Abstract In this paper, an integrated approach for optimal planning and operation of energy hubs is provided considering the effects of wind energy resources. Inevitable uncertainties of electrical, heating, cooling demands as well as the wind power generation are considered in this study. The proposed model is based on two-stage optimization problems and represented as a stochastic programming problem to address the effects of uncertain parameters. In order to address the uncertain parameters in the model, different scenarios have been generated by Monte-Carlo Simulation approach and then the scenarios are reduced by applying K-means method. In addition, the effects of demand response programs on the operational sub-problem are taken into account. Benders decomposing approach is adopted in this research to solve the complex model of coordinated planning and operation problem. The master problem is supposed to determine the type and capacity of hub equipment, while the operating points of these assets are the decision variables of the operational slave problem. As a result, the proposed mathematical model is expressed as a linear model solved in GAMS. The simulation results confirm that the Benders decomposition method offers extremely high levels of accuracy and power in solving this problem in the presence of uncertainties and numerous decision variables. Moreover, the convergence time is drastically decreased using Benders decomposition method.

中文翻译：

---

使用 Benders 分解方法考虑需求响应程序的能源枢纽的随机规划和运营

摘要 本文提出了一种综合考虑风能资源影响的能源枢纽优化规划和运营方法。本研究考虑了电力、加热、冷却需求以及风力发电的不可避免的不确定性。所提出的模型基于两阶段优化问题，并表示为随机规划问题，以解决不确定参数的影响。为了解决模型中的不确定参数，通过蒙特卡罗模拟方法生成不同的场景，然后应用K-means方法减少场景。此外，还考虑了需求响应程序对操作子问题的影响。本研究采用Benders分解方法解决复杂模型的协调规划与运营问题。主问题应该确定枢纽设备的类型和容量，而这些资产的操作点是操作从问题的决策变量。因此，所提出的数学模型表示为在 GAMS 中求解的线性模型。仿真结果证实，在存在不确定性和众多决策变量的情况下，Benders 分解方法在解决这个问题时提供了极高的准确性和能力。此外，使用 Benders 分解方法大大减少了收敛时间。而这些资产的操作点是操作奴隶问题的决策变量。因此，所提出的数学模型表示为在 GAMS 中求解的线性模型。仿真结果证实，在存在不确定性和众多决策变量的情况下，Benders 分解方法在解决这个问题时提供了极高的准确性和能力。此外，使用 Benders 分解方法大大减少了收敛时间。而这些资产的操作点是操作奴隶问题的决策变量。因此，所提出的数学模型表示为在 GAMS 中求解的线性模型。仿真结果证实，在存在不确定性和众多决策变量的情况下，Benders 分解方法在解决这个问题时提供了极高的准确性和能力。此外，使用 Benders 分解方法大大减少了收敛时间。仿真结果证实，在存在不确定性和众多决策变量的情况下，Benders 分解方法在解决这个问题时提供了极高的准确性和能力。此外，使用 Benders 分解方法大大减少了收敛时间。仿真结果证实，在存在不确定性和众多决策变量的情况下，Benders 分解方法在解决这个问题时提供了极高的准确性和能力。此外，使用 Benders 分解方法大大减少了收敛时间。