图1 MCMIS-LCEs拓扑结构图
Fig.1 The topology of MCMIS-LCEs
摘要 推动新能源汽车产业规模化发展是实现交通和多能源系统低碳转型的重要途径，为保障系统供能可靠性与碳减排能力的提升，该文构建了计及供能可靠性动态约束与碳减排的充能型微网互联系统优化模型。首先，研究各微电网的运行特性以及微电网间的能量交互特性，建立低碳充能型多能源微网互联系统（MCMIS-LCEs）模型，并在此基础上建立多能源供能与碳减排协调模型；其次，考虑能源转换、存储与充能设备故障对MCMIS-LCEs供能可靠性的动态影响，针对设备故障特点建立多状态可靠性动态量化评估模型；然后，在互联系统供能可靠性约束、运行约束等条件下，建立考虑碳减排、充能时间与供能成本协同的MCMIS-LCEs多目标优化模型；最后，基于充能站实际能源与车流量数据进行算例的仿真验证。结果表明，该文提出的MCMIS-LCEs及其优化模型能够实现多能源转换、存储与充能设备间的高效协调，提升整体互联系统的经济性、碳减排能力、垃圾处理能力、电网调节能力，以及充能供能可靠性。
关键词：新能源汽车 供能可靠性 碳减排 微电网互联系统 垃圾处理
新能源汽车产业的快速发展是实现“碳达峰，碳中和”行动的重要组成部分。随着新能源汽车逐步规模化发展，我国电能、氢气、天然气驱动汽车保有量预计在2035年突破1.5亿辆[1-2]。面对不断增长的多能源充能需求和碳减排压力，提出含电、氢和天然气等多种能源生产、传输、转换、存储、消费各环节深度耦合，并具有一定垃圾处理能力的充能型微网是解决新能源汽车充能这一涵盖环境、交通、能源等多领域协同问题的有效途径之一。针对这一问题，国内外研究人员开展了较多相关研究[3-5]，文献[4]考虑接入垃圾处理设施，建立由全可再生能源供能的单个充能型多能源微网模型。但微网内风光出力、垃圾产量、新能源汽车流量及其充能需求状态不断变化，要求微网有足够的灵活性来协调设备之间的运行。单个充能型多能源微网受所处地理位置、气象条件影响，同时又存在接入设备容量、风光出力波动性大等方面的制约，难以满足较大规模新能源汽车的集中充能质量和可靠性[6-7]。因此，充分利用多个多能源微网之间存在的新能源汽车流量错峰、分布式电源互补等特性，实现微网群之间的互联协调运行，是提高新能源汽车充能以及多能源微网运行可靠性的有效手段[8-11]。
另外，在某一时间尺度内，对于充能型多能源微网所接入配电网的总电能供给量中风、光、水、火供能比例一定，则其能源消耗中的碳排放基本为固定值。保证充能型多能源微网内新能源汽车和多种负荷用能需求的前提下，在微网所接入的配电网本身需要火电机组进行调峰时，微网为配电网提供的电能调节量越多，则该配电网在同样的电能消耗量下所对应的碳排放量越少[12-13]。因此，考虑单个充能型多能源微网用能需求的高不确定性，为充分发挥其自身的碳减排能力，需要对其周边多个充能型微网间的碳减排能力进行协调优化。
目前国内外学者针对多能源微网集群的优化配置、协调运行等方面开展了较多研究。其中，文献[12]基于多能源微网能量交互策略建立了微网集群优化运行模型，能够有效提高多能源利用率，实现多能源微网集群系统与电、气两网之间的协调运行。文献[13]提出了基于谈判博弈的含电能交互的多微网综合能源系统多目标优化配置方法，能够提高系统运行经济性和能量梯级高效利用。文献[14]针对多个多能源微网接入电网问题，提出了一种多能源微网群的两级鲁棒优化调度模型。文献[15]针对多微网系统并网和孤岛两种模式，提出了一种解决逆变器接口多微网系统严重短路故障引起的欠电压和过电流问题的方法，可以在故障期间实现精确的电压、电流和频率控制。文献[16]提出了多个多能源微网以集群的形式运行，可提高低压区域的自治能力和能源利用效率。现有文献研究的多能源微网群大多是通过电能交互或电、气两网交互来提升自身运行可靠性与经济性。而这些文献忽略了不同微网所具有的地理位置分布不均、风光出力、新能源汽车流量、垃圾堆存量的差异性较大等特点，通过电能、氢气、天然气三种能源进行交互，促进充能型多能源微网间的相互协调，在碳减排目标下能够在满足自身新能源汽车和多种负荷可靠用能的基础上向其所接入配电网提供更多的电能调节量。由此可见，分析研究充能型多能源微网互联系统对实现能源清洁低碳和充分利用有着重要意义。
本文提出一种低碳充能型多能源微网互联系统（Multi-energy Charging Microgrids Interconnection System with Low Carbon Emissions, MCMIS-LCEs），并深入分析互联系统内各微网间的多种能源需求、外电网能量调节与碳减排需求，建立MCMIS-LCEs供能及其碳减排协调模型。考虑各类设备的运行状态影响互联系统的供能可靠性与碳减排能力，基于设备故障特点建立了多状态可靠性模型，提出了考虑碳减排、充能时间与供能成本协同的低碳充能型多能源微网互联系统运行优化模型，并结合法线边界交叉法与原对偶内点法进行求解。最后建立仿真模型，将传统独立运行的充能型多能源微网与本文提出的由电能、氢气、天然气三种能源联络通道进行交互的MCMIS-LCEs进行算例对比，验证本文所提模型的有效性和经济性。
本文为充分发挥多个电-氢-气充能型多能源微网（Electric-hydrogen-gas Charging Multi-Energy Microgrid, CME-MG）之间的互补特性，提高各微网的供能可靠性和碳减排能力，构建了由多个 CME-MG组成的MCMIS-LCEs，其拓扑结构如图1所示。
图1 MCMIS-LCEs拓扑结构图
Fig.1 The topology of MCMIS-LCEs
MCMIS-LCEs内的各CME-MG由包含风电、光伏、可热解垃圾的可再生能源供能，电锅炉、燃料电池、热解炉、储氢、储气等设备进行多能源转换与存储，输出电、热、氢、气多种能源供给各类负荷和新能源汽车。MCMIS-LCEs由可再生能源供能，系统内碳排放主要由气负荷用能产生，但考虑到互联系统内供气来源为热解炉和甲烷化设备，其中热解炉作为垃圾处理设施能够将垃圾通过热解气化处理产生天然气，实现垃圾清洁资源化利用，另外，甲烷化设备制气是一个碳减排过程，若忽略垃圾处理过程中的碳排放，则MCMIS-LCEs是一个无碳排放或负碳排放的多能源微网互联系统。
MCMIS-LCEs内各CME-MG之间存在电能、氢气和天然气三种能源联络通道进行能源交互，同时CME-MG与其所接入的配电网也存在电能交互。在MCMIS-LCEs实际运行时，分析各CME-MG的风光出力特性、设备运行特性、新能源汽车流量、垃圾堆存量差异[17-19]，针对不同微网的多种能源需求，通过三种能源联络通道实现MCMIS-LCEs内各微网间的高效互动。MCMIS-LCEs能够代替其所接入配电网中的火电机组进行调峰，不仅可为电网提供一定的电能调节能力，还可提供一定的碳减排调节能力。在保证MCMIS-LCEs内新能源汽车和多种负荷用能可靠性的前提下，充分发挥电能、氢气和天然气三种能源联络通道的能源交互作用，有效提升MCMIS-LCEs的新能源消纳和碳减排能力，为电网提供更多的电能调节能力。
