計及需求響應的MPIES 多時空尺度魯棒隨機優化調度

黃海濤，田勝軒，余文昶，曹俊波

（1.上海電力大學電氣工程學院，上海 200090；2.中國華電集團有限公司上海分公司，上海 200126）

在“碳達峰、碳中和”目標的驅動下，分布式能源大規模并網，對系統的可靠運行和電能質量提出了較大挑戰。多園區綜合能源系統MPIES（multipark integrated energy system）多時間尺度調度安排，不僅能夠利用園區間互濟協調促進可再生能源的消納[1-3]，還可以通過多時間尺度協調運行削弱不確定性對系統運行的干擾[4-7]，MPIES多時間尺度調度研究將成為助力碳達峰、碳中和的重要途徑。

MPIES園區數目對計算規模有較大影響，在考慮多時間尺度調度安排的同時應計及空間尺度對計算規模的影響，文獻[8]提出一種考慮不同時間和空間尺度的多尺度能源系統工程方法，算例驗證了該方法對優化系統設計的有效性；文獻[9]不僅利用多時間尺度優化電網運行，還通過多智能體系統提升系統運行穩定性；文獻[8-9]在進行多時間尺度優化運行的同時，也計及了空間尺度對系統運行的影響。因此，針對MPIES 多時間尺度優化運行，應同時對MPIES 和各綜合能源系統PIES（park integrated energy system）在園區規模、設備數目等空間尺度上的差異進行考慮，將多時間和多空間尺度共同進行研究。

目前，綜合能源系統源荷不確定性的研究已逐漸展開，文獻[10-12]考慮可再生能源預測精度相對較低及負荷預測誤差相對較小的特點，對分布式能源不確定性采用魯棒優化進行處理，負荷不確定性利用隨機優化方法進行處理；文獻[13]在日前和日內階段，采用隨機優化處理源、荷的不確定性問題，在實時階段，采用模型預測控制對系統功率和電價信息進行滾動跟蹤預測與校正反饋。此外，綜合需求響應IDR（integrated demand response）不僅能夠平抑負荷曲線，促進系統經濟運行，還能夠調節系統供需平衡，維持系統可靠運行，文獻[14]分析IDR多時間尺度特性，建立各類型需求響應模型并制定了日前-日內上層-日內下層3個階段的IDR多時間尺度響應策略；文獻[15]考慮電、氣、熱、氫4類負荷需求響應，依據負荷響應特性和響應時間差異將其分類，并參與到日前-日內-實時多時間尺度優化調度中；文獻[16]為充分發揮需求側資源響應潛力，建立計及日前價格型IDR 策略和日內激勵型IDR 策略的雙重激勵IDR 模型。因此，綜合能源系統源、荷不確定性和需求響應受到了廣泛的關注和研究。然而，目前大多數研究忽略了對兩者進行共同考慮，尤其缺乏對其在多時間尺度上的不同特性進行共同研究。

綜上所述，本文針對MPIES多時間尺度優化調度問題，結合各時間尺度源、荷不確定性特征與響應特性、園區數目對計算規模的影響，提出一種計及需求響應的MPIES 多時空尺度魯棒隨機優化調度架構并建模。通過算例驗證了在各時間尺度上考慮相應的不確定性分析方法、需求響應和空間尺度能有效提高系統運行經濟性和穩定性。

1 計及需求響應的MPIES 多時空尺度魯棒隨機優化調度架構

日前-日內-實時三調度階段相互耦合，逐級優化調度策略，在不同階段考慮相應的不確定性分析方法和需求響應控制策略，不僅使各調度階段耦合性得以加強，也充分挖掘了各階段的荷側響應潛力，而對空間尺度的進一步考慮有效緩解了時間尺度縮短所導致的計算量過大。因此，本文構建計及需求響應的MPIES 多時空尺度魯棒隨機優化調度架構，如圖1所示。

圖1 計及需求響應的MPIES 多時空尺度魯棒隨機優化調度架構Fig.1 Architecture of robust stochastic optimal scheduling of MPIES on multiple time-space scales considering demand response

