推广 热搜: 考试动态 

基于不确定性剖析的工业园区水能资源 优化配置模型研究

   日期:2022-11-21     来源:www.361fangchan.com    作者:未知    浏览:371    评论:0    
核心提示:目录摘要IABSTRACTIIICONTENTSVII第一章绪论11.1研究背景与意义11.2国内外研究进展21.2.1工业园区水能研究热门剖析21.2.2工业园区水资源优化配置研究进展61.2.3工业园区能源资源优化配置研究进展71.3现有研究不足81.4研究内容与目的81.4
目录摘要IABSTRACTIIIConTENTS VII第一章 绪论 11.1研究背景与意义 11.2国内外研究进展 21.2.1工业园区水能研究热门剖析 21.2.2工业园区水资源优化配置研究进展 61.2.3工业园区能源资源优化配置研究进展 71.3现有研究不足 81.4研究内容与目的 81.4.1研究目的 81.4.2研究内容 81.4.3技术路线 9第二章 研究区概况与数据整理 112.1某工业园区概况112.2资料采集及数据整理 122.2.1工业园区用水近况 122.2.2工业园区能源近况 13第三章 双重不确定条件下基于稳健分式规划模型的园区高效配水研究 153.1引言 153.2模型构建与求解 173.3案例应用 213.3.1有关参数 213.3.2模型打造 233.4结果剖析与讨论 25V3.4.1结果剖析 253.4.2讨论 313.5本章小结 34第四章 不确定条件下基于阶梯碳买卖的园区电力系统优化364.1引言 364.2模型构建与求解 384.2.1区间两阶段部分模糊规划模型构建 384.2.2区间两阶段部分模糊规划模型求解 394.3实例应用 434.3.1数据采集与处置 434.3.2模型打造 464.4结果剖析 504.4.1电量剖析 504.4.2碳排放剖析 574.4.3系统本钱 584.5讨论 604.6本章小结 62结论与展望 65主要结论 65主要革新点 66不足与展望 67参考文献 68攻读学位期间获得与学位论文有关的成就82学位论文独创性声明83学位论文版权用授权声明83致 谢 84VIConTENTSABSTRACT IABSTRACTIIIConTENTS VIIChapter 1 Introduction 11.1Background and significance of research11.2Analysis of the research status at home and abroad 21.2.1Hot spot analysis of water and energy research in industrial park 21.2.2Research on optimal allocation of water resources in industrial parks 61.2.3Research on optimal allocation of energy resources in industrial parks 71.3Disadvantageous of existing research 81.4The research objectives and main contents of this subject 81.4.1Research objectives 8142Research content 8143Schematic of technology roadmap 9Chapter 2 Overview of study area and collation of data 112.1Overview of study area112.2Data collation 122.2.1Current situation of water use in industrial park 122.2.2Current situation of energy resource in industrial park 1 3Chapter 3 A robust fractional model for improving industrial park water use efficiencyunder dual uncertainties 153.1Introduction 153.2Model construction and solution 173.3Application 213.3.1Related parameters 213.3.2Model construction 23VII3.4Results analysis and pscussion 25341Results analysis 25342Discussion 313.5Chapter summary 34Chapter 4 Optimal pspatch of power systems at industrial park consideringladder-type carbon trapng under multiple uncertainties 364.1Introduction 364.2Model construction and solution4.2.1Model construction第一章 绪论1.1研究背景与意义水和能源是支撑社会经济系统的两种基本资源。水资源短缺、能源短缺,加之时 空分布不均,已成为制约中国经济进步、人民生活质量提升和环境改变的主要原因[1]。 在全球范围内,现在共有2万多个工业园区[2, 3]。截至 2018年3 月底,工业园区贡献 了50%以上的全国工业总产值,并成为最大的能源消耗部门和第二大淡水消耗部门[4-7]。 因为国内落后、密集的生产方法,水、能源资源借助效率低,人均水资源仅为世界平 均水平的四分之一。中国 669 个城市中有三分之二存在水资源短缺问题,且多达 40% 的河流遭到紧急污染[8]。除此之外,伴随经济的迅速进步,工业能源和水资源需要渐渐增加。 据 2000-2014 年统计,中国能源消耗以每年 6.6%的速度增长,而对水资源的需要以每 年 0.65%的速度增长[9-12] 。国内水、能源资源面临严峻的形势,资源短缺、污染紧急、 生态环境恶化等问题日益突出,已成为制约工业园区可持续进步的主要瓶颈[13,14]。在 全球气候变暖、人口增加和资源短缺的大背景下,科学合理地优化配置有限的水和能 源资源对提升工业园区资源借助效率和保障园区绿色可持续进步具备要紧意义。工业园区作为一种新型的产业集群模式,是国内地方经济进步的主要承载平台。 但其巨大的水能资源消耗及污水、碳排放带来的很多环境问题,紧急制约着工业园区 的生态化进步[15]。生态工业园区能有计划地促进工业系统的资源循环,降低对资源的 消耗,达到减排和构建可持续经济、生态及社会关系的目的。与自然生态系统类似, 生态工业园区中的企业可看作是食物链中不一样的营养等级,通过资源的保护和循环利 用,使企业之间有着物质和能源的代谢联系,从而达成工业共生[16]。这样来看,生态 工业园是自然生态系统和人工生态系统融合的复杂系统,而水资源和能源互联网系统正 是这种联合的纽带[17]。然而,受内部原因(如需要量)和外面条件(如经济政策)的 影响,工业园区系统充满了很多不确定性原因。比如,经济、生态环境、社会、管理 等每个子系统之间存在着复杂的相互用途,不可防止地会产生各种不确定性,并加剧 了资源短缺风险,可能导致企业因为资源短缺而带来的系统经济效益减少。除此之外,专 家和利益有关方的主观判断也会对数据采集和系统靠谱性产生要紧影响。这类复杂性 致使了求解不确定性优化问题的困难[18-20]。日常,有关的水资源和能源资源管理模1型的一些参数和系数可能存在高度的不确定性。比如,受地理条件、气候、借助效率 与节水意识的影响,水资源的可供给量呈现随即特点,甚至在概率分布的获得上也 存在肯定的不确定性。在过去的研究中,对于这种存在于工业园区水资源和能源资源 规划过程中的双重不确定性的处置工作极少,总是只解决了单一不确定性如模糊、随 机、区间等对系统资源优化配置的影响,这可能致使信息的缺失,从而致使不切实质 的决策支持[21-25]。因此,针对工业园区水、能源资源供需矛盾突出、借助率低、污染物排放量大等 现实问题,秉承可持续进步理念、坚持系统性综合研究的思想,本文以工业园区为研 究尺度,引入不确定性优化办法,构建考虑多重不确定性下的工业园区资源优化配置, 帮助决策者拟定兼顾系统效益与风险的资源分配策略,达成工业园区节能减排、绿色 低碳进步,对促进生态工业园区的建成,具备要紧指导意义和实践价值。1.2国内外研究进展1.2.1工业园区水能研究热门剖析截至2022年3月1日,通过web of science数据库的核心集合,对 and 等主题进行检索,共获得1998-2021年期间有关文献1743 篇。结果显示,2009年到今天,研究热度逐年升高,发文量也呈指数增长, 且 2009-2021 的增长率是 1998-2008 的 5.8 倍。除此之外,图 1-1 呈现了发文量排名前三的 国家里国、美国和加拿大的逐年发文量的变化趋势。其中,中国的发文量、h指数、总 被引次数、作者数和机构数都最高,表明中国在工业园区水资源和能源的研究中具备 肯定的权威且在研究价值方面遭到了该范围学者的认同和借鉴。这是因为工 业园区作为产业的高聚集存在形式,是中国建设绿色制造体系、推行制造业强国策略 非常重要、最广泛的载体,是地方经济进步的主要承载平台。而因工业聚集导致的资源 消耗和环境影响,使得工业园区进步渐渐进入瓶颈期。推进工业园区的生态化进步能 有效解决资源环境问题,促进经济可持续进步[26,27]。但中国的文章平均远被引频次远 低于美国、日本、加拿大和英格兰等发达国家,这说明中国在工业园区水资源和能源 范围的影响力度较低。国际化合作缺少、科技水平落后、资金不足、革新性不足等都 是致使中国在该范围影响力比较低的主要原因。2借助 Citespace 对文献关键字进行剖析,探究工业园区水资源和能源的主要研究方 向,挖掘该范围的研究热门[28-30]。图1-2 中节点越大表明关键字出现频率越高,受关注 程度高。依据频次和中介中性情,整理出关键字共现互联网主要信息表,如表 1-2 所示。 发文量排名前 5 的关键字为‘industrial park' (296 次)、‘energy' (267 次)、‘eco-industrial park'(263 次)、 ‘water'(259 次)、 ‘industrial symbiosis'(208 次)。受检索词影响, "industrial park'> 'energy'和'water'的出现频次高,且工业共生(‘industrial symbiosis') 和生态工业园区(‘eco-industrial park')是工业园区将来进步的趋势。结合对样本文献 的内容解析可知,优化('optimization')是工业园区水资源和能源的主要研究方向,如 Chew[31]、Foo[32]、Rubio-Castro[33]等的研究。除此之外,优化办法主要分为数学规划法和夹 点技术[34]。水夹点技术具备直观明确、容易易行的优点,但在处置复杂度高的厂间水 互联网时具备肯定的局限性[34-37]。第一,在处置厂间水互联网集成问题时要先剖析厂内用 水互联网的集成情况,不可以考察厂际的水回用;第二,固有些求解步骤限制了优化能力, 效率较低,不适用于解决涉及水混合、分配、再生操作及含有多污染物等问题,与 规模大,复杂度高的厂间水互联网,所得结果可能不是最佳状况;除此之外,水夹点技术只 能解决与水质、水量无关的目的或约束,如简化互联网结构的问题等[38,39]。这类缺点制 约着夹点技术法的进步与应用。因此,大家关注并开发适用于优化复杂水互联网的办法, 基于优化模型的数学规划法渐渐成为研究热门[40,41]。因为生态工业园区水互联网集成研 究存在多目的性、多用户、不确定性等特质,基于目的规划、多层规划、不确定性(随 机模糊)规划等数学规划的生态工业园区水互联网集成是目前的研究主流[22,42-44]。同时, 可持续性进步(sustainable development)、循环经济(circular economy)等问题作为 “老大难”问题被不断讨论,也为将来研究提出要紧挑战。图 1-1 1998-2021 年工业园区水和能源资源研究发文量时间分布Fig.1-1 Time pstribution of the number of papers published on water and energy resource ineco-industrial park from 1998 to 2021表 1-1 “ 工业园区水和能源资源 ”范围 1998-2021 年发文量居前 10 位国家区域分布状况Table.1-1 Distribution of the TOP 10 countries in the field of “eco-industrial park water and energyresource” from 1998 to 2021国家 论文数 h 指数 被引次数 平均被引 作者数 机构数中国 739 49 11465 15.51 2268 754美国 253 40 7363 29.1 804 412加拿大 85 25 2064 24.28 302 157英格兰 73 21 1467 20.1 317 159意大利 73 22 1124 15.4 301 138法国 66 17 1091 16.53 243 129西班牙 65 18 1109 17.06 272 114日本 55 23 1564 28.44 185 97德国 53 13 531 10.02 211 109马来西亚 53 17 782 14.75 101 44表 1-2 关键字出现频次及中介中心值Table.1-2 The occurrence frequency and the centrality value of key wordsCiteSpnce, v. 5.8.R3 March 1. 2022 9:15:56 PM CSTWoS: C:*UseriWdmlnistrator\D«sHopVcite2\dataTime^pan; 1998-2022 Selection Criteria: fl-index Largest CC 710 Modes Labeled: S O%Pruning: NoneExcluded:chtna; model; city; evolulton; perf客户关系管理Lance; impact; strategy; emission; techrwlogy, pollution; quality; pl ant; consumption; p«rMuorinaled compound;sepment polycyclic aromatic hydrocarbon risk assessment chemical industrial park heavy metal environmental impact environment industrial symbiosis framwoter greenhouse gas emissionecosplayystem reduction management river waste /eve/ industrial park innovation energy “怡 cycle assessment methodology sustainable development SyStenet^ork 蛇即 industrial ecology power integration eco-industrial park rate targeting algorithm circular economy optimization emergy analysis图 1-2 基于关键字的共词互联网分布状况Fig.1-2 Distribution of co-word network based on key words因此,优化管理是工业园区水资源和能源资源的主要研究方向,且基于优化模型 的数学规划法渐渐成为该范围的研究热门。中国作为工业强国,应充分发挥自己的优 势,健全资源管理体制和机制,积极拓展工业园区水资源和能源资源的优化研究,改 进资源管理方法和办法,提升基础资源的借助效率,促进节能减排,推进可持续工业5化进步,努力达成从量变到质变的飞跃。1.2.2工业园区水资源优化配置研究进展生态工业园区用水更重视水的高效、循环借助,除去清水的直接用,还考虑厂 间水的梯级借助和中水回用[45]。主要有两点优势:(1)水循环体系的打造及企业之间 用水的协作,能提升水重复借助率,降低园区整体取水量和污水排放量;(2)从自来 水厂购买清水与从其他企业购买回用水之间水价的差值及排污权买卖等,能给双方企 业带来经济效益。生态工业园区内产业群落的聚集,推行厂间水资源梯级借助和中水 回用能促进水资源的高效借助,达成节水目的。受外面原因(如经济政策)或内部操作的影响,水价、污染物处置本钱、污染物 去除率等参数都存在不确定性[46,47]。在实质工程问题中,不确定性会干扰系统的运行 本钱、靠谱性和效率,考虑不确定性的工业园区水资源优化管理,能够帮助提升系统的 稳健性。现在提出了随机规划、模糊规划、区间规划和混合不确定性优化模型等,用 于解决工业园区资源优化配置的不确定性问题[48-52]。TanI22]构建了工业园区水互联网的模 糊双层模型,得到考虑不同决策者目的的最佳厂间水互联网。在工业园区水资源系统中, 不确定性研究主要以随机规划(stochastic mathematical programming)为主[53-55]。Li[56] 等引入机会约束规划解决不确定操作条件下的优化问题。除此之外,Khor[47]等基于离散情 景下的两阶段随机规划,构建多情景混合整数二次约束二次规划办法,探讨不确定性 下的水网集成问题,借助条件风险价值指标推行风险管理。鲁棒优化能将风险避免引 入优化模型,保证操作过程在不确定范围内依旧维持可行,帮助决策者定量评估系统 经济和稳定性之间的关系[44]。引入鲁棒优化办法来解决不确定条件下的水网集成有 Friedman"58】、Lin[43]等。在系统发生变动时,鲁棒优化提供的解决方法具备肯定的韧 性。Aviso[40]等构建了基于多情景的鲁棒优化模型,结果表明该模型即便在参与企业信 息有限的状况下也能确定最佳互联网设计。根据研究目的分,工业园区水互联网优化问题可以分为单目的和多目的规划°Geng[59] 等以系统本钱最小为目的,优化天津泰达工业园区水网,结果表明考虑水再生的水网 络能降低 16.9%的清水用及节省 10.37%的本钱。因为工业园区水互联网优化集成涉及 各类企业,模型中将包括很多变量、约束等,是一个大规模的复杂问题[60]。常使用多 目的优化模型进行水互联网集成优化,如在获得最大回报的同时将环境污染和资源消耗6最小化[61]。园区管理者能依据帕累托最佳找到资源分配的一种理想状况。B0ix[62 ]等提 出同时考虑清水消耗、再生水流量及管道数为目的的多情景工业园区水互联网优化,通 过帕累托前沿和多判据评估得到多目的模型的最佳解。目的规划通过为每个目的赋 予一个网站权重,将多目的优化问题转化为单目的优化问题求解。Ramos[42]等使用目的优 化办法考虑最小化各企业本钱,通过调整目的函数网站权重可以获得唯一最佳解。Tiu[24]等 构建了同时考虑系统本钱和企业水质水量的目的规划模型,结果表明,在最小化环境 影响的首要条件下,考虑水量和水质的园区水网比只考虑水量的水网集效果果更好。多目 标办法能得到同时考虑多种目的的最佳水互联网,但在求解过程中,需要引入主观和不 切实质的假设,决策者需要为每一个目的设置网站权重,受主观原因影响较大,所获得的解 决策略非常大程度上取决于决策者的内隐常识和主观偏好[63]。1.2.3工业园区能源资源优化配置研究进展在工业园区能源系统优化研究中,倾向于多能互补的综合能源系统优化调度[64-66]。 与单一能源系统规划相比,多能源的综合能源系统具备更高的稳健性,其决策变量具 有更高维的可行域,能获得更为适合的最佳解,达成多种异质能源子系统间的协同管 理、交互响应和互补互济[67]。在“双碳”目的的制约下,工业园区已成为达成碳减排 的要紧载体[64,68]。传统能源发电是致使工业园区高碳排放的主要原因,可再生能源被 觉得是替代传统化石燃料的最好选择。提升可再生能源产电效率能减少园区碳排放, 改变能源系统对电力需要的响应能力[69]。受室内温度、用户主观意愿等影响,电力负荷具备高波动性、多不确定性等特征。 王贵龙[70]引入机会约束规划,探究不同运行模式、置信水平下园区能量枢纽经济运行 问题。胡浩[71]打造了基于条件风险价值的综合能源系统经济调度模型,解决供能侧和 负荷侧中不确定性的经济优化调度问题。基于系统可再生能源输出功率和负荷预测等 不确定性原因,白牧可[72]引入区间线性规划,将光伏出力及负荷的不确定性表征为区 间值。施云辉[73]提出了考虑再生能源不确定性的电力系统多阶段鲁棒优化,提升了电 力系统应付极端场景的灵活性。艾欣[74]引入模糊置信约束,将风能的不确定性表征为 误差的模糊不确定性,用于含风电场电力系统机组组合。除此之外,园区用电户的电力需 求易受经济形势、节能技术、能源和燃料价格的影响。如,Lin[75]引入区间值来表示电 力需要的不确定性。Huang[76]结合决策树和蒙特卡洛仿真确定电力需要,打造了考虑电7力需要不确定性影响的多地区电力系统优化模型。现有研究表明,不确定性的优化办法在处置工业园区水能资源优化配置中至关重 要。然而,现有些研究仅解决了受单一不确定原因影响下的工业园区水能资源优化配 置,忽视了多重不确定性对系统水能资源最佳调度的影响。事实上,这种多重不确定 性在工业园区的水能资源管理问题中常见存在,并将在系统剖析中显示出协同效应 [77-80]。在大部分状况下,工业园区水能资源管理问题不只遭到各类不确定性种类的影 响,而且还遭到不同不确定性成分之间动态和复杂的相互用途的影响。若忽视各种不 确定性之间的相互影响,将致使有价值的信息丢失,从而致使最好结果产生偏差。