基于改进信息间隙决策理论的考虑决策者风险态度的社区虚拟电厂经济-能源-环境调度策略选择

高建伟,黄宁泊,高芳杰,吴浩宇,孟琪琛,刘江涛

(1. 华北电力大学经济与管理学院,北京市 102206;2.新能源电力与低碳发展研究北京市重点实验室(华北电力大学),北京市 102206)

0 引 言

随着智能电网和“双碳”目标的发展,住宅社区在实现能源高效利用和可持续增长方面表现出良好的适应性,成为社会各界关注的焦点[1]。综合能源系统(integrated energy system, IES)的建设满足了居民的多负荷需求[2],在鼓励高效清洁能源消费方面发挥着重要作用[3]。然而,可再生能源(renewable energy, RE)[4]和多负荷[5]的不确定性影响了社区综合能源系统(community integrated energy system, CIES)的调度方案,追求经济效益最大化[6]不再符合社区乃至社会的可持续发展目标。另外,决策者的风险态度(decision-makers’ risk attitudes, DMRA)会影响能耗方案,从而影响IES调度方案[7]。因此,在可再生能源、负荷和决策者风险态度不确定的情况下,研究社区决策者选择综合能源多目标调度策略对社区发展至关重要。

智能电网技术加速了虚拟电厂(virtual power plants, VPP)的发展,虚拟电厂可以实现地理上分散的分布式能源的聚合配置和协同优化[8]。因此,学者们[9-11]逐步将风电(wind power, WP)、光伏(photovoltaic, PV)、储能(energy storage, ES)和负荷整合到社区虚拟电厂(community virtual power plant, CVPP)中。然而,VPP只考虑了这些客观因素,而没有注意到决策者对进度的影响,这与现实不符。事实上,决策者对最终策略的选择有重大影响[7]。然而,以往的研究并没有考虑到这一点,因此本文提出了一个考虑DMRA的CVPP模型。

CIES中居民和能源供应商的共同目标是实现经济效益最大化,例如,文献[12]和文献[13]针对CIES的研究。然而,随着能源的匮乏和环境的恶化,一味追求经济效益已不能满足社会长远发展的需要。文献[14]在分析CIES时,考虑了基于经济最大化的碳排放目标。已有的研究为考虑经济、能源和环境的多目标调度奠定了基础。因此,本文构建了经济、能源和环境的多目标模型,并使用模糊隶属函数[15]将多个目标转化为单个最大满意度模型。

此外,CIES在整个调度过程中受到RE和多负荷不确定性的影响[16]。不确定度分析一般有2种方法:一种方法是对不确定变量的概率分布进行建模[17]。文献[18-19]采用Weibull分布和Beta分布模拟了WP和PV的概率分布曲线。二是开发不确定度测量方法[20]。为了描述不确定性,文献[21-22]采用了鲁棒优化方法和条件风险值方法。然而,上述2种方法都有缺点。使用随机规划需要了解参数概率分布,鲁棒优化中精确的不确定性设置可能导致过于保守的解决方案,并且条件风险值技术有时过于复杂。此外,大多数研究只将不确定性视为负面因素,而忽略了其潜在的好处[23]。文献[24]提出的信息间隙决策理论(information gap decision theory, IGDT)可以量化存在未知概率分布时的不确定性,在保证系统鲁棒性的同时考虑系统经济性。文献[25]利用IGDT描述源荷的不确定性,实现系统可靠性。对于PV和WP的同步优化,文献[26]采用了基于不同负荷情况的IGDT,以减少功率损耗,提高系统可靠性。同时,IGDT模型中的机会模型和鲁棒模型可以很好地解释各种决策者的风险偏好。因此,在确定性社区经济-能源-环境多目标模型的基础上,通过建立可再生能源和多负荷的不确定性模型对IGDT进行改进,并对不同波动幅度下的不确定最优调度方案进行决策。

此外,人为变量经常影响调度方法的选择[1]。决策结果与决策者做出决策时的决策环境和DMRA有关[27]。文献[7]利用S型效用函数研究了DMRA对调度策略的影响。然而,已有研究并未将RE和多负荷的不确定性与DMRA一起考虑。IGDT模型不仅保证了鲁棒性,而且还结合了DMRA。因此,如何从IGDT模型生成的调度策略中选择具有不同风险偏好的最终策略对CVPP至关重要。故而,在本研究中,通过迭代多个因素的权重来解决帕累托边界问题。采用熵权法(entropy weight method, EWM)[28]和自信双层语言偏好关系(self-confidence double hierarchy linguistic preference relation, SC-DHLPR)[29]共同改进的VIKOR方法[30]来选择调度策略。