在計及需求響應的MPIES 多時空尺度魯棒隨機優化調度架構中，日前調度依據日前源、荷預測數據每24 h制定一次調度計劃，時間尺度為1 h，主要確定系統中各元件基本運行狀態，考慮日前源、荷預測誤差大、不確定性波動幅度大的特點，結合其對需求側資源削峰填谷的需求，采用魯棒優化分析源荷不確定性，并通過激勵型需求響應IBDR（incentive-based demand response）中可中斷負荷IL（interruptible load）控制方式平抑負荷，空間尺度采用多園區多能系統；日內調度依據日前調度策略和日內源荷預測數據每15 min制定一次調度計劃，時間尺度為15 min，考慮到日內源、荷預測誤差隨著時間尺度縮減而減少，日內對需求側資源提高系統運行經濟性的需求，采用隨機優化分析源、荷不確定性，并通過IL 和替代型需求響應ADR（alternative demand response）提升系統運行經濟性，結合時間尺度縮短和隨機優化所帶來的計算量增加，空間尺度采用單園區多能系統；實時調度階段依據實時源、荷預測數據在線修正日內調度計劃，時間尺度為5 min，源、荷不確定性采用隨機優化進行分析，結合實時對需求側資源緩解源、荷預測誤差對系統影響的需求，通過IBDR 直接負荷控制DLC（direct load control）方式削減調度策略受源、荷出力波動影響，并考慮到氣、熱、冷能流動態響應特性較慢和計算量的影響，空間尺度采用單園區電氣系統。

2 多園區綜合能源系統結構及基本模型

2.1 多園區綜合能源系統結構

MPIES 典型結構見圖2。該系統由多個PIES聯合構成一個完整高效的MPIES 合作社區。在分區自治的基礎上實現交互協作，并利用不同PIES間的源、荷差異進行協調互補，最大程度地提升可再生能源發電消納能力，提高系統整體運行的經濟性和可靠性。

圖2 MPIES 結構Fig.2 MPIES structure

2.2 內部系統模型

園區結構示意如圖3 所示，主要設備包括風機WT（wind turbine）、光伏PV（photovoltaic）、變壓器、熱交換器、熱電聯產機組CHP（combined heat and power unit）、電動空調EC（electric air conditioner）、吸收式制冷機AC（absorption chiller）、儲電ES（electric storage）、儲氣GS（gas storage）、儲熱HS（heating storage）和儲冷CS（cooling storage）裝置，設備具體模型見文獻[17]。

圖3 園區結構Fig.3 Park structure

3 計及需求響應的MPIES 多時空尺度魯棒隨機優化調度建模

3.1 計及IL 的多園區多能流系統日前魯棒優化調度模型

3.1.1 日前源、荷不確定性魯棒優化

日前階段源、荷不確定性預測誤差大，且多園區源、荷不確定性量總數較多。魯棒優化通過區間擾動信息，求得系統最惡劣場景下最優策略，不需要事先給定不確定參數精確概率分布信息，且計算效率高，能較好地處理日前源、荷不確定性。

魯棒優化工程博弈模型將經濟調度決策視為與不確定擾動之間的博弈過程，在工程博弈問題中有較強的針對性和實用性[18]，采用該模型描述魯棒優化，并采用基數性不確定集合對日前可再生能源出力和負荷數據進行建模，即

式中：de為可再生能源，de ∈{WT,PV} ；、、和分別為園區i在t時段風光可再生能源、負荷出力實際值和預測值；、分別為園區i在t時段風、光和負荷出力距離預測值的最大偏移量；、均為不確定度參數。

3.1.2 日前IL 需求響應

考慮到負荷響應特性與響應時間的不同，IBDR 可在各時間尺度上靈活部署，其存在DLC 和IL兩種控制方式，兩者負荷削減控制權分別歸屬于需求響應運營商和用戶。IL不僅補償價格低于DLC，更加經濟，也更尊重用戶用能意志，因此日前調度通過IL進行負荷削減，但實際響應受用戶主觀意愿的影響，存在用戶違約的情況，需考慮用戶響應不確定性。

