CN114997715A - 基于改进模糊c均值聚类的冷热电联供***配置方法 - Google Patents

Abstract

本发明提供一种基于改进模糊C均值聚类的冷热电联供***配置方法，涉及复合能量供应技术领域。该方法对FCM算法进行了改进，在传统FCM聚类算法基础上引入评价数据集几何结构有效性的PFS指标与评价隶属度有效性的Vp指标，并使用熵权法将两者加权以综合评价聚类效果，之后通过遍历法寻找最佳的聚类数目与模糊系数、最佳参数下的聚类结果，达到最优聚类的目的。以基于改进FCM算法得到的气象与负荷数据聚类结果为输入，联合NSGA‑II与PSO算法完成求解，实现最佳的CCHP设备容量配置。本发明可以明显降低***运行成本与二氧化碳排放量，更好发挥CCHP***能源利用率高、节能环保的优势。

Description

基于改进模糊C均值聚类的冷热电联供***配置方法

技术领域

本发明涉及复合能量供应技术领域，尤其涉及一种基于改进模糊C均值聚类的冷热电联供***配置方法。

背景技术

人类的发展离不开能源，随着煤炭、石油等一次能源的过度使用，传统的能源利用结构在给人类社会带来飞速发展的同时，也引发了一系列的发展问题。其一，煤炭、石油等一次能源濒临枯竭；其二，建立在过度使用此类能源的能源利用结构给生态环境带到巨大挑战，如空气污染、温室效应等。因此，如何提高能源利用率、降低污染物与碳排放以及发展清洁能源等问题成为各国的研究重点。冷热电联供(Combined Cooling Heating andPower，CCHP)***由于其能量利用率高、节能环保、可离网运行等优点，越来越受到研究人员的青睐，成为了各国推进的技术热点。

CCHP***是一种以联供装置为中心，含有能量的供应、储存、转换等多种单元，以冷、热、电三种能流为供应基础的复合能量供应***。CCHP***从实现能量的多级利用出发，通过发电机将一次能源转化为电能，之后使用诸如吸收式制冷机、换热板换等装置进一步利用余热发电，同时向用户提供电能、热能、冷能等多种能量形式，促进能量的充分利用，以达到降低能源费用、减小环境污染的目的。要充分发挥CCHP***经济性好、能源利用率高的优势，就必须实现源荷的最佳匹配。CCHP***的冷、热、电负荷是不断变化的，如果***各设备容量配置不合理，不仅无法实现能源的合理利用，反而会出现能量的浪费。故此，以实际源荷数据为基础，综合考虑可能的源荷特征情况，实现对CCHP***各设备容量的最优配置，达到源荷的动态平衡，是***高效运行不可或缺的重要前提。

CCHP配置的优化需要考虑众多因素，在优化模型中一般需要长期的相关数据进行评估，通常是大量的气象、负荷等数据。然而，大量的数据虽然能够尽可能保证优化结果的精确性，但却使得计算量大大增加。为克服该问题，现有研究提出了使用聚类算法进行场景缩减，以少量场景代替大量场景特征的方法。其中，模糊C均值聚类(Fuzzy C-means，FCM)是一种被普遍使用的聚类方法。然而，FCM算法也存在缺点，主要有：该算法的聚类数目需要事先人为设定；聚类结果的好坏与模糊系数的大小密切相关等。模糊度是FCM算法的一个关键参数，其反映了聚类结果的模糊程度。当前大多数涉及FCM的文献均将模糊度参数设置为默认值，但是对于不同的聚类对象，最优的模糊度取值并不一定是默认值。此外，聚类数目的取值不同对于后续计算也有影响。聚类数目太多不利于求解计算，太少则没有代表性。聚类有效性指标一般用来衡量聚类结果的好坏。

根据所针对的评价侧重点不同，聚类有效性指标一般可划分为考虑数据集几何结构信息的评价指标与考虑隶属度的评价指标两类。所提到的数据集几何结构信息具体包括分类结果的紧密与离散程度、分散与独立程度等等。目前，被广泛使用的考虑数据集几何结构的评价指标包括：Dunn指标、CH指标、G指标、CI指标、DB指标、Sil指标、I指标、CS指标、SF指标、COP指标、SV指标、OS指标等。前面这些指标只评价了聚类结果的几何分布属性，其中大多数指标应用场合无确切规定，其在一般数据集上具有好的效果，但是对于复杂的如离群点较多、数据交叉较大的数据集，这些指标就不能总是得到较好的聚类结果。另外，此类指标只顾及了数据的几何结构，并没有涉及对隶属度与模糊系数信息的评价，因此对于模糊聚类方法的评价并不十分确切。

考虑隶属度的模糊聚类有效性指标主要有：标准分离系数NPC和标准分离滴NPE指标、KYI指标、分离系数PC指标和分离滴PE指标、VP指标、OS指标等，这些指标只顾及了聚类划分中的隶属度信息，存在以下不足：第一，这些指标普遍存在随着聚类数目的增加而增加的倾向；第二，模糊系数对这些指标具有较大的影响；第三，由于没有涉及对聚类结果几何信息的评价，因此此类指标无法对数据几何结构做出评价。虽然绝大多数此类考虑隶属度的指标具有简洁、易于计算的优点，但是其在衡量聚类结果的有效性方面表现不够理想。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进模糊C均值聚类的冷热电联供***配置方法，在传统FCM聚类算法基础上引入PFS指标与Vp指标，并使用熵权法将两者加权以综合评价聚类效果，能够明显降低***运行成本与二氧化碳排放量，更好发挥CCHP***能源利用率高、节能环保的优势。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于改进模糊C均值聚类的冷热电联供***配置方法，包括以下步骤：

步骤1：对传统模糊C均值聚类算法进行改进，在原算法的基础上同时引入考虑数几何结构信息聚类有效性的PFS指标与考虑隶属度聚类有效性的Vp指标，并使用熵权加权形式将两者结合形成综合聚类评价指标；并通过改进后的FCM算法对气温、光照强度以及电/热/冷负荷数据进行聚类，获得过渡季、制冷季以及制热季三个季节的典型场景及各个场景的概率数据，并将所得数据结果作为CCHP优化配置模型的输入。

步骤2：构建基于改进FCM算法的CCHP***双层优化配置模型。外层为配置优化层，以***年均折算投资运行成本最小、年二氧化碳排放量最小为目标；内层为运行优化层，以日运行成本最小为目标；内外两层模型相互嵌套。

步骤3：联合快速非支配排序遗传算法(NSGA-II)与粒子群优化算法(PSO)对基于改进FCM算法的CCHP***双层优化配置模型完成求解，得到最佳的CCHP设备容量配置。

