图1 基于动态运行场景预测的MEMG实时能量优化调控整体框架
Fig.1 Framework for real-time energy optimal dispatch of MEMG based on dynamic operation scenario forecasting
摘要 多能微电网（MEMG）在推动能源效率提升与促进可再生分布式发电（RDG）消纳等方面展现出了巨大潜力，但其运行面临源于RDG和多能负荷的多维不确定性所引发的挑战。为此，该文提出了一种基于动态运行场景预测的MEMG实时能量优化调控方法。该方法针对MEMG运行场景构建了瓦瑟斯坦生成对抗网络，以无监督方式挖掘与表征其统计分布，并基于此创建了场景预测约束优化问题，实现了可捕捉多维不确定性的MEMG运行场景的高效、高质量以及逐时刻预测。基于预测场景形成了随机模型预测控制框架下的MEMG预调度模型，并构建了实时功率补偿模型以最为经济的方式对电热不平衡功率进行补偿。最后，通过数值仿真验证了所提MEMG运行场景预测和能量调控方法的有效性。
关键词：多能微电网 可再生分布式发电 多维不确定性 生成对抗网络 场景预测 随机模型预测控制
加快清洁能源发展，建设安全高效的高比例新能源电力系统，已成为我国推动能源革命、实现“双碳”目标的关键路径[1-2]。其中，多能微电网（Multi-Energy Microgrid, MEMG）在规划建设和运行过程中对区域内各类能源系统进行了高度集成，实现了多种异质能源形式的生产、消费和存储单元之间的协同规划与协调运行[3-5]。通过多能互补互济，MEMG能够更有效地满足多元化能源需求，并在提升能源综合利用效率、降低用能成本以及促进可再生分布式发电（Renewable Distributed Generation, RDG）消纳等方面展现出了巨大潜力，对于推动能源转型和实现可持续发展具有重要意义[6-7]。随着MEMG结构的日益复杂化，多元能源需求的动态变化不断加剧，同时RDG也呈现明显的间歇性和随机性，导致MEMG面临严重的源-荷多维不确定性，对其优化调控和可靠运行构成了巨大挑战，在MEMG能量调控过程中亟待解决。
现有文献中已探索并发展了多种方法来应对多维不确定性对系统运行产生的负面影响，其中尤为突出的包括鲁棒优化、随机优化和机会约束等。文献[8]建立了水-风-光-储多能互补日前鲁棒优化调度方法，以应对光伏（Photovoltaics, PV）和风机（Wind Turbines, WT）发电不确定性所诱发的运行风险。文献[9]采用鲁棒优化处理了与RDG相关的不确定性，实现了工业微电网的鲁棒能量管理。文献[10]基于鲁棒优化建立了不确定性下计及电动汽车混合充电系统接入的综合能源系统优化调度方法。文献[11]开发了多个互联MEMG的协调经济运行策略，通过随机优化刻画了RDG和负荷的不确定性。文献[12]提出综合能源生产单元调度策略，同样采用随机优化方法，计及了RDG和负荷需求的随机波动。文献[13]开发的电-热系统优化调度策略，通过机会约束有效地应对了新能源发电不确定性。同样，文献[14]采用机会约束，考虑了PV和WT发电的不确定性，实现了智能楼宇和社区综合能源系统的协调优化。尽管上述研究中提出的能量管理策略可在一定程度上免疫或减轻不确定性造成的负面影响，但这些策略主要聚焦日前运行决策。不确定变量在日前预测和日内实时实现之间难以避免的偏差并未得到足够关注，其可能会显著削弱能量管理策略的实际性能。
相较于上述研究，模型预测控制（Model Predictive Control, MPC）的一大显著优势在于其具有反馈机制。该机制使得MPC可在每个时刻基于更新的系统状态与不确定量预测，重复地进行优化决策[15]。因此MPC被认为是一种实现实时能量调控的有效方法，并在该领域展现出了突出优势，从而引起了广泛关注。例如，文献[16]对MPC在大规模风电并网电力系统有功功率控制领域中的应用进行了全面梳理和分析，表明了MPC在扰动抑制方面的显著优势。文献[17]对MPC在微电网中的应用进行了全面回顾，并明确指出MPC已经成为运行优化领域中极具竞争力的选择方案。上述研究明确指出了MPC在实时能量调控领域的广阔发展前景，其凭借内嵌的反馈机制能够尽可能地弥补不确定变量的预测值和实时观测值之间的偏差，提升系统适应不确定性的能力。值得注意的是，针对未来时刻不确定变量的预测仍然会存在不可避免的误差。如文献[18]指出，由于太阳辐射强度固有的不确定性，实际PV输出功率与预测值之间往往存在显著偏差。但上述研究中基于MPC的运行策略的性能高度依赖预测的准确性，难以避免因不确定变量预测误差导致的性能下降。
为了克服上述传统MPC方法固有的局限性，其可作为一种灵活的实时控制框架与其他优化方法相融合，从而建立新型控制策略，如鲁棒MPC（Robust MPC, RMPC）和随机MPC（Stochastic MPC, SMPC）。通过此方式，结合MPC与其他优化方法的优势，以增强能量管理策略的鲁棒性和可靠性。文献[19]针对WT发电的不确定性，基于RMPC制定了风-火-储联合系统的调频参与优化策略。文献[20]开发了一种基于RMPC的微电网能量管理策略，有效地削弱了RDG不确定性造成的负面影响，从而平衡了微电网运行的鲁棒性和经济性。文献[21]采用RMPC应对微电网内RDG和负荷需求的不确定性，建立了微电网支撑配电网供电恢复的弹性运行策略。尽管RMPC在抵御不确定性带来的负面影响方面展现出了较大优势，但其也不可避免地继承了鲁棒优化的特性，即倾向于在预先定义的不确定集中探索并制定最恶劣场景下的能量管理策略。该机制虽然确保了决策的鲁棒性，但在实践中，由于最恶劣情况的发生概率往往较低，可能会导致决策过于保守，进而在一定程度上牺牲了系统运行的灵活性和经济性。
