可持续运营与计算机2（2021）12含电动汽车Abolfazl Ghasemia， Mahdi Banejada，Morteza Rahimiyana，Mahdi Zarifb，ca伊朗Shahrood工业大学电气和机器人工程系b伊朗马什哈德伊斯兰阿扎德大学马什哈德分校电气工程系Khorasan Electrical Distribution Company（KEDC），Mashhad，IranaRT i cL e i nf o保留字：能源调度电动汽车能源枢纽蒙特卡罗模拟微能源网a b sTR a cT近年来，由于能源需求和环境问题的日益增长，分布式发电（DG）和电动汽车（EV）受到了广泛关注。在这些现代技术的存在下，通过集成能量调度可以实现对不同能量载体的更智能和更灵活的利用。然而，市场价格的不确定性使得能源调度成为一项具有挑战性的任务.本文研究了电价不确定性对微电网运行的影响，分析了分布式发电机组和电动汽车对处理这种不确定性进行了研究。在此基础上，本文采用能源枢纽方法计算能源网络的最优能源调度和运营利润。采用蒙特卡罗模拟技术来处理价格的不确定性，并选择了变异系数（CV）准则以量化经营溢利变动风险。结果表明，在MEG中使用DG增加了利润，同时降低了风险。研究还表明，将电动汽车加入电网可以增加运营利润，而风险几乎是恒定的。1. 介绍全球变暖问题和有限的化石燃料资源促使可再生能源和高效分布式发电（DG）技术在配电水平上快速增长。由于这些小规模发电机组和存储设备渗透到电力系统中，因此引入了微电网[1]。微电网由发电、储能和负荷组成，可以连接到上游电网或以独立模式运行。实现微电网中这些单元的协调运行和控制是微电网运营商面临的关键挑战。为了在这些网络中执行智能能源管理策略，需要双向通信基础设施，即运营商和其他参与者之间的智能计量系统[2]。从经济和技术的角度来看，部署一些分布式发电技术，如燃气热电联产（CHP）机组，可以改善能源系统的运行这主要是不同能量载体之间转换的结果[3]。客户增加此类DG装置和存储设备是实现更智能、更灵活地利用不同能量载体的关键因素[4，5]。由于现代和高效的小规模发电的高渗透水平预计在未来的智能电网中，可以同时操作和规划载体。作为微电网概念的更高级版本，微能源电网（MEG）包括多种形式能源的小型综合能源系统[6]。不同能源基础设施的组合可以提高可靠性，效率和供应负载方面的灵活性[5，7]。此外，预计在不久的将来，电池供电的电动汽车（EV）将在系统负载中占有很大份额。当前的交通运输行业是地球上的主要污染源之一，新一代电动汽车可以减少这一主要行业的排放。根据国际能源署（IEA）的报告，2015年全球近三分之例如，在伊朗首都德黑兰，研究表明传统车辆占污染物排放源的大部分（约75%）[9]。德黑兰空气质量控制公司认为，这些车辆是一氧化碳（90%）排放和颗粒物（58%）的最大来源根据IEA的报告，2019年全球电动汽车总数达到约480万辆[10]。由于电动汽车通常在一天中90%以上的时间停在家里或工作场所，因此它们有可能充当电池存储[11]。具有V2 G（Vehicle-to-Grid）操作能力的更现代的电动汽车可以用作分布式储能设备，以帮助*通讯作者。电子邮件地址：Abolfazl. hotmail.com（A. Ghasemi），m. shahroodut.ac.ir（M. Banejad），morteza. shahroodut.ac.ir（M. Rahimiyan），zarif.mahdi.ir @ ieee.org（M. 扎里夫）。https://doi.org/10.1016/j.susoc.2021.02.002接收日期：2020年11月16日;接收日期：2021年2月3日;接受日期：2021年2月12日在线预订2021年2666-4127/© 2021作者。由Elsevier B.V.代表KeAi Communications Co.出版，这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表可持续运营和计算机期刊主页：http://www.keaipublishing.com/en/journals/sustainable-operations-and-computers/A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1213命名法下标和上标通用能源载体。奇、德奇布尔、sbk不充电和放电。买回来又卖回来。已安装的能源转换器的索引。电动汽车的索引。最大、最小 变量的上/下界参数和变量时间段索引。ΔtΓLSDEXCVPwqu，vE调度中的时间间隔长度。耦合矩阵耦合系数很有效率。能量载体价格。即可.标准偏差期望值。变异系数。动力.派遣因素。能量转换器的开/关状态。储存能量。电动汽车的充电/放电状态。电动汽车的能量水平。能源总利润。系统操作员解决一些网络问题[12]。因此，电力系统可以通过有效的能源调度从电动汽车中受益，因为需求和供应是灵活的[13]。例如，EV输电促进了间歇性可再生能源与未来智能电网的整合。基于对高EV渗透率的预测，各种研究人员已经解决了这些条件下的智能电网能量管理问题例如，[14]中的作者研究了智能电网中电动汽车和可再生资源的集成操作，其中电动汽车在补充方法中，在[15]中提出了用于微电网的能量和备用调度模型，其中具有V2G操作的EV可以参与备用容量。参考文献[16]研究了智能电网环境中电动汽车的最佳能源调度本文还对不同决策者的行为进行了在[17]中，提出了一种多目标方法，用于智能电网中的最佳EV能量调度分析了排放目标和成本目标对调度方案的影响。[18]中还研究了智能电网中不确定性下电动汽车渗透的机组组合问题，并说明了电动汽车渗透对能源成本和减排的影响作者在[19]中开发了一种控制结构，用于在可再生能源渗透的配电网中进行最佳V2G操作参考文献[20]还研究了电动汽车普及对电力系统能源调度和成本的影响。本文介绍了电动汽车聚合器作为电动汽车所有者和系统运营商之间的中介建议的调度。在[21]中，作者重点研究了车辆到户（Vs2Hs）操作，以支持上游电网停电时的微电网结果显示，由于参与了Vs2Hs计划，所有家庭都可以在非高峰季节受益于足够的备份时间。在现代能源系统中，不确定性也会影响系统的运行策略.这些不确定性可能源于系统的不同部分，如可再生能源、负荷和市场价格[22]。有人指出，与其他市场相比，电力市场具有特定的特征，使价格更具动态性[23]。虽然有一些方法可以预测这些参数，但不能保证预测的数据与实际数据完全相同。因此，在能源系统分析中应考虑这些不确定性。一般来说，随机规划，鲁棒优化和模糊规划是解决优化问题中不确定性的三种方法[24]。随机规划是一种数学工具，其中可以定义一组代表性的可能场景，以模拟不确定性[25，26]。鲁棒优化是一种保守的方法，当不确定数据的概率分布难以指定或不可用时使用不确定集[26，27]。当决策过程中存在模糊和不精确的不确定性时，模糊规划方法也很有用[28，29，30]。鉴于价格不确定性对能源调度最优决策的影响，许多文献在工作中考虑了与能源市场价格相关的不确定性。例如，在[31]中，作者提出了一个风险约束模型，以确定市场不确定性下电动汽车聚合商的最优投标策略。在[32]中，已经为EV聚合器提出了一天前的能量调度，信息缺口决策理论（IGDT）方法被用来处理电力市场价格的不确定性.本文主要从电动汽车聚合器的角度研究了类似地，[33]使用IGDT方法来处理负荷聚合器日前购电策略中的能源价格不确定性。作者在[34]中提出了一个优化设计互联能源枢纽的框架，其中使用蒙特卡罗方法来研究负荷和价格不确定性对财务分析结果的影响。参考文献[35]讨论了不同电价不确定性水平下的多载波能量系统运行，旨在实现最大利润。为此，该系统与热电联产和没有进行了研究。本文采用蒙特卡罗模拟方法生成不同的价格情景。然而，尚未考虑电动汽车和非热电联产发电的整合。本文研究了价格不确定性对MEG中能量调度问题的影响，并作为主要贡献，评估了电动汽车和DG单元在处理不确定性方面的作用。由于市场价格的不确定性可以通过一组场景来建模，IOS考虑（[35，36]），蒙特卡罗模拟，作为一个强大的基于蒙特卡罗的方法，用于处理价格的不确定性。由于每个不确定参数都有一个概率分布函数，蒙特卡罗模拟为决策者提供了有价值的信息，使他们能够评估可能的结果及其发生概率[37]。在该等不确定情况下，电网的经营利润可能面临风险。因此，本文采用变异系数（CV）准则来量化利润变异性的风险。本文件其余部分组织如下。在第2节中，系统模型和问题的制定已经提出，同时也证明了电动汽车和MEG的限制。第三部分介绍了价格不确定性建模和风险量化方法。不同的案例研究和分析见第4节。第5节对本文进行了简短的总结和讨论。2. 系统模型由于MEG连接到多个能源基础设施，因此已采用能源枢纽方法来计算微型能源网络的最佳能源调度[25]。最近提出了能源枢纽概念，以实现多载体能源系统[38]。能源枢纽，类似于电力系统中的节点，与不同的能源资源和基础设施，负载和周围系统交换电力[5，39，40]。换句话说，一个-A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1214⎢ ⎥ ⎢ ⎥ ⎢ ⎥=⎢⎣⎥⎢ ⎥⎦⎣⎦，，评价模型已在[3，4]中进行了详细研究作为能源中心，，考虑到蓄电池和双向充电器的因此，开/关二进制变量出现在耦合矩阵中。������������−������.Δ���(19)���∈���Fig. 1. 包含多个转换器的混合能源中心。能量中心是具有多个输入和输出能量载体的单元，其中可以产生、转换和存储不同形式的能量载体[41]。多载体能源系统中的能源枢纽概念和评估其中已将最大允许功率 载波设置为最大允许功率载波可以从上游电网接收的电能。本研究中也考虑了EV。这种车辆配备有安装的可充电电池。存储在这些电池中的能量在能量调度研究中起着重要作用。因此，电池为了集中和更好地评估价格不确定性对MEG操作的影响，已经考虑了EV的简单模型来形成优化问题;然而，可以在该框架中使用更复杂的模型。当第i辆EV连接到电网并充电时，在时间段t结束时电池中存储的能量可以计算如下：������,���=������,��� −1+(���������ℎ.��� ���ℎ )×Δ��� (11)由具有多个输入和输出端口的多个能量转换器组成，如图1所示，稳态条件下的功率输入矢量P和输出矢量L可以表示为（1）。同样，Eq。(3)规定了放电储存能量期间，第i个EV连接到电网（V2G操作）。⎡ ⎤ ⎡⎤ ⎡ ⎤������,���=������,���−1−(���������ℎ∕��� ���ℎ )×Δ���������(12)������������������������⋯ ������ ������（一）式中， i是第i辆电动汽车在时间段t结束时的能量含量，⎢⋮⎥ ⎢⋮ ⋮⋱⋮⎥ ⎢⋮⎥⏟⏟⏟Δt是调度时间步长。由于转换损耗，������⎢⎣������⎥⎦������������������⋯ ������������⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟⏟⏟⏟指示充电和放电效率。 ���分别为100和 ������100与第二、第三EV的充电和放电功率V1 、V2相关，L Γ Pt. 关于调度时间尺度，空闲能量损失已经被其中，r是耦合矩阵X。在这个等式中， ������表示cou-滤波系数，并定义输入载波频率与因此，电池中存储的能量水平仅降低[42]《清史稿》。输出载波由于技术原因，第i辆电动汽车当输入端的能量载体限制在下限和上限之间，标记为最小和最大，侧在几个转换器之间划分，并确定输入载波的一部分，该部分通过转换器k[5]被占用。分别���=∑������。������（二）最小值≤最大值，最小值≤最大值（13）0≤10≤1（3）特性，每个车辆的最大电池充电和放电功率是有界的。同样清楚的是，EV不能同时充电和放电。这些约束可以使用≤1（4）二进制变量u和v。其中，k是指转换器k的效率，其中输入载波转化为载体 。集线器中的输入功率在以下任何一个处都是有限的：0≤���ℎ≤���最好是最大的（十四）端口如（1）所示。最小值≤最大值，最大值≤最大值，最大值∈Ω（5）0≤������ℎ≤���最好是最大的（十五）其中Ω是能量载体的集合，t是时间段的索引集线器中的所有DG都可以被认为是能量转换器。到第k个能量转换器的输入功率受到特定界限的限制，如错误！未找到引用源。16、16+17、���17≤1（16）������,���,������,���∈ {1,0}(17)最小值，最小值≤1000������≤100%���，最大值���（六）、其中 ，最小值和最大值分别为���������，第i辆电动汽车的充电功率和盘式充电功率， = ，（7）在这项研究中，目标函数是最大限度地提高总能源利润在运营期间发生。������{1，0}（8）式中，max，min，max，max是第k个en的最小和最大极限。最大值 （18）能量转换器和 开关代表能量转换器的开/关状态。∑[]三个X元素。0≤���������������������⋯ ������=A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1215Max−���������∈������������������������������������������������������������������������������∈Ω∑���������������=∑.���，.������（九）=日本 ，日本 ，日本（20）MEG连接到多个能源基础设施，������=∑������������������������（二十一）能量的双向流动， 在（10）中也应该采用负的能量的值。���其中TP是总能量利润，Pr t是时间间隔t内的能量利润。Re t和C t分别是某一特定产品的收入和成本。min ={0}∈ {0}{（十）时间间隔t在（20）和（21）中，采购、采购是采购，通过这些连接接收不同形式的能量。 的情况下���∈Ω，，销售价格和运营商的电力 分别。A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1216（）下一页表1案例研究的分类。网格案例研究电力天然气DG EV炉我情况1没有是是是否是的我壳体2没有是的是的是的只有权力是的我壳体3没有是CHP是的表2系统参数。输入载波−500 kW≤额定功率≤500 kW，0≤额定功率≤2000 kWDG（仅功率）���������= 0.35，50 kW ≤������ ≤ 200 kWDG（CHP）热电偶= 0.35，热电���偶= 0.4550 kW≤������≤200 kW炉膛������温度= 0.8，0≤��� 100℃ ≤150kWEV最大值= 0.95，最大值= 0.95��� ���ℎ = 10 kW，额定������功率= 10 kW长叶最大功率= 35 kW，最大功率= 5 kW���0 ∼ 电机（8 kW，20 kW）e：电，g：天然气，h：热，U：均匀分布24小时服务热线：400 -020-888���其中F是平均值为1且标准差为′的因子。因子F的标准差是无因次的，并以平均价格的百分比表示。例如，平均电价（1，20%）意味着电价的标准差是预期价格的20%由于电价条件的不确定性可能会使运营利润面临风险，本文采用CV来量化风险。该标准可通过除以标准差[45]《易经》中的“财”字是指“财”。=（二十五）图二、提 出 的基于蒙特卡罗的不确定度评估流程图。3. 价格不确定性本文旨在评估价格不确定性对MEG能量调度的影响，因此采用了蒙特卡罗模拟技术实施的程序如图所示。 二、在这方面，电价的波动性已被考虑到不同水平的标准差，或方差，2。通过考虑预期价格，可以对不确定的价格进行建模���如[43]：=+(22)其中，k是一个随机变量，它可以表现出任何均值为零的分布。在本文中，我们假设电价服从均值为λ和标准差为λ的正态分布[44]。 为了模拟不确定的价格，每小时的价格可以通过将预期价格乘以因子F来获得，因子F遵循正态分布。=. (23)其中SD和EX分别表示分布的标准差和平均值使用该标准，可以比较不同病例的风险;CV较大的手术策略涉及更大的风险[45]。幸存者或可靠性函数是测量可靠性的流行统计量之一[46]，本文已使用。然而，可靠性函数���（���）通常定义为在持续时间t之前无故障运行的概率;在本研究中，可靠性���（���）可定义为在利润不低于某一水平的情况下执行MEG操作的概率 。对于连续随机变量x，其累积分布函数为（），可靠性函数表示如下[46]：������������（4. 仿真4.1. 系统参数在这一部分中，考虑了三种情况，并在两个类别中进行了模拟;有电动汽车和没有电动汽车，如表1所示。表2显示了这些情况下不同元素的详细特征。所研究的案例包括电力和天然气网络。图3显示了典型一天的整个MEG的热负荷和非EV电负荷曲线。此外，已经假设需求的电力消耗模式是不灵活的。A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1217图3.第三章。M E G 的 电气和热负荷。见图4。 典型日的电力市场、天然气和热能价格。图五. 配电网用电定额。考虑到日前能源市场的市场价格是按小时计算的，这里考虑了一小时的时间步长。每小时的电价，以及热力和天然气的价格如图4所示。电价乃根据PJM日前电力市场厘定，天然气及热力分别采用0. 018及0.03元╱千瓦时的固定电价。应该指出的是，如图5所示，已经假设了一天中配电网的三个不同的电价。运营商根据这些电价向非电动汽车客户销售能源。本研究中使用了一个可容纳40辆电动汽车的商业场所附近的停车场;然而，在拟议的框架中可以考虑任何数量的电动汽车。到达时间被假定为6：00至18：00之间。每辆电动汽车的适当停车持续时间被视为2至8小时之间的连续均匀随机数[15]。停车场每小时的使用率如图所示。六、系统运营商可以通过V2G通信基础设施收集EV数据[47]。电动汽车车主和智能停车场之间可以达成协议/合同，这可以为电动汽车的充电/放电过程提供更可预测的模式[47]。在本文中，电动汽车所有者已经见图6。 停车场小时利用率信息。见图7。 枢纽的计划用电需求假设停车场的电动汽车以固定价格0.065收费$/kWh，白天排放0.069 $/kWh。4.2. 能源调度结果在本节中，已经针对先前在表1的情况3-II中提到的微能量网执行了能量调度。运营商有责任管理储存的能源、DG机组的投入如图4所示，假设电价是已知的。为了实现最优能量调度，所研究系统的目标函数、等式和不等式约束在通用代数建模系统（GAMS）中被实现为一个混合整数线性规划问题。采用所提出的优化框架，已确定的决策变量的最佳数量，包括从主电网和电动汽车的充电/放电功率的能量应该从上游电网购买的电力量已经如图7所示计算。由于电力负荷也可以通过天然气通过热电联产以及电动汽车供应，运营商在高价时段不仅倾向于购买比其他时段相对更少的电力，而且还将本地生产供应给电网。图8中还示出了最佳EV运营商安排电动汽车的方式是尽可能将充电时间转移到较便宜的电力小时，并在更昂贵的时间内放电，从而改变MEG关于负载分布的改造，可以确认EV充电/放电调度问题与需求响应密切相关[48]。因此，停车场可以被视为存储设备以及可伸缩负载[49]。最优的能量计划可以产生约127美元的经营利润A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1218见图8。 停车场的小时计划需求。图9.第九条。 不同价格不确定性水平下MEG利润的PDF。4.3. 价格不确定性影响如前所述，本文旨在研究电价不确定性对MEG最优运行的影响，并重点研究DG和EV对预期利润及其风险的影响。因此，在10%、20%、30%、40%和50%的五个不确定性水平下，对三种情况（表1）进行了能量调度程序蒙特卡洛模拟技术已被用来评估如何MEG随机生成的价格反应任意时间点的电价被认为是正态分布，电价上每个点的平均值如图4所示。电力价格的波动性已被视为第3节所述。为了显示不同的价格不确定性水平对MEG运行的影响，例如在情况3-I中，在这些条件下MEG利润的概率密度函数（PDF）如图所示。 9，其中利润偏离与电价不确定性水平成比例。4.4. MEG更灵活，预期利润更高，风险更小为了充分理解不确定性对不同MEG拓扑结构的影响，选择了30%的电价不确定性水平，并得到了不同情况下的结果。图10（a）和图10（b）示出了不具有EV和具有EV的三种不同情况的概率密度函数。如前所述，天然气和电力基础设施的结合使MEG在供应负荷方面更加灵活。从本财务报表可见，当MEG的可收回性较高时，MEG的预期溢利会处于较高水平。此外，电动汽车的出现预期会带来更多利润。不同概率密度函数模式的期望值、标准差和CV见表3。可以看出，图10个。不 确定性水平为30%的情况下的利润PDF（a）无电动汽车，(b)与EV。表3不同情况下的PDF参数和CV。情况EXSDCV案例183.3511.390.137案例291.159.010.099案例3103.737.100.069案例1123.5614.780.119案例2129.3512.650.098案例3142.4810.890.076电力与天然气的耦合度越高，预期收益越高，风险越小与没有电动汽车的情况相比，电动汽车的整合也增加了预期利润对于情况1，CV减小，而对于情况2，在案例3中，CV从0.069增加到0.076，与其他情况相比，这可能仍然很低。在电价不确定性水平为30%的情况下，所有情况下的可靠性函数如图11所示。例如，在MEG与EV的情况下，情况1、2和3的利润超过120$的概率分别为0.58、0.76和0.98。这可能反映情况3的预期利润较高。同样清楚的是，EV转换提高了MEG的利润可靠性。4.5. 敏感性分析为了进行敏感性分析，在不同的价格不确定性水平下，对不同的情况进行了分析。在这方面，图12与在不同不确定性水平下有和没有电动汽车的不同情况下可以发现，DG和EV可以增加MEG的预期利润，这与上一节（第4.3）得出的结论相似A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1219图十一岁 在电价不确定性水平为30%的情况下，所有情况下的可靠性函数。图12个。在 不同的不确定性水平下的不同情况下的预期利润。图十四岁 两类CV曲线之间的比较;有和没有EV：a) 案例1，b）案例2，c）案例3。它可以增加预期利润，而对风险没有显著影响。图十三. 不同不确定性水平的CV图13还示出了不同不确定性水平的三种不含EV情况的CV曲线。很明显，当MEG更灵活时，CV更小，而预期利润更高，如图所示。 12个。为了评估EV渗透率在处理价格不确定性方面的作用，计算了不同情况下的CV，如图14所示。可以发现，电动汽车的存在并没有显著改变情况2和3中的风险，而它可以导致减少 当不确定性高时，情况1的风险。关于图12和图14，根据具有DG单元的MEG中的能量管理，EV笔-5. 结论研究了电价不确定性对微电网运行的影响。在这方面，能源枢纽的方法来执行MEG的最佳能源调度。不同的不确定性水平，10%，20%，30%，40%和50%，被认为是和蒙特卡洛模拟技术被用来解决这样的不确定性。此外，研究了分布式发电（DG）和电动汽车（EV）的集成及其对电网利润风险的结果表明，MEG运营商可以利用其发电和存储单元，以减少在高价格小时的电力需求。从运营商的角度来看，DG机组的使用（不同能源基础设施之间的耦合）在降低风险的同时带来了更高的预期利润。此外，电动汽车的整合增加了预期利润;而风险并没有显著改变。值得注意的是，电动汽车的普及率可能会在模型中增加一些不确定性，例如到达/离开时间这可以降低风险A.加西米，M。Banejad，M. Rahimiyan等人可持续运营与计算机2（2021）1220评估MEG结果，这将需要在未来的工作中进行更多的调查。竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1]C. Chen，S. Duan，T. Cai等人，微电网最优经济运行智能能量管理系统. 发电机5（3）（2010）258[2] A. Zakariazadeh，S. Jadid，P. Siano，智能微电网能源和储备调度与需求响应使用随机优化，国际。J. 电机股份电力能源系统63（2014）523[3] M. Geidl，G. Andersson，多载波增强的操作和结构优化，能源系统，国际译Elect. 埃纳系统16（5）（2006）463[4] M. Geidl，多载波能量系统的集成建模与优化，苏黎世联邦理工学院，2007年。[5] M. Geidl，G.李文生，多能源载波之最佳功率分配，国立成功大学电力系统研究所硕士论文，2007年第22期第1卷第145-155页。[6] T. 妈，J。吴湖，加-地Hao，能量流建模与优化运行分析，基于能源枢纽的微型能源网，能源转换。经理。133（2017）292[7] A.加西米，M。Hojjat，M.H. Javidi，引入一个新的框架，用于管理未来的配电网络，利用能源枢纽的潜力，在：第二届伊朗智能电网会议（ICSG），德黑兰，2012年，pp. 1-7号。[8] IEACO2燃料燃烧排放亮点，国际能源署，2017年。[9] 德黑兰空气质量控制[联机]。http://air.tehran.ir网站，[10] IEAGlobal EV Outlook，国际能源署，2020年。[11]D. Wang，X. Guan，J. Wu，等人，具有电动车辆的多微电网系统的集成能量交换调度，IEEE Trans. Smart Grid 7（4）（2016）1762-1774。[12]S. Gao，K.T.乔角Liu等人，插电式储能系统的集成能源管理-可再生能源电网中的电动汽车，IEEE Trans. Veh. Tech. 63（7）（2014）3019-3027。[13]R. Zhang，X.成湖，澳-地杨，电动汽车能源管理框架，智能电网：三方博弈，IEEE Commun.麦格54（12）（2016）93[14]A. Zakariazadeh，S. Jadid，P. Siano，智能配电系统中电动汽车和可再生能源发电的综合运营，Energy Conv。经理。89（2015）99[15]M. Honarmand，A. Zakariazadeh，S. Jadid，智能微电网中可再生能源发电和电动汽车停车场的综合调度，能源转换。经理。86（2014）745-755。[16]G. Ferro，F.劳雷里河Minciardi，M.Robba，一个电气优化模型智能电网中的车辆调度，Sust。能源网14（2018）62[17]A. Zakariazadeh，S. Jadid，P. Siano，智能配电系统中电动汽车的多目标调度，Energy Conv。经理。79（2014）45[18]A.Y. Saber，G.K. Venayagamoorthy，具有可再生能源和插电式车辆的智能电网中不确定性下的资源调度，IEEE Syst.J.6（1）（2012）103-109。[19]S. Gao，K.T.乔角Liu等人，插电式电动汽车的综合能源管理车辆在电网与可再生能源，IEEE trans.veh。技术63（7）（2013）3019-3027。[20] S.I. Vagropoulos，G.A. Balaskas，A.G. Bakirtzis，插电式电动汽车充电对电力系统调度和能源成本影响的调查，IEEE Trans. Power Syst.32（3）（2017）1902-1912。[21]H. 申河Baldick，电网下的插电式电动汽车到户（V2H）操作停电，IEEE Trans.智能电网8（4）（2017）2032[22] P.M. Connor等人，英国智能电网部署的风险和不确定性来源：专家利益相关者分析，能源161（2018）1-9。[23] R. Weron，《电价预测：展望未来的最新技术回顾》，国际电力公司。J. 预报. 30（4）（2014）1030[24] H. Zhang，L. Yue、X. Xie，具有不同不确定性预算水平的风电不确定性下动态经济调度的鲁棒优化，IEEE Access 4（2016）7633-7644。[25] A. 加 西 米 ， M 。 Banejad ， M. Rahimiyan ， Integrated Energy Scheduling underuncertaintyin a micro energy grid，IET Gener，Transm. 分布量12（12）（2018）2887[26] L. 巴林戈湾Rahimiyan、虚拟电厂与电力市场决策《在不确定性下制作》，施普林格国际出版社，2020年。[27] S. Bahramara，H. Golpavira，电动汽车存在下微电网运行问题的鲁棒优化，Sut。城市足球协会37（2018）388[28] L.K. Mitropoulos等人，模糊和蒙特卡洛模拟方法来评估可持续性和城市环境中的车辆排名，交通。Res. Proc. 24（2017）296-303.[29] F. Goodarzian，H. Hosseini-Nasab，应用模糊多目标模型，duction–distribution network design problem by using a novel self-adoptive evolu-tionaryJ. 系统科学：操作员洛吉斯（2019）1[30] S.S. Rao，工程优化：理论与实践，第5版，威利父子公司，2020年。[31]H. Yang，S.张，J.邱，等，CVaR约束下的电动汽车最优报价提前一天和实时市场的聚合器，IEEE Trans. Ind. Inform。13（5）（2017）2555-2565。[32] J.Zhao，C.万，Z. Xu，J. Wang，使用信息间隙决策理论的电动车辆聚合器的基于风险的日前调度，IEEE Trans.智能电网8（4）（2017）1609-1618。[33] B.太阳，X。Wu，J. Xie，X.孙，基于信息缺口决策理论的电力采购，考虑需求响应的负荷聚合器跟踪优化策略，Energy Sci. Eng.（2020）1-11 00.[34] M. Salimi，H.加西米，M。Adelpour，S. Vaez-Zadeh，互联能源系统中能源枢纽的优化规划：天然气和电力的案例研究，IETGener，Transm。分布量9（8）（2015）695[35] M. Zarif，S.Khaleghi，M.H.Javidi，电价不确定性影响的评估关于多载波能量系统的操作，IET Gener，Transm.分布量9（16）（2015）2586-2592。[36] H. Rashidizadeh-Kermani，考虑不确定市场价格和需求的需求响应聚合器调度随机规划模型，Int. J. Elec.电力能源系统。113（2019）528-538。[37] A.A.Loyd，模糊指数与蒙特卡罗模拟风险的比较2004年什切青技术大学环境保护科学硕士论文[38] M. Mohammadi，Y.努罗拉希亚湾Mohammadi-ivatloo等人，能源枢纽：从模型到概念--综述，任正非。苏斯特Energy Rev. 80（2017）1512-1527.[39] M. Geidl，G.Koeppel，P.Favre-Perrod等人，未来能源中心，IEEE PowerEnergy Mag. 5（1）（2007）24[40] M. Setayesh Nazar，M.R. Haghifam，采用混合能源枢纽概念的多目标配电系统扩展规划，Elec。电力系统研究79（6）（2009）899-911。[41]X. Zhang，M. Shahidehpour，A. Aldulwahab，A. Abusorrah，多能源基础设施的能源枢纽最优扩张规划，IEEE Trans. 智能电网6（5）（2015）2302[42] X. 王，英-地梁，插电式混合动力汽车的能源管理策略通过双向车辆到电网，IEEE系统。J.，11（3）（2017）1789[43] J. Chavas，Risk Analysis in Theory and Practice，第1版，中 国 科学技术出版社，2004年.[44] M.沙希德普尔湾Yamin，Z.电力系统的市场运作：预测、调度和风险管理，第1版，Wiley-IEEE Press，2002.[45] J. English，B.希克斯，S。Hrasky，N. Gyles，《个人财务管理》，第二版，Allen&Unwin，2003.[46] A.L. Hartzell，M.G. 达席尔瓦，H.R. Shea，MEMS可靠性，第1版，Springer，2011.[47] D.T. Hoang，P. Wang，D. Niyato，E. Hossain，车辆到电网（V2 G）系统中插电式电动汽车（PEV）的充电和放电：基于网络保险的模型，IEEE Access 5（2017）732-754。[48] L. Zhang， Y. Li，通过两阶段近似动态规划优化停车场电动汽车充电管理，IEEETrans.智能电网8（4）（2017）1722-1730。[49] N. Neyestani，M.Y.达马文迪，M。Shafie-khah等人，插电式电动车停车场-能源和储备市场的大量均衡，IEEE Trans. Power System。32（3）（2017）2001
