双碳背景下微电网的优化配置研究_王恺.pdf

|电力需求侧管理第25卷第4期2023年7月0引言实现碳达峰和碳中和对加快生态文明建设、保障能源安全高效、推动经济转型、实现“两个一百年”奋斗目标具有重大意义1。在此背景下，可再生能源由于其清洁无污染的优点逐步得到重视。但可再生能源的间歇性和随机性使得这一类分布式能源“不可控”或“不易控”24。为了协调分布式电源并网难题，减少电网的负面影响，微电网应运而生5，多能互补系统、综合能源系统与微电网，均为多种能源接入的区域型能源系统67，因此，优化配置方式方法对于微电网有一定的参考意义。文献89 在考虑能量平衡等约束基础上，构建了综合能源系统优化配置模型。文献 10 考虑到风速、光照强度以及负荷不确定性，构建了三者的概率模型，基于多状态系统建立了微网多目标优化配置模型。文献 11 考虑了微电网系统投资成本、维护成本、替换成本等成本建立了含多种分布式电源的边防独立微电网系统优化配置模型。文献 1213 以负荷支撑最大和系统总成本最低为优化目标，建立了独立微电网微电源优化配置模型。上述针对综合能源系统、多能互补能源系统的研究为微电网优化配置打下了良好的基础。若在微电网优化配置过程中考虑电动汽车既可作电源又可作负荷的特性，将会对微电网中的电能质量产生影响。本文以考虑电动汽车接入的微电网为例，如图1所示，考虑风速、光照强度的随机性以及负荷双碳背景下微电网的优化配置研究王恺1，赵文会2，张伟时3，余金龙4，李若纯5（1.国网安徽省电力有限公司，合肥230022；2.上海电力大学 经济与管理学院，上海200090；3.安徽电力交易中心有限公司，合肥230022；4.国网安徽省电力有限公司 黄山供电公司，安徽 黄山245000；5.国网江苏综合能源服务有限公司，南京210019）Optimal allocation of microgrid under the background of carbonpeakingand neutralizationWANG Kai1,ZHAO Wenhui2,ZHANG Weishi3,YU Jinlong4,LI Ruochun5（1.State Grid Anhui Electric Power Co.,Ltd.,Hefei 230022,China；2.College of Economic and Management,Shanghai University of Electric Power,Shanghai 200090,China；3.Anhui Power Exchange Center Co.,Ltd.,Hefei 230022,China；4.Huangshan Power Supply Company,State Grid Anhui Electric Power Co.,Ltd.,Huangshan 245000,China；5.State Grid Jiangsu Integrated Energy Service Co.,Ltd.,Nanjing 210019,China）DOI:10.3969/j.issn.1009-1831.2023.04.014摘要：微电网是有效利用本地风光等可再生资源、解决分布式电源并网难题的一种有效方案，微电网的优化配置直接决定其经济性和供电可靠性。考虑到风速、光照强度具有较强随机性以及负荷波动性对微电网的影响，基于多状态系统理论，对每月的典型日各个时刻风光出力和负荷进行多状态建模。并以经济环保为目标，引入改进的非劣排序遗传算法对多目标优化配置模型进行求解，并通过华东某省微电网工程算例验证基于多状态系统理论的优化配置模型和方法的合理性和有效性。关键词：微电网；多目标优化；改进的非劣排序遗传算法；多状态建模Abstract：Microgrid is an effective solution to solve the problem of grid connection of distributed power generation by effectively using renewable resources such as local scenery.The configuration of microgrid directly determines its economy and power supplyreliability.Considering the influence of wind speed and light intensity with strong randomness and load fluctuation on the microgrid,based on the theory of multi-state system,the multi-state modelingof wind power output and load at each time of typical day in eachmonth is