计及需求响应的MPIES 多时空尺度鲁棒随机优化调度

黄海涛，田胜轩，余文昶，曹俊波

（1.上海电力大学电气工程学院，上海 200090；2.中国华电集团有限公司上海分公司，上海 200126）

在“碳达峰、碳中和”目标的驱动下，分布式能源大规模并网，对系统的可靠运行和电能质量提出了较大挑战。多园区综合能源系统MPIES（multipark integrated energy system）多时间尺度调度安排，不仅能够利用园区间互济协调促进可再生能源的消纳[1-3]，还可以通过多时间尺度协调运行削弱不确定性对系统运行的干扰[4-7]，MPIES多时间尺度调度研究将成为助力碳达峰、碳中和的重要途径。

MPIES园区数目对计算规模有较大影响，在考虑多时间尺度调度安排的同时应计及空间尺度对计算规模的影响，文献[8]提出一种考虑不同时间和空间尺度的多尺度能源系统工程方法，算例验证了该方法对优化系统设计的有效性；文献[9]不仅利用多时间尺度优化电网运行，还通过多智能体系统提升系统运行稳定性；文献[8-9]在进行多时间尺度优化运行的同时，也计及了空间尺度对系统运行的影响。因此，针对MPIES 多时间尺度优化运行，应同时对MPIES 和各综合能源系统PIES（park integrated energy system）在园区规模、设备数目等空间尺度上的差异进行考虑，将多时间和多空间尺度共同进行研究。

目前，综合能源系统源荷不确定性的研究已逐渐展开，文献[10-12]考虑可再生能源预测精度相对较低及负荷预测误差相对较小的特点，对分布式能源不确定性采用鲁棒优化进行处理，负荷不确定性利用随机优化方法进行处理；文献[13]在日前和日内阶段，采用随机优化处理源、荷的不确定性问题，在实时阶段，采用模型预测控制对系统功率和电价信息进行滚动跟踪预测与校正反馈。此外，综合需求响应IDR（integrated demand response）不仅能够平抑负荷曲线，促进系统经济运行，还能够调节系统供需平衡，维持系统可靠运行，文献[14]分析IDR多时间尺度特性，建立各类型需求响应模型并制定了日前-日内上层-日内下层3个阶段的IDR多时间尺度响应策略；文献[15]考虑电、气、热、氢4类负荷需求响应，依据负荷响应特性和响应时间差异将其分类，并参与到日前-日内-实时多时间尺度优化调度中；文献[16]为充分发挥需求侧资源响应潜力，建立计及日前价格型IDR 策略和日内激励型IDR 策略的双重激励IDR 模型。因此，综合能源系统源、荷不确定性和需求响应受到了广泛的关注和研究。然而，目前大多数研究忽略了对两者进行共同考虑，尤其缺乏对其在多时间尺度上的不同特性进行共同研究。

综上所述，本文针对MPIES多时间尺度优化调度问题，结合各时间尺度源、荷不确定性特征与响应特性、园区数目对计算规模的影响，提出一种计及需求响应的MPIES 多时空尺度鲁棒随机优化调度架构并建模。通过算例验证了在各时间尺度上考虑相应的不确定性分析方法、需求响应和空间尺度能有效提高系统运行经济性和稳定性。

1 计及需求响应的MPIES 多时空尺度鲁棒随机优化调度架构

日前-日内-实时三调度阶段相互耦合，逐级优化调度策略，在不同阶段考虑相应的不确定性分析方法和需求响应控制策略，不仅使各调度阶段耦合性得以加强，也充分挖掘了各阶段的荷侧响应潜力，而对空间尺度的进一步考虑有效缓解了时间尺度缩短所导致的计算量过大。因此，本文构建计及需求响应的MPIES 多时空尺度鲁棒随机优化调度架构，如图1所示。

图1 计及需求响应的MPIES 多时空尺度鲁棒随机优化调度架构Fig.1 Architecture of robust stochastic optimal scheduling of MPIES on multiple time-space scales considering demand response