考慮到電、氣、熱、冷負荷在響應特性上具有顯著差異，故將IL按能流特性分開建模。

1）電、氣負荷IL數學模型

式中：m為能源類型，m∈{e,g}，e、g 分別表示電能、氣能；、分別為園區i在t時刻IL需求響應前和需求響應后用戶負荷量；為負荷中斷量。

2）熱、冷負荷IL數學模型

考慮到熱、冷負荷具有舒適度模糊性的特點，在適當范圍內調節溫度對用戶舒適度影響較小，其可參與到需求響應中。熱、冷負荷IL數學模型可表示為

式中：h、c分別表示熱能和冷能；、分別為t時刻室內溫度及其變化量；分別為IL需求響應前后熱冷負荷需求量，其與室內外溫度關系可表示為

式中：Z、τ分別為室內供熱面積及其單位溫差下的熱量損失；C為單位供熱面積熱容；為t時刻室外溫度；為t-1時刻室內溫度。

3）負荷響應不確定性模型

為度量用戶IL響應不確定性帶來的風險，采用條件風險價值CVaR（conditional value at risk）進行風險評估[19]，假設IL 用戶參與率滿足正態分布，負荷需求響應不確定性風險成本為

式中：γ為風險厭惡因子；α為風險價值；β為置信水平；nw為場景總數量；Mw為第w個場景發生概率；為用戶違約帶來的風險損失，其具體表達式為

式中：T為所在時間尺度的時段數；為用戶響應偏差量，欠響應取正，過響應取負；λp、λv分別為系統削峰成本和填谷成本。

3.1.3 目標函數

在日前調度階段，其空間尺度為多園區多能系統，故以整個MPIES日前運行成本F1為目標函數，包括配網購能成本、設備運行成本、環境保護成本、需求響應成本、風險成本，即

式中：minmax 為魯棒優化工程博弈模型；u為控制變量；v為不確定變量風、光和負荷功率。

各成本計算公式為

式中：T1為日前調度時段總數；、、分別為園區i在t時刻購買的電、氣和熱能；ce,t、cg,t、ch,t分別為對應的能量價格；cWT、cPV、cEC、cAC、cCHP分別為各設備的運行成本系數；N為所有能源集合；cS,m為儲能設備單位功率運維成本；、分別為各設備的輸出功率；εe,t、εg,t和εh,t分別為電、氣、熱碳排放系數；η為單位CO2的加工成本；分別為日前IL 備用容量和響應容量的單位功率補償價格；分別為日前需求響應前負荷量和響應變化量；為日前IL備用容量占比。

3.1.4 約束條件

在日前調度階段需考慮能量平衡、購能功率、設備運行、能量交互和需求響應約束條件。

1）能量平衡約束

電、氣、熱、冷功率平衡關系為

式中：x為所在時間尺度，x∈{da,d15,d5} ，分別為日前、日內、實時；分別為t時刻時間尺度電、氣、熱、冷負荷量；ηT、ηHE分別為變壓器和熱交換器的轉換效率；、、、分別為t時刻電、氣、熱、冷儲能裝置調度功率；為t時刻EC 耗電量；為t時刻CHP 用氣量；為t時刻AC 用熱量；為t時間尺度下需求響應負荷削減量；為t時間尺度下替代型需求響應削減量；為t時間尺度下IBDR 削減量，包含IL 和DLC；、、、分別為園區間電能購、售量和氣能購、售量。

2）購能功率約束

系統中購電、氣、熱約束為

式中，、分別為t時刻園區i系統購能功率及其上限。

3）設備運行約束

園區中各設備運行約束公式為

式中：q為設備類型，包括，PV、WT、變壓器、熱交換器、CHP、EC、AC；為相應能源設備的功率上限；、分別為儲能裝置t和t+1時刻儲能量；分別為儲能設備自損率和充、放能效率；為t時刻儲能設備運行狀態，放能為1，否則為0；、分別為儲能設備充放能量上、下限；、分別為儲能設備狀態上、下限；Sm,0、Sm,T分別為充儲能設備調度開始和結束時儲能量。

