計及電動汽車隨機充電的風-光-氫綜合能源系統優化規劃

周建力，烏云娜，董昊鑫，賀嘉明，許傳博，高建偉

（1. 華北電力大學經濟與管理學院，北京市 102206；2. 新能源電力與低碳發展研究北京市重點實驗室，華北電力大學，北京市 102206）

0 引言

能源供應的可持續性和清潔性是當今世界共同關注的議題［1］，綜合能源系統（integrated energy system，IES）與可再生能源發電（renewable energy power generation，REPG）相結合，通過多能互補和梯級利用，在不同時空取長補短，提高能源利用率，減少溫室氣體排放［2］，是解決能源短缺和環境問題的有效途徑，已成功應用于許多國家［3］。如何優化和協調IES 內多種能源和儲能，提高REPG 利用率是需要關注和研究的重點［4］，準確、科學的系統優化規劃至關重要［1，5］。

當前國內外學者針對IES 規劃進行了大量研究。文獻［6］以冷熱電聯供系統（combined cooling heating and power system，CCHP）作為基礎，采用混合整數線性規劃（mixed integer linear programming，MILP）模型，以投資和運行成本最低為目標對區域IES 進行了選址定容規劃。文獻［7-9］建立了以能源、環境、經濟效益為目標的優化模型，對耦合生物質沼氣、地熱能和太陽能的CCHP 系統進行了設備容量優化。文獻［10-11］借助YALMIP 工具對集成的風電系統和分布式光伏發電系統的最佳容量進行了優化。文獻［12］基于典型日光伏發電量和不同季節的負荷特性曲線，以經濟和環境效益最大化為目標，建立了區域IES 容量分配模型。文獻［13］深入研究了電、熱柔性負荷對IES 儲能容量配置的影響。與其他儲能技術相比，氫儲能在綠色清潔、能量密度、儲能時間等方面具有明顯優勢［14］。近年來，電解水制氫作為儲能介質吸收間歇REPG 成為研究焦點［15］。單純以燃氣系統作為對照，電解水制氫的儲能系統不具備投資經濟性，但在IES 中輔助REPG 的消納產生了巨大的附加價值［5］。文獻［16］構建了風-光-氫IES 拓撲結構和實驗平臺，給出了能量調控策略。為最大限度降低系統總成本，文獻［17］建立了化工生產中REPG 與氫儲能耦合的優化模型，來確定電-氫協同儲能系統的最佳容量。因此，IES 中引入REPG 和氫儲能已具備理論基礎；然而，這類IES 對應的規劃研究還較為缺乏。終端用能和交通領域的脫碳是實現碳中和的關鍵，這使得電動汽車（electric vehicle，EV）的發展前景被廣泛看好。然而，充電無序性會給電網帶來壓力，加劇負荷峰谷差［18］。文獻［19］的研究表明，EV 的參與能夠增強IES 的經濟性和靈活性。若在充分消納REPG的IES 內充電，則還能避免間接碳排放。

因此，在上述背景下構建包含REPG、CCHP 和氫儲能的IES，并考慮輻射區域的EV 隨機充電需求來開展系統優化規劃，具有現實價值和重要前瞻意義。進一步，本文給出了該IES 的數學模型；并充分考慮REPG 和EV 充電的不確定性，以綜合成本和碳排放最小為目標構建容量配置優化模型；基于8 760 h 的基礎數據生成典型分析場景，利用MILP給出實證案例的系統方案，并通過多情景優化分析來討論系統的環境優勢和考慮EV 充電需求的必要性及產生的環境效益。