相较于RMPC，SMPC有效地整合了MPC和随机优化的优势，通过优化所有潜在不确定性实现场景下的目标期望来制定能量管理策略，从而有助于避免过于保守的运行决策[22]。文献[23]开发了一种基于SMPC的电池-飞轮混合储能系统管理策略以应对电力需求的不确定性，实现了系统年度利润的有效提升。文献[24]基于SMPC构建了火电-储能协同调频控制方法，实现了混合储能与火电机组之间的高效协同，并优化了系统的整体经济效益。文献[25]通过一系列典型场景对PV发电和冷负荷不确定性进行了分析，建立了一种基于SMPC的PV-储冰-空调系统经济运行策略。尽管SMPC在能量管理中展现了诸多显著优势，但其在实际应用中却面临着一项关键挑战，即在每个时刻均需精准地构建一组能够有效刻画未来不确定性的典型运行场景。上述研究主要依赖从一个预设的统计分布中随机采样来生成运行场景，然而这一过程面临两大严峻挑战：①精确获取不确定变量的统计假设并准确拟合相应的参数难以实现，因为这些统计假设在实践中往往无法保持稳定，尤其是在面对如MEMG这类由多个不确定变量组成的复杂运行场景时，不确定性更加难以捕捉；②从复杂统计分布中进行高效采样也存在一定困难[26]。因此亟须建立一种高效的MEMG运行场景预测方法，以在每个时刻对MEMG运行过程中的多维不确定性进行精确刻画和有效处理。
针对以上问题，本文首先提出了一种基于动态运行场景预测的MEMG实时能量优化调控方法，以应对多维不确定性给MEMG运行带来的负面影响。该方法构建了适合MEMG运行场景特点的瓦瑟斯坦生成对抗网络（Wasserstein Generative Adversarial Network, WGAN），以无监督方式挖掘并表征了MEMG运行场景的内在统计分布，并基于此创建了场景预测约束优化问题，实现了MEMG运行场景的高效、高质量以及逐时刻预测，从而精确捕捉MEMG未来一段时期的多维运行不确定性。其次，基于预测场景形成了SMPC框架下的MEMG预调度模型，精准地获取了MEMG预调度指令，并通过实时功率补偿模型以最为经济的方式对电热不平衡功率进行了补偿。最后，通过数值仿真对所提出的MEMG运行场景预测和实时能量优化调控方法的有效性进行了充分验证。
为有效应对由RDG与多能负荷引入的多维不确定性对MEMG能量调控的挑战，本文提出了一种基于动态运行场景预测的MEMG实时能量优化调控方法，其整体框架如图1所示。传统MPC虽然能够凭借其包含的反馈机制在每个时刻基于系统状态及不确定变量预测信息进行更新，实现系统实时调控，但其性能高度依赖点预测精度，无法有效地解决不确定变量的点预测值和实际值之间的偏差导致的性能下降。
图1 基于动态运行场景预测的MEMG实时能量优化调控整体框架
Fig.1 Framework for real-time energy optimal dispatch of MEMG based on dynamic operation scenario forecasting
为此，本文将MPC框架与随机优化相结合，在每个时刻通过一组运行场景对不确定变量可能的实现轨迹进行有效覆盖，从而精确刻画MEMG的运行不确定性，实现其前瞻预调度指令的精准生成。其中，为高效、高质量以及逐时刻预测能够捕捉多维不确定性的MEMG运行场景，本文构建了基于WGAN的场景预测方法。该方法首先对WGAN进行训练以利用其挖掘MEMG历史运行场景的特征，进而自适应地建立由多维不确定性组成的MEMG运行场景统计分布的无监督表示；其次基于已知信息（观测值和点预测值）并结合训练完成的WGAN构建场景预测约束优化问题，通过求解该优化问题可对生成器的输入噪声向量进行优选；最后，将优选向量输入训练完成的生成器中，即可在无需任何先验统计分布假设的情况下，实时生成能够精确刻画MEMG未来一段时期运行不确定性的高质量运行场景。
值得注意的是，场景预测虽能提升对MEMG运行不确定性的刻画性能，但不确定变量的预测信息与其真实值之间仍存在难以避免的偏差。当时间推进至第
个时刻时，基于场景预测信息制定的预调度决策会在一定程度上导致MEMG出现能量供需失衡。针对该问题，本文构建了实时功率补偿模型，以最为经济的方式调整第个时刻的预调度决策，实现对电热不平衡功率的有效补偿，从而保证MEMG的实时功率平衡。在完成当前时刻的能量调控后，根据不确定变量的信息更新，动态重构场景预测约束优化问题，对下一时刻可能的MEMG运行场景进行预测并用于预调度决策。上述步骤重复执行，直到能量调控周期结束，最终形成整个周期的MEMG优化运行方案。
下面将在第2节和第3节中分别对基于WGAN的MEMG运行场景预测方法，以及MEMG预调度模型与实时功率补偿模型进行详细介绍。
图2展示了MEMG的典型配置及其运行过程中涉及的变量。根据图2所示，MEMG在第
个时刻的运行所涉及的变量除PV发电功率
、WT发电功率
、电力负荷功率
和热力负荷功率
之外均为可调控变量（其他变量含义详见第3节），所以这四个变量即为MEMG运行不确定性的来源。据此，一个能捕捉MEMG运行不确定性的完整运行场景
可定义为式（1），其由多维不确定变量组成，并且每个变量为一个长度为
的时间序列。
图2 MEMG典型配置及其运行过程中涉及的变量
Fig.2 Typical configuration of MEMG and variables involved in its operation
（1）
式中，为MEMG运行场景的时间范围；
、
、
、
分别为
时刻范围的PV和WT发电功率及电热负荷功率所组成的向量。
如图1所示，为实现MEMG运行场景预测，首先要基于其历史运行场景对WGAN进行训练。通过训练使WGAN能够以无监督方式挖掘并表征MEMG运行场景的内在统计分布。以上过程可称为场景生成。生成对抗网络（Generative Adversarial Network, GAN）由生成器和鉴别器构成。生成器被训练为将从简单已知分布（例如高斯分布或均匀分布）中采样得到的随机隐含向量转换为足够逼真的数据，而鉴别器则被训练来区分数据的真（来源于历史数据的样本为真数据）或假（由生成器转换得到的样本为假数据）。当生成器和鉴别器之间的交替竞争训练达到均衡时，鉴别器将无法辨别数据是源自历史数据还是生成数据，标志着GAN已训练完成。
MEMG场景生成的目标是生成能够精准捕捉历史运行场景统计分布的多样化场景，即生成场景的统计分布要与历史场景尽可能一致。Wasserstein距离是用于度量两个统计分布之间差异的一个直观标准，因此本文在GAN的训练过程中以Wasserstein距离作为生成器与鉴别器之间博弈的价值函数（即WGAN）。WGAN可以使得当生成器与鉴别器之间的博弈达到均衡时，生成器能够生成统计特性高度逼近历史场景统计特性的场景[27]，即自适应地建立由多维不确定性组成的MEMG运行场景统计分布的无监督表示，从而完成MEMG运行场景生成任务。
WGAN的训练目标为
（2）
式中，
和
分别为生成器和鉴别器；
为和之间博弈的价值函数；
为统计分布的期望值；x和
分别为MEMG历史运行场景和相应的统计分布；z为生成器的输入隐含向量，
；