在计及需求响应的MPIES 多时空尺度鲁棒随机优化调度架构中，日前调度依据日前源、荷预测数据每24 h制定一次调度计划，时间尺度为1 h，主要确定系统中各元件基本运行状态，考虑日前源、荷预测误差大、不确定性波动幅度大的特点，结合其对需求侧资源削峰填谷的需求，采用鲁棒优化分析源荷不确定性，并通过激励型需求响应IBDR（incentive-based demand response）中可中断负荷IL（interruptible load）控制方式平抑负荷，空间尺度采用多园区多能系统；日内调度依据日前调度策略和日内源荷预测数据每15 min制定一次调度计划，时间尺度为15 min，考虑到日内源、荷预测误差随着时间尺度缩减而减少，日内对需求侧资源提高系统运行经济性的需求，采用随机优化分析源、荷不确定性，并通过IL 和替代型需求响应ADR（alternative demand response）提升系统运行经济性，结合时间尺度缩短和随机优化所带来的计算量增加，空间尺度采用单园区多能系统；实时调度阶段依据实时源、荷预测数据在线修正日内调度计划，时间尺度为5 min，源、荷不确定性采用随机优化进行分析，结合实时对需求侧资源缓解源、荷预测误差对系统影响的需求，通过IBDR 直接负荷控制DLC（direct load control）方式削减调度策略受源、荷出力波动影响，并考虑到气、热、冷能流动态响应特性较慢和计算量的影响，空间尺度采用单园区电气系统。

2 多园区综合能源系统结构及基本模型

2.1 多园区综合能源系统结构

MPIES 典型结构见图2。该系统由多个PIES联合构成一个完整高效的MPIES 合作社区。在分区自治的基础上实现交互协作，并利用不同PIES间的源、荷差异进行协调互补，最大程度地提升可再生能源发电消纳能力，提高系统整体运行的经济性和可靠性。

图2 MPIES 结构Fig.2 MPIES structure

2.2 内部系统模型

园区结构示意如图3 所示，主要设备包括风机WT（wind turbine）、光伏PV（photovoltaic）、变压器、热交换器、热电联产机组CHP（combined heat and power unit）、电动空调EC（electric air conditioner）、吸收式制冷机AC（absorption chiller）、储电ES（electric storage）、储气GS（gas storage）、储热HS（heating storage）和储冷CS（cooling storage）装置，设备具体模型见文献[17]。

图3 园区结构Fig.3 Park structure

3 计及需求响应的MPIES 多时空尺度鲁棒随机优化调度建模

3.1 计及IL 的多园区多能流系统日前鲁棒优化调度模型

3.1.1 日前源、荷不确定性鲁棒优化

日前阶段源、荷不确定性预测误差大，且多园区源、荷不确定性量总数较多。鲁棒优化通过区间扰动信息，求得系统最恶劣场景下最优策略，不需要事先给定不确定参数精确概率分布信息，且计算效率高，能较好地处理日前源、荷不确定性。

鲁棒优化工程博弈模型将经济调度决策视为与不确定扰动之间的博弈过程，在工程博弈问题中有较强的针对性和实用性[18]，采用该模型描述鲁棒优化，并采用基数性不确定集合对日前可再生能源出力和负荷数据进行建模，即

式中：de为可再生能源，de ∈{WT,PV} ；、、和分别为园区i在t时段风光可再生能源、负荷出力实际值和预测值；、分别为园区i在t时段风、光和负荷出力距离预测值的最大偏移量；、均为不确定度参数。

3.1.2 日前IL 需求响应

考虑到负荷响应特性与响应时间的不同，IBDR 可在各时间尺度上灵活部署，其存在DLC 和IL两种控制方式，两者负荷削减控制权分别归属于需求响应运营商和用户。IL不仅补偿价格低于DLC，更加经济，也更尊重用户用能意志，因此日前调度通过IL进行负荷削减，但实际响应受用户主观意愿的影响，存在用户违约的情况，需考虑用户响应不确定性。

