计及电动汽车随机充电的风-光-氢综合能源系统优化规划

周建力，乌云娜，董昊鑫，贺嘉明，许传博，高建伟

（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

能源供应的可持续性和清洁性是当今世界共同关注的议题［1］，综合能源系统（integrated energy system，IES）与可再生能源发电（renewable energy power generation，REPG）相结合，通过多能互补和梯级利用，在不同时空取长补短，提高能源利用率，减少温室气体排放［2］，是解决能源短缺和环境问题的有效途径，已成功应用于许多国家［3］。如何优化和协调IES 内多种能源和储能，提高REPG 利用率是需要关注和研究的重点［4］，准确、科学的系统优化规划至关重要［1，5］。

当前国内外学者针对IES 规划进行了大量研究。文献［6］以冷热电联供系统（combined cooling heating and power system，CCHP）作为基础，采用混合整数线性规划（mixed integer linear programming，MILP）模型，以投资和运行成本最低为目标对区域IES 进行了选址定容规划。文献［7-9］建立了以能源、环境、经济效益为目标的优化模型，对耦合生物质沼气、地热能和太阳能的CCHP 系统进行了设备容量优化。文献［10-11］借助YALMIP 工具对集成的风电系统和分布式光伏发电系统的最佳容量进行了优化。文献［12］基于典型日光伏发电量和不同季节的负荷特性曲线，以经济和环境效益最大化为目标，建立了区域IES 容量分配模型。文献［13］深入研究了电、热柔性负荷对IES 储能容量配置的影响。与其他储能技术相比，氢储能在绿色清洁、能量密度、储能时间等方面具有明显优势［14］。近年来，电解水制氢作为储能介质吸收间歇REPG 成为研究焦点［15］。单纯以燃气系统作为对照，电解水制氢的储能系统不具备投资经济性，但在IES 中辅助REPG 的消纳产生了巨大的附加价值［5］。文献［16］构建了风-光-氢IES 拓扑结构和实验平台，给出了能量调控策略。为最大限度降低系统总成本，文献［17］建立了化工生产中REPG 与氢储能耦合的优化模型，来确定电-氢协同储能系统的最佳容量。因此，IES 中引入REPG 和氢储能已具备理论基础；然而，这类IES 对应的规划研究还较为缺乏。终端用能和交通领域的脱碳是实现碳中和的关键，这使得电动汽车（electric vehicle，EV）的发展前景被广泛看好。然而，充电无序性会给电网带来压力，加剧负荷峰谷差［18］。文献［19］的研究表明，EV 的参与能够增强IES 的经济性和灵活性。若在充分消纳REPG的IES 内充电，则还能避免间接碳排放。

因此，在上述背景下构建包含REPG、CCHP 和氢储能的IES，并考虑辐射区域的EV 随机充电需求来开展系统优化规划，具有现实价值和重要前瞻意义。进一步，本文给出了该IES 的数学模型；并充分考虑REPG 和EV 充电的不确定性，以综合成本和碳排放最小为目标构建容量配置优化模型；基于8 760 h 的基础数据生成典型分析场景，利用MILP给出实证案例的系统方案，并通过多情景优化分析来讨论系统的环境优势和考虑EV 充电需求的必要性及产生的环境效益。

1 风-光-氢IES 的基本结构和特征

基于能源枢纽［20］概念，本文构建的天然气-风-光-氢IES 的基本结构如图1 所示。该用户级的园区IES 主要由4 个部分构成：REPG 系统、氢储能系统（hydrogen energy storage system，HESS）、CCHP系统和其他辅助设备。能量流包括天然气、氢气、电力、热功率和冷功率流。 其中，光伏阵列（photovoltaic，PV）和风机（wind turbine，WT）是REPG 系统的主要设备；电解槽（electrolyzer，EL）、储氢罐（hydrogen storage tank，HST）和燃料电池（fuel cell，FC）是HESS 的关键设备；燃气轮机（gas turbine，GT）、吸收式制冷机（absorption chiller，AC）和余热锅炉（waste heat boiler，WHB）是CCHP系统的关键设备；辅助设备主要包括电制冷机（electric cooler，EC）和燃气锅炉（gas boiler，GB）。

图1 天然气-风-光-氢IES 的基本结构和能量流Fig.1 Basic structure and energy flow of natural gaswind-PV-hydrogen IES

