一种考虑温度因素的交互式能量优化模型，用于可持续的半透明光伏集成温室管理：基于两阶段区间分析的方法

《ENERGY CONVERSION AND MANAGEMENT》：A temperature-aware transactive energy optimization model for sustainable semi-transparent photovoltaic (STPV)-integrated greenhouse management: a two-stage interval-analysis approach

　　莫斯塔法·沙巴尼安-普德赫|法尔津·戈尔扎尔|雷扎·基亚|索布汉·多拉哈基|米阿德雷扎·沙菲-卡赫|SM穆因爱尔兰都柏林Nowocert研究与创新部门摘要随着能源系统向更智能、更可持续的方向发展，在卡塔尔这样的干旱气候条件下，要实现半透明光伏温室的高效运行，就需要对能源调度、电池寿命以及针对不同作物的温度控制进行综合管理。环境温度会显著影响作物生长，同时也会直接影响那些需要频繁充放电的电池储能系统的长期性能和使用寿命。为了解决这些问题，本文提出了一种基于区间分析的优化模型，该模型以混合整数线性规划的形式构建，旨在最大化半透明光伏温室的日利润。该模型包含了各种电池管理约束条件，以延长电池寿命，同时还详细建模了来自温室墙壁和屋顶的光伏发电情况。此外，本文还提出了一种新的热模型，该模型考虑了热惯性以及太阳辐射对温室内部温度的影响，从而能够更真实地模拟与逆变器式暖通空调系统相结合的温室环境。另外，本文还引入了一种新的农业温度稳定性指数，该指数结合了统计指标和特定作物的农业需求，可根据不同作物的要求进行定制。研究采用了卡塔尔的日常环境和技术数据，以提高模型的真实性。通过多种案例和不同作物类型的模拟，以及对关键输入参数的敏感性分析，进一步评估了该模型对电池寿命和长期经济性能的影响。研究结果表明，对于番茄种植而言，考虑电池充电状态的运行方式可使电池退化成本降低6.6%，从170.12美元降至158.83美元，不过电网交易成本则从0.5224千美元上升到了0.8327千美元，这体现了在保持电池寿命与降低短期运营成本之间的权衡。此外，逆变器式暖通空调系统通过将农业温度稳定性指数提高到0.964，相比传统恒温器控制的系统，其带来的作物温度稳定性提升更为明显。1. 引言1.1 背景与动机近年来，由于对种植方式及可持续食品供应的关注，现代温室得到了更广泛的应用。其中，半透明光伏温室因其兼具食品生产功能而尤为突出[1]。尽管这类温室在设计上具有诸多优势，但其技术经济性能以及针对不同作物的管理方式仍然存在诸多挑战。由于半透明光伏温室的结构和材料具有透明度，且墙壁和屋顶通常较薄，其内部温度很容易受到太阳辐射带来的热量影响。在卡塔尔这样的极端炎热地区，环境温度可高达50摄氏度，这一问题更为严重[2]，在这样的条件下，维持适宜的内部温度变得十分困难，尤其是考虑到半透明光伏温室还应该实现能源自给，甚至向主电网输送多余的电力[3][4]。为实现这一目标，一个重大挑战便是电力生成的巨大波动性，如图1所示，这进一步增加了温室管理的难度[5]。一种常用的解决方案是使用电池储能系统，在电力过剩时充电，电力不足时放电，以此平滑半透明光伏系统的电力输出。然而，这种方法需要大量的投资成本，而延长电池寿命对于提高系统的净现值至关重要[6]。为此，必须全面考虑电池储能系统的运行参数，尤其是电池的充电状态和放电深度。下载：下载高分辨率图片（351KB）下载：下载完整尺寸图片图1. 半透明光伏温室的传热原理以及其每5分钟一次的电力生成情况。除了上述挑战之外，半透明光伏温室的热特性在技术经济规划研究中往往被忽视。在卡塔尔这样的干旱气候条件下，环境温度很可能是导致室内温度不稳定的最主要因素[7]。虽然太阳辐射有助于发电，但它同时也带来了大量的辐射热，进一步增加了热应力。再加上温室本身具有热惯性，使得降温过程变得缓慢，而传导和对流热则进一步加剧了这一问题。因此，如果加热、通风和空调系统不能协调运作，就可能会消耗不必要的能源，迫使电池更加频繁地充放电，最终影响到“净零”设计理念的实现。此外，温度作为确保作物稳定生长的关键因素，必须经过仔细评估，以便为管理提供依据，从而支持可持续的食品生产。目前，已有研究提出了优化半透明光伏温室运行的方法，但大多数方法都是以简化或部分分离的方式处理能源系统和农业系统。尤其是电池储能系统的运行，往往只通过简单的充放电约束来表示，而电池的充电状态限制、放电深度相关的循环行为以及电池退化成本等因素则没有被充分纳入温室调度问题中。同样，半透明光伏温室的热行为也常常被简化或忽略，尽管在干旱气候条件下，室内温度会受到太阳热量、环境温度变化、热惯性以及暖通空调系统运行的强烈影响。这些简化做法限制了现有模型捕捉可再生能源发电、电池寿命、冷却需求、电网交易以及不同作物温度需求之间相互作用的能力。因此，需要一个更为真实且易于处理的优化框架，能够在考虑不确定性的交易型能源模型中，同时协调考虑电池充电状态/放电深度的电池储能系统运行、考虑温度因素的温室热动态以及基于逆变器的暖通空调控制。接下来，本章将回顾现有文献，更系统地找出这些不足之处，并阐述本研究的贡献。1.2 文献综述本章的文献综述是逐步展开的，从涉及可再生能源资源的广义能源管理研究开始，逐步过渡到更为具体的温室管理模型。随后，又介绍了在基于可再生能源的系统中以及温室应用中电池储能系统的整合与运行策略。这样的结构有助于将所分析的研究从一般研究领域逐步过渡到本研究的具体范畴。最近的研究致力于开发优化和控制策略，以提升温室和微电网环境中的能源管理效率。有一些研究探讨了基于模型或启发式的优化框架，旨在在保持最佳生长条件的同时减少能源消耗。例如，有一种针对温室微电网的多目标智能能源管理系统，通过基于椭圆的超参数优化方法，减少了电网能源的使用量，在某些条件下，其效果比传统的能源管理系统好50%以上[8]。类似地，还有一种基于模型预测控制的协同优化框架，用于协调包含多个智能温室的微电网集群，在满足运行约束的前提下，优化电力交换和微气候调控[9]。优化方法也被应用于混合能源收集系统，其中量子隧穿粒子群优化技术提升了基于光伏-整流天线系统的能量收集效率，其效果优于早期的随机粒子群优化方法[10]。在更宏观的系统层面，人们开发了综合农业-能源模型，将这些模型与温室的环境调控装置以及天气变化联系起来，利用基于机器学习的不确定性分析方法实现精准调控，从而实现了高达66.9%的可再生能源节约率，并提高了作物产量[11]。此外，参考文献[12]提出了一种多目标智能家居和需求响应优化框架，该框架适用于集成可再生能源和能源存储系统的智能家居，旨在在分时电价制度下，最小化日常用电成本以及峰谷电价差，同时实现最优的电网购电/售电计划。与此同时，数据驱动和人工智能技术也为智能温室系统中的气候控制和可再生能源利用带来了显著效益。