carried out.Aiming at economic and environmental protection,an improved non inferior sorting genetic algorithm is introduced to solve the multi-objective optimal allocation model.The rationality and effectiveness of the optimal allocation model based onthe multi-state system theory are verified by an example of integrated energy system engineering in a province of East China.Key words：microgrid；multi-objective optimal；NSGA-；multi-statemodeling文章编号：1009-1831（2023）04-0086-07中图分类号：TM73；TK018文献标志码：A收稿日期：2023-02-25；修回日期：2023-05-09基金项目：国家社会科学基金项目（20BJL036）86Vol.25，No.4 July，2023POWER DSM|的波动性对微电网优化配置的影响。然后引入改进的非劣排序遗传算法对进优化配置模型进行求解。最后，利用具体算例验证本文提出的微网优化配置方法的有效性和可行性。AC/DC交流母线用电DC/ACDC/DC/ACDC/DC/AC风机光伏电池蓄电池储能系统居民企业柴油发电机电动汽车电制冷天然气管网用热用冷燃气锅炉原动机图1微电网构成Fig.1Composition of microgrid1微电网多状态模型微电网的状态数目大于2且是可以被穷举的性能状态即为多状态系统14。1.1风机出力模型当风速介于切入风速(vci)和额定风速(vcr)之间时，不妨将此区间内的风速分为NW个状态，即取步长为(vcr-vci)/NW15，各状态的下的风速为：当风速低于(vci)或高出切出风速(vco)时，风机的出力为0，这种状态为风机出力第NW+1个状态；当风速介于vcr和vco之间时，风机出力为额定功率，认为这种状态为风机的出力为第NW+2个状态，风速可表示为|v()i=()i-1/2NW()vcr-vci+vcivcivcrv()NW+1=0vvor或vvciv()NW+2=vcrvcrvvor（1）可求出每个状态发生的概率为|FW()i=()i-1NW()vcr-vci+vci()i NW()vcr-vci+vcif(v)dvvcivcrFW()NW+1=0vcif(v)dv+vco+f(v)dvvvor或vvciFW()NW+2=vcrvcof(v)dvvcrvvor（2）1.2光伏出力模型光伏出力模型主要由光伏电池板输出模型和光照强度模型两部分构成。光伏电池板输出模型是光伏电池板基于不同光照强度采取输出相应策略的模型；就光伏出力模型而言，光照强度模型是研究光伏输出模型的前提。可采用贝塔（Beta）分布描述光照强度的随机特性2，10。当光照强度介于最低光照强度（Gmin）和额定光照强度（Gs）之间时，取步长为(Gs-Gmin)/NG，每个状态下的光照强度为G(i)；当光照强度低于Gmin时，光伏出力为0，采取弃光策略，认为该状态下光伏板的出力为第NG+1个状态；当光照强度不小于Gs时，光伏电池板将输出额定功率，认为该状态下的出力为第NG+2个状态。|G()i=()i-1/2NG()Gs-Gmin+GminGminG(i)GsG()NG+1=0GGmin或GGmaxG()NG+2=GsGsGGmax（3）则对应的每个状态发生的概率为|FG()i=()i-1NG()Gs-Gmin+Gmin()i NG()Gs-Gmin+Gminf(G)dGGminG(i)GsFG()NG+1=0Gminf(G)dGGGmin或GGmaxFG()NG+2=1+f(G)dGGsGGmax（4）式中：f(G)为光照强度的概率密度函数；i=1，2，NG。1.3用户负荷模型微电网中负荷分为电力负荷、热负荷两类，具有较为明显的波动性。不管是电力负荷还是热负荷的波动性服从正态分布。根据正态分布的“3”原则有PEL(t)EL(t)-3EL(t),EL(t)+3EL(t)（5）式中：PEL(t)为电力负荷在t时刻的大小。不妨将每个时刻的负荷均分为NEL个状态，则每个状态对应的负荷等于PEL(i)，即PEL(i)=EL-3EL+6EL(i-1/2)/NEL（6）并且，每个状态发生的概率为FEL()i=EL-3EL+6EL(i-1)/NELEL-3EL+6ELi/NELf(PEL)dPEL（7）式中：f(PEL)为负荷的概率密度函数；i为1，2，NEL。热负荷PHL公式同理，同式（5）式（7）。1.4电动汽车模型假定所有电动汽车用户在分时电价引导机制下理智用电、有序充放电。