计及灵活性多目标电-热-交通综合能源系统区间优化运行

史 喆，梁 毅，李 华，窦文雷，齐 阳

计及灵活性多目标电-热-交通综合能源系统区间优化运行

史 喆1，梁 毅1，李 华1，窦文雷2，齐 阳1

(1.国网辽宁省电力有限公司经济技术研究院，辽宁 沈阳 110000；2.国网辽宁省电力有限公司，辽宁 沈阳 110000)

大量新能源和电动汽车接入后，导致电-热-交通综合能源系统有较大的净负荷变化，需要系统具有一定的灵活性以匹配源荷两侧的不确定性。如何处理不确定性与灵活性的矛盾，以及如何实现经济性和灵活性的平衡，是电-热-交通综合能源系统目前面临的难题。鉴于此，提出一种计及灵活性多目标电-热-交通综合能源系统区间优化运行模型，以经济成本最小和系统灵活性最大为目标，综合平衡系统的经济性和灵活性。利用区间数学描述风电出力和电动汽车负荷的不确定性，将传统等式约束转化为区间表达的形式，使其更具合理性。利用改进的多目标量子免疫算法对优化模型进行求解。以辽北某综合能源系统为例，设定3种不同场景以验证所提方法的有效性。

综合能源系统；电动汽车；不确定性；灵活性；多目标；区间优化

0 引言

综合能源系统(integrated energy system, IES)是实现“碳达峰、碳中和”的重要手段，通过其内部能源设备实现能源转换，对电、热、气及交通等资源实现整体协调，结合信息传输环节和控制调节环节实现多能系统的协调优化[1-3]。随着新能源和电动汽车(electric vehicle, EV)接入比例的不断增加，多种能源间的相互联系也更加紧密[4-5]。风电、光伏等新能源出力具有间歇性、波动性等不确定性因素，影响新能源消纳，造成新能源的浪费[6-7]。电动汽车具有节能、绿色及环保的优点[8]，但其时空不确定性又会影响灵活性的提升能力[9]。因此，在接入新能源和电动汽车后，如何处理不确定性与灵活性间的矛盾，以及如何实现经济性和灵活性的平衡，是当前电-热-交通综合能源系统面临的难题。

目前，已有相关文献对含电-热-交通综合能源系统优化运行作了研究。文献[10]针对风电机组出力难以精准预测的问题，同时考虑电网经济效益和EV聚合商的收益，建立了含风电和电动汽车的双层鲁棒优化调度模型。文献[11]提出一种考虑风电不确定性的热-电耦合微能源系统多目标鲁棒规划方法。文献[12-13]以风电消纳最多、负荷方差最小和火电运行成本最低为目标，综合考虑电功率平衡以及各设备的运行约束，建立了考虑分时电价的电动汽车充电模型和促进风电消纳的优化模型。文献[14-15]提出将EV与风电协同优化的双层调度模型。上层以负荷方差最小和充电聚合商的运行成本最小为目标，下层以风电预测出力与电动汽车充电负荷之差最小为目标。文献[16-17]对负荷的不确定性和风电的不确定性进行建模，同时考虑控制电动汽车接入系统的时间和降低系统的碳排放，搭建了以碳排放最小为目标的优化模型。文献[17]建立了考虑经济与碳排放的电-气-热-氢综合能源系统日前调度模型。文献[18-19]建立了两阶段鲁棒优化模型处理风光负荷的不确定性。文献[20-21]利用随机优化理论应对来自风电、光伏、电动汽车负荷的不确定性，建立虚拟电厂的优化模型。文献[22-23]考虑火电机组燃料成本、风电输出的不确定性成本和车-网服务成本，建立了电网与用户协同调度模型。上述文献对于新能源的出力及负荷波动的问题，主要以鲁棒优化和随机优化进行不确定性的建模，但鲁棒优化的结果过于保守，对系统经济性可能产生不利影响；随机优化又因为在实际中难以获得精确的概率分布，优化结果往往存在较大风险；而区间优化无需获取精确的概率分布模型，且可以突出不确定参数对系统的影响，具有较好的效果。

此外，现有对电-热-交通综合能源系统优化问题的研究以系统经济性为目标，灵活性评估往往以优化后的评价形式出现，或以加权相加的形式与经济性共同作为单个优化目标，然而权重的人为选择具有随机性，无法保证其经济性和灵活性的平衡，难以得到最优解。

