含冷热电联供的微网优化调度策略综述

周晓倩，余志文 ，艾 芊，曾顺奇

（1.上海交通大学 电气工程系，上海 200240；2.广州供电局有限公司，广东 广州 510620）

0 引言

近年来，为满足日益增长的能源需求，改善生态环境，微电网技术得到快速发展。其中，冷热电联供（CCHP）微网已成为提高能源效率和减少温室气体排放的核心解决方案之一［1-2］。CCHP微网作为一种分布式能源管理形式，由CCHP系统和微电网有效结合而成。文献［1］提出CCHP系统属于配置在用户侧的分布式能源，其以天然气为主要原料带动燃气轮机等燃气发电设备运行，产生的电能直接供应给用户，发电后的余热通过热回收系统向用户供热、供冷。和大规模集中式供能相比，分布式CCHP系统有2个明显优势：一是总体能源利用率显著提高，达到70%甚至超过90%，相比之下，传统的集中供能系统利用率仅为30%～45%；二是分布式CCHP系统有助于减少污染物排放，相比于集中式供能系统使用的传统技术，诸如燃料电池（FC）和微型燃气轮机（MT）等新技术的应用将大幅减少NOx和CO2的尾气排放。由文献［3］可知，CCHP微网将发电装置、燃气锅炉、热回收系统、储能装置（蓄电和蓄热）、制冷设备、可再生能源（RES）和主电网整合为一个整体以实现能源的梯级利用，提高能源利用率，同时还可以有效调节天然气、电力的季节性峰谷差，增强电力供应的安全性和可靠性，是能源结构中不可或缺的补充。同时，由于CCHP微网具有整合可再生能源的特点，其相比于独立的CCHP系统，具有新的和更强大的功能。有人提出智能能源网络（IEN）的概念来表示一个智能管理系统，该系统用来管理包括电、热、氢、生物和非生物燃料等一系列能源［4］，而CCHP微网在这类综合能源系统中起着至关重要的作用。可以看出，CCHP系统具有广阔的发展前景，而将CCHP系统和微电网结合，则能够更好地发挥RES的优势，减少污染物排放以及提高能源利用率。

文献［2］给出了典型的集中调度式CCHP微网的组成结构图，它具有原动机（如FC或MT）、吸收式制冷机、燃气锅炉、蓄热箱。其中吸收式制冷机和燃气锅炉分别使用废热或天然气来满足制冷和加热需求；蓄热箱用于储存废热锅炉产生的热量，当废热不足时，燃气锅炉用作辅助供热设备。在CCHP微网中，可再生能源所占的比例高，所以一般采用储能装置减少来自RES和负载的随机波动。值得注意的是，相比于传统电网，CCHP微网具有以下特征：冷热负荷的波动性以及RES的间歇性导致系统的随机性大；原动机在不同的运行条件下具有不同的特性，例如MT的发电效率和产热效率随容量和负载率的变化而变化；废热不仅可用于加热，还可用于冷却，进而系统中3种能量之间存在强耦合关系；由于电力电子器件的广泛使用，系统惯性小，所使用的各种装置的响应速度也不同；能量平衡是复杂的，系统需要根据情况采用不同的调度策略，例如废热可以优先用来满足加热或制冷需求，原动机的输出功率取决于不同的运行模式。

总之，具有RES的CCHP微网是一个复杂的系统，它具有许多不确定性、各种各样的结构和强耦合性，因此不能直接简单地把传统微电网的优化调度方法照搬到CCHP微网中使用，有必要专门研究针对CCHP微网系统的优化调度方法。目前，在全球范围内CCHP微网的使用正在大幅增长，使得这一领域的研究成为热点，因此本文将重点综述CCHP微网的优化调度策略及其实现方式。

1 CCHP微网的优化调度

CCHP微网的性能很大程度上取决于优化调度策略的优劣。考虑到CCHP微网的复杂性，其优化调度非常困难，主要体现在能量耦合（冷、热和电）、多个优化目标（运行成本、排放、风险等）以及多时间尺度（长期和短期）3个方面。想要在实际运行条件下制定出最佳优化调度策略，必须将天气预报、设备特性、实时能源价格、优化目标、负载需求、维修计划、最优运行计划以及与大电网的交互情况等诸多信息考虑在内。CCHP微网的优化调度是一个研究热点，本节首先简单介绍了常见的CCHP系统的运行模式，并提出了CCHP系统和微电网结合的必要性；然后，从经济性目标和随机性处理方法2个方面重点介绍了CCHP微网的优化调度策略，并探讨了其未来的发展趋势；最后综述了CCHP微网优化调度模型的求解方法，并强调了智能算法在优化调度领域的广泛应用。