为一个易于采样的简单已知分布，本文将设置为
的均匀分布；
为生成器的输出，
，
为生成场景的统计分布；
为鉴别器的输出。
基于式（2），生成器和鉴别器通过最小-最大博弈进行对抗。生成器被训练来欺骗鉴别器将其生成的场景视作真实场景，鉴别器则被训练来区分和，且鉴别器的输出为场景是真或假的指示。综上所述，生成器损失函数值
越小表明生成器生成的场景越真实，而鉴别器损失函数值
越小则表明鉴别器区分真实场景和生成场景的能力越强。据此，生成器和鉴别器的损失函数可分别定义为
（3）
（4）
鉴别器和生成器的交替竞争训练可以使得它们不断演化，直到鉴别器不再能够区分生成器生成的场景和真实场景，这也意味着和之间的Wasserstein距离随着生成器和鉴别器之间的博弈达到均衡而收敛至最小值。此时可以认为生成器已经学习到了MEMG运行场景的真实统计分布，其参数可以被固定，并用于生成足够真实的MEMG运行场景。
对于MEMG运行场景预测而言，预测的场景不仅要与真实场景具有相同的统计特性，而且还要遵循特定的信息。假设当前时刻为
，可以获取的信息包括不确定变量在过去个时刻的观测值
与未来
时刻的点预测信息
。所以，MEMG运行场景预测任务是基于以上给定的信息预测一组未来时刻的运行场景，以精确捕捉MEMG运行不确定性的可能动态和变化。
训练完成后的生成器可以将从的均匀分布中采样得到的随机隐含向量转换为与MEMG的运行保持相同模式的任意运行场景。倘若能够对生成器输入向量进行优选，即可遵循特定信息生成特定场景，以准确刻画未来特定时期的MEMG运行不确定性。为此，本节基于训练完成的WGAN，并结合不确定变量的观测值和点预测值，构建了场景预测约束优化问题以得到生成器的优选输入向量，进而实现MEMG运行场景预测。该方法可在没有预测范围限制的情况下灵活地执行场景预测，其执行架构如图1所示。用于MEMG运行场景预测的约束优化问题构建如下。
在第个时刻预测的场景中，过去个时刻的部分必须尽可能接近不确定变量在过去个时刻的观测值，同时未来时刻的部分要能反映MEMG的真实运行特性且不能与点预测信息冲突。基于上述思想，MEMG运行场景预测优化问题可定义为
（5）
（6）
（7）
式中，
和
分别为前个时刻和未来时刻的部分；
为一个权重参数，以确定鉴别器输出对目标函数的影响[28]；
为向量
的定义域；
和
分别为的下界和上界。
目标函数式（5）的含义在于：第一项为一个成本函数，用以衡量和
之间的接近程度；第二项为一个惩罚项，用以辅助确保预测的场景尽可能真实。由于生成器的输入为从的均匀分布中采样得到的随机隐含向量，所以的定义域Z为一个以为界的超立方体，即约束式（6）。此外为了使预测场景不与点预测信息冲突，预测场景不应落到根据点预测定义的预测区间之外[29]。根据这一考虑构建了约束式（7），其中和分别为
（8）
（9）
式中，
为预先定义的点预测置信水平，起到控制预测场景波动范围的作用，
。
由于约束优化问题式（5）～式（7）包含高度非凸的生成器和鉴别器，所以该优化问题存在大量的局部最优解，通过不同初始值z迭代求解该优化问题可获得不同局部最优解，从而可以得到一组局部最优解集
。将最优解集输入生成器中即可预测得到一组不同且逼真的未来时刻的MEMG运行场景
，如式（10）所示。
（10）
式中，
为第
个局部最优解；
为迭代求解该优化问题的次数，通过调节即可方便地调整预测场景的数量。此外，该优化问题的求解过程可详见附录第1节。
根据第2节所述方法在第个时刻预测得到一组可以刻画未来时刻的MEMG运行不确定性的运行场景后，即可构建出SMPC框架下MEMG在第个时刻的预调度模型，其中目标函数为
（11）
式中，
、
、
、
分别为MEMG第个时刻的预调度模型中向电网的购电成本、天然气采购成本、电储能系统（Electricity Storage System, ESS）和热储能系统（Thermal Storage System, TSS）的衰退成本。
（12）
（13）
（14）
（15）
式中，
为场景索引；
为预测MEMG运行场景的总数量；
为第个场景的发生概率；
和
分别为MEMG在个时刻向电网的购电价和售电价；
和
分别为第个场景下MEMG在第个时刻向电网的购电和售电功率；
为一个时刻的持续时间；
为天然气价格；
为热电联产单元（Combined Heat and Power unit, CHP）的输出电功率；
为燃气锅炉（Gas Boiler, GB）的输出热功率；
和
分别为CHP和GB的天然气转换为电力和热力的效率；
为ESS的衰退成本系数；
和
分别为ESS的放电和充电功率；
为TSS的衰退成本系数；
和
分别为TSS的放热和充热功率。
MEMG预调度模型的目标函数式（11）～式（15）必须满足式（16）～式（35）所示MEMG内所有设备的运行约束和功率平衡约束。
1）传输功率约束
为了保障主电网的安全可靠运行，必须限制MEMG与主电网间联络线的传输功率在一定范围内，而且MEMG向主电网的购、售电行为不能同时发生，如式（16）、式（17）所示。此外，MEMG与主电网间的交互功率可表示为式（18）。
（16）
（17）
（18）
式中，
为MEMG与主电网间传输功率的上限；
为用于避免第个场景下MEMG在第个时刻同时购售电的二进制变量；
为第s个场景下MEMG在第t个时刻与主电网间的交互功率。
2）CHP运行约束
（19）
（20）
式中，
和
分别为CHP输出电功率的下限和上限；
为CHP的热电比；
为CHP的输出热功率。
3）ESS运行约束
（21）
（22）
（23）
（24）
（25）
式中，
为ESS存储的电量；
和
分别为ESS的充、放电效率；
和
分别为ESS充放电功率的下限和上限；
为用于避免ESS同时充放电的二进制变量；
和
分别为ESS可存储电量的下限和上限；
为ESS的运行功率。
4）TSS运行约束
（26）
（27）
（28）
（29）
（30）
式中，
为TSS存储的热量；
和
分别为TSS的充、放热效率；
和
分别为TSS充放热功率的下限和上限；
为用于避免TSS同时充放热的二进制变量；
和
分别为TSS可存储热量的下限和上限；
为TSS的运行功率。
5）电锅炉（Electric Boiler, EB）运行约束
（31）
（32）
式中，
和
分别为EB输出热功率的下限和上限；
和
分别为EB的输出热功率和消耗电功率；
为EB的电转热效率。
6）GB运行约束
（33）
式中，
和