针对上述问题，本文提出一种计及灵活性多目标电-热-交通综合能源系统区间优化方法，综合平衡系统的经济性和灵活性。建立含灵活性平衡约束的电-热-交通综合能源系统优化运行模型，利用区间数学描述风电出力和电动汽车负荷的不确定性，将传统等式约束转化为区间表达的形式，使其更具合理性。为平衡系统经济性和系统灵活性，建立以经济运行成本最小和系统灵活性最大的多目标优化模型，利用改进的多目标量子免疫算法对优化模型进行求解。

1 不确定性区间及灵活性平衡

1.1 不确定性区间

本文将调度周期内各时段风电出力和电动汽车充电功率表示为式(1)的区间形式[24]。

1.2 灵活性平衡

风电出力的波动及电热负荷的预测误差造成电热能量具有上下调需求[25]，电-热-交通综合能源系统调节每个时段的机组出力为电热能量的供给保留裕度，满足上述电热能量的上下调需求，产生了灵活性区间。当新能源发电和电动汽车负荷较小时，系统每个时段净负荷几乎不变，即灵活性需求较小。随着新能源发电和电动汽车负荷的占比增大，系统净负荷也将显著变化，系统灵活性就具有更大需求，以满足电热能量的充足供给[26]。当灵活性不满足上述需求时，有可能出现切负荷或者弃风的情况[27]。本文通过各时段灵活性需求和供应的关系，来定义灵活性平衡，如式(2)—式(7)所示，并分别从能源供给环节、能源转换环节和能源需求环节分析灵活性平衡[28]。

1.2.1能源供给环节

1) 热电机组

热电机组的可快速调节能力使其成为综合能源系统中反应能力最快的灵活性资源[29]，在出力范围之内，可提供向上、向下的灵活性裕度。

2) 风电机组

虽然大规模风电的接入会影响系统的稳定运行，但在一定条件下，风电也可以转化为灵活性资源，为系统提供一定的灵活性。在保证风电平稳出力的情况下，并网一定容量的风电能够降低热电机组的出力，改善系统运行状态，从而提高系统的调节能力[30]。理论上，当风电渗透率越高时，系统可提供的灵活性也会越高，但因其具有不确定性又造成灵活性需求增多。因此，风电是在一定条件下才能作为灵活性资源的，要确保不确定性和灵活性间的平衡，才可以高效地将风电转化为灵活性资源。

当风电出力可上调时，为系统提供向上的灵活性；反之，当风电出力可下调时，为系统提供向下的灵活性。因风电具有一定的预测误差，只能将其一部分作为灵活性资源。弃风可提供向下的灵活性。

1.2.2能源转换环节

1) 热泵用电产生灵活性需求，供热产生灵活性供给。

2) 电锅炉用电产生灵活性需求，供热产生灵活性供给。

1.2.3能源需求环节

电热负荷和电动汽车负荷产生灵活性需求[31]，取前后两个时刻的差值得到。但当预测值和实际值相反时，计算结果会有偏差，因此对于负荷波动造成的需求，本文以电负荷为例对负荷波动定义如式(13)所示。

2 综合能源系统多目标区间优化调度策略

本文为应对电-热-交通综合能源系统中风电出力和电动汽车负荷双侧的不确定性，并兼顾系统的经济性和灵活性，提出计及灵活性的综合能源系统多目标区间优化调度策略。首先，定义区间多目标问题表示为

2.1 计及灵活性的优化目标

在本文所提区间多目标优化模型的目标函数中，分别考虑以煤耗成本和弃风惩罚成本最小、以及系统灵活性最大两个目标函数，其中煤耗成本和弃风惩罚成本均可通过价格表示，因此将二者之和作为经济成本。经济成本和系统灵活性具体区间表述为

1) 经济成本

2) 系统灵活性

2.2 区间优化约束条件

1) 供电平衡约束

2) 供热平衡约束

3) 灵活性约束

如式(2)、式(3)所示。

4) 风电不确定性约束

5) 热电机组约束

6) 热泵约束

7) 电锅炉约束

8) 电动汽车负荷不确定性约束

9) 电动汽车荷电状态约束

2.3 基于量子免疫多目标优化的求解方法

经济目标以价格为目标，而系统灵活性以百分数为目标，通过加权将二者相加转化为无具体量纲，即单目标求解，其结果对权值敏感，人为设定的权值无法保证所得方案的合理性[33]。因此，本文首先利用约束的可信度将区间优化问题转化为确定优化问题，再利用多目标优化方法对确定优化问题求解[34]。