1.1 CCHP系统的运行策略

CCHP系统的2种典型的运行策略是跟随电负荷（FEL）和跟随热负荷（FTL）［5］，也可以被称为电需求管理（EDM）和热需求管理（TDM）［6］。在 FEL 策略中，CCHP系统首先提供足够的燃料给原动机来满足用户的电能需求，此时如果原动机产生的废热不足以满足制冷和供热需求，则同时向燃气锅炉提供燃料以补充额外的热量需求。而在FTL策略中，满足用户制冷和供热需求是第一步，此时如果原动机产生的电能不能满足用电需求，则应从当地电网购买额外的电能以补偿缺额。FEL和FTL策略的不足之处在于两者均会损耗一部分能量，这是因为当CCHP系统运行在FEL策略下向用户提供充足的电能时，此时如果热需求小于废热锅炉提供的热能，多余的热能将会被浪费，FTL策略也有类似的情况。文献［7-8］提出FEL／FTL的选择取决于原动机的负载、存储系统存储多余能量的能力以及从主电网购买的电能所对应的燃料价格。除了FEL／FTL运行模式，还有3种常见的运行模式，总结如下［9］：连续运行模式，CCHP系统在预定时间内以最大功率运行，这种模式仅适用于不允许在部分负载下运行的原动机；减小峰值功率模式，在峰值电力情况下，系统运行有限的时间给特定负载供电，减少从电网购买的峰值功率；基本负载运行模式，当原动机有较差的动态性能时采用此方法为固定数量的负荷供电。

与集中供能方式相比，CCHP系统大幅提高了能源利用率，减少了污染物排放，但是其优化调度策略仍仅从需求侧出发，存在固有的能量浪费，并且没有从整体上考虑系统的经济性能和环保性能，因此为了进一步减少一次能源消耗、年总成本和温室气体排放，将CCHP系统以微电网作为平台最大化利用能源则显得十分必要。目前两者相结合的应用尚处于起步阶段，相对应的能量管理优化调度策略还不多见，基于此，本文将对现有的CCHP微网优化调度策略的不同方面进行综述，并介绍其具有发展前景的研究方向。

1.2 CCHP微网的优化调度策略

CCHP微网优化调度的主要目标是在满足冷热电负荷平衡的前提下，根据各部分不同的特性制定最优的调度策略以减少微网运行的经济成本（运行成本和环境成本）。其中，CCHP微网中冷热电负荷和RES的随机性是优化调度的一大难题。然而，现有的文献均只对电负荷随机性带来的经济成本进行分析，忽略了冷热负荷随机性对微电网优化调度的影响。以下将对上述部分进行具体说明。

1.2.1 经济性优化目标

在能量管理优化调度问题中，CCHP微网的经济调度是最被广泛考虑的目标。例如，文献［10］提出了一个线性规划模型来确定配备有MT的CCHP系统的最优化能量组合，以使得整个系统的运行成本最低。文献［11］参考了一个用于多个平行并网的燃料电池发电厂（FCPP）的短期调度方案，提出了一个基于成本的优化问题。文献［12］采用机会约束规划理论建立了CCHP微网的经济优化模型，从而对系统的运行方案进行优化。文献［13］对微电源和储能提出混合整数规划方法来解决CCHP微网的经济调度问题。文献［14］对含有CCHP系统和储能的微网建立了经济优化模型，求解结果验证了CCHP系统和储能能够有效降低微网的运行成本。从这些研究可以看出，就经济调度而言，特定CCHP微网系统结构的提出是第一步，随后是对每个部分进行建模和提出成本目标模型，最后采用合适的优化算法求解模型以及对结果进行分析。其不足之处是，文献［12-14］在优化CCHP微网各部分出力方面，均采用储能配合微源的方式，因此储能运行方式受新能源出力的约束而相对固定，未能使储能根据不同时段的电价及负荷水平做出充放电调整。文献［15］对这一不足之处做出了有益的尝试，其对并网型CCHP微网建立了计及附加机会收益的动态调度模型，在考虑分时电价、冷热电供需平衡的条件下，采用基于模拟退火的粒子群优化算法进行求解，从而提高了储能（蓄电、蓄热）在经济调度中的作用。然而，针对如何进一步改进调度策略优化CCHP微网内部储能、微源的出力，以充分发挥储能的经济调度作用并降低CCHP微网的运行成本等方面仍需要进一步研究。

目前我国越来越关注发电废气排放的问题，所以环境成本也是经济性优化目标中不可或缺的一部分。许多研究集中于环境调度问题以使诸如CO2、SO2和NOx的气体排放最小化［16］。目前主要有2种方法用于处理减排问题：第一种是直接采用排放量作为约束条件进行单目标调度；另一种是同时引入运行成本和环境成本以形成多目标函数，从而在考虑污染排放的情况下寻找系统最小运行费用点［17］。

