多站融合模式下基于共享储能的多主体交易机制设计_封钰.pdf

Vol.25，No.4 July，2023POWER DSM|0引言随着电动汽车、5G通信、分布式发电和大数据等技术的发展，电动汽车充电站、5G基站、新能源站和数据中心等城市“新基建”大量出现。探索一种高效的多站融合技术，对提高基建设施使用率，促进节能减排有着积极作用。城市各类“新基建”中，关于电动汽车参与配电网协同的研究相对较多1，而5G基站和数据中心和电网互动的文献较少。文献 2 对5G基站备用储能参与电网需求响应进行研究，指出利用通信基站负荷的时空差异性和空间互补性，能够辅助电网削峰填谷。文献 3 建立了含数据中心的微网模型，将数据中心作为负荷参与能量优化。文献 4 更进一多站融合模式下基于共享储能的多主体交易机制设计封钰1，俞永杰2，史雪晨1，张赟1，胡阳3，冯家欢1（1.国网江苏省电力有限公司 苏州供电分公司，江苏 苏州215004；2.国网浙江省电力有限公司 钱塘区供电公司，杭州310000；3.国网江苏省电力有限公司 无锡供电分公司，江苏 无锡214000）Multi-entities trading mechanism design based on shared energy storage inmulti-station integration scenarioFENG Yu1,YU Yongjie2,SHI Xuechen1,ZHANG Yun1,HU Yang3,FENG Jiahuan1（1.Suzhou Power Supply Company,State Grid Jiangsu Electric Power Co.,Ltd.,Suzhou 215004,China；2.QiantangDistrictPowerSupplyCompany,StateGridZhejiangElectricPowerCo.,Ltd.,Hangzhou 310000,China；3.WuxiPowerSupplyCompany,StateGridJiangsuElectricPowerCo.,Ltd.,Wuxi 214000,China）DOI:10.3969/j.issn.1009-1831.2023.04.004摘要：在“新能源站-电动汽车充电站-5G基站-数据中心-变电站”五站合一的多站融合模式下，充分利用5G基站和数据中心的备用储能容量是提升多站融合经济性的重要途径。提出一种多站融合模式下共享5G基站和数据中心备用储能的多时间尺度交易机制。首先，建立了基于“储能备用时间”的5G基站和数据中心可调用储能容量模型，接着将共享储能问题转化为电量交易问题，建立了多站融合模式下内部电量交易模型，该模型可根据多站融合系统内部的交易需求，迭代更新交易价格，使各站在多站系统内部交易更具有经济性。然后，建立了日前申报-日内调整的多时间尺度交易机制，在日前交易中通过内部电量价格交易模型进出交易出清，在日内交易中则建立了基于联络线偏差量的补偿方案。最后，通过算例验证了所提交易机制的有效性。关键词：多站融合；共享储能；备用储能；交易机制；5G基站；数据中心Abstract：In the multi-station integration scenario of five stations in one of“new energy station-electric vehicle charging station-5G station-data center-substation”,making full use of thebackup energy storage capacity of 5G base station and data centeris an important way to improve the economy of multi-station integration.A multi-time scale trading mechanism for sharing the backup energy storage capacity of 5G base stations and data center under the multi-station integration mode is proposed.Firstly,5G basestation and data center call energy storage capacity model based onthe“energy storage spare time”is set up,and then the shared energy storage problem is transformed into electricity trade problem toestablished the internal power price trading