1) 区间优化问题确定性转化

通过引入区间可信度[35]，判断个体是否满足约束条件，进而定义可行解、不可行解的占优关系；通过引入区间重叠度，计算个体拥挤距离，最终构成适用于区间多目标优化问题的智能求解算法。

2) 量子免疫多目标优化方法

本文采用一种基于量子计算与免疫系统的混合多目标优化算法(hybrid quantum-inspired immune algorithm, HQIA)对所提出的计及灵活性综合能源系统多目标区间优化问题进行求解，该方法采用量子比特(Q-bit)位进行编码，以基于混沌分布的方法进行种群的初始化，通过混沌量子旋转门实现对个体的变异以提高种群的质量。与传统的多目标优化方法相比，能够找到更好的帕累托前沿，且具有更快的收敛速度。

利用HQIA算法求解的具体流程如图1所示。

图1 HQIA多目标优化算法流程图

3 算例分析

3.1 算例说明

本文以辽北某区域综合能源系统为例，包括1台320 MW的CHP机组，1台效率为0.9、容量为20 MW的电锅炉，1台COP值为3、容量为20 MW的热泵，1个200 MW的风电场及20 000辆电动汽车，优化周期为24 h，单位时间尺度为1 h。

各负荷曲线如图2所示，电负荷在09：00—11：00和18：00—20：00时段具有峰值，热负荷也具有2个峰值，分别在06：00左右和19：00左右。电动汽车负荷区间与电负荷趋势基本一致，如不对其进行调整，易造成电负荷“峰上加峰”的现象。风电预测出力区间如图3所示，风电在夜间有较大出力，也容易产生弃风，因此可重点关注如何在这些时段消纳多余的风电。

图2 各负荷曲线图

图3 风电预测出力区间图

为了对比分析不同优化方法和多目标处理对区域综合能源系统风电消纳能力、经济性及灵活性的影响，本节构建了3种场景，如表1所示。

表1 实验场景

其中，“经济性+灵活性”指在人为赋权重的情况下，由0.1～0.9依次穷举；“经济性、灵活性多目标”指在全局情况下，不存在人为赋值的主观性。

3.2 仿真结果分析

表2为3种场景各项指标的对比，可见，在场景I中，鲁棒优化仅能解决单侧的不确定性描述，且预测结果较为保守，因此其弃风量相对较高。在场景II中，利用区间优化描述源荷双侧的不确定性后，其经济成本比场景I减少了18 993元，经济节约率达到5.83%，弃风量也比场景I少，弃风率可减小到6.63%。灵活性整体来说并无大的提升。而场景Ⅲ在考虑多目标区间优化后，经济性和灵活性均有显著提升，其中经济节约率为13.22%，弃风率减小到5.64%，灵活性提高了7.5%，实现了灵活性和经济性的平衡。

表2 仿真结果各项指标对比

1) 场景 Ⅰ 电负荷平衡(图4)

图4 场景I电负荷平衡

在场景I中，利用鲁棒优化的方法处理风电出力的不确定性，在02：00—16：00时段内，CHP机组电出力几乎以机组出力下限运行，最大限度地为风电提供上网空间。在01：00—08：00时段内，电锅炉和热泵在保证热量供应平衡的前提下消纳多余风电，整个调度周期内的弃风量为232.24 MWh，主要集中在00：00—06：00和12：00—14：00两个时段。

2) 场景 Ⅱ 电负荷平衡(图5)

在场景II中，考虑区间优化方法处理源荷的不确定性，相较于场景I，该场景的风电出力增大，这是由于区间优化对源荷不确定性的处理，使得结果更加接近实际情况，电动汽车出力区间也进一步调整，为风电消纳提供空间。

场景 Ⅲ 在考虑多目标区间优化后，其经济节约率为13.22%，弃风率下降到5.64%，得到全局最优结果。

图5 场景II电负荷平衡

3) 场景 Ⅲ 电负荷平衡(图6)

