基于中枢解耦与演化博弈的多农业园区综合能源系统优化运行

2022-02-17边辉陈丽娜马凡琳张新姜金朋

电力建设 2022年2期

边辉，陈丽娜，马凡琳，张新，姜金朋

(1.国网平凉供电公司，甘肃省平凉市 744000；2. 内蒙古科技大学信息工程学院，内蒙古自治区包头市 014010)

0 引言

农业现代化是实施农村振兴战略的总目标，其中农业园区化是现代农业的重要发展方向[1]。但是，我国农网多以长线路、单辐射的架空线为主，线路末端电压质量低，当含灵活性源荷的多个农业园区并入农网末端时将进一步恶化农网电压质量[2-3]。此外，设施农业环境具有脆弱性，高比例新能源和多能协同的供能呈现随机性，导致农业园区面临经济效益和农业安全的双重挑战，目前已有考虑农作物脆弱性的光照、供暖农业安全指标[4]，考虑设施农业负荷特性的光伏运行控制方法[5]，但是在考虑农业脆弱性的农业园区安全分析和运行方法的研究仍然留有大量空白[6]。

近年来国内外综合能源系统(integrated energy system，IES)优化运行方面的研究大多是以经济度和能效为目标，优化配电网和工业园区运行方式。文献[7]构建了沼气-风电-光伏微能源网优化运行模型，建立了详细的生物沼气模型。文献[8]在IES优化运行中考虑了用户需求响应和冰蓄冷模型。文献[9]提出了一种电-气-热多参与者的应急调度方案。文献[10]提出了考虑多项储能服务的用户综合能源系统优化调度策略。文献[11]通过园区电动汽车与地源热泵协同，改善了“以热定电”的弃风弃光问题。文献[12-13]基于冷热电气耦合关系的需求侧多元价格响应，保证了系统的经济效益。文献[14]在文献[13]的基础上兼顾供能侧与用能侧性质，进一步提高了电-热系统的能效。上述研究极少涉及农网和农业园区的研究，以及在优化目标中未考虑电网电压安全和园区用能安全性。

针对农网的农业园区具有时空跨度广、内部能源复杂的特点，利用能量中枢等效解耦的思想对多能元件、能源传递关系进行“打包”，建立统一的运行模式将具有更加高效便捷的优势[15]。如文献[15]将含多能源的单个园区等效为一个能量中枢，各中枢间构建了纳什均衡的非合作博弈。文献[16]将微网和配电网作为2个相互博弈的利益层，微网等效为配网的虚拟负荷。文献[17]构建了配网-微网-负荷之间的3层博弈调度策略。但是中枢解耦后的经典博弈算法在随着优化主体和优化变量的维度增加，任何一个博弈主体的某个变量有较大变动时，均可能导致进入新的博弈状态，难以保证博弈的Nash均衡的存在性和唯一性[18]；演化博弈作为群体层面上的非完全有理性博弈方法，通过群体试错和进化原理达到演化稳定，可有效解决上述问题，近些年已广泛用于经济学、实验学领域[19]，且新的演化博弈机制和演化规则也相应被提出和应用，如启发式群体智能算法、神经网络算法等[20]，在综合能源领域方面，该方法近几年才逐渐被应用于用户需求侧响应与用能决策方面[21]。

综上所述，目前研究存在的主要问题有：1)现阶段农业园区综合能源系统(agricultural integrated energy system，AIES)较少考虑间歇性波动功率对电网电压质量的影响，以及园区自身的安全用能需求；2)目前广泛采用的经典博弈方法难以解决多园区、多目标、多变量的复杂博弈时，存在强理性、Nash均衡求解难的问题。

针对上述问题，本文提出一种基于中枢解耦与演化博弈的AIES运行方法。首先，建立农业园区能源耦合架构和园区内需求侧响应模型。然后，基于能量中枢概念对农网和多农业园区解耦，建立农网层与多农业园区层的双层博弈机制，上层农网考虑电压质量和电量成本，下层多农业园区考虑用户综合成本和包含用能安全的用户满意度。博弈策略采用基于满意度中心距的多目标粒子群优化(multi-objective particle swarm optimization，MOPSO)的演化博弈算法，并加入博弈劣向限制因子，保证博弈的优化方向和博弈效率，以期实现多农业园区综合能源系统的优化运行。