所述步骤1中对气温、光照强度以及电/热/冷负荷数据进行聚类的方法相同，各类数据分别进行聚类，聚类方法为：

步骤1.1：获取***所在地全年逐时的气温、光照强度或酒店电/热/冷负荷数据，记录输入的某类数据的个数，将某类数据个数记为n，并设置模糊系数m和聚类数c；

步骤1.2：使用改进FCM算法对输入的数据集进行聚类，得到聚类结果S；

步骤1.3：计算聚类结果S的PFS指标与Vp指标，并分别保存至向量y1与y2中；

步骤1.4：聚类数c自增1，重复步骤1.2～步骤1.3，直到聚类数大于

后，得到同一模糊系数下不同聚类数的PFS指标向量y1与Vp指标向量y2，并y1与y2按照其各自最大值标幺化得到yl*与y2*；

步骤1.5：根据熵权法，利用y1与y2计算两指标的权重wl与w2；

步骤1.6：计算模糊系数m所对应的综合评价指标向量PFS_Vp＝wl×y1*+w2×y2*，并保存至矩阵PFS_P中；

步骤1.7：模糊系数m自增0.1，重复步骤1.2～步骤1.6，直到模糊系数大于5，得到不同模糊系数下的综合评价指标矩阵PFS_P；

步骤1.8：矩阵PFS_P中最大的综合评价指标对应的m与c即为最佳模糊系数与最佳聚类数。

所述步骤2的具体方法为：

步骤2.1：确定CCHP***中各能源转换设备类型，包括燃气内燃机、储能装置、吸收式制冷机组、光伏电池、电制冷机、燃气锅炉、换热装置，并设定各个能源转换设备之间的连接方式；其中储能装置包括蓄电池、储热罐；然后分别对各能源转换设备进行数学建模。

步骤2.2：根据连接结构构建CCHP***的整体能流计算数学模型。

步骤2.3：根据改进FCM算法得到的各个数据在三个季节的典型场景和各个场景的概率数据以及构建的CCHP***数学模型得到CCHP***双层优化配置模型；

以光伏发电的额定装设容量、蓄电池的额定装设容量与额定最大充放功率以及储热罐的额定装设容量为决策变量，以年折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂最小化作为多目标函数，以CCHP***设备运行容量为约束条件；结合***数据、设备参数、场景数据，建立CCHP***的外层配置优化模型；

在外层模型给定***各设备容量配置的基础上，选取一天各时段燃气内燃机发电功率、余热分配比、蓄电池的充放电功率以及储热罐的储放热功率为决策变量，以***的日运行维护费用最小为目标，以决策变量运行约束、能量平衡为约束条件；结合***数据、设备参数、场景数据，建立CCHP***的内层运行优化模型。

所述步骤3中，双层模型的求解流程为：

首先，外层模型随机生成种群，并将其输送给内层模型；

其次，内层模型在外层输入的设备容量信息基础上，根据气象与负荷数据，使用PSO算法求解最优运行方案，并将其返回外层模型；

之后，外层模型根据内层模型返回的运行方案进行非支配排序、拥挤度计算，并进行选择、交叉、变异生成新的种群；

最后，将新的种群输送给内层模型，以此进行循环选代计算。当选代次数达到规定值，停止循环，输出最后一代种群。

基于NSGA-Ⅱ求解外层多目标容量配置问题的流程具体如下：

步骤3.1：以光伏发电的额定装设容量、蓄电池的额定装设容量与额定最大充放功率以及储热罐的额定装设容量为决策变量，以年折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂最小的数学模型作为为外层模型的优化目标函数，以CCHP***设备运行容量为约束条件；

步骤3.2：将***中设备类型、容量、电/热/冷负荷需求、风速/光照强度以及能源价格作为输入参数进行***初始化；

步骤3.3：利用外层模型中的多目标函数和输入参数生成初始化种群P，并设置种群迭代次数N＝0，最大迭代次数为D；

步骤3.4：判断是否生成第一代子群Q，如果无生成，则通过非支配排序后利用遗传算法的选择、交叉、变异三个基本操作得到第一代子群Q；如果生成Q，继续下一步骤；

步骤3.5：设置进化迭代次数gen＝2；

步骤3.6：将父代种群P与子代种群Q相结合，判断是否生成新父种群Qt，如果无生成，则通过快速非支配排序同时对每个非支配层中的个体进行拥挤度计算，最后根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群Qt；如果生成Qt，继续下一步骤；

步骤3.7：将新生成的新父种群Qt进行遗传算法的选择、交叉、变异三个基本操作；

步骤3.8：判断终止条件，当达到最大迭代次数D时终止，输出Pareto最优解集。从得到的Pareto最优解集选取多组典型最优解，得到多组典型最优解对应的容量配置方案，则输出最佳设备组合方案、折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂；否则返回步骤3.6。

基于PSO求解内层最优运行方案问题的流程如图5所示，具体描述如下：

步骤3.9：将内层优化运行模型中日运行维护费用最低作为目标函数，以决策变量运行约束、能量平衡约束作为约束条件；

步骤3.10：将***中电/热/冷负荷需求、风速/光照强度以及外层配置的设备容量作为输入参数进行***初始化；

步骤3.11：利用内层模型中的目标函数和输入参数生成初始化种群P，并设置种群迭代次数R＝0，最大迭代次数为G，每个粒子的初始位置W＝0、每个粒子的初始速度V＝0；

步骤3.12：将种群S中的运行维护费用作为适应度函数，然后，以适应度函数为基准，对每个粒子状态进行评估，并选出种群中最优粒子以及个体最优粒子；

步骤3.13：更新每个粒子历史最优位置；

步骤3.14：更新群体的全局最优位置；

步骤3.15：更新每个粒子速度V^G+1和位置W^G+1；

步骤3.16：判断终止条件，当达到最大迭代次数G时终止，输出最优运行方案。

采用上述技术方案所产生的有益效果在于：本发明提供的基于改进模糊C均值聚类的冷热电联供***配置方法，针对模糊C均值(Fuzzy C-Means，FCM)聚类算法存在模糊系数与聚类数目难以确定的问题，对FCM算法进行了改进。在传统FCM聚类算法基础上引入评价数据集几何结构有效性的PFS指标与评价隶属度有效性的Vp指标，并使用熵权法将两者加权以综合评价聚类效果，之后通过遍历法寻找最佳的聚类数目与模糊系数、最佳参数下的聚类结果，达到最优聚类的目的。以基于改进FCM算法得到的气象与负荷数据聚类结果为输入，联合NSGA-II与PSO算法完成求解，实现最佳的CCHP设备容量配置。通过对配置前后***运行的对比，表明基于改进的FCM算法对CCHP***进行合理的光伏发电与电、热储能配置是非常有必要的，它可以明显降低***运行成本与二氧化碳排放量，更好发挥CCHP***能源利用率高、节能环保的优势。