学者们从可再生能源、负荷不确定性、多目标优化等角度对CVPP进行了大量研究。但依旧存在一定的不足。首先,DMRA对调度策略的选择有显著影响,这在现有研究中很少被考量。因此,描述具有不同风险态度的决策者对VPP调度策略的影响十分重要。其次,在研究CIES时,仅考虑经济效益最大化并不能满足可持续发展观念。建立包含经济、能源、环境的多目标模型亟待解决。第三,虽然不确定性的研究有很多,但在未知概率分布情况下量化不确定性,包含DMRA的同时保持系统鲁棒性和经济性是一项挑战。最后,对不同风险态度的决策者,最终调度策略不仅要与优化匹配,而且要与风险偏好匹配,如何平衡两者也是一个亟待解决的问题。综上所述,本文提出考虑DMRA的CVPP模型和基于改进IGDT的调度策略选择模型。本研究的主要创新点为:

1)通过将电力、天然气、IES和决策者整合到住宅社区中,构建CVPP框架,包括客观数据和主观人为因素。

2)为实现社区和社会的长期发展,建立了基于需求响应的经济-能源-环境多目标满意度模型。

3)将电力差(electricity difference, ED)(可再生能源输出减去电力负荷的差值)、热负荷和冷负荷的不确定性纳入IGDT模型进行改进,分析可再生能源和负荷不确定性以及DMRA对调度策略的影响。

4)建立一种求解最优策略的新方法。首先,通过遍历电力差、热负荷和冷负荷的权重来求解Pareto前沿。然后利用EWM和SC-DHLPR改进的VIKOR方法,重新评估选择调度策略时所需的Pareto前沿,为具有不同风险态度的决策模型选择合适的最优调度策略提供理论支持。

1 CVPP框架

CVPP由社区外部发电厂(external power plant, EPP)、天然气发电厂(natural gas plant, NGP)、IES、决策者、居民和VPP构建组成。具体结构如图1所示。

图1 CVPP的框架Fig.1 The framework of CVPP

EPP和NGP为CIES的内部IES提供电力和天然气。IES为用户提供电能、热能和冷能。每个社区组件的功能如下:

1)IES。IES的供电系统由WP、PV、电储能(electric energy storage,ES)、燃气轮机(gas turbine,GT)组成,可以满足用户所需的电力负荷。为满足社区居民对热负荷的要求,供暖系统由GT、余热锅炉(waste heat boiler, WHB)、电锅炉(electric boiler, EB)、燃气锅炉(gas boiler, GB)和换热器(changer of heat, CH)组成。为了满足社区居民对冷负荷的要求,冷却系统由电制冷机(electric cooler, EC)和吸收式制冷机(absorption cooler, AC)组成。由于WP和PV具有随机性和不可预测性,本文采用IGDT对其进行表征。

2)社区居民。社区居民存在对电负荷、热负荷和冷负荷的需求。电负荷分为基本电负荷、可转移电负荷和可调节电负荷3种类型。基本热负荷和可调热负荷是2种类型的热负荷。冷负荷分为基本冷负荷和可调冷负荷。因此,需求响应是为了鼓励社区居民积极参与调度。

3)VPP构建。VPP构建包括电源控制数据、负荷控制数据、决策者控制数据、数据处理(data process, DP)和云服务。云服务可以利用电源控制数据、负荷控制数据、决策者控制数据和DMRA收集的EPP、NGP、内部IES的能源信息,公平规划能源,防止资源浪费,提高多层次的能源利用效率。由于决策具有人性化,不同风险态度的决策者有不同的决策行为。为了与实际场景相适应,本文采用IGDT中的机会性和鲁棒性模型对不同风险态度的决策者进行表征,推导出不同的能源调度策略,为实际应用提供理论支持。

