doi：10.11835/j.issn.1000-582X.2023.202

摘要：作為城市能耗的主體，智能樓宇低碳高效運(yùn)行對(duì)實(shí)現(xiàn)“雙碳”目標(biāo)有著重要意義。為了增強(qiáng)樓宇經(jīng)濟(jì)性并提升樓宇能源共享和分布式能源消納，提出了一種考慮樓宇特性、電能交易的樓宇群分布式優(yōu)化調(diào)度模型。在樓宇優(yōu)化層面，建立了以經(jīng)濟(jì)性和溫度舒適性需求為目標(biāo)的樓宇多目標(biāo)運(yùn)行優(yōu)化模型；在樓宇群能源共享層面，建立了端對(duì)端（peer to peer，P2P）樓宇交易市場(chǎng)，并提出了結(jié)合樓宇優(yōu)化結(jié)果和市場(chǎng)風(fēng)險(xiǎn)的新型連續(xù)雙向拍賣交易機(jī)制。通過將市場(chǎng)交易結(jié)果反饋至各樓宇優(yōu)化層面，實(shí)現(xiàn)樓宇運(yùn)行的迭代優(yōu)化和樓宇群內(nèi)能源的互動(dòng)共享，利用魯棒優(yōu)化檢驗(yàn)該模型在各類不確定場(chǎng)景中的有效性。仿真結(jié)果表明，在多場(chǎng)景中，所提的樓宇群分布式優(yōu)化調(diào)度模型均能在優(yōu)化樓宇經(jīng)濟(jì)性的同時(shí)，提升樓宇群能源互補(bǔ)和分布式能源消納的能力。

關(guān)鍵詞：能源共享；連續(xù)雙向拍賣交易；迭代優(yōu)化；魯棒優(yōu)化

中圖分類號(hào)：TM732文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1000-582X（2024）09-112-17

Day-ahead optimal scheduling of buildings considering continuous double auction trading mechanism

LIU Hui，XIONG Zhenyu，HUANG Lidong

（School of Electrical Engineering，Guangxi University，Nanning 530000，P.R.China）

Abstract：As the main consumers of urban energy，the low carbon and efficient operation of intelligent buildings is crucial for achieving the goals of“peak carbon dioxide emissions and carbon neutrality”.To enhance building economics while improving energy sharing and the consumption of distributed energy resources，a distributed optimal scheduling model for buildings taking into account building characteristics and energy trading was proposed.At the building optimization level，a multi-objective building operation optimization model considering economic and temperature comfort requirements was established.At the energy sharing level，a peer-to-peer buildings trading market was set up，and a new continuous double auction trading mechanism combining building optimization results and market risks was proposed.This mechanism feeds back the results of market transactions to the optimization level of each building，achieving iterative optimization and energy sharing within buildings.Robust optimization was used to test the effectiveness of the model in various uncertainty scenarios.Simulation results show that the distributed optimal scheduling model can optimize building economics while enhancingenergy complementarity and the consumption of distributed energy resources in various scenarios.

Keywords：energy sharing;continuous double auction trading;iterative optimization;robust optimization

在“雙碳”背景下，實(shí)現(xiàn)能源清潔高效利用愈加重要[1]。綜合能源系統(tǒng)通過多能互補(bǔ)和轉(zhuǎn)換，在提升能源利用率的同時(shí)減少碳排放，是實(shí)現(xiàn)雙碳目標(biāo)的有效途徑[2]。智能樓宇作為城市能耗的主體[3]和綜合能源系統(tǒng)負(fù)荷側(cè)的終端應(yīng)用形式[4]，具有交互性好、負(fù)荷靈活等特點(diǎn)，能適配各類分布式能源接入，因此，提升綜合能源樓宇的經(jīng)濟(jì)性、環(huán)保性和分布式能源消納能力，對(duì)能源低碳利用、緩解能源危機(jī)和改善環(huán)境等具有重要意義。

目前，國內(nèi)外學(xué)者對(duì)智能樓宇的運(yùn)行特性和能量管理開展了較多的研究工作。靳小龍等[5]利用樓宇圍護(hù)結(jié)構(gòu)熱延時(shí)的特性，構(gòu)建樓宇熱量的虛擬儲(chǔ)能系統(tǒng)，實(shí)現(xiàn)樓宇虛擬儲(chǔ)能系統(tǒng)的充放電管理。張風(fēng)曉等[6]利用滾動(dòng)優(yōu)化預(yù)測(cè)精度高的優(yōu)點(diǎn)，采用模型預(yù)測(cè)控制方法，解決了可再生能源預(yù)測(cè)誤差導(dǎo)致樓宇優(yōu)化調(diào)控方案偏差的問題。Sharma等[7]提出一種新型的建筑能源管理系統(tǒng)，并建立2階段魯棒優(yōu)化模型處理樓宇分布式能源的不確定性，促進(jìn)了樓宇可再生能源消納。針對(duì)醫(yī)院樓宇，Dedesko等[8]以概率模型描述醫(yī)院人員在室率和活動(dòng)特征，并分析概率模型建模誤差和不確定性對(duì)樓宇環(huán)境和運(yùn)行特性的影響。這些研究沒有考慮不同類型樓宇在結(jié)構(gòu)、功能和人員行為上的差異，無法利用多類型樓宇之間的互補(bǔ)特性提升樓宇的經(jīng)濟(jì)性與分布式能源消納能力，且對(duì)樓宇調(diào)度中不確定性的考慮過于單一，無法保證調(diào)度策略的可靠性。