1.3现有研究不足综上所述,关于工业园区资源优化配置的研究引起了国内外海量学者的广泛关注 并获得了相应的进展,这类研究对工业园区水、能源资源的可持续进步有肯定指导作 用,但还存在以下不足之处:以往研究多以经济效益或本钱为目的,缺少以效益与耗水量的比率为目的的 水资源借助效率优化研究,兼顾经济效益提高和水资源节省,且忽视了因不同水资源 监测部门得到流量数据不同,导致的水流量概率的区间不确定性。以往研究仅解决了确定的电力需要概率条件下的电力系统资源配置问题,缺 乏处置电力需要概率不确定性的办法,以解决因能源价格发生波动,电力部门得到的 电力需要概率密度函数不一样的问题,且未将碳减排机制纳入规划模型中。1.4研究内容与目的1.4.1 研究目的本研究针对工业园区资源管理中多不确定性、高复杂性和交互性强等致使的配置 不协调问题,结合园区主要资源系统的生产、操作特质,分别打造基于 工业园区水流量概率区间不确定性、电力需要区间概率不确定性、可再生能源模糊负 荷等多重不确定性的多水源、多能源耦合互补的水能资源优化配置模型,并进行园区 案例应用,得到合适工业园区和管理者需要的工业园区水能资源配置策略集,为工业 园区资源最佳分配提供相应的理论和技术支持。1.4.2 研究内容依据现在国内外工业园区水和能源资源优化研究存在的问题,为达成上述研究目8标,本文主要研究内容如下:(1)工业园区水资源系统中,针对水流量水平概率的区间不确定性、管理过程的 动态复杂性及经济参数的波动性,提出区间两阶段随机部分分式规划模型(Inexact two-stage stochastic partial fractional programming, ITSPF),同时解决工业园区水资源管 理中的双重不确定性和比率优化问题。从而帮助决策者深入剖析不同概率情景下的水 资源配置模式、系统失效风险和系统收益,确定工业园区水资源管理的最佳方案。(2)工业园区能源系统中,针对园区电力系统电力需要的双重不确定性、模糊可 再生能源预测误差及碳排放量高等问题,提出了基于阶梯碳买卖机制的园区电力系统 区间两阶段部分模糊规划模型(ladder-type carbon trapng based interval two-stage partial fuzzy programming, LCT-ITPFP)。LCT-ITPFP能在处置电力需要区间概率、可再生能 源模糊负荷等多重不确定信息的同时降低系统碳排放量。为决策者提供不同置信水平 和电力需要水平情景的用电规划策略,及各策略下的碳排放和系统本钱,并做出有效 决策。1.4.3 技术路线依据图 1-3,对现阶段工业园区资源短缺近况与运用于工业园区资源管理的不确定 性有关研究的问题概要,针对工业园区主要资源(水、能源)的生产、操作特征,与 系统中多重不确定性原因的影响,分别构建两个工业园区资源优化配置模型。第一个 模型基于水流量水平概率的区间不确定性、管理过程的动态复杂性及经济参数的波动 性,耦合区间线性规划、部分信息理论、两阶段随机规划与分式规划,以系统单方水 效益为目的,综合考虑水资源水量约束、需水量约束、环境约束等,构建基于区间两 阶段随机部分分式规划的工业园区水资源管理模型,同时解决工业园区水资源管理中 的双重不确定性和比率优化问题。第二个模型针对园区电力系统电力需要的双重不确 定性、模糊可再生能源预测误差及碳排放量高等问题,耦合区间两阶段随机规划、部 分线性理论、模糊置信约束规划及阶梯碳买卖机制,综合考虑系统运营本钱,以发电 量、电力需要量、碳买卖等为约束,构建了基于阶梯碳买卖机制的园区电力系统区间 两阶段部分模糊规划模型,在处置电力需要区间概率、可再生能源模糊负荷等多重不 确定信息的同时降低系统碳排放量。本研究提出的两个资源优化配置模型,能为决策 者提供将来不同区间概率情景下的工业园区系统资源优化配置策略,帮助决策者权衡9工业园区系统收益和失效风险,促进工业园区系统达成资源的高效借助、节水节能和 绿色低碳进步的目的。图 1-3 技术路线图Fig.1-3 Schematic of technology roadmap第二章 研究区概况与数据整理2.1某工业园区概况发电厂、电子通信、机械、食品、饮料和制药厂是工业园区的六大用水工厂[81]。 现在,因为工业园区企业自己的进步,对水的需要量急剧增加,工业园区的水资源供 应面临巨大的挑战。地表水和地下水是工业园区主要的供水水源。地下水因其水平、 水量稳定而被视为要紧的水资源。然而,地下水的超采会引起地面沉降、土壤盐渍化、 海水入侵等不利的自然现象,对生态系统导致灾难性的破坏。因此,地下水的开采受 到了限制[77]。因为地表水遭到点源和非点源污染,其水质会低于地下水。尽管地表水 丰富,但紧急的地表水污染对供水会导致很不利的影响。这样来看,因为地表水的 污染和地下水的过度开采,可用水资源很有限。这将对生态环境和社会经济的可持 续性进步产生各种负面影响。再生水的用法或有助于降低淡水资源的消耗。再生水是 污水经过适合预处置后,达到肯定的水质指标,并能回用于园区企业的低质水需要工 艺。再生装置的容量和污水采集系统的效率是影响再生水借助率的要紧原因。某工业 园区用水配置模式如图 2-1 所示。各用水厂的供水水源包含地表水、地下水和本厂的 再生水;每一个企业的输出水流可分配到再生装置或污水处置厂。全球 80%以上的初级能源生产仍来自化石燃料的燃烧。其中以制造业为主的工业 能源消费总量在全国总能源消费中占比最高,为 70%左右。能源需要的增加致使化石 燃料的储量不断降低。同时,由于化石燃料的消耗致使很多的温室气体排放,能源系 统对气候变化起着主要用途。直至2019年,国内工业园区碳排放可达总排放量的31%[82]。 因此,可再生能源将成为缓解电力供需与达成减排目的的最佳选择。工业园区主要产电能 源为煤炭、天然气、风能和太阳能(图 2-1)。其中,风能和太阳能的供给易出现提供 时间与负荷需要不匹配问题[83]。比如受地形地貌的影响,很多区域的风力具备间歇性, 致使风力产生的能量大小不稳定。因此,需要考虑风能和太阳能供给的不确定特点, 引入不同置信度的模糊集表征风能、太阳能预测的模糊性,且考虑预测过程中的预测 误差,进一步降低不确定性。当发电容量难以满足用户需要时,可从主电网输入电力, 以弥补园区电网提供不足。除此之外,在能源价格发生波动时,企业依据自己进步水平, 对电量的需要也会发生变化。当电力部门对用户电力需要进行预测时,将得到电力需 求的不同概率密度函数,即同一电力需要水平对应的概率具备不确定性。在两阶段随 机部分规划模型中引入线性部分信息理论,能解决工业园区电力系统中电力需要的双十一重不确定性。最后,引入碳买卖机制可以平衡系统运营本钱的同时达成碳减排,模型 构建详见 4.2 节。1园区电力系统.―咎鯉源1 燃煤发电I凤能发电燃气发电|太阳能发电Fig.2-1 The schematic of water network and electric power system under study2.2资料采集及数据整理2.2.1 工业园区用水近况研究数据源自统计年鉴、政府报告和文献采集[59,81]。依据工业园区用水量近况, 表 2-1 给出了工业园区内各用水厂即发电厂、电子通信、机械、食品、饮料和制药厂 的需水量。可见,工业园区内的发电厂是最大耗水户,依次为电子通信、机械、食品、 饮料。因为制药厂的生产规模较小,耗水量最低,且受群众同意程度和用水水平需要 影响,制药厂仅考虑地表水和地下水供水。案例中设定规划期限为 15年,将每 5年划 分为一个阶段,共3个阶段,即表中的k=1, k=2和k=3,剖析园区水系统的动态特点。 当各用水企业的需水量得到满足,园区将获得较高的经济效益。若不可以出货承诺的水 量,园区将面临巨大的缺水风险,致使系统经济效益减少。在这样的情况下,用水企业 将面临更高的水价,因此需要降低自己产量以减少用水需要[84]。在本研究中,因为地 表水和地下水在不同年份间的随机性和可变性,将其分为低、中、高水流量水平。地 表水比地表水的储量更丰富,对工业园区的供水量更高,表2-2列出了地表水和地下 水的可供水量。12表 2-1 各企业在不同时期的需水量( m3/d )Table.2-1 The amount of water demand under pfferent period for each plant (m3/d)规划期 发电厂 电子通信 机械 食品 饮料 制药厂k=1 [3384,5454] [1036,1356] [913,1033] [3745,3845] [3120,3210] [1935,1985]k=2 [4884,6084] [2236,2306] [1113,1903] [5545,5745] [4620,4820] [2100,2150]k=3 [5284,7484] [3036,3336] [2713,2803] [6045,6245] [5320,5520] [3500,3550]表 2-2 地表水和地下水的可供水量( m3/d )Table.2-2 Description of stream flow pstribution for each source (m3/d)流量水平低 ( h =1 ) 中 ( h =2 ) 高 ( h =3 )地表水 [10990,14090] [11270,15770] [23445,28645]地下水 [4143.9,8543.9] [4207.8,9107.8] [11055.4,13355.4]2.2.2 工业园区能源近况基于文献[69,85]的仿真数据,考虑工业园区内电力系统主要由煤炭、燃气、风力和 太阳能产电。基于电力系统供电特质,考虑电力每小时的变化状况,以 24小时为规划 周期。风能和太阳能的输出预测使用参考文献中预测误差的研究结果[83,86]。在该系统 中,风能和太阳能每小时的预测值如图2-2所示。太阳能主要集中在5:00-19:00,在午 间时段 10:00-14:00太阳光线充足, 太阳能输出功率最高.而在凌晨 1:00-4:00 和 20:00-24:00两个时间段,因为太阳光线不足,太阳能的输出功率最低,达到0GW。受 地形地貌的影响,因为风速不稳定,风能供给具备间歇性,产生的能量大小也不稳定。 因此,不同时间段的风能输出呈现不规则的波动。风能和太阳能的输出可以得到充分 调度,且不会导致传输损失。表2-3 呈现了不同发电技术在不同时间段的目的发电量。煤炭发电为主要的发电 技术,第二为燃气、风能和太阳能。假如系统仅考虑风能和太阳能供电,系统的总成 本将会增加,给当地经济带来紧急的负面影响。因此,决策者在决策过程中,需要权 衡系统本钱和环境需要,部分用风能和太阳能发电,在满足用户电量需要的同时降 低系统用电过程中的碳排放量。13■—风能输出预测太阳能输出预测0.20.1 -时间(h)图 2-2 风能和太阳能的输出预测Fig.2-2 Output forecast of wind power and solar power表2-3不同发电技术的目的发电量(GWh)Table.2-3 The amount of power generation target from pfferent technologies 时间( h) 煤炭 燃气 风能 太阳能 时间( h) 煤炭 燃气 风能 太阳能t=1 1.2 0.349 0.264 0 t=13 1.213 0.364 0.504 0.465t=2 1.002 0.297 0.455 0 t=14 1.213 0.364 0.59 0.484t=3 1.015 0.297 0.322 0 t=15 1.213 0.334 0.567 0.322t=4 1.112 0.275 0.155 0 t=16 1.212 0.334 0.531 0.204t=5 1.005 0.275 0.22 0 t=17 1.12 0.304 0.394 0.134t=6 0.792 0.269 0.304 0.063 t=18 0.898 0.304 0.579 0.084t=7 1.029 0.306 0.2 0.117 t=19 1.075 0.325 0.555 0t=8 1.174 0.336 0.246 0.216 t=20 1.192 0.569 0.289 0t=9 1.106 0.336 0.284 0.318 t=21 1.206 0.566 0.166 0t=10 1.146 0.336 0.331 0.351 t=22 1.215 0.536 0.206 0t=11 1.108 0.364 0.472 0.392 t=23 1.084 0.471 0.352 0t=12 1.136 0.364 0.544 0.412 t=24 1.22 0.455 0.225 0第三章 双重不确定条件下基于稳健分式规划模型的园区高效配水研究3.1引言全球工业水消耗量预计在2050年达到2000 km3/yr,为2018年工业耗水的两倍恥87-89]。工业生产的可持续性取决于水资源的供给、本钱和水平[90,9i]。工业园 区作为产业的一种高聚集存在形式,在获得经济效益的同时,也存在回水借助率低、 污水排放量大等问题。基于上层建筑的模型将工业园区用水互联网作为一个配水问题来 处置,需要在不同企业间达成最好水资源配置和达标排放[34,92]。在工业园区水管理系 统中,因为经济进步与环境保护之间的矛盾,决策者需要考虑很多复杂的过程。伴随 时间的推移,工业园区水管理问题需要周期性的决策,具备广泛的动态复杂性。除此之外, 工业园区的水管理中可能存在很多的不确定性[62]。这类不确定性可能来自于水系统内部 和外部的相互用途,比如技术进步引起的水价的变化,社会和生态系统变化引起的需 水量的波动,与气候变化引起的水循环模式的变化[47,77,93-95]。因此,在这种复杂的 条件下,需要有高效的优化软件来规划工业园区水资源系统[96]。在过去的几十年里,工业园区水资源优化配置的研究得到了飞速的进步,优化方 法主要分为夹点技术和数学规划法[34,97,98]。水夹点技术具备直观明确和容易易行的优 点,可很大地推进水分配互联网集成研究的进步[35-37,99,100]。然而,与数学规划法相比, 水夹点技术在处置复杂度高的厂间水互联网时具备肯定的局限性[34]。数学规划办法合适 于解决大规模和复杂水互联网问题,如:多周期水互联网交换[101]、多目的水互联网优化[24]、 多污染物水互联网处置[40,41]等。在数学规划法中的单目的研究中,因为企业内自然资源 及社会、经济、生态等原因的相互冲突,实质的工业园区水资源系统总是更为复杂。 可见,通过单目的优化来达成工业园区水资源的最佳配置是微不足道的[60]。多目的规 划办法被视为解决工业园区水资源管理问题的有效办法[61]。为克服传统线性规划办法 的缺点,使用了很多的算法来探究工业园区水资源多目的优化的“最佳”解[102]。一种 是将多目的问题转化为单目的问题,但需要主观和不现实的假设,才能将多个相互冲 突的目的转化为单一目的[24,63,103,104];另一种是通过帕累托前沿获得问题的有效解决方 案,但计算量大[41,62,102]。多目的规划法可以权衡多个目的,协调不同利益有关者的利 益,但很难客观地权衡具备不同单位或数目级的比率优化问题[105]。15分式规划可以在不考虑主观信息的状况下处置矛盾 目的的比率优化问题,客观地避免了多目的规划法的缺点[1°6]。FP的目的函数是物理量 和经济量的商,为系统效率提供了一种无偏见的办法,可以有效地优化系统的边际效 益,被觉得是一种有效的比率优化软件[107-112]。这种办法已被广泛用于处置资源管理、 金融、运输和生产等现实世界问题。Charnes and Cooper[113]最早提出FP的经典算法, FP的最新进展在Stancu-Minasian[106]中得到了充分地概要。在衡量水资源系统效率方面, FP已经得到了非常不错的研究[114-116]。然而,FP办法极少应用于工业园区的水管理问题。 除此之外,以往的FP研究不可以真的解决工业园区水资源管理中常见存在的不确定性。工业园区水资源管理问题中存在很多很难精确表示的不确定变量和参数。为此, 现有研究已提出很多优化办法来解决这类不确定性[56,117]。其中,两阶段随机规划 引起了大家的很大关注,并被广泛应用于解 决水资源管理问题中违背承诺目的的复合不确定性和经济后果[84,110,118]。TSP能有效地 处置以概率表示的不确定性,并需要对多阶段决策进行剖析,以便采取弥补手段或纠 正行动”109,110】。但现在基于TSP的办法只能处置概率为确定值的状况。在工业园区 水资源管理问题中,水流量概率只能被部分确定[119]。在实质应用中,水流量一般是根 据一段时间内发生的随机事件来估计的。各水资源监测部门有独立的观测站来采集水 流量数据。不同水资源监测部门得到的将来水流量的概率密度函数不同,致使同一水 流量水平下的概率在肯定范围内波动,存在肯定的不确定性。在TSP中引入线性部分 信息理论能解决水流量的双重不确定性,并将不确定 概率表征为区间值[12°,121]。然而,现在基于TSP的研究不可以在解决工业园区水资源管 理问题中的双重不确定性的同时考虑比率优化问题。为了同时解决工业园区水资源管理中的双重不确定性和比率优化问题,本研究提 出区间两阶段随机部分分式规划模型。初次将分式规划与区间两阶段随机部分规划相结合,既解决矛盾目的的比率 优化问题,又剖析水流量不确定概率下的水资源配置状况。从而帮助决策者确定工业 园区水资源管理的最佳方案,深入知道不同概率情景下的水资源配置模式、系统失效 风险和系统收益。以一个具备代表性的工业园区水资源管理软件为例,构建了运用于 工业园区水资源管理的区间两阶段随机部分分式规划模型,16结果证实了 ITSPF模型的适用性。3.2模型构建与求解引入一种特殊的随机部分信息一LPI,将概率分布的不确定性表示为区间,解决了 水流量概率信息的不确定性问题。因此,将区间规划、线性部分信息、区间两阶段规 划和分式规划相结合构建ITSPF模型,在权衡矛盾目的的同时解决水流量概率表征为 区间值的状况。ITSPF模型的通常形式如下:n q nS j+SS Phjj+a士h=1n q nS j+SS Phg >j+0士j=1 h=1 j=1subject to:3.8)式中:xj为第一阶段决策变量;yjh为第二阶段决策变量;aj, cj, dj和aj为第一阶段决策变量系数;ej, gj, %为第二阶段决策变量系数;咗,&±和0为常数;阮为右侧 参数;wjh为第k个约束在不同概率水平下的任意右侧参数[122];不等式(3.4 )和(3.5) 代表非负决策变量。式(3.6)和(3.7)代表部分信息约束,概率分布的不确定性具体为式(3.9) [119]。 第一,概率卩」在常数5和&变化(即:5V ph <£)。除此之外,概率Pj和p,的和等于/(即: p + ph =丫)。以上的信息可表示为[119]:17^ = {P =(P1,…,Pn ) G R st. HP < b,工 Ph = 1; Ph > 0, h = 1,…N} ■h=1式中:H = (hy.)和b = (bj分别为sxN和sxl的固定矩阵。式(3.9)的部分信息约束可N以有效地解决概率的不确定性。当概率p;,...,p*满足HP <b和£ph = 1时,式(3.7) h=1中p* = (p;,...,p:)的任一解为一个极值点[123]。同时,式(3.9)中随机变量X的期望值可 以 表征为 期望区 间 [Emin,Emax] , 且 Emin=min{p*}£nh=1p.x. 和Emax(X) = max{p.}£:= PjXj。因此,ITSPF模型能在约束(3.6)到(3.7)获得不同水流 量水平%下的极值点,并在对应的极值点获得ITSPF模型的区间解。ITSPF 模型可以通过交互式算法将模型分解为上界子模型和下界子模型分别求解。 第一,通过(3.6) -(3.8)获得水流量概率不确定性约束下的极值点,并表征为 Pl* = (p「,…,P;) (1=1,…,r)。对任一极值点pi,模型ITSPF可以转化为区间两阶段 分式规划模型(ITF)进行求解,如下:x . >0, .= 1, 2, …, t, r+1, …, r+l yl. h>0, .= 1, 2, …, t, r+1, …, r+l; h=1, 2, …, q 上述模型可以通过交互式算法转换成两个子模型进行进一步求解[124]。因为决策变量是独立的,x;(或y)和f士上下界的交互性可由zhu[103]提出的算法得出。为了求 得更精确的结果,先求界下界子模型f-[125]:18subject to:r + n _ r + n _S |aj sig 醯)x_ + S |aj sig^ajx+ +S\uj signy!j_ + S |uj signyj <b_ j =1 j =r+1 j=1 j =r+1k =1, 2, …, p; h=1, 2, …, q3.16)r : q r q :£c;x; + £ . +££p:e[yj +£ £ p;.; +力 max fi + = j=i 丿=厂+1 h=i j=i h=i j=^+i r : q r q :£.+£ .+££ ph*g;y++£ £ p:g.jj=1 j=r+1 h=1 j=1 h=1 j=r+1subject to:£ \ak\ sig:x+ + £ I磅I sig:傀)x; +£\uk\ sig:r _ : + r _ : +£|aj\ sig:x; + £ 诗I sig:X +£|uj sig:yj + £ |u;| sig:ylj_ > w_j=1 j=r+1 j=1 j=r+1i=1, 2, …, I; h=1, 2, …, qx+. >0, .=1, 2, …, t x_. >0, . =r+1, …, r+l yl.h+ > 0, .=1, 2, …, t; h=1, 2, …, q yl.h_ > 0, .=r+1, …, r+l; h=1, 2, …, q x+. > x_.opt , .=1, 2, …, r x_. < x+.opt , .=r+1, ... ,: yl.+h > yl.h_opt, .=1, 2, …, r yl.-h < yl.h+opt, .=r+1, ... ,: 上述的交互性子模型可以通过Charnes and Cooper[113啲算法求解得到。随后,重复 式-的求解过程,获得不同极值点下的 ITSPF 模型的可行解。获得目 标函数值的范围为 f±= fp, fOp, ..., fop ),最后解为 ft = [minc/opt), max] o ITSPF 模型的构建及求解框架如图 3-1 所示。