2 考虑需求响应的社区“经济-能源-环境”多目标调度模型

2.1 需求响应

社区居民积极参与需求响应不仅可以降低自身的能源成本,而且对能源和环境都有益,具体的需求响应可参考文献[7]。

2.2 社区“经济-能源-环境”多目标调度模型

选择能源供应商利润(energy supplier profit, ESP)、居民成本(resident cost, RC)、可再生能源利用率(renewable energy utilization rate, NEUR)和净碳排放量(net carbon processing capacity, NCE)作为研究目标,考察该模型的经济性-能源-环境。

2.2.1 能源供应商利润

maxRpro=Rrev-Ccost

(1)

式中:Rpro表示服务商利润;Rrev表示服务商收入;Ccost表示服务商花费的成本。

服务收入包括向消费者出售冷、热和电能的收入以及可再生能源补贴。

(2)

服务成本包括燃料成本Cgas、购电成本Cbuy、设备运行成本Cmain和向用户支付的激励费用Cinc。

(3)

2.2.2 居民成本

居民成本由购买能源成本和激励补贴组成。

minCuser=RIES-Cinc

(4)

式中:Cuser为居民用户的购能成本。

2.2.3 可再生能源利用率

可再生能源利用率IRE定义为可再生能源实际使用量PRE,actual与可再生能源总量PRE,total之比。

(5)

2.2.4 净碳排放量

本文利用净碳排放量作为参考来解决碳排放问题[1]。净碳排放量被定义为CO2排放和吸收之间的差值,用于表征群落与CO2的相互作用状态。

minICO2=Bpf-Bxs

(6)

(7)

2.3 模糊隶属函数

为了求解多目标函数,本文采用将多个目标转化为单个目标的方法。本文采用的模糊隶属函数为上升半Γ型隶属函数和下降半Γ型隶属函数[15]。

(8)

(9)

式中:f为目标函数值;fmax为目标函数值的最大值;fmin为目标函数值的最小值。

凸模糊决策必须满足式(10),以保证最优决策解是原多目标非线性规划的Pareto最优有效解。

0<χkin(fkin)<1 ,kin=1,2,…,Kin

(10)

式中:χkin(fkin)为第kin个指标的隶属度;Kin为多目标个数。

2.4 满意度模型

对2.3节中的多个目标函数进行模糊处理后,给出各目标函数的权重后,满意度模型可表示为:

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

(11)

式中:ψ1、ψ2、ψ3、ψ4为不同指标的权重系数;χ1(Rpro)、χ2(Cuser)、χ3(IRE)、χ4(ICO2)分别为能源供应商利润、居民成本、可再生能源利用率和净碳排放量的隶属度函数。

2.5 约束条件

1)能源平衡。

(12)

2)设备出力约束。

(13)

3)爬坡约束。

(14)

式中:Rz,down、Rz,up分别表示第z个设备的最小和最大爬坡出力。

4)联络线约束。

(15)

5)储能约束。

(16)

(17)

6)权重约束。

(18)

式中:ψkin为第kin个指标的权重系数。

3 基于IGDT的多目标不确定性函数模型

3.1 IGDT

IGDT是一种针对参数不确定模型的数学优化方法[23]。IGDT允许研究不确定参数对预定目标的潜在影响。预设目标的影响根据其性质可以分为消极和积极2个方面。相关的模型称为鲁棒模型和机会模型。它们对应于决策者在面对风险时选择的2种截然相反的价值取向:一种认为不确定参数的存在会对目标预期产生不利影响;另一种是期望不确定参数朝着有利的方向变化,有助于目标的实现。

一般优化模型为:

(19)

式中:U为不确定参数;x为决策变量;F(U,x)为目标函数;H(U,x)和G(U,x)为等式和不等式约束。

(20)

在一个不确定的环境中,保守的决策者通常会最大化不确定参数的有害干扰,以实现最小的预期目标,而冒险的决策者更有可能追求不确定性带来的额外利益。2种策略的数学模型如下:

1)鲁棒模型。

(21)

2)机会模型。

(22)

3.2 基于IGDT的多目标不确定性调度模型

选择WP、PV和多负荷作为不确定参数。式(23)为所构建的电力差模型,但由于冷能、热能需经其他设备转换后才能产生,因此直接构建热负荷和冷负荷的不确定范围,如式(24)和(25)所示。

(23)

(24)

(25)

(26)

(27)

(28)

