《Next Energy》:Bi-level stochastic optimization for hybrid hydrogen-battery microgrid planning with degradation-aware operations and demand response
编辑推荐:
本文提出了一种新颖的双层随机优化框架,用于并网微电网的长期规划与短期运行,该微电网集成了可再生能源发电、电池储能和氢能系统。上层模型确定光伏(PV)组件、电池储能系统(BESS)、电解槽、燃料电池和储氢罐的最优容量,以最小化全生命周期成本,包括不确定性条件下的
本文提出了一种新颖的双层随机优化框架,用于并网微电网的长期规划与短期运行,该微电网集成了可再生能源发电、电池储能和氢能系统。上层模型确定光伏(PV)组件、电池储能系统(BESS)、电解槽、燃料电池和储氢罐的最优容量,以最小化全生命周期成本,包括不确定性条件下的投资、维护和预期运行支出。下层模型调度日常运行,以最小化来自电网交易、需求响应(DR)、启停事件以及BESS、电解槽和燃料电池的物理信息退化成本。主要创新包括:(1)具有详细退化建模的协调氢-电池储能;(2)整合激励型和价格型DR以实现负荷灵活性;(3)通过Karush-Kuhn-Tucker(KKT)条件和Big-M技术将双层问题重构为可解的混合整数线性规划(MILP)。仿真表明,与传统模型相比,年运行成本降低20%,储能利用率为80%,氢气产量为38,000千克,弃电率为4%。敏感性分析验证了系统对可再生能源发电、电价、DR激励和组件效率不确定性的鲁棒性。所提出的框架在成本效益、可持续性和运行灵活性方面优于现有方法。
论文解读文章
**一、研究背景与现存问题**
随着全球能源转型的深入推进,可再生能源在电力系统中的渗透率持续提升,微电网作为整合分布式能源资源的关键载体,其规划与运行优化成为学术与工业界关注的焦点。并网微电网通常集成光伏(Photovoltaic, PV)发电、电池储能系统(Battery Energy Storage System, BESS)以及氢能系统(包括电解槽和燃料电池),以实现多种时间尺度上的能量平衡。然而,当前微电网规划与运行研究面临三个核心挑战。
第一,长期投资规划与短期运行决策之间存在结构性脱节。传统规划模型往往将光伏容量、电池规模等投资决策视为确定性优化问题,或采用过度简化的随机方法,未能充分捕捉可再生能源出力(如太阳辐照度)、实时电价和负荷需求的联合不确定性。这种脱节导致资产配置要么过度保守(推高资本成本),要么鲁棒性不足(增加运行风险),规划决策无法反映日常运行的随机性现实。
第二,现有框架对技术特异性退化机制的刻画严重不足。电池寿命依赖于放电深度和循环次数,而电解槽和燃料电池的退化则与运行小时数、启停循环次数、爬坡应力及最小负荷约束密切相关。部分研究仅以粗略的循环计数法处理电池退化,或仅对电池磨损建模,而对氢能系统组件的退化机制往往忽略或简化为线性成本项。研究表明,退化成本可占全生命周期总成本的20%–40%,忽略这些物理退化机制将严重扭曲生命周期成本评估,导致资产寿命被高估。
第三,混合储能协调与需求侧灵活性之间的协同潜力尚未被充分挖掘。电池储能适用于短时高频功率调节,氢能系统则适合长时季节性储能,二者具有天然互补性。然而,多数模型将这两类技术孤立优化,且未有效整合激励型负荷削减与价格响应型负荷转移,限制了系统降低峰值需量电费、参与电网辅助服务以及利用时间套利机会的能力。
此外,计算可解性迫使研究者在模型保真度与求解效率之间做出妥协。双层或随机规划问题常通过分解启发式算法(牺牲最优性)或线性近似(丢失启停成本、效率曲线等关键非线性动态特性)加以简化。当前尚缺乏一个统一框架,能够同时兼顾随机规划、物理退化建模与储能-需求响应协同运行,同时保持面向实际应用的计算可行性。
**二、研究内容与主要结论**
针对上述研究空白,本文提出了一种新颖的双层随机优化框架,用于并网微电网的长期规划与短期运行协同优化。该框架采用Stackelberg博弈结构:上层模型作为长期投资规划层,在不确定性场景下确定光伏、BESS、电解槽、燃料电池和储氢罐的最优容量,以最小化包含投资成本、固定运维成本和预期运行成本的全生命周期总成本;下层模型作为短期运行调度层,在给定上层资产配置的前提下,针对每个概率场景最小化包含电网交互费用、需求响应成本、启停成本及电池/电解槽/燃料电池退化成本的日运行成本。
研究得出以下核心结论:(1)与传统模型相比,所提框架可实现年运行成本降低20%,储能利用率达80%,年产氢量38,000千克,弃电率仅4%;(2)需求响应与混合储能的协同优化可显著降低峰值需量电费和电网依赖度,混合配置方案在四种系统配置中综合表现最优;(3)敏感性分析验证了系统对可再生能源出力、电价波动、需求响应激励和组件效率等不确定因素的鲁棒性;(4)与三种现有基准模型相比,所提框架在成本效益、可持续性和运行灵活性方面全面占优。该论文发表于《Next Energy》。
