基于机会约束的智能楼宇与ICES的主从博弈控制方法

基于机会约束的智能楼宇与ices的主从博弈控制方法
技术领域
1.本发明涉及社区综合能源系统(integrated community energy system,ices)优化运行领域，尤其涉及一种基于机会约束的智能楼宇与ices的主从博弈控制方法。


背景技术：

2.2016年《中国建筑节能年度发展报告》显示，我国楼宇耗能约占全社会总能耗的23％
1.，其中用于供冷及供热的能耗约占楼宇总能耗的50％。因此，如何充分发掘楼宇的节能减排潜力从而降低其能耗受到了广泛关注。社区综合能源系统(integrated community energysystem,ices)通过多种能源耦合设备
2.，可以根据用户需求进行不同能源形式(电、气、热等)的集中转换，高效经济地满足楼宇用户的能源需求。因此，深入研究社区综合能源系统与楼宇的协同优化具有重要意义。
3.然而，在已有的针对社区综合能源系统与楼宇协同优化的研究中，并未充分考虑可再生能源出力的不确定性对社区综合能源系统优化调度的影响。事实上，社区综合能源系统中配备的分布式风电具有间歇性和波动性，对社区综合能源的优化调度会造成一定风险。此外，社区综合能源系统致力于最大化其售能收益，而楼宇用户的目标往往是最小化其用能成本，二者存在利益冲突并且相互影响。对于这样一个复杂的系统，如何避免风电出力不确定性所带来的风险，并兼顾社区综合能源系统中不同主体的差异化利益诉求，是需要解决的关键技术难点。
4.在能源交易过程中，社区综合能源系统和楼宇用户存在利益冲突而决策又有明显的先后顺序，宜采用主从博弈模型描述两者间的利益交互关系。由于二者的主从博弈行为，进一步加大分布式风电出力不确定性对二者决策的风险。因此，在主从博弈模型的基础上，需采用机会约束规划避免风电出力不确定性所带来的风险。机会约束规划允许所作决策在一定条件下违背约束条件，即约束条件的成立具有一定的置信水平，可以在保证优化调度安全性的促进风电消纳。


技术实现要素：

5.本发明提供了一种基于机会约束规划的智能楼宇与ices的主从博弈控制方法，本发明针对楼宇用户和ices运营商之间多决策主体间的协调优化，构建了以ices运营商为上层领导者、用户为下层跟随者的主从博弈双层优化模型，并利用karush-kuhn-tucker(kkt) 条件将其转化为单层的带有平衡约束的模型(mathematical problem with equilibrium,mpec)，从而高效求解；同时，为了减少风电出力不确定性所造成的风险，提出了机会约束规划的方法，并将其转化为确定性约束，考虑到主从博弈中风电出力的不确定性，将系统备用容量采用机会约束表示，含有风电出力预测误差随机变量的系统备用容量约束条件以一定置信水平成立，置信水平的高低反应出调度人员对电力系统运行风险与能源利用的权衡。当置信水平为1时表示系统不允许任何潜在失负荷风险，这样提高了系统运行的安全性，但势必造成资源的浪费。实际运行中调度员可以根据系统运行需求选择合适的置信水平，使
系统安全性能够得到保证，同时又兼顾可再生能源最大消纳，详见下文描述：
6.一种基于机会约束的智能楼宇与ices的主从博弈控制方法，所述方法包括：
7.针对楼宇用户和ices运营商的差异化利益诉求，构建以ices运营商为上层领导者、用户为下层跟随者的主从博弈双层优化模型；
8.考虑到风电出力的不确定性，基于机会约束规划方法，将含随机变量的储能备用约束转化为确定性约束，并整合到主从博弈双层模型中；
9.利用karush-kuhn-tucker条件将主从博弈双层优化模型转化为单层的带有平衡约束的模型，用于求解主从博弈结果；
10.运行人员选取置信水平，将基于机会约束的智能楼宇与ices的主从博弈控制应用在社区综合能源系统的优化调度中。
11.其中，楼宇用户的单个制热区域的rc网络模型为：
12.其中，r表示热量在建筑材料和室内空气中的存储，c表示热量在建筑材料中的存储，单个制热区域的热平衡约束：
[0013][0014][0015]
式中，制热区域1为节点1，温度为tr，制热区域周围的其他空气节点，温度分别为 t2、t3、t4、t5；cw
1,j
、rw
1,j
是围绕制热区域四面墙体的热容和热阻；tw
1,j
为墙体温度；α
1,j
、aw
1,j
分别表示四面墙体的吸热率的表面积；qrad
1,j
为墙体接受的室外光照强度；cr为制热区域热容；rwin为窗体热阻；t
out
为室外温度；qwin为窗体接受的光照强度；q
int
分别表示制热区域1的散热器热量和内部得热量；τ
win
、a
win
分别表示窗体透射率和窗户表面积。
[0016]