附图说明

图1为本发明实施例提供的改进模糊C均值聚类算法计算流程图；

图2为本发明实施例提供的涉及电-冷-热一体化功能的CCHP***架构图；

图3为本发明实施例提供的CCHP***双层优化配置模型计算流程图；

图4为本发明实施例提供的基于遗传算法(NSGA-Ⅱ)的CCHP***外层配置优化模型求解流程图；

图5为本发明实施例提供的基于粒子群算法(PSO)的CCHP***内层运行优化模型求解流程图；

图6为本发明实施例提供的基于改进FCM的负荷与气象数据整体聚类结果；其中，图(6a)为冷负荷聚类结果图，图(6b)为热负荷聚类结果图，图(6c)为电负荷聚类结果图，图(6d)为气温聚类结果图，图(6e)为光照强度聚类结果图，图(6f)为各场景概率统计图；

图7为本发明实施例提供的基于FCM的负荷与气象数据整体聚类结果；其中，图(7a)为冷负荷聚类结果图，图(7b)为热负荷聚类结果图，图(7c)为电负荷聚类结果图，图(7d)为气温聚类结果图，图(7e)为光照强度聚类结果图，图(7f)为各场景概率统计图；

图8为本发明实施例提供的模糊系数、聚类数与综合评价指标关系曲线；

图9为本发明实施例提供的FCM和改进FCM聚类结果下的Pareto前沿与最优解；其中，图(9a)为Pareto前沿对比图，图(9b)为最优解对比图；

图10为本发明实施例提供的基于改进FCM算法下各解的多属性决策指标数值；

图11为本发明实施例提供的两种配置方案下***每日的运行成本与全年的总成本；其中，图(11a)为每日运行成本对比图，图(11b)为全年总成本对比图；

图12为本发明实施例提供的两种配置方案下***每日二氧化碳排放量与全年二氧化碳排放总量；其中，图(12a)为每日二氧化碳排放量对比图，图(12b)为全年二氧化碳排放总量对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明提出了一种基于改进模糊C均值聚类的冷热电联供***配置方法。一方面对传统FCM聚类算法进行了改进，从聚类有效性评价的角度出发，通过引入多种评价指标对聚类结果进行评价，从而寻找最优的聚类数目与模糊度参数，达到最优聚类的目的。另一方面，构建基于改进FCM算法的CCHP***双层优化配置模型。外层为配置优化层，以***年均折算投资运行成本最小、年二氧化碳排放量最小为目标；内层为运行优化层，以日运行成本最小为目标；内外两层模型相互嵌套，联合NSGA-II与PSO算法完成求解，以实现最佳的CCHP设备容量配置。本实施例的方法具体如下所述。

步骤1：对传统模糊C均值聚类算法进行改进，并将改进FCM算法对气温、光照强度等气象数据以及电/热/冷负荷数据进行聚类，获得过渡季、制冷季以及制热季三个季节的典型场景及各个场景的概率数据，以检验改进算法的有效性，并为CCHP优化配置模型提供数据输入。

为全面评价FCM聚类结果的优劣，本实施例在原算法的基础上同时引入考虑数几何结构信息聚类有效性的PFS指标与考虑隶属度聚类有效性的Vp指标，并使用熵权加权形式将两者结合形成综合聚类评价指标。

PFS指标：对于P(P>1)维变量的样本，定义一个“伪F统计比率”如下：

式中：

为矩阵

的迹，n为样本数，k为类数，

分别为P维变量样本的类间和类内散布矩阵。

的表达式如下：

式中：x_j为第j个样本向量；v_i为第i类C_i的聚类中心；μ_ij的表达式如下：

两者关系如下：

式中：

为P维变量样本的混合散布矩阵。

表征了类内距离，

表征了类间距离。一般而言，随着聚类数目k的增加，类内的距离将减小，类间的距离将增大。此外，(n-k)/(k-1)随着k的增加而减小。因此，随着k的增大，PFS值是先上升而后不断下降，即PFS可能在某一个k值处达到最大值，而此值正是最佳聚类数目，即寻找最佳的分类数k等同于寻找最大的PFS值。

定义VP指标：

聚类有效性指标V_P由两项组成，第一项反映集群内的紧凑性，第b个样本x_b越接近聚类中心，最大隶属度max(μ_ib)越接近值1。第二项反映群集之间的分离度，如果x_b越接近v_i，则

接近0。如果

接近1/k，则x_b属于具有相等隶属度的所有群集。新的有效性指标V_P结合了模糊紧密度和分离度的信息。式中，μ_ib表示第b类集群中第i个样本的隶属函数，

表示第b类集群中第i个样本的隶属函数。

熵权法：对于得到的矩阵

u为备选方案数，g为目标数，熵权法具体步骤如下：

计算标准化矩阵

其中：

计算各目标信息熵值

式中z＝1/ln(u)，记

计算各目标权重

如图1所示，本实施例建立的改进模糊C均值聚类方法分为模糊性有效性指标构建、利用熵权法得出综合评价聚类结果和最优聚类数目/模糊度参数遍历寻找3个部分；

以气温数据为例，基于改进模糊C均值聚类的整体算法流程如下：

步骤1.1：获取以某酒店所在地某一年的全年逐时的气温数据，将输入气温数据的个数记为n，设置模糊系数m＝1.1，聚类数c＝2；

步骤1.2：使用改进FCM算法对输入的数据集进行聚类，得到聚类结果S；

步骤1.3：计算聚类结果S的PFS指标与Vp指标，并分别保存至向量y1与y2中；

步骤1.4：聚类数c自增1，重复步骤1.2～步骤1.3，直到聚类数大于

后，得到同一模糊系数下不同聚类数的PFS指标向量y1与Vp指标向量y2，并将y1与y2按照其各自最大值标幺化得到yl*与y2*；

步骤1.5：根据熵权法，利用y1与y2计算两指标的权重wl与w2；

步骤1.6：计算模糊系数m所对应的综合评价指标向量计算模糊系数m所对应的综合评价指标向量PFS_Vp＝wl×y1*+w2×y2*，并保存至矩阵PFS_P中；

步骤1.7：模糊系数m自增0.1，重复步骤1.2～步骤1.6，直到模糊系数大于5，得到不同模糊系数下的综合评价指标矩阵PFS_P；

步骤1.8：矩阵PFS_P中最大的综合评价指标对应的m与c即为最佳模糊系数与最佳聚类数。

对于光照强度以及酒店电/热/冷负荷数据的聚类与上述气温数据的聚类流程相同，将气温数据的聚类流程中关于气温的相关参数换为光照强度或酒店电/热/冷负荷数据的相关参数即可。