近年來，電力市場(chǎng)的深化改革使市場(chǎng)交易更加多元化，并衍生出多種新型交易主體[9]，其中，端對(duì)端（peer to peer，P2P）交易[10]模式能有效降低電能交易門檻和用戶能源費(fèi)用。配備分布式能源的智能樓宇兼具電能生產(chǎn)和消費(fèi)能力，可直接參與電力市場(chǎng)進(jìn)行電能交易[11]，或同其他樓宇進(jìn)行P2P交易[12-13]，在完成電能共享的同時(shí)，提升樓宇經(jīng)濟(jì)性和分布式能源消納能力。

針對(duì)樓宇間的能源共享和交易，近年來出現(xiàn)了較多的研究成果。葛少云等[14]提出考慮樓宇特性的P2P交易方式，并采用非合作博弈和主從博弈分析交易中各主體的博弈關(guān)系。Li等[15]提出樓宇間交易迭代的方式進(jìn)行市場(chǎng)競價(jià)，并探究不同競價(jià)方式對(duì)交易市場(chǎng)的影響。Kopanos等[16]提出在P2P框架下考慮微網(wǎng)內(nèi)各樓宇用能需求后制定統(tǒng)一價(jià)格，并以微網(wǎng)總經(jīng)濟(jì)成本最小為目標(biāo)進(jìn)行樓宇能源共享。Huang等[17]將下行風(fēng)險(xiǎn)約束應(yīng)用于樓宇P2P交易中，進(jìn)一步分析樓宇間共享儲(chǔ)能對(duì)市場(chǎng)交易的影響。當(dāng)前研究未考慮樓宇運(yùn)行優(yōu)化對(duì)交易的影響以及交易結(jié)果對(duì)樓宇運(yùn)行的修正。

筆者針對(duì)綜合能源樓宇主體，提出了一種考慮樓宇特性的電能交易的樓宇群分布式優(yōu)化調(diào)度模型。首先，考慮樓宇圍護(hù)結(jié)構(gòu)、功能特性、人員行為等因素，對(duì)各類樓宇進(jìn)行精細(xì)化建模和等級(jí)劃分，建立以經(jīng)濟(jì)性和舒適性為目標(biāo)的樓宇多目標(biāo)運(yùn)行優(yōu)化模型。其次，根據(jù)樓宇等級(jí)劃分、運(yùn)行優(yōu)化結(jié)果等，制定新型市場(chǎng)交易策略，實(shí)現(xiàn)樓宇間電能的交易。將市場(chǎng)交易結(jié)果反饋回各樓宇進(jìn)行新一輪運(yùn)行優(yōu)化，實(shí)現(xiàn)樓宇運(yùn)行的迭代優(yōu)化和樓宇群內(nèi)能源的互動(dòng)共享。最后，通過仿真驗(yàn)證所提模型的有效性。

1智能樓宇群框架

1.1智能樓宇群構(gòu)成

樓宇集群中，每個(gè)樓宇都是交易市場(chǎng)的主體，如圖1所示。EMS表示能量管理系統(tǒng)（energy management system，EMS）。根據(jù)樓宇使用功能和圍護(hù)結(jié)構(gòu)，將樓宇分為住宅樓宇、商業(yè)樓宇和特殊樓宇，相關(guān)參數(shù)如表1所示。

智能樓宇的分布式能源系統(tǒng)主要考慮光伏發(fā)電（photovoltaic，PV）。據(jù)統(tǒng)計(jì)，建筑用能在總能耗中占比高達(dá)40%[18]，其中約一半能耗用于滿足樓宇內(nèi)溫控負(fù)荷和空氣調(diào)節(jié)（heating ventilation and air conditioning，HVAC）系統(tǒng)[19]，因此，智能樓宇用能主要考慮HVAC系統(tǒng)能耗、基礎(chǔ)柔性負(fù)荷和人員負(fù)荷。智能樓宇配有EMS，用于管理樓宇運(yùn)行，并與上級(jí)市場(chǎng)進(jìn)行交易信息的傳遞。

1.2智能樓宇群運(yùn)行框架

各樓宇在完成自身運(yùn)行優(yōu)化后向上級(jí)市場(chǎng)提供信息，并同其余樓宇達(dá)成交易。因此，在樓宇的初次運(yùn)行優(yōu)化中只考慮了樓宇自身的因素，未考慮后續(xù)市場(chǎng)交易對(duì)各樓宇運(yùn)行的影響，使各樓宇在樓宇群中只作為獨(dú)立的個(gè)體運(yùn)行，忽略了樓宇間的相互影響。為實(shí)現(xiàn)市場(chǎng)交易結(jié)果對(duì)各樓宇優(yōu)化運(yùn)行的反饋、體現(xiàn)樓宇間的相互作用，并充分挖掘樓宇優(yōu)化調(diào)控能力和樓宇間電能共享能力，將市場(chǎng)交易結(jié)果反饋至各樓宇進(jìn)行運(yùn)行優(yōu)化迭代和市場(chǎng)交易迭代，具體的流程如圖2所示。

首先，設(shè)置最大迭代次數(shù)K，初始化迭代次數(shù)k和各樓宇運(yùn)行優(yōu)化時(shí)的購售電均價(jià)等信息，初始的購售電均價(jià)為配電網(wǎng)購售電價(jià)。接著，各樓宇根據(jù)自身信息完成運(yùn)行優(yōu)化，并在交易市場(chǎng)同其余樓宇達(dá)成交易，若迭代次數(shù)k未超過最大值K，交易市場(chǎng)和各樓宇根據(jù)交易結(jié)果分別更新購售電均價(jià)和邊際價(jià)格，為下一輪的運(yùn)行優(yōu)化和市場(chǎng)交易做準(zhǔn)備。當(dāng)?shù)螖?shù)k超過最大值K時(shí)，迭代優(yōu)化結(jié)束。