进一步地，社区综合能源系统中的储能系统模型为：
[0017][0018][0019]emin
≤e
t
≤e
max
[0020][0021][0022]
[0023][0024]
式中，分别是ess在t时刻的充电量和放电量；分别是ess 最大充电量、最大放电量；e
min
、e
max
分别是ess的最小、最大电量；e0、e
t
分别是ess 在初始时刻和t时刻的电量；η
cha
、η
dis
分别表示ess的充电效率和放电效率；为 0-1变量，分别表示ess的充电状态、放电状态；n
max
为ess最大充放电次数；m为正整数
[0025]
通过互补松弛约束转化为以下的线性约束：
[0026][0027][0028][0029]
其中，机会约束规划为：
[0030][0031][0032][0033][0034]
△
p
t
＝e(
△
p
twp
)
‑△
p
twp
[0035]
式中，分别为t时刻ess提供的正备用、负备用；p
res,up
、p
res,down
分别为系统需预留的最小正备用、负备用；
△
p
t
为系统t时刻由于风电预测误差导致的随机变量；β1、β2为系统的置信水平。
[0036]
本发明提出了一种基于机会约束规划的智能楼宇与社区综合能源系统主从博弈控制方法，兼顾楼宇用户和社区综合能源系统运营商的优化目标，充分挖掘供需两端的灵活性，并进一步分析了不同置信水平下储能系统备用约束对于智能楼宇与社区综合能源系统协同优化的影响，具体而言，技术效果如下：
[0037]
1)智能楼宇由于热惯性具有一定的蓄热能力，用户通过散热器调整热负荷避开高峰时段，可以进一步发掘用户的用能灵活性，并使室内温度维持在用户舒适的范围；
[0038]
2)社区综合能源系统运营商和楼宇用户是供需端不同的主体，两者之间的决策具有先后关系又相互影响，本发明使双方共同参与社区综合能源系统定价过程，实现运营商和用户之间的灵活互动，从而充分挖掘供需两端的灵活性；
[0039]
3)本发明考虑到风电出力的不确定性，储能系统需提供备用来保证系统安全运行，适当地降低备用约束置信水平，可以促进社区综合能源系统风电消纳，并使储能系统为用户提供更多的灵活性来“削峰填谷”。在90％的置信水平下，社区综合能源系统的弃风量仅为98％置信水平下的38.67％，储能的备用成本下降了5.23％。
附图说明
[0040]
图1为智能楼宇与社区综合能源系统的控制的示意图；
[0041]
图2为单个制热区域的rc(热阻热容)网络模型的示意图；
[0042]
图3为双层优化模型及求解的流程图；
[0043]
图4为室外温度和太阳辐射强度的示意图；
[0044]
图5为单个风机风电出力的示意图；
[0045]
图6为运营商和用户分别从上级能源系统购买能源价格的示意图；
[0046]
图7为单户居民电负荷的示意图；
[0047]
图8为室内散热器流量与售热价格的关系示意图；
[0048]
图9为室内温度与室外温度的示意图；
[0049]
图10为两种场景下的散热器流量的示意图；
[0050]
图11为不同置信水平下的储能系统充放电功率的示意图；
[0051]
图12为不同置信水平下的储能系统剩余电量的示意图；
[0052]
图13为不同置信水平下的弃风量的示意图。
具体实施方式
[0053]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
[0054]
本发明实施例提供了一种基于机会约束规划的智能楼宇与社区综合能源系统主从博弈控制方法。首先针对楼宇用户和ices运营商的差异化利益诉求，构建了以ices运营商为上层领导者、用户为下层跟随者的主从博弈双层优化模型，并利用 karush-kuhn-tucker(kkt)条件将其转化为单层的带有平衡约束的模型(mathematicalproblem with equilibrium,mpec)，从而高效求解。考虑到主从博弈中风电出力的不确定性，将系统备用容量采用机会约束表示，含有风电出力预测误差随机变量的系统备用容量约束条件以一定置信水平成立，置信水平的高低反应出调度人员对电力系统运行风险与能源利用的权衡。当置信水平为1时表示系统不允许任何潜在失负荷风险，这样提高了系统运行的安全性，但势必造成资源的浪费。实际运行中调度员可以根据系统运行需求选择合适的置信水平，使系统安全性能够得到保证，同时又兼顾可再生能源最大消纳。同时，为减少风电出力不确定性所造成的风险，提出了机会约束规划的方法，并将其转化为确定性约束。运行人员根据实际运行情况，选取合适的置信水平，并进一步将该算法应用在社区综合能源系统的优化调度中。
[0055]
一种基于机会约束规划的智能楼宇与社区综合能源系统主从博弈控制方法，该方法包括以下步骤：