基于物联网的优化方案被提出，旨在同时减少能源消耗并维持理想的温室环境温度，通过实际环境数据的实验验证，这类方案可实现超过26%的能源节省率[13]。深度强化学习也与鲁棒优化相结合，形成了能够从历史气候数据中学习经验的智能温室控制器，其能源消耗量比现有的先进控制方法低57%[14]。除了单个温室的控制之外，那些包含光伏温室的农村规模综合能源系统还整合了农业气象模型和能源模型，共同优化照明、供暖以及能源网络流量，从而为大规模设施带来显著的成本节约效果[15]。此外，人们还研究了整体系统的设计-运行框架，例如用于带有热储存功能的太阳能热系统的线性多目标优化方法，该方法能在不同的碳减排政策下确定最优配置，通过联合调整尺寸和运行策略，大幅降低二氧化碳排放量[16]。参考文献[17]则提出了一种基于启发式的优化和能源管理策略，该策略适用于集成风能、光伏、柴油发电机和电池储能系统的混合住宅微电网，旨在在负荷和可再生能源发电情况不断变化的情况下，最小化总投资成本，同时实现各组件的高效调度。最近的研究强调了通过集成可再生能源系统来提升温室可持续性的先进优化和智能控制策略。人们采用了改进的元启发式算法和经济建模方法，针对半透明光伏温室进行了优化研究，确定了最佳的光伏覆盖比例和电池储能容量，同时满足了不同作物对每日光照强度的要求[18]，并且研究表明，引入电池储能系统能够显著提升温室的季节性能源自给能力[19]。详细的辐照度建模结果还表明，温室的设计会对半透明光伏系统的性能产生重要影响，通常情况下，安装在墙面的光伏板在全年总发电量方面表现优于安装在屋顶上的系统[20]。在这项研究中，结合被动辐射冷却技术和半透明光伏材料的多目标优化方法，能够在不同的光照条件下实现显著的净能源节约效果[20]。与这些以设计为导向的方法相辅相成的是，模型预测控制框架能够根据专家制定的优先级，协调控制温室的环境调控装置和分布式能源资源，从而在各种季节条件下实现精确的环境调控和高效的可再生能源调度[21]。另外，参考文献[22]研究了一种混合可再生能源温室暖通空调系统，该系统整合了地热交换、热泵运行以及多级风门控制策略，旨在提升寒冷气候条件下温室农业的能源效率和社会可持续性。该研究比较了不同种类的聚乙烯覆盖材料，评估了供暖/制冷的能源需求，同时还分析了系统的发电量、每月能源消耗、运行成本以及整体系统性能。近年来，能源系统优化领域越来越重视不确定性管理以及如何在混合可再生能源电站、微电网和社区规模能源网络中实现电池的最佳利用。有一些研究提出了整合预测、优化以及风险意识决策的框架，旨在提高在可再生能源发电量波动情况下电池储能系统的可靠性。例如，有一种可再生能源管理系统，它结合了深度神经网络预测技术和加权更新机制，不仅能够减少能源浪费，还能确保在面对动态的功率调节要求时仍能遵守相关标准，同时还能为风能和太阳能混合发电系统确定最优的电池储能系统规模[23]。鲁棒优化方法通过引入电气灵活性约束和排放限制，提升了能源系统的抗风险能力，在最恶劣的条件下，系统的平均自给率也能达到76%以上[24]。在更大规模的系统中，集成电力-天然气系统采用了混合整数线性规划模型以及基于风险的优化技术，用于应对光伏和风能发电过程中的不确定性，同时协调好提前一天的电力交易安排[25]。多阶段调度模型则进一步利用了交易型和非交易型微电网，提升了在提前一天规划以及实时市场中的灵活性，从而使系统的抗风险能力提升了53%以上[26]。在微电网中，采用改进的灰狼算法进行两阶段优化，并在可再生能源供应不确定的情况下合理规划资产布局，这样不仅能提升系统的承载能力近24%，还能降低运营成本超过56%[27]。总体而言，这些方法都证明了，在考虑不确定性的优化策略以及电池储能系统之间的协同作用，对于提升电网的可持续性、经济性能以及可再生能源的普及程度具有重要意义。与此同时，还有研究强调了优化暖通空调系统的重要性，因为在住宅、商业建筑以及微电网中，暖通空调系统往往是能源消耗的主要来源。分布式交易型能源系统被用于协调多个家庭中的暖通空调系统和电池运行，通过实现保护用户隐私的能源交易方式，不仅降低了峰值负荷，还将用户的用电成本平均降低了23%[28]。类似地，多层能源管理架构则利用基于剩余能量的共识算法，根据太阳能发电预测结果，共同规划暖通空调系统的负荷和电池储能系统的运行，从而在可再生能源发电量较高的时段，既降低了用户的不适感，又最大限度地提升了可再生能源的利用效率[29]。在家庭层面的能源管理系统中，通过基于线性规划的方法，对灵活负荷、光伏发电以及能源存储系统进行调度，结合分时电价制度，可以最佳地协调暖通空调系统的运行与太阳能发电以及电池的充放电周期，从而大幅降低日常用电费用[30]。综上所述，表1总结了以往研究中的各项创新点以及本文所提出的模型之间的对比情况。表1. 本文提出的模型与以往研究的对比情况。参考文献|优化类型|考虑的不确定性因素|电池储能系统模型|半透明光伏系统细节|热模型|农业相关指标|基于逆变器的暖通空调系统|目标函数RES|需求|价格|电池充电状态|放电深度[7]|成本|?|?|?|?|?|?|?|?|?|?|?[8]|成本|?|?|?|?|?|?|?|?|?|?[9]|成本|MPC|?|?|?|?|?|?|?|?|?[10]|成本|?|?|?|?|?|?|?|?|?|?[11]|成本|LP|?|?|?|?|?|?|?|?|?[13]|利润|MILP|?|?|?|?|?|?|?|?|?[14]|成本|MILP|?|?|?|?|?|?|?|?|?[16]|利润|MILP|?|?|?|?|?|?|?|?|?[18]|成本|启发式方法|?|?|?|?|?|?|?|?|?|?[19]|成本|启发式方法|?|?|?|?|?|?|?|?|?[20]|成本|启发式方法|?|?|?|?|?|?|?|?|?[21]|成本|启发式方法|?|?|?|?|?|?|?|?|?[25]|风险|MILP|?|?|?|?|?|?|?|?|?[29]|成本|MILP|?|?|?|?|?|?|?|?|?|我们的模型|利润|MILP|?|?|?|?|?|?|?|?|?AT：环境温度，LP：线性规划，MPC：模型预测控制，SOC：电池充电状态管理，RES：可再生能源，Deg：充电/放电。根据表1可知，近年来的研究大多侧重于基于成本的半透明光伏温室优化，而对于构建能够准确描述这类系统温度变化的完整热模型，则关注较少，甚至完全没有涉及。此外，针对STPV温室中电池运行与室内温度调节及逆变式暖通空调控制相协调的场景，考虑电池退化的BESS建模——包括对与退化相关的约束条件的详细构建与重新构建——至今尚未得到充分研究。此外，本文提出的两阶段区间分析求解方法专门为温室运营设计，它在兼顾成本与温度约束的调度框架下，同时处理可再生能源发电、环境温度、需求以及能源价格等方面的不确定性。除了能源管理方面，本文还引入了一种新的农业指标，为温室所有者提供可解释的标准，用于监测、比较并在不同运营条件下逐步评估特定作物的种植质量。