本文通过考虑MCMIS-LCEs内i个充能型多能源微网的用能情况，将第a个CME-MG在t时刻满足自身多源负荷和新能源汽车用能需求的前提下具有一定调节容量时，可参与CME-MG间多种能源协调的最大电能、氢气、天然气量表示多种能源调节能力。
（1）
（2）
（3）
式中，
、
、
、
、
、
分别为t时刻MCMIS-LCEs内第a个CME-MG参与微网间能源交互时输出、输入的最大电功率、氢气量、天然气量，值越大，表明该微网的调节能力越好；
为微网a在满足自身电负荷和电动汽车需求下，可参与微网间电能交互的最大调节容量占剩余容量的百分比；
为微网a在满足自身氢负荷和氢能汽车用能需求下，能够参与微网间氢气交互的最大调节容量与剩余容量的比值；
为当微网a满足自身气负荷和天然气汽车需求时，可参与微网间天然气交互最大调节量与剩余容量的比值；
为t时刻储氢、储气、储热设备可提供的总等值储电功率；
、
分别为t时刻储氢、储气设备可提供的储氢、储气容量；
、
分别为t时刻风电、光伏输出的有功功率；
、
、
、
、
分别为t时刻燃料电池、电制氢、甲烷化、电锅炉、热解炉消耗的有功功率；
为t时刻电制氢的氢气出力；
、
分别为t时刻燃料电池、甲烷化设备的耗氢量；
、
分别为t时刻甲烷化、热解炉的天然气出力；
、
、
分别为t时刻充电桩、加氢机、加气机的输出量；
、
、
为表示t时刻电负荷、氢负荷、气负荷需求。
本文考虑当t时刻充能型多能源微网a不能够满足自身多种负荷与新能源汽车用能需向其所接入配电网购电时，若其他微网能够通过电能、氢气和天然气三种能源联络通道为该微网供能，此时可减少配电网内火电机组运行产生的碳排放。
因此，第a个CME-MG在t时刻获得其他微网提供的最大碳减排量可表示为
（4）
式中，
为火电机组燃煤的碳排放系数，本文假设不同能源形式火电机组的碳排放系数相同。
当外部电网有调节需求时，MCMIS-LCEs可以作为虚拟储能尽可能地满足电网需求，在为电网分担调节压力的同时获得收益，降低互联系统的运行成本。
本文将充能型多能源微网a在t时刻能够为电网调峰提供的最大充、放电概率
、
表示微网a的电网调节能力，即
（5）
式中，
为第a个CME-MG提供电能调节的调节能力系数，表示微网a可用于电网调节的电量占微网内剩余电量的比值；Pr[·]为概率函数。
考虑各CME-MG所接入的配电网在t时刻需要火电机组进行调峰时，若该微网能够代替火电机组参与电网调节，减少火电机组运行产生的碳排放，则微网为其所接入的配电网提供的充、放电量不仅能够给配电网提供调节能力，还能够提供一定的碳减排能力。
因此，第a个CME-MG在t时刻为其所接入的配电网提供的最大碳减排量
可表示为
式中，
、
分别为第a个CME-MG在t时刻参与电网调节的状态系数。
且
、
且
、
且三种状态分别表示t时刻该微网为其所接入的配电网供能、充能、不参与调节。
MCMIS-LCEs内多种能源转换、存储与充能设备是否能够正常运行决定了系统内各微网间进行能源交互时所需能量是否能够支撑多能源负荷、新能源汽车用能，以及互联系统整体的碳减排能力。
因此，本文对MCMIS-LCEs的风机、光伏、多能源转换与存储设备，以及充电桩、加氢机等充能设施的多种运行状态进行分析，针对各设备故障特点建立互联系统供能可靠性动态量化评估模型，能够反映系统运行的实际情况，实时保障MCMIS-LCEs可以通过多能源微网间的高效互动实现系统整体的碳减排能力与供能充能可靠性提升。
MCMIS-LCEs内第a个CME-MG第k个设备
共
个状态，该设备在状态
时的供能量为
，则设备的各状态间的状态转移矩阵
表示为
（7）
式中，
、
分别为设备的故障率、修复率，其下标表示设备发生状态转移。参考文献[20]的估算方法设备从状态2到1的修复率
，其中
为状态2到1转移次数，
为设备处于状态2的累积时间。
基于马尔科夫过程[21]，设备在t时刻处于该状态
的概率
可表示为
（8）
式中，
为设备
的可供能量。
若设备的初始状态为正常工作状态1，则该设备处于各个状态的概率可通过微分方程求解，即
（9）
1）MCMIS-LCEs供氢可靠性评估模型
MCMIS-LCEs供氢可靠性受电制氢、储氢设备、加氢机故障的影响，通过状态聚合在状态空间选取各微网的供氢状态
为
式中，MCMIS-LCEs内充能型多能源微网a的电制氢、储氢设备、加氢机分别共
、
、
个状态，在状态
、
、
时的供氢量分别为
、
、
，并且电制氢、储氢设备、加氢机t时刻处于该状态的概率为
、
、
，则微网的供氢状态的概率为电制氢、储氢设备、加氢机处于该状态的概率乘积，微网的供氢总状态数为
。
在供氢状态
下设备发生故障，微网内氢气供给量不足，使得部分氢负荷削减，其削减量由供氢设备的总供氢量和氢负荷（氢汽车）之差表示，则微网a的供氢可靠性指标
，即氢负荷损失量表示为
式中，
表示MCMIS-LCES内微网a在供氢状态时是否需要削减氢负荷，当削减量大于0时
，否则
；
为电制氢设备在微网a处于供电状态
的概率，并且在该状态下电制氢损失的产氢量为
，与的具体表示分别如式（19）、式（20）所示。
考虑在实际运行中微网内燃料电池与甲烷化设备的可靠运行会受供氢量变化的影响，为保证在供氢设备故障情况下氢负荷的用能需求，本文优先减小给燃料电池和甲烷化设备提供的氢气量。因此，基于上述充能型多能源微网在供氢状态下的氢负荷削减量及其概率，在该状态下燃料电池与甲烷化设备损失的发电量
、产气量
，以及概率
可以分别表示为
（12）
（13）
（14）
式中，
、
分别为微网a在供氢状态下减少燃料电池和甲烷化设备的供氢量的分配系数；
、
分别为燃料电池、甲烷化设备的能量转换效率。
2）MCMIS-LCEs供电可靠性评估模型
MCMIS-LCEs内各充能型多能源微网为电负荷与电动汽车供能的可靠性与风电、光伏、燃料电池、充电桩故障相关，则微网a的供电状态可表示为
（15）
式中，MCMIS-LCES内微网a的风电、光伏、燃料电池、充电桩分别有
、
、
、
个状态；
、
、
、
分别为MCMIS-LCES内微网a的风电、光伏、燃料电池、充电桩在状态
、
、
、
时的供电量，并且各设备处于该状态的概率分别为
、
、
、
，则微网的供电状态的概率为风电、光伏、燃料电池、充电桩在该状态的概率乘积，微网的供电总状态数为
。
在供电状态
下微网a的供电可靠性指标，即电负荷损失量
为
式中，
表示微网a在时是否需要削减电负荷，当削减量大于0时，取1；否则取0。
供电设备发生故障时优先减小给热解炉、电锅炉、电制氢设备的供电量，保障电负荷的用能需求。热解炉、电锅炉、电制氢处于
状态的概率为
，并且其损失的产气量
、产热量
、产氢量可分别表示为
（20）
式中，
、
、
、
、
、
分别为状态下热解炉、电锅炉、电制氢的供电量减小的分配系数与能量转换效率。
3）MCMIS-LCEs供气可靠性评估模型
充能型多能源微网a的供气可靠性与热解炉、甲烷化、储气设备、加气机故障相关，因此微网a的供气状态
可表示为
式中，
、
、
、
分别为充能型多能源微网a内热解炉、甲烷化、储气设备、加气机在状态
、
、
、
时的供气量，并且各设备处于该状态的概率分别为
、
、
、
；微网a的供气状态的概率为热解炉、甲烷化、储气设备和加气机处于该状态的概率乘积；微网a内热解炉、甲烷化、储气设备、加气机的总状态量分别为
