《Renewable Energy》：Renewable energy and storage systems for net/nearly zero energy buildings integrating electric vehicles with correlated stochastic charging: Uncertainty-aware multi-objective optimization and dynamic analysis
编辑推荐：
随着全球能源消耗持续增长，建筑与交通作为两大主要耗能部门，其温室气体排放问题日益严峻。近零能耗建筑（net/nearly zero energy buildings, NZEBs）与电动汽车（electric vehicles, EVs）被视为降低能源相关环境
随着全球能源消耗持续增长，建筑与交通作为两大主要耗能部门，其温室气体排放问题日益严峻。近零能耗建筑（net/nearly zero energy buildings, NZEBs）与电动汽车（electric vehicles, EVs）被视为降低能源相关环境影响的可行方案。然而，现有研究大多在确定性条件下开展可再生能源系统（renewable energy systems, RESs）设计与性能优化，忽视了不确定性因素对系统设计目标达成的影响。此外，在电动汽车充电行为建模中，各随机变量之间的相关性（如到达时间与离开时间）往往被忽略，导致充电事件预测精度不足。针对上述研究空白，本研究提出了一种不确定性感知的多目标优化框架，用于集成电动汽车的NZEBs中RESs设计。首先，利用TRNSYS构建建筑及其能源系统模型；其次，通过不确定性表征识别并量化各类不确定参数；再次，采用基于多元copula的场景生成方法，刻画电动汽车充电变量间的统计依赖关系，并结合蒙特卡洛模拟（Monte Carlo simulation, MCS）生成优化场景，随后进行场景缩减以提高计算效率；最后，采用多目标优化方法确定最优设计方案，并运用逼近理想解排序法（technique for order preference by similarity to ideal solution, TOPSIS）与香农熵（Shannon entropy）进行决策评估。研究结果表明，考虑充电行为相关性可显著影响RESs配置及系统技术、经济与环境性能，为NZEBs-EV集成系统的稳健设计与可靠性评估提供了理论支撑与实践指导。
在全球能源需求持续攀升、环境与可持续性挑战日益严峻的背景下，建筑与交通作为两大主要能源消耗部门和温室气体排放源，其绿色转型成为各国可持续发展战略的核心议题。近零能耗建筑（net/nearly zero energy buildings，NZEBs）与电动汽车（electric vehicles，EVs）被视为降低能源相关环境影响的两大关键路径。NZEBs的核心特征在于通过集成可再生能源系统（renewable energy systems，RESs）满足建筑用能需求，而EVs的普及则带来了充电负荷的显著随机性，二者耦合使RESs设计面临前所未有的复杂性与不确定性。
现有研究虽已广泛探讨NZEBs中RESs的设计与性能优化，但多数工作仍基于确定性条件开展，忽略了天气条件、人员行为等不确定性因素对系统最优容量配置的显著影响。已有研究表明，不确定性会显著改变RESs的最优容量，忽视其影响可能导致系统实际性能偏离预期目标。此外，电动汽车充电行为涉及多个相互关联的随机变量，如充电开始时间、充电时长与充电能量，这些变量之间存在复杂的统计依赖关系。然而，现有研究在生成充电场景时往往假设各变量相互独立，或虽采用蒙特卡洛模拟（Monte Carlo simulation，MCS）生成大量场景但未在场景缩减过程中保留变量间的相关性，导致生成的充电事件与真实行为存在偏差，进而影响RESs设计决策的可靠性。因此，如何在RESs设计中显式纳入电动汽车充电行为的多元统计依赖关系，并同时考虑可再生能源出力、建筑负荷等多源不确定性，是当前亟待解决的研究空白。
针对上述问题，本研究提出了一种不确定性感知的多目标优化框架，用于NZEBs中RESs的设计优化。研究首先利用TRNSYS构建了建筑及其能源系统模型，包括热泵、光伏（photovoltaic，PV）板与固定式电池等组件。随后，通过不确定性表征步骤识别并量化了物理参数、设计参数与场景参数等各类不确定因素，并以统计分布形式加以描述。在电动汽车充电行为建模方面，研究采用多元t-copula函数刻画充电开始时间、充电时长与充电能量等关键变量间的统计依赖关系，基于Sklar定理构建联合分布函数，从而生成保留真实相关结构的随机场景。生成的场景经MCS扩充后，采用考虑相关性损失的场景缩减方法提高计算效率。最后，研究以年总成本（annual total cost，ATC）、二氧化碳排放（carbon dioxide emission，CDE）与电网友好交互指标（grid-friendly interaction indicator，GFII）为优化目标，开展多目标优化，并采用逼近理想解排序法（technique for order preference by similarity to ideal solution，TOPSIS）与香农熵（Shannon entropy）作为决策方法确定最优设计方案。
研究得出以下主要结论。第一，考虑电动汽车充电行为相关性显著影响RESs的最优配置。与假设充电变量相互独立的基准方案相比，基于copula的相关性建模方案在PV容量与电池容量上均呈现不同配置结果，表明忽视相关性将导致系统容量设计偏离实际需求。第二，相关性建模对系统技术性能具有重要影响。考虑相关性后，系统的自耗率（self-consumption ratio，SCR）与自给率（self-sufficiency ratio，SSR）等指标在不确定性条件下表现出不同水平，说明相关性结构对系统运行性能评估具有不可忽视的作用。第三，从经济与环境维度看，相关性建模方案在年总成本与碳排放方面均优于独立假设方案，验证了在RESs设计中纳入充电行为相关性的经济与环境效益。第四，通过后优化性能评估，研究验证了所提设计在实现预定目标方面的可靠性。在不确定性条件下，考虑相关性建模的系统能够以更高概率达成零能耗与低碳排放目标，而独立假设方案则存在较大的目标偏离风险。
在讨论部分，研究指出，电动汽车充电行为中的多元相关性是影响NZEBs中RESs设计的关键因素之一。传统方法因忽略这些相关性，往往生成过于乐观或悲观的场景集，导致系统容量配置与真实运行条件不匹配。本研究所提出的copula-based场景生成方法有效保留了充电变量间的依赖结构，使优化结果更贴近实际。同时，研究也强调了场景缩减过程中相关性保持的重要性，指出仅基于概率相似性的传统缩减方法可能造成相关性损失，进而影响后续优化与评估的准确性。
研究结论部分指出，本研究开发的不确定性感知多目标优化框架为NZEBs-EV集成系统中RESs的稳健设计提供了系统化方法。通过显式建模电动汽车充电行为的多元统计依赖关系，研究显著提升了系统在技术、经济与环境维度上的综合性能，并验证了所提设计在不确定性条件下达成预定目标的可靠性。该研究为未来在更高EV渗透率背景下开展NZEBs能源系统规划提供了理论依据与方法支撑，同时也为将相关不确定性建模纳入建筑能源系统设计实践提供了有益参考。