20离散区间< 丿 线性部分信息& '概率分布 比率问题丄 丁z" 、区间线性规划 '两阶段随机部' 分规划> r \分式规划Z 区间两阶段部分分式规划ITSPF极值点子模型 | 子模型交互性约束 工下界子模型解 1 上界子模型解不同极值点的解ITSPF模型最佳解图3-1 TTSPF模型框架Fig.3-1 The framework of ITSPF model3.3案例应用3.3.1 有关参数由 2.1 可知,园区内主要考虑电力、电子通信、机械、食品、饮料和制药厂这六大 用水工厂。考虑园区供水源主要有地表水和地下水,并以不一样的水量和运行本钱提供 给每一个工厂。再生水可以满足低水质需水工艺,工厂废水经过容易处置后可自行回用, 降低对高质水的消耗。因此,再生水可以作为园区的补充水用以满足低水质工艺用。 但受限于生产安全及公众同意程度,制药厂不考虑再生水的用法;其余用水厂水源主 要有地下水、地表水和再生水。本研究借助区间参数来表征与需水量、供水本钱、污水处置和再生水提供能力、 水资源可用性等很多约束原因有关的不确定性。表3-1列出了 6家工厂在不同水源下 的目的需水量。表3-2给出了工业园区内各用水厂的经济和运行参数。 ITSPF-IPWRM 将在水流量概率变化区间获得的不同极值点情景,求得目的函数的下界和上界值(表213-3)[119,120]。表 3-1 不同水源对各厂的配水目的 Table.3-1 Water allocation targets for each plant from pfferent water source 规 发电厂 电子通信 工厂 饮料厂 制药厂划期 水源 机械 食品厂 k=1 地表水 [2680,3580] [1670,2540] [1768,2458] [1330,1870] [1145,1921] [1453,2363]地下水 [840,1730] [865,1215] [320,525] [1150,2010] [1370,2230] [550,1200]k=2 地表水 [3350,4260] [2447,3137] [2063,2793] [2350,3040] [2619,3449] [2116,3096]地下水 [910,1820] [730,1130] [280,610] [1359,2289] [1860,2790] [720,1570]k=3 地表水 [4670,5700] [3136,4046] [2936,3816] [3319,4089] [3015,3995] [3119,3989]地下水 [1070,2050] [910,1510] [540,940] [1623,2273] [2030,2680] [940,1290]表 3-2 模型中的经济和运行参数Table.3-2 Economic and operational parameters used in the optimization model规划期 发电厂 电子通信 机械 食品厂 饮料厂 制药厂满足水需要时的净效益 k=1 [335,390] [285,340] [275,330] [265,320] [250,305] [225,280]k=2 [380,435] [310,365] [300,355] [280,335] [270,325] [255,310]k=3 [435,490] [350,405] [330,385] [310,365] [300,355] [285,340]用水需要得不到满足时的惩罚本钱 k=1 [430,485] [395,450] [375,430] [370,425] [345,400] [340,395]k=2 [475,530] [405,460] [390,445] [385,440] [360,415] [355,410]k=3 [530,585] [445,500] [420,475] [400,455] [385,440] [370,425]表 3-3 部分概率分布Table.3-3 Description of partial probability pstribution情景 1 情景2 情景3 情景 4低 0.1 0.1 0.2 0.2中 0.7 0.6 0.6 0.5高 0.2 0.3 0.2 0.3223.3.2 模型打造在 ITSPF-IPWRM 模型中,目的是最大限度地提升单方水用的经济效益。除此之外, 约束为概率的不确定性约束。ITSPF-IPWRM模型的系统净效益及运行本钱可描 述为:系统净效益式中:i表示不同供水水源种类,即地表水、地下水;j表示不同用水企业;k表示 不同时间规划期;h表示不同水流量概率水平;NBj是用水企业j在时间k时的单位 用水净效益; Tjk为在时间k时,水源i给用水企业j的固定配水目的;IRW;为在时间k时,再生水给用水企业j的配水目的; CTj为水源i未满足用水企业j的需水量而产生的单位缺水惩罚本钱 ; Djh表示水源i在不同极值点Pl*的不同水流量水平ph*下的可用水量为 q;h时,水源i向用水企业j配水时未满足最佳目的配水量Tjk的缺水量。供水本钱I J K H疔=££££t _ 嗚 x ph*) Eli =1 j =1 k=1 h=1式中:WSCjk为水源i对企业j在时间k的单位供水本钱。再生水供水本钱JKf3 =££jk式中:CRINj为企业j在时间k的再生水单位供水本钱。污水处置本钱I J K Hft =££££皿 + IRWjk _pl; x%h)xCWWTjki j k h式中:CWWTfk为企业j在时间_的单位污水处置本钱(yuan/m3); 为企业j在时间 k 的单位污水排放系数。因此, ITSPF-IPWRM 模型的目的函数值为:严系统净收益max j总耗水量= —f2士- f3士- fI J K HSSSS+ iRwf_ _ ji 1 j 1k 1h 1式(3.40)到(3.48)为 ITSPF-IPWRM 模型的约束:a) 供水约束分配给不同企业的总水量应低于各水源的供水能力:Jqih nS(t;__Djh) vj _,hj 1式中:q;h为水源i在流量水平h的可供水量(m3/day)。b) 不同用水企业的用水需要约束供水厂的总供水量应大于企业最低用水量:S T _ Djh) + IRWj n INDWjk V j, k, hi 1式中:INDWj_为用水企业j在时间k的用水需要(m3/day)。c) 污水处置约束IJSSTk _Djh + IRWj)洱k < swt_ vj, k, h ij式中:SWTk为时间k时污水处置能力(m3/day)。d) 水网供水能力配水量应低于水网的最大供水能力:IJSST _Djh) < twc_ Vj, k, hij式中:TWC:为自来水厂在时间k时的容量(m3/day )。3.39)3.40)3.41)3.42)3.43)e) 再生水约束因为回用技术和水质的限制,各用水企业处置后的废水只能自行回用。各用水企24业的回用水应高于再生水目的配给量并低于再生设施的最大处置能力:IRWj s [£ T _ Dk) + IRW]k ] x8j < IRWTjk V j, k, h i=1式中:IRWTj是用水企业j在时间k时的再生水处置容量;0:是用水企业j在时间k 时的废水循环率。f) 水流量概率部分信息约束 为解决实质园区水资源系统规划中水流量概率不确定性的影响,引入线性部分信[119]: 息理论,将水流量概率不确定性表征为区间值进行求解,概率分布的不确定性如下 :% = {P : G RN st. HP < b, £ Ph = 1; Ph > 0, h = 1,…H} h=1式中:P : e Rn为有限样本空间兀的概率分布,Rn为N维实数集;H = 和b = 固定矩阵,s为随机变量个数,则水流量水平概 率的不确定性约束为:£H pl* =1 h=1 hHP<b g) 技术约束 Tmaxi jk > Tij k > Dilj kh>0 V i,j, k, h 式中:Tmax|k为水源i对企业j在时间k的最大可供水量。3.4结果剖析与讨论3.4.1 结果剖析图3-2至3-4表明各水源在不同情景下水流量水平从低到高变化时的配水及缺水状况。当低流量水平的概率相等时,配水量会伴随高流量水平概率的升高而升高,这是因为高流量水平的概率升高时,系统或有更多的水资源配给每个企业,因此配水量升高。如在 S2 的第二时期,当水流量水平从低到高变化时地表水配水量分别为[2.81,3.84]x103 m3/day,[11.27, 14.95]x103 m3/day 及 14.95x103 m3/day 。与 S2 相比, S1 地表水配水量分别少[43.20, 51.00]%, [0, 4.80]%及[68.40, 70.00]%。除此之外,25与S1同一流量水平各时期相比,系统在S2下的缺水量要低(图3-3)。比如,S2在 低流量水平1、二和三时期下的缺水量分别要比 S1 低[9.70, 17.50]%, [10.60, 13.00]% 及[0.70, 4.90]%。因此伴随高流量水平的概率越高,系统配水量越大,缺水量越少。 在有充足的水源条件下,园区为满足生产水平会更倾向于高质水的用法,再生水的使 用量将减少。如图 3-4,在1、第二和第三时期下 S1 的再生水回用量分别为[7.80, 8.89]x103m3/day,[19.04,20.03]x103 m3/day 和[24.18, 24.72]x103 m3/day,S2 再生水 回用量分别为[6.39, 7.14]x103 m3/day,[17.48,18.83]x103 m3/day 和[21.60, 22.87]x103 m3/day。 S3 与 S2 相比,因为低流量水平的概率更高, S3 的缺水风险更高,可供水量 低于S2。如S3在第一时期的低、中、高流量水平下的地表水缺水量分别比S2高[5.13, 9.22]%, [25.00, 40.00]%和[77.33, 85.72]%。系统缺水风险增大时,企业将提升再生 水回用量来满足自己生产需要。因此S3在各时期的再生水量为[8.03, &91]x103 m3/day, [19.96,20.36]x103 m3/day 和[24.18, 24.87]x103 m3/day,高于 S1 和 S2。最后,因为高 流量水平的概率从0.2升高到0.3, S4的地表水配水量要高于S3,其再生水回用量低 于S3。除此之外,地下水总体供水量低于地表水。如S2在时期2时,地下水在水流量水 平从低到高变化时的配水量分别比地表水低[25.50,43.70]%,[60.80,62.70]%及60.80%。 因此,地表水是园区的主要供水源。地下水在不同情景下的配水趋势与地表水类似。 如在 S2 的第一时期,当水流量水平从低到高变化时地下水配水量比 S1 分别高[26.68, 29.12]%, [1.96, 2.38]%和[39.89, 67.81]%;缺水量比 S1 分别低[29.62, 29.36]%, [0, 68.18]%和[58.62, 63.24]%。综上,在低流量水平的概率相等时,伴随高流量水平的概 率增加,系统可供水量增加,园区为满足生产水平会更倾向于高质水的用法,地表水 与地下水的配水量升高,再生水回用量降低。而当低流量水平的概率升高时,系统缺 水风险增大,园区将提升再生水回用量来满足自己生产需要。地表水是该系统的主要 供给水源,第二为地下水。在缺水条件下,再生水可以代替高质水作为园区企业部分 工艺中的低水质需要,减少园区企业因为高缺水量而致使的效益减少,从而减少对高 质水的依靠,有益于园区供水的稳定性和可持续性。26S1 -下界S2-下界 1 S3-下界S4-下界▲ S1-上界 » S2-上界 ® S3-上界 v S4-上界图 3-2 各水源在不同情景的最佳配水策略图 3-3 各情景在不同时期的缺水量Fig.3-3 The amount of water shortage in each scenario over periods2725-20-15-10-5-0- k=1 k=2 k=3 k=1 k=2 k=3 k=1 k=2 k=3 k=1 k=2 k=3S1 S2 S3 S4图 3-4 各情景在不同时期的再生水量Fig.3-4 The amount of regeneration water in each scenario over periods由于每个水流量概率情景下企业用水规律相似,为说明各企业在不同时期的配水 量及缺水量比较,以 S1 情景的低流量水平为例详细说明。图 3-5 呈现了 S1 情景的低 流量水平下企业在不同时期的配水量及缺水量变化。在 S1 中地表水作为供水源时,同水 流量水平下各企业的缺水量伴随时期的变化而渐渐增加。如在低流量水平下,发电厂 在第一时期的缺水量为[2.49, 3.30]x103m3/day,比2、三时期分别低[1.50, 9.80]% 和[26.90, 29.40]%,配水量分别为[0, 0.81]x103 m3/day, [0, 0.59]x103 m3/day 和[0, 1.26]"03m3/day。这是因为可供水量没办法满足发电厂日益增长的需水量,致使缺水量 渐渐升高。除此之外,发电厂与其他企业相比,缺水量最高。如电子通讯、机械厂及药厂 在低流量水平第一时期下的缺水量分别为1.70x103 m3/day, 1.80x103 m3/day 及[16.31, 66.31] m3/dayo而食品厂和饮料厂的缺水量最低,配水量达到了目的配水量的上界值, 分别为1.33x103 m3/day和1.75x103 m3/day。这是因为食品厂是该园区第二大需水量企 业,而饮料厂为第三大需水量企业,与园区最大需水量企业发电厂相比,食品和饮料 的污水排放量低,对环境影响小,故优先满足食品与饮料厂的水需要。当企业面临缺 水风险时,将借助再生水代替高质水(地表水、地下水)满足园区企业部分工艺中的 低水质需要。S1情景下各企业的再生水量变化状况如图3-5所示。企业再生水量在第 1、二和三时期渐渐升高。如在1、二和三时期发电厂的再生水量分别为[4.08,284.65]x103 m3/day, 4.88x103 m3/day 和 5.28x103 m3/day,2、三时期分别比第一时期 增加了[5.10,19.58]%和[13.71,29.37]%。相比于其他企业,发电厂的再生水量最高。如在 S1 第一时期,发电厂、电子通讯、机械、食品和饮料厂再生水量分别为[4.08,4.65]x103 m3/day, [1.04, 1.36]x103 m3/day, [0.91, 1.03]x103 m3/day, 1.76x103 m3/day 利0, 0.09]x103m3/day。综上,因为可供水量没办法满足企业日益增长的需水量,同水 流量水平下各企业的缺水量伴随时期的变化而渐渐增加,企业为满足生产,通过提升 再生水的用量代替高质水(地表水、地下水)满足园区企业部分工艺中的低水质需要。图 3-5 各厂在 S1 情景低流量水平下的水量Fig.3-5 The amount of water for the six water user plants under low water inflow level in S1 during theplanning horizon图 3-6 和图 3-7 分别呈现了系统追索本钱及净收益的上下界值。大体上,发电厂在 不同时期不同水流量水平的净收益最高。如在 S1 的第一时期,发电厂的净收益为[4.10, 5.20]X106元,而电子通讯、机械及药厂的净收益为[1.30, 1.80], [1.10, 1.30]和[0.45, 0.56]X106元。同时,企业的净收益伴随时期的变化渐渐增加。比如,发电厂在S2 各时期净收益分别为[4.10, 5.20] X106, [4.70, 5.80] X106和[7.10, 8.00] X106 元。 除此之外,企业获得的收益越高,其缺水惩罚越高。发电厂、电子通讯、机械及药厂在 S1 的第一时期的追索本钱分别为[4.30, 6.00] X105, [3.00, 3.40] X105, [2.40, 3.70] X10529和[0.18, 2.70]X104元。这样来看,发电厂的需水量应第一得到保证,由于在满足其 用水需要时提供的效益最高(NB立);而假如不出货承诺的水,将遭到最高的惩罚。相比之下,制药厂的收益和缺水惩罚则相对较低。因此,在供水不足的状况下,第一 应降低制药厂的配水。30252015101015图 3-6 各厂在不同时期下的系统追索本钱Fig.3-6 Recourse cosplayt for each factory during the three planning periods总之,上述结果给出了不同情景下的不同配水策略,也获得了不同情景下的单方 水效益(图 3-8) °S1, S2, S3 和 S4 的单方水效益分别为[98.10, 126.80], [98.10, 124.10], [95.00,122.20]和[95.70,120.60]。可知伴随情景变化目的函数值渐渐减少,这是因为 S1到S4的低流量水平的概率从0.1渐渐升高到0.2,而中流量水平的概率从0.7渐渐 减少到 0.5 致使的结果。综上所述,单方水效益的最后优化值为[95.00,126.80]。它表 示单方水效益在规划时期内的取值变化范围。区间解可以帮助管理者获得多种决策方 案,并为进一步剖析系统利益与系统问题风险之间的权衡提供依据。取目的函数的上 界,系统会获得更高的收益但系统失效风险也变高。相反,守旧的政策或许会致使水 资源的浪费。因为这四种情景下得到的决策变量在各自的区间内变化,因此目的函数 在最后优化的区间内也会相应波动。因此,在实质应用时,可以参考规划条件,在求 解区间内调整不一样的水资源分配模式,从而产生决策策略。ITSPF-S1ITSPF-S2ITSPF-S3ITSPF-S4 ITFP ITSPP-S1ITSPP-S2ITSPP-S3ITSPP-S4 ITP图3-8 ITSPF, ITFP, ITSPP和ITP模型的单方水效益Fig.3-8 The economic efficiency of water use for ITSPF, ITFP, ITSPP and ITP model3.4.2 讨论在本研究中,ITSPF-IPWRM办法可以获得工业园区系统效益与水资源配置之间的最佳比率。区间解反映了输入参数不确定性时的动态配水模式。为验证 ITSPF 模型的有效性和靠谱性,引入多个模型进行比较。依据仅考虑单目的或不考虑水流量概率不确定性,分别构建区间两阶段分式规划模型(ITFP)、区间两阶段部分信息规划模型31和区间两阶段规划模型,与提出的区间两阶段部分分式规划模型 进行单方水效益、系统收益和供水量比较。ITFP可以处置区间不确定性,但不可以处置 水流量概率为不确定时的状况,只能将水流量概率取确定值来处置。因此,通过引入 中值来表示区间概率,打造知道决工业园区水资源管理问题的ITFP模型。除此之外,当决 策者倾向于获得最大化系统效益时,ITSPF模型将转化为ITSPPo同时还引入具备确定 性概率分布的区间两阶段规划问题进行比较。因此,打造了起来自于ITSPF模型 的三种优化模型,且不同优化模型的最佳值如图3-9和图3-10所示。表 3-4 优化模型与 ITSPF 模型比较Table.3-4 Optimization models for comparing with ITSPF model模型 目的 约束ITFP 确定性概率分布下最大化单方水效益 ITSPP 部分概率分布下最大化系统经济效益 与 ITSPF 相同ITP 确定性概率分布下最大化系统经济效益 1 1° ITSPF-S1 ITSPF-S2 ITSPF-S3 ITSPF-S4 ITFP ITSPP-S1 ITSPP-S2 ITSPP-S3 ITSPP-S4 ITPFig.3-9模型ITSPF,ITFP,ITSPP和ITP的系统净效益状况Fig.3-9 Net benefit formulate by ITSPF, ITFP, ITSPP and ITP model32° ITSPF-S1 ITSPF-S2 ITSPF-S3 ITSPF-S4 ITFP ITSPP-S1 ITSPP-S2 ITSPP-S3 ITSPP-S4 ITPFig.3-10模型ITSPF,ITFP,ITSPP和ITP的系统供水状况Fig.3-10 Water supply formulate by ITSPF, ITFP, ITSPP and ITP model从图3-9所示的系统经济效益来看,ITSPF解为[3.66, 5.41存107元ITFP模型解 为[3.81, 5,19]x107元。当考虑水流量概率的不确定性时,ITSPP的系统经济效益范围 为[5.21, 7.18]x107元。且ITP的系统经济效益为[5.25, 7.18存107元。可以看出,不 考虑部分概率分布的值(即ITFP和ITP模型)分别明显坐落于ITSPF和ITSPP内。至于 供水,在S1中(如图3-10) , ITSPF的供水量为[3.85, 4.17存105 m3/day。伴随高流量 水平的概率由0.2上升到0.3,供水量将增加到[3.97, 4.36]x105 m3/dayo而当低流量水 平概率变高时,供水量将降低到[3.88, 4.06]x105 m3/dayo S4情景的供水量为[3.83, 4.18]x105 m3/dayo因此,最后的ITSPF模型供水量变化范围为[3.83, 4.36存105 m3/day。 对于ITFP模型,最后的供水量为[3.97, 4.25]x105m3/day,这明显坐落于ITSPF模型供水 量变化范围内。除此之外,ITSPP模型在S1、S2、S3和S4的最好配水量分别为[5.71,6.26存105 m3/day、[5.71, 6.26存105 m3/day、[5.75, 6.28]x105 m3/day 和[5.75, 6.28存105 m3/day° 可以看出,在ITSPP的低流量水平概率相同的情景中,水量分配是相同的。因此,ITSPF 结果可以提供比ITSPP更大的可调范围,从而ITSPF可以在不丢失可能的解集的状况 下,为在各种系统条件下获得让人认可的策略提供更实质的可能性。如图3-9所示,ITFP模型的单方水效益为[96.10, 122.10]o虽然ITFP模型可以在 水流量概率取确定值时获得可行的区间解,但当随机部分信息在区间内变化时, ITFP33 模型会忽视很多其他可行策略,并且当参数和决策变量在其区间内波动时, ITFP 模型 没办法获得目的函数的最后波动区间。