、
、
、
；微网a的供气总状态数为
。
微网a在供气状态下的供气可靠性指标，即氢负荷损失量
表示为
（22）
式中，
表示微网a在时是否削减气负荷，当削减量大于0时，取1；否则取0。
4）MCMIS-LCEs供热可靠性评估模型
MCMIS-LCEs内微网a的供热状态
表示为
式中，
、
分别为微网a的电锅炉、储热设备在状态
、
时的供热量，并且处于该状态的概率分别为
、
；微网的供热状态的概率为电锅炉、储热设备在此状态下的概率乘积；微网a内电锅炉和储热设备的总状态量分别为
、
；微网a的供热总状态量为
。
微网a在供热状态的供热可靠性指标
，即热负荷损失量表示为
式中，
为微网a在时是否需要削减热负荷，当削减量大于0时，取1；否则取0。
本文建立的计及供能可靠性动态约束与碳减排的充能型微网互联系统优化模型，是以总运行成本最小、平均充能时间最小和碳减排量最大为优化目标，在实现互联系统可靠、经济运行的同时能够给电网提供更多的电能调节量，有效提高互联系统自身和配电网的碳减排能力。
本文所提出的低碳充能型多能源微网互联系统优化模型的目标函数由三个部分组成，即
（25）
1）总运行成本F1
在实际运行过程中，MCMIS-LCEs的总运行成本F1包括：互联系统内各多能源微网出现能源供给不足时与其他多能源微网通过多种能源联络通道进行交互的运行成本
；MCMIS-LCEs为新能源汽车供能的收益
；为电网提供调节能力的收益
；污染物治理产生的环境成本
；MCMIS-LCEs内i个多能源微网的维护成本
；处理垃圾获得的收益
，其中包括回收MCMIS-LCEs周边所需处理的垃圾产生的收益和政府补贴；负荷损失成本
。F1可描述为
（26）
式中，
、
、
分别为MCMIS-LCEs内各CME-MG间的单位电能、氢气、天然气的交互成本；
、
、
分别为多能源微网a在t时刻与其他微网交互的电功率、氢气量、天然气量；
、
、
分别为MCMIS-LCEs为电动汽车、氢汽车、天然气汽车供能的单位供电收益、供氢收益、供气收益；、
、
分别为多能源微网a在t时刻充电桩、加氢机、加气机的输出量；
、
分别为MCMIS-LCEs为所接入配电网提供电能调节时的单位输入、输出电能收益；
取0或1，调节电网时需输入电能时取1，否则取0；
为多能源微网a在t时刻给电网的调节电能；U为充能型多能源微网在运行过程中产生的污染物种类总数；
、
分别表示治理单位功率u类污染成本、u类污染物排放系数；
、
、
、
分别为多能源微网a内各多能源转换与存储设备在t时刻产生u类污染物输出的电能、氢气、天然气、热能；
为单位维护成本，考虑了各多能源转换与存储设备日运行维护成本、投资成本、使用寿命、使用小时数的折算；
为多能源微网a在单个维护周期内截止t时刻是能量供给累计值；
为热解炉处理垃圾的单位收益；
表示多能源微网a在t时刻的垃圾处理量；
、
、
、
分别为互联系统内各微网损失的单位电、氢、气、热负荷成本；
、、
、
分别为充能型多能源微网a损失的电、氢、气、热负荷量；NT为MCMIS-LCEs的运行周期。
2）平均充能时间F2
进入MCMIS-LCEs内有充能需求的新能源汽车的平均充能时间F2表示为
（27）
式中，K为MCMIS-LCEs的日充能汽车总数量；
为第k辆新能源汽车进入MCMIS-LCEs内排队充能时间，
取决于该汽车前面正在充能和等待充能的车辆的总充能时间，即
（28）
式中，
为正在充能设备
（充电桩/加氢机/加气机）上充能的新能源汽车的剩余充能时间；
为等待充能的下一辆新能源汽车所需的充能时间；s为下一辆在充能设备充能的新能源汽车；
为第k辆在充能设备前等待充能的新能源汽车的集合。
3）碳减排量F3
（29）
式中，
表示两种情况：充能型多能源微网a在t时刻不能够满足自身多种负荷与新能源汽车用能，其他微网通过电能、氢气和天然气三种能源联络通道为该微网供能；充能型多能源微网a在t时刻代替其所接入配电网内火电机组参与调峰。
4.2.1 MCMIS-LCEs供能的可靠性动态约束
本文考虑到MCMIS-LCEs内各CME-MG的多种能源转换与存储设备间的协调关系，当设备故障时会对微网供能的可靠性产生一定影响，因此MCMIS-LCES运行时微网a的供氢、供电、供气、供热可靠性指标约束分别为
（30）
式中，
、
、
、
分别为微网a的供氢、供电、供气、供热可靠性指标上限。
4.2.2 MCMIS-LCEs运行约束
1）MCMIS-LCEs电网功率平衡约束
（31）
2）MCMIS-LCEs内碳减排量约束
（32）
式中，
为MCMIS-LCES内第a个CME-MG在t时刻获得其他微网提供的碳减排量。
（33）
3）MCMIS-LCEs对外电网的碳减排量约束
（34）
式中，
为第a个CME-MG在t时刻为其所接入的配电网提供的碳减排量。
（35）
4）微网间电能、氢气、天然气交互容量约束
（36）
式中，
、
、
分别为多能源微网a与其他微网进行交互的电能、氢气、天然气功率上限。
5）微网间电能、氢气、天然气交互功率变化约束
（37）
式中，
、
、
分别为电、氢、气联络通道的爬坡参数。
6）氢气、天然气管网流量约束
对于整个MCMIS-LCEs内各CME-MG之间、各CME-MG内部的氢气、天然气管网需满足流量约束。氢气、天然气分别从微网的节点Q1、O1，经过管道q、o后从节点Q2、O2流出，此时氢气、天然气管网的管存容量
、
为
（38）
其中
（39）
式中，
、
、
、
分别为氢气、天然气流入、流出时的节点压力；
、
、
、
分别为氢气、天然气管网相应的管道参数；
、
、
、
分别为流入、流出的氢气、天然气流量；、分别为氢气、天然气管道平均流量。
4.2.3 各CME-MG运行约束
1）功率平衡约束
各充能型多能源微网内存在电、热、氢、气四种类型负荷，微网运行功率平衡约束为
（40）
式中，
为t时刻储热设备可提供的储热容量；
为t时刻热负荷需求。
2）联络线约束
多能源微网a与电网之间的联络线功率约束可表示为
（41）
式中，
、
分别为多能源微网a与电网之间联络线的最大、最小功率。
3）微网内部电力线路约束
（42）
式中，
、
分别为多能源微网a内第b条电力线路的最大、最小功率。
4）新能源汽车充能时间约束
（43）
式中，
、
分别为第k辆新能源汽车的充能开始、结束的时间；
为第k辆新能源汽车的总需求充能量；
为第k辆新能源汽车在充能时间段内的平均充能量；
为第k辆新能源汽车的充能总时间（受充能站内充电时段约束，通常情况下，对于电动汽车，
；对于氢能汽车，
；对于天然气汽车，
）。
5）储能设备约束
（44）
式中，
、
、
分别为多能源微网a的储氢、储气、储热设备在t时刻的容量；
、
、
、
、
、
分别为多能源微网a储氢、储气、储热设备容量的最大、最小值。
（45）
式中，
、
、
、
、
、
分别为多能源微网a的储氢、储气、储热设备在t时刻的储放功率；
、
、
、
、
、
分别为t时刻储能设备的储放状态，取值为0或1。
6）多能源转换设备功率约束
（46）
式中，
、
、
、
、
、
、
、
、
、
分别为t时刻燃料电池、电制氢、甲烷化、热解炉、电锅炉的最大、最小运行功率。
7）垃圾处理率约束