分别为GB输出热功率的下限和上限。
7）功率平衡约束
（34）
（35）
式中，
、
、
和
分别为s场景下t时刻PV发电、WT发电、电负荷和热负荷的功率。
综上所述，基于第个时刻预测得到的MEMG未来时刻的运行场景构建了以式（11）～ 式（15）为目标函数、以式（16）～式（35）为约束的SMPC框架下的MEMG预调度模型。通过求解该模型可获得MEMG在所有场景下于第个时刻的调度决策。然后，基于随机优化的核心思想计算调度指令在所有场景下的期望值即可得到MEMG于第个时刻的预调度指令。以MEMG与主电网间的交换功率为例，其于第个时刻的预调度指令可表示为式（36），其他可调控设备的预调度指令计算方式与此类似，在此不再赘述。
（36）
式中，
为MEMG与主电网间交换功率在第个时刻的预调度指令。
MEMG实时功率补偿的目标为在满足其所有设备的运行约束与实时功率平衡的前提下，以最为经济的方式调整第个时刻的预调度指令，实现对电热不平衡功率的有效补偿。因此，MEMG实时功率补偿模型的目标函数为
（37）
式中，
、
、
、
分别为MEMG在第个时刻因功率补偿所产生的购电成本、天然气采购成本，以及ESS和TSS的衰退成本，表达式分别为
（38）
（39）
（40）
（41）
式中，
和
分别为MEMG在第个时刻向电网的购售电功率调整量；
为CHP的输出电功率调整量；
为GB的输出热功率调整量；
和
分别为ESS的放电和充电功率调整量；
和
分别为TSS的放热和充热功率调整量。
实时功率补偿模型是在预调度决策的基础上，对MEMG的运行进行决策调整。所以实时功率补偿决策首先要满足MEMG内所有设备的运行约束和功率平衡约束，同时决策调整量需控制在电热功率不平衡量以内。在获得RDG和多能负荷于第个时刻的实际功率之后，即可依据式（42）和式（43）分别计算MEMG在该时刻的电热功率不平衡量。
（42）
（43）
式中，
、
分别为第个时刻的电、热功率不平衡量；
、
、
分别为k时刻CHP输出电功率、EB消耗电功率、ESS运行功率的预调度决策；
、
、
、
分别为k时刻电负荷、PV、WT发电及热负荷的实际功率；
、
、
、
分别为k时刻CHP、GB、EB输出热功率及TSS运行功率的预调度决策。
基于计算得到的电热不平衡功率，即可得到MEMG实时功率补偿模型所需遵循的约束条件。
1）传输功率调整约束
（44）
（45）
（46）
式中，
为用于避免MEMG同时调整购售电功率的二进制变量。
式（44）、式（45）限制了MEMG向电网购售电功率的调整量不能超过电功率不平衡量，同时约束了购售电功率调整不能在同一时刻发生。式（46）表示调整后的MEMG与电网间交换功率仍不能超过联络线的传输功率限值。
2）CHP调整约束
（47）
（48）
（49）
式中，
为CHP的输出热功率调整量。
3）ESS调整约束
（51）
（52）
（53）
（54）
式中，
为ESS存储的电量；
为用于避免ESS同时调整充放电功率的二进制变量。
4）TSS调整约束
（56）
（57）
（58）
（59）
式中，
为TSS存储的热量；
为用于避免TSS同时调整充放热功率的二进制变量。
5）EB调整约束
（60）
（61）
（62）
式中，
、
分别为EB的输出热功率和消耗电功率调整量。
6）GB调整约束
（63）
（64）
7）功率平衡约束
（65）
（66）
综上所述，MEMG在第
个时刻的实时功率补偿模型构建为以式（37）～式（41）为目标函数并以式（42）～式（66）为约束的优化问题。通过求解该模型可获得所有可调控设备的功率调整决策，并将其按照式（67）、式（68）叠加至预调度决策上，即可得到用于MEMG实际运行的最终调控决策（以MEMG与电网间交换功率
和CHP输出电功率
为例）。
（67）
（68）
本节通过数值仿真对本文所提MEMG运行场景预测和实时能量优化调控方法的有效性进行了全面的评估与验证。基于WGAN的MEMG运行场景预测方法，采用Python环境下的Pytorch工具包实现。MEMG预调度模型与实时功率补偿模型采用Python环境下的Gurobi求解器进行搭建并求解[30]。
4.1.1 数据描述和仿真设置
实时电价（Real-time Pricing, RTP）发布的时间尺度一般为30 min，因此本文将MEMG运行场景的时间范围设置为1天并且具有30 min的时间分辨率（即
）。为高效地从历史运行场景中进行特征提取，以及方便地联合预测由多维不确定性组成的MEMG运行场景，本文将彩色图像领域中的通道概念（即RGB通道）迁移至MEMG运行场景中。具体而言，由多维时间序列组成的MEMG运行场景被整合为具有4个通道（即PV发电、WT发电、电负荷和热负荷）并且每个通道为一个长度为
的时间序列的向量。针对MEMG运行场景的维度，本文设计了适合的WGAN结构以实现MEMG运行场景预测，WGAN的详细结构如图3所示。由于每个通道为一个时间序列，所以在网络结构中引入了适用于时间序列处理的一维卷积层。图3中
表示训练过程中每个迷你批次包含的样本数量，设为64；Conv1d-(
)表示超参数为的一维卷积层；PReLU()表示PReLU激活函数；LeakyReLU(0.2)表示负斜率为0.2的LeakyReLU激活函数。
图3 WGAN的详细结构
Fig.3 Detailed structure of WGAN
在训练过程中，生成器和鉴别器均采用RMSprop优化器，学习率
和
分别设置为
和
，并且每个训练周期生成器被训练1次，鉴别器被训练5次。为了促使WGAN满足Lipschitz连续性从而促进其稳定训练，训练过程中对鉴别器参数进行了裁剪，裁剪参数
设置为0.02。其他所有训练参数均设置为Pytorch工具包的默认参数。场景预测优化问题的超参数
、
、
和
分别设置为2、0.03、0.05和0.05[31]。点预测信息可由任意预测方法提供，由于这不在本文的研究范围之内，所以点预测数据按照与文献[32]中类似的方式，通过在真实数据中添加随机误差获得。
4.1.2 场景预测结果分析
