基于改進信息間隙決策理論的考慮決策者風險態度的社區虛擬電廠經濟-能源-環境調度策略選擇

高建偉,黃寧泊,高芳杰,吳浩宇,孟琪琛,劉江濤

(1. 華北電力大學經濟與管理學院,北京市 102206;2.新能源電力與低碳發展研究北京市重點實驗室(華北電力大學),北京市 102206)

0 引 言

隨著智能電網和“雙碳”目標的發展,住宅社區在實現能源高效利用和可持續增長方面表現出良好的適應性,成為社會各界關注的焦點[1]。綜合能源系統(integrated energy system, IES)的建設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綜合能源系統(community integrated energy system, CIES)的調度方案,追求經濟效益最大化[6]不再符合社區乃至社會的可持續發展目標。另外,決策者的風險態度(decision-makers’ risk attitudes, DMRA)會影響能耗方案,從而影響IES調度方案[7]。因此,在可再生能源、負荷和決策者風險態度不確定的情況下,研究社區決策者選擇綜合能源多目標調度策略對社區發展至關重要。

智能電網技術加速了虛擬電廠(virtual power plants, VPP)的發展,虛擬電廠可以實現地理上分散的分布式能源的聚合配置和協同優化[8]。因此,學者們[9-11]逐步將風電(wind power, WP)、光伏(photovoltaic, PV)、儲能(energy storage, ES)和負荷整合到社區虛擬電廠(community virtual power plant, CVPP)中。然而,VPP只考慮了這些客觀因素,而沒有注意到決策者對進度的影響,這與現實不符。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中居民和能源供應商的共同目標是實現經濟效益最大化,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境的惡化,一味追求經濟效益已不能滿足社會長遠發展的需要。文獻[14]在分析CIES時,考慮了基于經濟最大化的碳排放目標。已有的研究為考慮經濟、能源和環境的多目標調度奠定了基礎。因此,本文構建了經濟、能源和環境的多目標模型,并使用模糊隸屬函數[15]將多個目標轉化為單個最大滿意度模型。

此外,CIES在整個調度過程中受到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]采用了魯棒優化方法和條件風險值方法。然而,上述2種方法都有缺點。使用隨機規劃需要了解參數概率分布,魯棒優化中精確的不確定性設置可能導致過于保守的解決方案,并且條件風險值技術有時過于復雜。此外,大多數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,在保證系統魯棒性的同時考慮系統經濟性。文獻[25]利用IGDT描述源荷的不確定性,實現系統可靠性。對于PV和WP的同步優化,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險偏好。因此,在確定性社區經濟-能源-環境多目標模型的基礎上,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調度方案進行決策。

此外,人為變量經常影響調度方法的選擇[1]。決策結果與決策者做出決策時的決策環境和DMRA有關[27]。文獻[7]利用S型效用函數研究了DMRA對調度策略的影響。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,而且還結合了DMRA。因此,如何從IGDT模型生成的調度策略中選擇具有不同風險偏好的最終策略對CVPP至關重要。故而,在本研究中,通過迭代多個因素的權重來解決帕累托邊界問題。采用熵權法(entropy weight method, EWM)[28]和自信雙層語言偏好關系(self-confidence double hierarchy linguistic preference relation, SC-DHLPR)[29]共同改進的VIKOR方法[30]來選擇調度策略。

學者們從可再生能源、負荷不確定性、多目標優化等角度對CVPP進行了大量研究。但依舊存在一定的不足。首先,DMRA對調度策略的選擇有顯著影響,這在現有研究中很少被考量。因此,描述具有不同風險態度的決策者對VPP調度策略的影響十分重要。其次,在研究CIES時,僅考慮經濟效益最大化并不能滿足可持續發展觀念。建立包含經濟、能源、環境的多目標模型亟待解決。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的同時保持系統魯棒性和經濟性是一項挑戰。最后,對不同風險態度的決策者,最終調度策略不僅要與優化匹配,而且要與風險偏好匹配,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的調度策略選擇模型。本研究的主要創新點為:

1)通過將電力、天然氣、IES和決策者整合到住宅社區中,構建CVPP框架,包括客觀數據和主觀人為因素。

2)為實現社區和社會的長期發展,建立了基于需求響應的經濟-能源-環境多目標滿意度模型。

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對調度策略的影響。

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

1 CVPP框架

CVPP由社區外部發電廠(external power plant, EPP)、天然氣發電廠(natural gas plant, NGP)、IES、決策者、居民和VPP構建組成。具體結構如圖1所示。

圖1 CVPP的框架Fig.1 The framework of CVPP

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

1)IES。IES的供電系統由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。為滿足社區居民對熱負荷的要求,供暖系統由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。為了滿足社區居民對冷負荷的要求,冷卻系統由電制冷機(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測性,本文采用IGDT對其進行表征。

2)社區居民。社區居民存在對電負荷、熱負荷和冷負荷的需求。電負荷分為基本電負荷、可轉移電負荷和可調節電負荷3種類型?；緹嶝摵珊涂烧{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冷負荷。因此,需求響應是為了鼓勵社區居民積極參與調度。

3)VPP構建。VPP構建包括電源控制數據、負荷控制數據、決策者控制數據、數據處理(data process, DP)和云服務。云服務可以利用電源控制數據、負荷控制數據、決策者控制數據和DMRA收集的EPP、NGP、內部IES的能源信息,公平規劃能源,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,不同風險態度的決策者有不同的決策行為。為了與實際場景相適應,本文采用IGDT中的機會性和魯棒性模型對不同風險態度的決策者進行表征,推導出不同的能源調度策略,為實際應用提供理論支持。

2 考慮需求響應的社區“經濟-能源-環境”多目標調度模型

2.1 需求響應

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

2.2 社區“經濟-能源-環境”多目標調度模型

選擇能源供應商利潤(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,考察該模型的經濟性-能源-環境。

2.2.1 能源供應商利潤

maxRpro=Rrev-Ccost

(1)

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

服務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)

服務成本包括燃料成本Cgas、購電成本Cbuy、設備運行成本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。

minICO2=Bpf-Bxs

(6)

(7)

2.3 模糊隸屬函數

為了求解多目標函數,本文采用將多個目標轉化為單個目標的方法。本文采用的模糊隸屬函數為上升半Γ型隸屬函數和下降半Γ型隸屬函數[15]。

(8)

(9)

式中:f為目標函數值;fmax為目標函數值的最大值;fmin為目標函數值的最小值。

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

0<χkin(fkin)<1 ,kin=1,2,…,Kin

(10)

式中:χkin(fkin)為第kin個指標的隸屬度;Kin為多目標個數。

2.4 滿意度模型

對2.3節中的多個目標函數進行模糊處理后,給出各目標函數的權重后,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為不同指標的權重系數;χ1(Rpro)、χ2(Cuser)、χ3(IRE)、χ4(ICO2)分別為能源供應商利潤、居民成本、可再生能源利用率和凈碳排放量的隸屬度函數。

2.5 約束條件

1)能源平衡。

(12)

2)設備出力約束。

(13)

3)爬坡約束。

(14)

式中:Rz,down、Rz,up分別表示第z個設備的最小和最大爬坡出力。

4)聯絡線約束。

(15)

5)儲能約束。

(16)

(17)

6)權重約束。

(18)

式中:ψkin為第kin個指標的權重系數。

3 基于IGDT的多目標不確定性函數模型

3.1 IGDT

IGDT是一種針對參數不確定模型的數學優化方法[23]。IGDT允許研究不確定參數對預定目標的潛在影響。預設目標的影響根據其性質可以分為消極和積極2個方面。相關的模型稱為魯棒模型和機會模型。它們對應于決策者在面對風險時選擇的2種截然相反的價值取向:一種認為不確定參數的存在會對目標預期產生不利影響;另一種是期望不確定參數朝著有利的方向變化,有助于目標的實現。

一般優化模型為:

(19)

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

(20)

在一個不確定的環境中,保守的決策者通常會最大化不確定參數的有害干擾,以實現最小的預期目標,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種策略的數學模型如下:

1)魯棒模型。

(21)

2)機會模型。

(22)

3.2 基于IGDT的多目標不確定性調度模型

選擇WP、PV和多負荷作為不確定參數。式(23)為所構建的電力差模型,但由于冷能、熱能需經其他設備轉換后才能產生,因此直接構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)