电动汽车的荷电状态（stateof charge，SOC）是衡量其充放电能力的重要指标。|SOC(t)=(1-sd)SOC(t-1)+Pctc/Ecc充电状态SOC(t)=|(1-sd)SOC(t-1)-PdtEcdd放电状态（8）式中：SOC(t)为第t个时段结束时电动汽车的SOC；sd为电动汽车的自放电率；SOC(t-1)为第t-1个时段结束时电动汽车的SOC；Pc为电动汽车的充电功率；t为前后两时刻的时间间隔；c为电动汽车的充电87|电力需求侧管理第25卷第4期2023年7月效率；Ec为额定容量；c为充电随机概率；Pd为电动汽车的放电功率；d为电动汽车的放电效率；d为充电随机概率。已有研究表明，电动汽车充放电电池实际寿命受多种因素的影响，主要影响因素包括电池充放电电压、充放电倍率、工作环境温度和放电深度等。根据寿命曲线等建立电动汽车的充放电电池储能系统寿命计算模型，该模型假设在不同循环周期下，电动汽车充放电电池的失效循环次数是关于充放电深度的函数，其关系曲线（由电池厂家提供的实验数据拟合得出）如图2所示。因此，电动汽车充放电电池的失效循环次数可由下式求得Nb(DN)=a1+a2ea3DN+a4ea5DN（9）式中：Nb(DN)为放电深度（depth of discharge，DOD）为DN时电动汽车充放电电池的失效循环次数；a1，a2，a5为拟合系数。因此，可得蓄电池的寿命周期为Ybat=nTt8 760t=1nT|xbat(t)()SOC1(t)-SOC2(t)DOD(t)Nb()DOD(t)（10）式中：Ybat为蓄电池的寿命周期，年；nT为总仿真时段数；t为每个仿真时段的时间间隔；SOC1(t)为第t个仿真时段初蓄电池的SOC；SOC2(t)为第t个仿真时段末蓄电池的SOC；xbat(t)为第t个仿真时段蓄电池的充放电状态（充电时为0，放电时为1）。循环次数/次放电深度00.10.20.30.40.50.60.70.80.91.05 5005 0004 5004 0003 5003 0002 5002 0001 500图2电池循环次数与放电深度的关系Fig.2Relationship between battery cycles and the depthof discharge1.5储能模型蓄电池储能系统（battery energy storage system，BESS）的荷电状态是衡量其充放电能力的重要指标。|SOC(t)=(1-sd)SOC(t-1)+Pctc/Ec充电过程SOC(t)=(1-sd)SOC(t-1)-PdtEcd放电过程（11）式中：SOC(t)为第t个时段结束时BESS的SOC；sd为BESS的自放电率；SOC(t-1)为第t-1个时段结束时BESS的SOC；Pc为BESS的充电功率；t为前后两时刻的时间间隔；c为BESS的充电效率；Ec为额定容量；Pd为BESS的放电功率；d为BESS的放电效率。1.6柴油发电机建模装设一定容量的柴油发电机可在系统正常运行时充当参考电源，为系统的运行控制提供电压、频率参考；在其他发电设备出现故障、检修时充当稳定可靠的备用电源；或者当系统风、光发电出力不足时启动柴油发电机发电填补功率缺额，满足负荷和储能系统充电的需要。（1）输出功率与耗油量关系模型对于柴油发电机而言，耗油量F/L与其输出功率Pgen/kW之间的关系可表示为F=F0Ygen+F1Pgen（12）式中：Ygen为柴油发电机的额定功率，kW；F0为柴油发电机耗油量曲线的截距系数，即为柴油发电机单位功率的空载耗油量，L/kWh；F1为柴油发电机耗油量曲线的斜率，L/kWh；Pgen为柴油发电机的实际出力。（2）输出功率与燃料花费关系模型除上述输出功率与耗油量关系模型外，柴油发电机的耗量特性函数也可采用二次函数模型表示如下f(Pgen)=agenP2gen+bgenPgen+cgen（13）式中：f(Pgen)为柴油发电机每小时的燃料花费；agen、bgen、cgen为成本函数的拟合系数，可通过柴油发电机的耗量特性曲线拟合得到；Pgen为柴油发电机的实际出力。1.7微电网模型风光为微电网中的出力主力，假设风速、光照强度、用能负荷大小相互之间不存在耦合关系16，由此产生的电平衡和热平衡问题由燃气锅炉、原动机、电制热机、电动汽车、蓄电池系统进行实时响应。则每个仿真时刻的总状态数为M=(NW+2)(NG+2)NELNHL（14）设风机出力为PW(i)、光伏电池板出力为PG()j、电负荷大小为PEL(k)、热负荷大小为PHL(y)时，系统状态空间为P(i,j,k)，则该状态空间对应的概率为F()i,j,k,y=FW(i)FG(j)FEL(k)FHL(y)（15）式中：Fw(i)为风力发电系统出力为Pw(i)时的概率；FG(j)为光伏发电系统出力为PG(j)的概率；FEL(k)为电负荷大小为PEL(k)时的概率；FHL(y)为热负荷大小为PHL(y)时的概率。