1.2.2 随机性处理方法

CCHP微网优化调度面临的难题是负载和RES的随机性［18］，因此使用电力系统普遍应用的确定性模型不能表示随机参数（风力、太阳辐射和负载）的不确定性，然而目前大多数研究忽略或简化随机性，仅使用预测值，这种情况可能使其与实际值相差很大并导致结果的可信度低。由于含RES的CCHP微网是一个具有不确定性、多种结构和强耦合性的复杂系统，气候条件的波动和预测模型的不精确性会导致RES的负载曲线和输出功率具有随机性，因此CCHP微网的优化调度是有难度的。近年来相关学者已经提出了一些有效的方法来减少随机性对微电网带来的影响，例如根据负载和RES预测精度随时间尺度的缩短而大幅提高的特点，文献［19］基于多时间尺度考虑冷热电多能协调的调度策略来减小负载和RES波动所造成的影响，为CCHP微网制定了一个两阶段优化调度策略：首先在日前调度阶段以成本最小化为目标，同时考虑环境的影响来制定日前调度计划；然后通过调整实时调度阶段中的可控单元来平抑随机性波动，减轻其对大电网调度的影响。文献［20］在多时间尺度策略的基础上，在日内短时间尺度下，提出采用确定场景模型预测控制（DMPC）的方法实时修正随机性波动造成的功率偏差，结果证明，相比开环的多时间尺度优化策略，闭环的DMPC策略在减小联络线波动方面更为有效。考虑到RES出力和负载增减场景的随机性，文献［21］将随机场景技术和模型预测控制技术相结合，提出了基于随机场景的模型预测控制（SMPC）方法并在CCHP微网上进行仿真，结果表明，相比于DMPC方法，SMPC方法在减小随机性波动带来的运行成本方面更为有效。上述文献均是从调整微源或储能出力的角度出发，未考虑对需求侧资源（柔性可调负荷、刚性可控负荷）的主动管理。实际上，在考虑需求侧响应的基础上制定源网荷协调互动的主动控制策略，通过增减负荷／启停负荷以及其与源网之间的协调配合减少随机性从而提高微电网的经济性能是当前的研究热点。文献［22-23］在CCHP微网优化调度中考虑了激励型可调电负荷的主动响应策略，从而证明了需求侧响应在减少随机性方面的重要作用。文献［24］考虑了可削减负荷和可转移负荷的需求侧响应模型，建立了以运行成本最低和用户满意度最大的优化模型，结果证明了需求侧响应在减少随机性和运行成本方面的有效性。然而这些文献只考虑了柔性电负荷的需求响应，未涉及柔性冷热负荷的需求响应，即未将冷热电负荷当作一个整体进行管理，如何制定出同时考虑冷热电负荷需求响应的协调源网的最优CCHP微网调度策略是一个值得深入研究的课题。

其实，除了负载和RES预测误差带来的随机性之外，实时并网电价的不确定性也会对微电网的优化调度策略造成影响［25］；由于最近我国倡导使用电动汽车，大量的电动汽车接入微电网使得其能量管理优化调度变得更加复杂，电动汽车既可以作为“源”又可以作为“荷”，再加上其作为私人资源具有随时随地充放电的特性［26］，由电动汽车带来的不确定性更加难以预测。类似地，可以采用前述的多时间尺度优化方法、随机场景规划技术、模型预测控制方法、需求侧响应策略等来处理这些随机性，然而如何设计出考虑所有不确定性的源网荷储互动的CCHP微网最优调度策略将是一个长久的挑战。

1.2.3 CCHP微网优化调度发展趋势

在单个配电网中，多个CCHP微网的相互作用将会改善配电网的性能，使配电网获得更高的瞬时效率和更低的排放水平，然而同时协调多个CCHP微网和多个配电网的优化调度方法需要进一步研究。此外，在未来的电网发展中，配电网将发展成为一种IEN，它不仅包括电能的双向流，还包括其他能量类型（热能、冷能等）的双向流。作为IEN的重要组成部分，CCHP微网的能量管理优化调度应该放入IEN中进行统一能量调度，CCHP微网的能量管理优化调度将会是IEN多级能量管理中最基本但最重要的一环。

