分布式能源系统的协同优化：一个三层框架，采用了一种新颖的基于图表驱动的方法

《Journal of Chromatography A》：Co-optimization of distributed energy systems: A three-layer framework leveraging a novel diagram-driven method

分布式能源系统多目标协同优化面临计算负担过重问题，本文提出图驱动方法（DDM），通过设备级非线性动态建模和自适应负荷跟踪机制，将计算效率提升至MILP的0.0007%，在案例中实现二氧化碳减排24.06%、能效提升31.69%和成本节约24.33%，支持设计-配置-运行三层协同优化。

　　分布式能源系统（Distributed Energy Systems, DES）因其能够实现化石燃料的梯级利用以及可再生能源的现场集成而展现出显著的优势。然而，DES在实际运行中面临诸多挑战，主要源于其复杂的非线性操作特性。这些特性使得系统在设计、配置和运行过程中难以实现高效的协同优化，从而限制了其在可持续能源供应方面的潜力。为解决这一问题，本研究提出了一种创新性的协同优化框架，旨在通过系统设计、配置和运行的深度融合，提升DES在能源、经济和环境方面的综合性能。

随着全球能源结构的不断调整，传统化石能源的高消耗与环境退化问题日益突出，促使人们寻求更加清洁、高效和可持续的能源解决方案。DES作为一种新兴的能源系统形式，不仅能够提高能源利用效率，还能有效降低碳排放，因此在可持续能源发展领域具有广阔的应用前景。然而，DES的复杂性在于其多能互补性、协同能量流动、耦合过程以及设备调控等特征，这些特性使得系统在运行过程中需要考虑多个变量之间的相互作用，从而增加了优化的难度。

目前，DES的协同优化研究主要集中在系统配置与运行的两层优化框架上。外层优化通常用于确定关键设备的容量或配置，而内层优化则专注于运行调度。在内层优化中，常用的两种方法是线性规划（Linear Programming, LP）和负荷跟随策略（Load-following Strategy）。LP方法，特别是混合整数线性规划（Mixed Integer Linear Programming, MILP），因其能够有效建模能量流动并利用高效的求解器而被广泛应用。例如，基于帕累托优化的LP模型已被用于容量与运行的协同优化，并在Python-Gurobi平台上表现出优于传统框架的性能。MILP模型也被用于平衡成本与二氧化碳排放减少政策、匹配废热回收与多种热源，以及实现运行的实时更新。然而，尽管LP和MILP方法在某些方面表现良好，它们仍然存在明显的局限性。首先，随着变量维度的增加和复杂多阶段逻辑的引入，模型的可解释性逐渐下降；其次，对本质上非线性的DES动态进行线性化处理往往会导致精度的损失；最后，虽然MILP的计算需求低于非线性方法，但在整合系统设计时，其计算负担依然巨大，尤其是在需要进行大量迭代以探索不同系统设计和配置的情况下，导致求解时间显著增加。

相比之下，负荷跟随策略因其计算成本较低和模型可解释性较强而成为DES运行优化的另一种广泛采用的方法。这类策略通常基于规则，如“跟随电力负荷”（Following Electric Load, FEL）和“跟随热负荷”（Following Thermal Load, FTL），其目标是通过匹配供需关系来提高系统运行效率。近年来，负荷跟随策略逐渐演变为更复杂的变体，例如“跟随混合负荷”（Following Hybrid Load, FHL），该策略能够根据主导的能源需求动态切换FEL和FTL模式；“最小距离”（Minimum Distance, MD）策略则通过尽量接近能源需求点来减少能源浪费；“跟随平衡热电负荷”（Following Balanced Heat-Electrical Load, FB）策略则通过调整供能以遵循预设的热电比例轨迹，以实现更稳定的运行。尽管这些策略在一定程度上改善了系统性能，但它们在消除供需不平衡方面仍然存在不足。为增强灵活性，一些研究将储能系统的动态特性引入负荷跟随策略，使其能够通过充放电过程提供正负负荷灵活性，从而在系统优化模型中嵌入更多的决策变量。然而，即便如此，负荷跟随策略仍然面临一些关键限制：首先，精确定义运行点仍需求解（通常为非线性）的能量平衡方程，从而带来额外的计算负担；其次，这些策略主要关注于满足需求，而非明确优化可量化的目标，如成本最小化或排放减少；最后，由于计算和方法上的限制，将系统设计、组件配置和运行调度进行全面协同优化仍存在较大挑战。