考虑到电、气、热、冷负荷在响应特性上具有显著差异，故将IL按能流特性分开建模。

1）电、气负荷IL数学模型

式中：m为能源类型，m∈{e,g}，e、g 分别表示电能、气能；、分别为园区i在t时刻IL需求响应前和需求响应后用户负荷量；为负荷中断量。

2）热、冷负荷IL数学模型

考虑到热、冷负荷具有舒适度模糊性的特点，在适当范围内调节温度对用户舒适度影响较小，其可参与到需求响应中。热、冷负荷IL数学模型可表示为

式中：h、c分别表示热能和冷能；、分别为t时刻室内温度及其变化量；分别为IL需求响应前后热冷负荷需求量，其与室内外温度关系可表示为

式中：Z、τ分别为室内供热面积及其单位温差下的热量损失；C为单位供热面积热容；为t时刻室外温度；为t-1时刻室内温度。

3）负荷响应不确定性模型

为度量用户IL响应不确定性带来的风险，采用条件风险价值CVaR（conditional value at risk）进行风险评估[19]，假设IL 用户参与率满足正态分布，负荷需求响应不确定性风险成本为

式中：γ为风险厌恶因子；α为风险价值；β为置信水平；nw为场景总数量；Mw为第w个场景发生概率；为用户违约带来的风险损失，其具体表达式为

式中：T为所在时间尺度的时段数；为用户响应偏差量，欠响应取正，过响应取负；λp、λv分别为系统削峰成本和填谷成本。

3.1.3 目标函数

在日前调度阶段，其空间尺度为多园区多能系统，故以整个MPIES日前运行成本F1为目标函数，包括配网购能成本、设备运行成本、环境保护成本、需求响应成本、风险成本，即

式中：minmax 为鲁棒优化工程博弈模型；u为控制变量；v为不确定变量风、光和负荷功率。

各成本计算公式为

式中：T1为日前调度时段总数；、、分别为园区i在t时刻购买的电、气和热能；ce,t、cg,t、ch,t分别为对应的能量价格；cWT、cPV、cEC、cAC、cCHP分别为各设备的运行成本系数；N为所有能源集合；cS,m为储能设备单位功率运维成本；、分别为各设备的输出功率；εe,t、εg,t和εh,t分别为电、气、热碳排放系数；η为单位CO2的加工成本；分别为日前IL 备用容量和响应容量的单位功率补偿价格；分别为日前需求响应前负荷量和响应变化量；为日前IL备用容量占比。

3.1.4 约束条件

在日前调度阶段需考虑能量平衡、购能功率、设备运行、能量交互和需求响应约束条件。

1）能量平衡约束

电、气、热、冷功率平衡关系为

式中：x为所在时间尺度，x∈{da,d15,d5} ，分别为日前、日内、实时；分别为t时刻时间尺度电、气、热、冷负荷量；ηT、ηHE分别为变压器和热交换器的转换效率；、、、分别为t时刻电、气、热、冷储能装置调度功率；为t时刻EC 耗电量；为t时刻CHP 用气量；为t时刻AC 用热量；为t时间尺度下需求响应负荷削减量；为t时间尺度下替代型需求响应削减量；为t时间尺度下IBDR 削减量，包含IL 和DLC；、、、分别为园区间电能购、售量和气能购、售量。

2）购能功率约束

系统中购电、气、热约束为

式中，、分别为t时刻园区i系统购能功率及其上限。

3）设备运行约束

园区中各设备运行约束公式为

式中：q为设备类型，包括，PV、WT、变压器、热交换器、CHP、EC、AC；为相应能源设备的功率上限；、分别为储能装置t和t+1时刻储能量；分别为储能设备自损率和充、放能效率；为t时刻储能设备运行状态，放能为1，否则为0；、分别为储能设备充放能量上、下限；、分别为储能设备状态上、下限；Sm,0、Sm,T分别为充储能设备调度开始和结束时储能量。

