过在修改后的IEEE 24节点可靠性测试系统上进行全面的数值实验，验证了所提出的随机网络约束单元承诺框架的有效性，实验中考虑了热发电机特性、太阳能光伏变异性、氢能源列车运营和需求响应参与的现实假设[9]、[50]。该测试系统包括具有不同技术的热发电单元，涵盖了基础负荷核能容量
贡献总结和关键发现
本研究开发了一个综合的随机网络约束单元承诺框架，首次将氢能源储存列车作为移动能源资产与太阳能光伏不确定性建模和需求响应计划整合到一个统一的优化结构中。方法论创新包括明确将基于铁路的氢能源运输建模为包含时间窗口和容量限制的车辆调度问题，这与之前的研究有根本不同
CRediT作者贡献声明
陈尚：概念化、方法论、监督、撰写——审阅与编辑。穆罕默德·乌迈尔：数据整理、形式分析、软件开发、可视化、撰写——初稿、调查。沙法·古利耶娃：数据整理、方法论、验证、撰写——审阅与编辑、资源收集。齐贝达·沙卡拉利耶娃：数据整理、方法论、验证、撰写——审阅与编辑。穆罕默德·泰亚布：软件开发、可视化、形式分析、数据整理、撰写——审阅与编辑。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文报告的工作。