步骤2：构建基于改进FCM算法的CCHP***双层优化配置模型。外层为配置优化层，以***年均折算投资运行成本最小、年二氧化碳排放量最小为目标；内层为运行优化层，以日运行成本最小为目标；内外两层模型相互嵌套。

首先要对CCHP***进行数学建模。进行CCHP***的数学建模研究是构建CCHP***优化配置模型与优化运行模型的前提与基础。具体包含了两个方面：一是对***内如燃气内燃机、吸收式制冷机组等主要设备的建模研究；另一个是在建立设备模型的基础上根据***连接结构进行***能流计算模型的建模研究。

步骤2.1：确定CCHP***中各能源转换设备类型，包括燃气内燃机、储能装置(蓄电池、储热罐)、吸收式制冷机组、光伏电池、电制冷机、燃气锅炉、换热装置，并设定各个能源转换设备之间的连接方式；然后分别对其进行数学建模，其中尤其考虑了燃气内燃机的变工况特性与储能装置的时序关联特性。

建立涉及电-冷-热一体化功能的CCHP***架构，如图2所示，燃气内燃机作为主要的供能设备，其将一次能源天然气转化为电能以满足电负荷需要，同时其产生的余热则可按照余热分配比例分别传输到吸收式制冷机以及换热装置用于制冷与制热。当产生的余热无法承担制冷与制热负荷时，分别通过电制冷机与燃气锅炉承担缺额。此外，光伏发电装置也能进行电力供应，如果电负荷仍有缺额，则可通过从电网购买市电来补充。蓄电池与储热罐等储能设备将依据制定的运行方案合理实现能量的储存与释放，进而提高***的供需匹配程度。

燃气内燃机数学模型：燃气内燃机是CCHP***的核心，其将一次能源天然气转化为电能，且产生的余热用于制冷与制热。燃气内燃机发电效率与余热效率在不同的负载率下各有不同，具有变工况特性，其数学模型如下：

式中：V_mt为天然气消耗量，单位为um³；P_mt为输出的电功率，单位为kW；

和

分别为输出电功率的最小值和最大值；Q_mt为余热功率，单位为kW；

和

分别为余热功率的最小值和最大值；η_mtP、η_mtQ分别为发电效率与余热效率；L_gas为天然气热值，本实施例中取天然气低热值L_gas＝9.7(kW.h)/m³；Δt为调度时间尺度，本实施例中取1小时；T为调度时段数。

其中，燃气内燃机发电、余热效率与机组负载率均呈现非线性关系，发电效率随机组负载率的增加而增加，余热效率则随机组负载率的增加而减小；拟合得到燃气内燃机发电效率、余热效率与负载率之间的函数关系为：

式中：P_mtN为燃气内燃机额定发电功率，单位为kW。

吸收式制冷机组数学模型：

吸收式制冷机组可利用燃气内燃机产生的高温烟气与高温缸套水携带的热量向用户供冷，其数学模型如下：

式中：Q_ac为溴冷机的制冷功率；Q_{ac_in}为溴冷机的输入功率，单位为kW；COP_ac为溴冷机的制冷系数；

和

分别为溴冷机的制冷功率的最小值和最大值。

蓄电池数学模型：

储能装置可以较好的平缓光伏出力与负荷的波动，同时削减能量与时序上的强耦合关系，达到根据供需关系合理调整能量的目的。为了对CCHP***实现更多样的控制，本实施例模型中采用蓄电池作为电储能设备。蓄电池在建模中需要考虑它的时序关联、自放电以及充放电损耗等特性，其数学模型为：

式中：S_es(t)为t时段蓄电池的剩余能量；

和

分别为蓄电池的剩余能量的最小值和最大值；τ_es为蓄电池的损失系数；Δt为调度时间尺度；η_es，chr和η_es，dis为蓄电池的能量充电和放电转换效率；P_es，chr(t)和P_es，dis(t)分别为t时段蓄电池的充电和放电功率；

和

分别为蓄电池的充电功率最小值和最大值；

和

分别为蓄电池的放电功率最小值和最大值。

储热罐数学模型：

储热罐能在燃气内燃机余热过剩时进行蓄热，在余热不足时释放热量，有效提高余热的利用率，避免了浪费，降低了运行费用。与蓄电池相似，储热罐在建模中也需考虑时序关联、自放电以及充放电损耗等特性，其数学模型为：

式中：S_hs(t)为t时段储热罐的剩余能量；

和

分别为储热罐的剩余能量的最小值和最大值；τ_hs为储热罐的损失系数；Δt为调度时间尺度；η_hs，chr和η_hs，dis分别为储热罐的能量放热和储热转换效率；P_hs，chr(t)和P_hs，dis(t)分别为t时段储热罐的放热和储热功率；

和

分别为储热罐的放热功率最小值和最大值；

和

分别为储热罐的储热功率最小值和最大值。

光伏发电设备数学模型：

为便于建模与计算，光伏发电的输出视为仅与光照强度以及气温有关，其数学模型为：

P_pv＝P_STCG(1+k_pv(T_c-25))/G_STC

式中：P_pv为光伏电池出力功率，单位为kW；G为光照强度，单位为W/m²；P_STC为标准测试条件(太阳光入射强度为1000W/m²，环境温度为25℃)下的最大测试功率，单位为kW；G_STC为标准测试条件下的光照强度，其值为1000w/m²；k_pv为功率温度系数，单位为％/℃；T_c为电池板工作温度，单位为℃，其值通过环境温度T_r来估算光伏组件的温度，T_c＝T_r+30G/1000。