氢储能的高成本仍是其应用的关键障碍之一。因此，在满足其他资源和布局环境要求的前提下，可优先考虑在有氢气负荷的工业园区布局。园区用电负荷由PV、WT 和GT 供应，并且系统要满足EV 的随机充电需求；热负荷由WHB 和GB 供应；冷负荷由AC 和EC 提供。氢气负荷的供给来自两部分：当整个系统电力供应过剩时，富余电力用于电解水制氢；外购的氢气采用长管拖车运输。FC 向系统放电时，燃料来自电解水制取的氢气或外购氢气，这将取决于整个系统的经济性和环境表现的优化。基于上述架构，对构建的IES 进行容量优化配置。

2 风-光-氢IES 的优化规划模型

2.1 EV 随机充电需求模型

本研究在对园区内IES 进行规划时，考虑为系统辐射区域的EV 提供充电服务。公交车、邮政车等商用EV 通常具有固定的特性和停放场所，其电力需求较为固定，适合参与统一调度［21］，而一般乘用车在充电行为上更加具有随机性和灵活性［22］。故本文以出行和充电行为随机性强的私家车为研究对象，将EV 充电行为视为随机既定现实，在此基础上计及充电需求来进行IES 的容量优化配置，并据此分析经济和环境表现。

在一定市场规模下，影响EV 充电需求的因素主要包括EV 的类型、数量和充电行为这2 类。EV的类型和数量决定了其耗电速度以及充电功率，充电行为则决定了EV 的接入时间和充电时间。本文主要针对充电行为进行分析。针对EV 类型及其数量，给出以下假设：①每一百公里电耗固定为a；②充电功率在[b-c]范围内均匀分布；③电池容量在[d-e]范围内均匀分布；④待分析的IES 可为N辆EV 充电。

EV 的充电接入时刻及其充电时间还受EV 类型，动力电池充电特性等诸多因素影响。这类影响因素难以直接进行分析，现有研究大多基于统计数据的概率进行建模［23］。参考美国交通部对全美家用车辆的调查结果和现有研究，电动私家车日行程DEV近似满足对数正态分布［24-25］。此外，电动私家车的充电特性一般为最后一次出行结束后立刻进行充电，充电接入时刻tEVC服从分段正态分布［24］。以上分布的详细介绍见附录A。

现行一般采取恒流-恒压两阶段充电法对动力电池进行充电，考虑到充电起始与结束时间极短，充电过程又近似恒功率充电，故本文将充电过程简化为恒功率充电。则单辆EV 的充电持续时间tC可表示为：

式中：Ppchk为每一百公里的耗电量；PC为充电功率；δC为电动汽车充电转换效率。

于是，每小时的总充电功率可计算获得。

首先，通过模拟确定每辆EV 在每天的充电行为，则可得到：

式中：1≤l≤365；1≤i≤N；1≤k≤24。

故IES 面对的EV 所带来的负荷可按下式计算：

式中：Pi为第i辆EV 的充电功率；Plk为在第l天的第k小时的充电总功率需求。

进一步，本文采用蒙特卡洛模拟进行仿真，旨在获得园区内N辆EV 在一年中每个小时的充电需求情形，具体模拟流程如图2（a）所示。

图2 EV 充电需求模拟及概率场景生成流程图Fig.2 Flow chart of EV charging demand simulation and probability scenario generation

2.2 子系统数学建模

2.2.1 REPG 子系统

PV 面板在t时刻的实际发电功率主要受到太阳辐射强度和环境温度的影响［26］。此外，PV 面板的实际温度由环境温度和实际光照强度决定。WT在t时刻的实际功率由切入风速和切出风速决定［27］。计算模型的详细介绍见附录B。

2.2.2 GT 发电子系统

GT 是CCHP 系统的重要组成部分。GT 发电的同时，产生的废热将会被WHB 和AC 利用来供应热负荷和冷负荷。热、冷负荷缺口由GB 和EC 来供应。整个IES 内，消耗天然气的设备为GT 和GB。天然气消耗量Qgas可通过下式计算［28］：

式中：PGT(t)为GT 的输出功率；T(t)为出力时间；Qnb为GB 供应的热负荷量；β1为GT 的发电效率；β2为GB 的加热效率；δ为天然气的最低燃烧热值，本文取33.50 MJ/m3。