为解决MCMIS-LCEs内垃圾堆存产生的环境污染问题，本文建立垃圾能源化利用率
约束为
（47）
式中，
为MCMIS-LCES内第a个CME-MG的垃圾热解气化处理系统在t时刻处理的垃圾量；
为第a个CME-MG的日垃圾堆存总量。
8）垃圾容量约束
电-氢-气充能型多能源微网接入热解炉将垃圾进行热解气化处理，微网内堆存垃圾的容量约束为
（48）
式中，
为多能源微网a内垃圾堆存量的最大值；
为t时刻微网a内的垃圾量。
针对MCMIS-LCEs多目标优化问题，本文参考文献[22-23]结合法线边界交叉（Normal Boundary Intersection intersection, NBI）法与原对偶内点法（Primal-dual Interior Point Method）进行求解，得到一系列均匀分布的帕累托最优解后，采用考虑主观权值修正的熵权双基点法选取折中最优解，能够同时考虑各目标函数的重要程度和系统运行经验。
本文建立的MCMIS-LCEs多目标优化模型可以简化为
（49）
式中，
为优化目标函数；x为优化目标的决策变量，
、
分别为等式约束和不等式约束。
求解方法的具体步骤如下：
1）将各目标函数进行规格化，则第r个子目标可表示为
（50）
式中，FA为最优点，
，其中
由第r个子目标的最优解中的最优值构成；FH为最差点，
，其中由第r个子目标的最优解中的最差值构成。
2）
构成帕累托前沿的端点，各端点确定乌托邦面。点
指向
、
指向、指向的向量为
，并等分为
的单位长度，则生成的乌托邦面上均匀分布的第j个点可表示为
（51）
其中
（52）
式中，
，
为对函数取整；参数
取值为[0,1]。
可表示为
（53）
3）采用原对偶内点法将多目标优化问题（49）转换为r个单目标优化问题，即
（54）
式中，
；l为距离参数；n为法向量。
4）采用原对偶内点法对单目标优化问题（54）进行求解，得到一系列均匀分布的帕累托最优解集，形成帕累托前沿。
5）采用考虑主观权值修正的熵权双基点法在求解出的Pareto前沿解集中选取出一个折中最优解。
（1）建立评价矩阵
。
（55）
式中，
为第j个帕累托最优解对应的第r个目标函数值，共M个帕累托最优解。
如式（55）所示对评价矩阵内的各数值进行规格化处理，得到规格化后的评价矩阵
。
（56）
式中，
为规格化后的第j个帕累托最优解对应的第r个目标函数值；
和
分别为中第r行的最大、最小值。
（2）计算考虑各个帕累托最优解差异程度影响的客观权值
。
（57）
（3）根据MCMIS-LCEs的实际运行情况，依据调度人员经验确定主观权值
，并得到各目标函数的修正权系数
。
（4）建立加权的规格化评价矩阵
为
（58）
（5）确定正负理想点分别为
、
，其中
、
分别为中第r行的最大值、最小值。
（6）根据式（57）计算各帕累托最优解的相对贴近度，选取相对贴近度最大的帕累托最优解作为折中最优解。
（59）
式中，
和
分别为第j个解到正、负理想点的欧氏距离。
求解流程如图2所示。
图2 求解流程
Fig.2 Algorithm solving flow chart
本文选取我国西北某城市周边四个充能站在某典型日内实际多能源运行、汽车流量与垃圾产量数据为背景，在改进的IEEE 39节点配电系统、20节点配气系统、6节点热力系统与输氢管网耦合成的多能源微网互联系统进行验证，算例系统图如图3所示。各CME-MG的光伏、风电装机容量，以及日最大用电、用热、用气负荷见附表1；典型日内各CME-MG风电出力、光伏出力和基本负荷用能情况分别如附图1～附图3所示；电价、天然气价、氢气价格的峰、谷、平时段划分见附表2；对于调节电网输入输出电能、充电、充氢、充气等各项费用单价见附表3；污染气体治理单价与排放系数参考文献[24]见附表4；火电机组燃煤的碳排放系数参考文献[25]取值为0.872kg/(kW·h)。在优化运行过程中，本文设定不同CME-MG内同种类多能源转换与存储设备的运行效率与单位维护成本均相同，则各设备容量及其运行参数见附表5；各设备均采用三状态模型，各设备的状态转移率参考文献[26]见附表6，其中tl为设备的总供能量；MCMIS-LCEs内各CME-MG参与能量交互的最大调节容量占剩余容量的百分比，以及各CME-MG的供电、供热、供氢、供气可靠性指标上限值设置分别见附表7、附表8。
图3 算例系统图
Fig.3 The case system diagram
随着电动汽车、氢能汽车和天然气汽车逐步规模化发展，本文结合典型日四个充能站的实际车流量，将小型燃油汽车等效为电动汽车、大型燃油汽车等效为氢能汽车后得出新能源汽车流量曲线，如图4所示。
图4 各CME-MG典型日汽车流量曲线
Fig.4 Typical daily vehicle flow curve of each CME-MG
为验证本文提出的计及供能可靠性动态约束与碳减排的充能型微网互联系统优化模型的有效性和经济性，本文设置了以下两种场景，并进行了对比分析。
（1）场景一，各电-氢-气充能型多能源微网（CME-MG）独立运行，多能源微网间不存在电能、氢气和天然气交互。各CME-MG由可再生能源供能，在风电、光伏供电不足的情况下，由燃料电池供电或向电网购电，并且微网在满足自身多能源负荷和新能源汽车用能需求的情况下，能够给电网一定调节的能力；电锅炉为热负荷供热；电制氢装置产生的氢气难以满足氢汽车充能时向外购氢；热解炉和甲烷化产生的天然气为充能站的气负荷和天然气汽车供能，供气不足时向外购气。
（2）场景二，即本文提出的低碳充能型多能源微网群互联系统（MCMIS-LCEs）。各CME-MG间存在电能、氢气和天然气三种能源进行交互，同时各微网与电网间存在电能交互，在满足多能源微网自身多能源负荷与新能源汽车用能需求的情况下，可以给电网提供一定的电能和碳减排调节能力。
本文对新能源汽车的储能容量进行研究，得到电动汽车的电池容量一般为30～60A·h、电动客车和电动货车的电池容量一般为80～100A·h；氢能汽车的储氢罐容量一般为2.5～6kg、氢能物流车和氢能卡车的储氢量一般为30～60kg；天然气车的储气容量一般为12～35m3[27-29]，结合CME-MG在典型日的新能源汽车流量对各多能源微网的日充电、充氢、充气量进行预测，得到各CME-MG在典型日内的充能量曲线，如图5所示。
场景一、场景二下各CME-MG在典型日内多能源转换与存储设备的优化运行结果分别如图6和图7所示。场景二下MCMIS-LCEs内各CME-MG间分别通过电能、氢气、天然气联络通道进行交互的运行结果如图8所示。场景一和场景二下各CME-MG在典型日为其所接入配电网提供的碳减排能力分别如图9和图10所示。
图5 各CME-MG典型日充能量曲线
Fig.5 Typical daily charging capacity curve of each CME-MG
图6 各CME-MG典型日独立运行结果
Fig.6 Typical daily independent operation results of each CME-MG
图7 各CME-MG典型日互联运行结果
Fig.7 Typical daily interconnection operation results of each CME-MG