1 風-光-氫IES 的基本結構和特征

基于能源樞紐［20］概念，本文構建的天然氣-風-光-氫IES 的基本結構如圖1 所示。該用戶級的園區IES 主要由4 個部分構成：REPG 系統、氫儲能系統（hydrogen energy storage system，HESS）、CCHP系統和其他輔助設備。能量流包括天然氣、氫氣、電力、熱功率和冷功率流。 其中，光伏陣列（photovoltaic，PV）和風機（wind turbine，WT）是REPG 系統的主要設備；電解槽（electrolyzer，EL）、儲氫罐（hydrogen storage tank，HST）和燃料電池（fuel cell，FC）是HESS 的關鍵設備；燃氣輪機（gas turbine，GT）、吸收式制冷機（absorption chiller，AC）和余熱鍋爐（waste heat boiler，WHB）是CCHP系統的關鍵設備；輔助設備主要包括電制冷機（electric cooler，EC）和燃氣鍋爐（gas boiler，GB）。

圖1 天然氣-風-光-氫IES 的基本結構和能量流Fig.1 Basic structure and energy flow of natural gaswind-PV-hydrogen IES

氫儲能的高成本仍是其應用的關鍵障礙之一。因此，在滿足其他資源和布局環境要求的前提下，可優先考慮在有氫氣負荷的工業園區布局。園區用電負荷由PV、WT 和GT 供應，并且系統要滿足EV 的隨機充電需求；熱負荷由WHB 和GB 供應；冷負荷由AC 和EC 提供。氫氣負荷的供給來自兩部分：當整個系統電力供應過剩時，富余電力用于電解水制氫；外購的氫氣采用長管拖車運輸。FC 向系統放電時，燃料來自電解水制取的氫氣或外購氫氣，這將取決于整個系統的經濟性和環境表現的優化。基于上述架構，對構建的IES 進行容量優化配置。

2 風-光-氫IES 的優化規劃模型

2.1 EV 隨機充電需求模型

本研究在對園區內IES 進行規劃時，考慮為系統輻射區域的EV 提供充電服務。公交車、郵政車等商用EV 通常具有固定的特性和停放場所，其電力需求較為固定，適合參與統一調度［21］，而一般乘用車在充電行為上更加具有隨機性和靈活性［22］。故本文以出行和充電行為隨機性強的私家車為研究對象，將EV 充電行為視為隨機既定現實，在此基礎上計及充電需求來進行IES 的容量優化配置，并據此分析經濟和環境表現。

在一定市場規模下，影響EV 充電需求的因素主要包括EV 的類型、數量和充電行為這2 類。EV的類型和數量決定了其耗電速度以及充電功率，充電行為則決定了EV 的接入時間和充電時間。本文主要針對充電行為進行分析。針對EV 類型及其數量，給出以下假設：①每一百公里電耗固定為a；②充電功率在[b-c]范圍內均勻分布；③電池容量在[d-e]范圍內均勻分布；④待分析的IES 可為N輛EV 充電。

EV 的充電接入時刻及其充電時間還受EV 類型，動力電池充電特性等諸多因素影響。這類影響因素難以直接進行分析，現有研究大多基于統計數據的概率進行建模［23］。參考美國交通部對全美家用車輛的調查結果和現有研究，電動私家車日行程DEV近似滿足對數正態分布［24-25］。此外，電動私家車的充電特性一般為最后一次出行結束后立刻進行充電，充電接入時刻tEVC服從分段正態分布［24］。以上分布的詳細介紹見附錄A。

現行一般采取恒流-恒壓兩階段充電法對動力電池進行充電，考慮到充電起始與結束時間極短，充電過程又近似恒功率充電，故本文將充電過程簡化為恒功率充電。則單輛EV 的充電持續時間tC可表示為：

式中：Ppchk為每一百公里的耗電量；PC為充電功率；δC為電動汽車充電轉換效率。

于是，每小時的總充電功率可計算獲得。

首先，通過模擬確定每輛EV 在每天的充電行為，則可得到：

式中：1≤l≤365；1≤i≤N；1≤k≤24。

故IES 面對的EV 所帶來的負荷可按下式計算：

式中：Pi為第i輛EV 的充電功率；Plk為在第l天的第k小時的充電總功率需求。

進一步，本文采用蒙特卡洛模擬進行仿真，旨在獲得園區內N輛EV 在一年中每個小時的充電需求情形，具體模擬流程如圖2（a）所示。

圖2 EV 充電需求模擬及概率場景生成流程圖Fig.2 Flow chart of EV charging demand simulation and probability scenario generation