燃气轮机产生的废热Qwh可通过下式计算获得［28］：

式中：ε为GT 的热损失系数。

2.2.3 制冷及制热子系统

WHB 和AC 是余热的利用终端：AC 利用余热来供应冷负荷，WHB 利用余热来供应热负荷。式（6）至式（8）描述了它们之间的关系：

式中：Hwhb和Hac分别为WHB 和AC 利用的余热量；Qac为AC 供应的冷负荷量；Qwhb为WHB 供应的热负荷量；γac为AC 的制冷性能系数；γwhb为WHB 的转换效率。

冷负荷和热负荷的供应来源总结如下式所示：

式中：QC和QH分别为园区内总的冷负荷和热负荷；Qec为EC 供应的冷负荷量。

2.2.4 氢储能子系统

如果系统在某一时刻的GT、PV、WT 三者出力PGT(t)、PPV(t)、PWT(t)之和大于该时刻的总用电负荷。即Psum(t)≥PTE(t)/τ1。那么，t时刻储氢罐中氢气的量Hhst(t)将等于上一时刻的量加上这一时刻由电解槽新转换的氢气：

式中：Psum(t)为t时刻系统内的发电设备总输出，Psum(t) =PGT(t)+PPV(t) +PWT(t)；PTE(t)为t时刻的用电功率，PTE=PE+PEC，其中PE为包括EV充电需求在内的电负荷，PEC为EC 输入功率；τ1为转换器效率；τ2为电解装置的效率。

如果Psum(t)≤PTE(t)/τ1，那么，t时刻储氢罐中氢气的量将等于上一时刻的量减去这一时刻燃料电池消耗的氢气：

式中：τ3为燃料电池的效率。

2.3 目标函数及优化策略

本文用年综合成本（annual comprehensive cost，ACC）来反映系统经济性方面的优化目标，年碳排放（annual carbon emissions，ACE）可以反映系统一次能源消耗和环境表现。本研究采用偏差满意策略［29］来对系统的容量进行优化：首先，分别以ACC和ACE 最小为目标，进行单目标优化，得到单目标优化下的最小ACC 和最小ACE，标记为CACC，1和EACE，1。然后，构造基于偏差满意度的目标函数（式（13）），同时对ACC 和ACE 进行优化。在此过程中得到的优化结果标记为CACC，2和EACE，2。该目标函数具有以下显著优点：①统一了ACC 和ACE 的维度；②同时对ACC 和ACE 进行优化，通过引入权重系数来反映决策者的优化偏好。本文构建的目标函数如下：

式中：Δd为偏差满意度；W1和W2为权重系数，用于体现决策者的优化偏好。当W1＞W2时，表示对IES 的经济性更加关注；当W1＜W2时，表示IES 的碳排放量受到更多关注。另外，W1+W2=1。

CACC可以反映IES 的整体经济性表现，是系统容量配置优化的重要目标之一。CACC（式（14））包括主要设备购置成本Cpa（式（15））、运行维护成本Com（式（16））、燃料（天然气）购置成本Cf（式（17））、电解用水成本Cw（式（18））、碳税Cct（式（19））和氢气外购成本Cph（式（20））：

式中：aj为每种设备的装机容量；cj和cjom分别为每种设备的单位购置费和运行维护成本；k为银行贷款利率；t′为偿还期；cgas为天然气单价；cw为电解用水的单价；Tc为碳税的基价；Qph为氢的采购量；chp和cht分别为制氢成本和运输成本；n为类型总数；Qw为水的用量。以煤气化制氢作为参考，制氢成本约为25.8 元/kg［30］。200 km 以内运输的长管拖车单价约为11.03 元/kg［31］。

化石燃料使用量越少，REPG 利用比例就越大。该系统的一次能源消耗来自天然气，上文对此进行了具体分析。ACE 是能源系统最重要的环境性能指标。本文构建的IES 的碳排放来源为GT 和GB。可通过以下公式计算：

式中：φ1为燃烧一立方米天然气排放的二氧化碳的量。

2.4 基本约束条件

1）主要设备出力约束

2）电、热、冷平衡约束

电力平衡约束。GT、PV、WT，以及FC 的发电出力等于园区内电负荷功率、EL 输入功率和EC 输入功率之和；具体分为EL 工作（式（23））和FC 工作（式（24））2 种状态：

