CN116402210A - 一种综合能源***多目标优化方法、***、设备和介质 - Google Patents

一种综合能源***多目标优化方法、***、设备和介质 Download PDF

Info

Publication number
CN116402210A
CN116402210A CN202310327782.9A CN202310327782A CN116402210A CN 116402210 A CN116402210 A CN 116402210A CN 202310327782 A CN202310327782 A CN 202310327782A CN 116402210 A CN116402210 A CN 116402210A
Authority
CN
China
Prior art keywords
population
electric
gas
optimal configuration
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310327782.9A
Other languages
English (en)
Inventor
成岭
刘畅
卜凡鹏
林晶怡
覃剑
李德智
李斌
屈博
蒋利民
李文
李�昊
张静
张思瑞
王占博
李春红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310327782.9A priority Critical patent/CN116402210A/zh
Publication of CN116402210A publication Critical patent/CN116402210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明提供了一种综合能源***多目标优化方法、***、设备和介质，包括：获取电‑气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；基于优化需求从所述优化配置解集中选取电‑气互联综合能源***的最优配置结果。本发明通过建立包含电转气设备和多类型储能设备的多目标优化配置模型，进行了电转气设备和多类型储能设备的协同规划，能够提供更加符合综合能源***实际情况、更加全面的优化配置方案。

Description

一种综合能源***多目标优化方法、***、设备和介质
技术领域
本发明属于综合能源***优化领域，具体涉及一种基于电转气的电-气互联综合能源***多目标优化方法。
背景技术
随着化石能源危机和环境污染问题的逐渐加剧，完成能源转型和现代化能源体系建设迫在眉睫。由于风力发电具有较为明显的间歇性、不确定性以及反调峰特性，使得弃风现象严重。近年来，随着综合能源***这一概念的提出，其与可再生能源的相互耦合将极大提高能源利用效率，减少污染排放。其中，电力网络与天然气网络是当前能源领域两个最主要的大规模传输载体，因此两者之间的耦合关系一直受到广泛关注。通常可借助燃气轮机等设备将天然气转化为电能，而电转气技术可将电能转化为天然气，进而实现电力网络与天然气网络之间能量的双向流动，同时进一步加深电–气综合能源***的耦合，与燃气轮机共同实现两个***的双向耦合，为消纳风电等可再生能源提供了一个新的方案。同时，通常加入储能装置可以提高可再生能源利用率，改善电能质量，对综合能源***的运行具有重要的支撑作用。
现有的关于综合能源***消纳可再生能源的问题，已经有了大量的研究，目前对于综合能源***的建模包含多种设备，且基于不同的设备的综合能源***模型的研究侧重点各有不同，例如：包含电转气设备的综合能源***优化调度主要分析消纳风电给***带来的经济效益，而包含多种储能设备的综合能源***的研究主要偏向于利用电、热储能设备消耗风电，考虑***配置不同储能设备的经济性和可行性。目前，现有技术大多单方面考虑电转气或多类型储能设备的优化配置，但在实际生产工作中，电转气和多类型储能设备在电-气互联综合能源***往往仅单一考虑电转气或多类型储能设备的配置方案。另外，在综合能源***优化配置时，通常存在多目标优化求解的情况，在这样的过程中往往存在着不能快速收敛到全局最优解，使得优化效率有待提升的问题。
发明内容
为克服上述现有技术的不足，本发明提出一种综合能源***多目标优化方法，包括：
获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；
基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；
基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果；
其中，所述多目标优化模型是在满足电-气互联综合能源***可再生能源消纳最大的基础上以***经济成本最小和CO2排放量最少构建的。
优选的，所述包含电转气设备和多类储能设备的多目标优化配置模型的构建，包括：
基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，所述包含电转气设备和多类储能设备的电-气互联综合能源***模型包括以下一种或多种电力***模型、天然气***模型、耦合设备模型和多类储能设备模型；
以所述包含电转气设备和多类储能设备的电-气互联综合能源***模型的经济成本最小、可再生能源消纳最大和CO2排放量最少为目标构建多目标优化配置函数；
基于所述包含电转气设备和多类储能设备的电-气互联综合能源***模型和所述多目标优化配置函数构建包含电转气设备和多类储能设备的多目标优化配置模型。
优选的，所述基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，包括：
基于功率平衡约束、机组出力约束、节点电压约束、支路潮流约束构建所述电力***模型；
基于气源出气量约束、天然气管道运行约束、管村运行约束、储气罐运行约束、压缩机运行约束、节点流量平衡约束构建所述天然气***模型；
基于燃气轮机出力约束、电转气设备出力约束构建所述耦合设备模型；
基于储电设备运行约束、储热设备运行约束和蓄冷设备运行约束构建所述多类储能设备模型；
以所述电力***模型、所述天然气***模型、所述耦合设备模型和所述多类储能设备模型构建包含电转气设备和多类储能设备的电-气互联综合能源***模型。
优选的，所述多目标优化配置函数对应的计算式如下：
minF1＝Finv+Fope
Figure BDA0004153813980000021
Figure BDA0004153813980000022
式中：F1为***经济成本；Finv为投资成本；Fope为运行成本；F2为可再生能源消纳率；T为调度周期；NW为***中风电机组的总数量；NV为***中光电机组的总数量；
Figure BDA0004153813980000031
为t时段***对于风电机组j的计划接纳风电功率；/>
Figure BDA0004153813980000032
为t时段***对于光电机组j的计划接纳光电功率；/>
Figure BDA0004153813980000033
为风电机组j的理想功率；/>
Figure BDA0004153813980000034
为光电机组j的理想功率；F3为CO2排放量；/>
Figure BDA0004153813980000035
为综合能源***在t时刻从电网购入的电功率；/>
Figure BDA0004153813980000036
为在综合能源***t时刻从气网购入的气功率；αe为购电CO2排放系数；αgas为购气CO2排放系数。
优选的，所述投资成本Finv的计算式如下：
Figure BDA0004153813980000037
所述运行成本Fope的计算式如下：
Figure BDA0004153813980000038
式中：γi为设备i的单位容量安装费用；Ci为设备i的安装容量；I为综合能源***中设备的总数量；α为年利率；Yi为设备i的运行寿命；T为调度周期；
Figure BDA0004153813980000039
为t时刻从电网购电的电价；JG为天然气价格；Pout,i为设备i在t时段的输出功率；βi为设备i的单位运行维护费用。
优选的，所述基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集，包括：
基于所述可再生能源的装机容量数据和***运行相关参数，确定基于自适应精英保留策略的遗传算法中的父代种群个体为电转气设备容量和多类型储能设备容量，种群中每个个体的适应度值为所述多目标优化配置函数值；
采用所述基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集。
