结合电-热-氢储能的综合能源站多时间尺度优化运行

doi:10.16513/j.2096-2185.DE.2409206

结合电-热-氢储能的综合能源站多时间尺度优化运行

杨佳奇¹, 张顺禹¹, 高飒¹, 单彬彬¹, 王绍琨¹, 宁爱华¹, 周振玲¹, 孟祥睿², 吴迪², 靳光亚^,²

1．国网北京顺义供电公司，北京市　顺义区　101300

2．华北电力大学能源动力与机械工程学院，河北省　保定市　071000

Multi-Time Scale Optimal Operation of Integrated Energy Station Combined With Electricity-Heat-Hydrogen Energy Storage

YANG Jiaqi¹, ZHANG Shunyu¹, GAO Sa¹, SHAN Binbin¹, WANG Shaokun¹, NING Aihua¹, ZHOU Zhenling¹, MENG Xiangrui², WU Di², JIN Guangya^,²

1. State Grid Beijing Shunyi Power Supply Company, Shunyi District, Beijing 101300, China

2. College of Energy, Power and Mechanical Engineering, North China Electric Power University, Baoding 071000, Hebei Province, China

收稿日期: 2023-12-13

基金资助:

国网北京市电力公司管理科技项目. 520216220003

Received: 2023-12-13

Fund supported:

Management Technology Project of State Grid Beijing Electric Power Company. 520216220003

作者简介 About authors

杨佳奇(1975)，男，学士，高级工程师，研究方向为能源系统设计优化运行；。

张顺禹(1997)，男，硕士，助理工程师，研究方向为能源信息系统；。

高　飒(1993)，女，硕士，工程师，研究方向为能源系统设计优化运行；。

单彬彬(1993)，女，硕士，工程师，研究方向为能源系统设计优化运行；。

王绍琨(1982)，男，硕士，高级工程师，研究方向为电力系统设计优化；。

宁爱华(1982)，女，硕士，高级工程师，研究方向为电力系统设计优化；。

周振玲(1991)，男，学士，工程师，研究方向为储能工程；。

孟祥睿(1999)，男，硕士研究生，研究方向为综合能源系统的设计优化；。

吴　迪(1991)，男，博士，讲师，研究方向为多元储能系统的优化运行；。

靳光亚(1983)，男，硕士，高级工程师，研究方向为近零能耗建筑的设计研究，jingy@ncepu.edu.cn , E-mail：jingy@ncepu.edu.cn

摘要

多元储能是提高综合能源系统可再生能源消纳水平的有效途径，然而，随着耦合储能设备的增多，系统复杂程度增大，由此所带来的系统运行不稳定、能效低等问题制约着综合能源系统发展。因此，提出将储电、储热、储氢集成到综合能源系统中，并开展多时间尺度优化的研究。从构建系统模型到提出日前优化调度、日内滚动优化、实时调整多时间尺度优化方案，充分发挥多元储能优势，解决源荷不确定性对系统的影响。运行结果可见，储电共计调整12.421 99 MW不平衡电功率，社区可再生能源消纳水平提升0.42%，购电成本降低3.5%，碳税降低1.5%。这表明提出的多时间尺度优化运行方法，通过灵活调整各设备出力，使系统运行更加平稳，提高了系统的稳定性与可再生能源消纳水平。

关键词： 多元储能 ; 多时间尺度 ; 综合能源系统 ; 运行优化

Abstract

Multi-energy storage is an effective way to improve the renewable energy consumption level of integrated energy system. However, with the increase of coupled energy storage equipment, the complexity of the system increases. Unstable operation and low energy efficiency caused by the complexity and uncertainty of the system have restricted the development of integrated energy system. Therefore, this paper proposes to integrate electricity storage, heat storage and hydrogen storage into the integrated energy system, and researches on multi-timescale optimization. From the construction of the system model to proposing multi-timescale optimization schemes such as day-ahead optimal scheduling, intra-day rolling optimization, and real-time adjustment, the advantages of multi-energy storage are fully utilized to solve the impact of source-load uncertainty on the system. The results show that the total power storage is adjusted to 12.421 99 MW unbalanced power, the community renewable energy consumption level is increased by 0.42%, the electricity purchase cost is reduced by 3.5%, and the carbon tax is reduced by 1.5%. This shows that the proposed multi-timescale optimal operation method makes the system run more smoothly by flexibly adjusting the output of each device, and improves the stability of the system and the level of renewable energy consumption.

Keywords： multi-energy storage ; multi-timescale ; integrated energy system ; operation optimization

PDF (21481KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨佳奇, 张顺禹, 高飒, 单彬彬, 王绍琨, 宁爱华, 周振玲, 孟祥睿, 吴迪, 靳光亚. 结合电-热-氢储能的综合能源站多时间尺度优化运行. 分布式能源[J], 2024, 9(2): 48-62 doi:10.16513/j.2096-2185.DE.2409206

YANG Jiaqi, ZHANG Shunyu, GAO Sa, SHAN Binbin, WANG Shaokun, NING Aihua, ZHOU Zhenling, MENG Xiangrui, WU Di, JIN Guangya. Multi-Time Scale Optimal Operation of Integrated Energy Station Combined With Electricity-Heat-Hydrogen Energy Storage. Distributed Energy[J], 2024, 9(2): 48-62 doi:10.16513/j.2096-2185.DE.2409206

0　引言

国际能源署发布的统计数据显示，全球建筑部门的碳排放量为99亿t/年，占碳排放总量的28%^[1]。据《2022中国城乡建设领域碳排放系列研究报告》统计数据显示，2020年全国建筑运行碳排放总量占全国碳排放的21.7%^[2]。因此，建筑领域的节能减排是实现我国双碳目标的关键一步。其中，以综合能源社区为代表的规模化建筑形式包含多种建筑类型，具有消纳可再生能源、全面协调冷热电各能流互补等特点；然而，综合能源社区系统设备建模和运行策略尚不成熟，尤其是系统消纳可再生能源的水平较低，制约着其发展。

储能具有削峰填谷、平滑波动、改善电能质量等作用^[3,4,5]，可有效解决供能系统能量供应不连续、可再生能源占比低的问题，因此，储能广泛应用于近零能耗建筑及社区供能系统中^[6]。社区负荷的多样性和设备的复杂性导致单一的储能形式对系统可再生能源消纳水平的提升作用不大，因此，需要结合多元储能形式。