model,which can dynamically adjust the power price,make more station system internal trading more economical according to the internal power trading demand.Then,a multi-time scale trading mechanism of pre-day declaration-day adjustment is established.In the day-daytrade,the electricity trade are cleared through the internal electricity price trading model,and a compensation scheme based on thedeviation of the contact line is established in the intra-day trading.Finally,the validity of the proposed trading mechanism is verifiedby example.Key words：multi-station integration；shared energy storagesystem；backup energy storage capacity；trading mechanism；5Gbase station；data center文章编号：1009-1831（2023）04-0021-07中图分类号：TK018；F416文献标志码：B收稿日期：2023-03-05；修回日期：2023-05-24基金项目：国家电网有限公司科技项目（5100-202235272A-2-0-XG）21|电力需求侧管理第25卷第4期2023年7月步，建立了跨区域分布的数据中心集群的能量管理模型，并参与电力实时市场进行协同优化，达到降低总体电费的目的。以上文献对电动汽车、5G基站、数据中心的用电特性都进行了有益研究。关于多站融合的研究，文献 5 建立了多站融合的直流微网接线形式。文献 6 以整体碳排放比率最低为目标建立了含数据中心、5G基站、电动汽车充电站和新能源站的综合能源系统。文献 7 则将储能电站纳入研究范围。以上研究基本确立了多站融合的模式和框架。而在多站融合应用落地方面，江苏苏州和云南玉溪等地先后建成多站融合示范项目。以上表明，在多站融合的理论与实际应用方面已经验证了多站融合的可行性。不过当下的研究仍存在一些不足，具体如下：（1）当前多站融合研究多从集中优化出发，并未考虑新能源站、5G基站、电动汽车充电站等分属不同主体，未建立各主体间的交易机制。（2）当前多站融合研究并未将数据中心和5G基站的后备储能容量纳入考虑，本文认为，为保障数据中心和5G基站的供电可靠性，应在市电供应之外配置储能装置，如何将数据中心和5G基站的后备储能容量发挥更大价值，具有研究意义。综上，本文提出一种多站融合模式下共享5G基站和数据中心备用储能的多时间尺度交易机制。首先，建立了基于“储能备用时间”的5G基站和数据中心可调用储能容量模型。接着，将共享储能问题转化为电量交易问题，建立了多站融合模式下内部交易模型，能够基于多站融合系统内部的电量交易需求，迭代更新交易价格，使各站参与系统内部交易更具有经济性。然后，建立了日前申报-日内调整的多时间尺度交易机制，在日前交易中通过内部电量价格交易模型进出交易出清，在日内交易中则建立了基于联络线偏差量的补偿方案。最后，通过算例验证了所提交易机制的有效性。1多站融合模型1.1多站融合的概念常规多站融合系统结构如图1所示，变电站为其他站提供场地、电源（除新能源站），储能站为其他站（除新能源站）提供移峰填谷服务等。可以看出，综合配置了变电站、5G基站、数据中心、新能源站、储能站、充电站等站点的“多站融合系统”，同时具备了“源网荷储”4类资源，但其特殊点在于各站点分属不同利益主体。因此，亟需研究如何协调运行多站融合系统，优化各主体之间的能量流动关系或能量交易策略，以期在提升土地和设备使用率之外，发掘多站融合系统更大的价值。电动汽车充电站新能源站变电站储能站5G基站数据中心图1常规多站融合系统Fig.1Normal multi-station integration system需要说明，本文采用的多站融合系统模型在此基础上有所改进，详见2.1节。1.25G基站负荷及备用储能模型1.2.15G基站负荷模型对于通信网络而言，各基站需要配置相应容量的储能设备以保障系统在市电供应故障时的可靠供电。文献 8 指出5G基站的电能消耗和其通信负载大致呈现线性关系，表达如下PG,t=G+GTG,t（1）式中：PG,t和TG,t分别为5G基站的用电负荷和通信负载；G、G分别为常数项、一次项系数。