未来的能源方案中，另一个巨大挑战是车辆电气化的过程，这将在很大程度上改变能量管理优化调度模式［27］。不管是蓄电池电动车辆、燃料电池电动车辆、插电式混合动力车辆还是插入式电动车辆都可以连接到电网，它们不仅只是作为负荷充电，而且还可以充当电源将能量返回到电网中，即V2G（Vehicle to Grid），另一个新概念是 V2B（Vehicle to Building），即电动车辆将电力馈送回它们插入的充电设施中。因为CCHP微网广泛应用于各种建筑，所以V2B的应用必然会导致系统优化调度策略的变动。

除此之外，RES的波动性容易使处于孤岛运行的微电网出现发电机组出力小于负荷的情况［28］，从而给系统的安全运营带来影响。然而已有的研究大部分是针对RES出力的不确定性对微电网运营管理的影响，很少有文献将风险管理应用到CCHP微网中。因此探究CCHP微网在不同情况下的运营风险，并且建立合理的优化调度模型是值得深入研究的一个方向。

综上所述，针对CCHP微网的优化调度提出了以下几个挑战，需要被重点关注：第一，RES和负载的不确定性对优化调度有相当大的影响，在不同时间尺度下提高它们的预测准确度是一项重要的任务；第二，电动汽车的大量接入增加了优化调度的复杂性，如何合理地利用电动汽车发挥其作为“源”和“荷”的优势，同时降低其不确定性是一项亟待解决的问题；第三，如何利用需求侧响应资源来制定灵活合理的源网荷储互动策略是一项需要长期解决的难题。

1.3 解决CCHP微网优化调度模型的方法

CCHP微网优化调度模型是十分复杂的，即负载和RES的不确定性、运行模式的可变性、多个优化目标和多个约束变量，这些因素都使得求解优化模型变得十分困难。研究人员相继提出了各种方法来求解不同的模型，例如文献［29］使用线性规划（LP）模型研究热电联产系统的经济调度（ED）问题，为了降低求解问题的难度，其将LP模型分为2个子系统，即电力子系统和蒸汽子系统，针对每个子系统单独提出解决方法，然后将2种解决方法相互协调实现联合系统的最优化。文献［30］给出了将热电联产系统经济调度问题分解为2个子问题的方法，同时结合2个子问题得出了热电联产单元的热能约束；在提出的两层算法中，外层使用拉格朗日松弛技术解决功率调度问题，内层使用梯度搜索法解决热能调度问题。除了LP方法，许多智能算法也被用来解决热电联产系统的ED问题。例如，文献［11］提出了一种将进化规划（EP）和爬山（HC）算法相结合的混合算法，用来处理多平行并网的FCPP的短期调度问题，其中EP用来搜索最优解，HC技术则用于监测优化方案的可行性。为了解决热电联产单元的多需求和热电容量的相互依赖性问题，文献［31］提出了新的直接搜索算法，其他一些智能算法包括遗传算法（GA）、蚁群搜索算法、GA和禁忌搜索算法相结合的混合算法、人工免疫系统算法、和谐搜索算法、空间耦合粒子群优化算法［32］和非支配排序遗传算法-Ⅱ也用于解决热电联产问题。上述解决CCHP系统优化调度模型的算法同样适用于CCHP微网，除此之外，许多不同的算法被用来求解微网的能量管理优化模型，例如文献［28］针对含有经济成本、环保成本以及运营风险最小化的多目标模型，提出了小生境多目标粒子群优化算法来求解具有相互制约目标的微电网优化模型。文献［21］考虑实时电价和RES出力的随机场景、电动汽车充电的鲁棒场景、冷热电负荷的确定性场景，建立了基于模型预测控制框架的CCHP微网的多场景优化模型，采用Benders分解法提高计算效率以减少求解时间。文献［22］考虑了冷热电负荷、RES、电动汽车和市场电价的不确定性，建立了含有激励型负荷需求响应的CCHP微网优化调度模型，并对建立的混合整数线性规划模型采用CPLEX优化器进行求解。文献［15］对建立的微电网动态调度模型采用基于模拟退火的粒子群优化算法求解，从而在保持粒子群高收敛速度的同时结合模拟退火算法获得全局最优解。文献［25］对考虑电价不确定性的微电网优化模型采用基于GA的启发式算法，利用GA良好的全局搜索能力获得全局最优解。文献［26］考虑了负荷、风能出力和电动汽车不确定性的微电网优化调度模型，采用禁忌搜索算法在超短时间内获得全局最优解。

