在智能多能源电网中，进行次日能源调度，以实现氢储能系统的最优多能生成（即同时产出多种形式的能源），并让消费者积极参与其中

《Sustainable Computing: Informatics and Systems》：Day-ahead energy operation in the smart multiple energy grid with optimal multi-generation of the hydrogen storage system and multi-participation of consumers

　　C.J. Tesng | Samariddin Makhmudov | Bobur Vakhabov | Rustem Shichiyakh Adamovich | Melikov Otabek Maxmadaminovich | Muzaffar Shojonov | Jabbarov Umarbek | Jalilov Arslon | Elvir Akhmetshin Munirovich
哈尔滨工业大学，中国黑龙江省哈尔滨市150001

摘要
能源供应商需要在解决可持续性问题的同时，确保可靠的能源供应，并满足经济和环境指标的要求。因此，能源运营商一直处在推进向智能基础设施发展的多载能系统的前沿。本研究关注的是通过考虑氢储能系统在日前需求响应方法中的贡献以及消费者的作用，来实现智能多能源电网（SMEG）中的最佳能源管理。所提出的能源管理框架采用双重多目标两阶段优化方法进行实现。在上级优化中，通过峰值需求削减方法（PDCA）和峰值需求转移方法（PDSA）对积极参与需求响应的消费者进行建模，以降低他们的账单。在实施需求响应方法时，考虑了能源市场的电价。在下一级优化中，通过应用上级优化中的管理需求，优化了多目标函数，如提高SMEG的效率、降低能源生产成本和减少排放污染。此外，还在下一级优化中考虑了通过氢储能系统的多联产来优化天然气和电力的最优生成。该能源优化框架是在MATLAB软件中实现的。解决各级多目标函数的方法包括最大最小模糊方法和改进的灰狼优化（EGWO）。该能源管理在包含33个节点的测试电网中得到了验证。最终，通过对比不同案例研究，揭示了带有氢储能系统和积极参与者的所有阶段的目标最优值。实施需求响应方法和利用氢储能系统可将效率提高2%，并将能源生产成本和排放污染分别降低8.78%和12.35%。

引言
能源来源与社会可持续性因素之间的相互依赖性（包括环境、技术和经济挑战[1]，以及供需问题）促使能源运营商探索能源管理的各个方面[2],[3]。因此，包括天然气、电力和热能在内的多种能源电网的整合可以影响系统的环境、技术和经济表现[3],[4]，这受到消费者能源消费行为的影响[5]。然而，智能电网中最显著的发展之一是智能多能源电网（SMEG）的创建，它能够满足消费者的多种需求[6],[7]。SMEG利用所有参与者之间的双向通信链接[8]，使能源生产商和消费者能够协同优化负荷曲线[9],[10]。负荷曲线的变化直接影响能源管理[11]，有可能提高能源系统的效率并降低能源生产成本[12]，同时减少排放[13]。因此，采用需求响应方法和能源储存系统（ESSs）是解决环境[14],[15]、技术和经济指标[16],[17]的有效方案。通过需求响应方法，在高峰时段通过优化能源使用来调节消费者的需求，从而提高能源成本[18],[19]。此外，ESSs可以在价格高时提供能源以满足需求[20]。需求响应方法鼓励消费者在高峰时段调整他们的消费，以平衡需求曲线，实现优化的运行效率[21]。实际上，可以通过需求响应方法来管理能源消费，从而增强运营商对能源管理的控制[22]。需求响应方法可以减少消费者的账单、排放和能源生产成本，并同步运营商和消费者，在高峰时段管理需求负荷，从而减少对额外能源单元的需求[23]。图1展示了能源系统中的需求响应方法示例[24]。同时，通过利用能源储存系统，可以在价格高峰时提供能源以满足需求[25],[26]。最近，氢储能系统作为一种化学能源储存手段的出现，用于多种用途，包括电力转气体（P2G）和电力转电力（P2P）能源生成[27],[28]。在P2G过程中，供给氢储能的电力通过甲烷化过程转化为气体；而在P2P过程中，储存的氢气量通过燃料电池转化为电能[27],[28]。因此，SMEG可以通过利用氢储能系统有效解决环境、技术和经济问题。图2展示了所提出的SMEG的拓扑结构及其描述。所有参与者通过数据链接与运营商相连，以确保在运行期间的最佳协调。例如，运营商可以通知需求方能源价格，以便根据预定数据作出适当响应。SMEG包括以下参与者：