4）能量交互約束

MPIES中各園區間電、氣能量交互約束為

式中：、分別為園區ij間電、氣交互能量；、分別為園區ij間電、氣交互能量上限。

5）需求響應約束

日前IL約束公式可表示為

3.2 計及IL 和ADR 的單園區多能流系統日內隨機優化調度模型

3.2.1 日內源、荷不確定性隨機優化

隨著時間尺度的縮短，日內源、荷不確定性預測誤差相對減小，概率分布變得較為清晰。隨機優化依據場景分析技術處理源、荷不確定性，通過相應概率分布抽取場景，并將其轉換為確定性優化問題，最終以最小化各場景成本加權平均值進行求解，能較好處理日內源、荷不確定性。

在日內調度階段，可再生能源出力和負荷數據的預測誤差服從正態分布，即

式中：、分別為可再生能源和負荷的預測隨機誤差；σde、μde、σL、μL分別為可再生能源和負荷數據預測誤差的標準差與均值。

采用蒙特卡洛法生成場景，最后通過同步回帶法縮減場景數量。

3.2.2 日內IL 和ADR 需求響應

日內調度通過IL 和ADR 促進系統經濟運行，優化系統能源需求。IL 數學模型見式（2）、（3）；ADR利用能源轉換設備轉換不同能源的特性，使得用戶在不影響自身用能體驗的前提下，根據能源間的相對價格來選擇能源種類，其數學模型可表示為

3.2.3 目標函數

在日內調度階段，其空間尺度為單園區多能系統，故以日內滾動周期各園區運行成本F2作為滾動調度階段的目標函數，包括配網能量購買成本、設備運行成本、環境保護成本、需求響應成本、風險成本和能源購售收益，即

各成本計算公式可表示為

式中：T2為日內調度階段的時段總數；、分別為日內IL備用容量和響應容量的單位功率補償價格；、分別為日內需求響應前負荷量和響應變化量；為日內IL 備用容量占比；、分別為園區間電、氣銷售價格。

3.2.4 約束條件

在日內滾動調度階段，約束條件包括能量平衡約束式（9）；能量購買約束式（10）；設備運行約束式（11）、（12）；能量交互約束式（13）；需求響應約束除了包括日內IL約束式（14），還包括ADR約束為

式中：m,n∈{e,g,h,c},m≠n；為t時刻2個能源間負荷替代量；為負荷被替代量上限；、分別為t時刻ADR 負荷總變化量及其上限。

3.3 計及DLC 的單園區電氣系統實時隨機優化調度模型

3.3.1 實時源、荷不確定性隨機優化

在實時調度階段，源、荷不確定性預測誤差進一步減小，依舊采用正態分布對源、荷預測誤差進行建模，具體模型與式（15）一致。

3.3.2 實時DLC 需求響應

實時調度更需要通過需求側資削弱源、荷預測誤差對系統調度策略的影響，DLC雖然補償價格較高，但能夠保證負荷削減指令準確執行，因此實時調度通過DLC進行負荷削減。具體模型與式（2）一致。

3.3.3 目標函數

在實時調度階段，空間尺度為單園區電氣系統，以實時調度階段各園區電氣部分運行成本F3作為目標函數，包括配網能量購買成本、設備運行成本、環境保護成本、需求響應成本和購電調整成本，即

式中：T3為實時調度階段的時段總數；、分別為實時DLC備用容量和響應容量的單位功率補償價格；、分別為實時需求響應前負荷量和響應變化量；為實時DLC備用容量占比；cad、分別為實時電價和實時階段調整功率。

3.3.4 約束條件

在實時調度階段，設備需在5 min內做出響應，故只有電氣部分參與調度優化，約束條件包括能量平衡約束式（9）；電能購買約束式（10）；電氣設備運行約束式（11）、（12）和需求響應約束式（14）。

