分布式综合能源系统中的随机净负荷优化 - 一种基于预测的调度方法

《Smart Energy》:Stochastic net load optimization in distributed integrated energy systems - a forecast based scheduling approach

【字体: 大 中 小 】 时间:2026年02月08日 来源:Smart Energy 6.1

编辑推荐:

  跨部门(电力、供热和移动性)中分散且波动性强的生产者和消费者日益整合,给分布式能源系统带来了显著的运行挑战。本研究提出了一种系统的随机优化方法,用于基于概率净负荷(probabilistic net load)预测生成部门集成能源系统的日前运行调度方案,适用于

  
跨部门(电力、供热和移动性)中分散且波动性强的生产者和消费者日益整合,给分布式能源系统带来了显著的运行挑战。本研究提出了一种系统的随机优化方法,用于基于概率净负荷(probabilistic net load)预测生成部门集成能源系统的日前运行调度方案,适用于需要低数据量、低计算能力并支持高水平数据安全性的本地应用。所提出的方法能够在不确定性下实现更鲁棒的决策,克服了确定性点预测和优化的局限性,或对大量数据的需求。该方法通过一个物流设施的能源系统进行演示,重点关注不同日预处理频率下冷藏拖车(reefers)的电气预处理。研究概述了如何将概率净负荷预测转化为代表性场景,并在能源系统模型中作为随机净负荷输入实施。对基于场景的随机优化与三种确定性优化变体进行的比较分析凸显了所提出方法的优势。与确定性调度相比,随机方法实现了总运行成本降低高达25%,并将日峰值功率越限减少30%至66%。此外,遗憾成本(regret costs)分析表明,根据待预处理冷藏拖车数量的不同,平均日减少量在21%至69%之间,证明了在预测不确定性下增强了鲁棒性、成本效益和运行可靠性。
论文解读文章:

**研究背景与问题**
随着可再生能源的快速扩张(据国际能源署预测,到2030年全球多个地区增长将翻倍或三倍以上),分布式能源系统面临日益严峻的挑战。跨部门(电力、供热和移动性)的电气化和脱碳趋势要求能源系统集成化运行,但分散式光伏、热泵和电动汽车等波动性资源的接入,导致净负荷(net load, NL)——即负荷与可再生能源发电之间的平衡——出现显著不确定性。现有研究多依赖复杂机器学习模型和大数据,难以满足本地应用对低数据量、低计算能力和高数据安全性的需求。此外,传统确定性点预测和优化方法在不确定性下决策鲁棒性不足,而针对分布式综合能源系统(integrated distributed energy systems, DES)的随机优化研究较少,尤其缺乏以本地净负荷为核心优化变量的系统性方法。因此,研究人员提出一种基于概率净负荷预测的场景随机优化方法,旨在为DES提供低数据依赖、高安全性的日前调度方案。

**研究内容与结论**
本研究以物流设施的能源系统为案例,聚焦冷藏拖车(reefers)的电气预处理(预冷或预热)调度优化。研究人员首先利用已发表的概率净负荷预测框架生成概率密度函数(probability density functions, PDF),并开发了基于PDF和百分位约束的场景生成方法,将预测转化为100个代表性场景。随后,基于开源能源建模框架oemof.solph构建了包含随机净负荷模型、本地电网和冷藏拖车充电站的DES模型,并采用场景转换器实现随机优化。通过对比基于场景的随机优化与三种确定性变体(均值、随机、个性化标准负荷曲线PSLP)以及完美预测基准,分析了总成本和日峰值功率等关键绩效指标(key performance indicators, KPI)。研究覆盖2021年10月1日至2022年7月14日的观测期,并区分低、中、高三种冷藏拖车预处理频率。结论表明:随机优化方法在总运行成本上比确定性调度降低高达25%,日峰值功率越限减少30%至66%;遗憾成本分析显示平均日降低21%至69%,且随着预处理频率增加,优势更显著,证明该方法在预测不确定性下具有更强的鲁棒性、成本效益和运行可靠性。论文发表在《Smart Energy》。

**主要关键技术方法**
研究人员主要采用了以下关键方法:1)概率净负荷预测框架(基于[26]),利用分位数回归和非参数化方法从本地测量数据生成概率密度函数(PDF);2)场景生成方法,通过从PDF中随机抽样并应用百分位约束(5th至95th)限制功率变化,生成100个代表性场景;3)能量系统建模,使用开源框架oemof.solph构建包含净负荷、电网连接点、惩罚源和冷藏拖车的MILP模型,并引入“场景转换器”实现随机优化;4)随机优化求解,采用CBC(Coin-or Branch and Cut)求解器进行线性规划,每日循环模拟日前调度。数据来源包括本地RLM(注册电力测量)电力需求数据、模拟光伏发电数据(基于pv_lib和天气数据)以及合成冷藏拖车行程数据。

**研究结果**
**3.1 生成场景**
通过三个随机示例日,展示了100个随机场景与完美预测(实际测量数据)的对比。结果表明,场景在基荷时段(早晚)表现较好,但某些天低估了实际净负荷,反映了预测误差对场景质量的直接影响。

**3.2 优化结果**
基于KPI分析,在总成本方面,随机优化在所有冷藏拖车频率下均低于确定性变体(均值、随机、PSLP),而完美预测成本最低。成本优势主要源于更优的光伏自用效率和更低的超出120 kW功率限制的附加服务成本。在峰值功率越限方面,随机优化的越限次数比均值场景减少60%,比随机场景减少64%,比PSLP场景减少约54%;最大峰值功率也显著降低(如高频率下随机优化173 kW vs 随机213 kW)。实证累积分布函数(CDF)显示,随机优化的日峰值分布更集中在低值区域,表明调度方案更保守、更鲁棒。

**3.3 遗憾分析**
遗憾函数(与完美预测基准的偏差)评估表明,随机优化的平均日遗憾成本最低(低、中、高频率下分别为�1.3、�2.9、�4.6),而随机变体则高达�2.6、�7.4、�14.9。CDF图显示随机优化的遗憾成本分布更集中,极端值更少。日峰值遗憾分析同样表明,随机优化更频繁地达到较低峰值,且最大峰值遗憾显著低于确定性变体。随着预处理频率增加,随机优化的优势愈发明显。

**总结与讨论部分**
研究人员在结论部分指出:本研究展示了一种基于日前概率净负荷预测的随机优化方法,用于不确定性下的运行优化。通过场景生成、能量系统建模和随机优化,证明了基于场景的随机调度比确定性点预测更鲁棒、更经济。具体而言,随机变体实现了总成本降低高达25%,日峰值越限减少30%-66%,遗憾成本平均降低21%-69%。该方法展示了从本地数据收集到鲁棒优化的完整流程,适用于高数据安全性和低计算需求的应用。未来工作可扩展至多阶段随机优化、考虑更复杂场景生成(如时间相关性)、敏感性分析、多目标优化(如CO?排放)、以及纳入电池储能或电动汽车等灵活性资源。此外,定期日内更新净负荷预测和调度可进一步降低不确定性。研究局限性包括:仅针对单一DES和有限时间范围,场景生成方法及参数(100个场景、5th-95th百分位)为科学猜测,并非固定。未来可探索更复杂的场景约简方法、误差传播分析以及多阶段随机规划。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号