2.2 子系統數學建模

2.2.1 REPG 子系統

PV 面板在t時刻的實際發電功率主要受到太陽輻射強度和環境溫度的影響［26］。此外，PV 面板的實際溫度由環境溫度和實際光照強度決定。WT在t時刻的實際功率由切入風速和切出風速決定［27］。計算模型的詳細介紹見附錄B。

2.2.2 GT 發電子系統

GT 是CCHP 系統的重要組成部分。GT 發電的同時，產生的廢熱將會被WHB 和AC 利用來供應熱負荷和冷負荷。熱、冷負荷缺口由GB 和EC 來供應。整個IES 內，消耗天然氣的設備為GT 和GB。天然氣消耗量Qgas可通過下式計算［28］：

式中：PGT(t)為GT 的輸出功率；T(t)為出力時間；Qnb為GB 供應的熱負荷量；β1為GT 的發電效率；β2為GB 的加熱效率；δ為天然氣的最低燃燒熱值，本文取33.50 MJ/m3。

燃氣輪機產生的廢熱Qwh可通過下式計算獲得［28］：

式中：ε為GT 的熱損失系數。

2.2.3 制冷及制熱子系統

WHB 和AC 是余熱的利用終端：AC 利用余熱來供應冷負荷，WHB 利用余熱來供應熱負荷。式（6）至式（8）描述了它們之間的關系：

式中：Hwhb和Hac分別為WHB 和AC 利用的余熱量；Qac為AC 供應的冷負荷量；Qwhb為WHB 供應的熱負荷量；γac為AC 的制冷性能系數；γwhb為WHB 的轉換效率。

冷負荷和熱負荷的供應來源總結如下式所示：

式中：QC和QH分別為園區內總的冷負荷和熱負荷；Qec為EC 供應的冷負荷量。

2.2.4 氫儲能子系統

如果系統在某一時刻的GT、PV、WT 三者出力PGT(t)、PPV(t)、PWT(t)之和大于該時刻的總用電負荷。即Psum(t)≥PTE(t)/τ1。那么，t時刻儲氫罐中氫氣的量Hhst(t)將等于上一時刻的量加上這一時刻由電解槽新轉換的氫氣：

式中：Psum(t)為t時刻系統內的發電設備總輸出，Psum(t) =PGT(t)+PPV(t) +PWT(t)；PTE(t)為t時刻的用電功率，PTE=PE+PEC，其中PE為包括EV充電需求在內的電負荷，PEC為EC 輸入功率；τ1為轉換器效率；τ2為電解裝置的效率。

如果Psum(t)≤PTE(t)/τ1，那么，t時刻儲氫罐中氫氣的量將等于上一時刻的量減去這一時刻燃料電池消耗的氫氣：

式中：τ3為燃料電池的效率。

2.3 目標函數及優化策略

本文用年綜合成本（annual comprehensive cost，ACC）來反映系統經濟性方面的優化目標，年碳排放（annual carbon emissions，ACE）可以反映系統一次能源消耗和環境表現。本研究采用偏差滿意策略［29］來對系統的容量進行優化：首先，分別以ACC和ACE 最小為目標，進行單目標優化，得到單目標優化下的最小ACC 和最小ACE，標記為CACC，1和EACE，1。然后，構造基于偏差滿意度的目標函數（式（13）），同時對ACC 和ACE 進行優化。在此過程中得到的優化結果標記為CACC，2和EACE，2。該目標函數具有以下顯著優點：①統一了ACC 和ACE 的維度；②同時對ACC 和ACE 進行優化，通過引入權重系數來反映決策者的優化偏好。本文構建的目標函數如下：