图8 MCMIS-LCEs内能量交互结果
Fig.8 Energy interaction results in MCMIS-LCEs
图9 各CME-MG独立运行的典型日碳减排曲线
Fig.9 Typical daily carbon emission curve of independent operation of each CME-MG
图10 各CME-MG互联运行的典型日碳减排曲线
Fig.10 Typical daily carbon emission curve of interconnection operation of each CME-MG
结合图6～图8对比分析由电、氢、气多种能源联络通道进行互联的充能型多能源微网与传统独立运行的多能源微网可知，CME-MG独立运行时由可再生能源和燃料电池供电。当微网受到所处地理位置和气象条件影响使得风光出力受限，且微网内氢汽车充氢需求量大致使微网内燃料电池运行效率低，难以满足微网用能需求时，不平衡功率需要微网接入的配电网承担，不仅会给配电网增添压力，还会增加购电成本、降低微网的碳减排量；而当风光出力升高、新能源汽车充能需求小的情况下，微网会产生一定的弃电量。各CME-MG典型日风电、光伏和日负荷出力曲线如附图1和附图2所示，典型日的3:00～6:00时段和11:00～14:00时段，场景一的CME-MG1和CME-MG2内风光出力大，多能源转换设备功率增加，但受到储能设备容量的限制还会产生一定的弃电量；在该时段，CME-MG3和CME-MG4的新能源汽车对电能、氢气和天然气的需求较大，当通过增加电制氢、甲烷化、燃料电池等设备的运行功率不能满足新能源汽车充能需求时，微网向外购买电能、氢气和天然气导致运行成本增加。而场景二下各多能源微网通过电能、氢气、天然气联络通道进行交互运行，各CME-MG典型日风电、光伏和日负荷处理曲线如附图1～附图3所示。如附图1和附图2，CME-MG1在典型日的4:00～6:00、10:00～13:00和19:00～23:00时段风光出力较大，而如附图3所示该时段新能源汽车流量较小，即微网内的充能需求量较少，微网存在富裕电量，可以适当增大热解炉的运行功率，提高垃圾能源化利用率，并通过电锅炉、电制氢、甲烷化、储氢和储气设备之间的协调运行，在满足微网自身用能量的前提下，由MCMIS-LCEs的电能、氢气和天然气联络通道进行交互，为其他微网提供所需能源，如图8～图10所示，该场景下微网能够为所接配电网提供更多的调节电量和碳减排量，提高了MCMIS-LCEs的运营收益和碳减排能力；在典型日16:00～19:00时段，CME-MG1内光伏出力很小、风电出力波动较大，处于有充氢需求状态的氢汽车数量较大，此时需要电制氢协调储氢设备进行供能，减小电锅炉、热解炉等设备的运行功率，并通过氢气交互获得来自其他电网提供的氢气以满足微网内的氢气需求。
综上所述，在场景二下各CME-MG能够在满足自身用能的前提下将额外能源通过电能交互、氢能交互和天然气交互输送给其他充能型多能源微网，节约MCMIS-LCEs整体的购能成本，提高了互联系统的运行经济性；同时实现各CME-MG向其所接入的配电网提供更多的调节电量，提高配电网的碳减排量，充分发挥MCMIS-LCEs的碳减排能力。
基于上述对MCMIS-LCEs内多能源转换与存储设备的运行结果和CME-MG间的能量交互运行结果分析，得到场景一和场景二下各CME-MG在典型日内平均充能时间、垃圾能源化利用率，以及给电网提供的调节能力的运行结果对比，结果见表1；两种场景下各CME-MG典型日运行成本结果对比见表2。表1中电网调节能力上限指在上级电网有调峰需求时，各微网能够给其提供的最大电量，电网调节能力下限指上级电网有调谷需求时，各微网能够为其存储的最大电量。
表1 两种场景下各CME-MG典型日运行结果对比
Tab. 1 Comparison of typical daily operation results of each CME-MG in two scenarios
参数场景一场景二 CME-MG1CME-MG2CME-MG3CME-MG4CME-MG1CME-MG2CME-MG3CME-MG4 平均充电时间/min31.3229.3728.629.9321.4620.319.1218.86 平均充氢时间/min5.95.744.123.943.133.292.652.52 平均充气时间/min13.3412.829.7910.917.047.36.026.16 碳减排量/(104kg)1.751.581.881.728.287.657.586.91 垃圾能源化利用率(%)88.4284.1179.0890.1698.5597.899.3499.46 电网调节能力上限/MW0.810.4950.2580.8641.2550.760.3841.343 电网调节能力下限/MW0.5420.420.610.5210.7410.6320.7330.721
表2 两种场景下各CME-MG典型日运行成本对比
Tab.2 Comparison of typical daily operating costs of each CME-MG in two scenarios
成本场景一场景二 CME-MG1CME-MG2CME-MG3CME-MG4CME-MG1CME-MG2CME-MG3CME-MG4 交互成本/万元00000.9140.621.050.907 购能成本/万元7.6475.73210.5926.1890000 维护成本/万元0.850.7130.6620.760.8620.8040.710.816 环境成本/万元0.8410.7250.6810.6730.6710.6150.5220.53 调节电网收益/万元0.7130.6170.7160.731.6821.5361.491.674 垃圾处理收益/万元2.051.6121.341.422.332.371.91.93 负荷损失成本/万元0.1360.1150.0970.1050000 充能收益/万元69.53257.950.1552.9469.73258.20850.34753.391 总运行成本/万元-62.821-52.844-40.174-47.363-71.297-60.075-51.455-54.742
结合表1、表2进行分析可知，相比于场景一，在本文提出的场景二下，新能源汽车整体的平均充能等待时间降低了36.56%；碳减排量整体提高了约3.39倍；垃圾能源化利用率整体增幅15.62%；电网调节能力整体提升了145.03%；总运行成本整体降低了16.91%。综上所述，通过本文的模型能够在实现互联系统可靠、经济运行的同时能够给电网提供更多的电能调节量，有效提高互联系统的碳减排能力。
采用各场景下求解的多目标优化模型的25个Pareto最优解，得到Pareto前沿如图11所示，Pareto最优解的平均计算时间为32.9s，采用考虑主观权值修正的熵权双基点法确定的两种场景下各目标函数的修正权系数见表3。对所有Pareto最优解进行优劣排序后选取相对贴近度最大的Pareto最优解为折中最优解，两种场景下各CME-MG典型日运行结果和运行成本见表1、表2。