如果根据式(21),原模型根据式(1)—(18)得到的最优目标值为f0,决策者根据运行经验给出的不利干扰下的最小可接受(悲观)满意度为(1-βco)f0,其中βco>0,则优化模型需要增加以下约束:

f≥(1-βco)f0

(29)

同时,在满足式(29)的基础上,将不利干扰最大化,原模型的目标函数改为:

maxαco

(30)

(31)

(32)

式中:f为maxf的退化函数。

4 最优策略的求解方法

通过遍历权值,可以有效地求解Pareto前沿问题。使用这种方法的基础是确定每个目标的权重,因此本节着眼于权重选择和最终策略选择。

4.1 多目标模型的权值求解

利用EWM和SC-DHLPR语境计算确定性多目标函数的权值。

4.1.1 熵权法

为了最大限度地减少多目标未加权叠加计算和人为主观干扰造成的评价结果不准确,采用基于信息熵理论的EWM计算各目标的客观权重。详细方法介绍参见文献[7]。

4.1.2 SC-DHLPR

权重使用文献[29]提出的SC-DHLPR对属性权重进行优先级排序,其基本性质和定义在文献中有详细说明。双层语言的设计在语言环境上能够辅助专家更好表达其决策偏好,另外通过“自信度”的引入能够更快帮助群体达成共识,具体步骤参见文献[29]和文献[31]。

4.1.3 EWM和SC-DHLPR的组合权重

利用EWM获得的熵权排序与SC-DHLPR得到的权重加权相乘,得到组合权重:

(33)

式中:Wi为EWM方法得到的第i个指标的熵权排序;ωi为SC-DHLPR方法得到的第i个指标的权重。

4.2 基于EWM和SC-DHLPR的改进VIKOR方法最优策略选择

文献[32]提出了VIKOR方法作为一种折衷的排序方法。通过评价正、负理想解之间的关系,实现集体利益价值最大化,个体后悔价值最小化,将最接近完美解的评价对象识别为妥协解。本文针对专家模糊语言表达困难和信息质量缺乏评价的问题,结合EWM和SC-DHLPR扩展VIKOR方法,此方法具体如下。

首先,本文考虑到通过备选方案比选[33]提升决策质量,利用两两比选的方式最大降低信息干扰[34-35];其次,SC-DHLPR利用“自信度”的信息补充,在语言构建上充分考虑识别疏忽失误和误授失误的风险[36];最后,主客观赋权法充分吸纳和利用客观数据和主观经验进行决策,提高了属性确权的科学性。具体步骤如下。

步骤1：假设m个评估方案,A={A1,A2,…,Am};n个评价指标,B={B1,B2,…,Bn}。指标Bj下方案Ai的值为xij(i=1,2,…,m;j=1,2,…,n),多目标决策矩阵为:

(34)

步骤2：对原始决策矩阵进行归一化。为了减少数据维度对计算结果的影响,使用式(8)、(9)中的Γ形隶属函数处理指标数据。得到归一化矩阵Y=(yij)m×n为:

(35)

步骤3：确定评价指标的权重。在4.1节中,使用EWM和SC-DHLPR计算各指标的权重。

步骤4：确定正理想解U+和负理想解U-。

(36)

(37)

式中:J+为效益指标集;J-为成本指标集。

步骤5：计算各方案到正、负理想解的距离比,具体见式(38)和(39)。

(38)

(39)

步骤6：确定决策计划的收益比。

(40)

(41)

式中:v为“多数标准”策略的决策机制系数,表示决策者偏好的重要程度[32]。从很多人的支持态度来看,v>0.5意味着他们属于风险偏好类型。v=0.5是风险中性的,考虑了多数群体的利益和少数群体的阻力。根据少数派的反对意见,v<0.5是规避风险的。故本研究中最优风险规避策略采用v=0.3,最优风险偏好策略采用v=0.7。

步骤7：做出评估结果。

S、R和Q的值按升序排序,以评估方案的优势[37],前提是越小越好。若Q值最低的方案为Z(1),则方案个数为m。

条件1：可接受的优势。

(42)

条件2：解的稳定性是可以接受的。满足最小Q值的方案也应满足最小S或R值。

如果满足以上2个条件,则为最佳方案。如果不满足这些条件中的任何一个,则应提出以下折衷解集:

1)如果条件1不满足,折中解集为{Z(1),Z(2),…,Z(ϑ)},Q(Z(2))-Q(Z(1))≥DQ决定了的最大值ϑ。

2)当只有条件2不一致时,最优解为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区的能源价格信息和能源使用信息为例进行算例分析。

5.1 基础数据

本文以一个典型的夏日为例。典型的一天被分成24个时段,每个时段是1 h。该地区典型夏季日的PV和WP值如附录图A1所示。居民负荷如附录图A2所示。家用电器的具体情况和设备的相关参数可参考文献[1]。表1给出了电能、冷能、热能和激励补贴价格。天然气单价为2.1元/m3。

表1 价格数据Table 1 Price data

5.2 场景设置

根据是否考虑不确定性,分为2种场景:

场景1：CVPP中的多目标调度,确定性模型。

场景2：基于场景1,同时考虑多个不确定性,如多目标权重、偏差因素和DMRA。

5.3 结果分析

仅外网供能时,能源供应商利润为0元,居民成本为18 133.816 0元,净碳排放量为21 688.255 3 kg,可再生能源利用率为0。IES和需求响应的实现提高了多目标值。具体分析如下。

5.3.1 多目标确定性分析

根据第3节,首先计算各单目标的最大值,如表2所示。其次,根据表2利用EWM和SC-DHLPR计算目标值的权重。计算多目标最优值后得到的最大满意度值为91%,能源供应商利润、居民成本、净碳排放量和可再生能源利用率分别为14 980.212 4元、16 500.742 6元、1 927.923 8 kg、83.92%。图2和图3显示了设备产出和家用电器使用情况。

表2 单目标优化结果Table 2 Optimal value of single target

图2 确定性的多目标优化调度后的设备产出Fig.2 Equipment output after deterministic multi-objective optimal scheduling

图3 确定性的多目标优化调度后的家用电器使用方式Fig.3 The use of household appliances after deterministic multi-objective optimal scheduling

结合居民能耗前后的多目标值和表2可知,用户采用CIES和需求响应后,虽然能源供应商电价高于外部电网,但居民成本降低,能源供应商利润增加。如图2所示,除了满足电负荷外,可再生能源通过EC产生冷能来满足冷负荷(AC提供冷能来满足小部分冷负荷),通过EB产生热能来满足热负荷(GT和GB也产生热能来满足部分热负荷)。与使用外部电网相比,可再生能源的使用降低了净碳排放量,同时提高了可再生能源利用率。从图3可以看出,可转移负荷根据居民的能耗偏好转移到电价低谷期,既降低了居民成本,又提高了可再生能源利用率,从而降低了净碳排放量。

5.3.2 多目标不确定性分析

在具有不确定性的多目标调度中,首先要确定电力差、热负荷和冷负荷的不确定性系数的比例。不确定因子α的值在相等的间隔内变化。其次,不同偏好的决策者的偏差系数β对最终结果有显著影响。

遍历0≤κe≤1,0≤κh≤1-κe和κc=1-κe-κh的权值,可以在相同偏差系数β下有效求解Pareto前沿。该方法不仅考虑了模糊规划,而且还考虑了决策模型对不同风险的容错极限,使得遍历权重求出的非劣解分布更加均匀。以保守决策者为例,选取β值在0.009～0.020之间(区间0.001),研究电力差、热负荷和冷负荷的不确定权重对α波动幅度的影响。图4和附录表A1分别显示了帕累托前沿和不同权重的结果(βco=0.02下的结果如附录表A1所示)。

图4 考虑不确定因素的多目标优化后的保守型决策者Pareto前沿Fig.4 Pareto Frontier for conservative decision makers after multiple objectives optimization with considering uncertain factors

如图4和表A1所示,βco相同,α值不同。当κe、κh和κc的权重不同时,多目标值也不同。同时,随着冷负荷权重的增加,α值也随之增加。这表明,与电力差和热负荷的不确定性相比,冷负荷的权重对α的影响最大。也就是说,决策者应该关注居民在夏季对冷负荷的需求。此外,每种调度策略都求解相应的最大值α,策略的最大α值因偏好的不同而不同。第5.3.3节表明,在βco相同的情况下,α值越高的策略并不越好。