其它设备数学模型：

燃气锅炉与换热器的输入输出能量关系可以用锅炉效率与换热效率来体现，其数学模型如下：

式中：Q_ex__in为换热器的输入功率，单位为kW；Q_ex为换热器的输出热量，单位为kW；

和

分别为换热器输出功率的最小值和最大值；Q_gb为燃气锅炉的制热功率，单位为kW；

和

分别为燃气锅炉制热功率的最小值和最大值；V_gb为耗气量，单位为m³；η_gb、η_ex分别为燃气锅炉与换热器的效率。

电制冷机的制冷功率与所耗电功率的关系为：

式中：Q_ec是电制冷机的制冷功率，单位为kW；COP_ec是电制冷机的能效比；P_ec是电制冷机所耗电功率，单位为kW。

步骤2.2：根据***结构与各设备数学模型，构建能流计算数学模型如下：

式中：k_mt为燃气内燃机余热分配到吸收式制冷机用于制冷的比例；Q_load.c、Q_load.h分别为冷、热负荷大小，单位为kW；P_load为除电制冷机耗电功率以外的电负荷大小，单位为kW；P_op为***自用电功率，单位为kW；k_op为***自用电率；P_grid为电网购电功率，单位为kW。

根据改进FCM算法得到的输入参数场景、相应概率和建立的各个设备的数学模型得到CCHP***的整体模型。

步骤2.3：根据改进FCM算法得到的各个数据在三个季节的典型场景和各个场景的概率数据以及构建的CCHP***数学模型得到CCHP***双层优化配置模型。

以光伏发电的额定装设容量、蓄电池的额定装设容量与额定最大充放功率以及储热罐的额定装设容量为决策变量，以年折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂最小化作为多目标函数，以CCHP***设备运行容量为约束条件；结合***数据、设备参数、场景数据，建立CCHP***的外层配置优化模型；

在外层配置优化模型给定***各设备容量配置的基础上，选取一天各时段燃气内燃机发电功率、余热分配比、蓄电池的充放电功率以及储热罐的储放热功率为决策变量，以***的日运行维护费用最小为目标，以决策变量运行约束、能量平衡为约束条件；结合***数据、设备参数、场景数据，建立CCHP***的内层运行优化模型。

根据基于改进FCM算法得出的各个参数数据以及双层模型的目标函数，对CCHP***的双层模型进行建模，双层优化配置模型流程图如图3所示。

所述建立CCHP***的外层配置优化模型，包括：

构建***目标1：年折算投资成本与年运行维护成本最小的数学模型min f₁：

式中，y_in为***年折算投资成本；S为总场景数；P_s为场景s的概率；T为一天划分的时间段；y_op(t，s)为s场景下t时段***的运行成本，其具体表达式见内层优化模型；

年折算投资成本y_in的具体表达式如下：

式中：p_pvN、E_hsN为光伏发电以及储热罐的额定装设容量，单位为kW；p_esN、E_esN为蓄电池的最大充放电功率与额定装设容量，单位分别为kW、KWh；k_pv、k_hs为光伏发电以及储热罐的单位容量成本，单位为元/kW；k_esp、k_esE、n_es分别为蓄电池的单位功率成本、单位容量成本以及使用年限，单位分别为元/kW、元/kWh、年；n_xt为***规划使用年限，单位为年；l_tx为贴现率，本实施例取0.05。

构建***目标2：年二氧化碳排放量最小的数学模型min f₂：

式中：f₂为***的二氧化碳排放量，单位为kg；P_s为场景s的概率；

分别为燃气所产生的二氧化碳排量与电网所购电量的等效二氧化碳排放量，单位为kg，其具体计算公式如下：

式中：

分别为天然气与市电的二氧化碳折算系数，单位分别为kg/Nm、kg/kWh；V_gas和P_grid分别为天然气购气量和电网购电功率。

约束条件：

考虑到资金、场地等实际情况，CCHP***的建设有如下限制：

式中：p_pvN、E_hsN为光伏发电以及储热罐的额定装设容量，单位为kW；

和

分别为光伏发电额定装设容量的最小值和最大值；

和

分别为储热罐的额定装设容量的最小值和最大值；P_esN、E_esN分别为蓄电池的最大充放电功率与额定装设容量，单位分别为kW、kWh；

和

别为蓄电池的最大充放电功率的最小值和最大值；

和

分别为蓄电池额定装设容量的最小值和最大值。

所述内层优化运行模型，具体表述为：

内层优化模型以***的日运行维护费用最小为目标函数，其数学模型为：

式中：y_op为***总的运行成本，单位为元；P_s为场景s的概率；T为调度时段的周期；S为总场景数；F_gas(t，s)、F_grid(t，s)、F_op(t，s)分别为s场景下，t时段的***燃料成本、电网购电成本和运行维护成本，单位均为元，其具体表达式如下：

式中：C_gas、C_grid分别为天然气价格、市电价格，单位分别为元/m、元/kWh；C_mt、C_pv、C_ac、C_ex、C_gb、C_ec、C_es、C_hs分别为燃气内燃机、光伏板、吸收式制冷机、电制冷机、换热器、蓄电池以及储热罐的运行维护成本，单位为元/kW。

决策变量的约束如下：

式中：

为蓄电池的最大充、放功率，单位为kW；

为蓄电池的最小、最大荷载电量比例；

为储能罐的最小、最大荷载热量比例。

能量的平衡约束表达式如下：

步骤3：根据外层配置优化模型以及内层运行优化模型具有非线性优化的特点，对CCHP***的双层模型进行求解，形成最优规划方案集。具体表述为：

该双层模型的求解流程为：首先，外层模型随机生成种群，并将其输送给内层模型；其次，内层模型在外层输入的设备容量信息基础上，根据气象与负荷数据，使用PSO算法求解最优运行方案，并将其返回外层模型；之后，外层模型根据内层模型返回的运行方案进行非支配排序、拥挤度计算，并进行选择、交叉、变异生成新的种群；最后，将新的种群输送给内层模型，以此进行循环选代计算。当选代次数达到规定值，停止循环，输出最后一代种群。

基于NSGA-Ⅱ求解外层多目标容量配置问题的流程如图4所示，具体如下：

步骤3.1：以光伏发电的额定装设容量、蓄电池的额定装设容量与额定最大充放功率以及储热罐的额定装设容量为决策变量，以年折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂最小的数学模型作为为外层模型的优化目标函数，以CCHP***设备运行容量为约束条件；

步骤3.2：将***中设备类型、容量、电/热/冷负荷需求、风速/光照强度以及能源价格作为输入参数进行***初始化；

步骤3.3：利用外层模型中的多目标函数和输入参数生成初始化种群P，并设置种群迭代次数N＝0，最大迭代次数为D；

步骤3.4：判断是否生成第一代子群Q，如果无生成，则通过非支配排序后利用遗传算法的选择、交叉、变异三个基本操作得到第一代子群Q；如果生成Q，继续下一步骤；

步骤3.5：设置进化迭代次数gen＝2；

步骤3.6：将父代种群P与子代种群Q相结合，判断是否生成新父种群Qt，如果无生成，则通过快速非支配排序同时对每个非支配层中的个体进行拥挤度计算，最后根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群Qt；如果生成Qt，继续下一步骤；