4）能量交互约束

MPIES中各园区间电、气能量交互约束为

式中：、分别为园区ij间电、气交互能量；、分别为园区ij间电、气交互能量上限。

5）需求响应约束

日前IL约束公式可表示为

3.2 计及IL 和ADR 的单园区多能流系统日内随机优化调度模型

3.2.1 日内源、荷不确定性随机优化

随着时间尺度的缩短，日内源、荷不确定性预测误差相对减小，概率分布变得较为清晰。随机优化依据场景分析技术处理源、荷不确定性，通过相应概率分布抽取场景，并将其转换为确定性优化问题，最终以最小化各场景成本加权平均值进行求解，能较好处理日内源、荷不确定性。

在日内调度阶段，可再生能源出力和负荷数据的预测误差服从正态分布，即

式中：、分别为可再生能源和负荷的预测随机误差；σde、μde、σL、μL分别为可再生能源和负荷数据预测误差的标准差与均值。

采用蒙特卡洛法生成场景，最后通过同步回带法缩减场景数量。

3.2.2 日内IL 和ADR 需求响应

日内调度通过IL 和ADR 促进系统经济运行，优化系统能源需求。IL 数学模型见式（2）、（3）；ADR利用能源转换设备转换不同能源的特性，使得用户在不影响自身用能体验的前提下，根据能源间的相对价格来选择能源种类，其数学模型可表示为

3.2.3 目标函数

在日内调度阶段，其空间尺度为单园区多能系统，故以日内滚动周期各园区运行成本F2作为滚动调度阶段的目标函数，包括配网能量购买成本、设备运行成本、环境保护成本、需求响应成本、风险成本和能源购售收益，即

各成本计算公式可表示为

式中：T2为日内调度阶段的时段总数；、分别为日内IL备用容量和响应容量的单位功率补偿价格；、分别为日内需求响应前负荷量和响应变化量；为日内IL 备用容量占比；、分别为园区间电、气销售价格。

3.2.4 约束条件

在日内滚动调度阶段，约束条件包括能量平衡约束式（9）；能量购买约束式（10）；设备运行约束式（11）、（12）；能量交互约束式（13）；需求响应约束除了包括日内IL约束式（14），还包括ADR约束为

式中：m,n∈{e,g,h,c},m≠n；为t时刻2个能源间负荷替代量；为负荷被替代量上限；、分别为t时刻ADR 负荷总变化量及其上限。

3.3 计及DLC 的单园区电气系统实时随机优化调度模型

3.3.1 实时源、荷不确定性随机优化

在实时调度阶段，源、荷不确定性预测误差进一步减小，依旧采用正态分布对源、荷预测误差进行建模，具体模型与式（15）一致。

3.3.2 实时DLC 需求响应

实时调度更需要通过需求侧资削弱源、荷预测误差对系统调度策略的影响，DLC虽然补偿价格较高，但能够保证负荷削减指令准确执行，因此实时调度通过DLC进行负荷削减。具体模型与式（2）一致。

3.3.3 目标函数

在实时调度阶段，空间尺度为单园区电气系统，以实时调度阶段各园区电气部分运行成本F3作为目标函数，包括配网能量购买成本、设备运行成本、环境保护成本、需求响应成本和购电调整成本，即

式中：T3为实时调度阶段的时段总数；、分别为实时DLC备用容量和响应容量的单位功率补偿价格；、分别为实时需求响应前负荷量和响应变化量；为实时DLC备用容量占比；cad、分别为实时电价和实时阶段调整功率。

3.3.4 约束条件

在实时调度阶段，设备需在5 min内做出响应，故只有电气部分参与调度优化，约束条件包括能量平衡约束式（9）；电能购买约束式（10）；电气设备运行约束式（11）、（12）和需求响应约束式（14）。