2智能樓宇主體模型

2.1樓宇熱力學(xué)模型

采用的樓宇熱力學(xué)模型如圖3所示。以夏季制冷為例，構(gòu)建樓宇熱平衡方程[20]。

式中：Δt為劃分時(shí)段的時(shí)長；HSUN.t為t時(shí)段室內(nèi)太陽輻射得熱；ISUN.t為t時(shí)段太陽熱輻射功率；Fwin為樓宇外窗總面積；SC為外窗遮陽系數(shù)；Hrand.t為t時(shí)段室內(nèi)各類熱源的散熱功率；Npeo.t為t時(shí)段樓宇在室人數(shù)總和；Qpeo為人均散熱量；P equi.t為t時(shí)段基礎(chǔ)柔性負(fù)荷總功率值；εe為散熱系數(shù)；HHVAC.t為t時(shí)段HVAC系統(tǒng)的制冷功率；Kwall為樓宇外墻傳熱系數(shù)；Kwin為樓宇外窗傳熱系數(shù)；Fwall為樓宇外墻總面積；Troom.t為t時(shí)段的室內(nèi)溫度；Tout.t為t時(shí)段的室外溫度；ρa(bǔ)ir為室內(nèi)的空氣密度；C air為空氣比熱容；Vroom為室內(nèi)空氣容量；Troom.t+1為下一時(shí)段的室內(nèi)溫度。圖3樓宇室內(nèi)熱平衡

2.2樓宇設(shè)備模型

2.2.1基礎(chǔ)柔性負(fù)荷模型

考慮各樓宇的基礎(chǔ)柔性負(fù)荷，為簡化模型，設(shè)定日內(nèi)柔性負(fù)荷的總量一定，各時(shí)段調(diào)節(jié)能力在一定范圍內(nèi)，有

式中：P equi.t和Pequi.plan.t分別表示t時(shí)段該樓宇基礎(chǔ)柔性負(fù)荷的實(shí)際用能和計(jì)劃用能；εp為調(diào)節(jié)系數(shù)；T為一天內(nèi)時(shí)間斷面總數(shù)。

2.2.2 HVAC系統(tǒng)模型

HVAC系統(tǒng)總功率計(jì)算方式為

式中：PHVAC.t為t時(shí)段HVAC系統(tǒng)的總耗電功率；PH.t和PW.t分別為HVAC系統(tǒng)的制冷電功率和送風(fēng)電功率。制冷電功率計(jì)算方法如下：

式中：mf為系統(tǒng)送風(fēng)質(zhì)量流；THVAC.t為t時(shí)段系統(tǒng)送風(fēng)溫度；C cop為系統(tǒng)能效比。送風(fēng)電功率計(jì)算方法如下：

式中：ηfan和ηmotor分別表示送風(fēng)設(shè)備的風(fēng)機(jī)系數(shù)和電機(jī)系數(shù)；ΔPtot為送風(fēng)設(shè)備內(nèi)部壓強(qiáng)差，具體計(jì)算方法為

式中：P statistic為靜態(tài)壓強(qiáng)差；v air為送風(fēng)風(fēng)速。

2.2.3儲(chǔ)能設(shè)備模型

儲(chǔ)能設(shè)備模型為

式中：E sto.t和E sto.t+1分別表示t時(shí)段和下一時(shí)段的儲(chǔ)能容量；P ch.t和Pdis.t表示t時(shí)段儲(chǔ)能設(shè)備充放電功率；ηch和ηdis表示設(shè)備充放電效率；Sch.t和Sdis.t為0～1的變量，表示設(shè)備在t時(shí)段充放電狀態(tài)；E sto.0和E sto.T表示儲(chǔ)能設(shè)備在運(yùn)行周期內(nèi)的始末狀態(tài)。

2.2.4光伏發(fā)電模型

將光伏發(fā)電功率簡化為同光照強(qiáng)度成正比關(guān)系，具體設(shè)備模型為

式中：PPV.t為t時(shí)段光伏發(fā)電功率；PSTC為光電轉(zhuǎn)換率；μSUN為光伏系數(shù)，不同樓宇因光伏板面積、光照角度的不同而有所區(qū)別。

3智能樓宇運(yùn)行優(yōu)化策略

3.1優(yōu)化目標(biāo)函數(shù)

目標(biāo)函數(shù)主要由2部分組成：

式中：CBuilding為樓宇一天內(nèi)的總成本；CTrade.t為t時(shí)段樓宇運(yùn)行經(jīng)濟(jì)成本，其含義是該樓宇與交易市場(chǎng)的交易成本；CTC.s.t和CTC.b.t分別表示t時(shí)段該樓宇在交易市場(chǎng)的售電和購電均價(jià)；PBuilding.b.t和PBuilding.s.t分別表示該樓宇t時(shí)段在交易市場(chǎng)總的購電和售電電量；CTem.t為t時(shí)段影響用戶溫度舒適度的懲罰成本；Tset為室內(nèi)最適溫度，設(shè)定為24℃;γ為溫度懲罰因子，選值受樓宇結(jié)構(gòu)的影響，如文獻(xiàn)[5]所述，太高的懲罰因子會(huì)降低樓宇虛擬儲(chǔ)能效果。太低的懲罰因子同樣會(huì)降低樓宇虛擬儲(chǔ)能效果，因此，溫度懲罰因子為充分體現(xiàn)樓宇虛擬儲(chǔ)能特性的選值。

3.2約束條件

3.2.1儲(chǔ)能設(shè)備模型

樓宇優(yōu)化運(yùn)行中主要包含電功率平衡約束和熱平衡約束，熱平衡約束如式（1）所示，電功率平衡約束指該樓宇分布式能源發(fā)電量、交易購電量和儲(chǔ)能設(shè)備放電量總和等于樓宇交易售電量、HVAC系統(tǒng)能耗、樓宇基礎(chǔ)電負(fù)荷和儲(chǔ)能設(shè)備電量總和：