4 算例分析

4.1 算例描述

選取一典型MPIES 為研究對象，該系統由居民、工業和商業3個類型園區構成，具體結構如圖4所示。設定可再生能源和負荷的日前預測誤差波動比例分別為20%和15%，日內預測偏差符合以預測值為平均值，分別服從0.10倍和0.05倍均值為標準差的正態分布，實時預測偏差的標準偏差為0.02倍均值；能源購售價格如表1 所示；各園區需求響應相關參數如表2 所示；MPIES 相關參數和園區儲能裝置參數如表3 和表4 所示；不同園區的負荷、PV和WT的預測曲線如圖5所示。

表1 能源購售價格Tab.1 Prices for energy purchase and sale（￥·（kW·h-1））

表2 需求響應相關參數Tab.2 Related parameters of demand response

表3 MPIES 相關參數Tab.3 Related parameters of MPIES

表4 園區儲能裝置參數Tab.4 Parameters of energy storage equipment in parks

圖4 MPIES 接線圖Fig.4 Wiring diagram of MPIES

圖5 不同園區的負荷、PV 和WT 的預測曲線Fig.5 Prediction curves of loads,PV and WT in different parks

4.2 調度結果分析

4.2.1 日前調度結果分析

日前階段采用計及IL 的多園區多能流魯棒優化調度模型，以居民型園區為例，其日前調度策略如圖6 所示。由圖6 可知，MPIES 通過多能流互補優化系統運行，對于電能需求，其主要通過上級購電滿足，在高電價時段，為提高運行經濟性，CHP電能輸出CHP（e）（CHP electrical energy output）隨之增加；熱能需求主要通過上級購熱滿足，當上級購熱達到上限時，通過增加CHP 熱能輸出CHP（h）（CHP heat energy output）滿足其需求；冷能需求則主要通過EC 滿足，在高電價時段減少EC 功率，由AC 補足冷能需求。MPIES還通過園區間電氣交互彌補園區用能差異，居民型園區在用電高峰期進行購電，低谷期進行售電。

圖6 居民型園區日前調度策略Fig.6 Day-ahead scheduling strategy for residential park

4.2.2 日內調度結果分析

以日前調度策略作為邊界約束，日內階段采用計及IL 和ADR 的單園區多能流隨機優化調度模型，隨著源、荷預測誤差的減小和負荷曲線的改變，系統調度策略有所調整，以居民型園區為例，其日內調度策略如圖7 所示。由圖7 可以看出，熱負荷在購熱價格較高期間需求減少，僅靠系統上級購熱即能滿足，CHP 無需出力，電負荷則在該時段上級購電有所增加以填補CHP（e）出力空缺；電負荷在購電價格較高期間削峰效果顯著，上級購電量有所減少，冷負荷整體有所增大，EC、AC出力隨之提升。

圖7 居民型園區日內調度策略Fig.7 Intraday scheduling strategy for residential park

4.2.3 實時調度結果分析

實時階段采用計及DLC 的單園區電氣系統隨機優化調度模型，通過調節上級購電、儲電裝置和DLC 實現系統不平衡功率的實時調整。居民型園區上級購電和ES 調整功率如圖8（a）、（b）所示，DLC 負荷削減如圖8（c）所示。通過對上級購電、ES 和DLC的調整削弱調度策略受源荷功率波動的影響。

圖8 居民型園區上級購電、ES 功率調整和實時DLC負荷削減Fig.8 Upper-lever power purchase、ES power adjustment and real-time DLC load reduction in residential park

4.3 運行成本分析

為比較不同時間尺度下不確定性分析方法和需求響應策略對系統運行的影響，驗證本文所提架構的有效性，設置3種多時間尺度不確定性分析方法場景A1、A2、A3和4種多時間尺度需求響應策略場景B1、B2、B3、B4如表5所示，不同場景運行成本比較如表6所示。