如图4所示,不同的βco具有不同的αco和多目标值。本文首先选择一组[κe,κh,κc]值,其次使用5.3.3节中的最优策略比较分析αco和βco的变化。

选取[κe,κh,κc]值为[0.4,0.4,0.2],具体的βco、αco和多目标值如表3所示。图5描述了使用最优策略时β和α值之间的关系。

表3 βco,αco值和多目标值Table 3 βco, αco values and multi-target values

图5 考虑不确定因素的多目标优化策略下β与α的关系Fig.5 Relationship between β and α under optimal strategy after multiple objectives optimization with considering uncertain factors

如表3所示,在相同权重下,随着αco值的增加,βco值也随之增加。这表明,随着系统承受不确定性能力的提高,系统满意度越小,生成的调度方案对电力差、热负荷和冷负荷不确定性的应对能力越强。如图5所示,在鲁棒模型中,βco与αco呈正相关,与系统满意度呈负相关。

这是由于保守决策者相信鲁棒模型在偏差方向下,不确定因素会对系统满意度产生不利影响。αco值越高,电力差、热负荷和冷负荷的不确定性风险越大,系统满意度越低。然而,在机会模型中,随着βa的增加,αa和系统满意度也会增加,因为增加的系统不确定性对系统满意度有积极的影响,即αa越大,电力差、热负荷和冷负荷的不确定性提供的满意度越大。

5.3.3 多目标策略选择

α和β的值将影响调度策略。本研究结合EWM和SC-DHLPR对VIKOR方法进行改进,并对最终策略进行二次最优选择,以区分不同风险态度的决策者对策略的影响。

以βco=0.02为例,选择v=0.3来描述保守决策者的决策过程。附录表A2给出了S、R和Q的最终值。附录表A3给出了不同偏差因子βco值的最优策略。

当βco=0.02时,根据第5节和附录表A2的资料,选择编号为22的策略作为保守决策者的最终调度策略。图6为最优策略下家用电器和设备的具体运行情况。

图6 考虑不确定因素的多目标优化后的设备输出和家用电器运行-保守决策者Fig.6 Equipment output and household appliances operation after multiple objectives optimization with considering uncertain factors-conservative decision-makers

与图3(a)相比,图6(c)中的转移负荷在电价较低时运行,降低了居民的能源成本。基本运行与图3(b)相同,居民采用需求响应策略。转移负荷的具体工作时间是不同的。这是因为当考虑鲁棒性时,电负荷、热负荷和冷负荷增加,而RE减少。由于模型是基于这些信息智能传输的,因此可转移负荷的特定工作时间会发生变化。

与图2相比,考虑鲁棒特性后,设备的输出有很大不同。对比图6(a)和图2(a),以04:00和24:00为例。在24:00,洗衣机工作转移(见图6(c)),原始负荷减少。另外,使用电能生成其他能源的设备的利用率随着RE的降低而降低(见图6(a))。同时,从图6可知,考虑鲁棒特性后,系统主要利用GT、WHB产生热能(不考虑鲁棒性时,用电能代替EB产生热能),AC吸收热能产生冷能,满足居民的冷负荷需求。在04:00,图2(a)中只有RE和EC在运行,而图6(a)中GT、WHB和AC在运行。在图6(a)中干衣机在04:00工作,增加了负荷。图6(b)和图2(b)中的ES在RE充足时充电,在能量不足时放电。并且,为了延长使用寿命,储能不会一直充电和放电。这证明了CVPP的智能性。

保守决策者结合鲁棒模型的最优策略,在充分考虑多个目标之间的联系后,选择了最满意的调度策略。在满足供能商和居民利益的基础上,尽可能使用可再生能源来降低新能源消耗。

以βa=0.02为例,用v=0.7来描述冒险决策者的决策过程。附录表A4给出了各种偏差因子βa值的理想策略,附录表A5给出了S、R和Q的最终值。

同样,当βa=0.02时,选择编号为1的策略作为最终冒险决策者的调度策略。图7描述了最优策略下家用电器的设备输出和运行时间。

图7 考虑不确定因素的多目标优化后的设备产出和家用电器运行-冒险决策者Fig.7 Equipment output and household appliances operation after multiple objectives optimization with considering uncertain factors-risk decision-makers