4 算例分析

4.1 算例描述

选取一典型MPIES 为研究对象，该系统由居民、工业和商业3个类型园区构成，具体结构如图4所示。设定可再生能源和负荷的日前预测误差波动比例分别为20%和15%，日内预测偏差符合以预测值为平均值，分别服从0.10倍和0.05倍均值为标准差的正态分布，实时预测偏差的标准偏差为0.02倍均值；能源购售价格如表1 所示；各园区需求响应相关参数如表2 所示；MPIES 相关参数和园区储能装置参数如表3 和表4 所示；不同园区的负荷、PV和WT的预测曲线如图5所示。

表1 能源购售价格Tab.1 Prices for energy purchase and sale（¥·（kW·h-1））

表2 需求响应相关参数Tab.2 Related parameters of demand response

表3 MPIES 相关参数Tab.3 Related parameters of MPIES

表4 园区储能装置参数Tab.4 Parameters of energy storage equipment in parks

图4 MPIES 接线图Fig.4 Wiring diagram of MPIES

图5 不同园区的负荷、PV 和WT 的预测曲线Fig.5 Prediction curves of loads,PV and WT in different parks

4.2 调度结果分析

4.2.1 日前调度结果分析

日前阶段采用计及IL 的多园区多能流鲁棒优化调度模型，以居民型园区为例，其日前调度策略如图6 所示。由图6 可知，MPIES 通过多能流互补优化系统运行，对于电能需求，其主要通过上级购电满足，在高电价时段，为提高运行经济性，CHP电能输出CHP（e）（CHP electrical energy output）随之增加；热能需求主要通过上级购热满足，当上级购热达到上限时，通过增加CHP 热能输出CHP（h）（CHP heat energy output）满足其需求；冷能需求则主要通过EC 满足，在高电价时段减少EC 功率，由AC 补足冷能需求。MPIES还通过园区间电气交互弥补园区用能差异，居民型园区在用电高峰期进行购电，低谷期进行售电。

图6 居民型园区日前调度策略Fig.6 Day-ahead scheduling strategy for residential park

4.2.2 日内调度结果分析

以日前调度策略作为边界约束，日内阶段采用计及IL 和ADR 的单园区多能流随机优化调度模型，随着源、荷预测误差的减小和负荷曲线的改变，系统调度策略有所调整，以居民型园区为例，其日内调度策略如图7 所示。由图7 可以看出，热负荷在购热价格较高期间需求减少，仅靠系统上级购热即能满足，CHP 无需出力，电负荷则在该时段上级购电有所增加以填补CHP（e）出力空缺；电负荷在购电价格较高期间削峰效果显著，上级购电量有所减少，冷负荷整体有所增大，EC、AC出力随之提升。

图7 居民型园区日内调度策略Fig.7 Intraday scheduling strategy for residential park

4.2.3 实时调度结果分析

实时阶段采用计及DLC 的单园区电气系统随机优化调度模型，通过调节上级购电、储电装置和DLC 实现系统不平衡功率的实时调整。居民型园区上级购电和ES 调整功率如图8（a）、（b）所示，DLC 负荷削减如图8（c）所示。通过对上级购电、ES 和DLC的调整削弱调度策略受源荷功率波动的影响。

图8 居民型园区上级购电、ES 功率调整和实时DLC负荷削减Fig.8 Upper-lever power purchase、ES power adjustment and real-time DLC load reduction in residential park

4.3 运行成本分析

为比较不同时间尺度下不确定性分析方法和需求响应策略对系统运行的影响，验证本文所提架构的有效性，设置3种多时间尺度不确定性分析方法场景A1、A2、A3和4种多时间尺度需求响应策略场景B1、B2、B3、B4如表5所示，不同场景运行成本比较如表6所示。