式中：Δd為偏差滿意度；W1和W2為權重系數，用于體現決策者的優化偏好。當W1＞W2時，表示對IES 的經濟性更加關注；當W1＜W2時，表示IES 的碳排放量受到更多關注。另外，W1+W2=1。

CACC可以反映IES 的整體經濟性表現，是系統容量配置優化的重要目標之一。CACC（式（14））包括主要設備購置成本Cpa（式（15））、運行維護成本Com（式（16））、燃料（天然氣）購置成本Cf（式（17））、電解用水成本Cw（式（18））、碳稅Cct（式（19））和氫氣外購成本Cph（式（20））：

式中：aj為每種設備的裝機容量；cj和cjom分別為每種設備的單位購置費和運行維護成本；k為銀行貸款利率；t′為償還期；cgas為天然氣單價；cw為電解用水的單價；Tc為碳稅的基價；Qph為氫的采購量；chp和cht分別為制氫成本和運輸成本；n為類型總數；Qw為水的用量。以煤氣化制氫作為參考，制氫成本約為25.8 元/kg［30］。200 km 以內運輸的長管拖車單價約為11.03 元/kg［31］。

化石燃料使用量越少，REPG 利用比例就越大。該系統的一次能源消耗來自天然氣，上文對此進行了具體分析。ACE 是能源系統最重要的環境性能指標。本文構建的IES 的碳排放來源為GT 和GB。可通過以下公式計算：

式中：φ1為燃燒一立方米天然氣排放的二氧化碳的量。

2.4 基本約束條件

1）主要設備出力約束

2）電、熱、冷平衡約束

電力平衡約束。GT、PV、WT，以及FC 的發電出力等于園區內電負荷功率、EL 輸入功率和EC 輸入功率之和；具體分為EL 工作（式（23））和FC 工作（式（24））2 種狀態：

式中：PEL為EL 輸入功率；PFC為FC 的輸出功率。

熱力平衡約束。WHB 和GB 的輸出熱功率應該大于等于園區內熱負荷所需功率：

式中：PH為園區內熱負荷功率需求；PGB為GB 的輸出功率；PWHB為WHB 的輸出功率。

冷力平衡約束。AC 和EC 的輸出功率應該大于等于園區內冷負荷所需功率：

式中：PC為冷負荷功率需求；PAC為AC 的輸出功率；P′EC為EC 的輸出功率。

3）氫儲能系統約束

系統在某一時刻的出力之和大于該時刻的用電負荷時，多余電量用于電解制氫。即Psum(t)≥PTE(t)/τ1，PEL=Psum(t)-PTE(t)/τ1。

電解槽的運行功率應大于最小額定功率，本研究取最小運行功率為額定功率的5%：

式中：PRE為EL 的額定功率。EL 產生一摩爾氫氣的耗電量為?。

為了表征HST 中實際氫氣量與HST 額定存儲量的關系，類比于電池的荷電狀態，定義HST 的荷電狀態Shst為當前儲氫罐中氫氣存儲量與額定存儲量Hhst之比。則儲氫罐的等效荷電狀態應滿足上下限約束：

4）場地的空間約束

考慮到園區內用來放置PV 面板、WT 和HST的可利用空間是有限的。因此，這些設備的數量受到限制：

式中：NPV、NWT、Nhst分別為PV 面板、WT、HST 的數量；NPV，max、NWT，max、Nhst，max分別為PV 面板、WT、HST 的最大數量。

GT、PV、WT、EL、HST 和FC 的配置結果是整數變量，即這些設備的配置容量（額定功率）等于設備個數乘以單位容量（單位額定功率），其他設備的容量是連續變量。各類設備涉及的參數較多，為便于識別和讀取，通過文獻和設備產品調查給出了詳細參數［17，28，32-34］匯總如附錄C 表C1 所示。