许多学者基于源荷的日前数据研究了近零能耗社区供能系统的调度和运行，制定了供能系统的日前运行计划；而在实际过程中，为应对供能系统源荷双侧的不确定性，须制定更加精细化的短时间尺度运行计划。为此，文献[7,8]提出了“日前-日内”或“日前-实时”的两阶段优化运行方案。文献[9]考虑了风光的不确定性，提出日前优化调度和日内优化调度的优化运行模型。其中，日前优化调度以1 h为时间尺度，制定出力计划；日内优化调度的时间尺度为15 min，以进一步调整出力计划。结果表明，所提优化运行模型可降低运行成本。文献[10]提出了一种基于氢气的多能源微电网多时间尺度能量管理方案，该方案包括日前能量调度和基于模型预测控制的实时能量调度。数值结果表明，与基准方案相比，该方案的日平均实际运营成本降低了37.08%。为使调度计划更加精细，有学者制定了“日前-日内-实时”三阶段多时间尺度的运行方案。文献[11]建立了包括上、中、下3个层次的多时空尺度运行模型，上层模型在日前阶段对整个社区进行优化，中层模型在日内进行滚动优化，下层模型在实时阶段对每个社区的电气部分进行调整。仿真结果表明，该策略能利用多种能源的优势互补，在多个时空尺度上促进能源供需平衡，并在目标、约束、运行和经济性等方面表现出较好的性能。文献[12]提出了日前优化、日内滚动优化、实时优化的多时间尺度优化运行方法，3个阶段的时间间隔分别为1 h和15、5 min，结果表明，该方法能协调系统处理可再生能源的波动性和随机性，使日常成本降低4%。

然而，上述的多时间尺度优化运行研究中很少考虑多元储能的协同存储；另外，多时间尺度优化运行过程中各设备调控更加精细化，然而上述研究忽略了设备频繁启停和功率变化引起的退化。

基于上述研究不足，本文提出一种综合能源系统电-冷-热-氢多时间尺度协同存储的优化运行方法，构建包含储电、储氢、储热的综合能源系统，提出多能供需平衡模型和多时间尺度优化运行方法。以多样化的近零能耗社区为研究案例，验证系统和方法的有效性。

1　多时间尺度优化策略

1.1　系统结构

含多元储能的综合能源系统结构如图1所示，系统由太阳能光伏板、燃气锅炉、电制冷机、电池、水箱、电解槽、燃料电池、储氢罐构成。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 系统结构

Fig.1 System structure

1.2　数学模型

1.2.1　太阳能光伏板

光伏板主要参数有温度、效率和发电量，其计算公式分别为

(1) $T_{PV} (t) = T_{amb} (t) + \frac{(T_{noct} + T_{ref}) G (t)}{G_{ref}}$

(2) $η_{PV} (t) = η_{PV, 0} [1 - β_{PV} (T_{PV} (t) - T_{ref})]$

(3) $P_{PV} (t) = A_{PV} η_{PV} (t) G (t) η_{inverter}$

式中：T_PV(t)为t时刻的太阳能电池温度，℃；T_amb(t)为t时刻的环境温度，℃；T_noct为标准运行条件下的电池温度，℃；T_ref为标准温度，℃；G(t)为t时刻的太阳辐照度，W/m²; G_ref为标准条件下的太阳辐照度，W/m²；η_PV(t)为t时刻的发电效率；η_PV，0为标准条件下的发电效率；为考虑温度变化对太阳能光伏板输出功率的影响，引入温度系数β_PV，%/℃；P_PV(t)为t时刻光伏电池输出的电功率，kW；A_PV为单块太阳能光伏板的面积，m²；逆变器将光伏板输出的可变直流电压转化为市电频率的交流电，其效率为η_inverter^[13] 。

1.2.2　电制冷机

电制冷机模型为

(4) $P_{EC} (t) = P_{EC}^{c} (t) / η_{COP, EC}$

式中：P_EC(t)为t时刻电制冷机输入的电功率，kW； $P_{EC}^{c}$ (t)为t时刻电制冷机输出的制冷功率，kW；η_COP，EC为电制冷机的制冷效率。

1.2.3　电解槽

电解槽消耗水产生氢气，电解槽线性模型为

(5) $v_{EL} (t) = 0.004 6 + 7.056 4 \times 10^{- 5} T_{EL} + 0.003 P_{EL} (t)$

式中：v_EL(t)为t时刻电解槽的氢气产生率，mol/s；P_EL(t)为t时刻电解槽输入的电功率，kW；T_EL为电解槽温度，℃^[14]。

1.2.4　燃料电池

燃料电池通过消耗氢气产生电能和余热，计算公式如下：

(6) $P_{FC} (t) = 0.003 4 T_{FC} - 1.264 5 + 140.386 7 v_{FC} (t)$

(7) $P_{FC}^{h} (t) = 1.264 5 - 0.003 4 T_{FC} + 30.970 7 v_{FC} (t)$

式中：P_FC(t)为t时刻燃料电池输出的电功率，kW； $P_{FC}^{h}$ (t)为t时刻燃料电池输出的热功率，kW；T_FC为燃料电池温度，℃；v_FC(t)为t时刻燃料电池消耗氢气的速率，mol/s^[15]。

1.2.5　燃气锅炉

燃气锅炉产热量的计算式为

(8) $Q_{GB} (t) = F_{GB} (t) η_{GB}$

式中：Q_GB(t)为t时刻燃气锅炉的制热功率，kW；F_GB(t)为t时刻燃气锅炉消耗天然气的功率，kW；η_GB为燃气锅炉的效率。

1.2.6　蓄电池

蓄电池用于电能的充放，其实时电量与实时荷电状态如下：

(9) $E_{EES} (t + 1) = E_{EES} (t) (1 - α) + (P_{EES}^{ch} (t) η_{EES}^{ch} - \frac{P_{EES}^{dis} (t)}{η_{EES}^{dis}}) Δ t$

(10) $s_{SOC, EES} (t) = \frac{E_{EES} (t)}{S_{IC, EES}}$

式中：E_EES(t)为t时刻蓄电池的电量，kW·h；α为蓄电池的自耗率； $P_{EES}^{ch}$ (t)和 $P_{EES}^{dis}$ (t)分别为t时刻蓄电池的充电功率和放电功率，kW； $η_{EES}^{ch}$ 和 $η_{EES}^{dis}$ 分别为蓄电池的充电效率和放电效率；Δt为电池充电或放电的时间间隔，s；s_SOC，EES(t)为t时刻蓄电池的荷电状态；S_IC，EES为蓄电池的安装容量，kW·h^[16]。