表5 场景分类Tab.5 Classification of scenarios

表6 不同场景运行成本比较Tab.6 Comparison of operating costs in different Scenarios¥

1）多时间尺度鲁棒随机优化运行成本分析

A1采用鲁棒优化分析日前源、荷不确定性，系统运行在最恶劣运行场景，具体体现在源、荷值向劣（负荷预测较大，风光出力预测较小），导致其调度策略较为保守，运行成本较高，但保证在其他源、荷出力场景下，调度方案均能满足要求；A2采用随机优化处理日内源、荷不确定性，居民型园区日前鲁棒优化与日内随机优化不确定性功率比较如表7所示。由表7 可知，各类负荷功率下降8%左右，可再生能源功率上升12%左右，这是因为日内采用随机优化处理不确定性，相较于源、荷值向劣的日前鲁棒优化，其源、荷功率更精确，运行成本也有所下降；A3依旧采用随机优化处理实时阶段源、荷不确定性，通过调整系统上级购电和ES设备出力，削弱系统实时调度策略受不确定性影响，同时由于系统对购电偏差依据实时电价进行成本调整，系统总运行成本略微增加。

表7 居民型园区日前鲁棒优化与日内随机优化不确定性功率比较Tab.7 Comparison of uncertain power between dayahead robust optimization and intraday stochastic optimization in residential park

2）多时间尺度需求响应运行成本分析

B1考虑日前IL 后，系统增加了对IL 响应成本和风险损失成本，但系统配网购能成本减小更多，故系统总运行成本较A1下降1.9%；B2在B1基础上进一步考虑日内IL，深度挖掘负荷响应潜力，系统总运行成本较B1进一步减小；B3综合考虑日前IL、日内IL 和日内ADR，由于无需对日内ADR 进行补偿，故需求响应成本较B2变化不大，优化系统能源需求，系统总运行成本进一步降低2.1%；B4在B3基础上进一步考虑实时DLC需求响应后，由于系统为减小调度策略受不确定性的影响，增加了DLC响应成本，系统总运行成本略微上升，但有效维持了系统功率平衡。综上，本文提出的多时间尺度需求响应策略不仅能够促进系统运行的经济性，而且能够有效削弱源、荷不确定性对系统调度策略的影响，维持系统能源供需平衡。

4.4 需求响应分析

4.4.1 多时间尺度需求响应分析

多时间尺度需求响应能有效对负荷进行削峰填谷，平抑曲线波动。以居民型园区为例，各需求响应负荷削减量和各需求响应场景负荷曲线标准方差如表8和图9所示。

表8 居民型园区各需求响应场景负荷曲线标准方差Tab.8 Standard deviation of load curve for various demand response scenarios in residential park

图9 居民型园区各需求响应负荷削减量Fig.9 Demand response load reduction in residential park

由表8、图8（c）和图9可知：①在日前调度计及IL 后，用户根据与DR 运营商事先签订的合同在系统负荷高峰时段响应用能中断指令，电、气、热、冷负荷曲线标准方差有所下降，减小了系统负荷峰谷差；②在日内调度计及IL后，电、气、热、冷负荷曲线标准方差进一步下降，有效挖掘了负荷响应潜力，使得高峰时段的负荷值进一步减小，缓解了系统的供能压力；③在系统计及日内ADR 后，电能价格较低时段，用户选用电能来替代其他能源以提升经济性；电能价格较高时段，选择将电能替换为其他能源，并因为热能价格低于气能价格，用户也更倾向于替换为热能，电负荷曲线标准方差进一步降低，而气、热、冷负荷曲线标准方差因替代作用增加了13.2、9.4、7.2，反映了ADR 不仅加深了系统中多种能源的耦合程度，还优化了系统能源需求。④在实时调度阶段考虑DLC 后，DR 运营商可在实时调度阶段直接削减电负荷，其标准方差进一步降低0.1，有效削弱MPIES 调度策略受源、荷出力波动的影响，维持系统功率平衡。