1.3 研究空白与贡献
尽管在STPV系统的能源管理、BESS运行以及暖通空调协同方面已取得相当进展，但仍有诸多需要实际可行解决方案的重大研究空白。主要 Identified的空白如下：
空白1：如[18][21]等研究将BESS视为提升运营效率、平滑STPV发电量的手段，但忽略了温室环境特有的电池荷电状态管理以及剩余电量相关的能量变化问题。
空白2：目前尚未建立能够全面且易于应用的STPV温室热模型，该模型需考虑太阳辐射影响、环境温度作用以及室内热惯性，以支撑暖通空调的协同控制。此外，越来越多被应用于温室种植的逆变式暖通空调系统也未被纳入考量。
空白3：现有的STPV温室能源管理模型，如[19][20]，主要侧重经济性评估，而忽视了对农业生产性能的影响。

为填补这些研究空白，本文提出了一种面向STPV集成温室的温度感知型交易式能源优化框架。其方法创新之处不仅在于将BESS、暖通空调、STPV发电以及作物约束条件相结合，更在于将它们的协同运行构建在两阶段区间分析MILP结构中，该结构明确关联了基于不确定性意识的能源交易、电池退化管理、温室热动态特性以及针对特定作物的热质量评估。主要贡献总结如下：
为解决空白1，本文建立了BESS运行模型，将该模型的充放电状态、荷电状态限制、与剩余电量相关的累积能量变化以及退化成本直接纳入每日交易调度问题中。通过线性化约束对非线性的退化相关项进行重新构建，使得该模型仍可作为MILP问题进行高效计算。
为解决空白2，本文提出了线性温室热模型，该模型能够体现环境温度、太阳辐射、热惯性以及暖通空调制冷作用对室内温度的影响。与简化的温度惩罚方法[29]不同，所提出的模型通过两阶段区间分析结构，在不确定的运营条件下，直接将逆变式暖通空调的功率水平与STPV发电、电网交易以及BESS运行相协调。
为解决空白3，本文提出了一种新的ATSI指标，用于评估STPV温室种植的日常运行情况。该指标可根据不同作物进行调整，从而支持针对特定作物的评估。需要明确的是，所提出的ATSI并非用于替代优化目标中的温度偏差惩罚项，而是作为可解释的农业评估层对其加以补充。传统的温度偏差指标仅能量化偏离预设范围的绝对值或货币价值，却无法区分相同偏差对不同作物的影响程度是严重还是可接受。ATSI通过根据作物的耐受范围对偏离值进行归一化处理，将原始的热偏差转化为标准化的种植质量评分。因此，即使两种温室的偏差成本相似，若所种植作物的热敏感度不同，其ATSI数值也可能存在差异。这一特点使得ATSI在作物选择、控制策略对比，以及以更直接与农业适用性相关的形式向温室经营者传达热性能信息方面具有实用价值。数值结果也体现了这一点：在相同的运营场景下，不同作物会呈现不同的ATSI数值，表明该指标能够捕捉到超出简单温度偏差成本之外的、与作物相关的热稳定性差异。

为提升所提模型的现实性，本文采用区间分析方法，将上游能源价格、设施的用电需求、微型风力发电机的发电量、环境温度以及温室墙壁和屋顶的发电量等相关的不确定性因素纳入模型考量。据此，该模型被分解为一个主问题以及多个相应的子问题。这些子问题通过最优情况与最坏情况问题迭代求解，从而确保整体运营模型在面对不确定性时仍具有鲁棒性，同时由BESS负责缓解极端运营条件带来的影响。

1.4 论文结构
第2节介绍整体运营模型，并阐述其应用依据及主要假设。第3节描述数学模型及其向线性形式的转换过程。第4节详细介绍模型的分解方法，以及如何通过最优情况与最坏情况问题来求解该模型。第5节展示各类场景下的数值结果、相关评估以及敏感性分析。最后，第6节对全文进行总结。

2 提出的模型概述
本节将对BESS退化问题以及STPV温室热建模的相关核心设计理念、基础假设及实际应用要点进行深入阐述。为此，本节分为三个部分：1）BESS退化问题；2）STPV温室热建模；3）整个研究的总体构想。

2.1 STPV温室的BESS退化管理
如前所述，BESS在降低可再生能源发电波动性以及负荷曲线突变所带来的风险方面发挥着关键作用，而从运营方的视角来看，这两种情况都属于极端运营条件。在STPV集成温室中，发电并非仅仅为了满足用电需求，首要目标是将室内环境维持在适合特定作物生长的理想范围内。这种不断变化的工况要求BESS根据能量过剩或不足的情况频繁充放电。然而，如此频繁的循环会缩短电池寿命，从而给温室和电网带来长期的运营难题。虽然提高BESS的利用率可以降低短期电力成本，但同时也会加速电池老化，进而增加更换成本。如果不在日常运营中纳入明确的荷电状态与剩余电量管理措施，BESS的退化速度将进一步加快，导致过高的投资需求[31]。尽管有一些研究，如[18]，已经将退化成本纳入STPV温室的运营考量，但全面的BESS管理策略依然大多被忽视。