因此，微电网多状态性能空间可表示为R=P()i,j,k,y,F()i,j,k,yP()i,j,k,y=PW(i)+PG(j)-PEL(k)-PHL(y)（16）式中：i=1，2，NW+2；j=1，2，NG+2；k=1，王 恺，等 双碳背景下微电网的优化配置研究88Vol.25，No.4 July，2023POWER DSM|2，NEL；y=1，2，NHL。2多目标优化配置模型2.1微电网配置成本模型（1）经济性目标选择风光车柴储型微网微电网全寿命周期内总净现成本期望值作为经济性优化目标16，即f1(X)=min()CNPC（17）式中：CNPC为总净现成本，包括微电网寿命周期内的所有成本和收益。成本部分包括初始投资费用、部分使用寿命低于工程寿命的设备更新置换费用、运行维护费用、税金及附加等；收益部分主要指工程寿命结束后设备残值等。因此，以总净现成本形式表示的经济性优化目标的数学表达式为CNPC=CI+CR+CM+CF-IRV=i=1NgNiCi+i=1Ngj=1NRiNiCi|1+RCi1+rjLi+i=1Ngj=1KNiCMi|1+RMi1+rj+j=1KQfuCf|1+RF1+rj-IRV（18）式中：CI为初始投资成本；CR为更新置换费用的折现值；CM为运行过程中产生的运营维护相关的折现值；CF为微电网中柴油及燃气费用的折现值；IRV为设备残值；Ng为微电网中的电源种类；Ni为微电网中第i种电源配置数量；Ci为微电网中第i种电源价格；r为行业内贴现率；RCi为微电网中第i种配置电源价格的年变化率；Li为微电网中第i种配置电源的寿命；NRi为微电网中第i种配置电源的置换次数；CMi为微电网中第i种电源每台年运行维护费用；RMi为微网系统中第i种电源运行维护费用的年变化率；Qfu为年燃料消耗量；Cf为燃料的加权单价；RF为燃料价格年变化率。其中，配置电源的置换次数计算公式为NRi=K/Li-1 K%Li=0K Li K%Li0（19）式中：K为微电网设计寿命。（2）碳排放目标在微电网中，柴油发电机和燃气锅炉的工作过程中会产生CO2，微电网年CO2排放量期望值Eco2作为环保性优化目标如下f2(X)=min(ECO2)=min(CO2Qfu)（20）式中：ECO2为微电网年CO2排放量；co2为CO2排放系数；Qfu为微电网年燃料消耗量。2.2约束条件（1）可靠性fLPSP=t=1NPLoss(t)t=1NPL(t)fL,max（21）式中：fLPSP为负荷缺电率；PLoss(t)为微电网中t时刻负荷缺额的期望值；PL(t)为微电网中为t时刻负荷的期望值；fL,max为微电网所允许发生缺电故障的最大概率。（2）柴油发电机出力Pg,minPgenPR（22）式中：Pgen为柴油发电机运行功率；PR为柴油发电机的额定功率；Pg,min为柴油发电机所允许的最小运行功率。（3）电源安装数量Ni minNiNi max（23）式中：Nimax为系统所允许的第i种电源的最大安装数量；Nimin为系统所允许的第i种电源的最小安装数量。（4）负荷跟随策略当风光发电量大于负荷时，微网向储能、电动汽车放电或向电网售电；当风光发电量小于负荷时，储能、柴油发电机向微网充电。2.3模型的求解微电网多状态模型多目标且约束条件为非线性约束，本文基于改进的非劣排序遗传算法（NSGA-II）求解，如图3所示，该算法有以下优点 2：NgenGen?开始结束否是Ngen=Ngen+1输入种群数Pop,最大迭代次数Gen,交叉变异概率等参数计算P中每个个体对应的目标函数值的大小对P进行快速非支配排序,并通过交叉和编译得到子种群Q将P、Q合并形成R,计算Rt中每个个体对应的目标函数值对Rt进行快速非支配排序,选择最优Pop个个体形成新的父代种群P迭次次数Ngen=1随机得到初始种群P图3NSGA-II算法流程Fig.3NSGA-II algorithm flow89|电力需求侧管理第25卷第4期2023年7月3算例分析华东某省拟建微电网，图4所示为历史场景下全年8 760 h风速、光照强度，图5所示为历史场景下全年8 760 h的负荷曲线。时间/h风速/(ms-1)3025201510501 0002 000 3 000 4 000 5 000 6 000 7 000 8 000(a)风速太阳辐射密度/(kWm-2)1.21.00.80.60.40.20时间/h1 0002 000 3 000 4 000 5 000 6 000 7 000 8 000(b)光照强度图4该历史场景下全年风速、光照Fig.4Annual wind speed and illumination under thehistorical scenario负荷/kW30025020015010050时间/h01 0002 000 3 000 4 000 5 000 6 000 7 000 8 000图5该历史场景下的年负荷曲线Fig.5Annual load curve under the historical scenario系统中各电源组件的相关经济参数如表1所示，各电源安装数量约束如表2所示。