1 农业园区综合能源系统

1.1 农业园区双向耦合供能结构

本文搭建了单个农业园区的内部AIES双向耦合系统，如图1所示。各能量源及转换过程如下：能量源主要为电源和沼气源，通过热电联供系统(combined heat and power，CHP)燃烧沼气进行发电和产热，实现了气转电(gas to power，G2P)和气转热(gas to heat，G2H)过程；AIES中通过电锅炉、空调设备实现了电转热(power to heat，P2H)过程；沼气锅炉以沼气为燃料产生热能，实现了G2H过程；通过电解氢实现气转电过程，但因成本过高和安全风险大，目前尚未广泛投入应用，图1中用虚线标注。

图1 AIES双向耦合能源系统示意图Fig.1 Schematic diagram of AIES bidirectional coupling energy system

在分布式电源方面，AIES中屋顶分布式光伏(photovoltaic，PV)、小功率风电(wind turbine generator，WTG)可通过整流逆变器进行功率调整和电源投切。在需求侧负荷方面，将电、气负荷按照可调性分为柔性负荷和非柔性负荷2类，其中柔性负荷主要包含农用电动车(rural electric vehicle，REV)、温室大棚的电-热负荷、其他多种农业设施负荷。

1.2 农业园区需求侧响应负荷模型

1.2.1 电负荷功率模型

本文农业园区是以温室大棚种植业为主的综合能源园区，按是否可中断、是否可转移将电负荷分为4类：1)非可时移、非可中断为固定电负荷，如农业园区的换气扇、卷帘电机、监测系统等[5]；2)非可时移、可中断负荷，如夜间照明灯；3)可时移、非可中断负荷表示用电总量一定、可灵活分时段进行供电的负荷，但供电期间不可中断，如LED补光灯；4)可时移、中断负荷，如REV充放电、沼气供暖器、蓄水泵、等离子固氮与水处理、水肥一体化等。

1)非可时移、可中断负荷功率。

(1)

2)可时移、非可中断负荷功率。

(2)

(3)

Ttra_min≤t≤Ttra_max

(4)

3)REV充放电功率。

REV以农用运输车、农业电动皮卡为代表，功率模型为：

(5)

(6)

4)温室大棚LED补光灯功率。

温室大棚光照是农作物安全生长的关键因素，须保证作物单日累计光照在合理范围内，光照不足作物生长缓慢，光照过剩抑制生长，因此需要在太阳光的基础上，控制LED补光灯的功率，其功率及参数为[4]：

(7)

(8)

式中：PLED为LED补光灯总的功率；Ie为LED灯的平均照度，lx；A为光伏大棚总面积，本文取为2 000 m2；Φ0为单位面积每lx光通量，取为2.8 lm；C1和C2为修正系数，本文取为1；ηe为补光灯光效，荧光灯为65l m/W；ke为照度换算系数，与补光灯设备有关，本文LED灯采用荧光灯，该系数为12.5；Isetting为温室内设定的光照强度，取为347 μmol/(s·m2)；Iindoor(t)为大棚内当前实测光照强度。

1.2.2 热负荷功率模型

利用温室大棚对温度的感知具有模糊范围，有弹性地调节热力负荷以响应运行需求[20]。但温室的恒温是农作物生长的另一关键因素，因此需要提供稳定的热源，本文以沼气产热的散热器为主要热源，模型为[4]：

HQC=kqAqΔTe+ρeNqV(cqΔTe-hqΔWe)

(9)

ΔTe=Tindoor-Te(t)

(10)

式中：HQC为大棚总的热力负荷需求；kq为大棚玻璃的传热系数，取为6.2 W/(m2·℃)；Aq、V为大棚表面积和体积，分别取为2 500 m2、12 000 m3；ρe为大棚内空气密度，取为1.22 kg/m3；Nq为换气次数；cq为空气定压比热容，取为1.01 kJ/(kg·m3)；Tindoor、Te(t)、ΔTe分别为棚内温度、棚外温度、棚内外温差，其中Tindoor目标值设定为20 ℃；hq为水的气化潜热，取值为2 443.6 kJ/kg；ΔWe为棚内外空气含湿量差，取值为7.825 g/kg。

1.3 农网与农业园区能量约束条件

1)农网不等式约束。除了农网的能量守恒等式约束外，还包含以下不等式约束：

(11)

2)农网与农业园区连接节点约束。

(12)

3)农业园区设备电功率约束。

(13)

4)需求侧负荷用能约束。

(14)

5)燃气流量平衡约束。

Ggas(t)=GEBi(t)+GCHPi(t)+GLoadi(t)

(15)