BESS的寿命在很大程度上取决于其剩余电量，该参数反映了电池已释放的额定容量比例。如图2(a)所示，应避免深度放电和过度充电，因为这两者都会导致电池运行不稳定。图2(b)表明，随着剩余电量的增加，电池的循环寿命呈指数级下降：在浅度放电状态下（<20%），电池的循环次数可超过105次，而深度放电状态下（>80%），电池寿命则降至103次以下[31]。这凸显出维持最佳剩余电量水平对于延长资产使用寿命、降低更换成本的重要性，尤其是在那些面临可再生能源发电波动较大以及环境温度较高的地区，比如卡塔尔。图2(c)进一步展示了电池荷电状态与端电压之间的非线性关系。随着荷电状态下降，端电压逐渐降低，当荷电状态降至约30%以下时，电压下降更为明显。在适中的荷电状态范围内（30–90%）运行，有助于保持电压稳定、提升往返效率并减缓电池退化。这些观察结果强调了在所提出的框架中实施考虑荷电状态与剩余电量的调度策略的必要性，以此平衡可再生能源的波动性、保护电池健康，并持续维持理想的室内环境。

下载：下载高分辨率图片（283KB）
下载：下载全尺寸图片
图2. （a）BESS推荐的荷电状态范围，（b）剩余电量对电池循环寿命的影响，以及（c）荷电状态对BESS电压状况的影响[31]

2.2 STPV温室的热模型
要实现对STPV温室室内温度的精准控制，就需要一个全面且易于处理的熱模型，才能获得实用的优化结果。STPV温室内的瞬态热行为可通过对空气体积应用基本能量守恒定律来推导。在微分层面，温室被视为一个三维区域（Ω?R3），具有体积V和边界Γ。在区域内的任意点x∈Ω处，局部能量守恒方程为：
(1) ρaircp,air?θ(x,t)?t+ρaircp,airv(x,t)·?θ(x,t)=?·keff?θ(x,t)+qsol(x,t)+qHVAC(x,t)+qint(x,t)
其中，ρaircp,air?θ?t项代表热惯性，ρaircp,airv·?θ项代表温室内的空气流动，而?·keff?θ项则表示通过温室空气的湍流和结构热传导。此外，qsol、qHVAC和qint分别代表吸收的太阳能、暖通空调输入的能量，以及与植物、土壤和结构之间的内部热交换能量。

为了得到具有物理意义的温室整体模型，需对上述方程在整个温室空气体积范围内进行积分。应用散度定理后，表面热通量可转化为边界积分，这些积分代表了通过玻璃幕墙、STPV面板、结构元件以及泄漏路径的传导/对流热传递。由此得到的积分形式为：
(2) ddt∫Vρaircp,airθdV=∮Γ-keff?θ·n+hio(θout-θs)dA+∫V(qsol+qHVAC+qint)dV
该方程涵盖了温室围护结构两侧的所有热交换以及所有内部热源产生的热量。

在本研究中，为构建一个全面且易于处理的熱模型，以实现BESS、暖通空调与STPV发电之间的温度感知型最优协同控制，我们做出了以下假设：
• 室内空气充分混合：假设温室内的空气温度在空间上均匀分布，因此可以将完整的3D热场θ(x,t)简化为单一状态θin(t)。这一假设在相关研究中被广泛采用，包括[32][33]。
• 围护结构热传递简化为集总形式：通过温室围护结构的所有传导、对流以及渗透式热交换都用一个整体的热阻来表示。此前已有多项研究在温度控制和暖通空调协同领域采用了这一假设[32][33]。
• 热物理性质恒定且增益系数线性化：假设空气密度和比热容保持不变，同时认为太阳能和暖通空调输入的能量在空气体积内均匀分布[28][29]。

接下来的一节将推导出完整的温室热模型。

备注1：本研究中所采用的假设，对于短期运营调度这一目标而言是可行的，其核心是通过代表性的平均室内温度，协调BESS的调度、电网交易以及逆变式暖通空调的运行。在以系统级控制而非空间微气候分析为重点的研究中，充分混合的空气假设、集总热阻以及恒定的热物理性质被广泛应用于温室能量平衡模型和集总电容模型中[32][34]。当暖通空调的运行以及室内空气的循环能够实现充分混合，使得平均室内温度成为合适的控制变量时，这些假设的合理性会进一步提升。虽然在大型温室或通风条件较差的温室中可能存在空间温度梯度，但当研究的主要目标是分析局部气流、传感器布置或不同区域的温度分布时，才需要进行基于详细计算流体力学的分析[35]。

2.3 所提模型的概述
为清晰呈现整体架构，所提出的框架被划分为两个层次：管理层和物理层，如图3所示。
下载：下载高分辨率图片（488KB）
下载：下载全尺寸图片
图3. 所提出的分层式物理层与管理层架构

在物理层中，系统由STPV温室及其配套的BESS组成。太阳辐射和环境温度会带来热应力，而逆变式暖通空调则负责将室内温度维持在理想范围内。暖通空调的能耗由STPV发电提供支持，同时BESS则可缓冲由于太阳辐射和温度变化所导致的能量波动。为减少电池退化并延长其使用寿命，所提模型引入了荷电状态和剩余电量约束条件。该系统还会满足当地的用电需求，并通过出售多余的电能或在电力不足时购买电力，与上游电网进行能源交易。这种与电网的互动提升了系统的可靠性与经济性，而管理层则负责协调这些物理层面的运行活动与市场层面的操作。