式中：Prand.t為樓宇t時(shí)段的基礎(chǔ)電負(fù)荷；Ppeo為樓宇在室人員的人均耗電功率。

3.2.2設(shè)備運(yùn)行約束

樓宇設(shè)備運(yùn)行約束主要包含HVAC系統(tǒng)運(yùn)行約束、溫度約束、儲(chǔ)能約束和光伏出力約束，表達(dá)式為

式（14）中包含了HVAC系統(tǒng)總功率、出風(fēng)溫度的上下限約束，儲(chǔ)能充放電功率的上下限約束，以及光伏出力的上下限約束。

3.3不確定性處理

光照強(qiáng)度和人員數(shù)量的不確定性會(huì)影響樓宇運(yùn)行優(yōu)化結(jié)果，商業(yè)樓宇的在室人員狀態(tài)可通過幾何分布再現(xiàn)，人員到達(dá)或離開樓宇的數(shù)量可通過正態(tài)分布再現(xiàn)[21]，因此，可根據(jù)樓宇在室人數(shù)峰值，利用正態(tài)分布函數(shù)，通過蒙特卡洛模擬方法生成各類人員在室場(chǎng)景。各類光照強(qiáng)度場(chǎng)景通過歷史數(shù)據(jù)獲取。采用魯棒優(yōu)化方法處理不確定性問題，下面以xun表示不確定性參數(shù)。

式中：xmax和xmin分別表示不確定參數(shù)的上下限；xun.ave表示不確定性參數(shù)的均值；xun.dval表示不確定性參數(shù)均值與極值間的距離；為平衡保守性和經(jīng)濟(jì)性引入魯棒系數(shù)Γ，通過Γ的取值反應(yīng)不確定參數(shù)的保守程度；J為不確定性參數(shù)的集合。人員數(shù)量、光照強(qiáng)度的不確定性區(qū)間可表示為：

式中：Γpeo和ΓSUN分別表示人員數(shù)量和光照強(qiáng)度的魯棒系數(shù)，在任意時(shí)間段內(nèi)上述2種量綱都只有一個(gè)不確定性參數(shù)，因此Jpeo和JSUN均為1。具體的魯棒約束為

式中，εpeo.t、εSUN.t、kpeo.t、kSUN.t、πpeo.t、πSUN.t均為引入計(jì)算的魯棒輔助系數(shù)。

4樓宇群交易市場(chǎng)模型

為使每個(gè)樓宇可同時(shí)作為能源消費(fèi)者和生產(chǎn)者融入電力市場(chǎng)，搭建了考慮樓宇運(yùn)行和電力市場(chǎng)特性的P2P交易市場(chǎng)，提出了結(jié)合市場(chǎng)清算規(guī)則和交易風(fēng)險(xiǎn)的新型連續(xù)雙向拍賣（continues double auction，CDA）交易機(jī)制。

4.1交易市場(chǎng)結(jié)構(gòu)

在P2P交易市場(chǎng)中，各樓宇均為獨(dú)立的主體，在物理層和信息層通過能量交易中心與配電網(wǎng)相連，交易流程如圖4所示。交易過程基本規(guī)則如下。

1）結(jié)合電力市場(chǎng)清算規(guī)則，購售電方的報(bào)價(jià)均在配電網(wǎng)購售電價(jià)區(qū)間內(nèi)。

2）交易過程遵循價(jià)格優(yōu)先原則，尋找出價(jià)最高的購電方和出價(jià)最低的售電方，當(dāng)最高出價(jià)超過最低出價(jià)則達(dá)成交易，交易價(jià)格為雙方的報(bào)價(jià)均價(jià)，交易電量為待交易量少的一方。

3）為區(qū)分樓宇負(fù)荷等級(jí)，設(shè)定特殊樓宇等級(jí)最高，住宅樓宇等級(jí)最低，若報(bào)價(jià)相同，高等級(jí)樓宇優(yōu)先交易。所有樓宇不斷更新報(bào)價(jià)直至完成交易任務(wù)，若超過最大交易次數(shù)N或交易市場(chǎng)中只存在一方報(bào)價(jià)，則關(guān)閉當(dāng)前時(shí)段交易市場(chǎng)，未完成交易任務(wù)的樓宇同配電網(wǎng)進(jìn)行市場(chǎng)清算。

4.2新型CDA交易機(jī)制

各樓宇根據(jù)運(yùn)行情況、交易輪次、交易風(fēng)險(xiǎn)和歷史報(bào)價(jià)等信息不斷更新自身報(bào)價(jià)。在報(bào)價(jià)范圍內(nèi)，購電方報(bào)價(jià)越高、售電方報(bào)價(jià)越低則越利于交易的達(dá)成，反之則會(huì)阻礙交易。因此，引入交易風(fēng)險(xiǎn)因子μn，反映市場(chǎng)變化和交易電量差異對(duì)各樓宇交易報(bào)價(jià)的影響。

交易市場(chǎng)分為買方和賣方市場(chǎng)，其中買方市場(chǎng)指市場(chǎng)總購電電量小于售電電量，市場(chǎng)價(jià)格利好傾向于購電方；賣方市場(chǎng)指市場(chǎng)總購電電量大于售電電量，市場(chǎng)價(jià)格利好傾向于售電方。買方市場(chǎng)中的購電方和賣方市場(chǎng)中的售電方均為趨向風(fēng)險(xiǎn)型即μn≥0，待交易電量越小風(fēng)險(xiǎn)因子越大，交易中越趨向?qū)で蟾呃妫毁I方市場(chǎng)中的售電方和賣方市場(chǎng)中的購電方都為規(guī)避風(fēng)險(xiǎn)型即μn≤0，待交易電量越小風(fēng)險(xiǎn)因子絕對(duì)值越大，交易中越趨向提高交易成功率而非尋求更高利益。交易風(fēng)險(xiǎn)因子表達(dá)式為