如果根據式(21),原模型根據式(1)—(18)得到的最優目標值為f0,決策者根據運行經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)的基礎上,將不利干擾最大化,原模型的目標函數改為:

maxαco

(30)

(31)

(32)

式中:f為maxf的退化函數。

4 最優策略的求解方法

通過遍歷權值,可以有效地求解Pareto前沿問題。使用這種方法的基礎是確定每個目標的權重,因此本節著眼于權重選擇和最終策略選擇。

4.1 多目標模型的權值求解

利用EWM和SC-DHLPR語境計算確定性多目標函數的權值。

4.1.1 熵權法

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

4.1.2 SC-DHLPR

權重使用文獻[29]提出的SC-DHLPR對屬性權重進行優先級排序,其基本性質和定義在文獻中有詳細說明。雙層語言的設計在語言環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的組合權重

利用EWM獲得的熵權排序與SC-DHLPR得到的權重加權相乘,得到組合權重:

(33)

式中:Wi為EWM方法得到的第i個指標的熵權排序;ωi為SC-DHLPR方法得到的第i個指標的權重。

4.2 基于EWM和SC-DHLPR的改進VIKOR方法最優策略選擇

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、負理想解之間的關系,實現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解。本文針對專家模糊語言表達困難和信息質量缺乏評價的問題,結合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,在語言構建上充分考慮識別疏忽失誤和誤授失誤的風險[36];最后,主客觀賦權法充分吸納和利用客觀數據和主觀經驗進行決策,提高了屬性確權的科學性。具體步驟如下。

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

(34)

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

(35)

步驟3：確定評價指標的權重。在4.1節中,使用EWM和SC-DHLPR計算各指標的權重。

步驟4：確定正理想解U+和負理想解U-。

(36)

(37)

式中:J+為效益指標集;J-為成本指標集。

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“多數標準”策略的決策機制系數,表示決策者偏好的重要程度[32]。從很多人的支持態度來看,v>0.5意味著他們屬于風險偏好類型。v=0.5是風險中性的,考慮了多數群體的利益和少數群體的阻力。根據少數派的反對意見,v<0.5是規避風險的。故本研究中最優風險規避策略采用v=0.3,最優風險偏好策略采用v=0.7。

步驟7：做出評估結果。

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

條件1：可接受的優勢。

(42)

條件2：解的穩定性是可以接受的。滿足最小Q值的方案也應滿足最小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)當只有條件2不一致時,最優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 基礎數據

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備的相關參數可參考文獻[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 價格數據Table 1 Price data

5.2 場景設置

根據是否考慮不確定性,分為2種場景:

場景1：CVPP中的多目標調度,確定性模型。

場景2：基于場景1,同時考慮多個不確定性,如多目標權重、偏差因素和DMRA。

5.3 結果分析

僅外網供能時,能源供應商利潤為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和需求響應的實現提高了多目標值。具體分析如下。

5.3.1 多目標確定性分析

根據第3節,首先計算各單目標的最大值,如表2所示。其次,根據表2利用EWM和SC-DHLPR計算目標值的權重。計算多目標最優值后得到的最大滿意度值為91%,能源供應商利潤、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顯示了設備產出和家用電器使用情況。

表2 單目標優化結果Table 2 Optimal value of single target

圖2 確定性的多目標優化調度后的設備產出Fig.2 Equipment output after deterministic multi-objective optimal scheduling

圖3 確定性的多目標優化調度后的家用電器使用方式Fig.3 The use of household appliances after deterministic multi-objective optimal scheduling

結合居民能耗前后的多目標值和表2可知,用戶采用CIES和需求響應后,雖然能源供應商電價高于外部電網,但居民成本降低,能源供應商利潤增加。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產生熱能來滿足熱負荷(GT和GB也產生熱能來滿足部分熱負荷)。與使用外部電網相比,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,可轉移負荷根據居民的能耗偏好轉移到電價低谷期,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 多目標不確定性分析

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

遍歷0≤κe≤1,0≤κh≤1-κe和κc=1-κe-κh的權值,可以在相同偏差系數β下有效求解Pareto前沿。該方法不僅考慮了模糊規劃,而且還考慮了決策模型對不同風險的容錯極限,使得遍歷權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(區間0.001),研究電力差、熱負荷和冷負荷的不確定權重對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重的結果(βco=0.02下的結果如附錄表A1所示)。