从以上文献可以看出，每种算法有其相对较适合解决的模型或问题，所以很难确定哪种算法对于解决CCHP微网优化调度模型而言是最优的。CCHP微网的优化调度问题由于包含随机波动变量（RES、冷热电负荷、电价、电动汽车）、若干目标（如运行成本、环保成本、运行风险）、混合二进制和连续变量而变得十分复杂，因此需要进一步研究如何提高这些算法的灵活性和稳定性，同时减少计算时间以满足不同的应用要求。值得说明的是，由于智能算法具有灵活性的优势，被广泛地应用于能量管理优化调度领域，因此提高智能算法的寻优速率以及获得全局最优解的能力是十分必要的，同时考虑不同智能算法之间的结合从而形成优势互补也是提高算法性能的发展方向。

2 CCHP微网优化调度策略的具体实现

本文的第1节综述了CCHP微网的能量管理优化调度模型及解决其优化模型的方法。然而，求解能量管理优化模型所得的最优调度策略如何具体应用是另一个问题。CCHP微网和传统微电网的区别主要在于建模、规划和优化调度时考虑的对象更为复杂、优化目标更为多样，而在调度策略的具体实现方式上并无本质的差别，即CCHP系统中冷热电之间的协调运行主要体现在微网能量管理优化调度方案的制定上。由于有关CCHP微网的文献都集中在建模、规划和优化调度策略的研究上，所以下文对传统微电网的优化调度策略的实现方式进行综述和分析。同时考虑到CCHP微网和传统微电网在策略实现方式上的相似性，以下的综述内容也同样适用于CCHP微网。

2.1 微电网的分层控制

微电网能量管理系统是一个复杂的多目标控制系统，它需要处理来自不同技术领域、时间尺度和物理层面的问题，具体包括负载功率分配、电压／频率和电能质量调节、市场参与、短期／长期调度等。为了更好地处理这些问题，研究人员提出了一种分层控制方法，目前这种方法被广泛认为是微电网管理的标准解决方案［19］。其中文献［33］给出了电力系统分层控制的标准化定义。

通常不同控制水平的带宽至少间隔1个数量级，即不同水平的动态解耦，这个特性简化了微电网系统的建模和分析。当向更高的控制水平发展时，调节速度就会变慢。例如，第一层的下垂控制通常只需要1～10 ms的响应时间；第二层控制则需要100 ms～1 s，其主要取决于通信速率；第三层控制则在秒到小时的范围内以离散的时间步长执行优化调度策略。其中，第二层和第三层的功能可在微电网监控和能量管理系统（MGSC／EMS）中实现。

2.2 集中式和分散式调度

如图1所示的分层架构，MGSC／EMS中优化调度的功能可以通过集中或分散的方式实现。其中分散的程度由本地控制器（LC）的智能程度决定，即LC执行来自上层的指令或自治运行。每一种管理方式都有各自的优缺点，采用哪种方式由微电网的类型（住宅、商业或军事）及其法律和物理特征（位置、所有权、大小、拓扑等）所决定。

图1 微网的分层架构Fig.1 Hierarchical architecture of microgrid

集中式调度系统通常需要从微电网各个单元和大电网中采集数据，基于采集的信息执行调度和优化程序以实现经济环保有效运行。显然，集中式调度的优点是系统的实时可观性和直接可控性，如果设计合理，它能很好地管理整个系统。此外，在中央控制单元内，私密的信息可以得到保护。然而从另一个角度来看，这需要中央控制器的功能非常强大，以便处理大量的数据并做出正确的决策，而且及时的信息交换需要高带宽的通信。因此集中式调度意味着单点故障和中央单元故障将导致整个系统的崩溃，低灵活性和低可扩展性是限制集中式调度发展的另一个关键因素。考虑到上述因素，集中式调度通常更适合于以下微网的情况［34］：在小规模微网内集中进行信息采集，可以用较少的通信和计算成本实现调度功能；微网内的源储荷具有共同的目标，使得MGSC／EMS可以将微网作为整体操作（目前绝大部分文献的优化调度模型均是以系统运行成本最小为共同目标，以集中式的方式完成日前调度、日内调度和实时调度）；需要高度隐私性的军用微网；微网的配置不需要高的灵活性和可扩展性。