[0056]
1-1)本发明实施例基于热阻-热容(resistor-capacitor,rc)网络模型来模拟围护结构的热动态过程。单个制热区域的rc网络如图2所示；
[0057]
其中，r用来表示热量在建筑材料和室内空气中的存储，c用来表示热量在建筑材料中的存储。单个制热区域的热平衡约束，如式(1)-(2)所示：
[0058][0059][0060]
式中，制热区域1为节点1，温度为tr，制热区域周围的其他空气节点(分别为节点2、 3、4、5)，温度分别为t2、t3、t4、t5；cw
1,j
、rw
1,j
(j＝2,3,4,5)是围绕制热区域四面墙体的热容和热阻；tw
1,j
(j＝2,3,4,5)为墙体温度；r
1,j
(j＝2,3,4,5)取1时，表示该墙体受到了阳光照射，否则取0；α
1,j
、aw
1,j
(j＝2,3,4,5)分别表示四面墙体的吸热率的表面积；qrad
1,j (j＝2,3,4,5)为墙体接受的室外光照强度；cr为制热区域热容；rwin为窗体热阻；t
out
为室外温度；qwin为窗体接受的光照强度；q
int
分别表示制热区域1的散热器热量和内部得热量；τ
win
、a
win
分别表示窗体透射率和窗户表面积。
[0061]
1-2)假设一栋楼宇有i个制热区域，单个制热区域散热器热量参见式(3)。将i个制热区域的散热器功率相加，可以得到一栋楼宇的供热总负荷参见式(4)。式(5)-(6)分别表示室内温度的舒适范围和散热器可调流量约束。
[0062][0063][0064]
t
r,min
≤tr≤t
r,max
ꢀꢀꢀ
(5)
[0065][0066]
式中，c
p
为水的比热容；为t时刻用户散热器中的水流速；ts和tr分别为供热网络的供水和回水温度。t
r,max
和t
r,min
分别为室内温度的上下限；m
r,max
和m
r,min
分别为散热器流量的上下限，tr为室内温度。
[0067]
1-3)供热网络约束
[0068][0069][0070][0071][0072]
[0073]
式中：y
hdn
为二次热网关联矩阵；分别为管道流量和节点流量的矩阵；分别为管道l中流量的下限和上限；n
pipe
是总管道数；p
h,t
为节点h在t时刻的压力；κ
l
、l
l
和d
l
分别为管道l的摩擦系数、长度和内壁直径；ρ为水的密度；n
node
为总节点数；和分别为节点压力上下限值，ξ
l
为一个系数，p
h 1,t
为与p
h,t
是一个含义，下标不同。
[0074]
式(9)含有平方项，采用分段线性化方法将其线性化，将管道l的流量在在范围内划分成q段(“q∈q”)作为横坐标。对应的纵坐标和斜率参见式(12)-(13)。
[0075][0076][0077]
其中，为第q段纵坐标，为第q段横坐标，q为下标，为第q段的斜率。
[0078]
式(9)中的平方项可以近似为一组线性方程通过将曲线划分成多段，如式(14)所示。式 (15)-(16)是分段线性约束。
[0079][0080][0081][0082]
式中：在数值上等于在数值上等于是0-1变量，用来表示的值是否在第q段上。
[0083]
1-4)配电网络约束
[0084][0085][0086][0087]
1-ε≤vj≤1 ε
ꢀꢀꢀ
(20)
[0088]
式中：pj、qj为节点j的注入有功和无功功率；p
j 1
、q
j 1
为节点j 1的有功和无功功率；为节点j 1的负荷消耗的有功和无功功率；vj、v
j 1
分别为节点j和j 1的电压；rf、xf为节点间的电阻和电抗，ε为表示变化范围，设置为0.05。
[0089]
式(17)-(19)是含有平方项为非线性约束，根据文献
[3]
提出的线性化方法，可将其线性化。线性化的配电网潮流约束见(21)-(23)。
[0090][0091]
为预测值的期望。
[0116]
2-6)储能系统(energy storage system,ess)
[0117]
ess可以有效促进风电消纳、减少弃风，并可以根据电价起到削峰填谷的作用。
[0118][0119][0120]emin
≤e
t
≤e
max
ꢀꢀꢀ
(36)
[0121][0122][0123][0124][0125]
式中，分别是ess在t时刻的充电量和放电量；分别是ess 最大充电量、最大放电量；e
min
、e
max
分别是ess的最小、最大电量；e0、e
t
分别是ess 在初始时刻和t时刻的电量；η
cha
、η
dis
分别表示ess的充电效率和放电效率；为 0-1变量，分别表示ess的充电状态、放电状态；n
max
为ess最大充放电次数。
[0126]