1.2.7　储氢罐

储氢罐当中物质的量与压强的计算公式为：

(11) $n_{HST} (t + 1) = n_{HST} (t) + (v_{HST}^{in} (t) - v_{HST}^{ex} (t)) Δ t$

(12) $P_{HST} (t) = \frac{(1.790 3 - 0.002 5 T_{HST}) n_{HST} (t) R T_{HST}}{V_{HST} (t) - 3.937 4 \times 10^{- 4} n_{HST} (t) R T_{HST}}$

(13) $L_{LOH, HST} (t) = \frac{n_{HST} (t)}{n_{HST, max}}$

式中：n_HST(t)为t时刻储氢罐内氢气的物质的量，mol；n_HST，max为n_HST的最大值； $v_{HST}^{in}$ (t)和 $v_{HST}^{ex}$ (t)分别为t时刻储氢罐的氢气进口和出口速率，mol/h；P_HST(t)为储氢罐的压强，Pa；T_HST为储氢罐的温度，K；R为摩尔气体常数，J/(mol·K)；V_HST(t)为t时刻储氢罐内氢气的体积，m³；L_LOH，HST(t)为t时刻储氢罐内含氢水平^[17]。

1.2.8　蓄水箱

蓄水箱储存的热量与实时状态计算公式如下：

(14) $H_{WST}^{h} (t + 1) = H_{WST}^{h} (t) (1 - δ_{WST}) + (P_{WST}^{h, im} (t) η_{WST}^{im} - \frac{P_{WST}^{h, ex} (t)}{η_{WST}^{ex}}) Δ t'$

(15) $s_{WST} (t) = \frac{H_{WST} (t)}{S_{IC, WST}}$

式中： $H_{WST}^{h}$ (t)为t时刻蓄水箱的热功率，kW； $P_{WST}^{h, im}$ (t)为t时刻输入蓄水箱的热功率，kW； $P_{WST}^{h, ex}$ (t)为t时刻蓄水箱输出的热功率，kW；δ_WST为蓄水箱的热量损失系数；Δt′为蓄水箱储热或放热的时间间隔，s；S_IC，WST为蓄水箱的安装容量，kW·h；H_WST(t)为t时刻蓄水箱内热量，kW·h；s_WST(t)为t时刻蓄水箱内热量占比； $η_{WST}^{im}$ 与 $η_{WST}^{ex}$ 分别为蓄水箱的充、放热量的效率^[18]。

1.3　多时间尺度优化流程

源侧可再生能源具有间歇性、波动性等特点，荷侧用户负荷受环境、用户行为等因素的影响，具有不确定性，导致综合能源系统源荷两侧双重不确定性突出。此外，由于综合能源系统涉及多种设备，设备动态运行差异大，须协调“快响应”的电设备和“慢响应”的冷热氢设备，需要更精细化的时间尺度来协调各设备出力。因此，本文提出了“日前-日内-实时”多时间尺度优化方法。

多时间尺度具体优化流程如图2所示，分为日前优化调度、日内滚动优化和实时调整。基于Matlab平台，通过Yalmip工具箱调用Gurobi求解器实现模型的求解。各阶段的关系如图3所示：日前优化阶段，基于用户日前冷-热-电-氢负荷及可再生能源出力，以1 h为时间尺度进行日前长时间尺度运行优化；日内滚动优化阶段，基于日前优化结果，得到控制时域为4 h、时间间隔为15 min的各设备调度计划，随后时间后移到下一时段，重复以上步骤，进而确定全部时段内的设备日内运行计划；实时调整阶段，以5 min为时间尺度，基于用户电负荷和可再生能源出力超短时间尺度预测结果，得到储电和电网的运行方案。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 多时间尺度优化流程

Fig.2 Multi-timescale optimization process

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 各优化阶段的关系

Fig.3 Relationship of each optimization stage

1.4　目标函数与约束条件

1.4.1　日前优化调度

在日前优化阶段，优化目标Cday ahead为日前阶段的日运行成本(C_daily，元)，由以下5部分组成：设备运维成本(C_om，元)、关键设备的退化成本(C_deg，元)、购电成本(C_grid，元)、碳税(C_tax，元)、能源浪费成本(C_waste，元)^[16]。

(16) $C_{day ahead} = C_{daily} = C_{om} + C_{deg} + C_{grid} + C_{tax} + C_{waste}$

在计算设备运维成本时，将设备分为A、B、C、D这4种类型，其中：A代表光伏板，其运维成本与输出功率(P_A(t)，kW)相关；B代表电解槽、燃料电池、燃气锅炉、电制冷机机等设备，其运维成本与开启次数(U_B(t))成正比；C代表电池和蓄水箱，其运维成本由进出口功率(P_C(t)，kW)计算；D代表储氢罐，其运维成本由进出口氢气流量(v_H2(t)，m³/h)计算^[19]。

(17) $C_{om} = \sum_{t = 1}^{t = t_{max}} (C_{om, A} (t) + C_{om, B} (t) + C_{om, C} (t) + C_{om, D} (t))$

(18) $C_{om, A} (t) = σ_{A} | P_{A} (t) |$

(19) $C_{om, B} (t) = U_{B} (t) (\frac{C_{B}}{L_{B}} + C_{m, B})$

(20) $C_{om, C} (t) = σ_{C} | P_{C} (t) |$

(21) $C_{om, D} (t) = σ_{D} | v_{H 2} (t) |$

式中：C_om，A(t)、C_om，B(t)、C_om，C(t)、C_om，D(t)分别为t时刻光伏板、设备B、设备C、储氢罐的运维成本；σ_A为光伏板的成本系数，元/(kW·h)；C_B为设备B的投资成本，元；C_m，B为设备B的维护成本；L_B为设备B寿命；σ_C为电功率或热功率的成本系数，元/kW；σ_D为氢流量的成本系数，元/(m³·h)。

供能系统中电解槽、燃料电池、电池在运行过程中的退化会直接影响寿命，因此考虑了三者的退化成本。电解槽的退化成本(C_deg，EL(t)，元)由运行退化成本和启停退化成本构成；燃料电池的退化成本(C_deg，FC(t)，元)由启停和功率变化所致；储电的退化成本(C_deg，EES(t)，元)由其充放状态的变化所致。各项的计算公式如下：