2.5 考慮不確定性的風光出力及EV 充電場景生成

光伏及風力發電直接受所在地光資源、溫度和風速的影響，導致風光出力具有不確定性，即高隨機性和間歇性。EV 的充電需求同樣存在不確定性，即充電的隨機性。在對本文構建的IES 進行優化規劃時很有必要考慮上述不確定性；為此，本研究將利用概率場景分析方法，基于高斯核密度估計和Kmeans 聚類算法來生成典型的風光出力和EV 充電需求分析場景。

本文的典型場景生成流程總結如圖2（b）所示。首先，基于8 760 h 的資源數據利用2.2 節中介紹的方法計算風光出力；利用2.1 節中介紹的蒙特卡洛模擬獲得EV 的充電需求。進一步，對這些原始數據按照3 個供能季（過渡季、供冷季、采暖季）進行劃分并做標幺化處理（x）。其次，對數據按照供能季分別進行高斯核密度估計（f^ (x)）；高斯核函數中的帶寬h依據正態參考規則獲取。然后，根據高斯核密度估計結果計算累積概率分布（F(x)）。最后，基于反（逆）變換法對累積概率分布進行隨機采樣，生成大量采樣場景（M組），并利用K-means 聚類算法對M組場景進行聚類，生成j個典型場景作為IES優化規劃的基礎。該過程涉及的關鍵概率模型總結如附錄D 所示。

2.6 求解方法

本文構建的優化模型在上文已給出，獲得每個設備的最佳容量是最終目標，整個優化問題屬于MILP 問題。MILP 模型的邏輯清晰、適用性強、易于收斂，有利于容量配置的全局尋優［6］；本文利用數學精確算法求解，仿真過程基于MATLAB 軟件平臺，在YALMIP 語言環境下對優化模型進行編程，調用CPLEX 高效求解。進一步，基于上述理論和平臺基礎開展算例分析來驗證模型：設置多種情景來對優化結果進行詳細分析，并通過敏感性分析討論優化偏好對最終結果的影響，并基于“成本-效果性價比”思想來分析最佳優化區間的權值范圍。

3 算例分析

3.1 算例背景及數據處理

以中國甘肅省阿克塞哈薩克族自治縣的一個工業園區為例，對模型進行驗證。該地區太陽能、風能資源豐富，適合發展光伏和風力發電項目。工業園區具體地理位置如附錄E 圖E1 所示。工業園區為了實現能源供應的自主性和清潔性，擬布局本文構建的天然氣-風-光-氫IES 來供應各類負荷。CCHP 系統由GT 驅動，全年8 760 h 用電負荷數據由國家電網有限公司智能電表獲取，園區的冷、熱、氫負荷數據基于典型日仿真獲得。針對過渡季、供冷季和采暖季的詳細劃分見附錄E 表E1。附錄E圖E2 詳細展示了4 類負荷隨時間的分布情況。在仿真模擬EV 充電負荷時，設定每一百公里電耗固定為15 kW·h；充電功率在3.5～7 kW 范圍內均勻分布；電池容量在60～70 kW·h 范圍內均勻分布；待分析IES 分別仿真為100、200、500 輛EV 充電；EV充電轉換效率δC取0.9［35］，不同規模EV 充電負荷的蒙特卡洛仿真結果總結如附錄E 表E2 所示。

當地光照輻射數據和風速數據由中國華電股份有限公司甘肅分公司提供，該公司在該地區建有多個大型光伏和風電項目，數據準確可靠。當地環境溫度數據由氣象監測站提供。基于以上數據，光伏板的實際溫度和小時輸出功率可計算獲得。附錄E圖E3 展示了逐小時環境溫度、實際光伏板溫度、光照輻射強度和單個光伏板的輸出功率。基于風速數據可獲得單個風機逐小時的輸出功率，附錄E 圖E4展示了計算結果。基于以上歷史數據，利用高斯核密度估計和K-means 算法，單次仿真隨機采樣M=10 000 組，針對3 個供能季分別聚類2 組，共計生成6 組關于風光出力、EV 充電需求、園區電負荷的典型場景，總結如附錄E 圖E5 所示。篇幅所限，圖3僅展示了過渡季光伏出力、供冷季風機出力、采暖季EV 充電需求的高斯核密度估計所對應的概率密度分布圖和累積概率分布圖。容易看出，高斯核密度估計很好地刻畫了風光出力和EV 充電的不確定性和概率分布特征。