圖4 考慮不確定因素的多目標優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κe、κh和κc的權重不同時,多目標值也不同。同時,隨著冷負荷權重的增加,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,冷負荷的權重對α的影響最大。也就是說,決策者應該關注居民在夏季對冷負荷的需求。此外,每種調度策略都求解相應的最大值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和多目標值。本文首先選擇一組[κe,κh,κc]值,其次使用5.3.3節中的最優策略比較分析αco和βco的變化。

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

表3 βco,αco值和多目標值Table 3 βco, αco values and multi-target values

圖5 考慮不確定因素的多目標優化策略下β與α的關系Fig.5 Relationship between β and α under optimal strategy after multiple objectives optimization with considering uncertain factors

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

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滿意度產生不利影響。αco值越高,電力差、熱負荷和冷負荷的不確定性風險越大,系統滿意度越低。然而,在機會模型中,隨著βa的增加,αa和系統滿意度也會增加,因為增加的系統不確定性對系統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 多目標策略選擇

α和β的值將影響調度策略。本研究結合EWM和SC-DHLPR對VIKOR方法進行改進,并對最終策略進行二次最優選擇,以區分不同風險態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值的最優策略。

當βco=0.02時,根據第5節和附錄表A2的資料,選擇編號為22的策略作為保守決策者的最終調度策略。圖6為最優策略下家用電器和設備的具體運行情況。

圖6 考慮不確定因素的多目標優化后的設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)中的轉移負荷在電價較低時運行,降低了居民的能源成本?；具\行與圖3(b)相同,居民采用需求響應策略。轉移負荷的具體工作時間是不同的。這是因為當考慮魯棒性時,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的,因此可轉移負荷的特定工作時間會發生變化。

與圖2相比,考慮魯棒特性后,設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,系統主要利用GT、WHB產生熱能(不考慮魯棒性時,用電能代替EB產生熱能),AC吸收熱能產生冷能,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。

保守決策者結合魯棒模型的最優策略,在充分考慮多個目標之間的聯系后,選擇了最滿意的調度策略。在滿足供能商和居民利益的基礎上,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βa=0.02時,選擇編號為1的策略作為最終冒險決策者的調度策略。圖7描述了最優策略下家用電器的設備輸出和運行時間。

圖7 考慮不確定因素的多目標優化后的設備產出和家用電器運行-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,居民使用需求響應策略。圖7(c)中轉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。根據系統的信息,相同的轉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,設備的輸出顯著不同。以03:00為例,對比圖7(a)和圖2(a)?？紤]到RE的上升,原GT產生的電能和AC吸收WHB產熱能量產生的冷能均由RE滿足,EC吸收RE產生的冷能滿足AC生產的所有冷負荷。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。

結合機會模型的最優多目標策略,本文發現CVPP充分考慮了多目標之間的關系,在滿足電力需求的基礎上,以能源供應商和居民的利益為基礎,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度策略提供依據。

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

根據上述分析,考慮DMRA的CVPP將根據客觀數據和主觀態度選擇智能調度策略。該模型具有較強的實際應用價值,可為實際能源調度提供理論依據。

6 結 論

本文首先構建了一個考慮DMRA的CVPP模型。其次,建立了經濟-能源-環境的多目標滿意度模型。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、熱負荷和冷負荷權重來求解Pareto前沿,從而得到最優調度方法。為了對最優策略進行二次優化,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,通過一個居民區的多場景示例,驗證了所提模型的有效性。研究結論如下:

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

2)需求響應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,并對多目標進行了改進。因此,多目標滿意度模型在經濟、能源和環境領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方法為不同風險偏好的決策者根據自己的偏好選擇最優調度策略提供了理論依據,同時,具有相同風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度策略。

綜上所述,本文開發的CVPP充分考慮了經濟-能源-環境和DMRA的多目標實現,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。此外,多種調度優化策略為決策者選擇綜合能源多目標調度策略提供了多樣可能。

附錄A

表A1 βco=0.02時不同權重結果Table A1 Different weight results when the parameter βco=0.02

圖A1 可再生能源預測數據Fig.A1 Predicted data of renewable energy