与图3(a)类似,图7(c)中的转移负荷在电价较低时运行,降低了居民的能源获取成本。这与图3(b)相似,居民使用需求响应策略。图7(c)中转移负荷的具体运行时间与图3(b)相同,但与图6(c)有所不同,这是因为考虑机会特性时,电负荷、热负荷和冷负荷减小,而RE增大。根据系统的信息,相同的转移不会影响居民对家用电器使用的满意度,这是因为不影响使用方式,但可以降低成本,从而居民更容易接受这种方式,

与图2相比,考虑到机会特性后,设备的输出显著不同。以03:00为例,对比图7(a)和图2(a)。考虑到RE的上升,原GT产生的电能和AC吸收WHB产热能量产生的冷能均由RE满足,EC吸收RE产生的冷能满足AC生产的所有冷负荷。同样,图7(b)和2(b)中的ES在RE充足时充电,在RE不足时放电。并且不会一直充放电,延长使用寿命。这些都证明了CVPP的智能性。

结合机会模型的最优多目标策略,本文发现CVPP充分考虑了多目标之间的关系,在满足电力需求的基础上,以能源供应商和居民的利益为基础,鼓励使用可再生能源,减少碳排放过程,从而为冒险决策者选择最满意的调度策略提供依据。

结合上述场景,选取相同的权重,研究具有不同风险态度的决策者对能源调度的影响。通过对比图2、图3、图6和图7,很明显,实施需求响应后,居民在使用家用电器时将节省资金并获得积极的体验。同时,为了满足能源供应商和居民的利益,应尽可能多地部署可再生能源以降低净碳处理量。另外,不同风险态度的决策者会根据自己的偏好采取能源调度策略,从而居民的可转移负荷工作时间也有所不同。除上述分析外,还发现保守决策者和冒险决策者在23:00使用的调度策略完全不同。但是,保守决策者更倾向于利用EC产生冷能来满足居民冷负荷的需求,冒险决策者更倾向于利用EB产生热能,利用AC吸收热能产生冷能来满足居民冷负荷的需求。造成这种现象的原因一方面是RE和负荷的变化,另一方面是为了实现多重目标的最优,CVPP基于DMRA进行了智能优化选择。

根据上述分析,考虑DMRA的CVPP将根据客观数据和主观态度选择智能调度策略。该模型具有较强的实际应用价值,可为实际能源调度提供理论依据。

6 结 论

本文首先构建了一个考虑DMRA的CVPP模型。其次,建立了经济-能源-环境的多目标满意度模型。第三,对IGDT模型进行改进,以考虑可再生能源、负荷和DMRA的不确定性。然后通过遍历电力差、热负荷和冷负荷权重来求解Pareto前沿,从而得到最优调度方法。为了对最优策略进行二次优化,在考虑DMRA的情况下,采用EWM和SC-DHLPR语境对VIKOR方法进行改进。最后,通过一个居民区的多场景示例,验证了所提模型的有效性。研究结论如下:

1)新的CVPP模型不仅考虑了客观数据的调度,而且考虑了DMRA对调度的影响。不同风险态度的决策者对调度的影响是不同的,这与实际情况是一致的。本文所建模型提供了多样的调度策略,决策者可以根据自身的具体需求选择调度策略。这为实际调度奠定了基础。

2)需求响应模型充分考虑了居民能源使用的特点,与部署前相比,居民成本降低了9%,净碳处理量降低了91%。同时,能源供应商利润和可再生能源利用率也得到了提高。所建立的IGDT模型考虑了需求响应,并对多目标进行了改进。因此,多目标满意度模型在经济、能源和环境领域显示出积极的效果,证明了模型的有效性。

3)改进的IGDT模型考虑了可再生能源、负荷和DMRA的不确定性。调度策略受模型的不确定性因子和偏差因子的影响。因此,改进的IGDT模型和改进的VIKOR方法为不同风险偏好的决策者根据自己的偏好选择最优调度策略提供了理论依据,同时,具有相同风险偏好但不同偏好程度的决策者也可以选择自身偏好的调度策略。

综上所述,本文开发的CVPP充分考虑了经济-能源-环境和DMRA的多目标实现,为增加收入、降低成本、降低碳排放和提高可再生能源利用率提供理论指导。此外,多种调度优化策略为决策者选择综合能源多目标调度策略提供了多样可能。

附录A

表A1 βco=0.02时不同权重结果Table A1 Different weight results when the parameter βco=0.02

图A1 可再生能源预测数据Fig.A1 Predicted data of renewable energy