图11 Pareto前沿
Fig.11 Pareto optimal surface
表3 各目标函数的修正权系数
Tab.3 The modified weight coefficient of each objective function
场景修正权系数 F1F2F3 一0.453 20.249 20.297 6 二0.491 70.203 50.304 8
在我国推进碳达峰、碳中和的背景下，为实现能源转型和适应新能源汽车产业蓬勃发展下汽车用户越来越多的充能需求，本文提出了一种计及供能可靠性动态约束与碳减排的充能型微网互联系统优化模型，并通过两种场景下的仿真结果进行分析，结果表明：
1）与传统独立运行的充能型多能源微网相比，本文提出的MCMIS-LCEs考虑各微网间的互补特性，通过电能、氢气、天然气联络线进行交互，能够提高新能源汽车和多种负荷的用能可靠性。
2）相比于传统独立运行的充能型多能源微网，MCMIS-LCEs中多能源微网间高效协调运行，可降低新能源汽车的充能时间、提升垃圾资源化利用率、系统的运行灵活性，并且能够为配电网提供更多的电能调节能力和碳减排调节能力。
3）充能型多能源微网群互联协调优化后能够降低各微网的运行成本，有效提高整体互联系统的收益，在未来充能站的建设发展中具有较好的应用前景。
附表1 各CME-MG基本参数
App.Tab.1 Basic parameters of each CME-MG
参数数值 CME-MG1CME-MG2CME-MG3CME-MG4 光伏装机容量/MW213.53 风电装机容量/MW1095.57 最大用电负荷/MW1.351.41.21 最大用热负荷/MW0.90.850.80.7 最大用气负荷/m31101008095 充电桩总数/台35302426 加氢机总数/台15151012 加气机总数/台16141014
附表2 峰、谷、平时段划分
App.Tab.2 The division of peak, valley and normal periods
时段电价氢气价天然气价 峰时段9:00～12:0018:00～23:005:00～8:0010:30～13:0016:00～21:006:00～8:0010:00～13:0015:00～20:00 平时段8:00～9:0012:00～18:0023:00～24:004:00～5:008:00～10:3013:00～16:008:00～10:0013:00～15:0020:00～22:00 谷时段0:00～8:000:00～4:0021:00～24:000:00～6:0022:00～24:00
附图1 各CME-MG典型日风电出力曲线
App.Fig.1 Typical daily wind power output curve of each CME-MG
附图2 各CME-MG典型日光伏出力曲线
App.Fig.2 Typical daily photovoltaic output curve of each CME-MG
附图3 各CME-MG典型日负荷曲线
App.Fig.3 Typical daily load curve of each CME-MG
附表3 各时段单价
App.Tab.3 Unit price of per period
峰时段平时段谷时段 调节电网-输出电能/[元/(kW·h)]1.1520.9810.631 调节电网-输入电能/[元/(kW·h)]1.0410.8250.583 充电价/[元/(kW·h)]0.9760.6670.367 充电服务费/[元/(kW·h)]0.80.80.8 充氢价/(元/kg)656260 充气价/(元/m3)4.754.524.27 购电价/[元/(kW·h)]0.9760.6670.367 购氢价/(元/m3)0.2240.2240.224 购天然气价/(元/m3)4.74.454.11 电负荷损失成本/[元/(kW·h)]6.86.86.8 热负荷损失成本/[元/(kW·h)]3.23.23.2 氢负荷损失成本/(元/kg)14.714.714.7 气负荷损失成本/(元/m3)0.960.960.96 回收垃圾/(元/t)375375375 处理垃圾政府补贴/(元/t)124124124
附表4 污染气体治理单价与排放系数
App.Tab.4 Pollutant gas treatment unit price and emission coefficient
气体类型治理单价/(元/kg)排放系数/[g/(kW·h)] CO0.012 50.170 2 CO20.021335.082 9 NOx0.0230.618 8 SO214.8420.000 092 8
附表5 各CME-MG设备容量及其运行参数
App.Tab.5 Capacity and operation parameters of devices in each CME-MG
设备效率(%)单位维护成本CME-MG1/MWCME-MG2/MWCME-MG3/MWCME-MG4/MW 热解炉811.23元/(kW·h)1.51.310.8 电制氢840.21元/(kW·h)3323 甲烷化710.66元/(kW·h)3323 电锅炉950.08元/(kW·h)110.80.8 燃料电池740.14元/(kW·h)1122.5 储氢9510.53元/m34433.5 储热9220.35元/(MW·h)110.81 储气959.63元/m34.5433.5 风电560.51万元/MW213.53 光伏200.59万元/MW1095.57
附表6 各CME-MG设备的状态转移率
App.Tab.6 State transition rate of devices in each CME-MG
转移率tl0.5tl0 tl-0.0030.0020.001 0.5tl0.020-0.0220.002 00.0230.018-0.041
附表7 各CME-MG的能源调节响应参数设置
App.Tab.7 Energy regulation response parameter setting of each CME-MG
参数数值 CME-MG1CME-MG2CME-MG3CME-MG4 εE a(%)80858282 εH2 a(%)7271.57470 εgas a(%)75767372 εa,pg(%)83818282
附表8 各CME-MG的供能可靠性指标上限
App.Tab.8 The upper limit of the energy supply reliability index of each CME-MG
参数数值 CME-MG1CME-MG2CME-MG3CME-MG4 供电可靠性指标上限/MW0.320.290.260.28 供热可靠性指标上限/MW0.0850.0810.0770.069 供氢可靠性指标上限/kg4.94.33.23.5 供气可靠性指标上限/m331282124
参考文献
[1] 许刚, 张丙旭, 张广超. 电动汽车集群并网的分布式鲁棒优化调度模型[J]. 电工技术学报, 2021, 36(3): 565-578.