4.4.2 IL 用户响应不确定性分析

本文通过IL 在日前调度和日内调度中平抑负荷曲线，IL 响应受用户主观意愿影响，存在用户违约的风险，CVaR 中风险厌恶因子γ反映了调度人员对用户响应不确定性的重视程度。表9 给出了不同风险厌恶因子γ下系统日前调度和日内调度的风险成本和总运行成本。由表9可知，风险成本随γ的增加逐渐降低，而系统总运行成本则相反。这是因为γ值越大，调度人员对IL用户违约的容忍度越低，调度策略相对保守，IL负荷中断量减少，系统总运行成本随之增加；γ的增加也会降低用户违约造成的损失，从而减小风险成本，提高系统运行的可靠性。因此，调度人员应根据各调度阶段实际需求选取相应的γ值，其中，日前调度阶段对风险容忍度较高，γ可设置较低；而日内调度阶段更注重系统运行的可靠性，风险容忍度较低，γ可设置较高。

表9 不同风险厌恶因子下日前、日内调度系统运行成本Tab.9 Operation costs of day-ahead and intraday scheduling systems at different risk aversion factors¥

4.5 MPIES 多时空尺度协同分析

日前鲁棒优化、日内随机优化和实时随机优化在仅计算该单时间尺度、仅考虑多时间尺度和考虑多时空尺度的运算结果经比较，调度策略和运行成本基本一致，但各调度阶段运行时间不同。单时间尺度、多时间尺度和多时空尺度下各调度阶段的运行时间如表10 所示。由表10 可知，当系统采用多时间尺度调度计划时，日前鲁棒优化不仅能确定各单元基本运行状态，使日内随机优化寻优初值更接近最优解，其最恶劣运行场景也为日内随机优化缩小寻优空间，相较于单时间尺度缩减了运行时间；系统在多时间尺度调度计划基础上进一步考虑多时空尺度调度计划时，日前多园区多能流-日内单园区多能流-实时单园区电能多空间尺度，使得系统计算维度由多园区设备出力-单园区设备出力-单园区电气设备出力不断减小，降低了系统运算复杂度，图10 给出了多时间尺度与多时空尺度日内调度迭代次数对比。由图10 可以看出，随着空间尺度的缩小，减小其迭代次数，相较于多时间尺度进一步缩减了运行时间。

表10 单时间尺度、多时间尺度和多时空尺度下运行时间比较Tab.10 Comparison of running time when the system operates on single time scale,multiple time scales and multiple time-space scales,respectivelys

图10 多时间尺度与多时空尺度日内调度迭代次数对比Fig.10 Comparison between intraday iteration times on multiple time scales and that on multiple timespace scales

5 结 论

本文构造了一种计及需求响应的MPIES 多时空尺度鲁棒随机优化调度架构，日前建立计及IL的多园区多能流系统鲁棒优化调度模型；日内建立计及IL和ADR的单园区多能流系统随机优化调度模型；实时建立计及DLC的单园区电气系统随机优化调度模型，综合分析比较了各调度阶段不确定性分析方法、需求响应和空间尺度数据。主要结论如下。

（1）MPIES多时间尺度不确定性分析由日前鲁棒优化过渡为日内随机优化，不仅符合各时间尺度源、荷不确定性特点，逐渐削弱系统调度的保守性，减小系统运行成本，而且日前鲁棒优化调度也能为日内随机优化调度缩小寻优空间，减小日内运行时间。

（2）在不同时间尺度计及响应特性不同的需求响应资源，能够挖掘负荷的响应潜力，有效调整负荷曲线，不仅缓解能源供应压力，提高系统运行经济性，还能削弱调度策略受不确定性的影响，提高系统运行稳定性。

（3）MPIES 通过日前多园区多能系统-日内单园区多能系统-实时单园区电气系统多空间尺度协同优化，有效减小了日内和实时阶段的计算维度，并减少其迭代次数，从而缩减了系统运行时间。