步骤3.7：将新生成的新父种群Qt进行遗传算法的选择、交叉、变异三个基本操作；

步骤3.8：判断终止条件，当达到最大迭代次数D时终止，输出Pareto最优解集。从得到的Pareto最优解集选取多组典型最优解，得到多组典型最优解对应的容量配置方案，则输出最佳设备组合方案、折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂；否则返回步骤3.6。

实际上，多目标问题的求解不单单是一个优化问题，还是一个决策问题，当Pareto最优解集得到之后，还需根据主客观因素挑选出最后的折中解或最优解。

多目标问题的求解结果为一系列Pareto解，本实施例采用模糊多属性决策方法去选择最佳折中解，具体公式如下：

opt＝{o|μ^o＝max(μ^τ)}

式中：

表示第τ个目标函数的第γ个解；

和

分别表示第τ个目标函数的第γ个解的最大值和最小值；

表示对第τ个目标函数下的第γ个解进行标准化；μ^τ表示计算各个解各属性之和占总体的比例；μ^o表示各个解各属性之和占总体的最大比例；opt表示选择占总体比例最大的解作为最优解。

基于PSO(Particle Swarm Optimization)求解内层最优运行方案问题的流程如图5所示，具体描述如下：

步骤3.9：将内层优化运行模型中日运行维护费用最低作为目标函数，以决策变量运行约束、能量平衡约束作为约束条件；

步骤3.10：将***中电/热/冷负荷需求、风速/光照强度以及外层配置的设备容量作为输入参数进行***初始化；

步骤3.11：利用内层模型中的目标函数和输入参数生成初始化种群P，并设置种群迭代次数R＝0，最大迭代次数为G，每个粒子的初始位置W＝0、每个粒子的初始速度V＝0；

步骤3.12：将种群S中的运行维护费用作为适应度函数，然后，以适应度函数为基准，对每个粒子状态进行评估，并选出种群中最优粒子以及个体最优粒子；

步骤3.13：更新每个粒子历史最优位置；

步骤3.14：更新群体的全局最优位置；

步骤3.15：更新每个粒子速度V^G+1和位置W^G+1；

步骤3.16：判断终止条件，当达到最大迭代次数G时终止，输出最优运行方案。

为验证本实施例方法的有效性，以某酒店装设的CCHP能源站为研究对象，CCHP***架构如图2所示，运用本实施例所述优化配置方法对其进行电、热储能以及光伏装置的最优配置，以实现最大的经济性与环保性。储能装置可以较好的缓和源荷的波动性，并且减弱能量供需在时序上的强耦合，进而促进能量利用率、降低运行成本。此外，光伏发电清洁环保经济，可降低酒店的供电成本。为提升酒店CCHP***的综合运行效益，下面将采用所提方法在现有设备的基础上为其配备合适容量的蓄电池、储热罐以及光伏板，以实现经济效益与环保效益的最大化。

为验证改进FCM在CCHP优化配置方面的有效性，将所提基于改进FCM算法的优化模型与基于传统FCM算法的优化模型的进行对比。首先，使用传统FCM算法将2020年某酒店的冷热电负荷以及气温、光照强度气象数据作为整体，运用传统FCM和改进的FCM算法进行性场景缩减，模糊系数采用默认值m＝2，聚类中心数设置为最大值19，两者的聚类结果分别如图6和图7所示。

其中在改进的FCM算法缩减过程中，模糊系数、聚类数与综合评价指标的关系如图8所示。

从图8中可以看出，综合评价指标在m＝3.4，c＝18时达到最大值，因此最佳模糊系数为3.4，最佳缩减数为18，即缩减后的场景集包含18个典型场景。

根据步骤2所述构建双层优化配置模型，将传统FCM和改进的FCM缩减后的场景分别输入模型中，所得Pareto前沿如图9所示。从图9中可以看到，在基于改进的FCM算法下的配置中年均投资运行成本与年二氧化碳排放量两者相互矛盾，不存在理想的最优解。根据改进FCM中所述多属性决策方法，计算各方案的多属性决策指标M如图10所示，可以看到46号方案的μ值最大，因此选择46号解为最佳折中解。另外从图9中可以看到，基于传统FCM聚类算法的配置模型所得Pareto前沿整体依然劣与本实施例所提方法。与上述相同，从中挑选出折中解，经计算可得，本实施例所提方法所得优化配置方案的年均投资运行成本下降10.25％，年二氧化碳排放量下降0.83％。

为进一步验证本实施例所提改进FCM聚类算法相比于传统FCM聚类算法在解决CCHP优化配置问题上的优越性，将2020年实际负荷与气象数据、所得两种优化配置方案带入所述内层优化运行模型中，计算两种方案下实际的运行费用与二氧化碳排放量。从图11中可以看出，大多数情况下，相比于传统FCM算法，应用改进FCM算法所得的优化配置方案的运行费用更低，全年运行成本下降358962元，下降率为4.68％；折算年均投资成本下降140090元，下降率为10.07％；总成本下降499052元，下降率为5.51％。

图12展示了每日的二氧化碳排放量与全年的二氧化碳排放总量。从图12中可以看到，大多数情况下，相比于传统FCM算法，应用改进FCM算法所得的优化配置方案的二氧化碳排放量更低，总排放量下降365065kg，下降率为4.19％。

以上结果表明：在解决CCHP优化配置问题上，相比于传统FCM聚类算法，本实施例所提改进FCM聚类算法的聚类效果更好，更能反映气象与负荷的整体特征与规律，因此使得经优化模型求解得到的配置方案更能适应实践，提升了CCHP***的经济性与环保性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (10)

1.一种基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：该方法包括以下步骤：

步骤1：对传统模糊C均值聚类算法进行改进，在原算法的基础上同时引入考虑数几何结构信息聚类有效性的PFS指标与考虑隶属度聚类有效性的Vp指标，并使用熵权加权形式将两者结合形成综合聚类评价指标；并通过改进后的FCM算法对气温、光照强度以及电/热/冷负荷数据进行聚类，获得过渡季、制冷季以及制热季三个季节的典型场景及各个场景的概率数据，并将所得数据结果作为CCHP优化配置模型的输入；

步骤2：构建基于改进FCM算法的CCHP***双层优化配置模型；外层为配置优化层，以***年均折算投资运行成本最小、年二氧化碳排放量最小为目标；内层为运行优化层，以日运行成本最小为目标；内外两层模型相互嵌套；