式中：μset.t為t時(shí)段風(fēng)險(xiǎn)因子設(shè)置值，同該樓宇t時(shí)段交易電量Pi.t和交易市場(chǎng)總交易量P all.t相關(guān)，且在交易過程中隨兩者的變化而變化；μn.t和μ（n+1）.t為t時(shí)段第n輪和下一輪次的風(fēng)險(xiǎn)因子；l為風(fēng)險(xiǎn)因子自學(xué)習(xí)率。考慮交易風(fēng)險(xiǎn)并引入風(fēng)險(xiǎn)因子的CDA交易機(jī)制如下。

1）針對(duì)購電方，在t時(shí)段第n輪次報(bào)價(jià)大于歷史成交價(jià)格最低值時(shí)：

小于歷史成交價(jià)格最低值時(shí)：

2）針對(duì)售電方，在t時(shí)段第n輪次報(bào)價(jià)小于歷史成交價(jià)格最高值時(shí)：

大于歷史成交價(jià)格最高值時(shí)：

式中：BB.t.his為購電方t時(shí)段的歷史成交電價(jià)；BS.t.his為售電方t時(shí)段的歷史成交電價(jià)；Bn.t為該樓宇t時(shí)段第n輪次的交易報(bào)價(jià)；Pb.t和P s.t表示t時(shí)段交易市場(chǎng)的邊際購售電價(jià)，為配電網(wǎng)的購售電價(jià)或各樓宇迭代優(yōu)化中更新的購售電均價(jià)；α和β為交易權(quán)重系數(shù)。為推進(jìn)交易報(bào)價(jià)的進(jìn)行引入悲觀系數(shù)λn，其表達(dá)式為

5算例分析

5.1模型參數(shù)

算例分析包含3棟住宅樓宇、2棟商業(yè)樓宇和1棟特殊樓宇。各樓宇建筑參數(shù)、設(shè)備參數(shù)、運(yùn)行優(yōu)化特性見表2～4，典型日在室人數(shù)見圖5，各樓宇基礎(chǔ)柔性負(fù)荷見圖6。算例選取中國北方夏季某典型日，室外溫度和光照輻射強(qiáng)度曲線見圖7。

考慮1天的經(jīng)濟(jì)優(yōu)化調(diào)度，設(shè)定30 min為1個(gè)時(shí)段，配電網(wǎng)實(shí)時(shí)購售電價(jià)格如圖8所示，通過Gurobi求解器進(jìn)行問題求解，針對(duì)目標(biāo)函數(shù)中的絕對(duì)值，利用yalmip求解工具中的implies函數(shù)進(jìn)行優(yōu)化處理。

5.2結(jié)果分析

5.2.1樓宇運(yùn)行優(yōu)化分析

各樓宇參與市場(chǎng)交易前的運(yùn)行優(yōu)化結(jié)果，因樓宇結(jié)構(gòu)、使用特性和設(shè)備組成的不同有所區(qū)別。以住宅樓宇C，商業(yè)樓宇E，和特殊樓宇F進(jìn)行對(duì)比分析。

從圖9（a）可看出，住宅樓宇C的基礎(chǔ)柔性負(fù)荷受配電網(wǎng)購售電價(jià)影響，16：00―21：00的用電高峰向9：00―13：00分布式能源發(fā)電較多的時(shí)段偏移。該樓宇在8：00―16：00為售電方，HVAC系統(tǒng)能耗受配電網(wǎng)購電電價(jià)影響，低電價(jià)時(shí)段增加能耗，降低室溫實(shí)現(xiàn)虛擬儲(chǔ)能；高電價(jià)時(shí)段減少能耗，釋放虛擬儲(chǔ)能。從圖9（b）可看出，商業(yè)樓宇E受配電網(wǎng)售電電價(jià)影響，9：30―15：30的高電價(jià)時(shí)段峰值負(fù)荷向兩側(cè)低電價(jià)時(shí)段轉(zhuǎn)移；受基礎(chǔ)柔性負(fù)荷、儲(chǔ)能設(shè)備和HVAC系統(tǒng)能耗共同調(diào)節(jié)作用，商業(yè)樓宇E在高電價(jià)9：30―15：30時(shí)段購電量明顯下降。從圖9（c）可看出，特殊樓宇F同樓宇商業(yè)E類似，9：00―16：00的基礎(chǔ)柔性負(fù)荷向兩側(cè)低電價(jià)時(shí)段轉(zhuǎn)移，受基礎(chǔ)柔性負(fù)荷、儲(chǔ)能設(shè)備和HVAC系統(tǒng)能耗共同調(diào)節(jié)作用，特殊樓宇F在高電價(jià)9：30―15：30時(shí)段購電量同樣下降明顯。

各樓宇設(shè)備用能情況受配電網(wǎng)購售電價(jià)影響，在高電價(jià)時(shí)段降低用能以減少購電量或增加售電量；減少的購電量有效降低了樓宇運(yùn)行成本，但同時(shí)削弱了樓宇群的能源共享量。

5.2.2 P2P交易特性分析

各樓宇完成運(yùn)行優(yōu)化后向上級(jí)市場(chǎng)提交信息進(jìn)行P2P交易，各樓宇待交易情況和CDA交易機(jī)制參數(shù)設(shè)置如表5和表6所示。選取2個(gè)時(shí)間段的交易情況進(jìn)行對(duì)比分析，其中8：30―9：00為賣方市場(chǎng)，售電方能以較高價(jià)格達(dá)成交易；9：00―9：30為買方市場(chǎng)，購電方能以較低價(jià)格達(dá)成交易。