A) 分布式发电机（DGs）：结合热电（CHP）、P2P储能系统、P2G储能系统和锅炉被视为DGs。锅炉和CHP使用天然气进行电力和热力生成[29]。在P2G和P2P储能系统中，电力分别注入储能系统用于气体和电力生成。图3展示了P2G和P2P储能系统。
B) 能源服务提供商（ESP）：在SMEG中，天然气公司（GU）和电力公司（EU）被视为ESP。由于能源市场的不确定性，GU和EU设定的天然气和电价差异很大。
C) 需求侧：需求侧包括SMEG中的能源消费者。另一方面，消费者可以通过需求响应方法积极优化他们的消费[30]。参与需求响应方法的消费者被称为积极参与者。因此，实施了峰值需求削减方法（PDCA）和峰值需求转移方法（PDSA）来降低这些消费者的电费。采用PDCA和PDSA的积极参与者分别标记为ACPDCA和ACPDSA。

在本小节中，总结了从能源系统角度出发的最新研究，重点关注了各个方面。文献[31]报告了考虑条件风险价值（CVaR）和点对点运营方法的交易型能源调度，以在能源价格和可再生能源生成的不确定性下降低成本。文献[32]提出了使用多能源生成来改善不平衡配电网络中的交流电力流量的随机建模，同时考虑了降低天然气和电力成本以及能源市场的不确定性。文献[33]提出了区间建模来处理零售电力价格的不确定性，通过冰储存系统、电能储存系统和电动汽车停车场来减少能源消费成本的影响。文献[34]研究了氨多载能系统中的能源调度，通过PDSA和混合整数线性规划来降低运营成本。文献[35]提出了一种改进的目标达成算法，用于优化多目标函数，如电池退化、能源载体系统中的排放和成本。文献[36]使用鲸鱼优化算法作为解决方案模型，通过燃烧天然气单元、热泵和负荷分配方法，考虑风力波动来降低运营成本。文献[37]使用可再生能源和微型模块化反应器以及PDSA来平衡夏季和冬季季节中的消费与生产不匹配问题，同时考虑了吸收式制冷机的三联产。文献[38]研究了以客户为导向的调度，以在智能住宅区最大化舒适度并增加电力分配网的运营商利润，同时实现能源资源的自主调度。文献[39]提出了鲁棒优化方法，以制定能源需求的不确定性并管理多载能系统的能源管理，从而降低电力和热力生成成本。文献[40]提出了各种图拓扑结构和共识算法，通过集中运营能源资源来减少多载能系统的排放污染和生成成本。文献[41]研究了多载能系统中氢车辆的优化运行和PDSA，通过混合整数线性规划问题来降低成本。文献[42]关注通过目标导向的启发式动态规划在热力和电力市场中的能源调度，以及电力车辆的最佳参与，以实现能源运营商的最大利润。文献[43]建立了双层混合整数线性规划模型，以增强多载能网格的弹性扩展和最佳运行，同时考虑了风险规避方法。文献[44]提出了草原犬优化算法，用于配置多载能系统，同时考虑消费者的社会福利和区域供暖系统，以降低成本和排放污染。文献[45]修改了鲸鱼优化算法和博弈论优化技术，用于SMEG中的能源管理，通过PDSA每日降低成本和峰谷负荷比。文献[46]研究了基于电压和温度调节的能源调度方法，通过电力网格、氢储能和生物废物多载能系统中的最优功率流。文献[47]使用了分布式鲁棒优化算法和PDSA来最小化能源成本和最优能源调度，即使在能源价格和需求不确定的情况下也是如此。文献[48]通过CPLEX软件在GAMS中提出了基于风险规避的中期多载能系统最优运行模型，使用PDSA进行电力消费。文献[49]报告了多载能系统的可靠性评估，考虑了每个能源资源的能量不供应的 exergy 模型以及顺序蒙特卡洛仿真。文献[50]提出了多载能系统中的两步优化，通过基于激励支付的PDSA来减少能源损失。文献[51]提出了净零能耗建筑的分类设计，用于能源管理和减少酒店和医院的排放污染。文献[52]使用生物量实现了三联产系统的最优规模设计，采用人工神经网络来减少排放、成本并提高可靠性指标。表1 summarizes 了这些研究与本研究的比较。关于先前研究中提出的模型，主要的研究差距如下：
1) 大多数研究的目标是以最低成本满足能源系统的需求，而没有考虑提高效率。所提出的模型是根据系统的技术限制开发的。因此，这些研究缺乏提高效率和改善电压曲线的合适模型。
2) 早期研究中使用的需求响应方法旨在在降低运营成本的同时实现系统的能源平衡。相比之下，本研究将需求响应方法建模为考虑功率损失来提高系统效率。
3) 本文介绍了一种多联产的氢储能系统，将天然气和电力生成结合起来，以提高效率，降低能源生产成本和排放污染。根据现有文献，氢储能系统仅用于电力生成。