管理层包含用于在各种不确定参数存在的情况下做出最优决策的优化机制。首先需要识别这些不确定参数，在本研究中，这些参数包括：1）用电需求，2）环境温度，3）STPV发电量，4）微型风力发电机的发电量，随后通过区间分析方法对这些参数进行建模。区间分析是一种适用于短期运营的有效方法，因为它只需对关键输入参数设定范围即可体现不确定性，无需构建完整的概率分布或大量的场景模型，而后者在短期预测中难以构建和维护。与基于场景的优化方法相比，区间分析避免了组合爆炸问题，因此在解决运营优化问题时速度更快、应用也更简便。此外，与常常会导致过于保守的最坏情况调度方案的稳健优化相比，区间分析能够为系统变量提供明确的上下界，从而使运营者能够了解在最佳情况、最坏情况以及确定情况下的结果，进而理解不确定性对其环境的影响。在本研究中，“交易型能源”这一术语指的是STPV温室与上游电网之间基于价格进行的能源交易协调。所提出的模型是从集中式工厂运营商或聚合商的角度来构建的，这类运营商会优化在电力购买、销售、BESS运行以及HVAC需求方面的决策。因此，该框架并不体现点对点的协商或去中心化的市场清算机制，而是采用了一种集中式的交易型能源结构，这种结构通常用于能源管理者根据经济信号和技术约束来协调与电网的互动交易。考虑到本文中采用区间分析对不确定性进行建模的通用模型，问题(3)–(5)可表示为：(3)MaxΨ±=C±X±(4)s.tA±X±?B±∈[B-,B+](5)X±?0其中A±∈[A-,A+]，B±∈[B-,B+]，此时可以定义Ψ=X|AX?B,X?0，Ψ-=X|A+X?B-,X?0，Ψ+=X|A-X?B+,X?0，由此可得Ψ+?Ψ?Ψ-。在此意义上，Ψ+代表最佳情况，Ψ-代表最坏情况，而Ψ则是区间分析得出的解。因此，通过适当的求解算法，运营者可以通过区间分析方法获得这三种类型的解。2.4. 最优化模型2.4.1. 目标函数方程(6)中所给出的函数用于计算总利润，其中包含了向电网出售剩余电力的收入(CGrid)以及与工厂各部分相关的成本(C[.])。方程(7)用于描述与上游电网之间的能源交易，方程(8)、(9)则分别通过CO&M,[.]来表述风力发电机和STPV装置的维护与运行成本。BESS的总损耗成本则体现在方程(10)中，而不理想的室内温度所带来的成本则在方程(11)中得以计算[30]。(6)MaxOF=CGrid-CWind+CSTPV+CBESS+CTemp其中，(7)CGrid=∑t=1TΔtCtSurPtSur-CtDefPtDef(8)CWind=∑t=1TΔt∑w=1NwCO&M,WPw,tWind(9)CSTPV=∑t=1TΔt∑p=1NpCO&M,PPp,tSTPV(10)CBESS=∑t=1TΔt∑b=1NbCb,tDeg(11)CTemp=∑t=1TΔtDVtup+DVtDownμCrop在这些方程中，Δt表示每个时间间隔的持续时间，而μCrop则表示由于温度偏离作物所需范围而产生的、与温度相关的经济价值[36]、[37]。设定这种针对特定作物的数值，是因为不同作物对室内温度变化的敏感度存在差异。目标函数(6)既包含了与能源相关的成本，也包含了作物保护方面的惩罚项。STPV的运维成本(CO&M,P)以及风力发电机的运维成本(CO&M,W)则涵盖了清洁、检查、逆变器维护以及常规保养等非燃料类运营支出[38]。温度偏差成本则是针对室内温度超出理想范围而设定的、针对特定作物的惩罚项，它将温度偏离理想范围的幅度转化为可能影响产量或品质的经济损失。2.4.2. 交易型能源与平衡约束为了对方程(6)进行优化，工厂与上游电网之间的能源交易必须遵循一定的限制条件。与上游电网之间的能源交易在方程(12)-(14)中有详细阐述，这些方程确保了在同一时间间隔t内不能同时进行能源的买入和卖出操作。此外，方程(15)则保证了所有时间段内的能量平衡。(12)0?PtSur?ξtM:?t∈T(13)0?PtDef?(1-ξt)M:?t∈T(14)ξt∈0,1:?t∈T(15)∑p∈ΩPPPp,tSTPV+∑w∈ΩWWPw,tWind+PtDef=∑b∈ΩBBPb,tBESS+PtSur+PtDem+PtHVAC:?t∈T2.4.3. STPV与风力微型涡轮机的发电能力如图3所示，STPV温室与风力微型涡轮机被整合为一个整体装置。风力涡轮机根据每小时的风速所产生的功率可通过方程(16)来表示。此外，STPV系统的各个部分，包括屋顶、东墙、西墙、南墙和北墙所产生的总功率则由方程(17)给出。方程(18)指出，每个部分所产生的功率取决于辐照强度(Gse,t)、该部分的表面积(Asesur)以及其效率(??seRef)，而后者的值又会受到该部分温度(Tse,t)的影响。(16)Pw,tWind=0,vt< />< />如图所示，所提出的优化问题的第一阶段是最大化温室植物的利润，并确定该设施中BESS的最佳SOC上下限。这一阶段的主要目的是根据温室的热模型，为内部温度的优化调节确定最佳的SOC范围。换言之，需优化这一范围，以便为设施内的暖通空调系统提供能源，同时从整体角度将多余的能源出售给电网。在第二阶段，基于确定的SOC范围，在最佳情况和最坏情况的不确定性条件下制定未来一小时的调度计划。如此即可确定BESS的最佳充放电策略。在需求高峰期，BESS的运行受到热需求和电池状态管理的双重限制，从而导致在案例3和4中电网依赖度上升以及运营成本增加。需要指出的是，由于没有热辐射且受热惯性影响，暖通空调系统仅在环境条件与辐射强度较大的时段才会启动。在这些时段之外，室内温度仍处于理想范围，无需启动暖通空调系统。4.2.4. 价格结果本节展示了该设施与上游电网连接点处的实际价格。这一价格是通过方程（15）的边际值计算得出的，具体方法是先求解模型，固定二元变量后再重新求解模型。之所以需要固定二元变量，是因为模型的混合整数结构会破坏产生有意义对偶值所需的连续性和凸性；一旦确定了二元决策，所得到的连续线性子问题就能产生有效的边际成本或地点边际价格，这些价格反映了在选定运行计划下提供额外一单位电力所带来的真实经济成本。图13展示了四种情况下的这些价格。下载：下载高分辨率图像（324KB）下载：下载全尺寸图像图13. 所有情况下设施与电网连接点的实际价格。图中所示的地点边际价格代表了能量平衡方程的对偶变量，反映了在给定运行约束下每个时间步长的电力影子价格。