由圖10可知，各樓宇報(bào)價(jià)受買賣市場(chǎng)關(guān)系和風(fēng)險(xiǎn)因子值的影響，如在8：30―9：00第22輪次，住宅樓宇C和商業(yè)樓宇E達(dá)成交易后，剩余待交易電量小于住宅樓宇A(yù)，此時(shí)樓宇C的交易風(fēng)險(xiǎn)更小，更新風(fēng)險(xiǎn)因子后為追求更高利益樓宇C在第23和24輪次的報(bào)價(jià)下降速率低于樓宇A(yù)，并最終以高于樓宇A(yù)的報(bào)價(jià)達(dá)成交易。對(duì)比2類市場(chǎng)交易情況，購售電雙方中低風(fēng)險(xiǎn)的樓宇為尋求更高利益，會(huì)比高風(fēng)險(xiǎn)樓宇以更靠后的交易輪次和更優(yōu)的報(bào)價(jià)達(dá)成交易。綜上，P2P交易市場(chǎng)本質(zhì)是利用市場(chǎng)關(guān)系，使賣方市場(chǎng)中成交價(jià)格傾向配電網(wǎng)售電電價(jià)，使買方市場(chǎng)中成交價(jià)格傾向配電網(wǎng)購電電價(jià)。

交易完成后，各樓宇根據(jù)報(bào)價(jià)情況更新自身購售電均價(jià)，以住宅樓宇A(yù)和商業(yè)樓宇E為例。如圖11所示，住宅樓宇A(yù)為售電方，能在賣方市場(chǎng)8：30―9：00、14：00―15：30時(shí)段以較高價(jià)格售電，其余時(shí)段售電價(jià)格也高于配電網(wǎng)購電價(jià)；商業(yè)樓宇E為購電方，能在買方市場(chǎng)9：00―13：30時(shí)段以較低價(jià)格購電，其余時(shí)段購電價(jià)格也低于配電網(wǎng)售電價(jià)。

提出的新型CDA交易機(jī)制能穩(wěn)定反映買賣市場(chǎng)關(guān)系、交易風(fēng)險(xiǎn)對(duì)各樓宇交易報(bào)價(jià)和交易結(jié)果的影響；該CDA交易機(jī)制擁有較好的動(dòng)態(tài)特性，能通過實(shí)時(shí)更新的交易報(bào)價(jià)，更好地反映各樓宇在交易過程中信息的動(dòng)態(tài)變化。

5.2.3樓宇運(yùn)行迭代優(yōu)化分析

為驗(yàn)證所提交易市場(chǎng)和迭代優(yōu)化對(duì)各樓宇運(yùn)行和樓宇群能源共享的影響，對(duì)住宅樓宇C、商業(yè)樓宇E和特殊樓宇F以下列2種案例進(jìn)行對(duì)比分析，并探究在案例2條件下的最大迭代次數(shù)選值問題。

案例1：各樓宇完成運(yùn)行優(yōu)化后，進(jìn)行P2P市場(chǎng)交易，不考慮樓宇的迭代優(yōu)化。

案例2：各樓宇考慮迭代優(yōu)化，完成樓宇運(yùn)行優(yōu)化迭代和市場(chǎng)交易迭代。

對(duì)比表7中各樓宇運(yùn)行優(yōu)化和案例1最終成本可知，樓宇C在市場(chǎng)交易后成本優(yōu)化明顯，是因?yàn)槭袌?chǎng)開放時(shí)段，樓宇C為售電方，且交易電量在自身總能耗中占比較高；樓宇E受基礎(chǔ)柔性負(fù)荷調(diào)節(jié)影響，市場(chǎng)開放時(shí)段的交易電量占比較低，因此，交易后成本變化不明顯。

P2P市場(chǎng)交易本質(zhì)是利用市場(chǎng)關(guān)系，使買、賣方市場(chǎng)中的交易價(jià)格傾向配電網(wǎng)的購電、售電電價(jià)。如表8所示，隨著最大迭代次數(shù)的增加和P2P市場(chǎng)交易迭代的進(jìn)行，各樓宇交易報(bào)價(jià)區(qū)間不斷縮小，使交易和迭代優(yōu)化結(jié)果趨于平穩(wěn)。為平衡優(yōu)化效果和優(yōu)化運(yùn)行時(shí)間，設(shè)定最大交易迭代次數(shù)為4。

對(duì)比圖9和圖12，受迭代優(yōu)化影響，各樓宇設(shè)備運(yùn)行情況發(fā)生較大改變。9：00―13：30時(shí)段分布式能源發(fā)電多，交易市場(chǎng)為買方市場(chǎng)，購電方能以較低價(jià)格達(dá)成交易，因此，案例2中樓宇E和樓宇F的基礎(chǔ)柔性負(fù)荷、儲(chǔ)能設(shè)備和HVAC系統(tǒng)能耗均向該時(shí)段偏移；8：00―9：00和13：30―16：00時(shí)段分布式能源發(fā)電降低，交易市場(chǎng)為賣方市場(chǎng)，售電方能以較高價(jià)格達(dá)成交易，因此，案例2中樓宇C為能在賣方市場(chǎng)時(shí)段出售更多電能，其基礎(chǔ)柔性負(fù)荷和HVAC系統(tǒng)能耗向該時(shí)段兩側(cè)偏移。如表7所示，受價(jià)格變化和負(fù)荷調(diào)整共同影響，案例2中各樓宇的最終成本均有所降低。