式中：Ggas(t)为燃气管道最大的燃气流量；GEBi(t)、GCHPi(t)分别表示沼气锅炉、CHP机组在t时刻的燃气流量，其中CHP使用的燃气分为产热和发电2种用途；GLoadi(t)为直供的燃气负荷流量。

2 基于中枢解耦的农网与多园区双层优化模型

2.1 基于中枢解耦的农网与多园区能量层级划分

本文根据中枢解耦原理[18]，农网作为能量中枢向园区稳定可靠的能源支撑，可等效为虚拟电源；农业园区作为购电者，可等效为集中虚拟负荷，两者耦合变量为交换电功率，形成双层能量耦合关系。

本文将农网和园区分为上下层：上层为农网层，以电压安全裕度最大和运行成本最低为目标，决定与农业园区的交换功率；下层为各农业园区，是博弈的跟从者，根据交换电功率，以园区内的AIES成本最低、用户满意度最高为目标，协调园区内的电和热负荷、DG功率、REV充放电功率、沼气锅炉、CHP机组等需求侧灵活性资源，并将间接性波动功率反馈至上层农网，农网再重新调整交换功率，进行下一次博弈。

2.2 农网层多目标优化模型

1)子目标1：农网电压安全裕度最大。

以系统正常状态下以及预设故障下电压安全裕度综合最大，其中预设故障为使电网电压抬升最大的某个负荷节点切离，或DG、燃气轮机故障停机造成的最大电压暂降情况，其数学模型为：

(16)

2)子目标2：农网运行成本最低。

F2(t)=Cpower(t)+CΔP_loss(t)+

CLine_loss(t)+CDG_loss(t)

(17)

式中：F2(t)为农网运行成本；Cpower(t)为电力交换成本；CΔP_loss(t)为间歇性功率波动惩罚成本；CLine_loss(t)为网损成本；CDG_loss(t)为弃风、弃光惩罚成本。

ΔPWTG(t)+ΔPREV(t)]LDG(t)Δt

(18)

式中：ΔPPV(t)、ΔPWTG(t)、ΔPREV(t)分别为光伏、风电和REV的波动功率；LDG(t)为功率惩罚价格。

2.3 多农业园区层多目标优化模型

各农业园区的优化变量为园内REV、DG、需求侧响应负荷，其优化目标为：

1)子目标1：园区综合成本最低。

f1(t)=Cpload(t)+Cgas(t)+CDIR(t)

(19)

式中：Cpload(t)为园区电力成本；Cgas(t)为园区燃料成本；CIDR(t)为需求侧响应调控成本。

2)子目标2：用户满意度最高。

用户会根据自身用能需求主动调整运行方式，经济度评估方法为与原最佳舒适度运行方式下的经济差异[22]。舒适度为与原设定的温室大棚光照度和温度差异，其数学模型为：

(20)

3 基于MOPSO与演化博弈的AIES运行策略

根据农网与农业园区解耦分层结构和优化模型，本节将建立双层演化博弈模型，并对博弈算法和博弈过程进行优化。

3.1 演化博弈模型

演化博弈的三要素为参与者群体、策略和效用[18]。本文演化博弈的参与者群体为农网与X个农业园区，其博弈环节主要分为以下3个步骤：

1)农网首先根据电压安全裕度USA1(t)和USA2(t)、运行成本F2(t)、各园区内间歇性功率波动ΔPPV(t)、ΔPWTG(t)、ΔPREV(t)进行综合寻优，决定与各园区的交换功率PEX(x)，x为农业园区编号。

2)农业园区的用户群体总数为X个，当各个农业园区接收到农网的交换功率PEX(x)指令，立即进行需求侧响应。根据园区的综合费用和用户满意度，调控柔性电负荷PREV(t)、PFP(t)、PTRA(t)，柔性热负荷HQC(t)，以及对PV和WTG出力进行调整，得到每个园区用户的用能策略。

3)各农业园区将间歇性功率波动情况、弃光弃风量反馈至农网，农网接收到反馈量，再进行多目标优化得到新的交换功率，重复上述步骤直到双方用能策略不变。

在上述动态博弈的基础上，本文提出基于启发式智能算法的演化博弈方法，上层农网在进行内部寻优时采用MOPSO算法，随机初始生产Y个粒子，每个粒子y由与各园区的交换功率组成y{PEX(1),PEX(2), …,PEX(X)}，粒子进行全信息共享和历史信息留存，每一次博弈过程中，农网将上次博弈的最优粒子作为优化粒子，加入到经随机初始化后的种群中，以引导农网算法在本次博弈中的进化方向，以及加快优化效率，得到本次对农网最优的交换功率策略y′{P′EX(1),P′EX(2),…,P′EX(X) }。