从经济角度而言，这些地点边际价格体现了在尊重所研究系统的物理和技术限制的前提下，提供额外一单位电力所产生的边际成本。在案例1和2中，由于没有热与暖通空调方面的约束，地点边际价格大致跟随外部市场价格走势，但当电池约束开始起作用时，就会出现明显偏差。例如，LMP1略低于LMP2，这是由于案例2中的电池状态管理限制，该限制降低了BESS的放电能力，进而减少了储存能源的机会成本，因此在可再生能源发电量高的时段，本地边际价格会被压低。尤其是在电价较高的时段，电力输出变量往往会被激活或设置上限，此时地点边际价格等于销售价格减去输出限制的影子价格（或者在没有交易机会时介于买入价和卖出价之间），这使得即使是在没有网络的单节点系统中，节点地点边际价格也会系统性低于价格曲线。在案例3和4中引入热与暖通空调约束后，价格形成机制发生了根本性变化。这些案例中的地点边际价格不再跟随市场价格波动，而是受到暖通空调的电力需求、BESS的有限灵活性以及可再生能源发电情况共同影响的驱动。从经济角度看，这在17、25、30、38、44这几个时间区间内导致了明显的价格飙升，因为满足额外的暖通空调负荷的边际成本可能远远高于市场价格，这表明当地存在严重的供应短缺。相比案例3，案例4中出现的价格峰值更高，这体现了电池状态管理对价格波动的叠加效应。因此，通过限制BESS的套利能力，系统的灵活性进一步降低，使得在热应力时段平衡能源的边际成本上升。这些升高的地点边际价格直接导致了之前提到的更高的电网交易成本，这进一步证实了当同时考虑热舒适度和电池状态管理约束时，电力的内部影子价格会显著上升。不过需要强调的是，实施电池状态管理约束也能为电池系统带来显著的长期益处。通过避免深度放电以及在极端充电水平下长时间运行，电池所承受的电化学应力得以减轻，从而延缓容量衰减并降低老化速度。因此，尽管短期运营成本会上升，但电池寿命的延长以及资产可靠性的提升却能带来巨大的长期经济价值。4.2.5. 不同解决方案的结果与收敛性本节介绍了采用不同视角所获得的利润，以及算法1的收敛性分析。图14展示了不同不确定性因素对最佳情况、最坏情况以及所提出的区间分析模式下利润的影响。从图中可以看出，最高和最低的利润分别出现在最佳情况和最坏情况模式下。此外，区间分析结果与最坏情况结果更为接近，这是因为算法1的第三步采用了以稳健性为导向的规划策略。相应地，所提算法所采用的收敛标准在主问题的目标值与最坏情况子问题的目标值足够接近后，就会在12步后停止迭代，如图15所示。下载：下载高分辨率图像（444KB）下载：下载全尺寸图像图14. 在最佳情况、最坏情况以及区间分析不确定性下的半小时利润对比。下载：下载高分辨率图像（251KB）下载：下载全尺寸图像图15. 算法1的收敛过程。本文提出的区间分析方法具有两个主要优势：其一，由于无需生成大量场景，其所需计算量小于随机优化方法；其二，由于它是针对目标函数区间进行优化，而非仅仅依赖最坏情况，因此通常比稳健优化方法更不保守[40]、[50]。为了进行更有力的比较，还进行了确定性优化分析，以评估所提出的区间分析方法在处理该运营问题中的多重不确定参数时的有效性。如图14所示，确定性优化结果更接近最佳情况模式，这是意料之中的，因为确定性优化并未明确考虑不确定性，因此往往反映的是较为乐观的运行状况。4.2.6. 不同作物的种植效益评估本节展示了针对四种案例（表4）以及三种不同作物（番茄、菠菜和黄瓜）应用所提出的集成能源-热能-农业模型的结果。该分析评估了在不同作物特定的温度敏感度及运营约束条件下，电池寿命、电网依赖程度以及热舒适度管理之间的权衡关系。通过系统比较包括BESS老化成本、电网交易成本以及温度偏差成本在内的各项性能指标，展现了该模型如何在卡塔尔干旱的温室环境中，在满足不同农业需求的同时保持技术经济效率。表4. 不同案例下不同作物的成本与ATSI数值对比。作物案例BESS老化成本（美元）电网交易成本（千美元）温度偏差成本（美元）ATSITomato（φtol=4°C,μCrop=10）案例1170.120.5224?-?-案例2158.830.8327?-?-案例3166.861.519222.290.96案例4160.571.770222.440.93Spinach（φtol=3.5°C,μCrop=12）案例1165.510.483?-?-案例2155.20.754?-?-案例3162.711.2519.810.87案例4156.861.45619.170.85Cucumber（φtol=5°C,μCrop=6）案例1172.210.58?-?-案例2161.060.91?-?-案例3169.51.75226.340.84案例4163.922.0527.050.82从番茄的结果来看，数据清晰地展现了电池寿命管理与运营成本最小化之间的权衡关系。在案例2中，实施电池状态管理使BESS老化成本降低了6.6%（从170.12美元降至158.83美元），在案例4中则降低了3.8%（从166.86美元降至160.57美元），这得益于通过限制充放电循环来延长电池寿命。然而，这种保护措施也带来了显著的电网成本上升：案例2的电网成本比案例1高出59.4%（从0.5224千美元升至0.8327千美元），而案例4的电网成本则比案例3高出16.5%（从1.5192千美元升至1.7702千美元），这反映出调度灵活性的下降，进而导致了更昂贵的电网交易成本。当启用热模型后，电网成本的上涨幅度更为惊人：与案例1相比，案例3的电网成本上升了190.8%（从0.5224千美元升至1.5192千美元），与案例2相比则上升了112.5%（从0.8327千美元升至1.7702千美元），这是因为除了基础用电需求外，还必须承担大量的暖通空调用电负荷。这些结果凸显了此类设施中暖通空调协同控制的重要性。有趣的是，无论在案例3还是案例4中，温度偏差成本几乎保持不变（分别为22.29美元和22.44美元），这说明一旦暖通空调开始运行，电池状态管理对热舒适度的影响就微乎其微，因为目标函数中的惩罚系数会优先保证温度控制，而不会考虑电池的约束条件。经过适当加权后，案例4的整体运营成本最高，这凸显了在集成能源系统中同时优化电池健康状况、电网交易成本以及热舒适度所带来的经济挑战。其他作物的情况也遵循类似规律，只是ATSI数值有所不同。通过运用所提出的ATSI评估标准，结合每种作物的温度容忍范围以及相应的惩罚因子，可以发现，随着作物对内部温度的敏感度增加，温度偏差成本会下降，而电网交易成本和BESS老化成本则相对上升。