迭代優(yōu)化中市場(chǎng)交易價(jià)格的變化對(duì)樓宇運(yùn)行狀況和樓宇群能源共享能力有較大影響。通過價(jià)格變化驅(qū)使各樓宇調(diào)整運(yùn)行狀態(tài)，將各類負(fù)荷峰值向分布式能源發(fā)電量較多的時(shí)段轉(zhuǎn)移，改善了樓宇群能源共享情況。如圖13所示，樓宇群分布式能源對(duì)配電網(wǎng)售電量由1 563.8 kW.h降低至100.6 kW.h，樓宇群能源共享量由1 645.8 kW.h提升至3 275.1 kW.h。通過迭代優(yōu)化，提升了各樓宇運(yùn)行的經(jīng)濟(jì)性，并極大提升了樓宇群能源共享的能力和對(duì)分布式能源的消納能力。

為進(jìn)一步探究文中所提交易市場(chǎng)、交易機(jī)制和配電網(wǎng)購售電價(jià)對(duì)樓宇群能源共享和分布式能源消納能力的影響，選取不同的交易權(quán)重系數(shù)和配電網(wǎng)購售電價(jià)進(jìn)行對(duì)比分析，如表9所示。隨著風(fēng)險(xiǎn)因子系數(shù)β提升，各樓宇交易后更新的購售電均價(jià)越接近配電網(wǎng)購售電價(jià)，買賣市場(chǎng)變化導(dǎo)致的價(jià)格差越大，通過迭代優(yōu)化，更大的價(jià)格差對(duì)各樓宇負(fù)荷的調(diào)整作用更明顯，因此，樓宇群能源共享量不斷提升，樓宇群對(duì)外售電量不斷減少，即分布式能源的消納能力不斷提升。如表10所示，經(jīng)過迭代優(yōu)化后，更大的配電網(wǎng)購售電價(jià)格差同樣會(huì)使各樓宇的負(fù)荷調(diào)節(jié)作用更加明顯，使樓宇群能源共享和對(duì)外售電優(yōu)化比不斷提升。

5.2.4樓宇運(yùn)行魯棒特性分析

為研究不同不確定因素和魯棒系數(shù)r對(duì)樓宇群能源共享和分布式能源消納的影響，本工作在案例2的基礎(chǔ)上分3類情況進(jìn)行討論分析：考慮人員不確定性；考慮光照強(qiáng)度不確定性；同時(shí)考慮兩者不確定性。

人員不確定性主要影響商業(yè)、特殊樓宇的基礎(chǔ)電負(fù)荷。上述2類樓宇均為購電方，如表11和圖14（a）所示，隨著魯棒系數(shù)提高，增加的基礎(chǔ)電負(fù)荷會(huì)提升這2類樓宇的購電量，進(jìn)而提升樓宇群的共享電量，減少對(duì)外售電量，且基礎(chǔ)電負(fù)荷量越大優(yōu)化效果越好；樓宇群的初始共享量和優(yōu)化后的共享量均隨魯棒系數(shù)的提高而提高，但增加的能源互補(bǔ)量相對(duì)固定，所以表現(xiàn)出樓宇群能源互補(bǔ)優(yōu)化百分比下降的趨勢(shì)。

光照強(qiáng)度不確定性主要影響樓宇分布式能源發(fā)電量。如表12和圖14（b）所示，隨著魯棒系數(shù)變大，分布式能源發(fā)電量和交易時(shí)段均減少，針對(duì)基礎(chǔ)負(fù)荷的調(diào)控能力減弱，因此，樓宇群能源互補(bǔ)優(yōu)化量下降；盡管樓宇群對(duì)外售電優(yōu)化量隨魯棒系數(shù)的增加有所減少，但分布式能源發(fā)電量減少的速率更快，所以樓宇群對(duì)外售電優(yōu)化百分比仍表現(xiàn)出上升的趨勢(shì)。

同時(shí)考慮兩者不確定性的結(jié)果同圖14（b）類似，由此可知，樓宇群能源互補(bǔ)優(yōu)化量主要受分布式能源發(fā)電量的影響，樓宇群對(duì)外售電優(yōu)化百分比在兩者共同作用下仍呈現(xiàn)上升趨勢(shì)。因此，提出的樓宇優(yōu)化迭代方法能在各類場(chǎng)景下以經(jīng)濟(jì)性為目標(biāo)，有效提升樓宇群能源共享和分布式能源消納能力。

4結(jié)論

提出了一種考慮樓宇特性、電能交易的樓宇群分布式優(yōu)化調(diào)度模型，建立了以經(jīng)濟(jì)性、舒適性為目標(biāo)的樓宇運(yùn)行優(yōu)化模型，并通過考慮市場(chǎng)關(guān)系、交易風(fēng)險(xiǎn)的新型連續(xù)拍賣交易機(jī)制，激勵(lì)和引導(dǎo)各樓宇實(shí)現(xiàn)各類不確定條件下的樓宇群能源共享。主要結(jié)論如下：

1）提出一種新型連續(xù)拍賣交易機(jī)制，可根據(jù)市場(chǎng)關(guān)系、樓宇運(yùn)行情況完成市場(chǎng)競價(jià)，各樓宇報(bào)價(jià)根據(jù)整體交易情況實(shí)時(shí)更新，具有良好的穩(wěn)定性和動(dòng)態(tài)特性。

2）通過交易價(jià)格的更新引導(dǎo)各樓宇完成迭代優(yōu)化，提升樓宇經(jīng)濟(jì)性的同時(shí)進(jìn)一步挖掘各樓宇調(diào)節(jié)負(fù)荷的能力；實(shí)現(xiàn)樓宇間能源共享的同時(shí)，提升樓宇群能源共享的能力和分布式能源消納能力，并在算例中討論了不同交易權(quán)重的影響。

3）提出考慮人員不確定性和光照強(qiáng)度不確定性的樓宇群分布式魯棒優(yōu)化模型，驗(yàn)證了該模型能在各類場(chǎng)景下有效提升樓宇群能源共享的能力和分布式能源消納能力。

參考文獻(xiàn)

［1］杜祥琬.我國能源轉(zhuǎn)型幾個(gè)關(guān)鍵問題值得深思[J].中國石油企業(yè)，2020（12）：10-11.