步骤3：联合快速非支配排序遗传算法NSGA-II与粒子群优化算法PSO对基于改进FCM算法的CCHP***双层优化配置模型完成求解，得到最佳的CCHP设备容量配置。

2.根据权利要求1所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤1中对气温、光照强度以及电/热/冷负荷数据进行聚类的方法相同，各类数据分别进行聚类，聚类方法为：

步骤1.1：获取***所在地全年逐时的气温、光照强度或酒店电/热/冷负荷数据，记录输入的某类数据的个数，将某类数据个数记为n，并设置模糊系数m和聚类数c；

步骤1.2：使用改进FCM算法对输入的数据集进行聚类，得到聚类结果S；

步骤1.3：计算聚类结果S的PFS指标与Vp指标，并分别保存至向量y1与y2中；

步骤1.4：聚类数c自增1，重复步骤1.2～步骤1.3，直到聚类数大于

后，得到同一模糊系数下不同聚类数的PFS指标向量y1与Vp指标向量y2，并y1与y2按照其各自最大值标幺化得到yl*与y2*；

步骤1.5：根据熵权法，利用y1与y2计算两指标的权重wl与w2；

步骤1.6：计算模糊系数m所对应的综合评价指标向量PFS_Vp＝wl×y1*+w2×y2*，并保存至矩阵PFS_P中；

步骤1.7：模糊系数m自增0.1，重复步骤1.2～步骤1.6，直到模糊系数大于5，得到不同模糊系数下的综合评价指标矩阵PFS_P；

步骤1.8：矩阵PFS_P中最大的综合评价指标对应的m与c即为最佳模糊系数与最佳聚类数。

3.根据权利要求1或2所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤2的具体方法为：

步骤2.1：确定CCHP***中各能源转换设备类型，包括燃气内燃机、储能装置、吸收式制冷机组、光伏电池、电制冷机、燃气锅炉、换热装置，并设定各个能源转换设备之间的连接方式；其中储能装置包括蓄电池、储热罐；然后分别对各能源转换设备进行数学建模；

步骤2.2：根据连接结构构建CCHP***的整体能流计算数学模型；

步骤2.3：根据改进FCM算法得到的各个数据在三个季节的典型场景和各个场景的概率数据以及构建的CCHP***数学模型得到CCHP***双层优化配置模型；

以光伏发电的额定装设容量、蓄电池的额定装设容量与额定最大充放功率以及储热罐的额定装设容量为决策变量，以年折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂最小化作为多目标函数，以CCHP***设备运行容量为约束条件；结合***数据、设备参数、场景数据，建立CCHP***的外层配置优化模型；

在外层模型给定***各设备容量配置的基础上，选取一天各时段燃气内燃机发电功率、余热分配比、蓄电池的充放电功率以及储热罐的储放热功率为决策变量，以***的日运行维护费用最小为目标，以决策变量运行约束、能量平衡为约束条件；结合***数据、设备参数、场景数据，建立CCHP***的内层运行优化模型。

4.根据权利要求3所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤2.1中，各个能源转换设备的数学模型具体如下：

燃气内燃机数学模型如下：

式中：V_mt为天然气消耗量，单位为um³；P_mt为输出的电功率，单位为kW；

和

分别为输出电功率的最小值和最大值；Q_mt为余热功率，单位为kW；

和

分别为余热功率的最小值和最大值；η_mtP、η_mtQ分别为发电效率与余热效率；L_gas为天然气热值；Δt为调度时间尺度；T为调度时段数；

其中，燃气内燃机发电、余热效率与机组负载率均呈现非线性关系，发电效率随机组负载率的增加而增加，余热效率则随机组负载率的增加而减小；拟合得到燃气内燃机发电效率、余热效率与负载率之间的函数关系为：

式中：P_mtN为燃气内燃机额定发电功率，单位为kW；

吸收式制冷机组数学模型如下：

式中：Q_ac为溴冷机的制冷功率；Q_{ac_in}为溴冷机的输入功率，单位为kW；COP_ac为溴冷机的制冷系数；

和

分别为溴冷机的制冷功率的最小值和最大值；

蓄电池数学模型为：

式中：S_es(t)为t时段蓄电池的剩余能量；

和

分别为蓄电池的剩余能量的最小值和最大值；τ_es为蓄电池的损失系数；Δt为单位调度时间；η_es，chr和η_es，dis为蓄电池的能量充电和放电转换效率；P_es，chr(t)和P_es，dis(t)分别为t时段蓄电池的充电和放电功率；

和

分别为蓄电池的充电功率最小值和最大值；

和

分别为蓄电池的放电功率最小值和最大值；

储热罐数学模型为：

式中：S_hs(t)为t时段储热罐的剩余能量；

和

分别为储热罐的剩余能量的最小值和最大值；τ_hs为储热罐的损失系数；Δt为单位调度时间；η_hs，chr和η_hs，dis分别为储热罐的能量放热和储热转换效率；P_hs，chr(t)和P_hs，dis(t)分别为t时段储热罐的放热和储热功率；

和

分别为储热罐的放热功率最小值和最大值；

和

分别为储热罐的储热功率最小值和最大值；

光伏发电设备数学模型为：

P_pv＝P_sTCG(1+k_pv(T_c-25))/G_STC

式中：P_pv为光伏电池出力功率，单位为kW；G为光照强度，单位为W/m²；P_STC为标准测试条件下的最大测试功率，单位为kW；G_STC为标准测试条件下的光照强度，其值为1000w/m²；k_pv为功率温度系数，单位为％/℃；T_c为电池板工作温度，单位为℃，其值通过环境温度T_r来估算光伏组件的温度，T_c＝T_r+30G/1000；

其它设备数学模型：

燃气锅炉与换热器的数学模型如下：

式中：Q_{ex_in}为换热器的输入功率，单位为kW；Q_ex为换热器的输出热量，单位为kW；

和

分别为换热器输出功率的最小值和最大值；Q_gb为燃气锅炉的制热功率，单位为kW；

和

分别为燃气锅炉制热功率的最小值和最大值；V_gb为耗气量，单位为m³；η_gb、η_ex分别为燃气锅炉与换热器的效率；

电制冷机的制冷功率与所耗电功率的关系为：

式中：Q_ec是电制冷机的制冷功率，单位为kW；COP_ec是电制冷机的能效比；P_ec是电制冷机所耗电功率，单位为kW。

5.根据权利要求4所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤2.2中根据***结构与各设备数学模型，构建能流计算数学模型如下：