对于ITSPP模型,S1、S2、S3、S4的目的函数值 分别为[91.22, 114.74]、 [91.48, 114.74]、 [91.17, 114.24]和[91.27, 114.24]。因此,目 标函数的最后优化值为[91.17, 114.00]。ITP模型的最佳值为[91.25, 114.24]。虽然单 目的系统具备较高的经济效益,但耗水量较大,系统效率较低(如图3-10) o比如ITSPP 和 ITP 的系统经济效益分别比 ITSPF 高[32.56, 42.13]%和[32.55, 43.26]%。但其单方 水效益分别比 ITSPF 低[4.03, 9.51]%和[3.95, 9.90]%。相比之下, ITSPF 模型通过生成相应极值点下的区间解,可以有效地求解不确定 概率。不确定的本钱系数、资源可用性和约束参数完全可以在ITSPF中解决。将ITSPF 模型转化为ITFP模型,可以得到每一个极值点下的决策区间。一方面,ITSPF通过处置 以区间表示的水流量概率分布,提升了传统的FP办法,并同时防止了数据输入过程中 不确定信息的丢失。同时,ITSPF算法可以获得响应不确定输入的很多决策策略 的区间集,并可获得更宽的可调范围,为在多个系统条件下获得认可的决策策略提供 了很多现实的可能性。其次,ITSPF优于现有些工业用水优化办法,既能反映用 水的经济效益,又能应付系统中存在的各种不确定性。ITSPF办法能同时处置区间数、 概率分布和线性部分信息等复合不确定性的复杂状况。然而,ITSPF办法不可以处置实 际环境管理问题中的模糊不确定性、机会约束规划等很多复杂的不确定性。除此之外,ITSPF 办法也不可以解决通常随机部分信息中存在的其他种类的随机信息。因此,将来的研究 可以改进所提出的ITSPF办法,以反映更多的不确定性,如引入模糊规划、机会约束 规划、鲁棒规划等。除此之外,所提出的ITSPF办法不只适用于工业园区水资源规划,也 适用于解决其他种类的资源管理问题。3.5本章小结解决工业园区水资源管理问题内在不确定性的同时权衡系统冲突目的,是一个复 杂的难点。本文为了同时解决工业园区水资源管理中的双重不确定性和比率优化问题, 打造了一种区间两阶段随机部分分式规划办法。本研究的贡献可总结为:第一, ITSPF 模型可以有效地解决水资源管理中双重不确定性和比值问题,将ITSPP模型与FP模型 相结合,改进了传统的水资源管理优化办法,并同时解决水流量概率的区间不确定性。 除此之外,FP定义初次应用于工业园区水资源管理,通过考虑单方水用效益,反映系统34 各原因之间复杂的交互用途,达成了对立目的的平衡。最后,它促进了在多水源、多 周期和多重不确定的水流量水平下的动态水资源分配决策。将ITSPF模型转化为两个 子模型,反映了各种情景下复杂不确定性与决策过程之间的动态性和相互用途。当承 诺的水分配目的被违反时,所打造的ITSPF模型可以帮助决策者深入知道不一样的水流 流入情景,并做出科学决策。将 ITSPF 办法应用于工业园区水资源管理,结果表明, ITSPF-IPWRM 模型可以帮 助确定复合复杂性下的理想水资源分配策略。第一,在低流量水平出现的概率相等的 首要条件下,伴随高流量水平的概率增大,更多的优质水会分配给园区,再生水用量降 低。当低流量水平的概率增大,系统缺水的风险也愈加大,需要增加再生水的用法 以满足用水厂的需要。第二,当企业的需水量愈加大时,会增加再生水的用法量, 这是由于再生水的配水本钱较低。第三,应第一满足效益最高的企业用水,这是因为 当效益最高的企业发生缺水时,它将得到最高的惩罚本钱。通过打造仅考虑最低配水 本钱的模型和不考虑水流量概率不确定性的模型,与打造的ITSPF模型进行单方水效 益、系统收益和供水量的比较。一方面,当随机部分信息、运行参数和决策变量在一 定范围内波动时,ITSPF模型能产生可行的策略。其次,ITSPF模型可以消耗更少 的水,呈现更高的单方水效益。除此之外,在将来的工业园区水资源优化研究中可以考虑 更多的不确定性,如模糊不确定性等。ITSPF也可以应用于其他资源管理问题,有助 于对不同数目级目的进行比较剖析。35第四章 不确定条件下基于阶梯碳买卖的园区电力系统优化4.1引言中国是世界上最大的能源消费国,其中工业能源消耗量占全国能源消费总量的 60%以上,工业园区碳排放量占全国总量的31%[25,69,82]。工业园区已成为“2030碳达峰、 2060碳中和”目的下的要紧载体[64,68]。传统能源发电是致使工业园区高碳排放的主要因 素,可再生能源被觉得是替代传统化石燃料的最好选择。提升可再生能源产电效率能 减少园区碳排放,改变能源系统对电力需要的响应能力,促进多种能源的耦合与互补[69]o 除此之外,在工业园区电力系统中存在多种不确定性,如电价波动、电力需要预测误差、 政策变化等[126,127]o在优化过程中忽视不确定性原因对工业园区电力系统的影响,将导 致优化调度结果与实质状况不符,减少模型的应用价值。因此,需要综合考虑园区电 力系统中多重不确定性原因的影响,打造高效的园区电力系统中长期低碳进步优化模 型,促进园区电力系统绿色低碳转型和可持续进步[85]o针对电力系统的不确定性,已有研究提出了多种不确定性优化模型,包含随机规 划、模糊规划、区间规划和混合不确定性优化模型等[128-130]o 如, Lin[75]引入区间值来 表示电力需要的不确定性。Huang[76]结合决策树和蒙特卡洛仿真确定电力需要,打造了 考虑电力需要不确定性影响的多地区电力系统优化模型。以往用于电力系统规划的研 究总是忽视了电力需要双重不确定性的影响,不可以真实客观的反映电力需要不确定性 对园区电力系统规划的影响。在实质的工业园区电力系统规划中,园区电力需要是根 据某一时间段内发生的随机事件来估计的,具备肯定的随机性[131]。两阶段随机规划模 型的第一阶段决策能在随机事件发生前做出,并在 随机事件发生之后做出第二阶段决策来降低系统损失。因此,能有效地平衡系统收益 和能源资源短缺风险,避免能源资源短缺导致电力的不稳定供给[84,109,110,132-134]。在能 源价格发生波动时,企业依据自己进步水平,对电量的需要也会发生变化。当电力部 门对用户电力需要进行预测时,将得到电力需要的不同概率密度函数,即同一电力需 求水平对应的概率具备不确定性。然而,以往用于电力系统规划的两阶段随机规划方 法仅能处置电力需要水平概率为确定值的状况,不可以反映电力需要水平概率的不确定36性。而线性部分信息理论可以将概率的不确定性表征 为区间值,允许概率在肯定范围内波动,且被广泛用于解决水资源管理问题[119,121,135]。 因此,本研究在两阶段随机部分规划模型中引入线性部分信息理论,以解决工业园区 电力系统中电力需要的双重不确定性。除此之外,因为可再生能源可变性高、转换效率低等特点,电力输出也存在着不确定 性[69]。其中,风能和太阳能的波动性和间歇性会引起电力输出的模糊性,为电力负荷 的预测和电力调度计划的拟定带来巨大的挑战。使用带有不同置信度的模糊集表征风 能、太阳能预测的不确定性,且考虑预测过程中的预测误差,能进一步降低不确定性。 如艾欣[74]在机组组合问题中考虑了风电模糊置信水平,并将风电的模糊性体现为预测 误差的模糊性。Jiang[136]使用模糊机会约束规划办法,通过梯形模糊变量的隶属度函数 来描述风电光伏预测出力的不确定性。刘文学[137]提出多目的模糊机会约束电网无功优 化,用于适应电源出力的间歇性和负荷的不确定性。在模型中引入模糊可信度约束规 划,能够帮助定量评价调度过程中经济目的 与系统电力短缺风险间的权衡关系,也能为决策者提供不同置信水平下的折衷策略, 减少可再生能源不确定性对电力系统优化调度的负面影响。为控制电力系统规划中的碳排放量,在模型中引入碳买卖机制,在兼顾园区电力 系统运行经济性的同时减少园区电力系统的碳排放[64,138-140]。传统的碳买卖机制总是以 固定价格进行碳买卖。阶梯式碳买卖机制将碳排放划分为多个区间。系统碳排放量越 大,相应区间内碳排放权的购买价格越高,碳排放权支付的本钱越高。因为碳减排效 果较好,阶梯型碳买卖机制近年来遭到了较多的关注。如:陈志[85]基于阶梯碳买卖机 制提出了园区综合能源系统多阶段规划,充分探讨了阶梯碳买卖机制和综合能源系统 优化间的耦合影响。唐巍等[64,140]对不同碳买卖机制下的电力系统进行了比较,发现考 虑阶梯式碳买卖的碳排放量低于传统碳买卖机制。邱彬[141]提出了同时考虑需要响应和 阶梯型碳买卖机制的多能耦合综合能源系统优化调度模型,探究了不同运行方法对电 力调度的影响。但以往基于阶梯碳买卖机制的电力系统研究忽视了多重不确定性影响, 减少了模型应付将来多变环境的实用性和稳定性。为解决上述问题,本文提出了基于阶梯碳买卖机制的园区电力系统区间两阶段部 分模糊规戈U 模型 o LCT-ITPFP模型耦合了区间两阶段随机规划、线性部分信 息理论、模糊可信度约束规划和阶梯碳买卖机制,能在处置电力需要区间概率、可再 生能源模糊负荷等多重不确定信息的同时降低系统碳排放量。然后,将模型应用于园 区电力系统优化,得到不同置信水平和电力需要水平情景的用电规划策略,及各策略 下的碳排放和系统本钱。最后,通过不同优化模型的比较,LCT-ITPFP模型提供的规 划策略输出能减少&2%至21.4%的碳排放量,且可避免不确定性带来的决策失效风险。4.2模型构建与求解4.2.1 区间两阶段部分模糊规划模型构建在两阶段随机规划中引入部分信息理论可以有效地处置电力需要区间概率、可再 生能源模糊负荷等多重不确定性原因对园区电力系统的影响。ITPFP模型的通式如下: min X士 pQT 厂 m)h=1subject to:Cr {A;X± < B;±(1 + ,)}汐;,r e M,M = 1,2,...,m1 (4.2)AfX± + 4土Y± >w^,/ eM;M = 1,2,...,m2;h = 1,2,...,H (4.3)XT >0,x; eX, j = 1,2,...,n (4.4)yjh >0,y;h eY士, j = 1,2,...,n;h = 1,2,...,s (4.5)q£ ph = 1 (4.6)h=1 HP<b (4.7)ph > 0 (4.8)式中:7为水源,丿为用户,h为随机事件发生的情景;ctX为第一阶段本钱或收益;HHPh是概率水平,且£ ph = 1,£ PhDTY是第二阶段系统惩罚的期望值;Cr {•}表示事h=1 h=1件{•}的可信度;是预测值;&是预测的百分比误差;廿是置信水平;W;是随机变38量的离散值;X;和#;分别代表第一阶段决策变量和第二阶段决策变量;式和为系统非负约束。4.2.2 区间两阶段部分模糊规划模型求解式和代表部分信息约束。概率分布的不确定性具体为式 [22]。 第一,概率卩」在常数5和&变化。除此之外,概率Pj和Pl的和等于/。以上的信息可表示为[21]:N71 = {P = G RN s.t. HP < b,工ph =1; ph > 0, h = 1,…N\ h 1式中:H = 和b = 的部分信息约束可N以有效地解决概率的不确定性。当概率p;,...,p*满足HP < b和£Ph =1时,式h 1中p* = 的任一解为一个极值点[31]。同时,式中随机变量X的期 望值可以表征为期望区间[EmJX), Emax],且Emin=皿叫州工:=p&和 Emax = maX{叭工IPjXj o因此,ITPFP模型能在约束到获得不同电力 需要水平%下的极值点,并在对应的极值点获得ITPFP模型的区间解。模糊可信度约束规划借助模糊集有效地反映约束的认可度。模糊可信度约束规划 的通式如下:min / subject to:{胡1 ]£gr< 0, r = 1,2,...,碍:>& X>0 式中:X为决策变量;f为模糊变量;&为模糊置信水平;约束表示满足 gr < 0的可信度不小于2”。39式(4.10)可以通过可能性测度(式(4.13))和必要性测度(式(4.14))求解, 如下:Pos {f < r} = sup “u<rNec{f< r}=1_Pos{f< r}=1_sup“(u) (4.14)u<r式中诂是隶属度为“的模糊变量;Pos和Nec分别代表可能性测度和必要性测度;可信度Cr {•}是可能性测度和必要性测度的平均值,计算式如下:Cr {§ < r} = ~(Pos {§ < r } + Nec {§ < r })在每小时的风能和太阳能发电量预测中,预测值总是存在误差,由式(4.16)求解:Pw _ Pw'P” % = w , w x100%w P 'w式中:P为预测误差,P为实质输出功率,p为预测输出功率。为了反映误差的准确w w w性,引入柯西分布表征预测误差的隶属度函数,如下:为hj (x) > K坷,J表达式如下:[sup{k | K = “「1} 2< 1/2 KA =\j [inf {K | K = “「1)} 2> 1/2因此,对于式,置信水平通常大于0.5,基于式,对于任意]> 2 > o 5 , 式等价为:"J—B± > J = inf{K|K = “)} 2 > 1/2 r结合式,推导得:‘念 X±< B; < 22,-1K2 =| Ew I ——j 2 1 w-刑 2幻ITPFP模型可以通过交互式算法将模型分解为上界子模型和下界子模型分别求解。 第一,通过式 -获得电力需要水平不确定性约束下的极值点,并表征为Pl* = 。对任一极值点pi,模型ITPFP可以转化为区间两阶段 模糊规划模型进行求解,如下:min 严=硏 X±+£ pDYl ; 1 h=1 2subject to:Cr {"r; X ; < Br'; } > 2r; , r G M , M =1,2,...,m1 "i;X;+"i;'Yl;>wi;h,iGM;M =1,2,...,m2;h=1,2,...,H X;j > 0, X;j GX;, j=1,2,...,:1 yljh; > 0, ylj;h GYl; , j=1,2,...,:2;h=1,2,...,s 基于模糊可信度约束规划求解办法 - )及Huang提出的交互 式算法[15],上述模型分为上界子模型和下界子模型求解,因为需要系统本钱最小值, 故应先求解下界子模型广,如下:41k1 H k2 n2min fl _=E c j=1 h=1 j=1 j=k2 +1 subject to:£\a>^\ sign, Vr k? + k? + ”2 _£ \a,^\ sign + £ \ay\ sign yl-h > ”j=1 j=1 j=k2+1 Vi, hx_ + “AXj >0, j = 1,2,...,k yj_ >0, j=i,2,..., n yjj+h >0, j=k2+1,k2+2,...,n2 式中:“,ylj_和y;;是决策变量;ylj_, j = 1,2,...,k2和h = 1,2,…,s为目的函数系数为 正值时的随机变量;yj , j = k2 +1, k2 + 2, ..., n2和h = 1,2,...,s为目的函数系数为负值 时的随机变量。下界子模型可以求得 jt ,,爲为优化得到的第一阶段决策变量的解。将得到的 下界子模型结果代入上界子模型可得:k1 H k 2 n2min fl+=£ ©j+£ p_*j=1 h=1 j=1 j=k2 +1 subject to:£ ”j sig呱aj j < b: + b; |Ew_| 2b k 2 k 2 n2 +£ aj sign yj_ > ”, Vi, hj=1 j=1 j=k2 +1 yjjh+ > yjj hopt, j =1,2,...,k2, Vh yjjh+opt >yjjh , j=k2+1,k2+2,...,n2, Vh 42上述子模型可以获得 jpt 。因此,模 型某一极值点下的结果为: fo1p;t=[fj1o-pt,fj1o+pt], 各极值点的结果可以表示为 f=,依据Kofler[21],模型最后结果为=[丹山耳严]。 在 ITPFP 模型中引入阶梯碳买卖机制,能在兼顾园区电力系统运行经济性的同时减少 园区电力系统的碳排放,LCT-ITPFP模型的构建和求解过程如图4-1。基于阶梯碳买卖机制的园区电力系统区间两阶段部分模糊规划模型图 4-1 LCT-ITPFP 模型构建Fig.4-1 The construction of LCT-ITPFP model4.3实例应用4.3.1 数据采集与处置表4-1 为式求得的概率分布情景,图4-2为满足线性部分信息理论约束的 三维图形。表明3 种电力需要水平的概率在其区间内波动时,只有四个极值点可以满 足由需要水平概率分布区间的约束产生的线性方程组,即为图4-2中的极值点A、B、 C和D;且将极值点A、B、C和D分别表示为概率分布情景P1、P2、P3和P4。43表 4-1 部分信息分布Table.4-1 Description of partial probability pstribution电力需要水平 P1 P2 P3 P4低 0.1 0.1 0.2 0.2中 0.7 0.6 0.6 0.5高 0.2 0.3 0.2 0.3图 4-2 电力需要水平的部分信息分布 [34]Fig.4-1 Partial probability pstribution of electricity demand level[34]碳排放参数如表4-2所示,当发电容量难以满足用户需要时,可从主电网输入电 力,以弥补园区电网提供不足。但外购电力的碳排放量高于燃煤与燃气发电技术,能 减少园区电力系统对外购电力的依靠。表4-3呈现了不同电力需要水平下的电力负荷 需要。在午间和晚上这两个时段呈现较高的电力需要量, 为用电高峰期。表4-4呈现了各发电技术在不同时期的电价。在不同用电时段,各发 电技术的用电价格不同,如煤炭在1:00-8:00的用电价为[0.22,0.55]x103yuan/PJ,在 9:00-10:00的用电价为[0.46,0.79]x103 yuan/PJ,在11:00-14:00用电峰期的用电价为 [1.16,1.49] x103yuan/PJ。44表 4-2 碳排放参数Table.4-2 Parameters of carbon emissions参数 参数值单位电量的免费碳排放额 煤炭发电 0.367(t/GWh) 燃气发电 0.302单位外购电量的免费碳排放额 0.728(t/GWh) 单位电量的碳排放量 煤炭发电 0.403(t/GWh) 燃气发电 0.403单位外购电量的碳排放量 1.28(t/GWh) 碳买卖价格 (103 元) 267.6碳买卖价格增长系数 0.25表4-3不同电力需要水平下的电力负荷需要(GWh)Table.4-3 The electric demand under pfferent electric demand level (GWh)时间 h=1 h=2 h=3 时间 h=1 h=2 h=3t=1 [2.18,2.50] [2.43,2.98] [2.70,3.38] t=13 [3.01,3.10] [3.13,3.58] [3.50,4.13]t=2 [2.10,2.43] [2.33,2.94] [2.58,3.30] t=14 [3.12,3.22] [3.22,3.73] [3.60,4.23]t=3 [1.98,2.20] [2.23,2.68] [2.46,3.18] t=15 [2.90,3.13] [3.14,3.66] [3.49,4.05]t=4 [1.90,1.93] [2.16,2.43] [2.33,2.93] t=16 [2.75,2.95] [2.96,3.43] [3.30,3.93]t=5 [1.83,1.85] [2.05,2.29] [2.21,2.78] t=17 [2.40,2.65] [2.60,3.16] [2.99,3.68]t=6 [1.79,1.90] [2.01,2.35] [2.28,2.85] t=18 [2.33,2.58] [2.45,3.01] [2.91,3.48]t=7 [1.98,2.05] [2.20,2.53] [2.55,2.91] t=19 [2.43,2.70] [2.55,3.15] [3.05,3.65]t=8 [2.23,2.30] [2.58,2.76] [2.84,3.20] t=20 [2.57,2.88] [2.68,3.36] [3.18,3.84]t=9 2.50 [2.60,3.00] [3.00,3.53] t=21 [2.52,2.77] [2.64,3.22] [3.08,3.68]t=10 [2.62,2.80] [2.73,3.28] [3.11,3.75] t=22 [2.42,2.73] [2.53,3.19] [2.96,3.63]t=11 [2.80,2.95] [2.91,3.40] [3.30,3.93] t=23 [2.36,2.65] [2.44,3.12] [2.88,3.57]t=12 [2.92,3.03] [3.05,3.49] [3.41,3.98] t=24 [2.25,2.58] [2.33,3.03] [2.78,3.48]表 4-4 各发电技术在不同时期的电价(103 yuan/PJ)Table.4-4 The electric price for pfferent technologies under pfferent time period ( 103 yuan/PJ)时间 k=1 k=2 k=3 k=4 时间 k=1 k=2 k=3 k=4t=1 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=13 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=2 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=14 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=3 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=15 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=4 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=16 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=5 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=17 [0.46,0.79] [0.67,1] [1.61,1.94] [0.891.22]t=6 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=18 [0.46,0.79] [0.67,1] [1.61,1.94] [0.891.22]t=7 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=19 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=8 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91] t=20 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=9 [0.46,0.79] [0.67,1] [1.61,1.94] [0.891.22] t=21 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96]t=10 [0.46,0.79] [0.67,1] [1.61,1.94] [0.891.22] t=22 [0.46,0.79] [0.67,1] [1.61,1.94] [0.891.22]t=11 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96] t=23 [0.46,0.79] [0.67,1] [1.61,1.94] [0.891.22]t=12 [1.16,1.49] [1.34,1.67] [2.32,2.65] [1.63,1.96] t=24 [0.22,0.55] [0.37,0.70] [1.32,1.65] [0.58,0.91]4.3.2 模型打造园区电力系统中长期低碳进步规划模型是为了确定各能源在不同需要时段的发电 量,满足用户用电需要、减少用电本钱和碳排放,使系统运行本钱最低。