Du X W.Several key issues in China’s energy transformation are worth pondering[J].China Petroleum Enterprise，2020（12）：10-11.（in Chinese）

［2］張顯，史連軍.中國電力市場(chǎng)未來研究方向及關(guān)鍵技術(shù)[J].電力系統(tǒng)自動(dòng)化，2020，44（16）：1-11.

Zhang X，Shi L J.Future research areas and key technologies of electricity market in China[J].Automation of Electric Power Systems，2020，44（16）：1-11.（in Chinese）

［3］Tian W，Heo Y，de Wilde P，et al.A review of uncertainty analysis in building energy assessment[J].Renewable and Sustainable Energy Reviews，2018，93：285-301.

［4］Majdi A，Dwijendra N K A，Muda I，et al.A smart building with integrated energy management：steps toward the creation of a smart city[J].Sustainable Energy Technologies and Assessments，2022，53：102663.

［5］靳小龍，穆云飛，賈宏杰，等.融合需求側(cè)虛擬儲(chǔ)能系統(tǒng)的冷熱電聯(lián)供樓宇微網(wǎng)優(yōu)化調(diào)度方法[J].中國電機(jī)工程學(xué)報(bào)，2017，37（2）：581-591.

Jin X L，Mu Y F，Jia H J，et al.Optimal scheduling method for a combined cooling，heating and power building microgrid considering virtual storage system at demand side[J].Proceedings of the CSEE，2017，37（2）：581-591.（in Chinese）

［6］張風(fēng)曉，靳小龍，穆云飛，等.融合虛擬儲(chǔ)能系統(tǒng)的樓宇微網(wǎng)模型預(yù)測(cè)調(diào)控方法[J].中國電機(jī)工程學(xué)報(bào)，2018，38（15）：4420-4428，4642.

Zhang F X，Jin X L，Mu Y F，et al.Model predictive scheduling method for a building microgrid considering virtual storage system[J].Proceedings of the CSEE，2018，38（15）：4420-4428，4642.（in Chinese）

［7］Sharma S，Verma A，Xu Y，et al.Robustly coordinated bi-level energy management of a multi-energy building under multiple uncertainties[J].IEEE Transactions on Sustainable Energy，2021，12（1）：3-13.

［8］Dedesko S，Stephens B，Gilbert J A，et al.Methods to assess human occupancy and occupant activity in hospital patient rooms[J].Building and Environment，2015，90：136-145.

［9］Ruan H B，Gao H J，Gooi H B，et al.Active distribution network operation management integrated with P2P trading[J].AppliedEnergy，2022，323：119632.

［10］Soto E A，Bosman L B，Wollega E，et al.Peer-to-peer energy trading：a review of the literature[J].Applied Energy，2021，283：116268.

［11］朱嘉遠(yuǎn)，劉洋，許立雄，等.考慮風(fēng)電消納的熱電聯(lián)供型微網(wǎng)日前魯棒經(jīng)濟(jì)調(diào)度[J].電力系統(tǒng)自動(dòng)化，2019，43（4）：40-48.

Zhu J Y，Liu Y，Xu L X，et al.Robust day-ahead economic dispatch of microgrid with combined heat and power system considering wind power accommodation[J].Automation of Electric Power Systems，2019，43（4）：40-48.（in Chinese）

［12］Park B R，Chung M H，Moon J W.Becoming a building suitable for participation in peer-to-peer energy trading[J].Sustainable Cities and Society，2022，76：103436.

［13］Jian P R，Guo T T，Wang D，et al.RETRACTED：risk-based energy management of industrial buildings in smart cities and peer-to-peer electricity trading using second-order stochastic dominance procedure[J].Sustainable Cities and Society，2022，77：103550.

［14］葛少云，李吉峰，劉洪，等.考慮智能建筑特性的多微網(wǎng)端對(duì)端能量交易方法[J].電力系統(tǒng)自動(dòng)化，2021，45（6）：203-214.

Ge S Y，Li J F，Liu H，et al.Peer-to-peer energy trading method for multiple microgrids considering characteristics of smart building[J].Automation of Electric Power Systems，2021，45（6）：203-214.（in Chinese）

［15］Li Z P，Ma T.Distributed photovoltaics with peer-to-peer electricity trading[J].Energy and Built Environment，2022，3（4）：424-432.

［16］Kopanos G M，Georgiadis M C，Pistikopoulos E N.Energy production planning of a network of micro combined heat and power generators[J].Applied Energy，2013，102：1522-1534.

［17］Huang Y，Valipour E，Nojavan S，et al.RETRACTED：risk modeling of an industrial area with shared storage of several buildings using downside risk constraint method considering peer-to-peer trading[J].Journal of Energy Storage，2022，47：103540.

［18］Wei Z，Xu W，Wang D，et al.A study of city-level building energy efficiency benchmarking system for China[J].Energy and Buildings，2018，179：1-14.

［19］Shi H S，Chen Q.Building energy management decision-making in the real world：a comparative study of HVAC cooling strategies[J].Journal of Building Engineering，2021，33：101869.

［20］Buonomano A，Palombo A.Building energy performance analysis by an in-house developed dynamic simulation code：an investigation for different case studies[J].Applied Energy，2014，113：788-807.

［21］Luo X，Lam K P，Chen Y X，et al.Performance evaluation of an agent-based occupancy simulation model[J].Building and Environment，2017，115：42-53.

（編輯呂建斌）