优选的，所述采用基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集，包括：
步骤S1：初始化种群，设置种群规模、迭代次数、基础交叉概率和基础变异概率；
步骤S2：随机生成父代种群P，所述父代种群P中的每个个体表示电转气设备容量和多类型储能设备容量，计算所述父代种群P中各个体的适应度值，所述适应度值代表所述多目标优化配置函数值；
步骤S3：通过遗传算法对所述父代种群P进行选择，基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，产生子代种群Q；
步骤S4：将所述父代种群P和所述子代种群Q进行混合，得到新的种群R，再对所述新的种群R进行快速非支配排序，得到非支配的优势种群序列；
步骤S5：基于所述适应度值采用参考点的选择策略，对所述种群R进行选择，得到种群Y作为下一次迭代的父代种群；
步骤S6：基于所述非支配的优势种群序列采用所述自适应精英保留策略筛选出所述种群R中的优势个体添加到所述种群Y中作为下一次迭代的父代种群；
步骤S7：判断是否达到所述迭代次数，若判断为是，则得到各个体对应的电转气设备容量、多类型储能设备容量和多目标优化配置函数值作为优化配置解集并结束，否则返回步骤S3。
优选的，所述基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，包括：
基于所述个体适应度值、所述基础交叉概率和所述基础变异概率确定自适应交叉概率和自适应变异概率；
基于所述自适应交叉概率和自适应变异概率对所述父代种群P进行自适应交叉变异。
优选的，所述自适应交叉概率的计算式如下：
Figure BDA0004153813980000041
所述自适应变异概率的计算式如下：
Figure BDA0004153813980000042
式中：pc为自适应交叉概率；k1为第一基础交叉概率；k2为第二基础交叉概率；pm为自适应变异概率；k3为第一基础变异概率；k4为第二基础变异概率；fm为当前要变异的个体适应度值；fm为种群能够接受的最大适应度值；fc为要交叉的两个个体中较大的适应度值；fmin为种群中所有个体适应度最小值；所述第一基础交叉概率小于第二基础交叉概率；所述第一基础变异概率小于第二基础变异概率。
优选的，所述自适应精英保留策略的计算式如下：
Figure BDA0004153813980000051
式中：Ne为精英保留个体的数量；fi为第i个种群个体的适应度值；N为种群个体的数量；fb为种群中最优个体的适应度值。
优选的，所述***运行相关参数包括以下一种或多种：光电功率预测值、负荷预测值、风电功率预测值、不同时间段电价表、电转气设备参数、多类型储能设备参数、热电联产设备运行参数、燃气锅炉运行参数、吸收式制冷机运行参数、储气罐运行参数、压缩机运行参数。
基于同一发明构思，本发明还提供一种基于电转气的电-气互联综合能源***多目标优化***，包括：
数据获取模块：用于获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；
求解模块：用于基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；
最优配置结果获取模块：基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果；
其中，所述多目标优化模型是在满足电-气互联综合能源***可再生能源消纳最大的基础上以***经济成本最小和CO2排放量最少构建的。
优选的，所述求解模块中包含电转气设备和多类储能设备的多目标优化配置模型的构建包括：
基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，所述包含电转气设备和多类储能设备的电-气互联综合能源***模型包括以下一种或多种电力***模型、天然气***模型、耦合设备模型和多类储能设备模型；
以所述包含电转气设备和多类储能设备的电-气互联综合能源***模型的经济成本最小、可再生能源消纳最大和CO2排放量最少为目标构建多目标优化配置函数；
基于所述包含电转气设备和多类储能设备的电-气互联综合能源***模型和所述多目标优化配置函数构建包含电转气设备和多类储能设备的多目标优化配置模型。
优选的，所述求解模块基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，包括：
基于功率平衡约束、机组出力约束、节点电压约束、支路潮流约束构建所述电力***模型；
基于气源出气量约束、天然气管道运行约束、管村运行约束、储气罐运行约束、压缩机运行约束、节点流量平衡约束构建所述天然气***模型；
基于燃气轮机出力约束、电转气设备出力约束构建所述耦合设备模型；
基于储电设备运行约束、储热设备运行约束和蓄冷设备运行约束构建所述多类储能设备模型；
以所述电力***模型、所述天然气***模型、所述耦合设备模型和所述多类储能设备模型构建包含电转气设备和多类储能设备的电-气互联综合能源***模型。
优选的，所述求解模块中多目标优化配置函数对应的计算式如下：
minF1＝Finv+Fope
Figure BDA0004153813980000061
Figure BDA0004153813980000062
式中：F1为***经济成本；Finv为投资成本；Fope为运行成本；F2为可再生能源消纳率；T为调度周期；NW为***中风电机组的总数量；NV为***中光电机组的总数量；
Figure BDA0004153813980000063
为t时段***对于风电机组j的计划接纳风电功率；/>
Figure BDA0004153813980000064
为t时段***对于光电机组j的计划接纳光电功率；/>
Figure BDA0004153813980000065
为风电机组j的理想功率；/>
Figure BDA0004153813980000066
为光电机组j的理想功率；F3为CO2排放量；/>
Figure BDA0004153813980000067
为综合能源***在t时刻从电网购入的电功率；/>
Figure BDA0004153813980000068
为在综合能源***t时刻从气网购入的气功率；αe为购电CO2排放系数；αgas为购气CO2排放系数。
优选的，所述求解模块中投资成本Finv的计算式如下：
Figure BDA0004153813980000071
所述运行成本Fope的计算式如下：
Figure BDA0004153813980000072
式中：γi为设备i的单位容量安装费用；Ci为设备i的安装容量；I为综合能源***中设备的总数量；α为年利率；Yi为设备i的运行寿命；T为调度周期；
Figure BDA0004153813980000073
为t时刻从电网购电的电价；JG为天然气价格；Pout,i为设备i在t时段的输出功率；βi为设备i的单位运行维护费用。
优选的，所述求解模块具体用于：
基于所述可再生能源的装机容量数据和***运行相关参数，确定基于自适应精英保留策略的遗传算法中的父代种群个体为电转气设备容量和多类型储能设备容量，种群中每个个体的适应度值为所述多目标优化配置函数值；
采用所述基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集。
优选的，所述求解模块采用基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集，包括：
步骤S1：初始化种群，设置种群规模、迭代次数、基础交叉概率和基础变异概率；
步骤S2：随机生成父代种群P，所述父代种群P中的每个个体表示电转气设备容量和多类型储能设备容量，计算所述父代种群P中各个体的适应度值，所述适应度值代表所述多目标优化配置函数值；
步骤S3：通过遗传算法对所述父代种群P进行选择，基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，产生子代种群Q；
步骤S4：将所述父代种群P和所述子代种群Q进行混合，得到新的种群R，再对所述新的种群R进行快速非支配排序，得到非支配的优势种群序列；
步骤S5：基于所述适应度值采用参考点的选择策略，对所述种群R进行选择，得到种群Y作为下一次迭代的父代种群；
步骤S6：基于所述非支配的优势种群序列采用所述自适应精英保留策略筛选出所述种群R中的优势个体添加到所述种群Y中作为下一次迭代的父代种群；
步骤S7：判断是否达到所述迭代次数，若判断为是，则得到各个体对应的电转气设备容量、多类型储能设备容量和多目标优化配置函数值作为优化配置解集并结束，否则返回步骤S3。
优选的，所述求解模块中基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，包括：