ITPFP模型 能有效地解决电力系统中区间概率分布、模糊集等多重不确定性的影响。为进一步实 现园区低碳进步,在模型中引入阶梯碳买卖机制,构建LCT-ITPFP模型。以用户用电 需要、可供给电量、阶梯碳买卖、可再生能源不确定性供给等为约束条件,并引入系 统最小运行函数和超额发电惩罚系数,分两个阶段确定用户在不一样的电力需要水平下 的最佳发电量、最低系统运行本钱及碳排放量。第一阶段决策能在随机事件发生前做 出,并在随机事件发生之后,依据第一阶段决策与实质偏差做出第二阶段决策来降低 系统损失,能灵活地应付外面环境和内部原因变化,达成园区电力系统的中长期进步 规划。由此打造的目的函数模型为:K T H K Tmin f 士=工工工EC xk t h k tK T H T Hh h h pth x Qk;th x PPk;t + hh pth x IEt; x IPth; + Ccark t h t h式中: f 士表示系统总本钱,单位为:103元;k为发电技术,k = 1燃煤发电,k = 2燃气发电,k = 3风能发电,k = 4太阳能发电;h表示电力负荷需要水平,h = 1是低需要水平,h = 2是中需要水平,h = 3是咼需要水平,且h ,卩”表示电力需要水平为h=1t的目的产电量(单位:GWh,第一阶段决策变量);q土是发电技术k在h电力负荷 kth46需要水平下时间t的超额产电量;PV±是发电技术 ktk在时间t的操作本钱; pp±是发电技术k在时间t的超额产电操作本钱 ; IE 士外购电价 ; p在h电力负荷需要水平下时间t的外购电量 ; C为阶梯碳买卖本钱,具体为式 - 。系统约束主要包含常规能源和可再生能源的水平平衡、阶梯碳买卖限制、电力供给、需要平衡和技术限制。约束条件分别为:煤炭平衡约束X + Q1h) x CG1 < UPC;, Vt 天然气平衡约束xCG2;t <UPNt;, Vt 式中:UPC;、UPN;分别为煤炭、天然气资源在时间t时的总量限制。风能平衡约束 该模型将电力输出的模糊性转化为预测误差,能够帮助解决风能和太阳能预测的精 度问题。Cr {X: + QI. < PW;x }>2士, Vt,h 太阳能平衡约束Cr {X t + Q;h < SW'tx }>2士, Vt, h 式中:PW;、SW;分别为风能、太阳能在时间t时的输出预测 ; 2为系统 对风能和太阳能充裕度的需要,其自对偶指标1-2的物理意义为风能和太阳能供给量 所允许的失负荷率上限值,表征了因风能和太阳能预测误差的模糊性带来的电量供给 不足风险。电力供给和需要平衡约束K£ + IPth; > DMt;h, Vt,h k=147式中:DM;为在h电力负荷需要水平下时间t的负荷需要(单位:GWh)。( 6)电力产生约束RCk xST; > Xk + Qh,Vk,t,h (4.44)式中:RCk为发电技术k的剩余容量(单位:GW) ; ST;为发电技术k在时间t的运行 时间(单位: h)。(7)阶梯碳买卖约束 阶梯碳买卖将碳排放的差值划分为多个区间,伴随系统购买的碳排放权配额越多,对应的区间碳价更高。TKE =0; xHIP;+B; xH(X; + Q;h)t k=1TKE = 0 xH iP;+0 xH t k =1cd + c 4d < E - E*式中:E"为系统免费碳排放配额(单位:t) ; 0:为单位外购电量的免费碳排放额(单 位:t/GWh) ; 0;为单位传统发电技术发电量的免费碳排放配额(单位:t/GWh) ; E 为系统实质碳排放量(单位:t) ; 0e为单位外购电量的实质碳排放量(单位:t/GWh); 0h为单位传统发电技术发电量的实质碳排放量(单位:t/GWh) ; c为碳买卖基准价格(单位:103元);d为碳买卖价格区间长度;4为碳买卖价格的增长系数。可见,阶梯碳买卖将E*和E的差值分为若干个区间,各区间对应不一样的碳买卖价格。当E < E*时,系统可以在碳买卖市场上供应多余的碳排放配额以获得收益;当E > E*时,48园区电力系统实质碳排放量高于免费碳排放配额,系统需额外购买碳排放权,E和E* 和的差值越高,系统的本钱越高(图 4-3)。Price ac c c c-c-c图 4-3 阶梯碳买卖机制示意图Fig.4-3 Schematic pagram of ladder-type carbon trapng( 8)水量约束f (X; + Qkh)xWCjt < AVWj, Vj, t, h (4.48)k=1式中:WCjt为发电技术k在时间t对水源j的单位耗水量(j =1为地表水,j = 2为地 下水,j = 3为再生水。单位:103m3/GWh) ; AVWj是水源j在时间t的总量限制(单 位: 103 m3)。( 9)环境约束f (X; + Q;h)x(1-%)xEF; <ES;, Vr, t, h (4.49)k=1式中:"krt是在时间t时,对发电技术k产生的污染物r的平均去除效率(r = 1为S°2, r = 2为NOx,r = 3为PM); EF;为发电技术k在时间t时污染物r的排放密度(单位: tonne/GWh) ; ES;t为污染物r在时间t的允许排放量(单位:tonne)。( 10)部分信息约束49HH pl* =1 h=1 hHP<b 式中:P : g rn为有限样本空间兀的概率分布,rn为N维实数集;h = 和b = 分别为sxN和sxl的固定矩阵,s为随机变量个数。非负约束Xk;t > Qk;th > 0, Vk,t,h 0<ph<1, Vh 4.4结果剖析 4.4.1 电量剖析针对本文构建的LCT-ITPFP模型,分别对不同电力需要水平概率分布情景及不同置信水平各技术最佳发电 量、超额发电量和外购电量进行了剖析比较。不同电力需要水平概率情景下的电力最佳供给状况如图4-4和4-5所示。各发电技 术在不同电力需要水平概率情景下的发电量伴随需要水平概率的升高而增加,伴随需 求水平概率的减少而降低。比如:当低需要水平概率相等时,在置信水平为0.85时, P1情景的燃气发电在高电力需要水平下13:00-16:00的最佳发电量分别为0.364,0.364, 0.334和0.334 GWh 。而燃气发电在P2情景相同条件下的最佳发电量分别为 0.494, 0.713, 0.595 和 0.542 GWh,分别为 P1 的 1.358, 1.958, 1.780 和 1.623 倍。这 是P2情景的中电力需要水平概率高于P1致使的结果。在相同置信水平和时间条件下, 燃气发电在P3和P4情景也有着相同的规律。当P1和P3情景相比,两种情景的中需 求水平概率相等,都为0.6,而P3的低需要水平概率高于P1,高需要水平概率低于P1, 因此P3情景的总体电力需要水平低于P1。如:在置信水平为0.85时,煤炭发电在P1 低需要水平下 1:00-3:00的最佳发电量分别为[1.333, 1.473], [1.065, 1.223]和[1.097, 1.259] GWh,在同等条件下P3情景下的最佳发电量分别为1.333, 1.065和1.097 GWh。 除此之外,在相同置信水平条件下,P2与P4相比较时,因为P4的低电力需要水平概率高 于P2,煤炭发电在P4情景22:00-24:00时低电力需要水平下的电量分别比P2低[0,50o.o 屮山屮山屮山屮屮屮山屮L|_l屮L|_l屮叩屮山屮山屮屮屮,2 4 6 8 10 12 14 16 18 20 22 24时间图4-4 2 = 0.85时燃气在高电力需要水平下的最佳发电量图 4-5 2= 0.85 时煤炭在低电力需要水平下的发电量Fig.4-5 Optimized coal power generation with 2= 0.85 underlowelectricity demand level51当不同产电技术总发电量难以满足用户电力需要,将通过增加外输电量满足系统 用电需要。不同需要水平情景下部分时间段内的外购电量变化趋势如图4-6和4-7。系 统外购电力伴随电力需要水平的升高而增加,如在置信水平为0.65时,P1在1:00时 低、中、高电力需要水平下外购电量分别为0, [0.080, 0.479]和[0.350, 0.879]GWh, 用电量呈现渐渐增加的趋势(图 4-6)。除此之外,伴随置信水平的减少,清洗能源(如风 能和太阳能)的可供给量减少,系统通过提升传统发电技术(如煤炭发电和燃气发电) 的发电量来满足电力需要,但受限于环境约束(式(4.33) -(4.35)),系统只能通 过提升外购电量来减少污染物的排放。因此,伴随置信水平的减少,系统外购电量逐 渐升高。比如, P1 在置信水平为0.85时高电力需要水平下,在14:00-16:00的外购电 量为[0.349, 0.619], [0.261, 0.528]和[0.208, 0.644] GWh。而在相同条件下,置信水 平为0.75时,其外购电量比置信水平为0.85时高[38.445, 54.168]%, [32.388, 72.896]% 和[22.045, 82.483]%。在19:00-21:00为夜间用电高峰期,煤炭、风能和太阳能发电量 不能满足该时间段的用电需要。因此,该时间段的外购电量较高,且在高电力需要水 平下,P1在该时段的外购电量要比P2高。如在置信水平为0.95时,P1在19:00-21:00 时段的外购电量分别为[0.145, 0.715], [0.533, 1.193]和[0.682, 1.282] GWh, P2 为[0, 0.570], [0.048, 0.708]和[0.194, 0.794] GWh (图 4-7)。这是由于 P1 的高需要水平概 率要高于P2,且不受中等概率水平变化的影响。P3和P4也有着相同的规律,如P3 在相同条件下的外购电量为[0, 0.570], [0.048, 0.708]和[0.166, 0.766] GWh,而 P4 为[0.145, 0.715], [0.533, 1.193]和[0.654, 1.254]GWh。52Fig.4-6 The amount of imported power under pfferent 2 levels in P1图 4-7 在 2= 0.95 时高电力需要水平下的外购电量Fig.4-7 The amount of purchased electricity with 2= 0.95 under high electricity demand levels为更好地分析不同置信水平对不同发电技术的影响,图 4-8 至图 4-11呈现了各发 电技术在 P1 情景不同置信水平下部分时间段内的额外发电量。假如预设发电量不可以满 足买家的需要,园区运行效益将减少。如图所示,煤炭、风能和太阳能额外发电量 将伴随电力需要水平的升高而波动。而燃气发电仅在中、高电力需要水平常才出现电53量短缺现象。除此之外,伴随置信水平的降低,燃煤额外发电量和燃气额外发电量将渐渐 升高,而风能和太阳能额外发电量将渐渐减少。比如:煤炭发电在置信水平为 0.95, 时间为 2:00 时,低、中、高电力需要水平下的额外发电量分别为[0,0.221],0.121,0.331 GWh;而在置信水平降到0.85时,煤炭各电力需要水平下的额外发电量则为[0.063, 0.221], 0.293, 0.331 GWh。相反,太阳能在置信水平为0.95,时间为10:00时各电力 需要水平下的额外发电量都为0.365;当置信水平分别降到0.85, 0.75, 0.65和0.55时, 太阳能在10:00时各电力需要水平下的额外发电量分别为[0.264,0.351],[0.180,0.336], [0.165, 0.316]和[0.162, 0.312] GWh,分别减少了[3.836, 27.671]%,[7.945, 50.685]%, [13.425, 54.795]%和[13.425, 55.616]%。这是因为伴随置信水平的降低,风能和太阳 能资源可供给量减少,致使预测量减少,额外发电量也随之减少,系统将提升燃煤和 燃气的用法量以满足系统的电力需要。图 4-8 煤炭在 P1 不同置信水平下的超额发电量Fig.4-8 The amount of excess power from coal power generation for P1 under pfferent 2 levels图 4-9 燃气在 P1 不同置信水平下的超额发电量Fig.4-9 The amount of excess power from natural gas power generation for Pl under pfferent A levels图 4-10 风能在 P1 不同置信水平下的超额发电量Fig.4-l0 The amount of excess power from wind power generation for Pl under pfferent A levels图 4-11 太阳能在 P1 不同置信水平下的超额发电量Fig.4-11 The amount of excess power from solar power generation forP1 under pfferent A levels为说明不同发电技术的最佳发电量,图4-12呈现了 P1情景在置信水平为0.95时,不同发电技术的最佳发电量。大体上,园区发电占比由高到低依次为煤炭、风能、燃气和太阳能。比如在时间为 2:00,电力需要水平为低水平常,煤炭、风能、燃气和太阳能最佳发电量分别为[1.002, 1.223], [0.801, 0.910], 0.297和0 GWh。这是因为煤 炭发电的购买本钱、操作本钱最低,且园区风能资源丰富,可供及量高。煤炭在不同 时期的发电量较稳定,但在时间为6:00时,发电量最低,这是因为在该时间段内园区 电力需要较低,将无需很多的电力提供。燃气在时间为20:00-22:00时段的产电量都 保持在一个相对较高的水平。而风能和太阳能的产电量主要受天气原因的影响而具备 较大的波动性和间歇性,而太阳能因为受限于光照时间,在凌晨和夜晚的发电量最低,达到0GWh,在6:00-18:00时段的发电量可以部分满 足高峰时段的负荷需要,且在10:00-14:00时的太阳能发电量最高,这与预测的太阳能 发电量是一致的。561 ■ 1 ■ 1 LCMCO LCXICO lCNCO lCXICQ lNCO lCXICO lCXICQ lCNCQ LCMCO LCXICO lCNCO lCXICQHJL HJL 1JLJL HJL HJL HJL t=2 t=4 t=6 t=8 t=1O t=12 t=14 t=16 t=18 t=20 t=22 t=24图4-12各发电技术在P1情景A = °.95时的最佳发电量Fig.4-12 The optimal power generation from pfferent power generation technologies with A = 0.95 inP1图4-13说明了风能在P1情景不同置信水平下h = 1时的最佳发电量。在4:00和 21:00 时,风能发电量比其他时间段低,发电时间主要集中在 2:00-3:00 及 11:00-19:00 这两个时间段内,这与预测的风力发电量是一致的。比如,在置信水平为 0.95 的状况 下,4:00和21:00低电力需要水平下的风能发电量分别为0.360和0.332 GWh,而 17:00,18:00和 19:00这三个时间段低电力需要水平下的风能发电量分别为[0.708,0.820], [0.936, 1.158]和[1.030, 1.110] GWh,分别为 4: 00 时风能发电量的[1.967, 2.278], [3.217, 2.600]和[2.861,3.083]倍,为21:00时风能发电量的[2.133,2.470],[2.819,3.488]和[3.102, 3.343]倍。伴随置信水平的减少,风能发电量渐渐减少。比如在低电力需要水平下的 7:00时段,风能在置信水平为0.85, 0.75, 0.65和0.55的最佳发电量分别为[0.384, 0.400], [0.332, 0.400], [0.322, 0.392]和[0.320, 0.389] GWh,分别比置信水平为 0.95 时的最 优发电量低[6.569, 2.676], [2.676, 19.221], [4.623, 21.655]和[5.353, 22.141]%。这 是因为伴随置信水平的减少,模型中与风能发电配给有关的系数Ka将减少并致使风能57提供不足,从而减少风电输出功率。1.4-11.2-2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24时间 时间图4-13风能在P1情景不同置信水平下h = 1时的最佳发电量Fig.4-13 The optimal power generation for wind energy with h = 1 for P1 under pfferent confidencelevels4.4.2 碳排放剖析为说明不同置信水平下的碳排放趋势,以P2为例。大体上,碳排放量 伴随置信水平的减少而渐渐升高。比如:置信水平分别为 0.75, 0.65 和0.55 时,碳排 放量分别为[10.359, 20.100],[10.695, 20.448]和[10.769, 20.526] t,呈现渐渐升高的 趋势,这是因为伴随置信水平的降低,燃煤额外发电量和燃气额外发电量将渐渐升高, 而风能和太阳能额外发电量将渐渐减少,园区传统发电技术的发电量增加致使碳排放 量增加。因为在19:00-21:00夜间用电高峰期, P1 在该时段高电力需要水平下的外购电 量要比P2高,且为限制电力不足时过于依靠外购电力,外购电量的碳排放和电力价格 均高于园区内各发电技术。因此,在置信水平为 0.95 时, P1 情景的碳买卖本钱比 P2 高[2.426, 7.133]%,P4 比 P3 高[2.312, 7.167]%。58Fig.4-14 Carbon emissions under pfferent confidence levels4.4.3 系统本钱图 4-15 展示了不同电力需要水平和不同置信水平下的系统本钱。在置信水平为 0.95 时,P1, P2, P3 和 P4 的系统本钱分别为[155.039, 312.552], [153.208, 309.155], [152.585, 306.697]和[154.416, 310.095]x103 元。受外购电量的影响,P2 和 P3 的总成 本低于P1和P4,这是由于P1和P4的高需要水平概率要高于P2和P3,致使P1和P4 的外购电量高于P2和P3, P1和P4的碳买卖本钱更高。P1和P4相比,P4的低电力 需要水平概率为0.2,而P1的低电力需要水平概率为0.1,因此P4情景的总体电力需 求水平低于 P1, P1 的发电量更高,本钱也更高。且在该置信水平下的最后目的函数值 为 f0pt =[min(广,广,广,广),max(^1+,广,广,f4+)]=[152.585, 312.552]X103 元。在 置信水平为 0.85, 0.75, 0.65 和 0.55 时,目的函数的变化规律和置信水平为 0.95 时一 致。置信水平为0.85时,最后结果为[155.158, 316.913]x103元;置信水平为0.75时, 为[157.300, 318.657]x103 元;置信水平为 0.65 时,为[157.739, 319.140]x103 元;置 信水平为0.55时,为[157.834, 321.926]x103元。除此之外,同一情景下不同置信水平下的 系统本钱比较的结果表明,目的函数值伴随置信水平的减少而升高。如 P1 情景下,置 信水平为0.95,0.85,0.75,0.65和0.55的目的函数值分别为[155.039,312.552],[157.820, 316.913], [159.950, 320.882], [160.373, 321.745]和[160.463, 321.926]x103 元。这表59明园区供电系统中的效益与风险之间存在着一种权衡关系,应由决策者进行评价。置 信水平A越低,风能和太阳能资源可供给量降低,清洗能源发电量也随之减少,系统将 提升煤炭和燃气的用法量以满足系统的电力需要,系统本钱增加,系统资源短缺风险 减少,系统靠谱性提升;同样地,当置信水平A越高,风能和太阳能资源可供给量增加, 清洗能源发电量也随之增加,系统将减少煤炭和燃气的用法量,系统本钱降低,系统 资源短缺风险增加,系统靠谱性减少。