1.2.25G基站备用储能模型如何定量调用5G基站备用储能容量，需要确定基站的可靠供电模型910。本文认为，设备故障分为永久故障和短时故障，而备用储能应对的故障多为短时故障。据国家电网相关数据，大多城市城区已实现“15 min 快速抢修圈”建设。综上，为保障 5G 基站的供电可靠性，本文引入“储能备用时间”概念，并通过下式得到备用储能各时段备用容量需求Eresmin,t=tt+TresminPG,tdt（2）式中：Eresmin,t为t时刻5G基站储能系统最小备用容量；Tresmin为5G基站储能系统最短备用时间，本文取值15 min。5G基站储能系统其余运行约束如下maxEGSgmin,Eresmin,tEG,tEGSgmax（3）封 钰，等 多站融合模式下基于共享储能的多主体交易机制设计22Vol.25，No.4 July，2023POWER DSM|式中：EG为基站备用储能容量；Sgmin、Sgmax分别为储能系统的荷电量下限和上限。其余储能运行约束，其余储能运行约束详见文献 14，不做赘述。1.3数据中心负荷及备用储能模型1.3.1数据中心负荷模型文献 4 通过仿真发现，现货市场电价变化显著影响数据中心间工作负载分配。文献 3 也指出数据中心负荷和电网电价呈现相关性。综上，本文在上述研究的基础上，建立数据中心负荷模型。以一台服务器为例，其功耗组成如下PDa,t=PSe,t+PCo,t（4）式中：PDa,t为t时刻数据中心的负荷；PSe,t、PCo,t分别为t时刻数据中心服务器、冷却系统的负荷。其中，本文通过拟合文献 4 和文献 10 相关图表，设置服务器负荷为当前电价的三次函数，表达如下PSe,t=K3J3t+K2J2t+K1Jt+K0（5）式中：K3、K2、K1、K0为多项式系数，本文依次取值-0.000 8、0.073 7、-2.097 3和19.894 4。冷却系统负荷和服务器负荷相关，表达为一个和温度相关的函数，表示如下PCo,t=PSe,tR1+0.015()35-Tt（6）式中：R为冷却系统能效比；Tt为t时刻室外温度。1.3.2数据中心备用储能模型数据中心备用储能建模参照1.2.2节的5G基站备用储能模型，在此不做赘述。1.4电动汽车充电站负荷模型电动汽车充电站负荷与车主的出行习惯、汽车的数量、汽车的充电功率等因素相关，本文中电动汽车充电站采用社区出行模式，即电动汽车接入电网的时间为居民下班回家的时间，车主回家后开始无序充电，且简化充电过程，假定恒功率充电并通过随机数模拟充电过程中其他因素对充电时间的影响，通过马尔科夫链蒙特卡洛方法对60辆无序充电的电动汽车的负荷进行模拟。基于文献 11 的美国交通部数据，电动汽车接入电网的时间概率分布呈正态分布，表示如下ft()t0=12 texp|-()t0-t222t（7）式中：t为汽车到达充电站充电的平均时刻，本文取值18.5；t为汽车开始充电时间的标准差，本文取值1.25；t0为电动汽车开始充电时刻。本文选用电动汽车的电池容量为24 kWh，行驶总里程约200 km。设定荷电上、下限分别为0.95和0.20。最大充电功率为3 kW。电动汽车的日行驶里程符合正态分布，概率密度函数表达如下fl()l0=12 lexp|-()Inl0-l222l（8）式中：l和l依次为电动汽车日行驶里程均值，本文取值3.20和0.88；l0为电动汽车日行驶里程。假定电动汽车每日充电量为日行驶里程的消耗电量，因此通过日行驶里程和每百公里耗电量，可以求得充电用时如下Tvc=lWPvc()1+vc（9）式中：Tvc为充电用时；l为电动汽车日行驶里程；W为电动汽车单位距离耗能，本文取0.25 kWh；Pvc为电动汽车充电功率，本文取3 kW；vc为充电时受外界因素影响造成的功率波动，本文取值介于-0.1和0。1.5新能源站模型在本文中，新能源站参与多站融合系统内部交易或是直接向配电网出售电能，只是改变了新能源站的交易对象，并不影响其本身的运营成本。因此，本文对新能源站模型简化处理，参考文献 12中风光功率曲线模拟新能源站发电功率，发电成本忽略不计。具体曲线见3.1算例参数设置部分。2多站融合交易机制设计2.1模型框架与1.1节所述结构不同，本文建立的基于共享储能的多主体多站融合模型如图2所示，由5G基站和数据中心的可调用备用储能容量取代“储能站”角色，同时设置能量管理中心（energy managementcenter，EMC）协调多站融合系统的能量交易。当采用图1所示的多站融合系统结构时，新能源站、充电站、5G基站和数据中心均与变电站直接连接，可独立进行电量交易。而当采用图2所示的多站融合系统模式时，新能源站、充电站、5G基站和数据中心的可调用备用储能容量均不直接与变电站进行交易（5G基站和数据中心均为一类负荷，为保障供电可靠性，5G基站和数据中心自身所需电能并不通过参与多站融合系统内的电量交易获得，而是直接通过变电站获得），且相互间不直接进行交易，而是通过能量管理中心进行相互间的电量交易，并通过EMC和变电站，即配网侧进行交易。