3.3 灵活性分析

为了直观分析灵活性，本文从灵活性供需关系和灵活性裕量两个角度进行分析，其中灵活性裕量为灵活性供给与需求的差值。

图7为场景I的灵活性供需关系，各时段的灵活性供给均满足灵活性需求。图8为场景I的灵活性裕量，在11：00—12：00、16：00—18：00以及21：00—23：00时段内灵活性裕量较小，若此时系统电源遇到故障或需要切负荷时，很难保证系统的运行状态可以快速跟上系统灵活性需求的变化。

图9为场景II的灵活性供需关系，与场景I对比，在18：00—19：00和21：00—22：00时段内的灵活性供给水平有明显提升。图10为场景II的灵活性裕量，在16：00和23：00两个时刻的灵活性裕量几乎为0，而其他时刻则保留了较大的灵活性裕量，总灵活性裕量要比场景I多29.1963 MWh。这是由于这个时段电动汽车负荷的平移将系统总负荷曲线进行了调整，各机组之间的协调出力为系统灵活性的提高提供了条件。

图7 场景I的灵活性供需关系

图8 场景I的灵活性裕量

图9 场景II的灵活性供需关系

图10 场景II的灵活性裕量

图11为场景 Ⅲ 的灵活性供需关系，与场景II对比，在18：00—21：00时段的灵活性供给水平有明显提升。图12为场景 Ⅲ 的灵活性裕量，与场景II对比，23：00时的灵活性裕量明显增大，不再为0。在18：00—21：00时段内的灵活性裕量也有所提升，为系统保留了很大的灵活性裕量，总灵活性裕量要比场景II多18.5191 MWh。考虑多目标优化可为灵活性提升提供条件，得到全局最优结果。

图11 场景 III 的灵活性供需关系

图12 场景III的灵活性裕量

4 结论

本文兼顾经济性和灵活性，提出一种多目标电-热-交通综合能源系统区间优化运行方法。采用区间数学描述风电出力和电动汽车负荷的不确定性，以经济性和灵活性作为优化目标建立多目标优化调度模型，采用多样性保持能力较强的量子免疫算法进行求解。通过3种场景的对比验证了所提方法可有效处理源荷双侧的不确定性，降低系统运行成本的同时提高了系统的灵活性，实现了经济性和灵活性的平衡。

[1] 杨海柱, 李梦龙, 江昭阳, 等. 考虑需求侧电热气负荷响应的区域综合能源系统优化运行[J]. 电力系统保护与控制, 2020, 48(10): 30-37.

YANG Haizhu, LI Menglong, JIANG Zhaoyang, et al. Optimal operation of regional integrated energy system considering demand side electricity heat and natural-gas loads response[J]. Power System Protection and Control, 2020, 48(10): 30-37.

[2] LU Xiaojun, WANG Jun, LIU Gang, et al. Station- and-network-coordinated planning of integrated energy system considering integrated demand response[J]. Global Energy Interconnection, 2021, 4(1): 39-47.

[3] LI Jiaxi, WANG Dan, JIA Hongjie, et al. Prospects of key technologies of integrated energy systems for rural electrification in China[J]. Global Energy Interconnection, 2021, 4(1): 3-17.

[4] 李更丰, 别朝红, 王睿豪, 等. 综合能源系统可靠性评估的研究现状及展望[J]. 高电压技术, 2017, 43(1): 114-121.

LI Gengfeng, BIE Zhaohong, WANG Ruihao, et al. Research status and prospects on reliability evaluation of integrated energy system[J]. High Voltage Engineering, 2017, 43(1): 114-121.

[5] 朱刘柱, 尹晨旭, 王宝, 等. 面向能源转型的综合能源业务布局及发展研究[J]. 供用电, 2021, 38(9): 28-34.

ZHU Liuzhu, YIN Chenxu, WANG Bao, et al. Research on comprehensive energy business layout and development suggestions for energy transition[J]. Distribution & Utilization, 2021, 38(9): 28-34.

[6] 吴建中. 欧洲综合能源系统发展的驱动与现状[J]. 电力系统自动化, 2016, 40(5): 1-7.

WU Jianzhong. Drivers and state-of-the-art of integrated energy systems in Europe[J]. Automation of Electric Power Systems, 2016, 40(5): 1-7.