圖3 風光出力和EV 充電需求的概率密度與累積概率分布刻畫結果Fig.3 Characterization results of probability density and cumulative probability distribution of WT/PV output and EV charging demand

為確定園區內可放置的PV 板、WT 和HST 的最大數量，采用文獻［15］給出的計算方法來確定。計算目標函數時，銀行貸款利率k取4.9%；償還期t′取20 年；天然氣單價cgas取2.8 元/m3；電解用水的單價cw取4.1 元/m3；碳稅基價Tc取20 元/t；燃燒一立方米天然氣所排放的二氧化碳φ1取2.01 kg·m3［2］。項目的生命周期設定為20 年。本研究將基于真實基礎數據以年為單位來計算目標函數，以小時為優化單元來對系統進行容量優化配置。附錄F 表F1給出了模型求解的硬件環境和求解時間。

3.2 多情景優化結果分析

本研究在優化過程中設置了多類情景來進行仿真和結果對比：傳統分供系統、聯網型方案、EV 充電需求加強等。旨在討論本文構建的IES 的優勢和劣勢，以及考慮為EV 充電的可行性和帶來的環境效益。具體情景設置總結如表1 所示。

表1 優化情景設置Table 1 Settings of optimization scenarios

初始優化情景針對目標函數中的CACC和EACE設定了相同的重要程度，即偏差滿意度目標函數（式13）中W1和W2的值均為0.5。表2 總結了仿真后得到的IES 主要設備優化配置結果。其他情景下的具體結果總結如附錄F 表F2 所示。

表2 初始情景下的優化配置結果Table 2 Optimal configuration results in initial scenario

容量優化配置下IES 在典型日針對4 類負荷的供應情況總結如附錄F 圖F1 所示。圖4 詳細展示了系統的成本構成：主要花費來自外購氫氣和設備購置成本；園區內氫負荷的高需求導致外購氫氣成本所占比例最高；系統所用天然氣較少，燃氣費用僅占約2.3%。本文構建的IES 在主要設備購置費方面，占比最高的設備來自FC、EL 和WT。這導致氫儲能在整個購置費中占主導地位，以FC 購置成本作為基礎參考，WT 購置費僅占其11.3%。因此，隨著氫能相關技術的突破和進步，未來配置氫儲能的IES 的經濟性有望顯著提升。

圖4 系統年綜合成本及設備購置費組成Fig.4 Composition of system annual comprehensive cost and equipment purchase cost

二氧化碳排放方面，初始情景相較于傳統分供情景，供能所減少的碳排放非常可觀：只考慮IES 自身直接的EACE時，僅為傳統分供系統的2.17%；若還考慮IES 外購氫氣在生產過程的碳排放（未配置碳補集技術的煤制氫1 kg 約排放19 kg 二氧化碳），則為分供系統的42.30%，表3 給出了具體的對比細節。

表3 與傳統分供系統的對比結果Table 3 Comparison results with traditional distribution system

孤立型IES 方案的優勢在于其供能的自主性、自治性以及巨大的環境效益。在聯網型方案下，IES 能夠與外電網進行電力交換：當系統電力富余時，以甘肅省上網電價入網；IES 從外電網購電時，以酒玉電網分時電價計費。表4 給出了聯網型和孤立型方案的對比結果。由于電網電價更具競爭力，聯網方案下的IES 沒有配置CCHP 系統、EL 及FC，成本大大降低；系統會通過售電降低成本；假設購買的為燃煤火電，聯網型方案下系統整個用能（直接和間接）所產生的二氧化碳遠遠高于孤立型方案。

表4 孤立型及聯網型方案配置結果對比Table 4 Comparison of configuration results between isolated and networked schemes