之后各个农业园区得到与之相应的交换功率指令P′EX(x)，例如园区x得到指令P′EX(x)，同样采用MOPSO算法，园区x随机产生Z个全信息共享和历史信息留存的粒子z{PREV(t),HQC(t),PFP(t),PTRA(t),PPV(t),PWTG(t)}，将上次博弈中本园区的最优粒子zx和其他园区的最优粒子{z1,z2, …,zx-1,zx+1, …,zX}加入到经随机初始化种群中，以引导园区x在本次博弈的用能决策，得到本次博弈的最优决策z′x。

3.2 基于满意度中心距的MOPSO算法

上述的MOPSO算法多采用专家权重分配方法，该方法主观性强，易忽略不同子目标的量纲和数值大小影响，因此本文提出基于满意度中心距的MOPSO算法，该方法以粒子的每个子目标与当前迭代中最优子目标的满意度距离，来判断该粒子在本次迭代中是否为最优粒子。其中常规的PSO算法参见文献[23]，满意度中心距公式为：

(21)

多目标满意度中心距的定义为目标满意程度Ox(s)与目标最优函数满意度之间的距离，表达式为：

(22)

式中：D(s)表示第s个粒子的满意度中心距值；X为目标的数量。若第s个粒子的满意度值越高，则第s个粒子的取值综合越优。

3.3 演化博弈劣向限制协议

演化博弈中农网参与者和各园区参与者均是根据对方反馈的功率进行自身优化，因此两者均是根据对方的反馈条件进行“妥协”，从而产生当前自身的最优解，但两者无法得知己方输出的结果是否能使对方向着有利方向发展，因而使博弈环节存在双方都朝着不利方向发展的可能，本文称之为劣向博弈，该过程不仅影响博弈效率，而且对演化结果产生不利影响。为此，本文提出演化博弈劣向限制协议，协议内容如下：

3.4 演化博弈流程

本文演化博弈流程如图2所示。

步骤1：输入原始数据，输入模型与算法的参数；

图2 演化博弈流程Fig.2 Flow chart of evolutionary game

步骤2：农网层输入各电网节点的负荷、各园区反馈的ΔPPV(t)、ΔPWTG(t)、ΔPREV(t)数据，然后随机生成Y个粒子，若是第一次博弈则执行下一步，否则将上次博弈的最佳交换功率策略y′(k)加入到Y中，再执行下一步；

步骤3：农网以电压安全裕度和运行成本为目标，采用基于满意度中心距的MOPSO算法，进行种群迭代求解，迭代收敛后得到最优的交换功率策略y′(k+1)；

步骤4：各个农业园区根据交换功率策略y′(k+1)，进行各园区内的需求侧负荷响应，以及PV和WTG的调控，其中所有农业园区x都随机生成Zx个粒子，若是第一次博弈则执行下一步，否则将上次博弈的本园区最优用能策略zx(k)和其他用能园区最优用能策略{z1(k), …,zx-1(k),zx+1(k), …,zX(k)}加入到Zx中，再执行下一步；

步骤5：各个农业园区x都以综合成本最低和用户满意度为目标，同样采用基于满意度中心距的MOPSO进行迭代求解，迭代收敛后得到各农业园区x的用能策略z′x；

步骤6：根据演化博弈限制协议，判断博弈是否朝劣向发展，若是，则及时进行修正，将第k次的博弈结果和效用替换给第k+1次，再执行下一步，若不是，则直接执行下一步；

步骤7：根据演化均衡判断条件，判定是否处于均衡状态，若是，停止博弈，输出结果，若不是，则博弈次数k加1，返回执行步骤2。

4 算例分析

4.1 算例及参数信息

本文仿真软件为MATLAB 2016a编程仿真，操作系统为64位Windows 10系统。算例以南方某农村37节点的10 kV配电网为算例对象，其拓扑结构如图3所示。