基于所述个体适应度值、所述基础交叉概率和所述基础变异概率确定自适应交叉概率和自适应变异概率；
基于所述自适应交叉概率和自适应变异概率对所述父代种群P进行自适应交叉变异。
优选的，所述求解模块中自适应交叉概率的计算式如下：
Figure BDA0004153813980000081
所述自适应变异概率的计算式如下：
Figure BDA0004153813980000082
式中：pc为自适应交叉概率；k1为第一基础交叉概率；k2为第二基础交叉概率；pm为自适应变异概率；k3为第一基础变异概率；k4为第二基础变异概率；fm为当前要变异的个体适应度值；f m 为种群能够接受的最大适应度值；fc为要交叉的两个个体中较大的适应度值；fmin为种群中所有个体适应度最小值；所述第一基础交叉概率小于第二基础交叉概率；所述第一基础变异概率小于第二基础变异概率。
优选的，所述求解模块中自适应精英保留策略的计算式如下：
Figure BDA0004153813980000083
式中：Ne为精英保留个体的数量；fi为第i个种群个体的适应度值；N为种群个体的数量；fb为种群中最优个体的适应度值。
优选的，所述数据获取模块中***运行相关参数包括以下一种或多种：光电功率预测值、负荷预测值、风电功率预测值、不同时间段电价表、电转气设备参数、多类型储能设备参数、热电联产设备运行参数、燃气锅炉运行参数、吸收式制冷机运行参数、储气罐运行参数、压缩机运行参数。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种综合能源***多目标优化方法、***、设备和介质，包括：获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果。本发明通过建立包含电转气设备和多类型储能设备的多目标优化配置模型，进行了电转气设备和多类型储能设备的协同规划，能够提供更加符合综合能源***实际情况、更加全面的优化配置方案。
附图说明
图1为本发明提供一个具体实施例的综合能源***多目标优化方法流程示意图；
图2为本发明提供的一个具体实施例的典型日太阳能辐射强度和风速图；
图3为本发明提供的一个具体实施例的综合能源***负荷图；
图4为本发明提供的一个具体实施例的综合能源***结构图；
图5为本发明提供一个具体实施例的遗传算法流程图；
图6为本发明提供一个具体实施例的最优解集图；
图7为本发明提供一个具体实施例的年CO2排放量对比图；
图8为本发明提供一个具体实施例的可再生能源消纳率对比图；
图9为本发明提供一个种综合能源***多目标优化***示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
实施例1：
本发明提供一种综合能源***多目标优化方法，具体的，图1为本申请实施例所提供的一种综合能源***多目标优化方法的流程示意图，如图所示包括以下步骤：
步骤1：获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；
步骤2：基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；
步骤3：基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果；
其中，所述多目标优化模型是在满足电-气互联综合能源***可再生能源消纳最大的基础上以***经济成本最小和CO2排放量最少构建的。
步骤1中，获取电-气互联综合能源***中可再生能源机组的装机容量数据和***运行相关参数。在本发明中，优化配置主要基于可再生能源机组的装机容量进行计算和规划，可再生能源机组可以是通过风电机组、光伏发电机组、水力发电机组或者海洋能发电机组。在本公开实施例中，可再生能能源机组为：光电机组和风电机组。在本公开中，获取电-气互联综合能源***中可再生能源机组的装机容量数据包括：3种场景的9组数据，如表1所示。上述3种情景分别为：仅考虑电转气设备的场景、仅考虑储能设备场景、考虑电转气设备和储能设备的场景。
表1
Figure BDA0004153813980000101
获取***运行相关参数中包含了***中各设备的运行参数以及***运行的电费价格等数据。具体的，在本公开实施例中包括下述中的一个或者多个：光电功率预测值、负荷预测值、风电功率预测值、不同时间段电价表、电转气设备参数、多类型储能设备参数、热电联产设备运行参数、燃气锅炉运行参数、吸收式制冷机运行参数、储气罐运行参数、压缩机运行参数。
在本公开实施例中，上述光电功率预测值是考虑到太阳辐射强度和负荷的时间差异性，从获取的历史数据中按照需要的数据特点，选取一天作为典型日,典型日的太阳辐射强度和负荷情况代表对应的光电功率预测值。上述负荷预测值和风电功率预测值从历史数据中的典型日中获取。具体的，在本实施例中所获取的光电功率预测值、风电功率预测值如图2所示，负荷预测值如图3所示。获取电价一天不同时段电价表、综合能源***已有设备参数和电转气和多类型储能设备参数，上述获取的数据如表2、表3和表4所示，其中表2是一天不同时段电价表，表3是综合能源***已有设备参数，表4是电转气和多类储能设备参数。
表2
Figure BDA0004153813980000111
表3
Figure BDA0004153813980000112
表4
Figure BDA0004153813980000113
步骤2：
具体的，基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集。
在本公开实施例中，上述预先构建的包含电转气设备和多类储能设备的多目标优化配置模型的构建包括：基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型。如图4所示，其为本公开实施例所建立的电-气互联综合能源***模型的示意图。其中具体包括以下一种或多种模型：电力***模型、天然气***模型、耦合设备模型和多类储能设备模型。
具体的，在本公开实施例中电力***模型、天然气***模型、耦合设备模型和多类储能设备模型为下述各式：
电力网络模型包括：节点功率有功、无功平衡方程，机组出力约束，节点电压约束，支路潮流约束；
(1)功率平衡方程
Figure BDA0004153813980000121
Figure BDA0004153813980000122
式中:Pi cle为节点i的发电机有功功率；
Figure BDA0004153813980000123
为节点i的发电机无功功率；Pi wind为风电场注入的有功功率；Vi为节点i的电压幅值；Vj为节点j的电压幅值；θij为节点i和节点j的电压相角差；Gij为节点ij导纳矩阵的实部；Bij为节点ij导纳矩阵的虚部；j∈i表示所有与节点i直接连接的节点j。
(2)机组出力约束
Figure BDA0004153813980000124
Figure BDA0004153813980000125
Figure BDA0004153813980000126
式中：
Figure BDA0004153813980000127
为t时刻机组i的有功出力；/>
Figure BDA0004153813980000128
为机组i的有功出力上限；/>
Figure BDA0004153813980000129
为机组i的有功出力下限；/>
Figure BDA00041538139800001210
为t时刻机组i的无功出力；/>
Figure BDA00041538139800001211
为机组i的无功出力下限；/>
Figure BDA00041538139800001212
为机组i的无功出力上限；/>
Figure BDA00041538139800001213
为t时刻风电机组i的有功出力；/>
Figure BDA00041538139800001214
为风电机组i的有功出力上限；/>
Figure BDA00041538139800001215
为风电机组i的有功出力下限。
(3)节点电压约束
Ui,min≤Ui,t≤Ui,max
式中:Ui,t为t时刻节点i的电压；Ui,min为节点i的电压下限；Ui,max为节点i的电压上限。
(4)支路潮流约束
|Pkl,t|≤Pkl,max
式中:Pkl,t为t时刻支路kl的潮流值；Pkl,max为支路kl的潮流上限值。
天然气网络模型包括：气源，天然气管道，管存，储气罐，压缩机，节点流量平衡；
(1)气源
Si,min≤Si,t≤Si,max
式中：Si,t为天然气网络中节点i在时刻t的天然气供应量；Si,max为气井产气量上限；Si,min为气井产气量下限。
(2)天然气管道