(22) $C_{deg} = \sum_{t = 1}^{t = t_{max}} (C_{deg, EL} (t) + C_{deg, FC} (t) + C_{deg, EES} (t))$

(23) $C_{deg, EL} (t) = U_{EL} (t) \frac{ζ_{EL, op} C_{EL}}{E_{EL}} + \frac{ζ_{EL, s} | U_{EL} (t) - U_{EL} (t - 1) | C_{EL}}{E_{EL}}$

(24) $C_{deg, FC} (t) = \frac{ζ_{FC, chg} | P_{FC} (t) - P_{FC} (t - 1) | C_{FC}}{E_{FC}} + \frac{ζ_{FC, s} | U_{FC} (t) - U_{FC} (t - 1) | C_{FC}}{E_{FC}}$

(25) $C_{deg, EES} (t) = (U_{EES}^{ch} (t) - U_{EES}^{ch} (t - 1) + U_{EES}^{dis} (t) - U_{EES}^{dis} (t - 1)) γ_{EES}$

式中：C_EL和C_FC分别为C_B中电解槽和燃料电池的投资成本，元；U_EL(t)和U_FC(t)分别为t时刻电解槽和燃料电池的启停信号，启动时取1，否则取0； $U_{EES}^{ch}$ (t)和 $U_{EES}^{dis}$ (t)分别为t时刻电池充电和放电的信号，充电或放电时取1，否则取0；ζ_EL，op和ζ_EL，s分别为运行和启停时的压降系数；ζ_FC，chg和ζ_FC，s分别为燃料电池功率变化和启停时的压降系数；E_EL和E_FC分别为电解槽和燃料电池的退化电压；γ_EES为储电的退化成本系数^[20]。

购电成本、碳税、能源浪费成本分别为：

(26) $C_{grid} = \sum_{t = 1}^{t = t_{max}} (P_{grid}^{im} (t) C_{grid}^{im} (t) - P_{grid}^{ex} (t) C_{grid}^{ex} (t))$

(27) $C_{tax} = ω λ \sum_{t = 1}^{t = t_{max}} P_{grid}^{im} (t)$

(28) $C_{waste} = κ P_{waste}^{h}$

式中： $P_{grid}^{im}$ (t)和 $P_{grid}^{ex}$ (t)分别为t时刻购电和售电功率，kW； $C_{grid}^{im}$ (t)和 $C_{grid}^{ex}$ (t)分别为t时刻购电和售电成本，元/(kW·h)；ω为碳税成本，元/t；λ为碳排放系数，g/(kW·h)；κ为惩罚系数，元/kW； $P_{waste}^{h}$ 为浪费的能量，kW^[21]。

近零能耗社区供能系统需满足能量平衡约束、设备运行和状态约束、电网交互约束等^[22]。

(1)能量平衡约束。

能量平衡约束包含电平衡、热平衡、冷平衡、氢平衡。

(29) $P_{PV} (t) + P_{EES}^{dis} (t) + P_{FC} (t) + P_{grid}^{im} (t) = P_{load} (t) + P_{EES}^{ch} (t) + P_{EL} (t) + P_{grid}^{ex} (t) + P_{EC} (t)$

(30) $P_{GB}^{h} (t) + P_{FC}^{h} (t) + P_{WST}^{h, ex} (t) = P_{load}^{h} (t) + P_{WST}^{h, im} (t) + P_{waste}^{h} (t)$

(31) $P_{EC}^{c} (t) = P_{load}^{c} (t)$

(32) $v_{EL} (t) + v_{HST}^{ex} (t) = v_{HV} (t) + v_{FC} (t) + v_{HST}^{im} (t)$

式中： $P_{GB}^{h}$ (t)为t时刻燃气锅炉输出的热功率，kW；P_load(t)、 $P_{load}^{h}$ (t)、 $P_{load}^{c}$ (t)分别为t时刻用户的电负荷、热负荷、冷负荷，kW；v_HV(t)为t时刻氢能汽车的耗氢速率，mol/s。

(2)设备运行和状态约束。

光伏运行和状态约束如下：

(33) $0 \leq P_{PV} (t) \leq P_{PV, max}$

式中P_PV，max为P_PV的最大值。

B型设备运行和状态约束如下：

(34) ${\begin{array}{l} 0 \leq P_{EL} (t) \leq U_{EL} (t) P_{EL, max} \\ 0 \leq P_{FC} (t) \leq U_{FC} (t) P_{FC, max} \\ 0 \leq P_{GB}^{h} (t) \leq U_{GB} (t) P_{GB, max}^{h} \\ 0 \leq P_{EC}^{c} (t) \leq U_{EC} (t) P_{EC, max}^{c} \end{array}$

式中：U_GB(t)和U_EC(t)分别为燃气锅炉和电制冷机的启停状态变量(0-1变量)，启动时取1，否则取0；P_EL，max、P_FC，max、 $P_{GB, \max}^{h}$ 和 $P_{EC, \max}^{c}$ 分别为P_EL、P_FC、 $P_{GB}^{h}$ 和 $P_{EC}^{c}$ 的最大值。

C型设备运行和状态约束如下：

(35) ${\begin{cases} E_{EES, min} \leq E_{EES} (t) \leq E_{EES, max} \\ 0 \leq P_{EES}^{dis} (t) \leq U_{EES}^{dis} (t) P_{EES, max}^{dis} \\ 0 \leq P_{EES}^{ch} (t) \leq U_{EES}^{ch} (t) P_{EES, max}^{ch} \\ U_{EES}^{dis} (t) + U_{EES}^{ch} (t) = 1 \\ E_{EES, start} = E_{EES, end} \\ H_{WST, min} \leq H_{WST} (t) \leq H_{WST, max} \\ 0 \leq P_{WST}^{h, ex} (t) \leq U_{WST}^{ex} (t) P_{WST, max}^{h, ex} \\ 0 \leq P_{WST}^{h, im} (t) \leq U_{WST}^{im} (t) P_{WST, max}^{h, im} \\ U_{WST}^{ex} (t) + U_{WST}^{im} (t) = 1 \\ H_{WST, start} = H_{WST, end} \end{cases}$