对于不同置信水平下的最后目的函数,有着同 样的规律。Fig.4-15 System cosplayt under pfferent electricity demand and confidence levels4.5讨论由以上剖析结果可知, LCT-ITPFP 可以在考虑电力需要概率不确定性和风能、太 阳能预测功率的不确定性的同时,为工业园区提供可控能源生产及对外购能的调度计 划。为验证园区实行阶梯式碳买卖机制的合理性,通过设置 3 种不同碳买卖机制场景 进行比较:场景 1,在阶梯式碳买卖机制下,以包括碳买卖本钱的园区综合运行本钱为 目的,即为LCT-ITPFP模型考虑的状况;场景2,以固定价格进行碳买卖的园 区综合运行本钱为目的;场景3,在阶梯式碳买卖机制下,仅以系统运行本钱为60优化目的(S3)。分别比较3种不同碳买卖机制场景的园区碳排放量、碳买卖本钱、 系统运行本钱和综合运行本钱。表4-5呈现了当置信水平为0.95时,不同碳买卖机制场景的系统运行状况。其中, S2的碳买卖本钱最低,为[2.430, 6.389]x103元,而S3的碳买卖本钱为S2的[2.453, 3.178] 倍,是碳买卖本钱最高的场景。这是因为S3的碳排放量最高,为[14.527, 29.378] t,是S2碳排放量的[1.231, 1.600]倍,S1的[1.341, 2.036]倍。若将S3的碳买卖成 本与系统运行本钱相加,则相较于S1和S2分别升高了[3.153,3.336]%和[4.711,5.860]%。 这样来看,即便在阶梯式碳买卖机制下,目的函数中仅考虑系统运行本钱仍然不可以达 到碳减排的目的,反而使整体的碳排放量增加,碳买卖本钱升高。除此之外,将碳买卖费 用纳入园区综合运行本钱,能兼顾规划策略的经济性和低碳性。当S1和S2相比较时, S1的碳买卖本钱比S2高[55.004,82.740]%,但S1的碳排放量比S2低[8.211,21.396]%。 可见,仅以固定价格进行碳买卖的园区低碳性能较差。因此,在阶梯式碳买卖机制下, 以包括碳买卖本钱的园区综合运行本钱为目的的模型能更好地权衡系统本钱及环境约 束,达到碳减排目的。表4-5不同碳买卖机制场景在A = 0.95时系统运行状况Table.4-5 Results of system operation with A= 0.95 under pfferent carbon trapng mechanisms碳排放量( t) 碳买卖本钱(X103 元) 系统运行本钱(X103 元) 综合运行本钱(X103 元)S1 [7.137,21.913] [3.766, 11.674] [148.820, 295.023] [152.585, 306.697]S2 [9.079,23.873] [2.430, 6.389] [148.152, 292.467] [150.581, 298.855]S3 [14.527, 29.379] [7.721, 15.670] [149.954, 300.697] [157.675, 316.367]为验证LCT-ITPFP的有效性,引入基于阶梯碳买卖机制的区间两阶段模糊可行性 约束规划( ladder-type carbon trapng based interval two-stage stochastic fuzzy constrainted programming, LCT-ITSFCP)模型进行比较。LCT-ITSFCP模型可以解决带有违背约束 的模糊风险问题,但不可以解决电力需要概率的区间不确定性,通过引入中值来表示区 间概率(情景M),打造园区综合能源系统经济优化调度的ITSFCP模型,拟定园区 可控能源生产及对外购能的调度计划。图4-16呈现了置信水平为0.85时,煤炭在不同61电力需要概率情景下的最佳发电量,情景 M 的发电量变化趋势与区间两阶段部分模糊 规划模型求得的各电力需要水平情景一致。同时,因为 LCT-ITSFCP 模型忽视了 电力需要水平概率的不确定性,只能产生单一的电力供给策略。与 LCT-ITSFCP 模型 相比,LCT-ITPFP可以避免决策失误或策略遗漏。除此之外,LCT-ITSFCP模型在0.95, 0.85, 0.75,0.65 和 0.55 置信水平下求出的系统本钱分别为[153.825,310.088],[156.514, 314.859], [158.659, 319.384], [159.091, 319.831]和[159.183, 320.554]x103 元(图 4-17)。 LCT-ITPFP 模型引入了线性部分信息理论,将电力需要水平概率的不确定性表征为区 间值,考虑到了园区电力需要具备随机性,求得置信水平在 0.95, 0.85, 0.75, 0.65 和 0.55 下系统本钱区间分别为[152.585, 312.552], [155.158, 316.913], [157.300, 318.657], [157.739, 319.140], [157.833 , 321.926存103 元。LCT-ITSFCP 模型 的系统本钱在 LCT-ITPFP模型的系统本钱变化范围内,LCT-ITPFP模型可以增加决策者的选择空间。图4-16煤炭在2 = 0.85时不同电力需要概率情景下的最佳发电量Fig.4-16 Optimized coal-fired power generation with 2 = 0.85 under pfferent electricity demand level620.95下界0.85下界0.75下界0.65下界0.55下界 0.95上界0.85上界0.75上界0.65上界0.55上界――LCT-ITPFP - ■- LCT-ITSFCP图4-17 LCT-ITPFP和LCT-ITSFCP模型的系统本钱Fig.4-17 System cosplayt for LCT-ITPFP and LCT-ITSFCP model4.6本章小结耦合线性部分信息和两阶段随机规划,可以有效地解决电力需要中存在的双重不 确定性问题。改变不同能源系统的响应以满足电力需要,促进园区电力系统中多种能 源的耦合与互补。除此之外,引入模糊可信度约束规划来解决风力发电和太阳能发电的间 歇性影响。阶梯碳买卖机制被觉得是达成低碳进步的有效渠道。基于此,提出了一种 基于阶梯型碳买卖的区间两阶段部分模糊规划,用于多重不确定条件下 工业园区电力系统规划,为决策者提供了具备好低碳性能的多能源互补解决方法。 模型结果表明:大体上,园区各发电技术发电占比由高到低依次为煤炭、风能、燃气和太阳 能。风能和太阳能的产电量主要受天气原因的影响而具备较大的波动性和间歇性。太 阳能发电量几乎不受电力需要水平概率变化的影响,而燃煤发电、燃气发电和风能发 电在不同电力需要水平概率情景下的发电量伴随需要水平概率的升高而增加,伴随需 求水平概率的减少而降低。当不同产电技术总发电量难以满足用户电力需要,将通过 增加外输电量满足园区用电需要。伴随置信水平的升高,清洗能源的预测量增加,系统通 过提升清洗能源发电技术的发电量,降低传统发电技术的发电量 1994-2022 China Academic Journal Electronic Publishing House・ All rights reserved, http://www.cnki.net发电)来满足电力需要。碳排放量伴随置信水平的升高而渐渐减少。太阳能分别在置 信水平为0.85,0.75,0.65 和0.55,时间为 10:00时各电力需要水平下的额外发电量分 别比置信水平为 0.95 时,减少了[3.836,27.671]%,[7.945,50.685]%,[13.425,54.795]% 和[13.425,55.616]%。(3)与基于传统碳买卖机制的规划模型进行比较,结果表明,LCT-ITPFP模型的 策略能减少[8.211,21.396]%的碳排放量。在阶梯式碳买卖机制下,以包括碳买卖本钱 的园区综合运行本钱为目的的模型能更好地权衡系统本钱及碳减排约束,达到碳减排 目的。除此之外,与LCT-ITSFCP模型相比,LCT-ITPFP可以将电力需要水平概率的不确 定性表征为区间值,在有效处置园区电力需要双重不确定性的基础上,避免决策失误 和策略遗漏,增加决策者的选择空间。64结论与展望工业园区的水资源和能源资源的研究中,优化是国内外学术研究的热门,且主要 运用数学规划法进行优化。工业生产的可持续性取决于水和能源资源的供给、本钱和 水平。除此之外,因为经济进步和环境保护之间的矛盾,工业园区资源管理问题具备广泛 的动态复杂性和很多的不确定性。以往的工业园区资源优化配置的研究中,多为经济 效益或系统本钱的加和,不可以非常不错地表征系统资源用效率,更没考虑其中的多重 不确定性原因。因此,本文立足于工业园区尺度,剖析工业园区水、能源资源的需要 状况,打造工业园区节水节能减碳的资源优化配置模型,为工业园区资源高效借助提 供理论办法与实践工具。主要结论本文基于文献采集和使用文献计量学理论的基础上,运用 Citespace 剖析工具定量 剖析了国内外工业园区水和能源资源的研究热门和进展,得到优化是国内外工业园区 水和能源资源的研究热门,并概要出以往工业园区水资源和能源资源优化研究存在的 不足。选取工业园区为研究对象,剖析工业园区水、能源资源的特征和需要状况,分 别打造多重不确定条件下工业园区水资源高效借助模型和电力系统低碳进步模型,分 别为管理者提供水资源的高效配置策略和能源优配的低碳电力系统规划策略,论文主 要成就与结论如下:双重不确定性条件下提升工业园区用水效率的稳健分式规划模型针对以往工业园区水资源优化范围的不足及园区用水特征,构建了运用于工业园 区水资源管理的区间两阶段随机部分分式规划模型。ITSPF-IPWRM 模型可以得到工业园区在复合复杂性条件下的高效配水策略。第一,在低流量水平出 现的概率相等的首要条件下,伴随高流量水平的概率增大,更多的优质水会分配给园区, 再生水用量减少。当低流量水平的概率增大,系统缺水的风险也愈加大,需要增 加再生水的用法以满足用水厂的需要。第二,当企业的需水量愈加大时,会增加再 生水的用法量,这是由于再生水的配水本钱较低。第三,应第一满足效益最高的企业 用水,这是因为当效益最高的企业发生缺水时,它将得到最高的惩罚本钱。通过打造 仅考虑最低配水本钱的模型和不考虑水流量概率不确定性的模型,与打造的 ITSPF 模 型进行单方水效益、系统收益和供水量的比较。一方面,当随机部分信息、运行参数 和决策变量在肯定范围内波动时,ITSPF模型能产生可行的策略。其次,ITSPF模65型可以消耗更少的水,呈现更高的单方水效益。除此之外,在将来的工业园区水资源优化 研究中可以考虑更多的不确定性,如模糊不确定性等。ITSPF也可以应用于其他资源 管理问题,能够帮助对不同数目级目的的进行比较剖析。(2)不确定条件下基于阶梯碳买卖的园区电力系统优化基于工业园区可供能源的不确定性及用户电力需要的多变性,提出了一种基于阶 梯型碳买卖的区间两阶段部分模糊规划(LCT-ITPFP)。大体上,园区发电占比由高 到低依次为煤炭、风能、燃气和太阳能。这是因为煤炭发电的购买本钱、操作本钱最 低,且园区风能资源丰富,可供给量高。而风能和太阳能的产电量主要受天气原因的 影响而具备较大的波动性和间歇性。太阳能发电量几乎不受电力需要水平概率变化的 影响,而燃煤发电、燃气发电和风能发电在不同电力需要水平概率情景下的发电量随 着需要水平概率的升高而增加,伴随需要水平概率的减少而降低。当不同产电技术总 发电量难以满足用户电力需要,将通过增加外输电量满足园区用电需要。除此之外,伴随 置信水平的减少,清洗能源(如风能和太阳能)的预测量减少,系统通过提升传统发 电技术(如煤炭发电和燃气发电)的发电量来满足电力需要。因此,燃煤额外发电量 和燃气额外发电量将渐渐升高,而风能和太阳能额外发电量将渐渐减少。这也致使碳 排放量伴随置信水平的减少而渐渐升高。最后,与不同碳买卖机制场景比较可知, LCT-ITPFP 模型的碳排放量相较于传统碳买卖低[8.211, 21.396]%。因此,在阶梯式碳 买卖机制下,以包括碳买卖本钱的园区综合运行本钱为目的的模型能更好地权衡系统 本钱及碳减排约束,达到碳减排目的。除此之外,与 LCT-ITSFCP 模型相比, LCT-ITPFP 可以将电力需要水平概率的不确定性表征为区间值,考虑到了园区电力需要具备随机 性,能避免决策失误或策略遗漏,增加了决策者的选择空间。主要革新点水资源和能源是工业园区运行的基础条件,也是达成工业园区可持续进步的要紧 研究对象。为了缓解工业园区用水、用能的重压,提升资源的用法效率,需要针对园 区用水、用能特征,分别对园区水和能源资源进行有效的配置。因此,本文的主要创 新点如下:(1)以往工业园区水资源系统规划研究,缺少以效益与耗水量之间的比率为目的 的水资源借助效率优化研究,且忽视了水流量概率的区间不确定性。研究耦合了区间 线性规划、两阶段随机规划、部分信息理论和分式规划,构建了区间两阶段随机部分66分式规划模型(ITSPF),并运用于工业园区水资源管理,以单方水效益为目的,达成 了园区地表水、地下水及再生水的联合调度。 ITSPF 模型结果能帮助决策者深入剖析 不同概率情景下的水资源配置模式、系统失效风险和系统收益,确定工业园区水资源 管理的最佳方案。(2)以往的工业园区能源规划系统研究,仅解决了单一不确定条件下的电力系统 资源配置问题,未在兼顾低碳进步问题的同时考虑电力需要的多重不确定性对系统的 影响。研究将区间两阶段随机规划、部分线性理论、模糊置信约束规划与阶梯碳买卖 机制相结合,构建了基于阶梯碳买卖机制的园区电力系统区间两阶段部分模糊规划模 型(LCT-ITPFP)。LCT-ITPFP模型能在处置电力需要区间概率、可再生能源模糊负 荷等多重不确定信息的同时降低系统碳排放量,为决策者提供了具备好低碳性能的 多能源互补解决方法。不足与展望工业园区是多个生产厂的集合,需要考虑各参与企业的生产、排污特征。且受外 界和内部原因的影响,基础资源的供给和用户需要等具备多变性。因此工业园区资源 优化具备多目的性、多用户、不确定性等特质。虽然本文对工业园区水和能源资源分 别构建了优化模型并进行了求解,但受限于客观条件与个人能力,本工作还有不少需 要进一步健全的地方,具体包含以下几个方面:(1) 在对工业园区水、能源资源进行优化配置时,没考虑研究区水-能源两两 之间的纽带关系,将来的工作中可以从水-能源纽带关系的视角探究工业园区资源的优 化配置,得到愈加符合工业园区近况的资源配置策略。(2) 将来的研究可以通过更深入的调查,获得更为精确丰富的基础数据资料,增 加模型优化结果的精确性。67参考文献[1]Gu A, Teng F, Lv Z Q. Exploring the nexus between water saving and energy conservation: insights from industry sector during the 12th Five-Year Plan period in China[J]. Renewable and Sustainable Energy Reviews, 2016, 59:28-38.[2]Sakr D, Baas L, El-Haggar S, et al. Critical success and limiting factors for eco-industrial parks: global trends and Egyptian context[J]. Journal of Cleaner Production,2011, 19:1158-1169.[3]United Nations Environment Programme. The environmental management of industrial estates[M]. UNEP: Industry and Environment Office, 1997.[4]International Energy Agency. World energy outlook 2018: gold standard of long-term energy analysis[R]. IEA, 2018.[5]United Nations Environment Programme. Ahead of world water day, UN calls for better management of water resources[R]. UNEP, 2015.[6]中华人民共和国国家进步和改革委员会.中国开发区审核通知目录[R]. 2018. http://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5434045.htm.[7]中华人民共和国中央人民政府.工业转型升级规划 [R].2012.http://www.gov.cn/zhengce/content/2012-01/19/content_3655.htm.[8]中国科学院.2007中国可持续进步策略报告:水:治理与革新[M].科学出版社, 2007.[9]Ding T, Wu H Q, Jia J J, et al. Regional assessment of water-energy nexus in China's industrial sector: an interactive meta-frontier DEA approach[J]. Journal of Cleaner Production,2020,244:1-15.[10]国家统计局能源统计司. 中国能源统计年鉴 [R].2015.[11]Shao S, Yang Z B, Yang L L, etal., Synergetic conservation of water and energy in China's industrial sector: from the perspectives of output and substitutionelasticities[J]. Journal of Environmental Management, 2020, 259: 1-1 1 .[12]国家统计局能源统计司. 中国能源统计年鉴 [R].2011.68[13]中华人民共和国中央人民政府. 国务院关于实行最严格水资源管理规范的建议 [EB]. 2012. http://www.gov.cn/zwgk/2012-02/16/content_2067664.htm.[14]中华人 民共和 国中央人 民政府 . “ 十三五”节能减 排综合 工作策略 [EB]. 2017. http://www.chinanecc.cn/upload/File/1483688023746.pdf.[15]Alexander B, Barton G, Petrie J, et al. Process synthesis and optimisation tools for environmental design: methodology and structure[J]. Computers & Chemical Engineering, 2000, 24:1195-1200.[16]Huang M, Wang Z, Chen T. Analysis on the theory and practice of industrial symbiosis based on bibliometrics and social network analysis[J]. Journal of Cleaner Production, 2019, 213:956-967.[17]杨友麒,贾小平,石磊•水互联网与虚拟水的过程系统工程研究进展J].化工学报, 2015,66:32-51.[18]Tan Q, Huang G H, Cai Y P. Rapal interval chance-constrained programming for agricultural non-point source water pollution control under uncertainty[J]. Agricultural Water Management, 2011, 98:1595-1606.[19]Guo P, Huang G H, Li Y P. An inexact fuzzy-chance-constrained two-stage mixed-integer linear programming approach for flood pversion planning under multiple uncertainties [J] . Advances in Water Resources, 20 1 0, 33:8 1 -9 1 .[20]Dong C, Tan Q, Huang G H, et al. A dual-inexact fuzzy stochastic model for water resources management and non-point source pollution mitigation under multiple uncertainties[J]. Hydrology and Earth System Sciences, 2014, 18:1793-1803.[21]Cao M F, Huang G H, Sun Y, et al. Dual inexact fuzzy chance-constrained programming for planning waste management systems[J]. Stochastic Environmental Research and Risk Assessment, 2010, 24:1163-1174.[22]TanRR,AvisoKB, CruzJ B, et al. A note on an extended fuzzy bi-level optimization approach for water exchange in eco-industrial parks with hub TOPology[J]. Process Safety and Environmental Protection, 2011, 89:106-111.