Figure BDA0004153813980000131
式中：Fij为管道ij的管道流量；Cij为与管道ij长度、半径、温度及气体密度、压缩因子等有关的常数；πi为天然气管道节点i的压力；πj为天然气管道节点j的压力；sgn(πi,πj)为符号函数，表示天然气流向，当节点i的压力大于节点j的压力时，其值为1，反之为-1；π i为天然气管道节点i的压力下限；
Figure BDA0004153813980000132
为天然气管道节点i的压力上限。
(3)管存
Figure BDA0004153813980000133
Figure BDA0004153813980000134
式中：Lij,t为t时刻管道ij的管存；Lij,t-1为t-1时刻管道ij的管存；Cij为与管道ij长度、半径、温度及气体密度、压缩因子等有关的常数；
Figure BDA0004153813980000135
表示管道ij的平均压力；/>
Figure BDA0004153813980000136
为t时刻管道ij的进气量；/>
Figure BDA0004153813980000137
为t时刻管道ij的出气量。
(4)储气罐
Figure BDA0004153813980000138
Figure BDA0004153813980000139
Figure BDA00041538139800001310
式中：SS,j,t为t时刻储气罐j的存储容量；
Figure BDA0004153813980000141
为t时刻储气罐j的天然气注入流量；
Figure BDA0004153813980000142
为t时刻储气罐j的天然气输出流量；SS,j,max为储气罐j存储容量的上限；SS,j,min为储气罐j存储容量的下限；/>
Figure BDA0004153813980000143
为储气罐j天然气注入流量的上限；/>
Figure BDA0004153813980000144
为储气罐j天然气输出流量的上限。
(5)压缩机
Figure BDA0004153813980000145
Pcom＝Hcom(0.7479×10-5)
式中：Hcom为压缩机所需功率；Fij为流过压缩机的流量；B为常数；πi为天然气管道节点i的压力；πj为天然气管道节点j的压力；Pcom为电驱动压缩机的电负荷。
(6)节点流量平衡
Figure BDA0004153813980000146
式中：QN,j,t为天然气网络在t时刻节点j的天然气流量；i∈j表示所有与节点j相连的节点；
Figure BDA0004153813980000147
为t时刻储气罐j的天然气注入流量；/>
Figure BDA0004153813980000148
为t时刻储气罐j的天然气输出流量；
Figure BDA0004153813980000149
为t时刻管道ij的进气量；/>
Figure BDA00041538139800001410
为t时刻管道ij的出气量；QP2G,j,t为t时刻电转气设备j转换得到的天然气流量；QGT,j,t为t时刻燃气轮机j消耗的天然气流量；Qcom,j,t为t时刻压缩机j消耗的天然气流量；QL,j,t为t时刻节点j的天然气负荷。
多类型储能设备模型包括：
(1)储电设备
Figure BDA00041538139800001411
式中：WES,t为蓄电池t时刻储存的能量；μES为蓄电池的损耗率；Pch,t为蓄电池t时刻的充电功率；Pdis,t为蓄电池t时刻的放电功率；WES,t-1为蓄电池t-1时刻储存的能量；λES,ch为蓄电池的充电效率；λES,dis为蓄电池的放电效率；Δt为调度时间间隔。
(2)储热设备
Figure BDA0004153813980000151
式中：WHS,t为储热设备t时刻储存的能量；μHS为储热设备的损耗率；Hch,t为储热设备t时刻的充热功率；Hdis,t为储热设备t时刻的放热功率；λHS,ch为储热设备的充热效率；λHS,dis为储热设备的放热效率；WHS,t-1为储热设备t-1时刻储存的能量；Δt为调度时间间隔。
(3)蓄冷设备
Figure BDA0004153813980000152
式中:
Figure BDA0004153813980000153
为蓄冷设备t时刻储存的能量；/>
Figure BDA0004153813980000154
为蓄冷设备t-1时刻储存的能量；；μCS为蓄冷设备的损耗率；/>
Figure BDA0004153813980000155
为蓄冷设备t时刻的充冷功率；/>
Figure BDA0004153813980000156
为蓄冷设备t时刻的放冷功率；λCS,ch为蓄冷设备的充冷效率；λCS,dis为蓄冷设备的放冷效率；Δt为调度时间间隔。
上述耦合设备模型包括：
(1)燃气轮机模型：
Figure BDA0004153813980000157
Figure BDA0004153813980000158
式中：
Figure BDA0004153813980000159
为燃机轮机机组g时间t消耗的天然气；βg为燃机轮机机组g燃气系数；/>
Figure BDA00041538139800001510
为燃机轮机机组g时间t产生的电功率；GHV为天然气高热值；/>
Figure BDA00041538139800001511
为燃机轮机机组g输出电功率最小值；/>
Figure BDA00041538139800001512
为燃机轮机机组g输出电功率最大值；ΩT为调度时间间隔；NGAS为燃机轮机机组总数。
(2)电转气设备模型：
Figure BDA00041538139800001513
Figure BDA00041538139800001514
式中：
Figure BDA0004153813980000161
为电转气设备o时间t产气量；/>
Figure BDA0004153813980000162
为电转气设备o时间t消耗天然气功率；GHV为天然气高热值；/>
Figure BDA0004153813980000163
为电转气设备o转换效率系数；/>
Figure BDA0004153813980000164
为电转气设备o最小消耗天然气功率；/>
Figure BDA0004153813980000165
为电转气设备o最大消耗天然气功率；ΩT为调度时间间隔；NP2G为电转气设备总数。
之后，基于上述建立的包含电转气设备和多类储能设备的电-气互联综合能源***模型，以其***的经济成本最小、可再生能源消纳最大和CO2排放量最少为目标构建多目标优化配置函数。多目标优化配置函数至少包括下述目标函数中的一种或多种：***经济成本最优目标函数、可再生能源消纳率最大目标函数和CO2排放量最小目标函数。
具体的，在本公开实施例中，***经济成本最优目标函数的计算式如下：
minF1＝Finv+Fope
Figure BDA0004153813980000166
Fope＝Fbe+FOM
Figure BDA0004153813980000167
FOM＝βiPout,i
式中：F1为***经济成本；Finv为投资成本；Fope为运行成本；Fbe为购能成本；FOM为***维护成本；Ci为设备i的安装容量；γi为设备i的单位容量安装费用；α为年利率，本文取6％；Yi为设备i的运行寿命；T为调度周期；
Figure BDA0004153813980000168
为综合能源***在t时刻从电网购入的电功率；/>
Figure BDA0004153813980000169
为在综合能源***t时刻从气网购入的气功率；/>
Figure BDA00041538139800001610
为t时刻从电网购电的电价；JG为天然气价格；Pout,i为设备i在t时段的输出功率；βi为设备i的单位运行维护费用。
可再生能源消纳率最大目标函数的计算式如下：
Figure BDA00041538139800001611
式中：F2为可再生能源消纳率；
Figure BDA0004153813980000171
为t时段***对于风电机组j的计划接纳风电功率；/>
Figure BDA0004153813980000172
为t时段***对于光电机组j的计划接纳光电功率；/>
Figure BDA0004153813980000173
为风电机组j的理想功率；
Figure BDA0004153813980000174
为光电机组j的理想功率；T为调度周期；NW为风电机组的总个数；NV为光电机组的总个数。
CO2排放量最小目标函数的计算式如下：
Figure BDA0004153813980000175
式中：F3为CO2排放量；
Figure BDA0004153813980000176
为综合能源***在t时刻从电网购入的电功率；/>
Figure BDA0004153813980000177