式中：E_EES，max和E_EES，min分别为E_EES的上下限； $P_{EES, \max}^{dis}$ 和 $P_{EES, \max}^{ch}$ 分别 $P_{EES}^{dis}$ 和 $P_{EES}^{ch}$ 的最大值； $U_{EES}^{dis}$ (t)＋ $U_{EES}^{ch}$ (t)＝1，确保了充电和放电不同时进行；H_WST，min和H_WST，max分别为H_WST的下限和上限； $U_{WST}^{ex}$ (t)和 $U_{WST}^{im}$ (t)分别为蓄水箱处于出口热量和进口热量状态的二进制变量， $U_{WST}^{ex}$ (t)＋ $U_{WST}^{im}$ (t)＝1确保了出口和进口不同时进行； $P_{WST, \max}^{h, ex}$ 和 $P_{WST, \max}^{h, im}$ 分别为 $P_{WST}^{h, ex}$ 和 $P_{WST}^{h, im}$ 的最大值。此外，为保证供能系统的稳定性，储电的初始电量(E_EES，start)和运行1天后的储电电量(E_EES，end)相同；同样，储热的初始热量(H_WST，start)也应和1天后的热量(H_WST，end)保持一致。

储氢罐运行和状态约束如下：

(36) ${\begin{cases} L_{LOH, HST}^{min} \leq L_{LOH, HST} (t) \leq L_{LOH, HST}^{max} \\ P_{HST, min} \leq P_{HST} (t) \leq P_{HST, max} \\ 0 \leq v_{HST}^{ex} (t) \leq U_{HST}^{ex} (t) v_{HST, max}^{ex} \\ 0 \leq v_{HST}^{im} (t) \leq U_{HST}^{im} (t) v_{HST, max}^{im} \\ U_{HST}^{ex} (t) + U_{HST}^{im} (t) = 1 \\ L_{LOH, HST}^{start} = L_{LOH, HST}^{end} \end{cases}$

式中： $L_{LOH, HST}^{\max}$ 和 $L_{LOH, HST}^{\min}$ 分别为储氢罐内含氢水平的上下限；P_HST，max和P_HST，min分别为P_HST的上下限； $U_{HST}^{ex}$ (t)和 $U_{HST}^{im}$ (t)分别为储氢罐处于出口和进口的状态变量； $v_{HST, \max}^{ex}$ 和 $v_{HST, \max}^{im}$ 分别为 $v_{HST}^{ex}$ 和 $v_{HST}^{im}$ 的最大值；此外，储氢罐初始含氢水平( $L_{LOH, HST}^{start}$ )应和1天后的含氢水平( $L_{LOH, HST}^{end}$ )保持一致。

(3)电网交互约束。

(37) ${\begin{array}{l} 0 \leq P_{grid}^{ex} (t) \leq U_{grid}^{ex} P_{grid, max}^{ex} \\ 0 \leq P_{grid}^{im} (t) \leq U_{grid}^{im} P_{grid, max}^{im} \\ U_{grid}^{ex} + U_{grid}^{im} = 1 \end{array}$

式中： $U_{grid}^{ex}$ 和 $U_{grid}^{im}$ 分别为售电和购电状态二进制变量， $U_{grid}^{ex}$ ＋ $U_{grid}^{im}$ ＝1保证了系统不能同时购电和售电； $P_{grid, \max}^{im}$ 和 $P_{grid, \max}^{ex}$ 分别为 $P_{grid}^{im}$ 和 $P_{grid}^{ex}$ 的最大值。

1.4.2　日内滚动优化

日内滚动优化阶段将调整成本(C_adjust，in)添加到日内优化的日运行成本(C_intra-day)中，调整成本的计算公式如下^[23]：

(38) $C_{intra-day} = C_{om} + C_{deg} + C_{grid} + C_{tax} + C_{waste} + C_{adjust, in}$

(39) $\begin{array}{l} C_{adjust, in} = & \frac{| Δ P_{EES}^{dis} (t) |}{P_{EES, max}^{dis}} + \frac{| Δ P_{EES}^{ch} (t) |}{P_{EES, max}^{ch}} + \\ \frac{| Δ P_{FC} (t) |}{P_{FC, max}} + \frac{| Δ P_{EL} (t) |}{P_{EL, max}} + \\ \frac{| Δ P_{grid}^{im} (t) |}{P_{grid, max}^{im}} + \frac{| Δ P_{grid}^{ex} (t) |}{P_{grid, max}^{ex}} + \\ \frac{| Δ P_{GB}^{h} (t) |}{P_{GB, max}^{h}} + \frac{| Δ P_{EC}^{c} (t) |}{P_{EC, max}^{c}} + \\ \frac{| Δ P_{WST}^{h, im} (t) |}{P_{WST, max}^{h, im}} + \frac{| Δ P_{WST}^{h, ex} (t) |}{P_{WST, max}^{h, ex}} + \\ \frac{| Δ v_{HST}^{im} (t) |}{v_{HST, max}^{im}} + \frac{| Δ v_{HST}^{ex} (t) |}{v_{HST, max}^{ex}} \end{array}$

式中Δ表示日内滚动优化阶段各设备相对于日前优化阶段逐时调度计划的调整量。

1.4.3　实时调整

实时阶段主要针对响应速度较快的电相关设备进行调度优化，优化目标C_real-time包含储电和电网的调整成本，计算如下^[12]：

(40) $C_{real - time} = C_{adjust, re} = μ_{1} (\frac{| \bar{Δ} P_{EES}^{dis} (t) |}{P_{EES, max}^{dis}} + \frac{| \bar{Δ} P_{EES}^{ch} (t) |}{P_{EES, max}^{ch}}) + μ_{2} (\frac{| \bar{Δ} P_{grid}^{im} (t) |}{P_{grid, max}^{im}} + \frac{| \bar{Δ} P_{grid}^{ex} (t) |}{P_{grid, max}^{ex}})$

式中：C_adjust，re为实时阶段的设备调整成本；μ₁和μ₂分别为储电和电网的调整成本系数； $\bar{Δ}$ 表示实时调整阶段各设备相对于日前优化阶段逐时调度计划的调整量。

1.5　可再生能源占比

用可再生能源占比r_REP来衡量系统可再生能源消纳水平，计算公式如下：

(41) $r_{REP} = [1 - \frac{\sum_{t = 1}^{t = t_{\max}} (P_{grid}^{im} (t) + F_{GB} (t))}{\sum_{t = 1}^{t = t_{\max}} (P_{load} (t) + P_{load}^{h} (t) + P_{load}^{c} (t) + P_{EL} (t))}] \times 100 %$