为全面分析本文所提场景预测方法的性能，对不同预测时间范围（9～24 h）分别任意预测了50个场景进行测试，如图4所示。可以看出，本文所提方法能在不同预测时间范围内有效预测由多个不确定变量组成的MEMG运行场景，并且预测场景能够很好地覆盖不确定变量的实际轨迹。相比之下，点预测值在一些时期与实际场景之间存在明显偏差，这进一步凸显了采用场景预测方法刻画运行不确定性的显著优势，其能够更全面地反映系统不确定性的动态特性和潜在变化范围。此外，根据本文场景预测优化问题目标函数式（5）的设计思想与构建逻辑，预测场景在已知观测信息的部分应该尽量遵循实际场景。不失一般性，以图4b中所示电负荷未来15 h的预测场景为例，其在前18个时刻的部分较为集中且贴近实际场景，这是因为此时已知信息中包含不确定变量在前9 h（即前18个时刻）的观测值。同样，其在其他时刻以及不同不确定变量均有类似现象发生，这表明了场景预测优化问题构建和求解的合理性与有效性。
为了进一步验证预测场景的可靠性，以预测时间范围为15 h的情况为例对预测场景进行了统计分析。图5直观地呈现了预测场景与实际场景中各个变量累积分布函数（Cumulative Distribution Function, CDF）曲线的对比情况。观察可知，两者各个变量的CDF曲线均较为接近，这一现象证明了预测场景能够精准地捕捉MEMG实际运行场景的边缘分布特性。
上述分析体现了本文所提方法能在没有预测时间范围限制的情况下灵活地执行场景预测，并且能够对MEMG未来一段时期的运行不确定性进行准确刻画。该方法为SMPC框架下MEMG实时能量优化调控策略的制定提供了丰富准确的信息支撑。
图4 不同预测范围的MEMG运行场景
Fig.4 MEMG operation scenarios with different forecasting ranges
图5 预测场景和实际场景的CDF曲线
Fig.5 CDF curves for forecasted and actual scenarios
4.2.1 仿真设置
表1列出了仿真实验中研究的MEMG内所有设备的规格参数。能量调控的时间范围为1天且时间尺度与MEMG运行场景的时间尺度一致为30 min（与采用的RTP发布的时间尺度也一致），所以
h且
。RTP数据源自澳大利亚新南威尔士地区的电力市场，市场运营商会在每个时刻依据实时电力需求状态对未来各时刻的电价进行预测并公开发布，基于此本文工作合理假设RTP为已知信息[33]。此外，考虑到MEMG向电网的购电价一般高于售电价，所以将售电价设定为购电价的0.9倍[34]。天然气采购价格设定为55 AUD/(MW·h)，ESS和TSS的衰退成本系数分别设定为10 AUD/ (MW·h)和12 AUD/(MW·h)。
表1 MEMG内所有设备的规格参数
Tab.1 Specifications for all equipment in the MEMG
参数数值参数数值 /MW0, 750.95, 0.95 1.2/MW0, 25 0.35/(MW·h)20, 80 /MW0, 400.9, 0.9 0.8/MW0, 45 /MW0, 50/(MW·h)5, 150 0.95/(MW·h)30 /MW125/(MW·h)30
4.2.2 结果分析与讨论
图6展示了实时功率补偿前后MEMG的电热功率运行方案。从图6a和图6c中可以看出，由于不确定变量的预测信息与实际值之间有难以避免的偏差，直接应用预调度指令会导致MEMG内产生电热不平衡功率，例如，图6a中的第48个时刻以及图6c中的第2个时刻。从图7中也可以看出，基于场景预测构建的SMPC框架下的预调度模型所得的指令在每个时刻均会导致电热不平衡功率的产生，这凸显了本文所提实时功率补偿模型对于维持MEMG的安全稳定运行至关重要。
图6 MEMG运行方案
Fig.6 MEMG operation scheme
图7 SMPC与MPC方案导致的电热不平衡功率
Fig.7 Electric and thermal imbalance power due to SMPC and MPC schemes
在每个时刻根据不确定变量的实际值进行功率补偿后即可得到MEMG的最终运行方案，如图6b和图6d所示。从图中可以观察到，在实时功率补偿模型的作用下，MEMG内设备的运行决策及MEMG与电网间的交互功率得到了最优调整，且促使了功率平衡约束的满足。比如第48个时刻，由于电价较低，MEMG增加了向电网的电力购买，对电功率缺额进行了补偿。从图6中也可以看出，在电价较低的时期，MEMG的用能需求主要通过向电网购电得到满足，比如第1～2时刻MEMG向电网购买了大量电力，其中一部分存储于ESS中用于在后续电价较高的时期使用，另一部分则通过EB生产热能以满足热负荷需求。而在电价较高的时期，MEMG的用能需求除了内部配置的RDG外，主要利用CHP的热电联产能力，通过消耗天然气来更为经济地得到满足。这体现了本文所提出的MEMG实时能量优化调控策略在降低运行成本方面的良好性能。
图7对比了基于场景预测构建的SMPC框架下的预调度模型与基于点预测构建的传统MPC框架下的预调度模型所得预调度指令导致的电热不平衡功率在每个时刻的绝对值。从图7中可清楚地观察到，基于MPC的策略所产生的电热不平衡功率在绝大多数时期显著高于基于SMPC的策略。SMPC和MPC方法的累积不平衡电量分别为48.61 MW·h和61.02 MW·h，而不平衡热量分别为14.33 MW·h和36.11 MW·h。以上结果表明了本文所提方法预测的场景在捕捉与应对MEMG运行不确定性方面，相较于点预测而言更为优越。
若能精确掌握RDG和多能负荷在所有时刻的实际功率，即可执行理想调度，从而制定出MEMG的理想运行方案。同时，对于基于点预测构建的传统MPC预调度模型，通过实时功率补偿亦可得到满足功率平衡约束的MEMG实际运行方案。为了探究不同点预测误差水平下本文方法的性能表现（附图1以提前24 h的预测数据为例，展示了两种误差水平下的点预测数据），图8直观地展示了不同点预测误差水平下SMPC方法、MPC方法及理想情况下的MEMG与电网间交互功率的对比结果。由图8可见，本文SMPC策略所生成的交互功率曲线与理想情况更为贴近。表2进一步量化地展示了MPC策略与本文SMPC策略相较于理想情况在累积交互电量差异与经济效益方面的表现。由表2可见，采用本文所提策略得到的MEMG运行决策更接近理想状态。图8和表2也表明了在点预测误差水平较高的情况下，本文所提策略的优势更为凸显。上述结果进一步印证了本文提出的MEMG实时能量优化调控方法的有效性，同时也验证了本文开发的MEMG运行场景预测方法能够实时预测高质量运行场景，从而精确刻画并有效应对MEMG运行过程中的不确定性。
图8 MEMG与电网间交互功率对比