Xu Gang, Zhang Bingxu, Zhang Guangchao. Distributed and robust optimal scheduling model for large-scale electric vehicles connected to grid[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 565-578.
[2] 张沈习, 王丹阳, 程浩忠, 等. 双碳目标下低碳综合能源系统规划关键技术及挑战[J]. 电力系统自动化, 2022, 46(8): 189-207.
Zhang Shenxi, Wang Danyang, Cheng Haozhong, et al. Key technologies and challenges of low-carbon integrated energy system planning for carbon emission peak and carbon neutrality[J]. Automation of Electric Power Systems, 2022, 46(8): 189-207.
[3] 王泽镝, 滕云, 闫佳佳, 等. 垃圾能源利用与城市多能源系统协同优化模型[J]. 电工技术学报, 2021, 36(21): 4470-4481.
Wang Zedi, Teng Yun, Yan Jiajia, et al. The optimal model based on waste resourceful and urban multi-energy system collaborative[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4470-4481.
[4] 滕云, 闫佳佳, 回茜, 等. “无废”电-氢充能服务区多源微网优化运行模型[J]. 中国电机工程学报, 2021, 41(6): 2074-2088.
Teng Yun, Yan Jiajia, Hui Qian, et al. Optimization operation model of “zero-waste” electricity-hydrogen charging service area multi-energy microgrid[J]. Proceedings of the CSEE, 2021, 41(6): 2074-2088.
[5] 王泽森, 唐艳梅, 门向阳, 等. 独立海岛终端一体化系统下电动汽车的投放数量规划研究[J]. 中国电机工程学报, 2019, 39(7): 2005-2016.
Wang Zesen, Tang Yanmei, Men Xiangyang, et al. Research on the quantity planning of electric vehicle on the isolated island terminal integration system[J]. Proceedings of the CSEE, 2019, 39(7): 2005-2016.
[6] 郭立东, 雷鸣宇, 杨子龙, 等. 光储微网系统多目标协调控制策略[J]. 电工技术学报, 2021, 36(19): 4121-4131.
Guo Lidong, Lei Mingyu, Yang Zilong, et al. Multi-objective coordinated control strategy for photovoltaic and energy-storage microgrid system[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4121-4131.
[7] 王泽镝, 滕云, 回茜, 等. 考虑垃圾处理与调峰需求的可持续化城市多能源系统规划[J]. 中国电机工程学报, 2021, 41(11): 3781-3796.
Wang Zedi, Teng Yun, Hui Qian, et al. A sustainable development multi-energy system planning method incorporating the demand of waste disposal and peak shaving[J]. Proceedings of the CSEE, 2021, 41(11): 3781-3796.
[8] Alshareef M, Lin Zhengyu, Li Fulong, et al. A grid interface current control strategy for DC microgrids[J]. CES Transactions on Electrical Machines and Systems, 2021, 5(3): 249-256.
[9] 张释中, 裴玮, 杨艳红, 等. 基于柔性直流互联的多微网集成聚合运行优化及分析[J]. 电工技术学报, 2019, 34(5): 1025-1037.
Zhang Shizhong, Pei Wei, Yang Yanhong, et al. Optimization and analysis of multi-microgrids integration and aggregation operation based on flexible DC interconnection[J]. Transactions of China Electrotechnical Society, 2019, 34(5): 1025-1037.
[10] 李政, 陈思源, 董文娟, 等. 碳约束条件下电力行业低碳转型路径研究[J]. 中国电机工程学报, 2021, 41(12): 3987-4000.
Li Zheng, Chen Siyuan, Dong Wenjuan, et al. Low carbon transition pathway of power sector under carbon emission constraints[J]. Proceedings of the CSEE, 2021, 41(12): 3987-4000.
[11] 杨镜司, 秦文萍, 史文龙, 等. 基于电动汽车参与调峰定价策略的区域电网两阶段优化调度[J]. 电工技术学报, 2022, 37(1): 58-71.
Yang Jingsi, Qin Wenping, Shi Wenlong, et al. Two-stage optimal dispatching of regional power grid based on electric vehicles' participation in peak-shaving pricing strategy[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 58-71.
[12] 滕云, 弓玮, 冷欧阳, 等. 用于提升电-气两网调节能力的微网集群协调运行模型[J]. 中国电机工程学报, 2021, 41(2): 642-655.
Teng Yun, Gong Wei, Leng Ouyang, et al. Coordination operation model of microgrid cluster for improving electricity-gas networks regulation capability[J]. Proceedings of the CSEE, 2021, 41(2): 642-655.
[13] 李鹏, 吴迪凡, 李雨薇, 等. 基于谈判博弈的多微网综合能源系统多目标联合优化配置[J]. 电网技术, 2020, 44(10): 3680-3688.
Li Peng, Wu Difan, Li Yuwei, et al. Multi-objective union optimal conApp.Figuration strategy for multi-microgrid integrated energy system considering bargaining games[J]. Power System Technology, 2020, 44(10): 3680-3688.
[14] Qiu Haifeng, Zhao Bo, Gu Wei, et al. Bi-level two-stage robust optimal scheduling for AC/DC hybrid multi-microgrids[J]. IEEE Transactions on Smart Grid, 2018, 9(5): 5455-5466.