2　案例研究

2.1　案例设置

以北京市某近10万m²的社区为研究对象，采用DeST软件对社区负荷进行预测，其中，该综合能源社区包括了住宅、办公建筑、学校建筑3种建筑类型，建筑数量分别为20、5和1栋，建筑面积占比分别为58%、35.5%和6.5%。其中：住宅全年全部时间运行；办公建筑在工作日的08：00—18：00运行，周末与节假日不运行；学校建筑在工作日08：00—18：00运行，周末、节假日和寒暑假均不运行。此外，该社区配备有氢能汽车，采用蒙特卡洛方法对社区内100辆氢能汽车的氢气负荷进行计算。每辆氢能汽车配备5 kg、70 MPa的储氢罐，每辆氢能汽车的最大行驶距离为200 km，并且在夜间进行充电。

假设实时预测是准确的，日前和日内的预测结果则是基于实时预测和遵循正态分布的误差获得的。其中，日前阶段用户负荷和可再生能源出力分别为10%和20%，日内阶段的用户负荷和可再生能源出力分别为5%和10%^[24]。

夏季典型日各阶段用户负荷和可再生能源出力如图4所示。由于电负荷与电相关设备变化迅速，所以在日前-日内-实时3个阶段均考虑了电负荷与可再生能源设备出力，而冷热氢负荷及其相关设备出力变化具有长时间尺度，因此仅在日前-日内阶段考虑了冷、氢负荷及其相关设备出力，实时阶段的冷、氢负荷及其相关设备出力与日前-日内阶段相同。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 各阶段的预测结果

Fig.4 Prediction results of each stage

2.2　参数设置

设备的技术和经济参数如表1所示^[22]，购电价格和售电价格如图5所示。

表1 各设备的技术经济参数

Table 1 Technical and economic parameters of each equipment

设备	参数	取值
太阳能光伏板	A_PV/m²	1.6
	η_PV，0/%	12.5
	β_PV/(%·℃^－1)	0.5
	T_ref/℃	25
	η_inverter/%	90
	σ_A/[元·(kW·h)^－1]	0.040 15
电制冷机	η_COP，EC	3.5
电制冷机	成本/(元·kW^－1)	978.2
燃气锅炉	η_GB	0.9
燃气锅炉	成本/(元·kW^－1)	657
蓄电池	$η_{EES}^{ch}$	0.945
	$η_{EES}^{dis}$	0.945
	s_SOC，EES的最小值	0.2
	s_SOC，EES的最大值	0.8
	α/(%·h^－1)	0.002
	成本/[元·(kW·h)^－1]	1 204.5
蓄水箱	δ_WST	0.02
	$η_{WST}^{im}$	0.97
	$η_{WST}^{ex}$	0.95
	s_WST的最小值	0.2
	s_WST的最大值	0.8
	成本/[元·(kW·h)^－1]	73
电解槽	成本/(元·kW^－1)	8 942.5
储氢罐	P_HST的最大值/MPa	70
	P_HST的最小值/Pa	0
	L_LOH，HST的最小值	0.1
	L_LOH，HST的最大值	0.9
	成本/[元·(m³·h^－1)^－1]	2.92
燃料电池	成本/(元·kW^－1)	11 862.5

新窗口打开| 下载CSV

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 购售电价格

Fig.5 Purchase and sale prices of electricity

3　结果分析

3.1　多时间尺度优化模型验证

为验证多时间尺度优化方法的可行性与有效性，以夏季典型日为例，通过选取夏季不同典型日，来分析日前方案、日前＋日内方案与多时间尺度运行方案3种方案的运行结果。

表2为夏季不同典型日下，3种方案的运行结果。可再生能源的差异性和用户负荷的波动性导致了不同运行方案在日运行成本上的差异性，由表2可见：在不同的典型日下，随着时间尺度的精细化，系统的冷、热、电负荷差额由储能设备满足，从而导致了系统运维成本和退化成本均有不同程度的增大；但多时间尺度运行方案下，系统的购电成本均有不同程度的下降，3天典型日的购电成本均值为6 773.98元，较日前运行方案下的购电成本均值下降了2 669.75元。

表2 夏季不同典型日不同调度方案的运行结果

Table 2 Operation results of different scheduling schemes on different typical days in summer　元

时间	调度方案	运维成本	退化成本	购电成本	碳税	总成本
7月15日	日前	3 123.780	1 650.49	8 290.520	4 318.53	17 383.32
	日前＋日内	3 097.780	1 913.30	8 192.530	4 296.76	17 500.37
	多时间尺度	3 557.130	4 591.22	8 191.590	4 296.46	20 563.28
7月16日	日前	2 355.564	1 364.29	10 184.230	4 486.14	18 390.16
	日前＋日内	2 440.390	1 305.38	10 425.130	4 543.95	18 715.01
	多时间尺度	7 042.164	2 931.09	5 564.352	3 867.83	19 405.59
7月17日	日前	2 500.761	1 250.85	9 856.460	4 610.60	18 218.61
	日前＋日内	2 670.559	1 251.29	9 814.850	4 615.64	18 352.20
	多时间尺度	6 452.908	2 727.57	6 565.985	4 219.03	19 965.50

注：3个典型日的浪费成本均为0。

新窗口打开| 下载CSV

综上，随着运行方案时间尺度的精细化，系统的运行总成本会有所增加；但其购电成本会有明显的下降，导致了系统的实际总成本增大并不明显。但系统购电成本的下降使系统的环保性和可再生能源占比有不同程度的增大，验证了在多时间尺度的运行方案下，系统具有高环保性与节能性，验证了多时间尺度运行方案的有效性和可行性。

3.2　储能设备出力分析

储能设备的出力结果如图6所示，储能设备包括了蓄电池、储氢罐和蓄水箱3种设备。由图6(a)可见：夏季由于用户电负荷较大，导致蓄电池在夏季频繁地调整出力，来满足用户电负荷的波动需求，其中08：00—20：00蓄电池实时阶段的出力调整明显，相较于日内阶段，实时调整阶段的最大调整功率发生在12：40，最大调整功率为167.03 kW。由图6(b)可见：冬季由于冷负荷需求量几乎为0，导致电制冷机设备处于不运行状态，用户电负荷需求较小，因此，相较于夏季，在00：00—03：00时段内蓄电池仅进行了微小的功率调整，最大调整功率仅为1.53 kW；冬季典型日电池在10：00—16：00时段内功率调整明显，最大调整功率为96.79 kW。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 储能设备出力