式(38)含有非线性项，可以通过互补松弛约束转化为如式(41)-(43)的线性约束：
[0127][0128][0129][0130]
式中，m是一个足够大的正整数。
[0131]
2-7)机会约束
[0132]
风电出力具有不确定性，ess需提供备用来避免系统失负荷，如式(44)-(45)所示。由于风电出力预测误差是随机变量，难以用确定性约束表示含随机变量的约束。本发明实施例使用机会约束，来表示约束条件在一定置信水平下成立，如式(46)-(47)所示。当置信水平为1时，表示系统没有任何潜在的风险。这样虽然确保了系统的安全，但牺牲了较多经济效益。因此，社区综合能源系统运营商需选择合适的置信水平，在保证系统运行安全性的同时，促进风电消纳。
[0133][0134][0135][0136][0137]
△
p
t
＝e(
△
p
twp
)
‑△
p
twp
ꢀꢀꢀ
(48)
[0138]
式中，分别为t时刻ess提供的正备用、负备用；p
res,up
、p
res,down
分别为系
统需预留的最小正备用、负备用；
△
p
t
为系统t时刻由于风电预测误差导致的随机变量；β1、β2为系统的置信水平。
[0139]
步骤三、基于机会约束规划的智能楼宇和社区综合能源系统主从博弈协同优化模型
[0140]
3-1)机会约束的确定性转化，上述机会约束(46)-(47)，可以通过寻找概率分位值φ-1
(β1)、φ-1
(β2)转化为确定性约束(49)-(50)，从而方便在优化问题中求解。社区综合能源系统可以在置信水平β1、β2下，通过ess正负备用的及时调整，应对风电出力的不确定性，保证系统稳定安全运行。
[0141][0142][0143]
式中，δw、φ分别为正态分布的标准差和分布函数。
[0144]
3-2)领导者模型—社区综合能源系统运营商优化模型。
[0145]
ices运营商向上级能源系统购买电、热、气，再通过综合能源转化设备为楼宇用户供能。运营商的目标是最大化其收益，需满足ices电热平衡约束、售热价格约束、各设备运行约束、机会约束、配电网约束以及供热网约束，如式(51)所示。
[0146][0147]
式中，分别为ices运营商销售给用户的电、热价格；分别为运营商向上级能源系统购买的电、气、热价格；caban为弃风的惩罚成本；cmain 为储能维护成本；crese为备用成本。
[0148]
3-3)跟随者模型—社区综合能源系统运营商优化模型。
[0149]
楼宇用户的目标是最小化其用能成本，需满足室内热平衡约束、散热器流量约束以及室内温度约束：
[0150][0151]
主从博弈可以视作是领导者在上层，跟随者在下层的双层问题，进而用双层优化的方法来解决上下层不同主体存在差异化利益诉求的问题。本发明实施例构建的主从博弈双层优化模型中，上层领导者为ices运营商，下层跟随者为楼宇用户。下层楼宇用户在做决策时，售热价格认为是固定的，下层问题可看成线性问题。当下层问题为线性时，双层问题可以通过构建拉格朗日函数和kkt条件
[4]-[5]
将下层问题的目标函数和约束条件转化为上层问题的约束条件，从而将双层优化问题转化为单层mpec模型。下层问题的kkt条件，如(53)-(58)所示。
[0152]
拉格朗日函数
[0153][0154]
对拉格朗日函数(53)中各个下层变量和对偶变量求偏导可以得到kkt条件中的平稳性条件。其中：对拉格朗日函数中对偶变量(λ
1,t
,λ
2,t
,λ
3,t
,λ
4,t
,λ
5,t
)求偏导，转化后的kkt条件与式(1)-(4)相同，此处不再重复；对式(53)中各个下层变量求偏导，可得式(54)-(55)。
[0155]
平稳性条件
[0156][0157][0158][0159]
互补松弛条件
[0160][0161][0162]
采用大m理论，可将式(57)、(58)线性化；第一阶段中社区综合能源系统(上层)的目标函数，即式(51)。其中为两个变量相乘的形式，因此转化后的单层问题目标函数是非线性的。考虑到第一阶段中的楼宇用户(下层)目标函数同样含有而下层问题又为线性问题，可以运用强对偶原理，将下层问题转化为相应对偶问题的目标函数，从而线性化式(51)中的非线性项，两者的关系如式(59)所示。
[0163][0164]
最终基于机会约束的楼宇与ices主从博弈控制模型，转化为混合整数线性规划模 (mixed integer linear programming),如式(60)所示。式中的dual_innern，与式(59)含义相同。
[0165][0166]
步骤四、优化调度求解，得到最佳能量调度方案
[0167]
