⚡ electrical engineering

Multi-Microgrid Electricity–Heat Energy Sharing Based on Spatio-Temporal Distributionally Robust Optimization and Benefit Allocation

Dieses Paper schlägt ein verteiltes Rahmenwerk für den Austausch von Strom- und Wärmeenergie zwischen Multi-Mikronetzen vor, das eine räumlich-zeitlich korrelierte distributionsrobuste Optimierung integriert, um Erzeugungs- und Lastunsicherheiten zu handhaben, sowie einen asymmetrischen Nash-Verhandlungsmechanismus zur Gewährleistung einer fairen Nutzenverteilung nutzt, um letztlich einen kostengünstigen, kohlenstoffarmen und robusten koordinierten Betrieb zu erreichen.

Ursprüngliche Autoren: Yuntao Yue, CuiPing Yang, Dong Liu

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yuntao Yue, CuiPing Yang, Dong Liu

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Nachbarschaft vor, in der jedes Haus seine eigenen Solarmodule, Windturbinen und Batterien besitzt. Manchmal hat Haus A in der Nacht zu viel Windenergie, während Haus B darum kämpft, das Licht an der Decke zu halten. Zu anderen Zeiten hat Haus C überschüssige Wärme von seinem Ofen, die es nicht benötigt.

In der Vergangenheit hätten diese Häuser einfach teuren Strom aus dem Hauptnetz kaufen oder ihre überschüssige Energie verschwenden können. Dieses Papier schlägt einen klügeren Weg vor, wie diese „Mikronetze“ (die Häuser) als Team zusammenarbeiten können. Es ist wie die Organisation eines Nachbarschafts-Potlucks, bei dem jeder das mitbringt, was er hat, alles teilt und die Ersparnis gerecht aufteilt.

Hier ist die Aufschlüsselung dieser Lösung, unter Verwendung einfacher Analogien:

1. Das Problem: Das „Wetter-Ratespiel“

Die Hauptherausforderung besteht darin, dass die Sonne nicht immer scheint und der Wind nicht immer weht. Genau vorherzusagen, wie viel Energie ein Haus erzeugen wird, ist so, als würde man versuchen, die exakte Anzahl der Regentropfen in einem Sturm zu erraten.

Alte Wege: Einige Methoden waren zu pessimistisch (sie kauften zur Sicherheit zu viel Backup-Strom) oder zu optimistisch (sie wurden von fehlender Energie überrascht, als der Wind nachließ).
Die Lösung des Papers: Die Autoren haben ein neues Werkzeug zur „Wetter-Vorhersage“ namens WDRCC entwickelt. Stellen Sie sich das wie eine superintelligente Karte vor, die nicht nur das Wetter an einem Ort betrachtet, sondern versteht, wie der Wind in einer Nachbarschaft den Wind in der nächsten beeinflusst und wie das Wetter von heute mit dem von morgen zusammenhängt. Es nutzt ein mathematisches „Gummiband“ (Wasserstein-Distanz), um seine Vorhersagen bassierend auf der Menge der verfügbaren Daten zu dehnen und zu stauchen, wodurch die Nachbarschaft sicher vor Überraschungen bleibt, ohne Geld zu verschwenden.

2. Das Low-Carbon-Upgrade: Die „Recycling-Fabrik“

Eines der Häuser (Mikronetz 2) erhält ein spezielles Makeover, um „grün“ zu werden.

Der Aufbau: Es installiert ein System, das den „Rauch“ (Kohlendioxid) aus seinem Generator einfängt. Anstatt die Luft zu verschmutzen, verwandelt es diesen Rauch in Brennstoff.
Der magische Trick: Es nutzt Elektrizität, um Wasser in Wasserstoff zu spalten, und mischt diesen Wasserstoff dann mit dem eingefangenen Rauch, um Methan (Erdgas) zu erzeugen.
Das Ergebnis: Dieses Haus verwandelt seinen eigenen Abfall in Brennstoff, den es nutzen oder an die Nachbarn verkaufen kann. Es ist wie ein Haus, das seinen eigenen Müll frisst und ihn in Pizza verwandelt.

3. Das Teamwork: Der „Potluck-Deal“

Da die Häuser nun in der Lage sind, Strom und Wärme zu teilen, müssen sie entscheiden, wer was bekommt und wer wem etwas zahlt.

Die Verhandlung: Sie nutzen eine Methode namens Asymmetrisches Nash-Verhandlungsmodell (Asymmetric Nash Bargaining). Stellen Sie sich eine Gruppe von Freunden vor, die eine Rechnung aufteilt. Anstatt sie einfach 50/50 zu teilen, schauen sie darauf, wer am meisten Essen mitgebracht hat, wer das Auto gefahren ist und wer die Stühle aufgebaut hat.
Der Fairness-Faktor: Das Paper führt einen „Beitragswert“ (Contribution Score) ein. Wenn Haus A viel zusätzliche Elektrizität bringt, Haus B Wärme liefert und Haus C hilft, das Netz zu stabilisieren, wenn es wackelig wird, erhalten sie alle einen Anteil an den Einsparungen, der proportional zu ihrer Hilfe ist. Dies stellt sicher, dass sich niemand ausgenutzt fühlt.

4. Der Privatsphäre-Schutz: Der „Blind geführte Tanz“

Um dies zu ermöglichen, müssen die Häuser miteinander kommunizieren, um sich zu koordinieren, aber sie wollen ihre geheimen Rezepte oder privaten Finanzdaten nicht preisgeben.

Die Lösung: Sie verwenden einen Algorithmus namens ADMM. Stellen Sie sich eine Gruppe von Menschen vor, die blind in einem Kreis tanzen. Sie können die Person neben sich fühlen und ihre Schritte anpassen, um im Einklang zu bleiben, aber sie müssen nie das Gesicht des anderen sehen oder dessen persönliche Geheimnisse kennen. Dies ermöglicht es der gesamten Nachbarschaft, ihren Energieverbrauch zu optimieren, ohne dass jemand die privaten Daten der anderen ausspioniert.

5. Die Ergebnisse: Ein Win-Win-Win

Als die Autoren dieses System mit drei verschiedenen „Häusern“ testeten (eines mit Wind, eines mit Solar und eines mit der Recycling-Fabrik):

Geld gespart: Die Gesamtkosten für die Nachbarschaft gingen zurück. Durch das Teilen von Energie und die Nutzung der „Recycling-Fabrik“ kauften sie weniger teuren Strom aus dem Hauptnetz.
Weniger Verschmutzung: Die Kohlenstoffemissionen sanken signifikant, da die Recycling-Fabrik Abfall in Brennstoff verwandelte.
Fairness: Das Haus, das am meisten beitrug (das mit der Recycling-Fabrik und den flexibelsten Ressourcen), erhielt den größten Anteil an den Einsparungen, während alle dennoch mehr Geld verdienten, als wenn sie allein gehandelt hätten.

Zusammenfassend

Dieses Paper präsentiert einen Bauplan für eine Nachbarschaft von Energieproduzenten, die wie ein einziges, effizientes Team agiert. Es nutzt eine intelligente „Wetterkarte“, um Unsicherheit zu bewältigen, eine „Recycling-Fabrik“, um Verschmutzung in Brennstoff zu verwandelt, und einen „Fairness-Rechner“, um sicherzustellen, dass jeder für seine Hilfe bezahlt wird, während gleichzeitig alle privaten Geheimnisse geschützt bleiben. Das Ergebnis ist ein saubererer, günstigerer und gerechterer Weg, unsere Zukunft mit Energie zu versorgen.

Technische Zusammenfassung: Multi-Mikrogrid-Elektrizitäts–Wärme-Energieteilung basierend auf räumlich-zeitlicher distributionsrobuster Optimierung und Nutzenallokation

Problemstellung
Die koordinierte Steuerung von Multi-Mikrogrid-Systemen (MMG) steht vor erheblichen Herausforderungen, die sich aus der Kopplung von kohlenstoffarmen Betriebsanforderungen und der Unsicherheit der erneuerbaren Erzeugungs- und Lastprognosen ergeben. Bestehende Ansätze versäumen es oft, drei kritische Lücken gleichzeitig zu schließen:

Unsicherheitsmodellierung: Traditionelle Methoden (Intervall-, stochastische oder robuste Optimierung) beruhen entweder auf manuell definierten Intervallen, hängen stark von spezifischen Verteilungsannahmen ab oder liefern übermäßig konservative Worst-Case-Ergebnisse. Darüber hinaus vernachlässigen sie häufig die räumlich-zeitlichen Korrelationen der Prognosefehler über mehrere Mikrogrids und Zeiträume hinweg, was das Risiko für das System unterschätzen kann.
Integration niedriger Kohlenstoffintensität: Obwohl Technologien zur Kohlenstoffreduktion wie Carbon Capture and Storage (CCS) und Power-to-Gas (P2G) existieren, mangelt es an vereinheitlichten Rahmenbedingungen, die diese Technologien in ein koordiniertes Multi-Energie- (Elektrizitäts–Wärme–Gas) Dispatch-Modell integrieren, welches die Zusammenarbeit zwischen Mikrogrids zur Emissionsreduktion nutzt.
Nutzenallokation: Bestehende Gewinnaufteilungsmechanismen, wie der Shapley-Wert oder das symmetrische Nash-Bargaining, haben oft Schwierigkeiten, die Recheneffizienz mit der Fairness in Einklang zu bringen, insbesondere wenn die Beiträge multidimensional (z. B. Energieaustausch, Kohlenstoffreduktion und Flexibilität) und asymmetrisch sind.

Methodik
Das Paper schlägt einen umfassenden Rahmen vor, der räumlich-zeitlich korrelierte distributionsrobuste Optimierung mit Koalitionsspieltheorie integriert. Die Methodik gliedert sich in drei Hauptkomponenten:

Kohlenstoffarmes Multi-Energie-Mikrogrid-Modell:
Die Autoren konstruieren ein Modell für einzelne Mikrogrids, das CCS, P2G, Wasserstoffspeicherung und Methanisierung umfasst. Dieser Aufbau ermöglicht die Erfassung von $CO_2$ aus KWK-Einheiten (Kraft-Wärme-Kopplung) und dessen anschließende Umwandlung in Methan via P2G, wodurch ein „Elektrizitäts–Gas–Kohlenstoff“-Kopplungspfad entsteht. Das Modell minimiert die Betriebskosten, einschließlich Brennstoff-, Wartungs- und Kohlenstoffhandelskosten.
Räumlich-zeitlich korreliertes Wasserstein-distributionsrobustes Chance-Constrained (WDRCC)-Modell:
Um die Erzeuger–Last-Unsicherheit zu adressieren, entwickelt das Paper ein WDRCC-Modell. Im Gegensatz zu Standardmodellen zeichnet sich dieser Ansatz aus durch:

Konstruktion eines Ambiguitätssets, das auf der empirischen Verteilung historischer Prognosefehler unter Verwendung eines Wasserstein-Balls basiert.
Einführung einer kovarianzgewichteten Wasserstein-Distanzmetrik. Diese Metrik integriert räumlich-zeitliche statistische Merkmale (Kovarianzmatrizen) in die Distanzberechnung, wodurch das Modell die Anisotropie der Unsicherheit (d. h. stärkere Korrelationen in spezifische Richtungen) berücksichtigen kann.
Formulierung eines zweistufigen Optimierungsproblems: eine deterministische Vortagesphase und eine intraday-Rescheduling-Phase. Das Ziel ist die Minimierung der Summe aus den Kosten am Vortag und den erwarteten Worst-Case-Intraday-Anpassungskosten innerhalb des Ambiguitätssets.
Linearisierung des Problems mittels Dualitätstheorie und Hilfsvariablen, um die Handhabbarkeit zu gewährleisten.

Asymmetrisches Nash-Bargaining zur Nutzenallokation:
Der koordinierte Betrieb wird als Koalitionsspiel modelliert.

Kostenoptimierung: Der Alternating Direction Method of Multipliers (ADMM) wird eingesetzt, um das kostenminimierende Problem der Allianz auf verteilter Basis zu lösen, wobei die Privatsphäre der einzelnen Mikrogrids durch den Austausch lediglich von Randvariablen (Energieaustauschmengen und duale Variablen) gewahrt bleibt.
Einnahmenallokation: Ein asymmetrisches Nash-Bargaining-Modell wird formuliert. Im Gegensatz zu symmetrischen Modellen gewichtet dieser Ansatz die Verhandlungsmacht jedes Mikrogrids basierend auf einem multidimensionalen Beitragsevaluierungssystem. Dieses System quantifiziert die Beiträge über vier Dimensionen: Energieaustausch, Kohlenstoffemissionsreduktion, Regelkapazität (Flexibilität) und Unterstützung der Leistungsbilanz (Zuverlässigkeit). Die endgültige Gewinnverteilung ist proportional zu diesen umfassenden Beitragsindizes.

Wesentliche Beiträge

Kovarianzgewichtetes WDRCC: Die Entwicklung eines distributionsrobusten Modells, das die räumlich-zeitlichen statistischen Abhängigkeiten explizit in die Wasserstein-Distanzmetrik integriert. Dies verbessert die Darstellung der Unsicherheitsanisotropie und ermöglicht einen abstimmbaren Kompromiss zwischen wirtschaftlicher Leistung und Robustheit, ohne eine spezifische Wahrscheinlichkeitsverteilung vorauszusetzen.
Integriertes Low-Carbon MMG-Modell: Die Formulierung eines Multi-Mikrogrid-Modells, das die Kohlenstoffreduktion (CCS und P2G) von einer Einzelgeräteperspektive auf eine koordinierte Multi-Mikrogrid-Ebene erweitert und so die $CO_2$ -Abscheidung und Ressourcennutzung innerhalb der Allianz erleichtert.
Beitragsbasierte asymmetrische Verhandlung: Die Etablierung einer Energieaustausch-Architektur, die das Problem in Kostenoptimierung und Nutzenallokation zerlegt. Der vorgeschlagene asymmetrische Nash-Bargaining-Mechanismus stellt sicher, dass die Gewinnverteilung mit den multidimensionalen Beiträgen übereinstimmt und adressiert damit die Einschränkungen eindimensionaler Allokationsmethoden.

Ergebnisse
Fallstudien mit drei Mikrogrids (zwei windbasiert, eines PV-basiert, eines mit Low-Carbon-Retrofit) zeigen Folgendes:

Effektivität des Low-Carbon-Retrofits: Das Retrofit von Mikrogrid 2 reduzierte die tatsächlichen Kohlenstoffemissionen um etwa 28 % und die Gesamtkosten um 2,63 % im Vergleich zu Pre-Retrofit-Szenarien, was die wirtschaftliche Rentabilität der CCS-P2G-Integration validiert.
Algorithmus-Konvergenz: Der ADMM-Algorithmus konvergierte effizient (innerhalb von 73 Iterationen für das Hauptproblem), was die rechnerische Stabilität der verteilten Lösung bestätigt.
Operative Synergie: Die Ergebnisse zeigen komplementäre Energieaustauschmuster. Beispielsweise liefern windreiche Mikrogrids Strom während Perioden geringer Nachfrage, während PV-reiche Mikrogrids andere während der Spitzenzeiten des Tageslichts unterstützen. Der Wärmeaustausch erhöht zudem die Flexibilität.
Faire Nutzenverteilung: Der vorgeschlagene Allokationsmechanismus steigerte den Gesamteinnahmen der Allianz um über 127.000 CNY. Mikrogrids mit höheren umfassenden Beiträgen (z. B. MG2 mit hoher Kohlenstoffreduktion und Flexibilität) erhielten größere Anteile der umverteilten Vorteile, was die Fähigkeit des Mechanismus demonstriert, Fairness und Effizienz in Einklang zu bringen.
Modellvergleich: Im Vergleich zu den Modellen DDRCC (Deterministisch), SDRCC (Stochastisch) und MDRCC (Moment-basiert) erreichte das vorgeschlagene WDRCC-Modell die niedrigsten Gesamtkosten. Es balancierte erfolgreich die hohe Konservativität von MDRCC (das hohe Kosten am Vortag verursachte) und die hohen Rescheduling-/Strafkosten von DDRCC aus.
Sensitivitätsanalyse: Die Studie bestätigte, dass die Leistung des WDRCC-Modells sensitiv gegenüber dem Konfidenzkoeffizienten und der Stichprobengröße ist, was es Betreibern ermöglicht, den Trade-off zwischen Robustheit und Kosten anzupassen. Zudem führt die Vernachlässigung räumlich-zeitlicher Korrelationen zu einer Unterschätzung der Unsicherheitsrisiken und höheren Betriebskosten.

Bedeutung und Ansprüche
Das Paper behauptet, dass sein vorgeschlagener Rahmen eine einheitliche Lösung für den koordinierten, kohlenstoffarmen und fairen Betrieb von Multi-Mikrogrid-Systemen bietet. Durch die Integration von räumlich-zeitlicher Unsicherheitsmodellierung mit einem beitragsbasierten Verhandlungsmechanismus adressiert der Ansatz die dualen Herausforderungen der Erzeuger–Last-Unsicherheit und der gerechten Nutzenverteilung. Die Autoren führen an, dass die Methode die Betriebskosten und Kohlenstoffemissionen senkt und gleichzeitig die Systemrobustheit und Fairness aufrechterhält.

Das Paper merkt bescheiden an, dass die vorgeschlagene Methode zwar die räumlich-zeitliche Abhängigkeit durch kovarianzgewichtete Metriken effektiv einbezieht, jedoch kein explizites gemeinsames räumlich-zeitliches Ambiguitätsset konstruiert. Die Autoren schlagen vor, dass zukünftige Arbeiten rigorosere Modellierungstechniken wie Vine-Copula-basierte Abhängigkeitsmodellierung oder bedingte Wasserstein-Ambiguitätssets erforschen könnten, um die Handhabung gekoppelter räumlich-zeitlicher Unsicherheit weiter zu verfeinern.