考慮連續雙向拍賣機制的樓宇群日前優化調度

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行對實現“雙碳”目標有著重要意義。為了增強樓宇經濟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化調度模型。在樓宇優化層面，建立了以經濟性和溫度舒適性需求為目標的樓宇多目標運行優化模型；在樓宇群能源共享層面，建立了端對端（peer to peer，P2P）樓宇交易市場，并提出了結合樓宇優化結果和市場風險的新型連續雙向拍賣交易機制。通過將市場交易結果反饋至各樓宇優化層面，實現樓宇運行的迭代優化和樓宇群內能源的互動共享，利用魯棒優化檢驗該模型在各類不確定場景中的有效性。仿真結果表明，在多場景中，所提的樓宇群分布式優化調度模型均能在優化樓宇經濟性的同時，提升樓宇群能源互補和分布式能源消納的能力。

關鍵詞：能源共享；連續雙向拍賣交易；迭代優化；魯棒優化

中圖分類號：TM732文獻標志碼：A文章編號：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，實現能源清潔高效利用愈加重要[1]。綜合能源系統通過多能互補和轉換，在提升能源利用率的同時減少碳排放，是實現雙碳目標的有效途徑[2]。智能樓宇作為城市能耗的主體[3]和綜合能源系統負荷側的終端應用形式[4]，具有交互性好、負荷靈活等特點，能適配各類分布式能源接入，因此，提升綜合能源樓宇的經濟性、環保性和分布式能源消納能力，對能源低碳利用、緩解能源危機和改善環境等具有重要意義。

目前，國內外學者對智能樓宇的運行特性和能量管理開展了較多的研究工作。靳小龍等[5]利用樓宇圍護結構熱延時的特性，構建樓宇熱量的虛擬儲能系統，實現樓宇虛擬儲能系統的充放電管理。張風曉等[6]利用滾動優化預測精度高的優點，采用模型預測控制方法，解決了可再生能源預測誤差導致樓宇優化調控方案偏差的問題。Sharma等[7]提出一種新型的建筑能源管理系統，并建立2階段魯棒優化模型處理樓宇分布式能源的不確定性，促進了樓宇可再生能源消納。針對醫院樓宇，Dedesko等[8]以概率模型描述醫院人員在室率和活動特征，并分析概率模型建模誤差和不確定性對樓宇環境和運行特性的影響。這些研究沒有考慮不同類型樓宇在結構、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特性提升樓宇的經濟性與分布式能源消納能力，且對樓宇調度中不確定性的考慮過于單一，無法保證調度策略的可靠性。

近年來，電力市場的深化改革使市場交易更加多元化，并衍生出多種新型交易主體[9]，其中，端對端（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用。配備分布式能源的智能樓宇兼具電能生產和消費能力，可直接參與電力市場進行電能交易[11]，或同其他樓宇進行P2P交易[12-13]，在完成電能共享的同時，提升樓宇經濟性和分布式能源消納能力。

針對樓宇間的能源共享和交易，近年來出現了較多的研究成果。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系。Li等[15]提出樓宇間交易迭代的方式進行市場競價，并探究不同競價方式對交易市場的影響。Kopanos等[16]提出在P2P框架下考慮微網內各樓宇用能需求后制定統一價格，并以微網總經濟成本最小為目標進行樓宇能源共享。Huang等[17]將下行風險約束應用于樓宇P2P交易中，進一步分析樓宇間共享儲能對市場交易的影響。當前研究未考慮樓宇運行優化對交易的影響以及交易結果對樓宇運行的修正。

筆者針對綜合能源樓宇主體，提出了一種考慮樓宇特性的電能交易的樓宇群分布式優化調度模型。首先，考慮樓宇圍護結構、功能特性、人員行為等因素，對各類樓宇進行精細化建模和等級劃分，建立以經濟性和舒適性為目標的樓宇多目標運行優化模型。其次，根據樓宇等級劃分、運行優化結果等，制定新型市場交易策略，實現樓宇間電能的交易。將市場交易結果反饋回各樓宇進行新一輪運行優化，實現樓宇運行的迭代優化和樓宇群內能源的互動共享。最后，通過仿真驗證所提模型的有效性。

1智能樓宇群框架

1.1智能樓宇群構成

樓宇集群中，每個樓宇都是交易市場的主體，如圖1所示。EMS表示能量管理系統（energy management system，EMS）。根據樓宇使用功能和圍護結構，將樓宇分為住宅樓宇、商業樓宇和特殊樓宇，相關參數如表1所示。