本文在對構建的IES 進行容量配置優化時考慮了輻射區域的EV 隨機充電需求。甘肅省EV 的充電服務費為0.8 元/（kW·h）。待分析EV 若在園區外的充電樁充電，則充電花費由分時電價和充電服務費構成，并且電源假設為燃煤火電；以無EV 充電需求（情景3）作為基礎參考，考慮一定規模EV 充電負荷后系統增加的成本即可作為充電花費，在IES內充電收取同等充電服務費（充電樁投資及運營）以和系統外充電作經濟性對比。IES 的總碳排來自系統直接碳排放和煤制氫所生產外購氫氣的碳排放（間接）。圖5 展示了不同規模EV 在系統外和系統內充電所增加的費用和碳排放情況。總體來看，在系統內外充電的成本及碳排放與EV 規模的增長基本都呈現較為一致的線性趨勢；在IES 內充電的成本要高于在系統外充電，當EV 規模為100 和200 輛時差距不大；然而，碳排放方面，在IES 內充電帶來的排放要遠遠低于在系統外充電，不同規模皆處于系統外的50%以下。因此，IES 為輻射區域EV 提供充電服務有巨大的環境價值，其經濟性在一定程度上也是可行的。

圖5 不同EV 規模在IES 內外充電對比Fig.5 Charging comparison of different EV scales inside and outside IES

3.3 優化偏好敏感性分析

初始情景設置為同等重視成本和碳排放這2 個目標（W1=W2=0.5）。本節將通過調整權重系數來分析不同優化偏好下的配置結果，權重系數的變動步長設置為0.1。各類偏好下的優化結果總結如附錄F 表F3 所示，在成本和碳排放方面的表現描繪如附錄F 圖F2 所示。系統碳排放減少的同時會導致成本增加，從上文分析的成本構成可看出，原因是系統內REPG 和HESS 的份額提高了。當優化偏好從（W1=0.9、W2=0.1）向（W1=0.4、W2=0.6）移動時，較低的成本增加就會產生顯著的碳減排效果；當優化偏好從（W1=0.4、W2=0.6）向（W1=0.1、W2=0.9）移動時，付出增長較高成本的代價只能獲得很有限的減排效果。因此，一味追求環境目標有時是不妥的。本算例中，決策者在進行有偏好的優化時，具有“性價比”的優化區間和方向為從（W1=0.9、W2=0.1）到（W1=0.4、W2=0.6）。

4 結語

本文充分考慮了風光出力的不確定性，基于MILP 模型對構建的天然氣-風-光-氫IES 進行了容量配置優化。模型還考慮了系統輻射區域的EV隨機充電需求，旨在充分發揮風光發電協同氫儲能給整個用能過程帶來的環境效益，得到了以下結論。

1）本文構建的風-光-氫IES 能夠極大地降低供能過程中二氧化碳的排放，充分消納系統中的REPG，給未來氫儲能在IES 中的應用和推廣提供一定的思路和借鑒。

2）利用高斯核密度估計能夠很好地刻畫風光出力和隨機負荷，進一步隨機采樣和聚類形成了典型概率場景，使得整個優化規劃模型能夠表征不確定性，得到的優化配置結果更加可靠。

3）該IES 為輻射區域提供充電服務能顯著降低EV 的間接碳排放，是充分利用系統環境效益的表現，為能源和交通領域協同降碳提供思路。

本文構建的IES 在氫儲能部分的購置成本過高，投資經濟性不具備競爭力，成本有待進一步優化。隨著氫儲能技術的突破和進一步的優化探索，今后的研究將對氫儲能部分進行運行成本優化，并試圖給出氫儲能在推動REPG 消納、降低碳排放方面產生的附加價值。此外，還將考慮系統未來同時向EV 和氫燃料電池車供能的隨機優化場景。

本文仿真部分得到了美國亞利桑那大學系統與工業工程系博士鐘志鳴的幫助，特此感謝！

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。