为了解决这些差距，本文提出了一个双重多目标两阶段优化框架，旨在SMEG内的日前能源管理，其中整合了氢储能系统的多联产和多个消费者的参与。在优化的上级阶段，重点是通过PDCA和PDSA等需求响应策略来降低积极参与者的电费，这些策略被构建为多目标函数。上级阶段中降低电费的公式基于EU能源市场的定价动态。此外，在下级优化中，解决了各种多目标函数，包括提高效率、降低能源生产成本和减少排放。在下级优化中，考虑了上级阶段中建立的管理需求，同时实施了氢储能系统的多联产，使用P2G和P2P方法来优化目标函数。最大最小模糊方法和改进的灰狼优化（EGWO）被用作解决双重多目标两阶段优化的解决方案程序。因此，本研究的主要贡献总结如下：1) 提出了一种用于中小型能源系统（SMEG）日前能源管理的双重多目标两阶段优化模型。2) 在上层阶段，提出了PDCA和PDSA作为需求响应方法和多目标函数。3) 在下层阶段，优化了效率、能源生产成本和排放污染作为多目标函数。4) 通过氢储能在下层阶段实现了P2G和P2P方法的多能应用。5) 提出了最大最小模糊算法和增强型灰狼优化（EGWO）作为解决程序。本文的结构如下：第2节关注能源价格建模。优化模型见第3节。第4节介绍方法论。第5节展示了案例研究和结果。最后，第6节提出了结论和未来研究方向。

**能源价格预测**：本研究提出了日前能源管理方法，其中中小型能源系统（SMEG）内的燃气发电（GU）和可再生能源发电（EU）的能源价格在能源市场中存在不确定性。因此，使用对数正态概率密度函数（PDF）来预测能源价格，公式如下 [53]：
$$f(p) = \frac{1}{\sqrt{2\pi\sigma^2}} e\left(-\frac{(lnp - \mu)^2}{2\sigma^2}\right)$$
其中：
- $\mu$ = 平均值
- $\sigma$ = 标准差
- $p$ = 分布函数参数
建议使用蒙特卡洛模拟来创建与能源价格相关的场景。不确定参数（$p$）通过建模进行优化。

**建模优化**：本节提出了一个用于中小型能源系统（SMEG）日前运营的双重多目标两阶段优化模型。该建模的目标是确保所有利益相关者之间的有效协作，从而帮助管理各个阶段的目标。此外，它还考虑了消费者行为，以在SMEG内建立一个互利的框架。所提出建模的公式如下：

**方法论**：本研究采用EGWO方法来解决优化问题。在基本算法中，由于灰狼具有社会等级结构，它们群居生活，α-狼负责做出关于食物分配、狩猎和休息地点的决策。β-狼是次级层次，主要负责支持α-狼的决策。δ-狼属于第三层次，负责侦察和守卫任务。

**案例研究和数值模拟**：为了验证所提出方法的有效性，本节通过数值模拟和说明性案例研究进行了分析。消费者在需求响应方法及氢储能系统中的积极参与，特别是那些基于持续改进方法的结构化参与，对于优化SMEG的能源管理至关重要。通过这些方法，SMEG可以在经济、环境和技术层面实现显著改进。

**结论和未来研究方向**：本文提出了一种考虑P2P和P2G储能系统以及消费者在日前需求响应方法中参与的双重多目标两阶段能源管理方法。在上层优化中，通过PDCA和PDSA将ACPDA和ACPDSA的参与建模为多目标函数，以减少电费。上层阶段电费的降低是通过...（此处原文缺省了具体结构）来实现的。

**利益冲突声明**：作者声明他们没有已知的会影响本文所述工作的竞争财务利益或个人关系。