23|电力需求侧管理第25卷第4期2023年7月电动汽车充电站新能源站变电站变电站能量管理中心5G基站数据中心图2多站融合共享储能模型Fig.2Shared energy storage model of multi-stationintegration2.2共享储能和电量交易在多站融合系统内部，电动汽车充电站是用电方，新能源站是供电方，5G 基站备用储能和数据中心备用储能既是用电方（低价充电）又是供电方（高价售电），在进行共享储能的能量交换（电量交易）时，各主体地位平等。2.3交易机制交易机制流程见图3。各站进行日前负荷或发电量预测,令量价迭代次数为0,初始交易价格为配电网购售电价格日前阶段日内阶段日内阶段制定各站交易电量偏差允许范围,日前阶段各站向EMC申报日内交易电量各站基于交易价格向EMC上报预期交易电量基于预期交易电量,基于内部价格生成模型更新交易价格否是否收敛?生成日前交易结果并报关EMC是实时功率偏差各站与变电站(主网)进行交易日内交易超出偏差范围则收取偏差补偿费图3交易机制流程Fig.3Trading mechanism flow（1）日前交易：各站向 EMC 提交电量交易数据，EMC汇集所有数据，通过内部交易价格模型（详见2.4节）生成内部交易价格进行交易，并制定日前日内偏差量允许范围。（2）日内交易：针对日内交易和日前交易的功率偏差，对超出偏差允许范围的部分进行惩罚补偿。实时交易中，该项功率偏差由变电站侧进行协调。在日前阶段，新能源站向EMC提交的各时段电量交易需求为发电预测值，电动汽车充电站向EMC提交的各时段电量交易需求为负荷预测值，而备用储能向EMC提交的各时段电量需求基于配网分时电价和日前预测负荷值，以经济性求解而来。新能源站对变电站（配网侧）出售电能的售电价格低于变电站对用户（充电站、5G基站和数据中心）的售电价格是多站融合下进行储能共享（电量交易）的合作基础。此举看似牺牲了一部分变电站的利益，但在减少电网设施重复建设、提高城市土地利用率等方面具备更深层的价值。2.4内部交易价格模型多站融合的本质是利用发电、用电、储能的特性进行互补，多微网的相关研究具有一定参考意义，文献 13 对多微网日前交易进行研究，提出一种基于电量供需关系的内部电价计算公式，表示如下Isell,t=|Obuy,t(Osell,t+Obuy,t)Obuy,t(1+Vt)+Osell,t(1-Vt)0Vt1DtOsell,t(Osell,t+Obuy,t)Osell,t(1+Dt)+Obuy,t(1-Dt)+(1-Dt)Osell,tVt1（10）Ibuy,t=|VtObuy,t(Osell,t+Obuy,t)Obuy,t(1+Vt)+Osell,t(1-Vt)+(1-Vt)Obuy,t0Vt1Osell,t(Osell,t+Obuy,t)Osell,t(1+Dt)+Obuy,t(1-Dt)Vt1（11）式中：Obuy,t和Osell,t分别为EMC在t时段从配网购电和向配网售电价格，即为表1中分时电价，是固定的，简称为外部电价；Ibuy,t和Isell,t分别为在t时段多站融合系统内部各站向EMC购电、售电的价格，简称内部电价；Vt为t时段多站融合系统内部的电量供需比，定义为Vt=Psell,tPbuy,t=k=1Kpsell,t,kk=1Kpbuy,t,k（12）式中：Psell,t、Pbuy,t分别为多站融合系统内各子站在t时段的预计售出、购买的功率之和；pbuy,t,k、psell,t,k分别为各子站k在t时段的买入功率、卖出功率；K为参与多站融合的各站集合；Dt为Vt的倒数。公式推导原理详见文献 13，此处不赘述。2.5日内交易偏差补偿模型本文的交易机制包括日前和日内两个部分，日内交易的重点则是偏差功率补偿机制的建立。说明如下：（1）确定交互功率允许区间：多站融合系统内部日前交易出清后，确定EMC和配网之间，各子站与EMC之间联络线的交互功率，并遵循一定的允许波动范围，生成交互功率允许区间。（2）收取偏差补偿费：当联络线上实际交换功率超出日前定下的波动范围时，配网向EMC收取、封 钰，等 多站融合模式下基于共享储能的多主体交易机制设计24Vol.25，No.4 July，2023POWER DSM|EMC向各子站收取功率偏差补偿费。补偿费的计算公式如下Clossgrid,t=|0|PExc,t-Pexc,t|ePexc,te()|PExc,t-Pexc,t-|ePexc,t|PExc,t-Pexc,t|ePexc,t（13）Ck,temc=|0|PExc,t,k-Pexc,t,k|kPexc,t,kk()|PExc,t,k-Pexc,t,k-|kPexc,t,k|PExc,t,k-Pexc,t,k|kPexc,t,k（14）式中：Clossgrid,t、Ck,temc分别为EMC向配网（变电站）、子站k（新能源站、电动汽车（electric vehicle，EV）充电站、数据中心备用储能和5G基站备用储能）向EMC在日内t时段上交的偏差补偿费；PExc,t、PExc,t,k分别为配网（变电站）、子站k的日内交互的功率（Pexc,t、Pexc,t,k对应代表日内）；e、k和e、k分别为EMC与配网、子站k与EMC提前确定的功率允许波动范围和偏差补偿系数。