针对所构建的社区综合能源系统与智能楼宇协同优化调度模型，在matlab软件环境下调用cplex，对步骤二、步骤三所搭建的模型进行求解，得到不同置信水平下基于机会约束规划的智能楼宇与社区综合能源系统优化调度结果，在保证系统安全性的同时，促进风电消纳。
[0168]
实施例：针对本发明基于机会约束规划的智能楼宇与社区综合能源系统优化方法形成的控制结果进行分析。本发明实施例用图1所示的ices算例来验证所提方法的有效性。
[0169]
1、基础数据
[0170]
算例中楼宇设置为层高3m，共10层的独栋住宅。每层有4个用户，每个用户的制热区域为36m2。选取中国北方冬季的典型日，单个制热区域的相关参数
[6]
、ices中的ess 参数见于表1-2。室外温度
[7]
和太阳辐射强度
[8]
、风电预测出力
[9]
以及运营商和用户分别从上级能源系统购买能源的价格见于图6。本发明实施例没有考虑楼宇电需求响应对售电价格的影响，用户的售电价格假定为用户从上级能源系统购能价格，单户居民电负荷
[10]
见于图7。一个调度周期为24h，热价每小时变化一次，用户散热器流量每小时变化一次。
[0171]
表1楼宇单个制热区域相关参数
[0172]
[0173]
表2储能参数
[0174][0175]
2、主从博弈协同优化调度结果
[0176]
首先在机会约束置信水平为0.9的情况下，探讨主从博弈策略下社区综合能源系统运营商和用户的协同优化效果。楼宇用户利用楼宇的热惯性向运营商提供热需求响应，主动地参与热价制定过程，从而实现楼宇用户和运营商的灵活互动。通过调整散热器流量，用户可以避开用热高峰，灵活用能，所提供的热需求响应反过来也会影响运营商的决策。图 8给出了散热器流量与售热价格的关系。图9给出了相应的温度变化。如图8-9所示，在 4:00、7:00和16:00，售热价格处于低谷时段，散热器的流量明显升高，反之散热器流量则相应降低。此外，由于建筑的热惯性，室内温度在5:00、8:00和17:00达到峰值，对应出现在散热器流量明显升高的后一个时段。
[0177]
为了分析建筑热惯性对ices运营商和楼宇用户主从博弈协同优化的影响，本发明按照相同的模型和方法设置了以下两个场景。
[0178]
场景1：在ices运营商和楼宇用户的主从博弈协同优化中考虑建筑热惯性(用户设定的室内舒适温度范围为22～24℃)。
[0179]
场景2：在ices运营商和楼宇用户的主从博弈协同优化中不考虑建筑热惯性(用户设定的室温恒为22℃)。
[0180]
图10给出了两种场景下散热器流量随时间的变化结果。场景2中温度保持恒定，室外温度低时提高散热器流量，室外温度高时降低散热器流量，散热器流量不能和热价形成互动，从而无法提供热需求响应。场景1与场景2相比，可以通过调节热价，利用建筑的蓄热特性，在风电多发时段(圆圈处)，加大散热器流量的调节，从而充分利用楼宇热负荷的灵活性来消纳风电。
[0181]
表3给出了两种场景下的弃风量。如表3所示，场景1的弃风量是场景2的36.46％，大大改善了弃风情况。充分发掘楼宇的蓄热特性，灵活调节楼宇空间热负荷，可以有效促进风电消纳
[0182]
表3两种场景下的弃风量
[0183][0184]
3、不同置信水平下的主从博弈协同优化调度结果
[0185]
为了说明本发明的有效性，算例设置了置信水平分别为70％、90％和98％的机会约束规划场景。ess在风电多发的时段可以消纳风电，同时为ices提供备用，从而在风电出力波动时保证ices的安全运行。置信水平的差异会影响ess的荷电状态(stateofcharge，soc)，进而反映在ess的优化调度上。图11-12给出了不同置信水平下的ess出力(放电为正、充电为负)和剩余电量。图13给出了不同置信水平下的弃风量。
[0186]
在1:00-2:00，虽然电价较低，ess仍处于放电状态(如图13所示)，以保证在接下来的风电多发时段有足够的容量进行风电消纳。
[0187]
在3:00-7:00，由于风电出力充裕，ess多处于充电状态来消纳多发的风电(如图13所示)，总体可看作一个充电时段。同时，在置信水平70％、90％、98％下，ess充电量逐渐减少，弃风量则逐渐增加。以置信水平为98％例，在充电时段开始时(3:00)，由于负备用约束限制，ess的初始电量最高，而在在充电时段结束时(7:00)，由于正备用约束限制，ess电量最低。由此说明，置信水平为98％时，ess在该充电时段的充电量最少，弃风量最多。此外，置信水平98％时，由于备用约束的限制，ess无法完全消纳3:00-7:00多发的风电。因此，ess选择在其中电价较低且具有负备用裕量的6:00放电，以降低成本。在10:00-11:00、19:00-21:00，由于电价处于峰值，ess处于放电状态。在15:00-16:00、23:00-24:00,电价处于低谷，ess处于充电状态。而置信水平为98％时，由于负备用约束的限制，在10:00-11:00，放电量明显下降。