这一现象表明，该交易模型可以根据不同温室作物进行调整，从而在确保BESS在合理范围内运行的同时优化产品质量。4.2.7. 讨论来自四个运营案例的结果，涉及三种具有不同热敏感度的作物，表明所提出的集成交易模型在量化干旱气候下STPV温室运行的技术经济权衡方面具有独特价值。该模型通过综合考虑BESS老化成本、电网交易成本、温度偏差成本以及ATSI数值，表明不存在一种普遍适用的最优运营策略。例如，在番茄案例中，案例1中的无约束运行虽然使得电网交易成本最低，但由于电池被更频繁地用于短期能量套利，因此BESS老化成本也最高。在案例2中引入电池状态管理后，BESS老化成本从170.12美元降至158.83美元，降幅为6.6%，但电网交易成本却从0.5224千美元升至0.8327千美元，增幅达59.4%。这一结果表明，电池状态管理应被视为一种以生命周期为导向的战略，而非单纯的短期成本最小化策略。其经济合理性取决于避免电池老化、推迟电池更换、确保符合保修要求以及提升资产可靠性所带来的经济收益，是否足以抵消额外的电网交易成本。图8和图9共同表明，引入电池状态管理会限制BESS作为完全灵活的套利工具的功能，虽然减少了频繁的充放电操作，但却增加了对电网交易的依赖。当暖通空调和热约束被启用时，可用于电网输出的剩余能量几乎消失，因为更多的能量被用于满足冷却需求以及调节室内温度。当热模型和暖通空调协同控制被启用时，也会出现类似的权衡现象。案例3和案例4显示，为维持作物所需的特定室内温度，会导致电网购买量大幅增加，因为在环境温度较高且太阳辐射强烈的时段，暖通空调的运行会带来额外的用电负荷。在番茄案例中，即使在热运行条件下引入电池状态管理，BESS老化成本也从案例3的166.86美元降至案例4的160.57美元，但电网交易成本却从1.5192千美元升至1.7702千美元。因此，尽管电池状态管理有助于提升电池的健康状况，但它也会限制BESS的灵活性，并可能增加短期运营成本。在电池更换成本较高、电池老化成本系数较大、充放电频率较高、电池保修期限严格，或是存在鼓励延长电池寿命、减少峰值负荷、提高可再生能源自给率以及实现灵活温室运营的政策机制的情况下，所提出的策略更具优势。相反，当电网进口电价较高，而电池更换或老化成本相对较低时，采用限制较少的BESS策略虽然能降低短期运营成本，但却会加速电池老化。这些结果还表明，作物的生理特性会直接影响运营成本和控制要求。不同作物有不同的参考温度、容忍范围以及惩罚因子，因此相同的能源管理策略可能会带来不同的温度偏差成本和ATSI数值。例如，在相同的案例条件下，黄瓜的电网成本和温度偏差成本都高于菠菜，这表明“一刀切”的温室控制策略在经济上是不高效的。这也体现了将作物特定的热需求纳入交易能源模型中的实际价值。影子价格分析进一步证明了所提出模型的有效性和重要性。地点边际价格反映了在当前运行约束条件下，提供额外一单位能量所需的边际成本。在案例3和案例4中，由于制冷需求高峰期的到来，地点边际价格会出现飙升，这直接体现了热应力与局部资源短缺定价之间的关联。这些结果表明，所提出的框架能够将温度调节成本、电池运行限制以及可再生能源供应的不确定性纳入考量。因此，该模型应被视为一种决策支持工具，帮助温室经营者判断何时采取保护电池的运行策略在经济上是合理的，以及何时短期电网成本带来的损失会超过长期电池老化带来的好处。4.2.8. 敏感性分析本节通过敏感性分析，评估BESS电池状态带参数ζband对总利润的影响。此外，还会调整温室模型的关键热参数，以评估它们对ATSI的影响，进而影响作物种植质量。•BESS电池状态量程效应图16(a)–(f)展示了根据算法1的第4步，在不同数值下得到的优化后的BESS电池状态量程限制。当该数值从0.05上升至0.30时，SoCUp与SoCDown之间的操作区间会变宽，从而使BESS在充放电方面具有更大的灵活性。在19–24时间段内，由于可利用的可再生能源更多且与暖通空调相关的需求增加，需要更高的储能灵活性，因此量程会进一步扩大。而在36–44时间段内，由于太阳能光伏发电量减少且风能发电更加不稳定，两个电池状态量程限值都会下降，此时BESS需要承担更多的负荷以降低对电网的依赖。下载：下载高分辨率图像（723KB）下载：下载全尺寸图像图16。(a–f) 不同ζ带下的BESS电池状态量程限制，以及(g)总利润。图16(g)显示，随着ζ带的增大，总利润会下降。虽然更宽的电池状态量程能提升运营灵活性，但也会导致电池能量波动更大、循环使用更为频繁，从而增加损耗成本。因此，ζ带在灵活性与电池寿命之间形成了明显的权衡：较小的数值有助于保护BESS并维持利润，而较大的数值虽能提升平衡能力，却会降低经济效益。这表明，电池状态量程参数应作为考虑电池损耗的控制参数来精心调整，而非简单地扩大以提升BESS的可用性。•热参数效应图17进一步阐述了案例4中番茄种植所对应的ATSI值背后的热机制。在图17(a)中，当围护结构阻力R较高且太阳得热系数较低时，ATSI值达到最高，这意味着温室对外界热量传递以及由辐射引起的热应力的敏感度较低。这一趋势与所提出的热模型相符，该模型通过方程F2-F7说明了室内温度受热惯性、环境温度影响、太阳得热以及暖通空调制冷作用共同影响。等值线分布还表明，当太阳得热增加而R较低时，ATSI值会急剧下降，这进一步证实了太阳能光伏系统的透明度和围护结构质量不仅是影响发电量的设计因素，也会影响农业种植质量。这也与本文的研究目的相契合——太阳辐射虽然有利于太阳能光伏发电，但同时也会带来辐射热，使得卡塔尔这种干旱气候下的室内温度难以稳定，进而增加暖通空调的运行负荷。下载：下载高分辨率图像（785KB）下载：下载全尺寸图像图17. 在所提出的热模型下，番茄种植的ATSI敏感性及不确定性分析。(a) ATSI相对于围护结构热阻力(R)和太阳得热系数(υ)的敏感性图。星号标记代表经过校准的案例4运行点。较高的围护结构阻力可通过降低外界热量传递的影响来提升ATSI值，而较高的太阳得热系数则会因辐射引起的热应力增加而降低ATSI值。(b-c) 在热容量(Cair)、围护结构阻力、太阳得热、暖通空调制冷效率(ω)以及环境温度偏差同时变化的情况下，基于蒙特卡洛方法的ATSI稳健性分析。颜色深浅表示相应的ATSI值，数值越接近1说明作物所处的热环境越稳定。图17(b)和(c)通过展示在热容量、围护结构阻力、太阳得热、暖通空调制冷效率及环境温度偏差同时变化时的ATSI稳定性，进一步扩展了上述确定性分析结果。