表1待选电源经济参数Table 1Economic parameters of the components to beselected电源类型风机光伏电池板柴油发电机燃气锅炉原动机电制热机蓄电池电动汽车额定容量3 MW0.18 kW100 kW100 kW100 kW100 kW1 000 Ah1 200 Ah初始投资费用1 950万元/台0.1万元/块5.5万元/台7.8万元/台15万元/台7.89万元/台1 800元/个运行维护费用1 200元/（台 年）230元/（kW 年）1 200元/（台 年）+0.094 6元/kW1 200元/（台 年）+0.094 6元/kW1 200元/（台 年）+0.094 6元/kW1 200元/（台 年）+0.094 6元/kW寿命20年20年2万h80万h80万h80万h2万h表2电源安装数量限制Table 2Restrictions on the number of power installations电源类型风机/台光伏电池板/块柴油发电机/台燃气锅炉/台原动机/台电制热机/台铅酸蓄电池/块电动汽车/辆下限00000000上限483 600104443 000100根据微电网规划，系统寿命周期K为20年，行业内承认并接受的贴现率r为6%，微电网允许缺电的最大概率为0.5%，柴油发电机运行的最小功率Pg,min为额定功率PR的30%。本文针对每个月份构造一个典型日。表3所示的是本文算例中代表1月份的典型日10:00多状态建模的结果。完成上述多状态建模后，引入改进的非劣排序遗传算法（NSGA-II）对基于多状态系统理论构造得到的典型日进行仿真计算，得到帕累托最优解集A，如图6所示。为验证NSGA-II算法的可靠性，本文对照使用多目标粒子群算法（MOPSO），分别计算3次，对结果进行对比，结果表明，本文算例应用NSGA-II算法较MOPSO算法迭代收敛速度更快、迭代次数更少且收敛性更强，所求帕累托解集结果相近。王 恺，等 双碳背景下微电网的优化配置研究90Vol.25，No.4 July，2023POWER DSM|017.06.56.05.55.04.54.03.53.02.523456104105总成本/万元碳排放量/kg图6典型日下微电网的帕累托解集Fig.6Pareto solution set of microgrid on a typical day设置相同的运行约束、优化目标的条件下进行仿真，得到另一个帕累托最优解集B。从解集A和B中分别挑选出在随机场景1下运行时的两个系统配置进行比较分析，并称这两个微电网配置分别为配置1和配置2，具体规划方案如表4所示。表4两个系统配置的方案Table 4Scheme of the two system configurations方案配置1配置2NWT23NPV2 9962 575NBAT1 026387NDE22NEV8658NGF23NGE24NEH23将配置1和配置2的各参数分别配在该历史场景和上述6个随机场景下运行，得到的运行结果如表5及表6所示。由表5、表6可知，在历史场景下，配置1的总净现成本比配置2低0.86%，年CO2排放量比配置2低16.55%，在环保性上的优势更为突出。即在同一场景下多状态模型在优化过程中仍具备有效性和先进性。表31月份的典型日10:00多状态建模结果Table 3Results of multi-state modeling at 10:00 of a typical day in January风速/（ms-1）发生的概率光照/（kWm-2）发生的概率总负荷/kW发生的概率00.2300.01152.90.023.50.140.150.29157.50.144.50.150.250.49162.10.345.50.130.350.21166.70.336.50.130.450.02171.30.157.50.060.550175.90.028.50.060.6509.50.040.75010.50.030.85011.00.040.9501.000表5配置1在各种场景下的运行结果Table 5Results of configuration 1 under various scenarios场景历史场景下随机场景1随机场景2随机场景3随机场景4随机场景5随机场景6CNPC/万元4 789.685 163.085 156.695 200.665 275.755 146.465 222.70CI/万元2 118.632 118.632 118.632 119.132 120.142 122.152 121.14CM/万元289.75281.38281.17282.66281.32280.65283.29CF/万元1 504.411 271.591 265.411 305.101 266.651 250.691 323.40CR/万元942.241 556.841 556.841 559.141 673.041 558.441 