[0188]
图4给出了不同置信水平下的ices弃风量。
[0189]
表4：不同置信水平下的ices弃风量。
[0190][0191]
参考文献
[0192]
[1]住房和城乡建设部科技发展促进中心.中国建筑节能发展报告(2016)：建筑节能运行管理[m].北京：中国建筑工业出版社，2016.
[0193]
[2]y.lu,x.yu,x.jin,h.jia,andy.mu,“bi-leveloptimizationframeworkforbuildingstoheatinggridintegrationinintegratedcommunityenergysystems,”ieeetrans.sustain.energy,publishedonline.doi:10.1109/tste.2020.3023251.
[0194]
[3]a.fabbri,t.g.s.roman,j.r.abbadandv.h.m.quezada,"assessmentofthecostassociatedwithwindgenerationpredictionerrorsinaliberalizedelectricitymarket,"inieeetransactionsonpowersystems,vol.20,no.3,pp.1440-1446,aug.2005,doi:10.1109/tpwrs.2005.852148
[0195]
[4]haghifams,zarek,dadashim.bi-leveloperationalplanningofmicrogridswithconsideringdemandresponsetechnologyandcontingencyanalysis[j].ietgeneration,transmissiondistribution,2019,13(13):2721-2730.
[0196]
[5]asensiom,munoz-delgadog,contrerasj.abi-levelapproachtodistributionnetworkandrenewableenergyexpansionplanningconsideringdemandresponse[j].ieeetransactionsonpowersystems,2017,32(6):4298-4309.
[0197]
[6]y.wang,y.dvorkin,r.fern
á
ndez-blanco,etal.,“look-aheadbiddingstrategyforenergystorage,”ieeetrans.sustain.energy,vol.8,no.3,pp.1106-1117,2017.
[0198]
[7]razmaram,maasoumym,shahbakhtim,etal.optimalexergycontrolofbuildinghvacsystem[j].appliedenergy,2015,156:555-565.
[0199]
[8]fengj,dingy,wuh.energyplusenergysimulationsoftwareanditsapplicationtools[j].buildingenergyefficiency,2012.
[0200]
[9]wuj,xug.majorchinesecities’solarradiantintensitiesinwinter[j].journalofharbininstituteoftechnology,2003
[0201]
[10]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[j].中国电机工程学报,2005(11):1-5.
[0202]
[11]linw,jinx,muy,etal.atwo-stagemulti-objectiveschedulingmethodforintegratedcommunityenergysystem[j].appliedenergy,2018,216:428-441.
[0203]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0204]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0205]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。