式中：k_mt为燃气内燃机余热分配到吸收式制冷机用于制冷的比例；Q_load.c、Q_load.h分别为冷、热负荷大小，单位为kW；P_load为除电制冷机耗电功率以外的电负荷大小，单位为kW；P_op为***自用电功率，单位为kW；k_op为***自用电率；P_grid为电网购电功率，单位为kW。

6.根据权利要求5所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤2.3中建立CCHP***的外层配置优化模型，包括：

构建***目标1：年折算投资成本与年运行维护成本最小的数学模型min f₁：

式中，y_in为***年折算投资成本；S为总场景数；P_s为场景s的概率；T为一天划分的时间段；y_op(t，s)为s场景下t时段***的运行成本，其具体表达式见内层优化模型；

年折算投资成本y_in的具体表达式如下：

式中：p_pvN、E_hsN为光伏发电以及储热罐的额定装设容量，单位为kW；p_esN、E_esN为蓄电池的最大充放电功率与额定装设容量，单位分别为kW、KWh；k_pv、k_hs为光伏发电以及储热罐的单位容量成本，单位为元/kW；k_esp、k_esN、n_es分别为蓄电池的单位功率成本、单位容量成本以及使用年限，单位分别为元/kW、元/kWh、年；n_xt为***规划使用年限，单位为年；l_tx为贴现率；

构建***目标2：年二氧化碳排放量最小的数学模型min f₂：

式中：f₂为***的二氧化碳排放量，单位为kg；P_s为场景s的概率；

分别为燃气所产生的二氧化碳排量与电网所购电量的等效二氧化碳排放量，单位为kg，其具体计算公式如下：

式中：

分别为天然气与市电的二氧化碳折算系数，单位分别为kg/Nm、kg/kWh；V_gas和P_grid分别为天然气购气量和电网购电功率；

约束条件：

式中：P_pvN、E_hsN为光伏发电以及储热罐的额定装设容量，单位为kW；

和

分别为光伏发电额定装设容量的最小值和最大值；

和

分别为储热罐的额定装设容量的最小值和最大值；P_esN、E_esN分别为蓄电池的最大充放电功率与额定装设容量，单位分别为kW、kWh；

和

分别为蓄电池的最大充放电功率的最小值和最大值；

和

分别为蓄电池额定装设容量的最小值和最大值。

7.根据权利要求6所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤2.3中内层优化运行模型，具体表述为：

内层优化模型以***的日运行维护费用最小为目标函数，其数学模型为：

式中：y_op为***总的运行成本，单位为元；P_s为场景s的概率；T为调度时段的周期；S为总场景数；F_gas(t，s)、F_grid(t，s)、F_op(t，s)分别为s场景下，t时段的***燃料成本、电网购电成本和运行维护成本，单位均为元，其具体表达式如下：

式中：C_gas、C_grid分别为天然气价格、市电价格，单位分别为元/m、元/kWh；C_mt、C_pv、C_ac、C_ex、C_gb、C_ec、C_es、C_hs分别为燃气内燃机、光伏板、吸收式制冷机、电制冷机、换热器、蓄电池以及储热罐的运行维护成本，单位为元/kW；

决策变量的约束如下：

式中：

为蓄电池的最大充、放功率，单位为kW；

为蓄电池的最小、最大荷载电量比例；

为储能罐的最小、最大荷载热量比例；

能量的平衡约束表达式如下：

8.根据权利要求7所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：所述步骤3中，双层模型的求解流程为：

首先，外层模型随机生成种群，并将其输送给内层模型；

其次，内层模型在外层输入的设备容量信息基础上，根据气象与负荷数据，使用PSO算法求解最优运行方案，并将其返回外层模型；

之后，外层模型根据内层模型返回的运行方案进行非支配排序、拥挤度计算，并进行选择、交叉、变异生成新的种群；

最后，将新的种群输送给内层模型，以此进行循环选代计算；当选代次数达到规定值，停止循环，输出最后一代种群。

9.根据权利要求8所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：

基于NSGA-II求解外层多目标容量配置问题的流程具体如下：

步骤3.1：以光伏发电的额定装设容量、蓄电池的额定装设容量与额定最大充放功率以及储热罐的额定装设容量为决策变量，以年折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂最小的数学模型作为为外层模型的优化目标函数，以CCHP***设备运行容量为约束条件；

步骤3.2：将***中设备类型、容量、电/热/冷负荷需求、风速/光照强度以及能源价格作为输入参数进行***初始化；

步骤3.3：利用外层模型中的多目标函数和输入参数生成初始化种群P，并设置种群迭代次数N＝0，最大迭代次数为D；

步骤3.4：判断是否生成第一代子群Q，如果无生成，则通过非支配排序后利用遗传算法的选择、交叉、变异三个基本操作得到第一代子群Q；如果生成Q，继续下一步骤；

步骤3.5：设置进化迭代次数gen＝2；

步骤3.6：将父代种群P与子代种群Q相结合，判断是否生成新父种群Qt，如果无生成，则通过快速非支配排序同时对每个非支配层中的个体进行拥挤度计算，最后根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群Qt；如果生成Qt，继续下一步骤；

步骤3.7：将新生成的新父种群Qt进行遗传算法的选择、交叉、变异三个基本操作；

步骤3.8：判断终止条件，当达到最大迭代次数D时终止，输出Pareto最优解集；从得到的Pareto最优解集选取多组典型最优解，得到多组典型最优解对应的容量配置方案，则输出最佳设备组合方案、折算投资成本与年运行维护成本f₁和年二氧化碳排放量f₂；否则返回步骤3.6。

10.根据权利要求9所述的基于改进模糊C均值聚类的冷热电联供***配置方法，其特征在于：基于PSO求解内层最优运行方案问题的流程，具体描述如下：

步骤3.9：将内层优化运行模型中日运行维护费用最低作为目标函数，以决策变量运行约束、能量平衡约束作为约束条件；

步骤3.10：将***中电/热/冷负荷需求、风速/光照强度以及外层配置的设备容量作为输入参数进行***初始化；

步骤3.11：利用内层模型中的目标函数和输入参数生成初始化种群P，并设置种群迭代次数R＝0，最大迭代次数为G，每个粒子的初始位置W＝0、每个粒子的初始速度V＝0；

步骤3.12：将种群S中的运行维护费用作为适应度函数，然后，以适应度函数为基准，对每个粒子状态进行评估，并选出种群中最优粒子以及个体最优粒子；

步骤3.13：更新每个粒子历史最优位置；

步骤3.14：更新群体的全局最优位置；

步骤3.15：更新每个粒子速度V^G+1和位置W^G+1；

步骤3.16：判断终止条件，当达到最大迭代次数G时终止，输出最优运行方案。

Images