另一方面，近年来现有通信技术和信息交换算法方面的进展使得分散式调度在实际应用中成为可能，而分散的程度可以从集中化到完全分散化（分布式）。 目前基于多代理系统［35］的 MGSC ／EMS 已经成为一个热门的研究方向，它使得分散式调度变得可能，其具有与集中式相同的层次结构和功能，但是它通过增加LC的智能水平将调度策略的决策功能转移给就地层，这种情况下本地调度策略的制定基于来自周围环境和相邻智能体的必要信息。由于调度决策功能在本地实现，MGSC／EMS仅需要执行信息共享／协调的功能，所以分散式调度可以在一定程度上减少计算负担。即便在MGSC／EMS功能失效后，系统仍能保持正常运行，从而有效地避免了单点故障；另一个优点是其更容易实现即插即用的功能，从而显著增强了微网的灵活性和可扩展性。例如，文献［36］对含有分布式能源和储能设备的微电网采用了完全分布式的实时调度策略，其考虑了几个约束条件下的运行成本目标的最小化。文献［37］基于多智能体一致性理论提出了孤岛微电网的实时协同功率分配的框架，在保证能量平衡的前提下实现了微电网系统实时的运行成本最小。然而上述涉及完全分布式调度文献的优化模型复杂度不高，约束条件也很少，很难应用到复杂的实际CCHP微网中，因此完全分布式的实时优化调度策略还需要进一步研究。除此之外，目前涉及分散式调度的文献大部分只局限于单步调度（实时调度），涉及多步调度的日前计划和日内计划的分散式调度很罕见，因此研究适用于多步的分散式调度十分必要。其中，分散式调度适用于以下情况［34］：大规模微网，或者产能、存储和用能的地理位置十分分散，这种情况下采用集中式调度获取数据将变得困难或花费昂贵；源储荷具有各自的运行目标并需要本地决策计划，例如对于考虑需求侧响应的微网而言，其负荷侧和微源侧有各自的运行目标，且负荷侧智能体需要用户的决策计划；微网的配置是可变的，例如需要随时添加或者减少微源设备。

3 结论和展望

在微网的多项技术内容中，CCHP系统在微网中的应用具有十分重要的研究意义。目前，我国已有的很多CCHP系统因为不能并网运行造成其经济性无法得到保证，使得其推广受到了很大的限制。而若以微网作为运行平台，则能够更好地发挥CCHP系统的优势：一方面CCHP系统通过微网并网运行能够很好地解决规划设计时期由于电、热、冷负荷比例关系引起的对系统规模与配置的限制与影响，在保证供热、供冷的基础上实现供电的灵活性，既保障了燃气资源的高效利用，又能减轻或者消除电力的浪费；另一方面针对CCHP系统向分散用户或大电网供冷、供热、供电，制定灵活有效的调度与管理策略，从而最大限度地发挥其高效、环保、节能的能源利用优势。同时，在CCHP系统的配合下，微网能够对系统中的冷、热、电各种资源进行灵活的调度与管理，发挥更大的功效。不仅如此，能源短缺和环境问题的严重性也极大地促进了CCHP微网的发展。鉴于CCHP微网未来的广泛发展，迫切需要提高现有的技术方法，以实现节能、环保和经济运行。在此背景下，本文重点综述了CCHP微网系统的优化调度策略及其实现方式。

a.冷、热、电3种能量之间的耦合关系使得CCHP微网的优化调度变得复杂。RES的不确定性、冷热电负荷的不确定性、电动汽车的不确定性、实时电价的不确定性以及与主电网的更强交互作用使得优化调度变得更加困难，特别是当RES的比例相对较高时，这种效应更加明显。因此应该结合实时调度策略和日前调度策略，以建立一个鲁棒性强的优化运行方案，即使预测的RES的数值明显偏离实际值时，该方案也能提供良好的性能。同时，实时调度策略可以采用闭环的模型预测控制进一步消除预测不确定性带来的偏差。值得说明的是，合理的柔性负荷需求侧响应策略可以明显地提高优化调度策略的鲁棒性能，因此考虑需求侧响应的不同时间尺度源网荷互动的优化调度策略是一项十分有必要深入研究的课题。IEN、V2G和V2B等新概念的出现在一定程度上提高了CCHP微网优化调度策略的要求，因此CCHP微网与主电网、用户和电动汽车的相互作用将会成为热门的研究课题。

b.CCHP微网优化调度策略的具体实现方式分为集中式和分布式2种，集中式调度可以实现系统的实时可观性和直接可控性，同时具有比较好的隐私

性，然而会降低系统的灵活性和可扩展性，单点故障和中央单元故障将导致整个系统的崩溃；分散式调度容易实现即插即用功能，增强了微网的灵活性和可扩展性，避免了单点故障，然而其对通信系统性能的要求大幅增强，信息安全问题凸显，而且目前已有的完全分布式的调度策略所能实现的优化模型相对简单，约束条件数量有限，从而容易对微网的安全运行造成影响，难以在复杂的微网系统中使用。究竟选用哪一种实现方式需要根据微网的具体类型、要求、目标等特性决定，此外也可以降低分散水平，根据需求采用部分分散和部分集中的实现方式。鉴于分散式管理的发展前景，研究适应度更大的完全分布式的微网优化调度策略是十分必要的。

参考文献：

［1］LIU M，SHI Y，FANG F.Combined cooling，heating and power systems：a survey［J］.Renewable and Sustainable Energy Reviews，2014，35（1）：l-22.