Fig.8 Comparison of interactive power between MEMG and grid
表2 SMPC和MPC方案与理想情况对比
Tab.2 Comparison of SMPC and MPC schemes with the ideal situation
方案相较理想情况的累积交互电量差异/(MW·h)相较理想情况在运行成本方面的上升比例(%) SMPC40.811.53 MPC63.674.27 SMPC-大误差51.621.68 MPC-大误差113.776.28
为有效地应对MEMG运行过程中面临的多维不确定性挑战，本文建立了一种基于动态运行场景预测的MEMG实时能量优化调控方法。该方法首先设计了适应MEMG运行场景特点的WGAN，对MEMG运行场景的统计分布进行了挖掘与表征。其次，以此为基础建立了场景预测优化问题，实现了MEMG运行场景的高效、高质量以及逐时刻预测。进而，根据场景预测结果形成了由预调度与实时功率补偿构成的两阶段MEMG实时能量优化调控策略。并且，本文所提方法的有效性通过全面的数值仿真得到了充分验证。具体而言，所开发的场景预测方法可以有效地预测不同预测时间范围，且能够有效捕捉实际场景边缘分布的MEMG运行场景，实现了对未来一段时期MEMG运行不确定性的准确刻画。同时，基于预测场景构建的实时能量优化调控策略，有效地减少了多维不确定性对MEMG运行造成的负面影响，相较于传统MPC方法展现出了更为显著的经济效益。
未来MEMG中集成的能源形式将会更加多元化，MEMG的形态也会更加复杂多样，其控制也将会更加智能化和互联网化。因此，今后的研究将聚焦于如何利用数字孪生等先进手段提升氢能、生物质能与冷热气电等能源形式紧密耦合MEMG的运行状态感知水平与精细化调控性能。
附 录
1. 场景预测约束优化问题的详细求解过程
为高效地求解场景预测约束优化问题式（5）～ 式（7），可将不等式约束式（7）纳入目标函数式（5）中，得到[35]
（A1）
式中，
和
为权重参数，
。
此外，可首先求解式（A2）～式（A4）所示的预优化问题以获得较优的迭代初值z，从而提高场景预测优化问题所获得局部最优解的质量。
（A2）
（A3）
（A4）
式中，
为从
中随机采样得到的样本，并且式（A4）中的
比式（A1）中设置的略小一些。
算法A1中总结了本文基于WGAN所创建场景预测约束优化问题的详细求解过程。
算法A1：基于WGAN所创建场景预测约束优化问题的详细求解过程 输入：预先训练好的WGAN；观测值；点预测值及相应的置信水平；权重参数、和；学习率；迭代次数；预测场景数量。 1： for do2： # 预优化寻找初值z3： 从中采样得到；从中采样得到z4： for do5： # 用梯度下降法更新z6： 7： 8： 9： end10： # 寻找用于场景预测的局部最优解11： for do12： # 用梯度下降法更新13： 14： 15： 16： end17： 局部最优解。18： end输出：局部最优解集。
2. 24 h预测时间尺度的点预测结果
附图1 24 h的点预测数据
App.Fig.1 Point forecast data for 24 hours
参考文献
[1] 韩丽, 王冲, 于晓娇, 等. 考虑风电爬坡灵活调节的碳捕集电厂低碳经济调度[J]. 电工技术学报, 2024, 39(7): 2033-2045. Han Li, Wang Chong, Yu Xiaojiao, et al. Low-carbon and economic dispatch considering the carbon capture power plants with flexible adjustment of wind power ramp[J]. Transactions of China Electrotechnical Society, 2024, 39(7): 2033-2045.
[2] 羡一鸣, 安之, 刘斯伟, 等. 面向高比例新能源接入的电氢耦合系统设想及分析[J]. 电力自动化设备, 2024, 44(4): 1-8. Xian Yiming, An Zhi, Liu Siwei, et al. Assumption and analysis of electricity-hydrogen coupling system for high proportion of new energy[J]. Electric Power Automation Equipment, 2024, 44(4): 1-8.
[3] 刘硕, 滕云, 陈哲. 融合减碳型多能源微网的城市能源系统环境-经济协调优化模型[J/OL]. 电工技术学报, 2025: 1-24. [2025-03-07]. https://link.cnki.net/ doi/10.19595/j.cnki.1000-6753.tces.242075. Liu Shuo, Teng Yun, Chen Zhe. Environmental-economic coordination optimization model of urban energy system integrating carbon-reducing multi-energy microgrid[J/OL]. Transactions of China Electrotechnical Society, 2025: 1-24. [2025-03-07]. https://link.cnki.net/doi/10.19595/j.cnki.1000-6753. tces.242075.
[4] 郭尊, 安之, 魏楠, 等. 计及氢能多环节利用和混合需求响应的综合能源系统多时间尺度低碳优化[J]. 供用电, 2024, 41(2): 52-63, 72. Guo Zun, An Zhi, Wei Nan, et al. Multi-time scale low-carbon optimization of an integrated energy system considering the multi-link utilization of hydrogen energy and mixed demand response[J]. Distribution & Utilization, 2024, 41(2): 52-63, 72.
