多能流耦合综合能源系统的双层优化调度模型与方法研究

《Energies》：Research on the Bi-Level Optimal Scheduling Model and Method for Integrated Energy Systems with Multi-Energy Flow Coupling Chao Shen, Boyang Qu and Tao Ren

　　

为提升集成能源零售商的（Integrated Energy Retailer, IER）市场化运营能力，并改善复杂微电网的协同性与经济效率，研究人员在电、热、气、氢多能流耦合背景下，构建了一个“上层价格优化、下层多能流调度”的双层优化模型（Bi-Level Optimization Model）。上层采用自适应粒子群优化算法（Adaptive Particle Swarm Optimization, APSO）和改进灰狼优化算法（Improved Grey Wolf Optimizer, IGWO）优化电、热价格信号；下层则基于这些信号实现协同的多能流调度。研究对比了两种算法在四种情景下的运营性能。结果表明，配备多能储能的情景3为最优自适应情景：储能充放电调节与价格引导交互作用，削峰填谷特性显著提升了系统的能源利用效率。该情景可充分释放双层优化的价值，并满足复杂多能耦合的运营需求。在算法对比中，APSO算法展现出显著优势，在上层电热价格精准调控、下层多能流平衡、总运营成本控制及收敛稳定性方面均优于IGWO算法，为综合能源系统的经济稳定运行提供了有效的技术方案。

在全球碳中和目标与可再生能源快速渗透的驱动下，传统单一电力网络正朝着电、热、气、氢多能流耦合的综合能源系统（Integrated Energy System, IES）演进。然而，现有研究在动态定价、碳交易机制与多能协调方面的集成仍不充分，尤其是缺乏同时优化电价和热价信号、协同电-热-气-氢能流、并纳入阶梯碳交易与多能储能的完全耦合双层模型。为此，研究人员在发表于《Energies》的论文中，以综合能源零售商（Integrated Energy Retailer, IER）为上层决策者，以多能系统运营商为下层响应者，构建了一个基于斯塔克尔伯格博弈（Stackelberg game）的双层优化框架。上层目标为最大化IER利润，优化内部电、热价格；下层目标为最小化用户侧总成本（包括能源购买成本、碳排放成本及弃风成本），并实现多能流（电、热、气、氢）的协调调度。研究中引入了阶梯碳交易机制（Stepped Carbon Trading Mechanism），将碳排放分五级并逐级提高碳价，以激励系统向低碳运行区间调整。通过设置四个对比场景（无碳交易+无储能、有碳交易+无储能、无碳交易+有储能、有碳交易+有储能），研究分别采用自适应粒子群优化（Adaptive Particle Swarm Optimization, APSO）和改进灰狼优化（Improved Grey Wolf Optimizer, IGWO）两种改进元启发式算法求解上层价格优化问题，并对比其在价格调控精度、多能流平衡、总成本控制及收敛稳定性方面的表现。核心结论为：场景3（无碳交易但配备多能储能）是最优运行情景，且APSO算法整体优于IGWO算法，为IES的经济稳定运行提供了可靠技术方案。

**关键技术方法**：研究采用了双层优化架构，上层通过APSO（自适应步长与随机扰动）或IGWO（自适应权重与莱维飞行（Lévy flight））算法优化电、热实时价格信号；下层综合调度含热电联产（Combined Heat and Power, CHP）机组、电解槽（Electrolyzer, EL）、甲烷化反应器（Methanation Reactor, MR）、氢燃料电池（Hydrogen Fuel Cell, HFC）、燃气锅炉（Gas-fired Boiler, GB）、风力发电及电/热/气/氢储能在内的多能源设备，并引入阶梯碳交易机制进行碳排放成本核算。研究中采用90天实测负荷与风电数据（未注明具体队列来源），设定24小时调度周期，在四个对比场景下测试算法性能。