[7] 杜永峰. 计及风光不确定性的电气热综合能源系统日前区间优化[J]. 热力发电, 2022, 51(2): 85-91.

DU Yongfeng. Day-ahead interval optimization of electricity-gas-heat integrated energy system considering uncertainty of wind and PV[J]. Thermal Power Generation, 2022, 51(2): 85-91.

[8] MWASILU F, JUSTO J J, KIM E K, et al. Electric vehicles and smart grid interaction: a review on vehicle to grid and renewable energy sources integration[J]. Renewable and Sustainable Energy Reviews, 2014, 34: 501-516.

[9] LIU Hang, NIE Shilin. Low carbon scheduling optimization of flexible integrated energy system considering CVaR and energy efficiency[J]. Sustainability, 2019, 11(19).

[10] 胡福年, 徐伟成, 陈军. 计及电动汽车充电负荷的风电-光伏-光热联合系统协调调度[J]. 电力系统保护与控制, 2021, 49(13): 10-20.

HU Funian, XU Weicheng, CHEN Jun. Coordinated scheduling of wind power photovoltaic solar thermal combined system considering electric vehicle charging load[J]. Power System Protection and Control, 2021, 49(13): 10-20.

[11] 张敏, 王金浩, 常潇, 等. 考虑可再生能源不确定性的热-电耦合微能源系统多目标鲁棒规划方法[J]. 中国电力, 2021, 54(4): 119-129, 140.

ZHANG Min, WANG Jinhao, CHANG Xiao, et al. A multi-objective robust planning method for thermal- electrical coupling micro-energy system considering the uncertainty of renewable energy[J]. Electric Power, 2021, 54(4): 119-129, 140.

[12] 孙波, 孙佳佳, 董浩. 基于分时充电电价的电动汽车消纳风电的机组调度优化模型[J]. 可再生能源, 2017, 35(1): 110-118.

SUN Bo, SUN Jiajia, DONG Hao. Unit dispatch optimization model of electrical vehicle to accommodate the wind power based on time-of-use charging price[J]. Renewable Energy Resources, 2017, 35(1): 110-118.

[13] HUANG Zhao, FANG Baling, DENG Jin. Multi-objective optimization strategy for distribution network considering V2G enabled electric vehicles in building integrated energy system[J]. Protection and Control of Modern Power Systems, 2020, 5(1): 48-55.

[14] 黄景光, 郑钦杰, 林湘宁, 等. 电动汽车与风电协同入网的双层优化策略[J]. 可再生能源, 2021, 39(4): 514-520.

HUANG Jingguang, ZHENG Qinjie, LIN Xiangning, et al. A bi-layer optimal strategy of electric vehicle and wind power collaborative access to the grid[J]. Renewable Energy Resources, 2021, 39(4): 514-520.

[15] 陈忠华, 高振宇, 陈嘉敏, 等. 考虑不确定性因素的综合能源系统协同规划研究[J]. 电力系统保护与控制, 2021, 49(8): 32-40.

CHEN Zhonghua, GAO Zhenyu, CHEN Jiamin, et al. Research on cooperative planning of an integrated energy system considering uncertainty[J]. Power System Protection and Control, 2021, 49(8): 32-40.

[16] JU Liwei, LI Huanhuan, ZHAO Junwei, et al. Multi- objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic- electric vehicles considering uncertainties and demand response[J]. Energy Conversion Management, 2016, 128: 160-177.

[17] 刘海涛, 朱海南, 李丰硕, 等. 计及碳成本的电-气-热-氢综合能源系统经济运行策略[J]. 电力建设, 2021, 42(12): 21-29.

LIU Haitao, ZHU Hainan, LI Fengshuo, et al. Economic operation strategy of electric-gas-heat-hydrogen integrated energy system considering carbon cost[J]. Electric Power Construction, 2021, 42(12): 21-29.

[18] DING Tao, LIU Shiyu, YUAN Wei, et al. A two-stage robust reactive power optimization considering uncertain wind power integration in active distribution networks[J]. IEEE Transactions on Sustainable Energy, 2015, 7(1): 301-311.

[19] 翟晶晶, 吴晓蓓, 傅质馨, 等. 考虑需求响应与光伏不确定性的综合能源系统鲁棒优化[J]. 中国电力, 2020, 53(8): 9-18.