式中：PEL为EL 输入功率；PFC为FC 的输出功率。

热力平衡约束。WHB 和GB 的输出热功率应该大于等于园区内热负荷所需功率：

式中：PH为园区内热负荷功率需求；PGB为GB 的输出功率；PWHB为WHB 的输出功率。

冷力平衡约束。AC 和EC 的输出功率应该大于等于园区内冷负荷所需功率：

式中：PC为冷负荷功率需求；PAC为AC 的输出功率；P′EC为EC 的输出功率。

3）氢储能系统约束

系统在某一时刻的出力之和大于该时刻的用电负荷时，多余电量用于电解制氢。即Psum(t)≥PTE(t)/τ1，PEL=Psum(t)-PTE(t)/τ1。

电解槽的运行功率应大于最小额定功率，本研究取最小运行功率为额定功率的5%：

式中：PRE为EL 的额定功率。EL 产生一摩尔氢气的耗电量为∂。

为了表征HST 中实际氢气量与HST 额定存储量的关系，类比于电池的荷电状态，定义HST 的荷电状态Shst为当前储氢罐中氢气存储量与额定存储量Hhst之比。则储氢罐的等效荷电状态应满足上下限约束：

4）场地的空间约束

考虑到园区内用来放置PV 面板、WT 和HST的可利用空间是有限的。因此，这些设备的数量受到限制：

式中：NPV、NWT、Nhst分别为PV 面板、WT、HST 的数量；NPV，max、NWT，max、Nhst，max分别为PV 面板、WT、HST 的最大数量。

GT、PV、WT、EL、HST 和FC 的配置结果是整数变量，即这些设备的配置容量（额定功率）等于设备个数乘以单位容量（单位额定功率），其他设备的容量是连续变量。各类设备涉及的参数较多，为便于识别和读取，通过文献和设备产品调查给出了详细参数［17，28，32-34］汇总如附录C 表C1 所示。

2.5 考虑不确定性的风光出力及EV 充电场景生成

光伏及风力发电直接受所在地光资源、温度和风速的影响，导致风光出力具有不确定性，即高随机性和间歇性。EV 的充电需求同样存在不确定性，即充电的随机性。在对本文构建的IES 进行优化规划时很有必要考虑上述不确定性；为此，本研究将利用概率场景分析方法，基于高斯核密度估计和Kmeans 聚类算法来生成典型的风光出力和EV 充电需求分析场景。

本文的典型场景生成流程总结如图2（b）所示。首先，基于8 760 h 的资源数据利用2.2 节中介绍的方法计算风光出力；利用2.1 节中介绍的蒙特卡洛模拟获得EV 的充电需求。进一步，对这些原始数据按照3 个供能季（过渡季、供冷季、采暖季）进行划分并做标幺化处理（x）。其次，对数据按照供能季分别进行高斯核密度估计（f^ (x)）；高斯核函数中的带宽h依据正态参考规则获取。然后，根据高斯核密度估计结果计算累积概率分布（F(x)）。最后，基于反（逆）变换法对累积概率分布进行随机采样，生成大量采样场景（M组），并利用K-means 聚类算法对M组场景进行聚类，生成j个典型场景作为IES优化规划的基础。该过程涉及的关键概率模型总结如附录D 所示。

2.6 求解方法

本文构建的优化模型在上文已给出，获得每个设备的最佳容量是最终目标，整个优化问题属于MILP 问题。MILP 模型的逻辑清晰、适用性强、易于收敛，有利于容量配置的全局寻优［6］；本文利用数学精确算法求解，仿真过程基于MATLAB 软件平台，在YALMIP 语言环境下对优化模型进行编程，调用CPLEX 高效求解。进一步，基于上述理论和平台基础开展算例分析来验证模型：设置多种情景来对优化结果进行详细分析，并通过敏感性分析讨论优化偏好对最终结果的影响，并基于“成本-效果性价比”思想来分析最佳优化区间的权值范围。

3 算例分析

3.1 算例背景及数据处理

以中国甘肃省阿克塞哈萨克族自治县的一个工业园区为例，对模型进行验证。该地区太阳能、风能资源丰富，适合发展光伏和风力发电项目。工业园区具体地理位置如附录E 图E1 所示。工业园区为了实现能源供应的自主性和清洁性，拟布局本文构建的天然气-风-光-氢IES 来供应各类负荷。CCHP 系统由GT 驱动，全年8 760 h 用电负荷数据由国家电网有限公司智能电表获取，园区的冷、热、氢负荷数据基于典型日仿真获得。针对过渡季、供冷季和采暖季的详细划分见附录E 表E1。附录E图E2 详细展示了4 类负荷随时间的分布情况。在仿真模拟EV 充电负荷时，设定每一百公里电耗固定为15 kW·h；充电功率在3.5～7 kW 范围内均匀分布；电池容量在60～70 kW·h 范围内均匀分布；待分析IES 分别仿真为100、200、500 辆EV 充电；EV充电转换效率δC取0.9［35］，不同规模EV 充电负荷的蒙特卡洛仿真结果总结如附录E 表E2 所示。