560.30IRV/万元65.3665.3665.3665.3865.4165.4765.44ECO2/t460.47405.89404.43413.75404.73400.99418.03表6配置2在各种场景下的运行结果Table 6Results of configuration 2 under various scenarios场景历史场景下随机场景1随机场景2随机场景3随机场景4随机场景5随机场景6CNPC/万元4 831.475 113.775 116.555 067.955 122.335 027.685 085.42CI/万元2 489.302 489.302 489.302 489.302 489.302 489.302 489.30CM/万元314.40304.59304.76306.13305.00304.69306.73CF/万元1 372.781 102.511 105.121 144.431 110.661 105.601 160.88CR/万元733.301 295.681 295.681 206.401 295.681 206.401 206.82IRV/万元78.3278.3278.3278.3278.3278.3278.32ECO2/t429.61366.24366.86376.07368.15366.97379.9391|电力需求侧管理第25卷第4期2023年7月4结束语本文创新点在于考虑到风速、光照强度较强的随机性以及负荷的波动性对微电网的影响，对每个月份的典型日各个时刻风光出力和负荷进行多状态建模，并提出了不同情况下的负荷跟随策略。引入改进的非劣排序遗传算法对微电网多目标优化配置模型进行求解，并通过华东某省微电网工程算例检验基于多状态系统理论的优化配置模型和方法是否优于传统的基于历史场景的微网配置方法。D参考文献：1 HE J,LI Z,ZHANG X,et al.Towards carbon neutrality：astudy on China s long-term low-carbon transition pathwaysand strategies J .Environmental Science and Ecotechnology,2022（1）：9-15.2 赵文会，余金龙，李士动.基于SMCS-NSGA的独立型微网优化配置 J .电力系统保护与控制，2016，44（1）：97-105.ZHAO Wenhui,YU Jinlong,LI Shidong.Optimizationconfiguration of independent microgrid based on SMCS-NSGA II J.Power System Protection and Control,2016,44（1）：97-105.3 CHAUHAN P J,CHATTERJEE J K.A novel speed adaptive stator current compensator for voltage and frequencycontrol of standalone seig feeding three-phase four-wiresystemJ.IEEE Transactions on Sustainable Energy,2019,10（1）：248-256.4KANAKADHURGA D,PRABAHARAN N,KAZMERSKI L.Demand side management in microgrid：a criticalreview of key issues and recent trendsJ.Renewableand Sustainable Energy Reviews,2022,156：111 915.5YAO J,ZHANG Y,YAN Z,et al.A group approach ofsmart hybrid poles with renewable energy,street lightingand EV charging based on DC micro-grid.Energies,2018,11：3 445.6 WANG Q,LIU J,HU Y,et al.Optimal operation strategy ofmulti-energy complementary distributed CCHP system andits application on commercial building J .IEEE Access,2019（99）：1-10.7 LIU W,HUANG Y,LI Z,et al.Optimal allocation for coupling device in an integrated energy system consideringcomplex uncertainties of demand responseJ.Energy,2020,198（5）：1-13.8 范斐斐，尼米智.