为在综合能源***t时刻从气网购入的气功率；αe为购电CO2排放系数；αgas为购气CO2排放系数。
最后，基于所述包含电转气设备和多类储能设备的电-气互联综合能源***模型和所述多目标优化配置函数构建包含电转气设备和多类储能设备的多目标优化配置模型。
对于上述建立好的多目标优化配置模型采用基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集。在本发明中基于自适应精英保留策略和自适应的交叉变异改进了遗传算法，将其应用到优化模型的求解中，能够提高收敛速度，进一步提升优化效率。
具体的，在本公开实施例中，基于所述可再生能源的装机容量数据和***运行相关参数，确定基于自适应精英保留策略的遗传算法中的父代种群个体为电转气设备容量和多类型储能设备容量，种群中每个个体的适应度值为所述多目标优化配置函数值。在本公开实施例中，如图5所示，为遗传算法的流程图，基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集，具体包括：
步骤S1种群初始化：设置种群规模为100，最大迭代次数为100，k1为0.5，k2为0.9，k3为.01，k4为0.1。
步骤S2：随机生成父代种群P，所述父代种群P中的每个个体表示电转气设备容量和多类型储能设备容量，计算所述父代种群P中各个体的适应度值，所述适应度值代表目标函数；
步骤S3：通过遗传算法的选择和基于所述个体适应度值、所述基础交叉概率和所述基础变异概率采用的自适应交叉变异操作，产生子代种群Q。其中自适应交叉变异操作中自适应交叉概率和自适应变异概率的计算式为：
自适应交叉、变异：
Figure BDA0004153813980000181
Figure BDA0004153813980000182
式中：pc为自适应交叉概率；k1和k2为基础交叉概率，且k2＞k1；fm为种群能够接受的最大适应度值；fc为要交叉的两个个体中较大的适应度值；fmin为种群中所有个体适应度最小值；pm为自适应变异概率；k3和k4为基础变异概率，且k4＞k3；fm为当前要变异的个体适应度值。在自适应的交叉概率中设定k2＞k1和k4＞k3，能够使得交叉概率和变异概率基于适应度值在k2和k4值的附近产生自适应的变化，使种群中个体的进化方向朝着最优方向变化，从而提升算法的优化效率。
步骤S4：将所述父代种群P和所述子代种群Q进行混合，得到新的种群R，再对所述新的种群R进行快速非支配排序，得到非支配的优势种群序列；
步骤S5：基于所述适应度值采用参考点的选择策略，对所述种群R进行选择，得到种群Y作为下一次迭代的父代种群；
步骤S6：基于所述非支配的优势种群序列采用自适应精英保留策略筛选出所述种群R中的优势个体添加到所述种群Y中作为下一次迭代的父代种群。
其中自适应精英保留策略的表达式如下：
Figure BDA0004153813980000183
式中:Ne为精英保留个体的数量；N为种群个体的数量；fb为种群中最优个体的适应度值。自适应精英保留策略相比普通的精英保留策略，其优点在于能够随着适应度值发生动态的变化，保存种群中最优秀的个体，提高算法的准确性的同时也能够提升优化效率。
步骤S7：判断是否达到预设迭代次数，若判断为是，则输出各个体对应的电转气设备容量、多类型储能设备容量和目标函数值作为优化配置解集，否则返回步骤S3。
基于上述不同场景获取的可再生能源的装机容量数据和***运行相关参数，通过基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到最优化配置解集如图6所示。在本发明中，求解后输出的是优化解集，最终的优化配置是基于需求选取的。具体的，在本公开实施例中，基于不同的目标函数选取最优的优化配置，图7为9组数据对应最优解的CO2排放量数据图，图8为上述9组数据对应最优解的可再生能源消纳率图。对仿真结果从年CO2排放量、可再生能源消纳率两个方面进行对比分析能够发现：采用电转气设备和多储能设备可大幅度提高可再生能源消纳率、降低CO2年排放量。综合能源***中多种能量相互转换和储存，极大降低了弃风弃光，从而既提高了能源利用率，也降低了经济成本。
表5
Figure BDA0004153813980000191
本发明提出的一种基于电转气的综合能源***多目标优化方法，针对电-气互联综合能源***，建立满足多个约束的电力***、天然气***模型、储能设备模型、耦合设备模型，之后建立***经济成本最小、可再生能源消纳量最大、CO2排放量最少的多目标优化模型，运用改进的遗传算法进行求解。与现有方法相比，进行了电转气设备与多类型储能设备的协同规划，对综合能源***多个目标进行优化，更加符合综合能源***实际情况，提升***经济性和环境性。如表5所示，能够看到遗传算法得到最优解更优，与未改进的遗传算法(NSGA-Ⅲ)相比，本技术方案中采用的基于自适应精英保留策略的遗传算法得到最优解的能力更好。
实施例2：
基于同一发明构思，本发明还提供了一种基于电转气的电-气互联综合能源***多目标优化***。该***结构如图9所示，包括：
数据获取模块：用于获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；
求解模块：用于基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；
最优配置结果获取模块：基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果；
其中，所述多目标优化模型是在满足电-气互联综合能源***可再生能源消纳最大的基础上以***经济成本最小和CO2排放量最少构建的。
优选的，所述求解模块中包含电转气设备和多类储能设备的多目标优化配置模型的构建包括：
基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，所述包含电转气设备和多类储能设备的电-气互联综合能源***模型包括以下一种或多种电力***模型、天然气***模型、耦合设备模型和多类储能设备模型；
以所述包含电转气设备和多类储能设备的电-气互联综合能源***模型的经济成本最小、可再生能源消纳最大和CO2排放量最少为目标构建多目标优化配置函数；
基于所述包含电转气设备和多类储能设备的电-气互联综合能源***模型和所述多目标优化配置函数构建包含电转气设备和多类储能设备的多目标优化配置模型。
优选的，所述求解模块中基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，包括：
基于功率平衡约束、机组出力约束、节点电压约束、支路潮流约束构建所述电力***模型；
基于气源出气量约束、天然气管道运行约束、管村运行约束、储气罐运行约束、压缩机运行约束、节点流量平衡约束构建所述天然气***模型；
基于燃气轮机出力约束、电转气设备出力约束构建所述耦合设备模型；
基于储电设备运行约束、储热设备运行约束和蓄冷设备运行约束构建所述多类储能设备模型；
以所述电力***模型、所述天然气***模型、所述耦合设备模型和所述多类储能设备模型构建包含电转气设备和多类储能设备的电-气互联综合能源***模型。
优选的，所述求解模块中多目标优化配置函数对应的计算式如下：
minF1＝Finv+Fope
Figure BDA0004153813980000201
/>
Figure BDA0004153813980000202
式中：F1为***经济成本；Finv为投资成本；Fope为运行成本；F2为可再生能源消纳率；T为调度周期；NW为***中风电机组的总数量；NV为***中光电机组的总数量；
Figure BDA0004153813980000203
为t时段***对于风电机组j的计划接纳风电功率；/>
Figure BDA0004153813980000211
为t时段***对于光电机组j的计划接纳光电功率；/>
Figure BDA0004153813980000212
为风电机组j的理想功率；/>
Figure BDA0004153813980000213
为光电机组j的理想功率；F3为CO2排放量；/>
Figure BDA0004153813980000214
为综合能源***在t时刻从电网购入的电功率；/>
Figure BDA0004153813980000215
为在综合能源***t时刻从气网购入的气功率；αe为购电CO2排放系数；αgas为购气CO2排放系数。
优选的，所述求解模块中投资成本Finv的计算式如下：
Figure BDA0004153813980000216
所述运行成本Fope的计算式如下：
Figure BDA0004153813980000217