当地光照辐射数据和风速数据由中国华电股份有限公司甘肃分公司提供，该公司在该地区建有多个大型光伏和风电项目，数据准确可靠。当地环境温度数据由气象监测站提供。基于以上数据，光伏板的实际温度和小时输出功率可计算获得。附录E图E3 展示了逐小时环境温度、实际光伏板温度、光照辐射强度和单个光伏板的输出功率。基于风速数据可获得单个风机逐小时的输出功率，附录E 图E4展示了计算结果。基于以上历史数据，利用高斯核密度估计和K-means 算法，单次仿真随机采样M=10 000 组，针对3 个供能季分别聚类2 组，共计生成6 组关于风光出力、EV 充电需求、园区电负荷的典型场景，总结如附录E 图E5 所示。篇幅所限，图3仅展示了过渡季光伏出力、供冷季风机出力、采暖季EV 充电需求的高斯核密度估计所对应的概率密度分布图和累积概率分布图。容易看出，高斯核密度估计很好地刻画了风光出力和EV 充电的不确定性和概率分布特征。

图3 风光出力和EV 充电需求的概率密度与累积概率分布刻画结果Fig.3 Characterization results of probability density and cumulative probability distribution of WT/PV output and EV charging demand

为确定园区内可放置的PV 板、WT 和HST 的最大数量，采用文献［15］给出的计算方法来确定。计算目标函数时，银行贷款利率k取4.9%；偿还期t′取20 年；天然气单价cgas取2.8 元/m3；电解用水的单价cw取4.1 元/m3；碳税基价Tc取20 元/t；燃烧一立方米天然气所排放的二氧化碳φ1取2.01 kg·m3［2］。项目的生命周期设定为20 年。本研究将基于真实基础数据以年为单位来计算目标函数，以小时为优化单元来对系统进行容量优化配置。附录F 表F1给出了模型求解的硬件环境和求解时间。

3.2 多情景优化结果分析

本研究在优化过程中设置了多类情景来进行仿真和结果对比：传统分供系统、联网型方案、EV 充电需求加强等。旨在讨论本文构建的IES 的优势和劣势，以及考虑为EV 充电的可行性和带来的环境效益。具体情景设置总结如表1 所示。

表1 优化情景设置Table 1 Settings of optimization scenarios

初始优化情景针对目标函数中的CACC和EACE设定了相同的重要程度，即偏差满意度目标函数（式13）中W1和W2的值均为0.5。表2 总结了仿真后得到的IES 主要设备优化配置结果。其他情景下的具体结果总结如附录F 表F2 所示。

表2 初始情景下的优化配置结果Table 2 Optimal configuration results in initial scenario

容量优化配置下IES 在典型日针对4 类负荷的供应情况总结如附录F 图F1 所示。图4 详细展示了系统的成本构成：主要花费来自外购氢气和设备购置成本；园区内氢负荷的高需求导致外购氢气成本所占比例最高；系统所用天然气较少，燃气费用仅占约2.3%。本文构建的IES 在主要设备购置费方面，占比最高的设备来自FC、EL 和WT。这导致氢储能在整个购置费中占主导地位，以FC 购置成本作为基础参考，WT 购置费仅占其11.3%。因此，随着氢能相关技术的突破和进步，未来配置氢储能的IES 的经济性有望显著提升。

图4 系统年综合成本及设备购置费组成Fig.4 Composition of system annual comprehensive cost and equipment purchase cost

二氧化碳排放方面，初始情景相较于传统分供情景，供能所减少的碳排放非常可观：只考虑IES 自身直接的EACE时，仅为传统分供系统的2.17%；若还考虑IES 外购氢气在生产过程的碳排放（未配置碳补集技术的煤制氢1 kg 约排放19 kg 二氧化碳），则为分供系统的42.30%，表3 给出了具体的对比细节。