3算例仿真3.1参数设置基于图2所示的多站融合模式，进行参数设置。本文中发电预测（新能源站）和负荷预测（电动汽车充电站及5G基站和数据中心）的日前、日内预测值的平均绝对百分比误差上限依次为10%、3%和3%、1%。综上，新能源站风力负荷曲线见图4，配网分时交易电价见表1。电动汽车充电站负荷情况依据1.4节生成方法，见图5。5G基站和数据中心备用储能系统参数见表2。表1配网分时交易电价Table 1Time-of-use electricity price元/kWh时段购电电价售电电价1:006:00、24:000.470.257:009:00、16:0018:000.850.4410:0015:00、19:0023:001.610.95表2备用储能系统参数Table 2Parameters of backup energy storage system参数额定容量/kWh额定功率/kW充放电效率/%初始荷电状态最大荷电状态最小荷电状态自放电率/（%h-1）使用成本/（元 kWh-1）数据中心100200.950.50.90.20.010.105G基站120240.950.50.90.20.010.12功率/kW100806040200时刻00:0004:0008:0012:0016:0020:0024:00风电真实值风电日前预测值风电日内预测值光电真实值光电日前预测值光电日内预测值图4新能源站出力曲线Fig.4Output curves of new energy station220200180160140120100806040200时刻00:0004:0008:0012:0016:0020:0024:00电动汽车充电电站真实值电动汽车充电站日前预测值电动汽车充电站日内预测值5G基站真实值5G基站日前预测值5G基站日内预测值数据中心真实值数据中心日前预测值数据中心日内预测值负荷/kW图5负荷曲线Fig.5Load curves需要说明，5G基站和数据中心的负荷并不参与多站融合系统内的电量交易，仅作为影响后备储能可调用容量的因素存在。3.2日前交易仿真基于2.4节和图3中日前交易方法进行迭代，至第3次已经收敛。其中0次交易价格为表1配网价格，其余为迭代交易价格。各站收益或成本变化取前10次迭代结果如表3所示。表3收益和成本变化情况Table 3 Change trend of benefit and cost迭代次数/次012345成本/元EV充电站1 372.1401 304.9851 295.6121 284.9391 295.6121 284.939收益/元5G基站11.95380.22872.85975.34072.85975.340数据中心9.84256.70251.01953.89751.01953.897新能源站518.803590.347597.463589.075597.463589.07525|电力需求侧管理第25卷第4期2023年7月由表3可知，与直接按配电网价格交易（迭代0次）相比，通过多站融合系统内部交易，电动汽车充电站的成本明显下降，新能源站的收益明显上升，而5G基站和数据中心的备用储能也通过内部交易获得了经济收益。可以看出，各站的收益、成本值在迭代数次后先是提高或降低，然后聚集于两点，不再发生变化，此即意味着交易价格已经收敛，并存在两种收敛状态，对比如表4所示。表4两种平衡状态收益/成本对比Table 4Comparison of two convergence states元站名EV充电站5G基站数据中心新能源站总体收益第一种降76.53（5.62%）升60.91（509.55%）升41.18（418.38%）升78.66（15.16%）257.28第二种降87.20（6.35%）升63.38（530.30%）升44.06（447.62%）升70.27（13.55%）264.91经对比，第二种平衡状态整体收益更高，以该状态下内部交易价格和配网价格进行对比，如图6所示。下面，对数据中心和5G基站备用储能充放电情况进行分析，如图7所示。价格/(元kWh-1)2.01.81.61.41.21.00.80.60.40.20时刻00:0004:0008:0012:0016:0020:0024:00配网售电电价内部售电电价配网购电电价内部购电电价图6电价对比Fig.6Comparison of electricity prices充放电功率/kW3020100-10-20-30时刻5G基站备用储能数据中心备用储能00:0004:0008:0012:0016:0020:0024:00图7备用储能充放电情况Fig.7Input and output of backup ESS从图7可知，虽然5G备用储能和数据中心备用储能的参数设置略有不同，但充放电时段及充放电时段的充放电功率基本接近。