[5] Fu Xueqian, Niu Haosen. Key technologies and applications of agricultural energy internet for agricultural planting and fisheries industry[J]. Information Processing in Agriculture, 2023, 10(3): 416-437.
[6] 陈明昊, 朱月瑶, 孙毅, 等. 计及高渗透率光伏消纳与深度强化学习的综合能源系统预测调控[J]. 电工技术学报, 2024, 39(19): 6054-6071, 6103. Chen Minghao, Zhu Yueyao, Sun Yi, et al. The predictive-control optimization method for park integrated energy system considering the high penetration of photovoltaics and deep reinforcement learning[J]. Transactions of China Electrotechnical Society, 2024, 39(19): 6054-6071, 6103.
[7] 尚敬福, 马克睿, 花志浩, 等. 计及碳排放的综合能源系统优化调度及仿真实现[J]. 供用电, 2021, 38(11): 77-84. Shang Jingfu, Ma Kerui, Hua Zhihao, et al. Optimal scheduling and simulation of integrated energy system considering carbon emission[J]. Distribution & Utilization, 2021, 38(11): 77-84.
[8] 郭怿, 明波, 黄强, 等. 考虑输电功率平稳性的水-风-光-储多能互补日前鲁棒优化调度[J]. 电工技术学报, 2023, 38(9): 2350-2363. Guo Yi, Ming Bo, Huang Qiang, et al. Day-ahead robust optimal scheduling of hydro-wind-PV-storage complementary system considering the steadiness of power delivery[J]. Transactions of China Electro-technical Society, 2023, 38(9): 2350-2363.
[9] Guo Shiliang, Li Pengpeng, Ma Kai, et al. Robust energy management for industrial microgrid considering charging and discharging pressure of electric vehicles[J]. Applied Energy, 2022, 325: 119846.
[10] 张献, 丁可浩, 赵黎媛, 等. 计及电动汽车混合充电系统接入的综合能源系统鲁棒优化调度[J]. 电工技术学报, 2025, 40(14): 4446-4459. Zhang Xian, Ding Kehao, Zhao Liyuan, et al. Robust optimal scheduling of integrated energy system considering electric vehicle hybrid charging system [J]. Transactions of China Electrotechnical Society, 2025, 40(14): 4446-4459.
[11] Yang Zhao, Hu Junjie, Ai Xin, et al. Transactive energy supported economic operation for multi-energy complementary microgrids[J]. IEEE Transactions on Smart Grid, 2021, 12(1): 4-17.
[12] 左逢源, 张玉琼, 赵强, 等. 计及源荷不确定性的综合能源生产单元运行调度与容量配置两阶段随机优化[J]. 中国电机工程学报, 2022, 42(22): 8205-8215. Zuo Fengyuan, Zhang Yuqiong, Zhao Qiang, et al. Two-stage stochastic optimization for operation scheduling and capacity allocation of integrated energy production unit considering supply and demand uncertainty[J]. Proceedings of the CSEE, 2022, 42(22): 8205-8215.
[13] 林雨眠, 熊厚博, 张笑演, 等. 计及新能源机会约束与虚拟储能的电-热系统分布式多目标优化调度[J]. 电工技术学报, 2024, 39(16): 5042-5059. Lin Yumian, Xiong Houbo, Zhang Xiaoyan, et al. Distributed multi-objective optimal scheduling of integrated electric-heat system considering chance constraint of new energy and virtual storage[J]. Transactions of China Electrotechnical Society, 2024, 39(16): 5042-5059.
[14] 周承翰, 贾宏杰, 靳小龙, 等. 基于机会约束规划的智能楼宇与社区综合能源系统协调优化[J]. 电力系统自动化, 2023, 47(4): 42-50. Zhou Chenghan, Jia Hongjie, Jin Xiaolong, et al. Coordinated optimization for intelligent building and integrated community energy system based on chance-constrained programming[J]. Automation of Electric Power Systems, 2023, 47(4): 42-50.
[15] Kouvaritakis B, Cannon M. Model Predictive Control[M].Switzerland, Cham: Springer International Publishing, 2016.
[16] 叶林, 路朋, 赵永宁, 等. 含风电电力系统有功功率模型预测控制方法综述[J]. 中国电机工程学报, 2021, 41(18): 6181-6198. Ye Lin, Lu Peng, Zhao Yongning, et al. Review of model predictive control for power system with large-scale wind power grid-connected[J]. Proceedings of the CSEE, 2021, 41(18): 6181-6198.
[17] Hu Jiefeng, Shan Yinghao, Guerrero J M, et al. Model predictive control of microgrids–an overview[J]. Renewable and Sustainable Energy Reviews, 2021, 136: 110422.
[18] liu Zhaoxi, Wu Qiuwei, Shahidehpour M, et al. Transactive real-time electric vehicle charging management for commercial buildings with PV on-site generation[J]. IEEE Transactions on Smart Grid, 2019, 10(5): 4939-4950.
[19] 贾文杰, 唐早, 曾平良, 等. 基于鲁棒模型预测控制的风火储联合系统调频优化策略[J]. 电测与仪表, 2023, 60(12): 27-35. Jia Wenjie, Tang Zao, Zeng Pingliang, et al. Frequency regulation optimization strategy for wind-thermal-storage joint system based on robust model predictive control[J]. Electrical Measurement & Instrumentation, 2023, 60(12): 27-35.
[20] Zhao Zhuoli, Guo Juntao, Luo Xi, et al. Distributed robust model predictive control-based energy management strategy for islanded multi-microgrids considering uncertainty[J]. IEEE Transactions on Smart Grid, 2022, 13(3): 2107-2120.
[21] 谢云云, 杨正婷, 蔡胜, 等. 基于鲁棒模型预测控制的配电网供电恢复策略[J]. 电力系统自动化, 2021, 45(23): 123-131. Xie Yunyun, Yang Zhengting, Cai Sheng, et al. Power supply restoration strategy for distribution network based on robust model prediction control[J]. Automation of Electric Power Systems, 2021, 45(23): 123-131.
[22] Li Zhengmao, Wu Lei, Xu Yan. Risk-averse coordinated operation of a multi-energy microgrid considering voltage/var control and thermal flow: an adaptive stochastic approach[J]. IEEE Transactions on Smart Grid, 2021, 12(5): 3914-3927.