表3 与传统分供系统的对比结果Table 3 Comparison results with traditional distribution system

孤立型IES 方案的优势在于其供能的自主性、自治性以及巨大的环境效益。在联网型方案下，IES 能够与外电网进行电力交换：当系统电力富余时，以甘肃省上网电价入网；IES 从外电网购电时，以酒玉电网分时电价计费。表4 给出了联网型和孤立型方案的对比结果。由于电网电价更具竞争力，联网方案下的IES 没有配置CCHP 系统、EL 及FC，成本大大降低；系统会通过售电降低成本；假设购买的为燃煤火电，联网型方案下系统整个用能（直接和间接）所产生的二氧化碳远远高于孤立型方案。

表4 孤立型及联网型方案配置结果对比Table 4 Comparison of configuration results between isolated and networked schemes

本文在对构建的IES 进行容量配置优化时考虑了辐射区域的EV 随机充电需求。甘肃省EV 的充电服务费为0.8 元/（kW·h）。待分析EV 若在园区外的充电桩充电，则充电花费由分时电价和充电服务费构成，并且电源假设为燃煤火电；以无EV 充电需求（情景3）作为基础参考，考虑一定规模EV 充电负荷后系统增加的成本即可作为充电花费，在IES内充电收取同等充电服务费（充电桩投资及运营）以和系统外充电作经济性对比。IES 的总碳排来自系统直接碳排放和煤制氢所生产外购氢气的碳排放（间接）。图5 展示了不同规模EV 在系统外和系统内充电所增加的费用和碳排放情况。总体来看，在系统内外充电的成本及碳排放与EV 规模的增长基本都呈现较为一致的线性趋势；在IES 内充电的成本要高于在系统外充电，当EV 规模为100 和200 辆时差距不大；然而，碳排放方面，在IES 内充电带来的排放要远远低于在系统外充电，不同规模皆处于系统外的50%以下。因此，IES 为辐射区域EV 提供充电服务有巨大的环境价值，其经济性在一定程度上也是可行的。

图5 不同EV 规模在IES 内外充电对比Fig.5 Charging comparison of different EV scales inside and outside IES

3.3 优化偏好敏感性分析

初始情景设置为同等重视成本和碳排放这2 个目标（W1=W2=0.5）。本节将通过调整权重系数来分析不同优化偏好下的配置结果，权重系数的变动步长设置为0.1。各类偏好下的优化结果总结如附录F 表F3 所示，在成本和碳排放方面的表现描绘如附录F 图F2 所示。系统碳排放减少的同时会导致成本增加，从上文分析的成本构成可看出，原因是系统内REPG 和HESS 的份额提高了。当优化偏好从（W1=0.9、W2=0.1）向（W1=0.4、W2=0.6）移动时，较低的成本增加就会产生显著的碳减排效果；当优化偏好从（W1=0.4、W2=0.6）向（W1=0.1、W2=0.9）移动时，付出增长较高成本的代价只能获得很有限的减排效果。因此，一味追求环境目标有时是不妥的。本算例中，决策者在进行有偏好的优化时，具有“性价比”的优化区间和方向为从（W1=0.9、W2=0.1）到（W1=0.4、W2=0.6）。

4 结语

本文充分考虑了风光出力的不确定性，基于MILP 模型对构建的天然气-风-光-氢IES 进行了容量配置优化。模型还考虑了系统辐射区域的EV随机充电需求，旨在充分发挥风光发电协同氢储能给整个用能过程带来的环境效益，得到了以下结论。

1）本文构建的风-光-氢IES 能够极大地降低供能过程中二氧化碳的排放，充分消纳系统中的REPG，给未来氢储能在IES 中的应用和推广提供一定的思路和借鉴。

2）利用高斯核密度估计能够很好地刻画风光出力和随机负荷，进一步随机采样和聚类形成了典型概率场景，使得整个优化规划模型能够表征不确定性，得到的优化配置结果更加可靠。

3）该IES 为辐射区域提供充电服务能显著降低EV 的间接碳排放，是充分利用系统环境效益的表现，为能源和交通领域协同降碳提供思路。

本文构建的IES 在氢储能部分的购置成本过高，投资经济性不具备竞争力，成本有待进一步优化。随着氢储能技术的突破和进一步的优化探索，今后的研究将对氢储能部分进行运行成本优化，并试图给出氢储能在推动REPG 消纳、降低碳排放方面产生的附加价值。此外，还将考虑系统未来同时向EV 和氢燃料电池车供能的随机优化场景。

本文仿真部分得到了美国亚利桑那大学系统与工业工程系博士钟志鸣的帮助，特此感谢！

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。