式中：γi为设备i的单位容量安装费用；Ci为设备i的安装容量；I为综合能源***中设备的总数量；α为年利率；Yi为设备i的运行寿命；T为调度周期；
Figure BDA0004153813980000218
为t时刻从电网购电的电价；JG为天然气价格；Pout,i为设备i在t时段的输出功率；βi为设备i的单位运行维护费用。
优选的，所述求解模块具体用于：
基于所述可再生能源的装机容量数据和***运行相关参数，确定基于自适应精英保留策略的遗传算法中的父代种群个体为电转气设备容量和多类型储能设备容量，种群中每个个体的适应度值为所述多目标优化配置函数值；
采用所述基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集。
优选的，所述求解模块中采用基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集，包括：
步骤S1：初始化种群，设置种群规模、迭代次数、基础交叉概率和基础变异概率；
步骤S2：随机生成父代种群P，所述父代种群P中的每个个体表示电转气设备容量和多类型储能设备容量，计算所述父代种群P中各个体的适应度值，所述适应度值代表所述多目标优化配置函数值；
步骤S3：通过遗传算法对所述父代种群P进行选择，基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，产生子代种群Q；
步骤S4：将所述父代种群P和所述子代种群Q进行混合，得到新的种群R，再对所述新的种群R进行快速非支配排序，得到非支配的优势种群序列；
步骤S5：基于所述适应度值采用参考点的选择策略，对所述种群R进行选择，得到种群Y作为下一次迭代的父代种群；
步骤S6：基于所述非支配的优势种群序列采用所述自适应精英保留策略筛选出所述种群R中的优势个体添加到所述种群Y中作为下一次迭代的父代种群；
步骤S7：判断是否达到所述迭代次数，若判断为是，则得到各个体对应的电转气设备容量、多类型储能设备容量和多目标优化配置函数值作为优化配置解集并结束，否则返回步骤S3。
优选的，所述求解模块中基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，包括：
基于所述个体适应度值、所述基础交叉概率和所述基础变异概率确定自适应交叉概率和自适应变异概率；
基于所述自适应交叉概率和自适应变异概率对所述父代种群P进行自适应交叉变异。
优选的，所述求解模块中自适应交叉概率的计算式如下：
Figure BDA0004153813980000221
所述自适应变异概率的计算式如下：
Figure BDA0004153813980000222
式中：pc为自适应交叉概率；k1为第一基础交叉概率；k2为第二基础交叉概率；pm为自适应变异概率；k3为第一基础变异概率；k4为第二基础变异概率；fm为当前要变异的个体适应度值；f m 为种群能够接受的最大适应度值；fc为要交叉的两个个体中较大的适应度值；fmin为种群中所有个体适应度最小值；所述第一基础交叉概率小于第二基础交叉概率；所述第一基础变异概率小于第二基础变异概率。
优选的，所述求解模块中自适应精英保留策略的计算式如下：
Figure BDA0004153813980000223
式中：Ne为精英保留个体的数量；fi为第i个种群个体的适应度值；N为种群个体的数量；fb为种群中最优个体的适应度值。
优选的，所述数据获取模块中***运行相关参数包括以下一种或多种：光电功率预测值、负荷预测值、风电功率预测值、不同时间段电价表、电转气设备参数、多类型储能设备参数、热电联产设备运行参数、燃气锅炉运行参数、吸收式制冷机运行参数、储气罐运行参数、压缩机运行参数。
本公开通过数据获取模块、求解模块和最优配置结果获取模块对包含电转气设备和多类储能设备综合能源***的最优配置方案进行求解，通过建立包含电转气设备和多类型储能设备的多目标优化配置模型，进行了电转气设备和多类型储能设备的协同规划，能够提供更加符合综合能源***实际情况、更加全面的优化配置方案。另外，求解模块是采用了基于自适应精英保留策略和自适应的交叉变异改进了遗传算法，在求解的过程中进一步提升了优化效率。
实施例3：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种综合能源***多目标优化方法的步骤。
实施例4：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种综合能源***多目标优化方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (24)

1.一种综合能源***多目标优化方法，其特征在于，包括：
获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；
基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；
基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果；
其中，所述多目标优化模型是在满足电-气互联综合能源***可再生能源消纳最大的基础上以***经济成本最小和CO2排放量最少构建的。
2.根据权利要求1所述的方法，其特征在于，所述包含电转气设备和多类储能设备的多目标优化配置模型的构建，包括：
基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，所述包含电转气设备和多类储能设备的电-气互联综合能源***模型包括以下一种或多种电力***模型、天然气***模型、耦合设备模型和多类储能设备模型；
以所述包含电转气设备和多类储能设备的电-气互联综合能源***模型的经济成本最小、可再生能源消纳最大和CO2排放量最少为目标构建多目标优化配置函数；
基于所述包含电转气设备和多类储能设备的电-气互联综合能源***模型和所述多目标优化配置函数构建包含电转气设备和多类储能设备的多目标优化配置模型。
3.根据权利要求2所述的方法，其特征在于，所述基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，包括：
基于功率平衡约束、机组出力约束、节点电压约束、支路潮流约束构建所述电力***模型；
基于气源出气量约束、天然气管道运行约束、管村运行约束、储气罐运行约束、压缩机运行约束、节点流量平衡约束构建所述天然气***模型；
基于燃气轮机出力约束、电转气设备出力约束构建所述耦合设备模型；
基于储电设备运行约束、储热设备运行约束和蓄冷设备运行约束构建所述多类储能设备模型；
以所述电力***模型、所述天然气***模型、所述耦合设备模型和所述多类储能设备模型构建包含电转气设备和多类储能设备的电-气互联综合能源***模型。
4.根据权利要求2所述的方法，其特征在于，所述多目标优化配置函数对应的计算式如下：
minF1＝Finv+Fope
Figure FDA0004153813970000021
Figure FDA0004153813970000022
式中：F1为***经济成本；Finv为投资成本；Fope为运行成本；F2为可再生能源消纳率；T为调度周期；NW为***中风电机组的总数量；NV为***中光电机组的总数量；
Figure FDA0004153813970000023
为t时段***对于风电机组j的计划接纳风电功率；/>
Figure FDA0004153813970000024
为t时段***对于光电机组j的计划接纳光电功率；/>
Figure FDA0004153813970000025
为风电机组j的理想功率；/>
Figure FDA0004153813970000026
为光电机组j的理想功率；F3为CO2排放量；/>
Figure FDA0004153813970000027
为综合能源***在t时刻从电网购入的电功率；/>
Figure FDA0004153813970000028
为在综合能源***t时刻从气网购入的气功率；αe为购电CO2排放系数；αgas为购气CO2排放系数。
5.根据权利要求4所述的方法，其特征在于，所述投资成本Finv的计算式如下：
Figure FDA0004153813970000029
所述运行成本Fope的计算式如下：
Figure FDA00041538139700000210
式中：γi为设备i的单位容量安装费用；Ci为设备i的安装容量；I为综合能源***中设备的总数量；α为年利率；Yi为设备i的运行寿命；T为调度周期；
Figure FDA00041538139700000211
为t时刻从电网购电的电价；JG为天然气价格；Pout,i为设备i在t时段的输出功率；βi为设备i的单位运行维护费用。