大多数样本仍位于高ATSI区域，这说明基于逆变器的协同暖通空调策略能够在多种温室参数不确定性条件下保持番茄的生长温度稳定。不过，当太阳得热过高，同时暖通空调效率低下、围护结构热阻较小或热容量不适宜时，就会出现低ATSI值，这意味着当热量进入速度超过暖通空调系统及温室本身的热惯性所能补偿的速度时，作物的生长稳定性就会受到影响。这一发现与表4以及案例4的分析结果一致：引入电池状态量程管理虽能降低BESS的损耗，但会增加电网交易成本；而暖通空调-热模型则负责在高制冷需求下维持作物的适宜生长环境。因此，图17证实，所提出的模型不仅能优化能源成本和电池寿命，还能确定在何种物理设计条件下才能保持番茄的ATSI值为0.93。4.2.9. 传统暖通空调与基于逆变器的暖通空调在本节中，为进一步评估所提出框架在温室温度调控方面的有效性，人们在所提出的模型中模拟了参考文献[51]、[52]中常用的传统恒温器式暖通空调系统，并将其与基于逆变器的暖通空调方案进行比较。图18展示了两种暖通空调系统在温室温度调控方面的性能差异。如图18(a)所示，基于逆变器的暖通空调能够实现更平滑的功率调节，使室内温度逐渐趋近于理想的种植范围，且波动较小。相比之下，传统恒温器式暖通空调以开关方式运行，会导致温度在参考值附近反复波动。尽管恒温器系统仍能调节温室温度，但其不连续的运行模式会导致能耗和室内温度出现更剧烈的变化。这进一步证明了所提出模型中采用的基于逆变器的暖通空调方案的优点——其分级的运行模式使得冷却功率能够根据实际热负荷更连续地进行调整。下载：下载高分辨率图像（478KB）下载：下载全尺寸图像图18.(a) 传统暖通空调与基于逆变器的暖通空调在温度稳定性和能耗方面的对比，以及(b) 暖通空调对ATSI的影响。图18(b)中的ATSI对比进一步量化了两者的差异。基于逆变器的暖通空调实现的ATSI值为0.964，而传统恒温器式暖通空调仅为0.833。这一差异表明，即使有制冷条件，传统的恒温器控制也会导致作物生长温度与理想值的累积偏差更大。因此，基于逆变器的暖通空调不仅提升了能源管理的灵活性，还增强了作物生长环境的稳定性。这一结果为将基于逆变器的暖通空调纳入所提出的交互式模型提供了依据——更平稳的温度控制既能提升种植质量，又能减少不必要的循环运行，从而降低暖通空调系统和BESS的负担。4.2.10. 政策启示对于那些拥有太阳能光伏温室的用户而言，本研究的结果为他们提供了关于能源与农业一体化管理在经济和运营层面价值的技术性见解。研究结果表明，根据作物生长的特定热需求来协调BESS的运行与基于逆变器的暖通空调控制，最多可降低6.6%的电池长期损耗率；不过，由于电池的套利灵活性降低以及制冷需求增加，这一好处可能会伴随着更高的电网交易成本。因此，所提出的策略应被视为一种注重全生命周期的运营方法，而非简单的短期成本最小化方案。从政策角度来看，这些研究结果提示，通过出台激励措施，比如对智能型基于逆变器的暖通空调系统、考虑电池损耗的BESS运行方式、与太阳能发电时间相匹配的分时电价制度以及灵活性奖励措施等，可以提高干旱地区太阳能光伏温室的经济可行性。不过，这些结果不应被直接视为普适性的政策建议，因为更全面的政策制定还需要进行更多季节性、多地点以及社会经济层面的评估。相反，本研究为理解能源市场设计以及针对不同作物的热管理策略如何影响可持续温室系统的应用提供了技术基础。5. 结论本研究构建了一个考虑温度因素的交互式能源优化模型，用于在运行条件不确定的情况下，协同协调BESS的运行、基于逆变器的暖通空调控制、电网交易以及作物生长的特定热需求，从而实现对集成太阳能光伏系统的温室的优化管理。所提出的混合整数线性规划框架整合了考虑电池状态量程和放电深度的电池损耗管理机制、易于处理的温室热模型、基于区间分析的不确定性处理方法，以及用于评估作物生长温度稳定性的ATSI指标。数值模拟结果表明，考虑电池状态量程的运行方式确实能有效降低电池损耗，但同时也存在明显的经济权衡。在番茄种植场景中，引入电池状态量程管理后，电池损耗成本从170.12美元降至158.83美元，降幅为6.6%；但由于电池套利灵活性降低，电网交易成本则上升了59.4%。在仅考虑热/暖通空调运行的情况下，电池状态量程管理使电池损耗成本降低了3.8%，从166.86美元降至160.57美元，而电网交易成本则上升了16.5%。这些研究结果证实，考虑电池损耗的运行策略主要是一种注重全生命周期的策略，而非普遍适用的短期成本最小化方案。此外，研究还凸显了在干旱气候条件下的太阳能光伏温室中，考虑温度因素的暖通空调协同控制的重要性。在番茄种植场景中，启用热模型并实施暖通空调协同控制后，与基准情况相比，电网交易成本上升了190.8%，这反映出在高温和高太阳得热环境下，维持适宜作物生长的室内温度需要大量的制冷能量。不过，基于逆变器的暖通空调策略显著提升了作物的生长温度稳定性，使得ATSI值从传统恒温器式暖通空调下的0.833上升到了0.964。在所有被研究的作物中，不同的ATSI值及其对应的偏差成本都表明，作物的特定热需求会对运营决策产生重要影响，这也进一步证明了采用统一的温室控制策略既不经济也不利于作物生长。总体而言，所提出的框架为如何在电池寿命、电网支出、暖通空调运行成本以及作物种植质量之间取得平衡提供了决策支持工具。未来的研究可以进一步拓展该模型，使其能够用于多区域温室的热量建模、季节性和多地点的验证工作，以及开发考虑湿度与二氧化碳浓度的作物生长评估指标，同时引入车辆到电网等额外的灵活性资源以及混合可再生能源系统，从而进一步提升太阳能光伏温室的抵御能力与经济效益，使其能够成为未来智能电网和循环型能源-食品生态系统中的重要组成部分。作者贡献声明Mostafa Shabanian-Poodeh：撰写——初稿撰写、可视化、验证、软件开发、方法设计、实验研究、正式分析、数据整理、概念构思。Farzin Golzar：撰写——审稿与编辑、可视化、验证、监督指导、软件开发、方法设计、实验研究、正式分析、概念构思。Reza Kia：撰写——审稿与编辑、监督指导、项目管理工作、方法设计、概念构思。Sobhan Dorahaki：可视化、验证、方法设计、实验研究、概念构思。Miadreza Shafie-khah：撰写——审稿与编辑、实验研究、正式分析、概念构思。SM Muyeen：撰写——审稿与编辑、方法设计。