［2］GU Wei，WU Zhi，BO Rui，et al.Modeling，planning and optimal energy managementofcombined cooling，heating and power microgrid：a review［J］.International Journal Electrical Power Energy System，2014，54（1）：26-37.

［3］侯建朝，胡群丰，谭忠富.计及需求响应的风电-电动汽车协同调度多目标优化模型［J］. 电力自动化设备，2016，36（7）：22-27.HOU Jianchao，HU Qunfeng，TAN Zhongfu.Multi-objective optimization modelofcollaborative WP-EV dispatch considering demand response［J］.Electric Power Automation Equipment，2016，36（7）：22-27.

［4］ORECCHINI F，SANTIANGELI A.Beyond smart grids-the need of intelligentenergynetworksforahigherglobalefficiency through energy vectors integration［J］.International Journal Hydrogen Energy，2011，36（13）：8126-8133.

［5］MAGO P J，CHAMRA L M.Analysis and optimization of CCHP systems based on energy，economical，and environmental considerations［J］.Energy Build，2009，41（10）：1099-1106.

［6］LIU Mingxi，SHI Yang，FANG Fang.Combined cooling，heating and power systems：a survey［J］.Renewable and Sustainable Energy Reviews，2014，35（4）：1-22.

［7］WANG J J，JING Y Y，ZHANG C F，et al.Performance comparison ofcombined cooling heating and powersystem in different operation modes［J］.Applied Energy，2011，88（12）：4621-4631.

［8］SMITH A，LUCK R，MAGO P J.Analysis of a combined cooling，heating，and power system model under different operating strategies with input and model data uncertainty［J］.Energy Build，2010，42（11）：2231-2240.

［9］KAVVADIAS K C，MAROULIS Z B.Multi-objective optimization of a trigeneration plant［J］.Energy Policy，2010，51：945-954.

［10］KONG X Q，WANG R Z，HUANG X H.Energy optimization model for a CCHP system with available gas turbines［J］.Applied Thermal Engineering，2005，25（2-3）：377-391.

［11］EL-SHARKH M Y，RAHMAN A，ALAM M S.Shortterm scheduling of multiple grid parallel PEM fuel cells for microgrid applications［J］.International Journal Hydrogen Energy，2010，35（20）：11099-11106.

［12］王锐，顾伟.含可再生能源的热电联供型微网经济运行优化［J］.电力系统自动化，2011，35（8）：22-27.WANG Rui，GU Wei. Microgrid multi-objective economic dispatch optimization［J］.Automation of Electric Power systems，2011，35（8）：22-27.

［13］吴雄，王秀丽，王建学，等.微网经济调度问题的混合整数规划方法［J］. 中国电机工程学报，2013，33（28）：2-8.WU Xiong，WANG Xiuli，WANG Jianxue，etal.Economic generation scheduling ofa microgrid using mixed interger programming［J］.Proceedings of the CSEE，2013，33（28）：2-8.

［14］吴雄，王秀丽，别朝红，等.含热电联供系统的微网经济运行［J］.电力自动化设备，2013，33（8）：1-6.WU Xiong，WANG Xiuli，BIE Zhaohong，et al.Economic operation of microgrid with combined heat and power system［J］.Electric Power Automation Equipment，2013，33（8）：1-6.

［15］李正茂，张峰，梁军，等.计及附加机会收益的冷热电联供型微电网动态调度［J］. 电力系统自动化，2015，39（14）：8-15.LI Zhengmao，ZHANG Feng，LIANG Jun，et al.Dynamic scheduling of CCHP type of microgrid considering additional opportunity income［J］.Automation of Electric Power Systems，2015，39（14）：8-15.

［16］PIPERAGKAS G S，ANASTASIADIS A G，HATZIARGYRIOU N D.Stochastic PSO-based heatand power dispatch under environmental constraints incorporating CHP and wind power units［J］.Electric Power System Research，2011，81（1）：209-218.

［17］顾伟，吴志，王锐，等.考虑污染气体排放的热电联供型微电网多目标运行优化［J］. 电力系统自动化，2012，36（14）：177-185.GU Wei，WU Zhi，WANG Rui，et al.Multi-objective optimization of combined heat and power microgrid considering pollutant emission［J］.Automation of Electric Power Systems，2012，36（14）：177-185.

［18］LIU X.Optimization of a combined heat and power system with wind turbines［J］.International Journal Electrical Power Energy System，2012，43（1）：1421-1426.

［19］OLIVARESD E，MEHRIZI-SANIA，ETEMADIA H，etal.Trends in microgrid control［J］.IEEE Transactions on Smart Grid，2014，5（4）：1905-1919.