ZHAI Jingjing, WU Xiaobei, FU Zhixin, et al. Robust optimization of integrated energy systems considering demand response and photovoltaic uncertainty[J]. Electric Power, 2020, 53(8): 9-18.

[20]QU Zhengwei, HOU Shuo, WANG Yunjing, et al. Synergistic optimization scheduling of a wind-thermal power system considering V2G technology based on probability model[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2019, 14(2): 1008-1015.

[21] 苏永新, 聂伟棋, 谭貌. 考虑风电接入和气电转换的综合能源系统日前区间优化[J]. 电力系统自动化, 2019, 43(17): 63-71.

SU Yongxin, NIE Weiqi, TAN Mao. Day-ahead interval optimization of integrated energy system considering wind power integration and gas-electricity transformation[J]. Automation of Electric Power Systems, 2019, 43(17): 63-71.

[22] ZHANG Yuxian, QIAN Xiaoyi, PENG Huideng, et al. An allele real-coded quantum evolutionary algorithm based on hybrid updating strategy[J]. Computational Intelligence and Neuroscience, 2016, 50.

[23] 周建力, 乌云娜, 董昊鑫, 等. 计及电动汽车随机充电的风-光-氢综合能源系统优化规划[J]. 电力系统自动化, 2021, 45(24): 30-40.

ZHOU Jianli, WU Yunna, DONG Haoxin, et al. Optimal planning of wind-photovoltaic-hydrogen integrated energy system considering random charging of electric vehicles[J]. Automation of Electric Power Systems, 2021, 45(24): 30-40.

[24] 韩帅, 孙乐平, 卢健斌, 等. 含电动汽车的气电互联虚拟电厂区间多目标优化调度策略[J/OL]. 储能科学与技术: 1-9[2022-03-18]. https://doi.org/10.19799/j.cnki. 2095-4239. 2021. 0611.

HAN Shuai, SUN Leping, LU Jianbin, et al. Multi-objective optimal dispatch strategy of gas-electric interconnected virtual power plant interval with electric vehicles[J/OL]. Energy Storage Science and Technology: 1-9 [2022-03-18]. https://doi.org/10.19799/j.cnki. 2095- 4239. 2021. 0611.

[25] 林文智, 杨苹, 陈芯羽, 等. 计及需求响应不确定性的园区综合能源系统日前经济优化调度[J]. 电力建设, 2021, 42(12): 9-20.

LIN Wenzhi, YANG Ping, CHEN Xinyu, et al. Day-ahead optimal economic dispatch of park integrated energy system considering uncertainty of demand response[J]. Electric Power Construction, 2021, 42(12): 9-20.

[26] 高强, 刘畅, 金道杰, 等. 考虑综合需求响应的园区综合能源系统优化配置[J]. 高压电器, 2021, 57(8): 159-168.

GAO Qiang, LIU Chang, JIN Daojie, et al. Optimal configuration of park-level integrated energy system considering integrated demand response[J]. High Voltage Apparatus, 2021, 57(8): 159-168.

[27] 林鸿基, 闫园, 文福拴, 等. 高比例可再生能源电力系统中计及灵活调节产品的实时调度[J]. 电力建设, 2019, 40(10): 18-27.

LIN Hongji, YAN Yuan, WEN Fushuan, et al. Real-time dispatch considering flexible ramping products in a power system with high proportion of renewable energy generation[J]. Electric Power Construction, 2019, 40(10): 18-27.

[28] 汤翔鹰, 胡炎, 耿琪, 等. 考虑多能灵活性的综合能源系统多时间尺度优化调度[J]. 电力系统自动化, 2021, 45(4): 81-90.

TANG Xiangying, HU Yan, GENG Qi, et al. Multi-time- scale optimal scheduling of integrated energy system considering multi-energy flexibility[J]. Automation of Electric Power Systems, 2021, 45(4): 81-90.

[29] 李健, 李雪峰, 张娜, 等. 计及储热备用效益的电热综合能源系统优化调度模型[J]. 电网技术, 2021, 45(10): 3851-3859.

LI Jian, LI Xuefeng, ZHANG Na, et al. Optimal dispatch model of electricity-heat integrated energy system considering reserved benefits of heat storage[J]. Power System Technology, 2021, 45(10): 3851-3859.