结合图4图5来看，在01:0006:00、24:00都是负荷较低，充电电价较低的时段，选择在02:00、05:00、24:00充电在于该时段风电高发，优化后的内部购电价格更为便宜。3.3日内交易仿真通过前文所设参数进行算例仿真，得到日前和日内偏差补偿费如表5所示。表5日内仿真功率偏差补偿费Table 5Pre-day power deviation compensation fee站名EV充电站5G基站数据中心新能源站EMC偏差补偿费/元0.3350.5980.9231.6963.204由表5可知，EV充电站、5G基站和数据中心向EMC上交的偏差补偿费比新能源站向EMC上交的费用少，这是因为预测精度存在差异，新能源站的风光出力预测精度偏大。而数据中心上交费用比EV充电站和5G基站多的原因在于数据中心的总体用电量更大。同时可以看出，EMC向配网上交的功率偏差补偿费小于其收到的偏差补偿费，原因有二：（1）多站融合系统内部各站的预测偏差不同，体现在EMC侧，存在相互抵消的情况。（2）虽然表5中EMC与配电侧的参数设置更严格，但 EMC 日前交换量的基数通常要大于子站，因此相同的功率偏差体现在 EMC 侧比例要更小。综上，设置日前日内偏差补偿机制可保障EMC盈利，若计及交易费用更能保障该机制的可行性。4结束语本文提出一种多站融合模式下共享5G基站和数据中心备用储能的多时间尺度交易机制。创新点在于：（1）建立了基于“储能备用时间”的5G基站和数据中心可调用储能容量模型。（2）将共享储能问题转化为电量交易问题，充分考虑新能源站、5G基站、电动汽车充电站等分属不同主体的独立性，建立了多站融合模式下内部交易模型，可基于系统内部的电量交易需求，迭代更新交易价格，使各站参与多站系统内部交易更具有封 钰，等 多站融合模式下基于共享储能的多主体交易机制设计26Vol.25，No.4 July，2023POWER DSM|经济性。（3）建立了日前申报-日内调整的多时间尺度交易机制和基于联络线偏差量的补偿方案，确保了EMC机构设置的可行性。D参考文献：1 孙宇新，王宇，施凯，等.应用于电动汽车充电桩的VSG建模与分析 J.电力需求侧管理，2022，24（6）：57-62.SUN Yuxin,WANG Yu,SHI Kai,et al.Modeling and analysis of VSG applied to electric vehicle charging pileJ.Power Demand Side Management,2022,24（6）：57-62.2 麻秀范，孟祥玉，朱秋萍，等.计及通信负载的5G基站储能调控策略 J.电工技术学报，2022，37（11）：2 878-2 887.MA Xiufan,MENG Xiangyu,ZHU Qiuping,et al.Controlstrategy of 5G base station energy storage consideringcommunication loadJ.Transactions of China ElectroTechnical Society,2022,37（11）：2 878-2 887.3 曹雨洁.数据中心微电网电热联合优化调度模型研究 D .北京：华北电力大学，2020.CAO Yujie.Research on optimal scheduling of electricaland thermal systems in data center microgridD.Beijing：North China Electric Power University,2020.4 王雅婧.数据-电力协同的数据中心能量管理优化研究 D.北京：华北电力大学，2021.WANG Yajing.Research on data center energy management optimization based on data-power collaboration D .Beijing：North China Electric Power University,2021.5 周星，刘江敏，褚农，等.智慧能源站“多站融合”工程中交直流微网系统研究 J.电测与仪表，2022，59（6）：27-31，68.ZHOU Xing,LIU Jiangmin,ZHU Nong,et al.Researchon AC/DC micro-grid system in“multi-station fusion”project of smart energy stationJ.Electrical Measurement Instrumentation,2022,59（6）：27-31,68.6 汤东升，钟伟东，慕小斌，等.