[15] Sahoo S K, Kishore N K, Sinha A K. Decentralised control and fault ride-through of a multi-microgrid system[J]. IET Smart Grid, 2019, 2(3): 464-476.
[16] 刘海涛, 熊雄, 季宇, 等. 直流配电下多微网系统集群控制研究[J]. 中国电机工程学报, 2019, 39(24): 7159-7167, 7489.
Liu Haitao, Xiong Xiong, Ji Yu, et al. Cluster control research of multi-microgrids system under DC distribution system[J]. Proceedings of the CSEE, 2019, 39(24): 7159-7167, 7489.
[17] 金国彬, 潘狄, 陈庆, 等. 考虑源荷不确定性的直流配电网模糊随机日前优化调度[J]. 电工技术学报, 2021, 36(21): 4517-4528.
Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528..
[18] 韩景超, 王正发, 刘双龙. 城市生活垃圾制气技术研究[J]. 环境与发展, 2020, 32(12): 64-66.
Han Jingchao, Wang Zhengfa, Liu Shuanglong. Research on gasification technology of municipal solid waste[J]. Environment and Development, 2020, 32(12): 64-66.
[19] 金红洋, 滕云, 冷欧阳, 等. 基于源荷不确定性状态感知的无废城市多能源协调储能模型[J]. 电工技术学报, 2020, 35(13): 2830-2842.
Jin Hongyang, Teng Yun, Leng Ouyang, et al. Multi-energy coordinated energy storage model in zero-waste cities based on situation awareness of source and load uncertainty[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2830-2842.
[20] Lisnianski A, Elmakias D, Laredo D, et al. A multi-state Markov model for a short-term reliability analysis of a power generating unit[J]. Reliability Engineering & System Safety, 2012, 98(1): 1-6.
[21] He Ruiwen, Deng Jianhua, Lai L L. Reliability evaluation of communication-constrained protection systems using stochastic-flow network models[J]. IEEE Transactions on Smart Grid, 2018, 9(3): 2371-2381.
[22] 黄庶, 林舜江, 刘明波. 含风电场和抽水蓄能电站的多目标安全约束动态优化调度[J]. 中国电机工程学报, 2016, 36(1): 112-121.
Huang Shu, Lin Shunjiang, Liu Mingbo. Multi-objective security constrained dynamic optimal dispatch with wind farms and pumped storage stations[J]. Proceedings of the CSEE, 2016, 36(1): 112-121.
[23] 杨柳青, 林舜江, 刘明波, 等. 考虑风电接入的大型电力系统多目标动态优化调度[J]. 电工技术学报, 2014, 29(10): 286-295.
Yang Liuqing, Lin Shunjiang, Liu Mingbo, et al. Multi-objective dynamic optimal dispatch for large-scale power systems considering wind power penetration[J]. Transactions of China Electrotechnical Society, 2014, 29(10): 286-295.
[24] 雍静, 赵瑾, 郇嘉嘉, 等. 基于混沌增强烟花算法的多能源系统并网优化调度[J]. 电网技术, 2019, 43(10): 3725-3733.
Yong Jing, Zhao Jin, Huan Jiajia, et al. Multi-energy system optimal dispatch based on chaos enhanced firework algorithm in grid connection[J]. Power System Technology, 2019, 43(10): 3725-3733.
[25] 王鲁浩, 李歧强, 丁然, 等. 可再生能源微网鲁棒多目标优化调度[J]. 电工技术学报, 2017, 32(5): 184-192.
Wang Luhao, Li Qiqiang, Ding Ran, et al. Robust multi-objective optimization scheduling of micro-grids with renewable energy[J]. Transactions of China Electrotechnical Society, 2017, 32(5): 184-192.
[26] Bao Minglei, Ding Yi, Singh C, et al. A multi-state model for reliability assessment of integrated gas and power systems utilizing universal generating function techniques[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6271-6283.
[27] 张卫国, 宋杰, 郭明星, 等. 考虑电动汽车充电需求的虚拟电厂负荷均衡管理策略[J]. 电力系统自动化, 2022, 46(9): 118-126.
Zhang Weiguo, Song Jie, Guo Mingxing, et al. Load balancing management strategy for virtual power plants considering charging demand of electric vehicles[J]. Automation of Electric Power Systems, 2022, 46(9): 118-126.
[28] 郜昊强, 宋业建. 氢燃料电池汽车发展趋势分析[J]. 汽车零部件, 2018(12): 75-77.
Gao Haoqiang, Song Yejian. Development trend analysis of hydrogen fuel cell vehicle[J]. Automobile Parts, 2018(12): 75-77.
[29] 骆玲. 营运天然气汽车燃料消耗量测量方法研究[D]. 西安: 长安大学, 2014.
Optimization Model of Charging Microgrid Interconnection System Considering Dynamic Constraints of Energy Supply Reliability and Carbon Emission Reduction
Abstract Promoting the large-scale development of the new energy vehicle industry is an important way to realize the low-carbon transformation of transportation and multi-energy systems. In order to ensure the improvement of system energy supply reliability and carbon emission reduction capability, an optimization model of charging microgrid interconnection system considering dynamic constraints of energy supply reliability and carbon emission reduction was constructed in this paper. Firstly, the operation characteristics of each microgrid and the energy interaction characteristics between microgrids are studied, and the model of the multi-energy charging microgrids interconnection system with low carbon emissions(MCMIS-LCEs) was established. On this basis, a multi-energy supply and carbon emission reduction coordination model was established; Secondly, considering the dynamic impact of energy conversion, storage and charging equipment failures on the energy supply reliability of the MCMIS-LCEs, a multi-state reliability dynamic quantitative evaluation model was established according to the characteristics of equipment failures; Then, under the conditions of energy supply reliability constraints and operation constraints of interconnected systems, a multi-objective optimization model of the MCMIS-LCEs considering carbon emission reduction, charging time and energy supply cost coordination was established; Finally, simulation verification is performed based on the actual energy and vehicle flow data of the charging station. The simulation results demonstrate that the MCMIS-LCEs and its optimization model proposed in this paper can realize the efficient coordination between multi-energy conversion, storage and charging equipment, and improve the economy, carbon emission reduction capacity, waste process capacity, grid regulation capacity, and the reliability of energy supply of the whole interconnected system.
keywords：New energy vehicles, energy supply reliability, carbon emission reduction, microgrid interconnection system, waste process
DOI:10.19595/j.cnki.1000-6753.tces.220107
中图分类号：TM732
国家重点研发计划资助项目（2017YFB0902100）。
收稿日期 2022-01-21
改稿日期 2022-06-12
闫佳佳 女，1996年生，博士研究生，研究方向为多能源系统规划及优化运行等。E-mail：714431086@qq.com
滕 云 男，1973年生，博士，教授，博士生导师，研究方向为再生能源发电、多能源系统优化运行与控制等。E-mail：tengyun@sut.edu.cn（通信作者）
（编辑 赫蕾）