图3 农网线路拓扑Fig.3 Topology of rural network

4个农业园区接入的电网节点为18、28、33和36。农业园区内部设备接线如图1所示，本文中以REV分布式储能代替蓄电池，不考虑P2G电解氢以及储热罐部分。各园区内配置均相同，内容如下：可控的大功率REV充电桩3个，每辆REV蓄电池容量为80 kW·h，额定充放电功率60 kW;可控PV设备2个，每个装机容量为200 kW；WTG设备1个，装机容量为100 kW；CHP设备1个，其最大发电G2P和产热G2H功率均为120 kW；沼气的生物料投入量充足，可供持续的燃气应用；燃气热锅炉负荷共有2个，每个80 kW；电锅炉1个，额定功率为200 kW。

园区其他经济参数为：天然气价格为2.28元/m3，弃风、弃光惩罚成本均为0.45元/kW，光伏、风电和REV的波动功率惩罚成本为0.2元/kW；非可转移、可中断类负荷功率范围为20～50 kW，可转移、不可中断电力负荷为50 kW，柔性热力可调负荷功率范围为180～288 MJ/h。

本文选取冬季某典型日进行算例分析，典型日功率曲线、典型日大棚外温度和光照强度[5]如图4所示。

4.2 仿真结果及分析

4.2.1 OPDis-MOPSO与演化博弈的算法分析验证

本文演化博弈中农网和农业园区的MOPSO算法迭代次数均为100次，种群大小均为50，最大演化博弈次数为100次。首先分析在每次博弈过程中，加入历史博弈过程的最优粒子群算法命名为OPDis-MOPSO，对比未加入最优粒子的粒子群算法命名为Dis-MOPSO，以农网10:00的负荷数据为例，两者的迭代过程如图3所示。

图4 AIES典型日负荷及环境情况Fig.4 AIES typical daily load and environmental conditions

图5 MOPSO优化过程对比分析Fig.5 Comparative analysis of MOPSO optimization process

由图5可以看出，OPDis-MOPSO对比Dis-MOSPO算法，前者在第1次迭代的初始值更优，而且算法收敛速度更快，在第8次达到收敛，优于Dis-MOSPO的18次收敛，收敛结果略优于Dis-MOPSO，其原因为OPDis-MOPSO将上次博弈的最优粒子加入到初始种群中，该粒子较随机生成的粒子离最优解更加接近，引导种群更新迭代，减少了非必要的寻优过程。

下一步验证演化博弈相关算法的有效性。将经典博弈(classic game，CG)算法加入限制协议(restriction agreement，RA)的经典博弈命名为CG-RA；与MOPSO相结合的演化博弈(evolutionary game，EG)算法命名为EG-MOPSO；本文演化博弈算法(evolutionary game restriction agreement，EGRA)命名为EGRA-MOPSO，4种算法对比分析，验证群体进化的演化博弈算法、劣向限制协议、本文最终的博弈算法的有效性，分别与经典CG算法对比分析，其农网层和园区层的博弈过程如图6所示。

图6 演化博弈与经典博弈算法对比分析Fig.6 Comparative analysis of evolutionary game and classic game algorithm

对比图6(a)和图6(d)可知，在CG中加入限制协议，限制农网和园区同时朝着不利方向变化，如第58次迭代时，农网和园区同时出现满意度距离突然激增的劣化表现，采用限制协议判别后，双方舍弃此次博弈结果，以上次博弈的结果替代本次结果，使劣向博弈的过程得到了平抑，因此加入本文提出的劣向限制协议，保证了博弈的正确方向，而且博弈过程更加平滑，有利于达到均衡状态。

对比图6(b)和图6(e)可知，EG-MOPSO在39次博弈后达到演化均衡状态，证明本文提出的EG-MOPSO算法可通过多次博弈达到博弈均衡状态，经典博弈算法CG在100次博弈中未达到均衡状态，究其原因，EG-MOPSO采用群体更新进化原理，农网层每次博弈均在上次博弈最优策略的基础上进行，园区在上次博弈中本园区和其他园区最优策略的基础上进行，不断更新试错，直到找到令双方满意的最优策略；而CG在博弈过程中缺少进行寻优的过程，易受农网和园区的多目标、多变量的影响，导致难以达到均衡状态。

对比图6(c)和图6(f)可知，本文所提的EGRA-MOPSO结合群体进化和限制协议，对比经典博弈CG，存在演化均衡状态，且在第18次达到演化均衡，效率更高；因舍弃了劣向的博弈，算法波动幅度更小。综上所述，相比经典博弈方法，EGRA-MOPSO具有能达到演化均衡的能力，且具有博弈方向准确性好和博弈效率更高的优点。