［20］肖浩，裴玮，孔力.基于模型预测控制的微电网多时间尺度协调优化调度［J］. 电力系统自动化，2016，40（18）：7-14.XIAO Hao，PEI Wei，KONG Li.Multi-time scale coordinated optimal dispatch of microgrid based on model predictive control［J］.Automation of Electric Power Systems，2016，40（18）：7-14.

［21］JIZhenya，HUANG Xueliang，XU Changfu，etal.Accelerated model predictive control for electric vehicle integrated microgrid energy management：a hybrid robust and stochastic approach［J］.Energies，2016，3（9）：973-988.

［22］SOARES J，GHAZVINI M A F，BORGES N，et al.A stochastic model for energy resources management considering demand response in smart grids［J］.Electric Power Systems Research，2016，143（2）：599-610.

［23］NWULU N I，XIA X.Optimal dispatch for a microgrid incorporating renewables and demand response［J］.Renewable Energy，2017，101（3）：16-28.

［24］JIN M，FENG W，LIU P，etal.MOD-DR：microgrid optimal dispatch with demand response［J］.Applied Energy，2017，187（10）：758-776.

［25］LI C，BOSIO F，CHEN F，et al.Economic dispatch for operating cost minimization under real-time pricing in droop-controlled DC microgrid［J］.IEEE Journal of Emerging&Selected Topics in Power Electronics，2016，1（5）：587-595.

［26］朱永胜，王杰，瞿博阳，等.含电动汽车的电力系统动态环境经济调度［J］. 电力自动化设备，2016，36（10）：16-23.ZHU Yongsheng，WANG Jie，QU Boyang，et al.Dynamic environmental and economic dispatch of power system with EVs［J］.Electric Power Automation Equipment，2016，36（10）：16-23.

［27］SU W C，RAHIMI-EICHI H，ZENG W T，et al.A survey on the electrification of transportation in a smart grid environment［J］.IEEE Transactions on Industrial Informatics，2012，8（1）：1-10.

［28］李存斌，张建业，李鹏.考虑成本、排污及风险的微电网运营多目标优化模型［J］. 中国电机工程学报，2015，35（5）：1051-1058.LI Cunbin，ZHANG Jianye，LI Peng.Multi-objective optimization model of micro-grid operation considering cost，pollution discharge and risk［J］.Proceedings of the CSEE，2015，35（5）：1051-1058.

［29］WU D W，WANG R Z.Combined cooling，heating and power：a review［J］.Progress in Energy&Combustion Science，2006，32（5）：459-495.

［30］SASHIREKHA A，PASUPULETI J，MOIN N H，et al.Combined Heat and Power（CHP） economic dispatch solved using Lagrangian relaxation with surrogate subgradient multiplier updates［J］.International Journal Electrical Power Energy System，2013，44（1）：421-430.

［31］CHEN C L，LEE T Y，JAN R M，et al.A novel direct search approach for combined heat and power dispatch［J］.International Journal Electrical Power Energy System，2012，43（1）：766-773.

［32］周任军，李新军，刘嫣然，等.空间耦合粒子群优化算法及峰谷电价下IES-CCHP区域联合调度［J］.电力自动化设备，2016，36（12）：11-17.ZHOU Renjun，LI Xinjun，LIU Yanran，et al.SC-PSO algorithm and IES-CCHP regional joint dispatch with TOU price ［J］.Electric Power Automation Equipment，2016，36（12）：11-17.

［33］BIDRAM A，DAVOUDI A.Hierarchical structure of microgrids control system［J］.IEEE Transactions on Smart Grid，2012，3（4）：1963-1976.

［34］MENG Lexuan，SANSERVERINO E R，LUNA A，et al.Microgrid supervisory controllers and energy management systems：a literature review［J］.Renewable and Sustainable Energy Reviews，2016，60（4）：1263-1273.

［35］DIMEAS A L，HATZIARGYRIOU N D.Operation of a multiagent system for microgrid control［J］.IEEE Transactions on Power Systems，2014，20（3）：1447-1455.

［36］RAHBARI-ASR N，ZHANG Y，CHOW M Y.Consensus-based distributed scheduling for cooperative operation of distributed energy resources and storage devices in smart grids［J］.IET Generation Transmission&Distribution，2016，10（5）：1268-1277.

［37］杨家豪.基于一致性算法的孤岛微电网群实时协同功率分配［J］. 电力系统自动化，2017，41（5）：8-15.YANG Jiahao.Consensus algorithm based real time collaborative power dispatch for island multimicrogrid［J］.Automation of Electric Power Systems，2017，41（5）：8-15.