6.根据权利要求2所述的方法，其特征在于，所述基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集，包括：
基于所述可再生能源的装机容量数据和***运行相关参数，确定基于自适应精英保留策略的遗传算法中的父代种群个体为电转气设备容量和多类型储能设备容量，种群中每个个体的适应度值为所述多目标优化配置函数值；
采用所述基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集。
7.根据权利要求6所述的方法，其特征在于，所述采用基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集，包括：
步骤S1：初始化种群，设置种群规模、迭代次数、基础交叉概率和基础变异概率；
步骤S2：随机生成父代种群P，所述父代种群P中的每个个体表示电转气设备容量和多类型储能设备容量，计算所述父代种群P中各个体的适应度值，所述适应度值代表所述多目标优化配置函数值；
步骤S3：通过遗传算法对所述父代种群P进行选择，基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，产生子代种群Q；
步骤S4：将所述父代种群P和所述子代种群Q进行混合，得到新的种群R，再对所述新的种群R进行快速非支配排序，得到非支配的优势种群序列；
步骤S5：基于所述适应度值采用参考点的选择策略，对所述种群R进行选择，得到种群Y作为下一次迭代的父代种群；
步骤S6：基于所述非支配的优势种群序列采用所述自适应精英保留策略筛选出所述种群R中的优势个体添加到所述种群Y中作为下一次迭代的父代种群；
步骤S7：判断是否达到所述迭代次数，若判断为是，则得到各个体对应的电转气设备容量、多类型储能设备容量和多目标优化配置函数值作为优化配置解集并结束，否则返回步骤S3。
8.根据权利要求7所述的方法，其特征在于，所述基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，包括：
基于所述个体适应度值、所述基础交叉概率和所述基础变异概率确定自适应交叉概率和自适应变异概率；
基于所述自适应交叉概率和自适应变异概率对所述父代种群P进行自适应交叉变异。
9.根据权利要求8所述的方法，其特征在于，所述自适应交叉概率的计算式如下：
Figure FDA0004153813970000031
所述自适应变异概率的计算式如下：
Figure FDA0004153813970000041
式中：pc为自适应交叉概率；k1为第一基础交叉概率；k2为第二基础交叉概率；pm为自适应变异概率；k3为第一基础变异概率；k4为第二基础变异概率；fm为当前要变异的个体适应度值；f m 为种群能够接受的最大适应度值；fc为要交叉的两个个体中较大的适应度值；fmin为种群中所有个体适应度最小值；所述第一基础交叉概率小于第二基础交叉概率；所述第一基础变异概率小于第二基础变异概率。
10.根据权利要求7所述的方法，其特征在于，所述自适应精英保留策略的计算式如下：
Figure FDA0004153813970000042
式中：Ne为精英保留个体的数量；fi为第i个种群个体的适应度值；N为种群个体的数量；fb为种群中最优个体的适应度值。
11.根据权利要求1所述的方法，其特征在于，所述***运行相关参数包括以下一种或多种：光电功率预测值、负荷预测值、风电功率预测值、不同时间段电价表、电转气设备参数、多类型储能设备参数、热电联产设备运行参数、燃气锅炉运行参数、吸收式制冷机运行参数、储气罐运行参数、压缩机运行参数。
12.一种基于电转气的电-气互联综合能源***多目标优化***，其特征在于，包括：
数据获取模块：用于获取电-气互联综合能源***中可再生能源的装机容量数据和***运行相关参数；
求解模块：用于基于所述可再生能源的装机容量数据和***运行相关参数，采用遗传算法对预先构建的包含电转气设备和多类储能设备的多目标优化配置模型进行求解，得到优化配置解集；
最优配置结果获取模块：用于基于优化需求从所述优化配置解集中选取电-气互联综合能源***的最优配置结果；
其中，所述多目标优化模型是在满足电-气互联综合能源***可再生能源消纳最大的基础上以***经济成本最小和CO2排放量最少构建的。
13.根据权利要求12所述的***，其特征在于，所述求解模块中包含电转气设备和多类储能设备的多目标优化配置模型的构建包括：
基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，所述包含电转气设备和多类储能设备的电-气互联综合能源***模型包括以下一种或多种电力***模型、天然气***模型、耦合设备模型和多类储能设备模型；
以所述包含电转气设备和多类储能设备的电-气互联综合能源***模型的经济成本最小、可再生能源消纳最大和CO2排放量最少为目标构建多目标优化配置函数；
基于所述包含电转气设备和多类储能设备的电-气互联综合能源***模型和所述多目标优化配置函数构建包含电转气设备和多类储能设备的多目标优化配置模型。
14.根据权利要求13所述的***，其特征在于，所述求解模块基于多个约束条件构建包含电转气设备和多类储能设备的电-气互联综合能源***模型，包括：
基于功率平衡约束、机组出力约束、节点电压约束、支路潮流约束构建所述电力***模型；
基于气源出气量约束、天然气管道运行约束、管村运行约束、储气罐运行约束、压缩机运行约束、节点流量平衡约束构建所述天然气***模型；
基于燃气轮机出力约束、电转气设备出力约束构建所述耦合设备模型；
基于储电设备运行约束、储热设备运行约束和蓄冷设备运行约束构建所述多类储能设备模型；
以所述电力***模型、所述天然气***模型、所述耦合设备模型和所述多类储能设备模型构建包含电转气设备和多类储能设备的电-气互联综合能源***模型。
15.根据权利要求13所述的***，其特征在于，所述求解模块中多目标优化配置函数对应的计算式如下：
minF1＝Finv+Fope
Figure FDA0004153813970000051
Figure FDA0004153813970000052
式中：F1为***经济成本；Finv为投资成本；Fope为运行成本；F2为可再生能源消纳率；T为调度周期；NW为***中风电机组的总数量；NV为***中光电机组的总数量；
Figure FDA0004153813970000053
为t时段***对于风电机组j的计划接纳风电功率；/>
Figure FDA0004153813970000054
为t时段***对于光电机组j的计划接纳光电功率；/>
Figure FDA0004153813970000061
为风电机组j的理想功率；/>
Figure FDA0004153813970000062
为光电机组j的理想功率；F3为CO2排放量；/>
Figure FDA0004153813970000063
为综合能源***在t时刻从电网购入的电功率；/>
Figure FDA0004153813970000064
为在综合能源***t时刻从气网购入的气功率；αe为购电CO2排放系数；αgas为购气CO2排放系数。
16.根据权利要求15所述的***，其特征在于，所述求解模块中投资成本Finv的计算式如下：
Figure FDA0004153813970000065
所述运行成本Fope的计算式如下：
Figure FDA0004153813970000066
式中：γi为设备i的单位容量安装费用；Ci为设备i的安装容量；I为综合能源***中设备的总数量；α为年利率；Yi为设备i的运行寿命；T为调度周期；
Figure FDA0004153813970000067
为t时刻从电网购电的电价；JG为天然气价格；Pout,i为设备i在t时段的输出功率；βi为设备i的单位运行维护费用。
17.根据权利要求13所述的***，其特征在于，所述求解模块具体用于：
基于所述可再生能源的装机容量数据和***运行相关参数，确定基于自适应精英保留策略的遗传算法中的父代种群个体为电转气设备容量和多类型储能设备容量，种群中每个个体的适应度值为所述多目标优化配置函数值；
采用所述基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集。
18.根据权利要求17所述的***，其特征在于，所述求解模块采用基于自适应精英保留策略的遗传算法对所述多目标优化配置函数进行求解，得到优化配置解集，包括：
步骤S1：初始化种群，设置种群规模、迭代次数、基础交叉概率和基础变异概率；
步骤S2：随机生成父代种群P，所述父代种群P中的每个个体表示电转气设备容量和多类型储能设备容量，计算所述父代种群P中各个体的适应度值，所述适应度值代表所述多目标优化配置函数值；