**三、关键技术方法**
研究人员构建了双层随机优化模型,上层为投资规划,下层为运行调度。为求解该非凸、非线性的双层问题,研究采用以下关键方法:(1)将下层问题替换为其Karush-Kuhn-Tucker(KKT)最优性条件,将双层模型转化为单层数学规划均衡约束(Mathematical Program with Equilibrium Constraints, MPEC)问题;(2)利用Big-M技术对互补松弛条件进行线性化处理,将MPEC进一步转化为可解的混合整数线性规划(Mixed-Integer Linear Program, MILP)模型,通过商业求解器求解至全局最优;(3)不确定性场景采用蒙特卡洛抽样结合自回归滑动平均(Autoregressive Moving Average, ARMA)模型生成初始500个等概率场景,再通过快速前向选择场景缩减方法(最小化Kantorovich距离)最终缩减至50个代表性场景;(4)电池退化成本按充放电循环次数线性建模(系数为0.01美元/循环),电解槽与燃料电池退化成本按运行小时数线性建模(系数分别为0.05美元/小时和0.03美元/小时),退化成本在下层内生计算并反馈至上层投资决策。仿真参数基于典型微电网工程实践设定,规划周期20年,折现率5%,未涉及特定临床或人群样本队列。
**四、研究结果分析**
**4.1 投资成本与运行成本对比**
研究设置了四种系统配置场景:基准场景(无DR)、高可再生能源场景、需求响应场景和混合场景(高可再生能源+DR)。结果显示,混合场景总投资约1,050万美元,高于基准场景的900万美元,但其年运行成本降至240万美元,较基准场景的280万美元降低14.3%。高可再生能源场景总投资1,100万美元,年运行成本260万美元;需求响应场景总投资990万美元,年运行成本230万美元(四种配置中最低)。这表明虽然引入可再生能源和DR机制需要额外初始投资,但长期运行成本节约显著,投资回收期合理。
**4.2 储能利用率与弃电率**
混合场景实现最高的储能利用率80%,较基准场景的65%提升15个百分点;弃电率降至4%,而高可再生能源场景在无DR辅助情况下弃电率高达10%。需求响应场景弃电率最低为3%。该结果表明,需求响应机制在消纳过剩可再生能源、减少弃电方面发挥关键作用,与混合储能系统形成有效协同。
**4.3 氢气生产**
高可再生能源场景年产氢量最高达40,000千克,混合场景为38,000千克,需求响应场景为35,000千克,基准场景为30,000千克。结果显示,可再生能源渗透率的提升直接促进电解槽产氢量增加,而DR机制的引入虽然小幅降低了氢气产量(与高可再生能源场景相比),但系统整体经济性更优,体现了氢能在长时储能中的战略价值。
**4.4 敏感性分析**
研究对可再生能源发电量、电网购电价、需求响应激励和组件效率四个关键参数进行了敏感性分析。结果表明:可再生能源发电量增加100%可使运行成本降至210万美元;电网购电价上涨30%时运行成本降至240万美元,同时电网售电收入增至60万美元;DR激励从0.05美元/千瓦时提高至0.10美元/千瓦时,运行成本降至230万美元,弃电率降至2%;BESS效率提升10%使储能利用率提升至72%。相反,各参数恶化(如可再生能源降低50%、效率降低10%)均导致运行成本显著上升,验证了模型的鲁棒性和对参数变化的敏感性响应。
**4.5 与现有方法对比**
研究人员将所提框架与三种基准模型(确定性模型、无DR随机模型、简化退化模型)进行了系统对比。所提模型年运行成本(240万美元)显著低于基准模型(340万/300万/270万美元),氢气产量(38,000千克)高出6,000–16,000千克,储能利用率(80%)较基准模型最高值(68%)提升12个百分点,弃电率(4%)亦为最低。所提模型是唯一同时支持激励型和价格型DR、采用物理退化建模(电池+氢能)以及完整MPEC+MILP求解框架的方案。
**五、讨论与结论**
讨论部分指出,混合配置方案(可再生能源+电池+氢能+需求响应)在成本效益、储能利用、弃电消纳和氢能生产方面全面优于其他配置,验证了多技术协同优化的必要性。研究强调,将退化成本内生纳入运行调度并反馈至投资决策,是实现全生命周期成本最小化的关键;忽略退化效应将导致资产配置偏大和生命周期成本低估。此外,DR与混合储能的协同使系统峰值需量降低约18%,显著减少电网购电费用和峰值需量电费,同时提升了系统参与电网服务的灵活性。
研究结论指出,所提出的双层随机优化框架通过协同优化长期投资与短期运行决策,有效弥补了传统规划模型的三大缺陷——长短期决策脱节、退化效应忽略和需求侧灵活性利用不足。仿真结果表明该模型在降低运行成本、提升储能利用率、减少弃电和增加氢气产量方面优于现有方法。敏感性分析确认系统对多种不确定因素具有鲁棒性。未来研究方向包括:引入更复杂的动态退化模型(如固态电池或下一代电解槽)、利用实时运行数据增强模型自适应性、集成机器学习算法改善可再生能源和负荷预测精度、扩展至多微电网网络规模、以及纳入政策激励机制对微电网规划的影响分析。
(注:论文作者为Mohammad Tolou Askari、Mahmoud Samiei Moghaddam、Mohamad Javad Mohamadi和Vahid Ghods,均来自伊朗塞姆南伊斯兰阿扎德大学电气工程系,作者贡献声明已列出各作者的具体分工,本文未收到外部资助。)