面向零能耗建筑社区的多载体能源系统中设备最优容量配置的双目标与随机方法

《Energy》：Bi-Objective and Stochastic Approach for Optimal Device Sizing in a Multi-Carrier Energy System for a Community of Net-Zero-Energy Buildings

　　

在不同行业中，建筑是全球最终能源消耗和CO₂排放的最大贡献者。在这方面，零能耗建筑（Net-Zero Energy Buildings, NZEBs）——定义为每年产生的可再生能源与其消耗能量相等的建筑——已成为一种有前景的解决方案。然而，确定建筑中能源系统组件的最优容量仍是一项重大挑战，因为决策者必须应对经济绩效与环境可持续性之间的权衡。为解决这一挑战，研究人员提出了一种改进的混合整数线性规划（Mixed-Integer Linear Programming, MILP）模型，用于确定集成到多载体能源系统中的NZEB社区内电气、热力和氢基设备的最优容量。问题被建模为一个双目标（bi-objective）优化模型，同时最小化经济成本和环境影响。为高效求解该问题，研究人员采用了字典序方法（lexicographic method）与增广ε-约束法（augmented ε-constraint approach）相结合，并使用模糊决策方法（fuzzy decision-making method）来确定最佳折衷方案。此外，该模型还考虑了需求响应（demand response）计划和输入数据不确定性对最优设备配置的影响。结果表明，实施需求响应策略可将从主电网购买的电力成本降低16.59%，从而有助于降低环境影响。此外，随着决策者更加关注环境问题，总投资成本增加。同时，系统中集成了更多的绿色技术，增强了系统对主电网的能源独立性。

建筑部门是全球能源消耗和CO₂排放的最大贡献者，其中零能耗建筑（NZEB）被视为减少环境影响的关键方案。然而，现有研究多聚焦于单一建筑或仅考虑电气系统，忽视多载体能源（电、热、氢）间协同，且经济与环境目标的权衡以及不确定性对设备容量的影响尚未被充分探讨。为此，研究人员提出一种改进的混合整数线性规划（MILP）模型，用于社区级多载体能源系统中NZEBs的电、热、氢设备最优容量配置。模型采用双目标优化同时最小化经济成本和环境影响，通过字典序法结合增广ε-约束法生成帕累托前沿，并由模糊决策筛选最佳折衷解。同时引入价格型需求响应（DR）和随机建模（基于正态分布生成1000个场景，经Fast Backward法缩减）以反映实际运行不确定性。四种配置（确定/随机，有/无DR）被测试，结果表明DR可使电网购电成本降低16.59%，环境权重增加则投资成本上升但系统独立性增强。该研究发表在《Energy》期刊上，为社区级多载体能源规划提供了全面的决策框架。

关键技术方法包括：① 建立统一的MILP模型，覆盖电、热、氢设备，并通过Big-M法将原MINLP线性化以保证可解性；② 双目标求解策略：字典序化确定目标范围，增广ε-约束法生成完整帕累托边界，模糊决策法（线性隶属函数）选出最佳折衷；③ 随机建模：对负荷、风电、太阳辐射假设正态分布（标准差分别为预测值的0.1、0.05、0.05），生成1000个场景并用Fast Backward法缩减至5~20个；④ 需求响应模型：采用价格型可转移负荷，每日最大参与比例10%，转移量受上下限约束且总能量不变。所有模型在GAMS 24.1.2中求解，并与粒子群优化（PSO）和遗传算法（GA）对比验证。

**Case 1：单目标（无需求响应）**
仅考虑经济目标（F1），采用确定型MILP模型。结果表明最优总成本为358,202.793 $/年，电力主要来自可再生能源（光伏PV和风电WT），满足零能耗约束（年购电≤售电）。计算时间仅1.245秒。设备选择包括：电热泵（EHP）250 kW、PV 10000 m²、WT 800 kW、吸收式制冷机（ACH）200 kW、太阳能集热器（ST）3000 m²。无储能系统被采用。

**Case 2：单目标（有需求响应）**
引入DR后，总投资成本不变（403,544.287 $/年），但购电成本降低16.59%（从93,900.272降至78,319.111 $/年），总成本下降2.16%（至350,458.153 $/年）。结论：DR通过将负荷转移至低价时段，有效降低系统运行成本。

**Case 3：双目标（确定型）**
同时优化经济成本和环境影响（生命周期评价LCA），采用字典序+增广ε-约束法生成49个帕累托解。等权重下最佳折衷（迭代25）总成本385,019.717 $/年，购电成本较Case 1和Case 2分别降低60.23%和52.32%，但设备投资增加7.4%和9.86%。储能设备（BSS 600 kWh、TES 600 kWh）被采用，氢能设备在后期迭代（44以后）出现。随环境权重增加，系统趋向完全自主运行（最终迭代购售电为零），但可能产生未满足负荷（ELF夏季0.005、秋季0.017）。

**Case 4：随机方法**
考虑不确定性，采用随机单目标优化。总成本高于确定型（如20场景下354,711.914 $/年 vs Case 2的350,458.153 $/年），因需更大容量或额外购电。随着场景数从5增至20，计算时间上升（93.66→842.21秒），但成本略降（更准确）。设备选择中，EHP在春/夏提供制冷（替代ACH），秋/冬供热；热需求由ST和TES满足。氢能设备未被采用。

**比较分析（Metaheuristic方法）**
所提MILP模型在Cases 1、2、4中均取得更低总成本和更短计算时间，优于PSO和GA。PSO收敛性优于GA，但随问题规模增大其时间增加更多（如20场景下PSO 3596秒 vs GA 2745秒）。

讨论部分：双目标模型中，环境权重增加导致成本上升但电网依赖下降，储能和氢能设备成为高环境偏好下的关键选项；随机模型凸显了不确定性对容量设计的负面影响，场景数需在精度与计算间权衡；社区级协同降低了单个建筑成本，体现了多载体能源规划的价值。

研究结论总结：本研究提出了针对社区级零能耗建筑（NZEBs）多载体能源系统中电、热、氢设备最优容量配置的优化框架。考察了四种配置（确定/随机，有/无需求响应DR）。结果表明，实施DR通过将负荷转移至非高峰时段，有效降低了购电成本和系统总成本。在双目标模型中，通过生命周期评价评估的电网购电环境影响被作为第二个目标，采用增广ε-约束法结合字典序策略生成完整帕累托最优解集，并由模糊决策程序确定最佳折衷配置。随着环境优先级的提升，系统成本因更多清洁技术的采用而上升，但系统对上级电网的依赖相应降低。随机单目标模型的总成本高于确定型，是因为需更大安装容量或额外购电以确保所有场景的可行性，且场景数增加显著提高计算复杂度。最后，结果证实社区级NZEBs之间的合作降低了单个业主的成本并释放了额外经济效益，强化了协调多载体能源规划的价值。未来工作将探索基于分解的方法以进一步降低计算负担。