面对上述问题，本研究提出了一种全新的计算框架——图驱动方法（Diagram-Driven Method, DDM），旨在显著提升DES的优化效率，同时保持求解的准确性。DDM的核心创新在于其对设备级非线性动态的深入挖掘，这使得其能够构建高保真的DES模型，从而克服传统MILP方法在模型可解释性和计算效率方面的不足。此外，DDM还引入了一种目标自适应的负荷跟随机制，能够在优化目标的特异性、能源利用效率和可持续性提升以及计算成本降低之间实现平衡。更为重要的是，DDM构建了一个集成的三层协同优化架构，将系统设计、组件配置和运行决策紧密融合，从而实现了对系统设计性能关联性的量化分析，并为更可持续的解决方案提供了支持。

本研究的创新点在于其提出的DDM框架，该框架不仅显著提高了DES的计算效率，还在多个方面优化了系统性能。具体而言，DDM能够在系统运行优化中实现与MILP相当的决策质量，但其计算时间仅为MILP的0.0007%。这一突破性效率使得DDM能够扩展至传统的两层优化框架之外，实现三层协同优化，从而支持对多种DES设计的探索。在实际案例研究中，DDM被应用于四种不同的系统设计，并通过核心设备的配置优化，实现了多目标性能的最优解。模拟结果表明，DDM在采用双效吸收式制冷机和热泵的系统中表现出显著的优势，相较于传统方案，能够减少24.06%的二氧化碳排放，提升31.69%的能源效率，并实现24.33%的成本节约。这些结果不仅验证了DDM在提升系统性能方面的潜力，也展示了其在实际应用中的可行性。

在系统模型方面，DES通常由多个关键组件构成，包括发电单元（Power Generation Unit, PGU）、光伏单元（Photovoltaic Unit, PV）、真空管集热器（Vacuum Tube Collector, VTC）、热泵（Heat Pump, HP）、电动制冷机（Electric Chiller, EC）、吸收式制冷机（Absorption Chiller, AC）以及水箱（Water Tank, WT）。其中，EC-AC子系统负责将冷却负荷转化为耦合的电热需求，而PGU、VTC和WT则用于满足热负荷需求。PGU和PV的发电能力则用于满足电力需求。在系统设计过程中，是否引入热泵以及吸收式制冷机的类型选择（如单效或双效）均成为影响系统性能的重要因素。因此，为了实现更高效的协同优化，系统模型需要能够全面反映这些组件之间的相互作用及其对整体性能的影响。

在方法论上，传统的两层协同优化架构通常由外层和内层组成。外层负责确定设备的容量或配置，而内层则基于这些配置进行运行模拟。MILP模型或负荷跟随策略被用于生成关键的运行指标，如年度总成本（Annual Total Cost, ATC）和碳排放当量（Carbon Dioxide Emission Equivalent, CDE），这些指标用于量化运行性能。随后，这些指标被反馈至外层，以指导多目标优化算法，如非支配排序遗传算法II（NSGA-II），从而寻找帕累托最优解。然而，这种两层架构在面对系统设计多样性时存在一定的局限性，因为它无法在运行决策和设计决策之间建立更紧密的联系，从而限制了优化的深度和广度。

为了解决这一问题，DDM提出了一种三层协同优化架构，将系统设计、组件配置和运行决策整合为一个统一的优化过程。该架构通过引入设备级非线性动态的建模方式，有效提高了模型的精度和灵活性。同时，DDM还通过自适应的负荷跟随机制，能够在满足供需平衡的基础上，进一步优化系统的运行效率和可持续性。此外，该方法还能够通过高效的算法设计和计算流程，显著降低优化过程中的计算成本，从而使得在大规模系统设计和配置探索中，DDM能够保持较高的计算效率。

在实际应用中，DDM被用于一个住宅建筑的案例研究，该建筑位于中国广州，其电力、供暖和制冷需求均通过模拟软件DeST进行小时级预测。该案例研究展示了DDM在处理复杂系统运行优化问题时的强大能力，同时也验证了其在提升系统性能方面的有效性。通过对比传统方法，DDM在计算效率、模型精度和多目标优化能力方面均表现出显著优势，为未来DES的研究和应用提供了新的思路和工具。

综上所述，本研究提出的DDM框架不仅解决了传统MILP方法在计算效率和模型精度方面的不足，还通过三层协同优化架构，实现了对DES系统设计、配置和运行的全面优化。DDM的应用展示了其在提升系统性能、降低碳排放和实现经济性方面的潜力，为未来更广泛、更深入的DES研究奠定了基础。此外，本研究的成果也为其他复杂的多目标优化问题提供了可借鉴的解决方案，具有重要的理论和实践意义。