环境约束下数据中心综合能源系统优化配置方法 J.电工技术，2021（3）：20-23.FAN Feifei,NI Mizhi.Optimization and configurationmethod for comprehensive energy systems in data centersunder environmental constraints J.Electrotechnical Journal,2021（3）：20-23.9 曹金声，曾君，刘俊峰，等.考虑极限场景的并网型微电网分布鲁棒优化方法 J .电力系统自动化，2022，46（7）：50-59.CAO Jinsheng,ZENG Jun,LIU Junfeng,et al.Distributionally robust optimization method for grid-connected microgrid considering extreme scenariosJ.Automation ofElectric Power Systems,2022,46（7）：50-59.10 HARSH P,DAS D.Optimal coordination strategy of demand response and electric vehicle aggregators for theenergy management of reconfigured grid-connected microgridJ.Renewable and Sustainable Energy Reviews,2022,160：112 251.11 李咸善，邹芳，李鑫燕，等.独立微电网微源多目标分层优化配置方法研究 J.高压电器，2018，54（10）：170-178.LI Xianshan,ZOU Fang,LI Xinyan,et al.Research onmulti-objective hierarchical optimization configurationmethod for independent microgridsJ.High VoltageElectrical Appliances,2018,54（10）：170-17812 AMR A H,MOHAMMED E N,EHAB FE,et al.Optimalconfiguration of isolated hybrid AC/DC microgridsJ.IEEE Transactions on Smart Grid,2019,10（3）：2 789-2 798.13 魏景东，张耀，王建学，等.考虑综合需求响应的工业园区负荷管理方法 J.电力需求侧管理，2021，23（1）：25-29.WEI Jingdong,ZHANG Yao,WANG Jianxue,et al.Aload management method for industrial parks considering comprehensive demand response J.Power DemandSide Management,2021,23（1）：25-29.14 ATWAY Y M,EL-SAADANY E F,SALAMA M M A,etal.Adequacy evaluation of distribution system includingwind/solar DG during different modes of operation J .IEEETransonPowerSystems,2011,26（4）：1945-1952.15 冯昌森，张瑜，文福拴，等.基于深度期望Q网络算法的微电网能量管理策略 J.电力系统自动化，2022，46（3）：14-22.FENG Changsen,ZHANG Yu,WEN Fushuan,et al.Energy management strategy for microgrid based on deepexpected Q network algorithmJ.Automation of Electric Power Systems,2022,46（3）：14-22.16 DEB K,PRATAP A,AGARWAL S,et al.A fast and elitist multi-objective genetic algorithm：NSGA-II J.IEEEtransactions on evolutionary computation,2002,6（2）：182-197.作者简介：王恺（1989），男，安徽六安人，硕士，高级工程师，研究方向为电力市场理论和企业管理；赵文会（1977），女，辽宁朝阳人，博士，教授，研究方向为电力市场、碳市场与能源系统分析与优化；张伟时（1991），男，江苏南通人，工程师，研究方向为电力市场。（责任编辑水鹆）王 恺，等 双碳背景下微电网的优化配置研究92