智能樓宇的分布式能源系統主要考慮光伏發電（photovoltaic，PV）。據統計，建筑用能在總能耗中占比高達40%[18]，其中約一半能耗用于滿足樓宇內溫控負荷和空氣調節（heating ventilation and air conditioning，HVAC）系統[19]，因此，智能樓宇用能主要考慮HVAC系統能耗、基礎柔性負荷和人員負荷。智能樓宇配有EMS，用于管理樓宇運行，并與上級市場進行交易信息的傳遞。

1.2智能樓宇群運行框架

各樓宇在完成自身運行優化后向上級市場提供信息，并同其余樓宇達成交易。因此，在樓宇的初次運行優化中只考慮了樓宇自身的因素，未考慮后續市場交易對各樓宇運行的影響，使各樓宇在樓宇群中只作為獨立的個體運行，忽略了樓宇間的相互影響。為實現市場交易結果對各樓宇優化運行的反饋、體現樓宇間的相互作用，并充分挖掘樓宇優化調控能力和樓宇間電能共享能力，將市場交易結果反饋至各樓宇進行運行優化迭代和市場交易迭代，具體的流程如圖2所示。

首先，設置最大迭代次數K，初始化迭代次數k和各樓宇運行優化時的購售電均價等信息，初始的購售電均價為配電網購售電價。接著，各樓宇根據自身信息完成運行優化，并在交易市場同其余樓宇達成交易，若迭代次數k未超過最大值K，交易市場和各樓宇根據交易結果分別更新購售電均價和邊際價格，為下一輪的運行優化和市場交易做準備。當迭代次數k超過最大值K時，迭代優化結束。

2智能樓宇主體模型

2.1樓宇熱力學模型

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

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

2.2樓宇設備模型

2.2.1基礎柔性負荷模型

考慮各樓宇的基礎柔性負荷，為簡化模型，設定日內柔性負荷的總量一定，各時段調節能力在一定范圍內，有

式中：P equi.t和Pequi.plan.t分別表示t時段該樓宇基礎柔性負荷的實際用能和計劃用能；εp為調節系數；T為一天內時間斷面總數。

2.2.2 HVAC系統模型

HVAC系統總功率計算方式為

式中：PHVAC.t為t時段HVAC系統的總耗電功率；PH.t和PW.t分別為HVAC系統的制冷電功率和送風電功率。制冷電功率計算方法如下：

式中：mf為系統送風質量流；THVAC.t為t時段系統送風溫度；C cop為系統能效比。送風電功率計算方法如下：

式中：ηfan和ηmotor分別表示送風設備的風機系數和電機系數；ΔPtot為送風設備內部壓強差，具體計算方法為

式中：P statistic為靜態壓強差；v air為送風風速。

2.2.3儲能設備模型

儲能設備模型為

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

2.2.4光伏發電模型

將光伏發電功率簡化為同光照強度成正比關系，具體設備模型為

式中：PPV.t為t時段光伏發電功率；PSTC為光電轉換率；μSUN為光伏系數，不同樓宇因光伏板面積、光照角度的不同而有所區別。

3智能樓宇運行優化策略

3.1優化目標函數

目標函數主要由2部分組成：

式中：CBuilding為樓宇一天內的總成本；CTrade.t為t時段樓宇運行經濟成本，其含義是該樓宇與交易市場的交易成本；CTC.s.t和CTC.b.t分別表示t時段該樓宇在交易市場的售電和購電均價；PBuilding.b.t和PBuilding.s.t分別表示該樓宇t時段在交易市場總的購電和售電電量；CTem.t為t時段影響用戶溫度舒適度的懲罰成本；Tset為室內最適溫度，設定為24℃;γ為溫度懲罰因子，選值受樓宇結構的影響，如文獻[5]所述，太高的懲罰因子會降低樓宇虛擬儲能效果。太低的懲罰因子同樣會降低樓宇虛擬儲能效果，因此，溫度懲罰因子為充分體現樓宇虛擬儲能特性的選值。

3.2約束條件

3.2.1儲能設備模型

樓宇優化運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電量、交易購電量和儲能設備放電量總和等于樓宇交易售電量、HVAC系統能耗、樓宇基礎電負荷和儲能設備電量總和：

式中：Prand.t為樓宇t時段的基礎電負荷；Ppeo為樓宇在室人員的人均耗電功率。

3.2.2設備運行約束

樓宇設備運行約束主要包含HVAC系統運行約束、溫度約束、儲能約束和光伏出力約束，表達式為

式（14）中包含了HVAC系統總功率、出風溫度的上下限約束，儲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

光照強度和人員數量的不確定性會影響樓宇運行優化結果，商業樓宇的在室人員狀態可通過幾何分布再現，人員到達或離開樓宇的數量可通過正態分布再現[21]，因此，可根據樓宇在室人數峰值，利用正態分布函數，通過蒙特卡洛模擬方法生成各類人員在室場景。各類光照強度場景通過歷史數據獲取。采用魯棒優化方法處理不確定性問題，下面以xun表示不確定性參數。

式中：xmax和xmin分別表示不確定參數的上下限；xun.ave表示不確定性參數的均值；xun.dval表示不確定性參數均值與極值間的距離；為平衡保守性和經濟性引入魯棒系數Γ，通過Γ的取值反應不確定參數的保守程度；J為不確定性參數的集合。人員數量、光照強度的不確定性區間可表示為：

式中：Γpeo和ΓSUN分別表示人員數量和光照強度的魯棒系數，在任意時間段內上述2種量綱都只有一個不確定性參數，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均為引入計算的魯棒輔助系數。

4樓宇群交易市場模型

為使每個樓宇可同時作為能源消費者和生產者融入電力市場，搭建了考慮樓宇運行和電力市場特性的P2P交易市場，提出了結合市場清算規則和交易風險的新型連續雙向拍賣（continues double auction，CDA）交易機制。

4.1交易市場結構

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

1）結合電力市場清算規則，購售電方的報價均在配電網購售電價區間內。

2）交易過程遵循價格優先原則，尋找出價最高的購電方和出價最低的售電方，當最高出價超過最低出價則達成交易，交易價格為雙方的報價均價，交易電量為待交易量少的一方。

3）為區分樓宇負荷等級，設定特殊樓宇等級最高，住宅樓宇等級最低，若報價相同，高等級樓宇優先交易。所有樓宇不斷更新報價直至完成交易任務，若超過最大交易次數N或交易市場中只存在一方報價，則關閉當前時段交易市場，未完成交易任務的樓宇同配電網進行市場清算。

4.2新型CDA交易機制

各樓宇根據運行情況、交易輪次、交易風險和歷史報價等信息不斷更新自身報價。在報價范圍內，購電方報價越高、售電方報價越低則越利于交易的達成，反之則會阻礙交易。因此，引入交易風險因子μn，反映市場變化和交易電量差異對各樓宇交易報價的影響。

交易市場分為買方和賣方市場，其中買方市場指市場總購電電量小于售電電量，市場價格利好傾向于購電方；賣方市場指市場總購電電量大于售電電量，市場價格利好傾向于售電方。買方市場中的購電方和賣方市場中的售電方均為趨向風險型即μn≥0，待交易電量越小風險因子越大，交易中越趨向尋求更高利益；買方市場中的售電方和賣方市場中的購電方都為規避風險型即μn≤0，待交易電量越小風險因子絕對值越大，交易中越趨向提高交易成功率而非尋求更高利益。交易風險因子表達式為

式中：μset.t為t時段風險因子設置值，同該樓宇t時段交易電量Pi.t和交易市場總交易量P all.t相關，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時段第n輪和下一輪次的風險因子；l為風險因子自學習率。考慮交易風險并引入風險因子的CDA交易機制如下。

1）針對購電方，在t時段第n輪次報價大于歷史成交價格最低值時：

小于歷史成交價格最低值時：

2）針對售電方，在t時段第n輪次報價小于歷史成交價格最高值時：

大于歷史成交價格最高值時：

式中：BB.t.his為購電方t時段的歷史成交電價；BS.t.his為售電方t時段的歷史成交電價；Bn.t為該樓宇t時段第n輪次的交易報價；Pb.t和P s.t表示t時段交易市場的邊際購售電價，為配電網的購售電價或各樓宇迭代優化中更新的購售電均價；α和β為交易權重系數。為推進交易報價的進行引入悲觀系數λn，其表達式為

5算例分析

5.1模型參數

算例分析包含3棟住宅樓宇、2棟商業樓宇和1棟特殊樓宇。各樓宇建筑參數、設備參數、運行優化特性見表2～4，典型日在室人數見圖5，各樓宇基礎柔性負荷見圖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度曲線見圖7。

考慮1天的經濟優化調度，設定30 min為1個時段，配電網實時購售電價格如圖8所示，通過Gurobi求解器進行問題求解，針對目標函數中的絕對值，利用yalmip求解工具中的implies函數進行優化處理。

5.2結果分析

5.2.1樓宇運行優化分析

各樓宇參與市場交易前的運行優化結果，因樓宇結構、使用特性和設備組成的不同有所區別。以住宅樓宇C，商業樓宇E，和特殊樓宇F進行對比分析。

從圖9（a）可看出，住宅樓宇C的基礎柔性負荷受配電網購售電價影響，16：00―21：00的用電高峰向9：00―13：00分布式能源發電較多的時段偏移。該樓宇在8：00―16：00為售電方，HVAC系統能耗受配電網購電電價影響，低電價時段增加能耗，降低室溫實現虛擬儲能；高電價時段減少能耗，釋放虛擬儲能。從圖9（b）可看出，商業樓宇E受配電網售電電價影響，9：30―15：30的高電價時段峰值負荷向兩側低電價時段轉移；受基礎柔性負荷、儲能設備和HVAC系統能耗共同調節作用，商業樓宇E在高電價9：30―15：30時段購電量明顯下降。從圖9（c）可看出，特殊樓宇F同樓宇商業E類似，9：00―16：00的基礎柔性負荷向兩側低電價時段轉移，受基礎柔性負荷、儲能設備和HVAC系統能耗共同調節作用，特殊樓宇F在高電價9：30―15：30時段購電量同樣下降明顯。

各樓宇設備用能情況受配電網購售電價影響，在高電價時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行成本，但同時削弱了樓宇群的能源共享量。

5.2.2 P2P交易特性分析

各樓宇完成運行優化后向上級市場提交信息進行P2P交易，各樓宇待交易情況和CDA交易機制參數設置如表5和表6所示。選取2個時間段的交易情況進行對比分析，其中8：30―9：00為賣方市場，售電方能以較高價格達成交易；9：00―9：30為買方市場，購電方能以較低價格達成交易。

由圖10可知，各樓宇報價受買賣市場關系和風險因子值的影響，如在8：30―9：00第22輪次，住宅樓宇C和商業樓宇E達成交易后，剩余待交易電量小于住宅樓宇A，此時樓宇C的交易風險更小，更新風險因子后為追求更高利益樓宇C在第23和24輪次的報價下降速率低于樓宇A，并最終以高于樓宇A的報價達成交易。對比2類市場交易情況，購售電雙方中低風險的樓宇為尋求更高利益，會比高風險樓宇以更靠后的交易輪次和更優的報價達成交易。綜上，P2P交易市場本質是利用市場關系，使賣方市場中成交價格傾向配電網售電電價，使買方市場中成交價格傾向配電網購電電價。

交易完成后，各樓宇根據報價情況更新自身購售電均價，以住宅樓宇A和商業樓宇E為例。如圖11所示，住宅樓宇A為售電方，能在賣方市場8：30―9：00、14：00―15：30時段以較高價格售電，其余時段售電價格也高于配電網購電價；商業樓宇E為購電方，能在買方市場9：00―13：30時段以較低價格購電，其余時段購電價格也低于配電網售電價。

提出的新型CDA交易機制能穩定反映買賣市場關系、交易風險對各樓宇交易報價和交易結果的影響；該CDA交易機制擁有較好的動態特性，能通過實時更新的交易報價，更好地反映各樓宇在交易過程中信息的動態變化。

5.2.3樓宇運行迭代優化分析

為驗證所提交易市場和迭代優化對各樓宇運行和樓宇群能源共享的影響，對住宅樓宇C、商業樓宇E和特殊樓宇F以下列2種案例進行對比分析，并探究在案例2條件下的最大迭代次數選值問題。

案例1：各樓宇完成運行優化后，進行P2P市場交易，不考慮樓宇的迭代優化。

案例2：各樓宇考慮迭代優化，完成樓宇運行優化迭代和市場交易迭代。

對比表7中各樓宇運行優化和案例1最終成本可知，樓宇C在市場交易后成本優化明顯，是因為市場開放時段，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受基礎柔性負荷調節影響，市場開放時段的交易電量占比較低，因此，交易后成本變化不明顯。

P2P市場交易本質是利用市場關系，使買、賣方市場中的交易價格傾向配電網的購電、售電電價。如表8所示，隨著最大迭代次數的增加和P2P市場交易迭代的進行，各樓宇交易報價區間不斷縮小，使交易和迭代優化結果趨于平穩。為平衡優化效果和優化運行時間，設定最大交易迭代次數為4。

對比圖9和圖12，受迭代優化影響，各樓宇設備運行情況發生較大改變。9：00―13：30時段分布式能源發電多，交易市場為買方市場，購電方能以較低價格達成交易，因此，案例2中樓宇E和樓宇F的基礎柔性負荷、儲能設備和HVAC系統能耗均向該時段偏移；8：00―9：00和13：30―16：00時段分布式能源發電降低，交易市場為賣方市場，售電方能以較高價格達成交易，因此，案例2中樓宇C為能在賣方市場時段出售更多電能，其基礎柔性負荷和HVAC系統能耗向該時段兩側偏移。如表7所示，受價格變化和負荷調整共同影響，案例2中各樓宇的最終成本均有所降低。

迭代優化中市場交易價格的變化對樓宇運行狀況和樓宇群能源共享能力有較大影響。通過價格變化驅使各樓宇調整運行狀態，將各類負荷峰值向分布式能源發電量較多的時段轉移，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配電網售電量由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。通過迭代優化，提升了各樓宇運行的經濟性，并極大提升了樓宇群能源共享的能力和對分布式能源的消納能力。

為進一步探究文中所提交易市場、交易機制和配電網購售電價對樓宇群能源共享和分布式能源消納能力的影響，選取不同的交易權重系數和配電網購售電價進行對比分析，如表9所示。隨著風險因子系數β提升，各樓宇交易后更新的購售電均價越接近配電網購售電價，買賣市場變化導致的價格差越大，通過迭代優化，更大的價格差對各樓宇負荷的調整作用更明顯，因此，樓宇群能源共享量不斷提升，樓宇群對外售電量不斷減少，即分布式能源的消納能力不斷提升。如表10所示，經過迭代優化后，更大的配電網購售電價格差同樣會使各樓宇的負荷調節作用更加明顯，使樓宇群能源共享和對外售電優化比不斷提升。

5.2.4樓宇運行魯棒特性分析

為研究不同不確定因素和魯棒系數r對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的基礎上分3類情況進行討論分析：考慮人員不確定性；考慮光照強度不確定性；同時考慮兩者不確定性。

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

光照強度不確定性主要影響樓宇分布式能源發電量。如表12和圖14（b）所示，隨著魯棒系數變大，分布式能源發電量和交易時段均減少，針對基礎負荷的調控能力減弱，因此，樓宇群能源互補優化量下降；盡管樓宇群對外售電優化量隨魯棒系數的增加有所減少，但分布式能源發電量減少的速率更快，所以樓宇群對外售電優化百分比仍表現出上升的趨勢。

同時考慮兩者不確定性的結果同圖14（b）類似，由此可知，樓宇群能源互補優化量主要受分布式能源發電量的影響，樓宇群對外售電優化百分比在兩者共同作用下仍呈現上升趨勢。因此，提出的樓宇優化迭代方法能在各類場景下以經濟性為目標，有效提升樓宇群能源共享和分布式能源消納能力。

4結論

提出了一種考慮樓宇特性、電能交易的樓宇群分布式優化調度模型，建立了以經濟性、舒適性為目標的樓宇運行優化模型，并通過考慮市場關系、交易風險的新型連續拍賣交易機制，激勵和引導各樓宇實現各類不確定條件下的樓宇群能源共享。主要結論如下：

1）提出一種新型連續拍賣交易機制，可根據市場關系、樓宇運行情況完成市場競價，各樓宇報價根據整體交易情況實時更新，具有良好的穩定性和動態特性。

2）通過交易價格的更新引導各樓宇完成迭代優化，提升樓宇經濟性的同時進一步挖掘各樓宇調節負荷的能力；實現樓宇間能源共享的同時，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重的影響。

3）提出考慮人員不確定性和光照強度不確定性的樓宇群分布式魯棒優化模型，驗證了該模型能在各類場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

［1］杜祥琬.我國能源轉型幾個關鍵問題值得深思[J].中國石油企業，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.中國電力市場未來研究方向及關鍵技術[J].電力系統自動化，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.融合需求側虛擬儲能系統的冷熱電聯供樓宇微網優化調度方法[J].中國電機工程學報，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］張風曉，靳小龍，穆云飛，等.融合虛擬儲能系統的樓宇微網模型預測調控方法[J].中國電機工程學報，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，劉洋，許立雄，等.考慮風電消納的熱電聯供型微網日前魯棒經濟調度[J].電力系統自動化，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端對端能量交易方法[J].電力系統自動化，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）