基于鲁棒模型的多站融合场景下综合能源系统全局低碳策略 J.电测与仪表，2022，59（6）：113-121，180.TANG Dongsheng,ZHONG Weidong,MU Xiaobin,et al.Global low carbon strategy of integrated energy system inmulti-station integration based on robust model J.Electrical Measurement Instrumentation,2022,59（6）：113-121,180.7 张笑演，郭创新，金国胜，等.基于仿射鲁棒优化的多站融合协同优化调度 J.现代电力，2022，39（4）：379-388.ZHANG Xiaoyan,GUO Chuangxin,JIN Guosheng,et al.Collaborative optimal dispatch of multi-station integrationbased on affine robust optimizationJ.Modern ElectricPower 2022,39（4）：379-388.8 雍培，张宁，慈松，等.5G通信基站参与需求响应：关键技术与前景展望 J.中国电机工程学报，2021，41（16）：5 540-5 551.YONG Pei,ZHANG Ning,CI Song,et al.5G communication base stations participating in demand response：keytechnologies and prospects J.Proceedings of the CSEE,2021,41（16）：5 540-5 551.9 FRENGER P,TANO R.More capacity and less power：how5G NR can reduce network energy consumption C /IEEE89th Vehicular Technology Conference（VTC2019-Spring）.Kuala Lumpur：IEEE 2019：1-510 吴云芸，方家琨，艾小猛，等.计及多种储能协调运行的数据中心实时能量管理 J.电力自动化设备，2021，41（10）：82-89.WU Yunyun,FANG Jiakun,AI Xiaomeng,et al.Real-time energy management of data center considering coordinated operation of multiple types of energy storage J.Electric Power Automation Equipment,2021,41（10）：82-89.11 陆燕娟.含电动汽车的社区微网储能容量配置及能量管理策略研究 D.无锡：江南大学，2021.LU Yanjuan.Research on energy storage allocation andenergy management strategy of community micro-grid including electric vehicles D.Wuxi：Jiangnan University,2021.12 肖白，王转.含热泵储能的独立微网电源容量优化配置方法 J.电力系统自动化，2022，46（11）：37-46.XIAO Bai,WANG Zhuan.Optimal configuration methodof generation capacity for stand-alone microgrid withpumped heat energy storage J.Automation of ElectricPower Systems,2022,46（11）：37-46.13 黄弦超，封钰，丁肇豪.多微网多时间尺度交易机制设计和交易策略优化 J.电力系统自动化，2020，44（24）：77-88.HUANG Xianchao,FENG Yu,DING Zhaohao.Designof multi-time scale trading mechanism and trading strategy optimization for multiple microgridsJ.Automationof Electric Power Systems,2020,44（24）：77-88.作者简介：封钰（1996），男，江苏徐州人，硕士，研究方向为电网、配电网、微电网调度；俞永杰（1995），男，浙江萧山人，硕士，研究方向为配电网经济运行；史雪晨（1996），女，陕西渭南人，硕士，研究方向为电力营销计量。（责任编辑水鹆）27