表5 場景分類Tab.5 Classification of scenarios

表6 不同場景運行成本比較Tab.6 Comparison of operating costs in different Scenarios￥

1）多時間尺度魯棒隨機優化運行成本分析

A1采用魯棒優化分析日前源、荷不確定性，系統運行在最惡劣運行場景，具體體現在源、荷值向劣（負荷預測較大，風光出力預測較小），導致其調度策略較為保守，運行成本較高，但保證在其他源、荷出力場景下，調度方案均能滿足要求；A2采用隨機優化處理日內源、荷不確定性，居民型園區日前魯棒優化與日內隨機優化不確定性功率比較如表7所示。由表7 可知，各類負荷功率下降8%左右，可再生能源功率上升12%左右，這是因為日內采用隨機優化處理不確定性，相較于源、荷值向劣的日前魯棒優化，其源、荷功率更精確，運行成本也有所下降；A3依舊采用隨機優化處理實時階段源、荷不確定性，通過調整系統上級購電和ES設備出力，削弱系統實時調度策略受不確定性影響，同時由于系統對購電偏差依據實時電價進行成本調整，系統總運行成本略微增加。

表7 居民型園區日前魯棒優化與日內隨機優化不確定性功率比較Tab.7 Comparison of uncertain power between dayahead robust optimization and intraday stochastic optimization in residential park

2）多時間尺度需求響應運行成本分析

B1考慮日前IL 后，系統增加了對IL 響應成本和風險損失成本，但系統配網購能成本減小更多，故系統總運行成本較A1下降1.9%；B2在B1基礎上進一步考慮日內IL，深度挖掘負荷響應潛力，系統總運行成本較B1進一步減小；B3綜合考慮日前IL、日內IL 和日內ADR，由于無需對日內ADR 進行補償，故需求響應成本較B2變化不大，優化系統能源需求，系統總運行成本進一步降低2.1%；B4在B3基礎上進一步考慮實時DLC需求響應后，由于系統為減小調度策略受不確定性的影響，增加了DLC響應成本，系統總運行成本略微上升，但有效維持了系統功率平衡。綜上，本文提出的多時間尺度需求響應策略不僅能夠促進系統運行的經濟性，而且能夠有效削弱源、荷不確定性對系統調度策略的影響，維持系統能源供需平衡。

4.4 需求響應分析

4.4.1 多時間尺度需求響應分析

多時間尺度需求響應能有效對負荷進行削峰填谷，平抑曲線波動。以居民型園區為例，各需求響應負荷削減量和各需求響應場景負荷曲線標準方差如表8和圖9所示。

表8 居民型園區各需求響應場景負荷曲線標準方差Tab.8 Standard deviation of load curve for various demand response scenarios in residential park

圖9 居民型園區各需求響應負荷削減量Fig.9 Demand response load reduction in residential park

由表8、圖8（c）和圖9可知：①在日前調度計及IL 后，用戶根據與DR 運營商事先簽訂的合同在系統負荷高峰時段響應用能中斷指令，電、氣、熱、冷負荷曲線標準方差有所下降，減小了系統負荷峰谷差；②在日內調度計及IL后，電、氣、熱、冷負荷曲線標準方差進一步下降，有效挖掘了負荷響應潛力，使得高峰時段的負荷值進一步減小，緩解了系統的供能壓力；③在系統計及日內ADR 后，電能價格較低時段，用戶選用電能來替代其他能源以提升經濟性；電能價格較高時段，選擇將電能替換為其他能源，并因為熱能價格低于氣能價格，用戶也更傾向于替換為熱能，電負荷曲線標準方差進一步降低，而氣、熱、冷負荷曲線標準方差因替代作用增加了13.2、9.4、7.2，反映了ADR 不僅加深了系統中多種能源的耦合程度，還優化了系統能源需求。④在實時調度階段考慮DLC 后，DR 運營商可在實時調度階段直接削減電負荷，其標準方差進一步降低0.1，有效削弱MPIES 調度策略受源、荷出力波動的影響，維持系統功率平衡。