步骤S3：通过遗传算法对所述父代种群P进行选择，基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，产生子代种群Q；
步骤S4：将所述父代种群P和所述子代种群Q进行混合，得到新的种群R，再对所述新的种群R进行快速非支配排序，得到非支配的优势种群序列；
步骤S5：基于所述适应度值采用参考点的选择策略，对所述种群R进行选择，得到种群Y作为下一次迭代的父代种群；
步骤S6：基于所述非支配的优势种群序列采用所述自适应精英保留策略筛选出所述种群R中的优势个体添加到所述种群Y中作为下一次迭代的父代种群；
步骤S7：判断是否达到所述迭代次数，若判断为是，则得到各个体对应的电转气设备容量、多类型储能设备容量和多目标优化配置函数值作为优化配置解集并结束，否则返回步骤S3。
19.根据权利要求18所述的***，其特征在于，所述求解模块基于所述个体适应度值、所述基础交叉概率和所述基础变异概率对所述父代种群P进行自适应交叉变异，包括：
基于所述个体适应度值、所述基础交叉概率和所述基础变异概率确定自适应交叉概率和自适应变异概率；
基于所述自适应交叉概率和自适应变异概率对所述父代种群P进行自适应交叉变异。
20.根据权利要求13所述的***，其特征在于，所述求解模块中自适应交叉概率的计算式如下：
Figure FDA0004153813970000071
所述自适应变异概率的计算式如下：
Figure FDA0004153813970000072
式中：pc为自适应交叉概率；k1为第一基础交叉概率；k2为第二基础交叉概率；pm为自适应变异概率；k3为第一基础变异概率；k4为第二基础变异概率；fm为当前要变异的个体适应度值；f m 为种群能够接受的最大适应度值；fc为要交叉的两个个体中较大的适应度值；fmin为种群中所有个体适应度最小值；所述第一基础交叉概率小于第二基础交叉概率；所述第一基础变异概率小于第二基础变异概率。
21.根据权利要求13所述的***，其特征在于，所述求解模块中自适应精英保留策略的计算式如下：
Figure FDA0004153813970000081
式中：Ne为精英保留个体的数量；fi为第i个种群个体的适应度值；N为种群个体的数量；fb为种群中最优个体的适应度值。
22.根据权利要求12所述的***，其特征在于，所述数据获取模块中***运行相关参数包括以下一种或多种：光电功率预测值、负荷预测值、风电功率预测值、不同时间段电价表、电转气设备参数、多类型储能设备参数、热电联产设备运行参数、燃气锅炉运行参数、吸收式制冷机运行参数、储气罐运行参数、压缩机运行参数。
23.一种计算机设备，其特征在于，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至11中任一项所述的一种综合能源***多目标优化方法。
24.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至11中任一项所述的一种综合能源***多目标优化方法。
CN202310327782.9A 2023-03-30 2023-03-30 一种综合能源***多目标优化方法、***、设备和介质 Pending CN116402210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310327782.9A CN116402210A (zh) 2023-03-30 2023-03-30 一种综合能源***多目标优化方法、***、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310327782.9A CN116402210A (zh) 2023-03-30 2023-03-30 一种综合能源***多目标优化方法、***、设备和介质

Publications (1)

Publication Number Publication Date
CN116402210A true CN116402210A (zh) 2023-07-07

Family

ID=87006864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310327782.9A Pending CN116402210A (zh) 2023-03-30 2023-03-30 一种综合能源***多目标优化方法、***、设备和介质

Country Status (1)

Country Link
CN (1) CN116402210A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663936A (zh) * 2023-07-24 2023-08-29 长江三峡集团实业发展(北京)有限公司 一种电气综合能源***扩容规划方法、装置、设备及介质
CN117217500A (zh) * 2023-11-08 2023-12-12 湘潭大学 考虑灵活性需求的电-气综合能源***源网协同规划方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663936A (zh) * 2023-07-24 2023-08-29 长江三峡集团实业发展(北京)有限公司 一种电气综合能源***扩容规划方法、装置、设备及介质
CN116663936B (zh) * 2023-07-24 2024-01-09 长江三峡集团实业发展(北京)有限公司 一种电气综合能源***扩容规划方法、装置、设备及介质
CN117217500A (zh) * 2023-11-08 2023-12-12 湘潭大学 考虑灵活性需求的电-气综合能源***源网协同规划方法

Similar Documents

Publication Publication Date Title
CN109508499B (zh) 多时段多场景分布式电源最优接入位置与容量研究方法
Zhang et al. Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs
CN107634518B (zh) 一种“源-网-荷”相协调的主动配电网经济调度方法
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源***优化方法和***
CN116402210A (zh) 一种综合能源***多目标优化方法、***、设备和介质
JP7153289B1 (ja) クラスタ学習に基づく低炭素ｃｓｐシステム協調的最適化方法及び装置
CN107681655B (zh) 一种潮汐流能发电场协调规划方法
CN110994606B (zh) 一种基于复杂适应***理论的多能源电源容量配置方法
CN114595868A (zh) 一种综合能源***源网荷储协同规划方法及***
CN112491043A (zh) 一种新能源富集电网电源规划方法及***
CN114400698B (zh) 一种高比例清洁能源电网电源最优降碳运行方法
CN104299173A (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN113850474A (zh) 一种热电氢多能流综合能源***及其优化调度方法
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和***
CN106451424B (zh) 含大规模光伏发电并网的输电网随机规划方法
CN113363976B (zh) 一种基于场景图的风光水互补发电***中期优化调度方法
CN114118787A (zh) 一种基于lstm算法的城市分布式源网荷储的调度优化方法
CN112883630A (zh) 用于风电消纳的多微网***日前优化经济调度方法
CN110992206B (zh) 一种多源电场的优化调度方法及***
CN110991927A (zh) 提高区域电网不同地区间歇性电源互补效果的电源规划方法
Zhao et al. Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System
CN110414185B (zh) 一种用于多可再生能源发电***的储能设备容量优化方法
Heo et al. Energy resource capacity optimization for zero-energy housing complex
CN118052418B (zh) 基于模糊规划的综合能源需求响应调度方法及装置
CN114139830B (zh) 一种智慧能源站的优化调度方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication