随着全球化石能源的减少和环境问题的日渐突显, 世界各国推出多样化政策促进可再生能源应用。截至2020年底, 我国光伏、风电装机容量分别达到了2.5亿kW和2.8亿kW^[1]。加快推进以新能源为主体的多能互补型综合能源系统成为实现碳中和、促进我国能源转型的有力措施^[2]。可再生能源发电逐渐由辅助电源向主力能源转变。与传统能源系统相比, 综合能源系统中复杂设备的优化配置和合理运行调度是实现系统稳定、高效运行的核心因素。文献[3-4]以能源集线器为基本架构, 对包含风、光和天然气在内的综合能源系统设备配置进行优化。为从根本上解决化石能源引发的生态环境问题, 推动“双碳”目标实现, 有学者提出构建零碳综合能源系统。文献[5]提出并构建了一种基于风-光-沼的零碳能源电力系统, 并以系统经济性、电能质量和供电可靠性为目标对系统进行优化规划。文献[6]综合考虑偏远农村地区资源禀赋和用户负荷需求特性, 提出了以太阳能、风能和生物质能为能源输入的离网型零碳能源系统的建模与优化设计框架。作为零碳能源系统的核心要素, 风、光等可再生能源出力具有明显的间歇性、波动性, 然而既有的综合能源规划方案对此并未深究^[7-8]。

关于光伏、风电的出力预测, 国内外学者已有大量研究^[9-11]。近年来, 已有学者开始探讨其不确定性问题。文献[12]采用拉丁超立方抽样和K-means聚类实现了风功率典型场景获取, 有效描述了风电出力的不确定性特征。文献[13]以多场景下的期望运行成本最低为优化目标, 构建了基于多场景技术的随机优化调度模型, 但是对概率分布函数的精确度要求较高, 且需要大量的历史数据做支撑。区间数理论在处理可再生能源不确定性问题时, 建模简单且无需不确定参数的概率分布关系。文献[14]采用区间数对光伏出力及负荷的不确定性进行描述, 综合考虑多能互补和网络互联及环境效益, 建立了基于区间线性规划的区域综合能源系统日前经济优化调度模型。文献[15]建立了基于粒子群优化-区间线性规划的双层优化模型, 研究了系统内可再生能源和购能价格不确定性问题。综上所述, 针对以光伏、风电等为主体的零碳能源系统, 探讨不确定性对系统规划的影响, 目前尚未见相关报道。

本文借助区间数理论, 建立基于长短期记忆网络(Long Short-Term Memory, LSTM)分位数回归的零碳能源系统不确定性优化规划方法。首先, 构建了包含多种零碳能源技术的零碳综合能源系统物理结构, 并对系统内典型设备进行数学建模。其次, 建立光伏出力不确定性区间预测模型, 并以系统年总经济成本最小为目标函数, 构建零碳能源系统混合整数线性规划模型。最后, 通过典型算例分析, 验证所构建优化模型的可行性与有效性。

构建以零碳排放为特征的清洁能源系统, 需要依赖太阳能、风能、生物质能以及绿色氢能等零碳能源技术^[16]。以满足用户冷、热、电多样化负荷需求为前提, 结合综合能源系统源网荷储一体化特征, 确定零碳能源系统物理结构如图 1所示。其中: 电负荷主要由生物质热电联产(Combined Heat and Power, CHP)机组、光伏电池、燃料电池供应; 热负荷主要由生物质CHP余热、太阳能集热器和地源热泵制热供应; 冷负荷主要由电制冷机、吸收式制冷机、地源热泵制冷供应。蓄电池、蓄热罐以及冰蓄冷设备也可满足用户负荷需求。蓄电池设备无法储存的富余电能可以通过电解槽电解水制氢储存在储氢罐中, 供后续燃料电池发电。

生物质CHP机组采用生物质燃料热解气化再燃烧的发电方式。在任一时刻t, 生物质CHP机组终端电能输出与能量输入的关系^[17]可表示为

$ P_t^{\mathrm{BCHP}}=\frac{m_t^{\mathrm{BM}} \cdot L_{\mathrm{BM}} \cdot \eta^{\mathrm{BCHP}}}{3\;600} $

(1)

式中: P_t^BCHP——t时刻生物质CHP机组发电量;

m_t^BM——t时刻生物质燃料消耗量;

L_BM——生物质燃料低位热值;

η^BCHP——生物质CHP机组发电效率。

光伏电池发电出力主要取决于本地太阳辐射, 其数学模型可表示为

$ P_t^{\mathrm{PV}}= \begin{cases}\frac{N^{\mathrm{PV}} P_{\mathrm{N}} R_{\mathrm{a}\;t}^2}{R_{\mathrm{SSR}} R_{\mathrm{CR}}} & 0 \leqslant R_{\mathrm{a}\;t}<R_{\mathrm{CR}} \\ \frac{N^{\mathrm{PV}} P_{\mathrm{N}} R_{\mathrm{a}\;t}}{R_{\mathrm{SSR}}} & R_{\mathrm{CR}} \leqslant R_{\mathrm{a}\;t}<R_{\mathrm{SSR}} \\ N^{\mathrm{PV}} P_{\mathrm{N}} & R_{\mathrm{SSR}} \leqslant R_{\mathrm{a}\;t}\end{cases} $

(2)

式中: P_t^PV——t时刻光伏发电量;

N^PV——光伏板数量;

P_N——每个光伏板额定功率;

R_{a t}——t时刻本地太阳辐射强度;

R_SSR——标准太阳辐射强度;

R_CR——特定辐射强度。

电解槽设备可以利用富余电能电解水制氢, 而燃料电池则可利用氢能发电。其数学模型^[18]分别表示为

$ m_{t, \mathrm{H}_2}^{\mathrm{ELZ}}=\frac{P_t^{\mathrm{ELZ}} \cdot \eta^{\mathrm{ELZ}}}{L_{\mathrm{H}_2}} $

(3)

$ P_t^{\mathrm{FC}}=\eta^{\mathrm{FC}} \cdot m_{t, \mathrm{H}_2}^{\mathrm{FC}} \cdot L_{\mathrm{H}_2} $

(4)

式中: m_{t, H2}^ELZ——t时刻电解槽电解水产生氢气质量;

P_t^ELZ——t时刻电解槽消耗电能;

η^ELZ——电解槽制氢效率;

L_H2——氢的低位热值;

P_t^FC——t时刻燃料电池发电量;

η^FC——燃料电池发电效率;

m_{t, H2}^FC——t时刻燃料电池发电消耗氢气量。

地源热泵的数学模型可表示为

$ H_t^{\mathrm{GSHP}}=\left(1-f^{\mathrm{GSHP}}\right) \cdot P_t^{\mathrm{GSHP}} \cdot I_{\mathrm{H}}^{\mathrm{GSHP}} $

(5)

$ C_t^{\mathrm{GSHP}}=f^{\mathrm{GSHP}} \cdot P_t^{\mathrm{GSHP}} \cdot I_{\mathrm{C}}^{\mathrm{GSHP}} $

(6)

式中: H_t^GSHP、C_t^GSHP——t时刻地源热泵的热出力和冷出力;

f^GSHP——取0或1, 表示地源热泵设备不能同时制热和制冷;

P_t^GSHP——t时刻地源热泵输入的电功率;

I_H^GSHP、I_C^GSHP——地源热泵的制热、制冷能效系数。

太阳能集热器可以把太阳辐射能转换为热能, 其数学模型可表示为

$ H_t^{\mathrm{PT}}=A^{\mathrm{PT}} \cdot R_{\mathrm{a}\;t} \cdot \eta^{\mathrm{PT}} $

(7)

式中: H_t^PT——t时刻太阳能集热器的热出力;

A^PT——集热板面积;

η^PT——太阳能集热器效率。

电制冷机的数学模型可表示为

$ C_t^{\mathrm{ER}}=P_t^{\mathrm{ER}} \cdot I_{\mathrm{c}}^{\mathrm{ER}} $

(8)

式中: C_t^ER——t时刻电制冷机冷出力;

P_t^ER——t时刻电制冷机消耗电能;

I_c^ER——电制冷机制冷性能系数。

吸收式制冷机是依靠吸收器-发生器将热能转化为冷负荷的设备, 可表示为

$ C_t^{\mathrm{AC}}=H_t^{\mathrm{AC}} \cdot I_{\mathrm{c}}^{\mathrm{AC}} $

(9)

式中: C_t^AC——t时刻吸收式制冷机冷出力;

H_t^AC——t时刻吸收式制冷机输入热量;

I_c^AC——吸收式制冷机性能系数。

蓄电、蓄冷/热、储氢设备数学模型类似, 在储存过程中会有部分损耗。以储氢设备为例, 任意时刻, 储氢设备状态均等同于前一时刻储氢罐状态值与当前时间段内储氢罐储放氢净值之和, 其数学模型可表示为

$ G_{t+{\mathit{\Delta}} t}^{\mathrm{HST}}=\left(1-\lambda^{\mathrm{HST}}\right) G_t^{\mathrm{HST}}+\eta_{\mathrm{in}}^{\mathrm{HST}} G_{t, \text { in }}^{\mathrm{HST}} {\mathit{\Delta}} t-\frac{G_{t, \text { out }}^{\mathrm{HST}}}{\eta_{\text {out }}^{\mathrm{HST}}} {\mathit{\Delta}} t $

(10)

式中: G_t+Δt^HST、G_t^HST——(t+Δt), t时刻储氢罐的储氢量;

λ^HST——储氢罐的自放能率;

η_in^HST、η_out^HST——储氢罐储、放氢效率;

G_{t, in}^HST、G_{t, out}^HST——t时刻储、放氢量。

区间线性规划是将区间数理论应用于线性规划中, 并且在目标函数或约束条件中含有区间数的一类线性规划。采用区间数描述光伏出力的不确定性, 其公式为

$ P_t^{\mathrm{PV}}=P_{t, \mathrm{y}}^{\mathrm{PV}}+{\mathit{\Delta}} P_t^{\mathrm{PV}} $

(11)

式中: P_t^PV——t时刻光伏实际出力;

P_{t, y}^PV——光伏出力预测值;

ΔP_t^PV——光伏出力预测误差值。

回归分析是一种预测性建模技术。传统回归分析可反映自变量与因变量的条件期望间关系, 但难以清晰反映变量数据分布较分散或非对称分布情形, 而光伏发电功率的序列往往呈现非对称分布, 采用传统回归分析无法精准分析因变量的影响因素。分位数回归在传统回归分析得到因变量中央趋势的基础上, 能够进一步推论因变量的条件概率分布, 从而有效反映解释变量在不同分位点下对被解释变量的影响, 即分位数回归能细致地反映输入信息在不同范围内对响应变量的映射信息。其公式为

$ \begin{aligned} Q_Y(\tau \mid \boldsymbol{X})= & \beta_0(\tau)+\beta_1(\tau) x_1+\beta_2(\tau) x_2+ \\ & \cdots+\beta_s(\tau) x_s+\varepsilon(\tau) \end{aligned} $

(12)

式中: Q_Y——被解释变量Y在解释变量X给定下的条件分位数, 其中X=[1, x₁, x₂, x₃, …, x_s]^T;

τ——分位点, τ∈(0, 1);

β₀、β₁、β₂、…、β_s——回归系数向量β(τ)的分量, β(τ)=[β₀, β₁, β₂, …, β_s]^T, 其值随分位点τ的变化而变化;

ε(τ)——不同分位点τ的误差项。

循环神经网络(Recurrent Neural Network, RNN)能够实现对序列数据的有效处理, 但当RNN对长序列进行学习时, 会出现梯度爆炸和梯度消失现象, 容易导致RNN无法掌握长时间跨度的非线性关系。为了解决RNN的长期依赖问题, LSTM理念被提出。其主要单元结构如图 2所示。图 2这样一个矩形框被称作LSTM的一个元胞, 由输入门i_t、输出门o_t、遗忘门f_t、隐藏状态h_t、存储单元c_t、激活函数σ等组成。LSTM神经网络在时刻t的输入数据为x_t, 输出值为h_t, 记忆状态为c_t, $\tilde{c}_t$为新的候选状态^[19]。

由图 2可以看出, 上一时刻隐含层传入的值h_t－1和当前时刻输入值x_t在遗忘门中通过计算丢弃无效的信息, 即

$ f_t=\sigma\left(\boldsymbol{w}_{\mathrm{f}} \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_{\mathrm{f}}\right) $

(13)

计算得到的新信息再经过一个Sigmoid函数决定要更新哪些信息, 求取需要输入到记忆单元中的数据。tanh层创造了一个新的候选值$\tilde{c}_t$, 该值可能被加入元胞状态中, 即

$ i_t=\sigma\left(\boldsymbol{w}_{\mathrm{i}} \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_{\mathrm{i}}\right) $

(14)

$ \tilde{c}_t=\tanh \left(\boldsymbol{w}_{\mathrm{c}} \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_{\mathrm{c}}\right) $

(15)

再将元胞的旧状态$\tilde{c}_t$更新为当前时刻单元状态值c_t, 即

$ c_t=f_t c_{t-1}+i_t \widetilde{c}_t $

(16)

最后, 利用经过tanh层处理的新单元状态值$\tilde{c}_t$和经过Sigmoid函数分类后的数据o_t可以得到传递给下一个时刻的隐含层数据值h_t, 即

$ o_t=\sigma\left(\boldsymbol{w}_{\mathrm{o}} \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_{\mathrm{o}}\right) $

(17)

$ h_t=o_t \tanh \left(c_t\right) $

(18)

式中: w——权重矩阵;

b——偏置向量;

下标f、i、c、o——遗忘门、输入门、存储单元和输出门的对应项;

σ(·)——Sigmoid激活函数;

tanh(·)——双曲正切激活函数。

为得到更加准确、范围更小的光伏出力预测区间, 基于神经网络分位数回归模型的特点^[20], 结合LSTM回归模型, 构建LSTM分位数回归模型。该模型最终可将参数估计看作是优化问题, 利用Adam随机梯度下降法求解该优化问题^[21]。具体模型如下

$ \min \left[f_{\cos t}+\frac{\lambda}{2}|(\tilde{\boldsymbol{w}}(t), \tilde{\boldsymbol{b}}(t))|^2\right] $

(19)

式中: f_cost——分位数回归的目标函数;

$\tilde{\boldsymbol{w}}(t)$、$\tilde{\boldsymbol{b}}(t)$——带分位数条件的权重矩阵和偏置向量。

设LSTM网络中隐含层神经元为K个, 则t时刻隐含层输出的向量为H_t¹, H_t², …, H_t^k。将隐含层输出向量作为全连接层输入即可得到LSTM网络在分位点下的输出值为

$ Q_Y(\tau \mid \boldsymbol{X})=g\left(\sum\limits_{k=1}^K \boldsymbol{w}_k(\tau) H_t^k+\boldsymbol{b}(\tau)\right) $

(20)

式中: g(·)——线性激活函数;

w_k(τ)、b(τ)——LSTM隐含层输出与全连接层输入之间的权重矩阵和偏置向量。

基于LSTM分位数回归模型可预测得到一定置信水平下的光伏发电出力区间, 进一步可确定不同置信水平下的光伏发电出力极限场景^[22]。当置信水平为0.9时, 取F(P_l^PV)为0.1, F(P_u^PV)为0.9, 则光伏发电出力的波动区间为[F(P_l^PV), F(P_u^PV)]。为此, 设定极限场景1的光伏输出功率为F(P_l^PV), 极限场景2的光伏输出功率为F(P_u^PV)。光伏发电功率的实际值和极限场景如图 3所示。

系统年总经济成本W_total包括设备年均总投资成本Z_total, 设备年总维护费用M_total, 系统年运行费用U_total。零碳能源系统的优化规划目标是系统年总经济成本W_total最小, 其公式为

$ \min W_{\text {total }}=Z_{\text {total }}+M_{\text {total }}+U_{\text {total }} $

(21)

根据系统供能设备出力和用户负荷形式差异, 能量平衡体现在电、热、冷3个方面, 公式为

$ \begin{array}{l} P_t^{\mathrm{BCHP}}+\left(P_{t, \mathrm{y}}^{\mathrm{PV}}+{\mathit{\Delta}} P_t^{\mathrm{PV}}\right)+P_t^{\mathrm{FC}}+P_{t, \mathrm{out}}^{\mathrm{SBT}}=P_{t, 1}^{\mathrm{U}}+ \\ \;\;\;\;\;\;P_t^{\mathrm{ELZ}}+P_t^{\mathrm{GSHP}}+P_t^{\mathrm{ER}}+P_t^{\mathrm{IM}}+P_t^{\mathrm{MI}}+P_{t, \mathrm{in}}^{\mathrm{SBT}} \end{array} $

(22)

$ \begin{aligned} & H_t^{\mathrm{BCHP}}+H_t^{\mathrm{GSHP}}+H_t^{\mathrm{PT}}+H_{t, \text { out }}^{\mathrm{HSD}}= \\ & H_{t, 1}^{\mathrm{U}}+H_t^{\mathrm{AC}}+H_{t, \text { in }}^{\mathrm{HSD}} \end{aligned} $

(23)

$ C_t^{\mathrm{GSHP}}+C_t^{\mathrm{ER}}+C_t^{\mathrm{AC}}+C_{t, \text { out }}^{\mathrm{ISD}}=C_{t, 1}^{\mathrm{U}}+C_{t, \mathrm{in}}^{\mathrm{ISD}} $

(24)

式中: P_{t, l}^U、H_{t, l}^U、C_{t, l}^U——用户电、热、冷负荷需求;

P_t^IM+P_t^MI——冰蓄冷空调制冰和融冰消耗电功率;

P_{t, in}^SBT、P_{t, out}^SBT——t时刻蓄电池的充、放电功率;

H_t^BCHP——生物质CHP机组余热;

H_{t, in}^HSD、H_{t, out}^HSD——t时刻蓄热罐的储、放热量。

供能系统中发电设备、供热设备、供冷设备出力需满足其正常工作范围的上下限, 即

$ E_{\min }^k \leqslant E_t^k \leqslant E_{\max }^k $

(25)

式中: E_min^k、E_max^k——第k个设备正常运行所允许的最小、最大出力值;

E_t^k——第k个供能设备t时刻输出能量。

光伏板面积受到场地实际情况的制约, 应满足以下约束

$ 0 \leqslant A^{\mathrm{PV}}+A^{\mathrm{PT}} \leqslant S $

(26)

式中: A^PV——光伏板占地面积;

S——实际情况所允许光伏板和光热设备最大占地面积。

电解槽运行约束为

$ P_{\min }^{\mathrm{ELZ}} \leqslant P_t^{\mathrm{ELZ}} \leqslant P_{\max }^{\mathrm{ELZ}} $

(27)

式中: P_min^ELZ、P_max^ELZ——电解槽空转功率和额定功率。

以蓄电池为例, 定义最小能量容量来表示电池剩余能量的阈值, 并且规定蓄电池初始含电量为零, 而且蓄电池不应同时充电和放电, 其运行约束可表示为

$ \beta \cdot P_{\max }^{\mathrm{SBT}} \leqslant P_t^{\mathrm{SBT}} \leqslant P_{\max }^{\mathrm{SBT}} $

(28)

$ 0 \leqslant P_{t, \text { in }}^{\mathrm{SBT}} \leqslant P_{\text {max, in }}^{\mathrm{SBT}} $

(29)

$ 0 \leqslant P_{t, \text { out }}^{\mathrm{SBT}} \leqslant \min \left(P_t^{\mathrm{SBT}}, P_{\text {max }, \text { out }}^{\mathrm{SBT}}\right) $

(30)

$ P_{t, \text { out }}^{\mathrm{SBT}} \leqslant M \cdot f_{\text {out }}^{\mathrm{SBT}} $

(31)

$ P_{t, \mathrm{in}}^{\mathrm{SBT}} \leqslant M \cdot f_{\mathrm{in}}^{\mathrm{SBT}} $

(32)

$ f_{\text {out }}^{\mathrm{SBT}}+f_{\text {in }}^{\mathrm{SBT}} \leqslant 1 $

(33)

式中: β——系数, β∈(0, 1), 起到保护蓄电池的作用;

P_max^SBT——蓄电池额定容量;

P_{max, in}^SBT、P_{max, out}^SBT——蓄电池单位时间所允许的最大充、放电量;

P_{t, in}^SBT、P_{t, out}^SBT——t时刻蓄电池的充、放电量;

M——极大值;

f_in^SBT、f_out^SBT——蓄电池充、放电的状态值, 取0或1。

因为蓄电池不能同时充放电, 所以引入极大值M对其充、放电状态进行限制。

针对某典型区域, 选取每个月的15日作为典型日, 得到用户每月电、热、冷负荷需求曲线, 如图 4所示。图 5为对应的逐时太阳辐射强度。系统供、储能设备的技术和经济参数^[23-24]如表 1和表 2所示。

根据全年光伏逐时发电出力数据, 选取前4个月2 905个时间点的数据为训练样本, 利用LSTM分位数回归模型对典型日光伏发电功率进行区间预测。其中, 冬季和夏季典型日的光伏发电功率区间预测结果曲线如图 6所示。

为分析光伏出力不确定性对零碳能源系统运行的影响, 本文设定两种情景作对比, 情景1和情景2分别为不考虑和考虑光伏出力不确定性。

表 3为情景1所确定的系统最佳容量配置。对比图 1所构建的能源系统物理结构, 电制冷机和光热设备都没有选择。这主要是由于生物质CHP机组容量较大, 机组余热可推动吸收式制冷机供应全部冷负荷。用户全年热负荷需求量、需求时间固定, 生物质CHP机组和地源热泵是稳定的产热设备。同时, 由于光伏和光热设备的规划面积有一定限制, 利用太阳能发电效益远高于太阳能产热, 因此光热设备也没有选择。

情景2中2种极限场景下的设备配置如表 4所示。与情景1的系统容量配置相比, 由于光伏发电出力降低, 情景2的光伏容量相应减小。为进一步平衡用户电负荷需求, 生物质CHP机组容量增大, 但是燃料电池由于单位容量投资成本和出力成本都较高, 其容量没有改变。生物质CHP机组容量的增大间接导致了来自生物质余热增多, 所以系统对地源热泵的热出力依赖减小, 地源热泵容量减小, 吸收式制冷机容量增大。在极限场景1中, 储能设备的容量仅有小幅度变化, 但是在极限场景2中, 蓄电、蓄热以及蓄冷设备的容量都有不同程度增大。主要是因为光伏发电出力增加, 为提高可再生能源利用率、平抑光伏发电波动性所带来的问题, 使得蓄电池设备容量增加最多。生物质CHP机组容量相应减小, 导致可利用余热减少, 为进一步平衡系统冷热负荷需求, 地源热泵容量增大, 相应对蓄热、蓄冷设备容量配置也提出了更高要求。

为明确不同场景下系统配置方案优劣, 将情景1与情景2中2种极限场景下的系统经济性进行对比分析, 结果如表 5所示。由表 5可以看出, 不确定性的考虑导致系统总成本的增加。

为进一步了解可再生能源不确定性对零碳能源系统运行调度的影响, 选取极限场景1和极限场景2中夏季典型日设备时序出力的运行策略进行对比分析, 结果如图 7和图 8所示。

在极限场景1中, 白天光伏发电出力在满足用户电负荷需求后, 多余电量会一部分储存在蓄电池中, 另一部分通过电解槽电解水制氢, 并存储在储氢罐中。但在极限场景2中, 白天光伏发电多余电量绝大部分都储存在蓄电池中, 这主要是因为在极限场景2中, 蓄电池设备容量大, 且直接存储在蓄电池中经济性更好。在2种场景下, 生物质CHP机组发电量均是系统主要电力来源。夜间, 光伏电池无出力, 生物质CHP机组发电量和蓄电池放电量依旧无法满足用户电负荷需求时, 系统会启动燃料电池发电。燃料电池的频繁启动会减小系统经济性, 这也解释了为何情景2的2种极限场景下系统经济成本均高于情景1。2种极限场景中, 用户冷负荷需求主要由吸收式制冷机满足, 地源热泵为供冷辅助设备, 冰蓄冷设备会在冷量较多时将多余冷量储存, 并在夜晚冷高峰时段释放。

考虑到零碳能源系统中光伏等可再生能源的波动性和间歇性, 本文基于区间数理论, 建立了基于LSTM分位数回归的零碳能源系统不确定性优化规划模型。通过典型算例分析得到: 在当前技术经济条件下, 对于本文所探讨的小型分布式零碳能源系统, 光伏发电是必选要素, 生物质CHP发电能得益于其可控出力特性, 亦将发挥重要作用; 可再生能源出力不确定的考虑将显著影响系统配置, 实际规划过程中需要考虑最不利条件的影响; 不确定性的考虑会影响设备投资费、运行维护费等, 并最终导致系统总成本增加, 但增加比例有限。