[23] He Junqiang, Shi Changli, Wei Tongzhen, et al. Stochastic model predictive control of hybrid energy storage for improving AGC performance of thermal generators[J]. IEEE Transactions on Smart Grid, 2022, 13(1): 393-405.
[24] 唐早, 刘佳, 刘一奎, 等. 基于随机模型预测控制的火电-储能两阶段协同调频控制模型[J]. 电力系统自动化, 2023, 47(3): 86-95. Tang Zao, Liu Jia, Liu Yikui, et al. Two-stage coordinated frequency regulation control model for thermal power and energy storage based on stochastic model predictive control[J]. Automation of Electric Power Systems, 2023, 47(3): 86-95.
[25] Zhao Baiyang, Zhao Zhigang, Huang Meng, et al. Model predictive control of solar PV-powered ice-storage air-conditioning system considering forecast uncertainties[J]. IEEE Transactions on Sustainable Energy, 2021, 12(3): 1672-1683.
[26] Morales J M, Mínguez R, Conejo A J. A methodology to generate statistically dependent wind speed scenarios[J]. Applied Energy, 2010, 87(3): 843-855.
[27] Arjovsky M, Chintala S, Bottou L. Wasserstein generative adversarial networks[C]//34th International Conference on Machine Learning (ICML), Sydney, Australia, 2017: 214-223.
[28] Chen Yize, Wang Xiyu, Zhang Baosen. An unsupervised deep learning approach for scenario forecasts[C]//2018 Power Systems Computation Conference (PSCC), Dublin, Ireland, 2018: 1-7.
[29] Wan Can, Xu Zhao, Pinson P, et al. Probabilistic forecasting of wind power generation using extreme learning machine[J]. IEEE Transactions on Power Systems, 2014, 29(3): 1033-1044.
[30] Gurobi[EB/OL].[2025-03-22]. https://www.gurobi. com/.
[31] Wang Yubin, Liu Yixian, Yang Qiang. Operational scenario generation and forecasting for integrated energy systems[J]. IEEE Transactions on Industrial Informatics, 2024, 20(2): 2920-2931.
[32] Fang Xiaolun, Wang Yubin, Dong Wei, et al. Optimal energy management of multiple electricity-hydrogen integrated charging stations[J]. Energy, 2023, 262: 125624.
[33] AEMO[EB/OL]. [2025-03-02]. https://www.aemo.com. au/.
[34] Yu Liang, Jiang Tao, Cao Yang. Energy cost minimization for distributed Internet data centers in smart microgrids considering power outages[J]. IEEE Transactions on Parallel and Distributed Systems, 2015, 26(1): 120-130.
[35] Jiang Congmei, Mao Yongfang, Chai Yi, et al. Day-ahead renewable scenario forecasts based on generative adversarial networks[J]. International Journal of Energy Research, 2021, 45(5): 7572-7587.
Abstract The multi-energy microgrid (MEMG) has a high degree of integration among various types of energy systems during the planning, construction and operation process, realizing synergistic planning and coordinated operation among multiple heterogeneous energy forms of production, consumption and storage units. Through the complementarity among various forms of energy, MEMG shows great potential in enhancing the comprehensive utilization efficiency of energy, reducing the cost of energy usage and promoting the accommodation of renewable distributed generation (RDG), which is of great significance in promoting energy transition and realizing sustainable development. However, the multi-dimensional uncertainties induced by the dynamic changes in multi-energy loads and the intermittent and stochastic nature of RDG pose great challenges to the optimal dispatch and reliable operation of MEMG, which need to be urgently addressed in the process of MEMG energy dispatch. To this end, a real-time energy optimal dispatch method for MEMG based on dynamic operation scenario forecasting was proposed in this paper. The method characterizes MEMG operation uncertainties by dynamically forecasting a set of operation scenarios at each time slot, thus effectively addressing the negative impact of multi-dimensional uncertainties on MEMG operation.
Firstly, a Wasserstein generative adversarial network (WGAN) suitable for the characteristics of MEMG operation scenarios was constructed in the method to mine and characterize their intrinsic statistical distribution in an unsupervised manner. Secondly, a constrained optimization problem for scenario forecasting was formulated based on known information (observations and point predictions of uncertain variables) and combined with the well-trained WGAN. It achieves efficient, high-quality and time-to-time forecasting of MEMG operation scenarios by optimizing the input vectors of the generator to effectively capture the multi-dimensional uncertainties of MEMG for a coming period. Finally, a MEMG pre-scheduling model was developed in the stochastic model predictive control framework based on the forecasted scenarios to accurately obtain the MEMG pre-scheduling commands. A real-time power compensation model was also constructed to compensate for the unbalanced electric and thermal power in the most economical manner, thereby ensuring the real-time power balance of MEMG.
Comprehensive numerical simulations fully validate the effectiveness of the proposed MEMG operation scenario forecasting and real-time energy optimal dispatch method. The developed scenario forecasting method can effectively forecast the MEMG operation scenarios in different forecast time ranges and can effectively capture the edge distribution of the actual scenarios, realizing the accurate characterization of the uncertainties for MEMG operation in a coming period. Meanwhile, the real-time energy optimal dispatch method constructed based on the forecasted scenarios effectively mitigates the negative impact of multi-dimensional uncertainties on MEMG operation, and shows more significant economic benefits than the traditional model predictive control method.
In the future, the energy forms integrated into MEMG will be more diversified, the forms of MEMG will be more complex and diverse, and their control will be more intelligent. Therefore, future research will focus on how to use digital twins and other advanced tools to improve the operation state sensing level and fine dispatch performance of MEMG with close coupling among energy forms such as hydrogen, biomass, heat, gas, electricity, etc.
keywords：Multi-energy microgrid, renewable distributed generation, multi-dimensional uncertainties, generative adversarial network, scenario forecasting, stochastic model predictive control
DOI: 10.19595/j.cnki.1000-6753.tces.250575
中图分类号：TM73
国家自然科学基金资助项目（52337003, 52177119）。
收稿日期 2025-04-10
改稿日期 2025-06-09
王玉彬 男，1994年生，博士，讲师，研究方向为综合能源系统优化运行、交通-能源融合。E-mail：ybwang@bjtu.edu.cn
杨 强 男，1979年生，教授，博士生导师，研究方向为综合能源系统优化规划与运行调控、新能源电力基础设施智能化运维与能源电力基础设施综合安全。E-mail：qyang@zju.edu.cn（通信作者）
（编辑 赫 蕾）