4.2.2 EGRA-MOPSO在农网与多农业园区中的应用验证

上层农村配电网以电压安全裕度和综合运行成本为目标，采用EGAR-MOPSO算法，得到与4个农业园区AIES1—AIES4的交换功率，其曲线如图7所示。

图7 电网与农业园区的交换功率Fig.7 Power exchange between grid and AIES

图7中，各交换功率曲线基本呈现在白天负荷高峰期间，农网向AIES系统输送功率较大，夜间输送功率较小，本文以最大交换功率的AIES2进行需求侧分析，其园区内REV和DG功率堆叠如图8所示。

图8 AIES2园区内可控电功率堆叠Fig.8 Electric power stacking in AIES2 park

图8为AIES2中，各个REV和DG日运行功率方案，图中横轴上半部分为用能功率，横轴下部分为供能功率。从图8中可知，需求侧REV功率在白天积极参与充放电策略调控，进行需求侧响应，在21:00—07:00充电负荷显著增加，仅伴随少量放电行为，总体呈现以晚上充电为主，白天放电为主，且白天灵活参与调控。PV白天基本处于满发状态，为农网和电压提供支撑，对比图4中PV曲线仅有少量的弃光。RIES3的柔性负荷与燃气发电功率如图9所示。

图9 AIES3园区的柔性负荷与燃气发电功率Fig.9 Flexible load and G2P power in AIES3 park

图9中，柔电柔热用负荷、燃气发电功率基本与图4中电、热负荷基本保持一致，在高峰期转移部分负荷至夜间低谷期，或者中断部分负荷，使交换功率更加平缓，达到削峰平谷的目的，间接提高电网的安全性和经济性；同时在需求侧利用用户对温度感知具有模糊度，动态削减部分热力负荷，特别是在负荷高峰期削减更大，不仅有效减少用户用能成本，还缓解了园区用能压力。上午和傍晚在负荷高峰期，且光伏发电功率小，此时G2P发电功能启动，将燃气转为电能为电网提供功率和电压支撑；在中午光伏基本满发，而负荷有所降低时，此时关停G2P，尽可能提高光伏的利用率。

需求侧响应前后，园区日指标对比如表1所示。

表1 园区需求侧响应日指标对比Table 1 Comparison of daily indicators of park demand-side response

根据表1中的日指标结果，园区需求侧响应后向电网的购电量和购气量有小幅下降，其原因是通过功率设备调节，需求侧负荷少量切离，降低电功率需求，而且通过负荷的平移减少了弃风弃光量，因此购电量降低，用电成本降低；另一方面，在用户需求范围内适当调低了热负荷功率，减少了购气量，同时也降低了总的用能成本。用户满意度因需求侧负荷调节降低了用户舒适度，但节省了用能成本，使经济性提高，因此总的用户满意度基本持平。

为说明本文双层博弈机制的有效性和可行性，设置如下方案：

方案1：本文优化模型；

方案2：上层目标仅考虑运行成本；

方案3：上层无博弈过程，各园区严格执行固定的交换功率；

方案4：上层目标仅考虑运行成本，且上下层无博弈过程，各园区严格执行固定的交换功率。

各方案下系统的日运行结果对比如表2所示。

表2 各方案下系统的日运行结果对比Table 2 Comparison of daily operating targets under each scheme

由表2中结果可知，方案2中上下层未考虑电压安全裕度，日均电压安全裕度标幺值相比方案1降低了0.29，电压越限风险相比较高。方案3缺少交换功率的博弈机制，上层直接固定交换功率，导致方案3下层AIES用户满意度和经济成本表现较差。方案4未考虑电压安全裕度，因此电网的电压安全裕度较低，仅以电网运行成本为目标，因此该目标函数最佳为8 863.23元，但无博弈过程，固定交换功率下牺牲了AIES园区经济度和满意度，因此方案4除了电网经济成本有优势外，其他方面表现均较差。因此，本文的优化方案兼顾了电网电压安全和园区的经济性，且通过与下层AIES的动态博弈，使其经济度和满意度处在较好的水平，综合的表现最优。4种方案其他日运行结果对比如表3所示。

进一步分析表3中不同运行方法下温室大棚内的作物用能情况，可知方案1和方案2，对比方案3和方案4，其光照强度更加充足，补光量更佳，同时室内温差与设定的目标温度差距更低，其原因为方案1和方案2通过基于中枢解耦后的上下层博弈机制，根据园区用能需求动态调节交换功率，使园区作物供能满意度提升，作物生产环境更优，进而说明本文上下层博弈机制在AIES优化运行中的有效性。