Fig.6 Output of energy storage equipments

由于储氢罐和蓄水箱具有长时间尺度的特性，因此，只考虑了日前-日内阶段的负荷变化。由图6(c)和(d)可见：夏季典型日储氢罐的出力调整量较大，最大调整量为7.377 73 kmol；而冬季典型日出力调整量较小，相较于夏季典型日，最大仅为675.51 mol。由图6(e)可见，由于夏季典型日热负荷为0，因此水箱的充放状态只考虑了冬季典型日这一情况；水箱的最大调整量为598.34 kW。

综上，随着时间尺度的细化，储能设备通过调整其出力使出力结果更贴合用户实际用能需求，减少了由于时间尺度过长导致的能量浪费；同时，也减少了短时间内由于用户用能突增，设备供能不足情况的发生，充分发挥了电-热-氢协同存储的优势。

3.3　优化运行结果分析

3.3.1　日前调度结果

在日前调度阶段，以日运行成本最低为目标，通过优化得到所有设备的长时间尺度日前调度计划。冬夏2个典型日的日前调度结果以能量平衡的形式表示，如图7所示。其中，夏季包括电、冷、氢3种能量平衡，冬季包括电、热、氢3种能量平衡。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 日前调度结果

Fig.7 Day-ahead scheduling results

供能系统的优化结果受到了源荷数据、设备运维成本、能源价格和设备退化成本等各方面影响。由图7(a)可见：由于夏季日照时间较长，环境温度和太阳辐照度较大，导致光伏运行时间较长，其最大发电量为1 561.38 kW。光伏发电量在06：00—16：00时段内均能满足用户电负荷需求，光伏产生的剩余电量提供给电制冷机制冷来满足用户冷负荷需求。其中，储电在00：00—01：00和10：00—11：00放电补充电负荷，最大放电量为700 kW；在12：00—14：00进行充电，最大充电354.56 kW，用来消纳系统的可再生能源。因此，储电起到了“削峰填谷”的关键作用，为系统的稳定运行提供了保证。此外，系统在00：00—07：00和24：00低谷电价时段内大量购电，以供电解槽制氢，来满足系统氢负荷需求。燃料电池在16：00—23：00高峰电价时段内发电，来满足系统的电负荷，共计发电3 411.99 kW；与此同时，储电进行充电来避免燃料电池发出的多余电量浪费，提高了能源的利用率。由图7(b)可见：与夏季不同的是，冬季由于太阳辐照度较弱，环境温度较低，导致冬季可再生能源出力仅在13：00—14：00满足用户电负荷需求。此时，剩余电量由储电消纳，最大储电194.23 kW。此外，由于冬季可再生能源出力较少，需要储电频繁的充放来满足系统负荷需求。与夏季典型日相同的是，系统都在00：00—07：00和24：00低谷电价时段内大量购电，来满足用户电-氢负荷需求，富余电量则由储电储存；不同的是，由于冬季缺少了用户冷负荷需求，电制冷机处于停机状态，用电制冷的需求为0，因此在16：00—23：00电价高峰时段内，高运维成本的燃料电池没有投入使用，是通过电池及部分购电的形式满足用户电负荷需求。

由图7(c)和(d)可见，由于系统仅由电制冷机提供冷负荷需求，因此电制冷机提供了所有冷负荷。冬季，燃料电池不启动，使其没有产生余热，因此大量的热负荷由燃气锅炉满足。值得注意的是，在热负荷需求峰值时，储热提供598.34 kW的热量。由图7(e)和(f)可见，氢负荷需求主要集中在00：00—04：00和15：00—23：00这2个时段内。因此，系统在00：00—04：00低谷电价时段内大量购电制氢储氢，不仅满足氢负荷，而且富余氢气由储氢罐储存，来提供在15：00—23：00这一高峰电价时段内氢负荷和燃料电池的用氢发电，从而导致储氢罐须频繁地进出口氢气，储氢罐几乎全天处于运行状态。

3.3.2　日内调度结果

在日内滚动调度阶段，以短时间尺度下可再生能源出力和负荷数据的预测结果为基础，以日内运行成本最低为目标，优化得到所有设备的运行调度计划。

日内调度优化结果如图8所示。日内滚动调度阶段，以15 min为时间尺度，调度各类设备运行出力以满足用能需求。这意味着提出的运行方案具有适应短时间尺度下可再生能源出力变化与冷-热-电-氢负荷不确定性2种情形下的合理性。由于日前长时间尺度下的预测结果与日内短时间尺度下的预测结果具有不可避免的偏差，因此，日前与日内的设备出力优化结果也存在了一定的差别。由图8(a)可见：储电在00：00与00：15放电2次，分别为682.91和41.32 kW。与日前的00：00—01：00放电700 kW不同的是，日内优化了短时间内设备的出力响应，系统更合理性，能源利用更高效。此外，由图8(d)可见，水箱也从日前热负荷需求峰值的08：00—09：00放热，变为日内阶段在00：00—09：00时间段内的放热。最终，日内短时间尺度调度计划使所有设备出力在1 h内都发生了不同程度的变化。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 日内滚动优化结果

Fig.8 Intra-day rolling optimization results

3.3.3　实时调度结果

实时优化的调度结果如图9所示。实时优化的调度结果，是在日内滚动优化调度结果的基础之上，通过储电和电网两者的快速响应来满足系统在5 min超短时间尺度上的负荷需求。由图9可见，电池的调整量和调整频率高于电网，虽然电池的频繁启停会导致电池退化成本大幅增加，但这样避免了在超短时间尺度内频繁地向电网购售电而使电网波动，保证了电网的稳定运行。其中，在夏季典型日当中，储电共计调整了8 138.16 kW不平衡电功率，最大调整功率为167.03 kW，电网仅调整了12.02 kW不平衡电功率，最大调整功率为12.02 kW。在冬季典型日当中，储电共计调整了4 283.83 kW不平衡电功率，最大调整功率为96.79 kW，电网共计调整了569.12 kW不平衡电功率，最大调整量为216.84 kW。此外，冬夏两典型日储电与电网的调整量主要集中在白天，这是由源侧可再生能源出力和用户电负荷波动导致的。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 实时调度结果