[30] ZHU Mengting, XU Chengsi, DONG Shufeng, et al. An integrated multi-energy flow calculation method for electricity-gas-thermal integrated energy systems[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 65-76.

[31] 方绍凤, 周任军, 许福鹿, 等. 考虑电热多种负荷综合需求响应的园区微网综合能源系统优化运行[J]. 电力系统及其自动化学报, 2020, 32(1): 50-57.

FANG Shaofeng, ZHOU Renjun, XU Fulu, et al. Optimal operation of integrated energy system for park micro-grid considering comprehensive demand response of power and thermal loads[J]. Proceedings of the CSU-EPSA, 2020, 32(1): 50-57.

[32] 周玮, 胡姝博, 孙辉, 等. 考虑大规模风电并网的电力系统区间非线性经济调度研究[J]. 中国电机工程学报, 2017, 37(2): 557-564.

ZHOU Wei, HU Shubo, SUN Hui, et al. Interval nonlinear economic dispatch in large scale wind power integrated system[J]. Proceedings of the CSEE, 2017, 37(2): 557-564.

[33] 陆立民, 褚国伟, 张涛, 等. 基于改进多目标粒子群算法的微电网储能优化配置[J]. 电力系统保护与控制, 2020, 48(15): 116-124.

LU Limin, CHU Guowei, ZHANG Tao, et al. Optimal configuration of energy storage in a microgrid based on improved multi-objective particle swarm optimization[J]. Power System Protection and Control, 2020, 48(15): 116-124.

[34] 曾红, 刘天琪, 何川, 等. 含电转气设备的气电互联综合能源系统多目标优化[J]. 电测与仪表, 2019, 56(8): 99-107.

ZENG Hong, LIU Tianqi, HE Chuan, et al. Multi-objective optimization for integrated natural-gas and electricity energy system considering power-to-gas[J]. Electrical Measurement & Instrumentation, 2019, 56(8): 99-107.

[35] 闫红. 基于区间可信度下界的多目标优化算法研究及应用[J]. 计算机科学, 2017, 44(增刊2): 577-579, 585.

YAN Hong. Research and application of multi-objective optimization algorithm based on interval reliability lower bound[J]. Computer Science, 2017, 44(S2): 577-579, 585.

Interval optimal operation of a multi-objective electric-thermal-transportation integrated energy system considering flexibility

SHI Zhe1, LIANG Yi1, LI Hua1, DOU Wenlei2, QI Yang1

(1. Economic Research Institute of State Grid Liaoning Electric Power Co., Ltd., Shenyang 110000, China;2. State Grid Liaoning Electric Power Co., Ltd., Shenyang 110000, China)

The access of a large number of new energy sources and electric vehicles leads to large net load changes in an electric thermal transportation integrated energy system. This requires the system to have a certain flexibility to match the uncertainty on both sides of the source load. How to deal with the contradiction between uncertainty and flexibility and how to achieve the balance between economy and flexibility are difficult problems faced by the electric thermal transportation integrated energy system. In this paper, a multi-objective interval optimal operation model of electric thermal transportation integrated energy system considering flexibility is proposed. Aiming at minimizing economic cost and maximizing system flexibility, the economy and flexibility of the system are comprehensively balanced. The uncertainty of wind power output and electric vehicle load is described by interval mathematics, and the traditional equation constraint is transformed into an interval expression to make it more tractable. An improved multi-objective quantum immune algorithm is used to solve the optimization model. Taking an integrated energy system in northern Liaoning as an example, three different scenarios are set to verify the effectiveness of the proposed method.

integrated energy system; electric vehicle; uncertainty; flexibility; multi-objective; interval optimization

10.19783/j.cnki.pspc.220022

国家电网有限公司科技项目资助(2021YF-48)

This work is supported by the Science and Technology Project of State Grid Corporation of China (No. 2021YF-48).

2022-01-05；

2022-04-07

史 喆(1978—)，男，通信作者，硕士，高级工程师，研究方向为电力网络规划研究；E-mail: 394243244@qq.com

梁 毅(1980—)，男，硕士，高级工程师，研究方向为配电网规划研究；

李 华(1986—)，女，硕士，高级工程师，研究方向为电力系统安全防御。

(编辑 姜新丽)