4.4.2 IL 用戶響應不確定性分析

本文通過IL 在日前調度和日內調度中平抑負荷曲線，IL 響應受用戶主觀意愿影響，存在用戶違約的風險，CVaR 中風險厭惡因子γ反映了調度人員對用戶響應不確定性的重視程度。表9 給出了不同風險厭惡因子γ下系統日前調度和日內調度的風險成本和總運行成本。由表9可知，風險成本隨γ的增加逐漸降低，而系統總運行成本則相反。這是因為γ值越大，調度人員對IL用戶違約的容忍度越低，調度策略相對保守，IL負荷中斷量減少，系統總運行成本隨之增加；γ的增加也會降低用戶違約造成的損失，從而減小風險成本，提高系統運行的可靠性。因此，調度人員應根據各調度階段實際需求選取相應的γ值，其中，日前調度階段對風險容忍度較高，γ可設置較低；而日內調度階段更注重系統運行的可靠性，風險容忍度較低，γ可設置較高。

表9 不同風險厭惡因子下日前、日內調度系統運行成本Tab.9 Operation costs of day-ahead and intraday scheduling systems at different risk aversion factors￥

4.5 MPIES 多時空尺度協同分析

日前魯棒優化、日內隨機優化和實時隨機優化在僅計算該單時間尺度、僅考慮多時間尺度和考慮多時空尺度的運算結果經比較，調度策略和運行成本基本一致，但各調度階段運行時間不同。單時間尺度、多時間尺度和多時空尺度下各調度階段的運行時間如表10 所示。由表10 可知，當系統采用多時間尺度調度計劃時，日前魯棒優化不僅能確定各單元基本運行狀態，使日內隨機優化尋優初值更接近最優解，其最惡劣運行場景也為日內隨機優化縮小尋優空間，相較于單時間尺度縮減了運行時間；系統在多時間尺度調度計劃基礎上進一步考慮多時空尺度調度計劃時，日前多園區多能流-日內單園區多能流-實時單園區電能多空間尺度，使得系統計算維度由多園區設備出力-單園區設備出力-單園區電氣設備出力不斷減小，降低了系統運算復雜度，圖10 給出了多時間尺度與多時空尺度日內調度迭代次數對比。由圖10 可以看出，隨著空間尺度的縮小，減小其迭代次數，相較于多時間尺度進一步縮減了運行時間。

表10 單時間尺度、多時間尺度和多時空尺度下運行時間比較Tab.10 Comparison of running time when the system operates on single time scale,multiple time scales and multiple time-space scales,respectivelys

圖10 多時間尺度與多時空尺度日內調度迭代次數對比Fig.10 Comparison between intraday iteration times on multiple time scales and that on multiple timespace scales

5 結 論

本文構造了一種計及需求響應的MPIES 多時空尺度魯棒隨機優化調度架構，日前建立計及IL的多園區多能流系統魯棒優化調度模型；日內建立計及IL和ADR的單園區多能流系統隨機優化調度模型；實時建立計及DLC的單園區電氣系統隨機優化調度模型，綜合分析比較了各調度階段不確定性分析方法、需求響應和空間尺度數據。主要結論如下。

（1）MPIES多時間尺度不確定性分析由日前魯棒優化過渡為日內隨機優化，不僅符合各時間尺度源、荷不確定性特點，逐漸削弱系統調度的保守性，減小系統運行成本，而且日前魯棒優化調度也能為日內隨機優化調度縮小尋優空間，減小日內運行時間。

（2）在不同時間尺度計及響應特性不同的需求響應資源，能夠挖掘負荷的響應潛力，有效調整負荷曲線，不僅緩解能源供應壓力，提高系統運行經濟性，還能削弱調度策略受不確定性的影響，提高系統運行穩定性。

（3）MPIES 通過日前多園區多能系統-日內單園區多能系統-實時單園區電氣系統多空間尺度協同優化，有效減小了日內和實時階段的計算維度，并減少其迭代次數，從而縮減了系統運行時間。