**研究结果**：
**5.1 双算法分情景对比分析**：通过在四个场景下对APSO与IGWO算法的运行结果进行量化比较得出结论。场景1（无碳交易+无储能）中，APSO通过精准电价与热价将能源购买成本控制在19,888元，而IGWO因价格信号精度不足导致能源购买成本增加47元，且计算时间显著更长；场景2（有碳交易+无储能）中，APSO动态调整价格以抑制高碳购电，总成本16,671元，IGWO总价相近但计算时间延长43.2%；场景3（无碳交易+有储能）为最优场景，APSO通过价格引导储能充放电实现主动消纳风电，总成本仅11,152元，较IGWO的12,451元降低11.7%；场景4（全约束）中APSO总成本13,039元，IGWO高出4.2%，且计算效率和收敛稳定性均更优。综上，场景3为最优自适应情景，APSO在优化精度、计算效率和情景适应性上全面优于IGWO。

**5.2 APSO与IGWO在场景3下的收敛曲线对比**：通过绘制目标函数值随迭代次数的变化曲线得出结论。APSO在前10次迭代内快速下降并趋于稳定，归因于其自适应步长与随机扰动机制可高效探索最优解空间；IGWO下降缓慢且存在轻微波动，直至40次迭代后才稳定，表明其探索效率较低。

**5.3 电价曲线对比分析**：通过对APSO与IGWO在场景3下优化得到的内部电价曲线进行定性分析得出结论。APSO产生的电价呈步进式动态调整：高峰时段（10:00–14:00, 18:00–22:00）显著抬高，低谷时段（00:00–08:00）保持低位，与价格引导储能的逻辑高度匹配；IGWO的电价波动范围更大且调整时机滞后，导致响应成本增加，解释了其总成本较高的原因。

**5.4 APSO与IGWO在场景3下的内部热价对比**：通过对热价曲线的形态分析得出结论。APSO优化得到的热价呈步进式波动，长期维持稳定，仅在特定时间点阶梯上升；IGWO热价频繁动态波动，高低切换频繁且峰值覆盖时段更长，稳定性较差。

**5.5 多能流平衡分析**：通过绘制场景3下两种算法对应的电、热、气、氢功率平衡曲线得出结论。所有曲线均验证了双层架构中上层价格信号引导下层多能流协同的逻辑。APSO算法对应的购电、储能充放电、热输出、电解槽产氢等环节波动更小，多单元协作更精确，与“电热价格引导多模块协作”的设计目标高度一致；IGWO算法多能流波动稍大，反映其价格优化对下层调度的引导精度较弱。

**5.6 风电出力对比**：通过绘制场景3下两种算法的风电消纳曲线得出结论。APSO算法的风电实际消纳区域（绿色）更广，弃风灰色区域仅在风电高峰期少量出现，表明其电价信号有效引导储能充电和机组协调，提高了风电消纳率；IGWO算法弃风比例更高，反映了价格信号对储能和多单元调度的引导效果相对不足。

**5.7 购能协同分析**：通过绘制场景3下两种算法的购电与购气曲线得出结论。APSO算法的购电（橙色）与购气（蓝色）曲线波动趋势匹配良好，峰谷时段基本对齐，实现了“电热价格引导多能互补”的协同；IGWO算法的购电（绿色）与购气（红色）曲线波动较大且峰谷错配，增加了系统购能成本与调度复杂度。

**5.8 电解槽效率与外部氢气需求对氢能调度结果的影响分析**：通过敏感性分析（电解槽效率从65%至95%）和外部氢需求变化测试得出结论。系统总成本随电解槽效率提升呈线性下降，产氢量线性上升，表明调度结果对电解槽效率敏感；外部氢需求增加时，总成本和电解槽出力均线性上升，证明双层框架能动态调整电解槽出力以响应额外产氢任务，具备向交通、工业领域深度脱碳的可行性。