Fig.9 Real-time scheduling results

3.3.4　冬夏典型日运行结果分析

夏季典型日不同调度方案的运行结果如表3所示。不同调度方案的总成本变化由2方面因素决定：(1)随着时间尺度的精细化，源荷数据的不确定性下降，日前＋日内＋实时的多时间尺度运行方案更符合实际运行情况，这样导致了日前和日前＋日内的调度方案须通过更多的购电来满足供需平衡关系，使前2种运行方案的购电成本相较于多时间尺度运行方案分别增加了98.93和0.94元，相应的碳税分别增加了22.07和0.3元；(2)为满足精细化时间尺度下的供需平衡，须进行设备出力的调控，这就导致了在不断的调控中增大了设备的运维成本和退化成本，尤其在实时运行阶段，由于电功率调整主要由储电承担，储电频繁的启停导致了退化成本大幅度增加，因此，多时间尺度运行方案的退化成本相较于仅日前方案增加了2 940.73元。

表3 夏季典型日不同调度方案的运行结果

Table 2 Operation results of different scheduling schemes on a typical summer day

调度方案	运维成本/元	退化成本/元	购电成本/元	碳税/元	浪费成本/元	总成本/元	可再生能源占比/%
日前	3 123.78	1 650.49	8 290.52	4 318.53	0	17 383.32	54.11
日前＋日内	3 097.78	1 913.30	8 192.53	4 296.76	0	17 500.37	54.19
多时间尺度	3 557.13	4 591.22	8 191.59	4 296.46	0	205 63.28	54.26

新窗口打开| 下载CSV

冬季典型日不同调度方案的运行结果如表4所示。与夏季典型日相同，多时间尺度运行方案相较于仅日前方案的运维成本增大了25.5%，退化成本增大了80.6%；购电成本减少了3.5%，碳税减少了1.5%，冬季总成本低于夏季。经过多时间尺度的优化，夏季多时间尺度运行方案的可再生能源占比达到了54.26%，较日前方案增大了0.15%，冬季多时间尺度运行方案的可再生能源占比达到了77.92%，较日前方案增大了0.42%，说明提出的多时间尺度运行方法，提高了系统消纳可再生能源的水平。

表4 冬季典型日不同调度方案的运行结果

Table 3 Operation results of different scheduling schemes on a typical winter day

调度方案	运维成本/元	退化成本/元	购电成本/元	碳税/元	浪费成本/元	总成本/元	可再生能源占比/%
日前	2 087.72	366.10	4 993.19	2 745.42	0	10 192.43	77.50
日前＋日内	2 091.06	486.30	4 823.98	2 712.09	21.61	10 135.04	77.61
多时间尺度	2 801.13	1 887.72	4 816.58	2 703.34	21.61	12 230.38	77.92

新窗口打开| 下载CSV

由图10所示不同运行方案成本组成分析结果可见：从日前运行方案到日前＋日内运行方案，由于电池运维成本的降低，日前＋日内方案运维成本相较于日前方案有小幅度减少，减少了26元；而退化成本主要受电解槽出力变化影响，日前＋日内方案的退化成本相较于日前方案增大了262.81元。相较于日前方案，多时间尺度运行方案由于储电的频繁启停，分别使运维成本和退化成本当中电池成本部分大幅增大，最终导致了多时间尺度运行方案的运维和退化成本增大明显。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 不同运行方案成本组成分析

Fig.10 Cost composition analysis of different operation schemes

综上，随着时间尺度的细化，系统具有了更高的可再生消纳水平，在系统成本增加的同时，提高了系统的灵活性和可靠性。

3.4　退化成本分析

系统中关键设备的退化会导致设备使用寿命降低，影响系统运行的稳定性，因此，设备退化是系统稳定运行中必须考虑的因素。本文以退化成本的占比来分析退化成本对系统稳定性的影响，占比为0代表不考虑设备退化成本。

退化成本对总成本的影响如图11所示。当不考虑退化成本时，日前、日内和实时3阶段的总成本分别为15 732.83、15 587.07和15 972.05元，相较于完全考虑退化成本，分别降低了1 650.49、1 913.30和4 591.22元；退化成本占比每增加0.25，实时阶段的总成本增加最明显，平均增加1 147.80元，这说明退化成本对提出的多时间尺度优化策略影响更显著；此外，退化成本占比为0.5是日前和日内总成本大小的临界点，在0.5之前，日前总成本大于日内，之后则反之，也说明了退化成本对多时间尺度运行策略下总成本影响是不可忽略的。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 退化成本影响分析

Fig.11 Impact analysis of degradation costs

4　结论

本文构建了结合储电、储热、储氢的综合能源社区系统，并针对该系统提出了“日前-日内-实时”多时间尺度的优化策略，主要结论如下：

(1)储能设备在系统稳定运行中起到了关键作用，储能设备在实时阶段调整了系统大量不平衡电功率，储电共计调整12 421.99 kW不平衡电功率。

(2)本文提出的多时间尺度优化策略，通过灵活协调各设备出力，有效应对了可再生能源波动和负荷不确定性对系统带来的影响。相对于传统的日前调度，采用多时间尺度优化策略，社区可再生能源消纳水平提升0.42%，购电成本降低3.5%，碳税降低1.5%。

(3)通过对供能系统典型日能量平衡的分析发现，多元储能能够充分发挥了削峰填谷作用，同时也利用峰谷电价差价提升了系统的经济性，此外，为不影响电网的稳定运行，实时阶段储电主要调整系统不平衡功率，提升系统的合理性。

(4)退化成本对多时间尺度优化策略影响显著，退化成本占比每增大25%，实时阶段总成本增大1 147.80元，当不考虑退化成本时，实时阶段总成本降低了4 591.22元，说明在研究多时间尺度优化时，退化成本不可忽视。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

International Renewable Energy Agency.

Global renewables outlook: Energy transformation 2050

[EB/OL]. (2020-08-01)[2023-02-02]. .

URL [本文引用: 1]

[2]

中国建筑节能协会，

2022年度中国城乡建设领域碳排放系列研究报告

[EB/OL]. (2023-01-04)[2023-02-02]. .

URL [本文引用: 1]

[3]

REN

, JIANG

, WU

, et al.

Integrated optimization of a regional integrated energy system with thermal energy storage considering both resilience and reliability

[J]. Energy, 2022, 261: 125333.