[23]Aviso KB, Tan R R, Culaba A B, et al. Bi-level fuzzy optimization approach for water69exchange in eco-industrial parks[J]. Process Safety and Environmental Protection, 2010, 88:31-40.[24]Tiu B T C, Cruz D E. An MILP model for optimizing water exchanges in eco-industrial parks considering water quality[J]. Resources Conservation and Recycling, 2017, 119:89-96.[25]Guo Y, Tian J P, Chen L J. Water-energy nexus in China's industrial parks[J]. Resources, Conservation and Recycling, 2020, 153:1-8.[26]郭扬,吕一铮,严坤,等.中国工业园区低碳进步路径研究J].中国环境管理, 2021, 13:49-58.[27]徐峰,汪雅婷,李宪赢,等.中国工业园区生态化进步决策优化办法研究J].中 国环境管理, 2019, 11:52-58.[28]Leydesdorff L, Rafols I, Chen C M. Interactive overlays of journals and measurement of interpsciplinarity on the basis of aggregated journal-journal citations[J]. Journal of the American Society for Information Science and Technology, 2013, 64:2573-2586.[29]Chen C M, Leydesdorff L. Patterns of connections and movements in dual-map overlays: a new method of publication portfolio analysis[J]. Journal of the Association for Information Science and Technolohy, 20 14, 65:334-351.[30]李杰,陈超美.Citespace科技文本挖掘及可视化[M].北京:首都经济贸易大学出 版社, 2016.[31]Chew I M L, Tan R, Ng D K S, et al. Synthesis of prect and inprect interplant water network[J]. Industrial and Engineering Chemistry Research, 2008,47:9485-9496.[32]Foo D C Y. Flowrate targeting for threshold problems and plant-wide integration for water network synthesis[J]. Journal of Environmental Management, 2008, 88:253-274.[33]Rubio-castro E, Ponce-ortega J M, Napoles-rivera F, et al. Water integration of eco-industrial parks using a global optimization approach[J]. Industrial and Engineering Chemistry Research, 2010,49:9945-9960.70[34]Boix M, Montastruc L, Azzaro-pantel C, et al. Optimization methods applied to the design of eco-industrial parks: a literature review[J]. Journal of Cleaner Production, 2015, 87:303-317.[35]Kamat S, Chokhani P, Bandyopadhyay S. Bi-objective optimization of interplant integration using pinch analysis[J]. Industrial & Engineering Chemistry Research, 2019, 58:20014-20025.[36]Foo D C Y. State-of-the-art review of pinch analysis techniques for water network synthesis[J]. Industrial & Engineering Chemistry Research, 2009, 48:5125-5159.[37]路超,耿甜甜,赵亚珊.水夹点技术在用水互联网优化中的工程应用[J].价值工程, 2019, 38:179-181.[38]刘智勇,樊霄雁.水系统集成技术研究进展[J].河北工业大学学报,2013,42 :55-60.[39]梁肇铭,李雁,解新安.基于经验规则的数学规划法迅速设计多杂质用水互联网[J]. 化工学报, 2013, 64:2535-2542.[40]Aviso K B. Design of robust water exchange networks for eco-industrial symbiosis[J]. Process Safety and Environmental Protection, 2014, 92:160-170.[41]Boix M, Montastruc L, Pibouleau L, et al. A multiobjective optimization framework for multicontaminant industrial water network design[J]. Journal of Environmental Management, 2011, 92:1802-1808.[42]Ramos M, Boix M, Aussel D, et al. Water exchanges in eco-industrial parks through multiobjective optimization and game theory[C]. 12th International Symposium on Process Systems Engineering / 25th European Symposium on Computer Aided Process Engineering , 2015, 37:1997-2002.[43]Lin XX, Janak S L, Floudas CA. Anew robust optimization approach for scheduling under uncertainty: I. Bounded uncertainty[J]. Computers and Chemical Engineering, 2004, 28:1069-1085.[44]David W W J, Daene C M. Finpng robust solutions to water resources problems[J]. Journal of Water Resources Planning and Management, 1997, 123:49-58.71[45]罗柳红.生态工业园区水资源梯级借助的博弈剖析J].中国人口 •资源与环境, 2011,21:138-141.[46]Burek, P., et al., 2016. Water futures and solution - fast track initiative [R]. International Institute for Applied Systems Analysis .[47]Khor C S, Chachuat B, Shah N. Fixed-flowrate total water network synthesis under uncertainty with risk management[J].Journal of CleanerProduction,2014,77:79-93.[48]Aviso K B, Tan R R, Culaba A B, et al. Fuzzy input-output model for optimizing eco-industrial supply chains under water footprint constraints[J]. Journal of Cleaner Production,2011,19:187-196.[49]RamosMA, Rocafull M, BoixM, etal. Utility network optimization in eco-industrial parks by a multi-leader follower game methodology[J]. Computers & Chemical Engineering, 2018,112:132-153.[50]Rubio-castro E, Ponce-ortega J M, Serna-gonzalez M. A global optimal formulation for the water integration in eco-industrial parks considering multiple pollutants[J]. Computers &Chemical Engineering, 2011, 35:1558-1574.[51]Huang L, Wang D L, He C, et al. Industrial wastewater desalination under uncertainty in coal-chemical eco-industrial parks[J]. Resources Conservation and Recycling, 2019, 145:370-378.[52]仇知, 王蓓蓓, 贲树俊, 等. 计及不确定性的地区综合能源系统双层优化配置规 划模型[J].电力智能化设施,2019,39 :176-185.[53]Takamatsu T, Hashimoto I, Shioya S. On design margin for process system with parameter uncertainty[J]. Journal of Chemical Engineering of Japan, 2006, 6:453-457.[54]Dittmar R, Hartmann K. Calculation of optimal design margins for compensation of parameteruncertainty[J]. Chemical Engineering Science, 1976, 31:563-568.[55]Grossmann I E, Sargent R W H. Optimum design of chemical plants with uncertain parameters[J]. Aiche Journal, 1978, 24:1021-1028.[56]Li P, Arellano-Garcia H, Wozny G. Chance constrained programming approach to72process optimization under uncertainty[J]. Computers & Chemical Engineering, 2008, 32:25-45.[57]Friedman Y, Reklaitis G V. Flexible solutions to inear programs under uncertainty: equality constraints[J]. 人工智能ChE Journal, 1975, 21:83-90.[58]Friedman Y, Reklaitis G V. Flexible solutions to linear programs under uncertainty: inequality constraints[J]. 人工智能Che Journal, 1975, 21:77-83.[59]Geng Y, Co"te‘ R, Fujita T. A quantitative water resource planning and management model for an industrial park level [J]. Regional Environmental Change, 2007, 7:123-135.[60]Ramos M A, Boix M, Aussel D, et al. Water integration in eco-industrial parks using a multi-leader-follower approach[J]. Computers & Chemical Engineering, 2016, 87:190-207.[61]Montastruc L, Boix M, Pibouleau L, et al. On the flexibility of an eco-industrial park for managing industrial water[J]. Journal of CleanerProduction, 2013, 43:1-11.[62]Boix M, Montastruc L, Pibouleau L, et al. Industrial water management by multiobjective optimization: from inpvidual to collective solution through eco-industrial parks[J]. Journal of Cleaner Production, 2012, 22:85-97.[63]Marler R T, Arora J S. The weighted sum method for multi-objective optimization: new insights[J]. Structural and Multipsciplinary Optimization, 2010, 41:853-862.[64]唐巍, 张瑜, 宣东海, 等. 计及阶梯式碳买卖机制的低碳型园区经济运行调度策 略[J].供用电,2021,38:10-18.[65]王贵龙.面向园区的综合能源系统多目的优化调度研究[D].太原理工大学,2021.[66]王仕炬, 刘天琪, 何川, 等. 基于舒适度的需要响应与碳买卖的园区综合能源经济 调 度 [J/OL]. 电 测 与 仪表:1-9[2022-03-17].http://kns.cnki.net/kcms/detail/23.1202.TH.20210427.0849.002.ht ml.[67]俞子聪.综合能源系统多阶段规划办法研究[D].华北电力大学,2021.[68]刘丽荣,刘婵,李欣原.低碳工业园区规划的碳排放计量剖析系统构建J].桂林73理工大学学报,2013,33 :69-73.[69]Zhen J L, Huang G H, Li W, et al.An inexact optimization model for regional electric system steady operation management considering integrated renewable resources[J]. Energy,2017,135:195-209.[70]王贵龙,赵庆生,梁定康,等.计及机会约束规划的园区能量枢纽经济调度J]. 电力系统保护与控制, 2021, 49 :21-29.[71]胡浩,王英瑞,曾博,等.基于CVaR理论的综合能源系统经济优化调度J].电力 智能化设施,2017,37 :209-219.[72]白牧可, 王越, 唐巍, 等. 基于区间线性规划的地区综合能源系统近日优化调度 [J]. 电网技术,2017,41 :3963-3970.[73]施云辉.考虑可再生能源不确定性的电力系统多阶段鲁棒调度办法[D].浙江大 学, 2021.[74]艾欣,刘晓,孙翠英.含风电场电力系统机组组合的模糊机会约束决策模型J]. 电网技术,2011,35 :202-207.[75]Lin Q G, Huang G H. IPEM: An Interval-parameter Energy Systems Planning Model[J]. Energy Sources Part ARecovery Utilization & Environmental Effects, 2008, 30:1382-1399.[76]Huang Y H, Wu J H, Hsu Y J. Two-stage stochastic programming model for the regional-scale electricity planning under demand uncertainty[J]. Energy, 2016, 116:1145-1157.[77]Tan Q, Huang G H, Cai Y P. Multi-source multi-sector sustainable water supply under multiple uncertainties: an inexact fuzzy-stochastic quadratic programming approach[J]. Water Resource Management, 2013, 27:451-473.[78]Cai Y P, Huang G H, Tan Q. An inexact optimization model for regional energy systems planning in the mixed stochastic and fuzzy environment[J]. International Journal of Energy Research, 2009, 33:443-468.[79]Tan Q, Huang G H, Wu C Z, et al. IF-EM: an interval-parameter fuzzy linear programming model for environment-oriented evacuation planning under74uncertainty[J]. Journal of Advanced Transportation, 2011, 45:286-303.[80]Tan Q, Huang G D, Cai Y P. Robust planning of environmental management systems with adjustable conservativeness under compound uncertainty[J]. Journal of Environmental Engineering, 2012, 138:208-222.[81]天津经 济技 术 开发区 东区 供 水 专项规 划 [R]. 2016. http://www.tjbh.gov.cn/contents/6377/122537.html.[82]Chen C, Li Y P, Huang G H, et al. An inexact robust nonlinear optimization method for energy systems planning under uncertainty[J]. Renewable Energy, 2012, 47:55-66.[83]Zhang N, Hu Z G, Han X, et al. A fuzzy chance-constrained program for unit commitment problem considering demand response, electric vehicle and wind power[J]. International Journal of Electrical Power & Energy Systems, 2015, 65:201-209.[84]Huang G H, Loucks D P. An inexact two-stage stochastic programming model for water resources management under uncertainty[J]. Civil Engineering and Environmental Systems, 2000, 17:95-118.[85]陈志, 胡志坚, 翁菖宏, 等. 基于阶梯碳买卖机制的园区综合能源系统多阶段规 划[J].电力智能化设施,2021,41 :148-155.[86]Su C C, Hsu Y Y. Fuzzy dynamic-programming — an application to unit commitment[J]. IEEE Transactions on Power Systems, 1991, 6: 1231-1237.[87]Wada Y, Florke M, Hanasaki N, et al. Modeling global water use for the 21st century: Water Futures and Solutions initiative and its approaches [J]. Geoscientific Model Development Discussions, 2016, 9:175-222.