**5.9 氢能子系统的运行特性与灵活调节能力分析**：通过四个定量指标（产氢速率、能效、设备利用率、供需平衡）的24小时变化趋势进行分析。电解槽产氢率在5:00–7:00达峰值（70 kg/h），对应消纳低谷期弃风；燃料电池耗氢率在9:00–11:00达峰值（55 kg/h），匹配日间高峰用电；平均设备利用率约65%，峰值达80%；氢储能通过削峰填谷（峰平衡能力15 kg/h，谷平衡能力5 kg/h）平滑系统功率波动，保障了供能稳定性。

**5.10 关键参数敏感性分析**：通过±20%扰动电解槽效率、碳交易价格、储能容量和可再生能源出力四个参数，测试其对调度总成本的影响。结果表明，可再生能源出力为最敏感因子，是系统经济性的核心决定因素；电解槽效率次之；碳交易价格和储能容量影响相对较弱。各参数波动范围内成本变化趋势及影响排序保持稳定，验证了研究结论的稳健性。

**5.11 风电不确定性对调度成本与算法性能的影响**：通过对比80%低出力、100%基准出力和120%高出力三种情景下的调度总成本得出结论。结论1：风电出力越低，外购电量越多、总成本越高；出力越高，消纳越多、成本越低。结论2：APSO算法在所有情景中调度成本更低、优化精度和鲁棒性更强，因其能生成更精确的分时电价与热价信号来引导储能与多能流协调运行。

**总结讨论与结论翻译**：在总结部分，研究指出场景3（无碳交易+有储能）为综合能源系统的最优运行情景，储能充放电调节有效解决了风电消纳难题，为上层电价/热价优化提供了最大灵活性，充分释放了“价格信号引导多模块协调”双层框架的价值。算法对比中，改进的APSO算法（自适应步长+随机扰动）整体优于改进的IGWO算法（自适应权重+莱维飞行增强），其核心优势体现在三方面：更高的价格优化精度（产生的电价/热价呈精确阶梯波动，与负荷峰谷高度匹配）、更强的调度协同性（电、热、气、氢多能流平衡及风电消纳表现更优）、更快的计算效率与情景适应性。所提出的双层优化模型及改进APSO算法具备显著工程应用价值，可为综合能源零售商的定价决策与系统优化调度提供有效支持，提升风电消纳与系统运行经济性，适用于高氢渗透率和电力市场改革背景下的综合能源系统实际推广。结论原文翻译如下：“在情景适应性方面，场景3是综合能源系统（IES）的最优运行情景。该情景通过储能系统的充放电调节解决了风电消纳难题，为上层电价/热价优化提供了最大灵活性，充分释放了‘价格信号引导多模块协调’双层框架的价值。两种算法均在此情景下实现最优运营效益。在算法性能对比中，改进的APSO算法（自适应步长+随机扰动）整体优于改进的IGWO算法（自适应权重+莱维飞行增强）。APSO的核心优势体现在三个方面：第一，更高的价格优化精度，产生的电价/热价呈精确阶梯波动，高度匹配峰谷负荷需求，有效引导储能充放电与多能流协调；第二，更强的调度协同性，在电、热、气、氢多能流平衡、风电消纳及购能策略优化方面表现更优，多能流波动更小；第三，更好的计算效率与情景适应性，在简单约束和复杂全约束情景中均能快速收敛且稳定性强，计算时间显著短于IGWO。双层优化框架的有效性得到充分验证。上层算法产生的价格信号可有效引导下层IES实现发电/转换单元与多储能的协调调度。凭借对框架设计逻辑更高的适应性，APSO算法能更好地发挥‘上层价格优化，下层系统调度’的联动优势，为提高IES运行的经济性、稳定性和可再生能源消纳能力提供可靠技术支撑。所提出的双层优化模型与改进APSO算法具有重要的工程应用价值。该方法可为综合能源零售商的定价决策与系统优化调度提供有效支持，提高风电消纳与系统运行经济性，适用于高氢渗透率和电力市场改革背景下综合能源系统的实际实施与推广。”