[88]Boretti A, Rosa L. Reassessing the projections of the world water development report[J]. NPJ Clean Water, 2019, 2:1-6.[89]Bauer S, linke H J, Wagner M. Optimizing water-reuse and increasing water-saving potentials by linking treated industrial and municipal wastewater for a sustainable urban development[J]. WaterScience and Technology, 2020, 81:1927-1940.[90]World Business Council for Sustainable Development. Business in the world of water:75WBCSD water scenarios to 2025[EB]. 2006.https://www.wbcsd.org/Programs/Food-and-Nature/Water/Resources/Business-in-the- World-of-Water-WBCSD-water-scenarios-to-2025.[91]Boysen B, Cristobal J, Hilbig J, et al. Economic and environmental assessment of water reuse in industrial parks: case study based on a model industrial park[J]. Journal of Water Reuseand Desalination, 2020, 10:475-489.[92]Lawal M, Alwi S R W, Manan Z A, et al. Industrial symbiosis tools-a review[J]. Journal of Cleaner Production, 2021, 280:1-20.[93]TanRR,FooDCY,MananZA.Assessingthesensitivityofwaternetworkstonoisy mass loads using Monte Carlo simulation[J]. Computers and Chemical Engineering, 2007, 31:1355-1363.[94]Chew I M L, Tan R R, Foo D C Y, et al. Game theory approach to the analysis of inter-plant water integration inan eco-industrial park[J]. Journal ofCleaner Production, 2009, 17:1611-1619.[95]Bi R S, Chen C, Tang J, et al. Two-level optimization model for water consumption based on water prices in eco-industrial parks[J]. Resources Conservation and Recycling, 2019, 146:308-315.[96]Wang Y Y, Huang G H, Wang S, et al. A stochastic programming with imprecise probabilities model for planning water resources systems under multiple uncertainties[J]. Stochastic Environmental Research and Risk Assessment, 2016, 30:2169-2178.[97]Yoo C, Lee T Y, Mm J, et al. Integrated water resource management through water reuse network design for clean production technology: state of the art[J]. Korean Journal of Chemical Engineering, 2007,24:567-576.[98]Kastner CA, Lau R, Kraft M. Quantitative tools for cultivating symbiosis in industrial parks[J]. Applied Energy,2015, 155:599-612.[99]Olesen S G, Polley GT. Dealing with plant geography and piping constraints in water network design[J]. Process Safety and Environmental Protection, 1996,7674:273-276.[100]El-Halwagi M M, Gabriel F, Harell D. Rigorous graphical targeting for resource conservation via material recycle/reuse networks[J]. Industrial & Engineering Chemistry Research, 2003, 42:4319-4328.[101]Liao Z W, Wu J T, Jiang B B, et al. Design methodology for flexible multiple plant water networks[J]. Industrial & Engineering Chemistry Research, 2007, 46:4954-4963.[102]Mavrotas G. Effective implementation of the epsilon-constraint method in multi-objective mathematical programming problems[J]. Applied Mathematics and Computation, 2009, 213:455-465.[103]Zhu H, Huang W W, Huang G H. Planning of regional energy systems: an inexact mixed-integer fractional programming model[J]. Applied Energy, 2014, 113:500-514.[104]Ji Y, Ma G, Wei J, et al. A hybrid approach for uncertain multi-criteria bilevel programs with a supply chain competition application[J]. Journal of Intelligent & Fuzzy Systems, 2017, 33:2999-3008.[105]Zhu H, Huang G H. SLFP: a stochastic linear fractional programming approach for sustainable waste management[J]. Waste Management, 2011, 31:2612-2619.[106]Stancu-Minasian I M. A ninth bibliography of fractional programming. Optimization[J]. 2019, 68:2123-2167.[107]Mehra A, Chandra S, Bector C R. Acceptable optimality in linear fractional programming with fuzzy coefficients[J]. Fuzzy Optimization and Decision Making, 2007, 6:5-16.[108]Zhu H, Huang G H. Dynamic stochastic fractional programming for sustainable management of electric power systems[J]. International Journal of Electrical Power & Energy Systems, 2013, 53:553-563.[109]Cui L, Li Y P, Huang G H. Planning an agricultural water resources management system: a two-stage stochastic fractional programming model[J]. Sustainability, 2015, 7:9846-9863.77[110]Zhou X, Huang G H, Zhu H, et al. Two-stage chance-constrained fractional programming for sustainable water quality management under uncertainty[J]. Journal of Water ResourcesPlanning and Management, 2015,141:1-12.[111]Zhou Y, Huang G, Zhu H, et al. A factorial dual-objective rural environmental management model[J]. Journal ofCleanerProduction, 2016, 124:204-216.[112]Tan Q, Zhang T Y. Robust fractional programming approach for improving agricultural water-use efficiency under uncertainty[J]. Journal of Hydrology, 2018, 564:1110-1119.[113]Charnes A, Cooper W W. Programming with linear fractional functionals[J]. Nav Res LogistQ,1963,9:181-186.[114]Fasakhop AA, Nouri S H, Amini M. Water resources sustainability and optimal cropping pattern in farming systems; a multi-objective fractional goal programming approach[J]. Water Resources Management,2010,24:4639-4657.[115]Mani A, Tsai F T C, Paudel K P. Mixed integer linear fractional programming for conjunctive use of surface water and groundwater[J]. Journal of Water Resources Planning and Management, 2016,142:1-13.[116]Zhao J M, Li M, Guo P, et al. Agricultural water productivity oriented water resources allocation based on the coorpnation of multiple factors[J]. Water, 2017, 9:1-22.[117]Aviso K B, Tan R R, Culaba AB. Designing eco-industrial water exchange networks using fuzzy mathematical programming[J]. Clean Technologies and Environmental Policy,2010, 12:353-363.[118]Xie Y L, Huang G H, Li W, et al. An inexact two-stage stochastic programming model for water resources management in Nansihu Lake Basin, China[J]. Journal of Environmental Management, 2013, 127:188-205.[119]Kofler E. Linear partial information with applications[J]. Fuzzy Sets and Systems, 2001, 118:167-177.[120]Fan YR, Huang G H, Guo P, et al. Inexact two-stage stochastic partial programming:78application to water resources management under uncertainty[J]. Stochastic Environmental Research and Risk Assessment, 2012, 26:281-293.[121]Chen H G, Wang Z J. An inexact multi-stage interval-parameter partial information programming model for water resources management under uncertainties[J]. Water Supply,2021,21:2139-2157.[122]Lin Q G, Huang G H. Planning of energy system management and GHG-emission control in the municipality of Beijing—an inexact-dynamic stochastic programming model[J]. Energy Policy, 2009, 37:4463-4473.[123]Kofler E, Zweifel P. Convolution of fuzzy pstributions in decision-making[J]. StatisticalPapers, 1991, 32:123-136.[124]Hlapk M. Generalized linear fractional programming under interval uncertainty[J]. European Journal of Operational Research, 2010, 205:42-46.[125]Fan Y R, Huang G H. A robust two-step method for solving interval linear programming problems within an environmental management context[J]. Journal of Environmental Informatics, 2012, 19:1-9.[126]Lu H W, Cao M F, Li J, et al. An inexact programming approach for urban electric power systems management under random-interval-parameter uncertainty[J]. Applied Mathematical Modelling, 2015, 39:1757-1768.[127]Ji L, Zhang B B, Huang G H, et al. Robust regional low-carbon electricity system planning with energy-water nexus under uncertainties and complex policy guidelines[J]. Journal of Cleaner Production, 2020, 252:1-17.[128]Wang R, Li Y, Tan Q. A review of inexact optimization modeling and its application to integrated water resources management[J]. Frontiers of Earth Science, 2015, 9:51-64.[129]Chen W T, Li Y P, Huang G H, et al. A two-stage inexact-stochastic programming model for planning carbon poxide emission trapng under uncertainty[J]. Applied Energy, 2010, 87:1033-1047.[130]Li Y P, Huang G H, Nie X H, et al. An inexact fuzzy-robust two-stage programming79model for managing sulfur poxide abatement under uncertainty[J]. Environmental Modeling & Assessment, 2008, 13:77-91 .[131]LiC Z, Shi Y M, Liu S, et al. Uncertain programming of builpng cooling heating and power system based on Monte-Carlo method[J]. Energy and Builpngs, 2010, 42:1369-1375.[132]Song T, Huang G H, Zhou X, et al. An inexact two-stage fractional energy systems planning model[J]. Energy, 20 18, 160:275-289.[133]Li G C, Huang G H, Liu Z F. DMSP-IEES: a stochastic programming model based on dual-interval and multi-stage scenarios modeling approaches for energy systems management and GHG emissions control[J]. Environmental Modeling & Assessment, 2014, 19:373-387.[134]Zhou X, Huang G H, Zhu H, et al. Chance-constrained two-stage fractional optimization for planning regional energy systems in British Columbia, Canada[J]. Applied Energy, 20 15, 154:663-677.[135]Ben Abdelaziz F, Masri H. Stochastic programming with fuzzy linear partial information on probability pstribution[J]. European Journal of Operational Research, 2005, 162:619-629.[136]Jiang P, Dong J, Huang H. Optimal integrated demand response scheduling in regional integrated energy system with concentrating solar power[J]. Applied Thermal Engineering, 2020,166:1-21.[137]刘文学,梁军,贠志皓,等.基于可信理论的多目的模糊机会约束无功优化J]. 电工技术学报,2015,30:82-89.[138]陈曦,袁梦玲,王松,等.考虑碳买卖影响风电消纳的综合能源系统优化运行J]. 重庆理工大学学报, 2022, 36:268-276.[139]陈锦鹏, 胡志坚, 陈嘉滨, 等. 考虑阶梯式碳买卖与供需灵活双响应的综合能源 系统优化调度[J].高电压技术,2021,47 :3094-3106.[140]崔杨, 曾鹏, 仲悟之, 等. 考虑阶梯式碳买卖的电-气-热综合能源系统低碳经济 调度[J].电力智能化设施,2021,41 :10-17.80[141]邱彬, 宋绍鑫, 王凯, 等. 计及需要响应和阶梯型碳买卖机制的地区综合能源系 统 优 化 运 行 [J/OL]. 电 力 系 统 及 其 自 动 化 学 报 :1-16[2022-04-06]. https://doi.org/10.19635/j.cnki.csu-epsa.000869.
 
打赏
 
更多>同类资讯
0相关评论

推荐图文
推荐资讯
点击排行
网站首页  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报