CN105870976A - 一种基于能源环境效率的低碳调度方法和装置 - Google Patents

Abstract

本发明公开了一种基于能源环境效率的低碳调度方法，该方法包括：建立基于能源环境效率的低碳调度模型，其控制变量包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率；采用预定算法对基于能源环境效率的低碳调度模型进行求解，得到火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率的最优解，并将该最优解作为低碳调度方案。本发明还公开了相应的基于能源环境效率的低碳调度装置。

Description

一种基于能源环境效率的低碳调度方法和装置

技术领域

本发明涉及电力系统调度技术，特别涉及一种基于能源环境效率的低碳调度方法和装置。

背景技术

目前，我国处于经济发展新常态时期，供给侧产能过剩成为制约我国经济进一步发展的重要因素。钢铁、铝冶炼等高耗能产业一方面制造大量的污染气体排放，另一方面产能严重过剩，在耗费大量能源的同时并不利于经济突破新常态的发展，这样的经济发展方式的能源环境效率并不高。智能园区作为未来能源利用的一种形态，其内部经济发展与能源利用的经济环保水平之间的关系对于促进整个大区内的节能环保至关重要。

发明内容

为此，本发明提供一种新的基于能源环境效率的低碳调度方法和装置，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种基于能源环境效率的低碳调度方法，该方法包括：建立基于能源环境效率的低碳调度模型，其控制变量包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率，其目标函数包括：F₁＝min[C_TH+C_FC+C_PV+C_WT+C_ES]，其中F₁表示调度区域内机组组合的运行总成本目标值，C_TH表示调度区域内火电机组的成本函数，包含火电的运行成本和启停成本，C_FC表示调度区域内燃料电池机组的成本函数，包含燃料电池机组的运行成本和启停成本，C_PV表示调度区域内光伏发电机组的成本函数，包含光伏发电的运行成和启停成本，C_WT表示调度区域内风电机组的成本函数，包含风电的运行成本和启停成本，C_ES表示调度区域内储能设备的成本函数，F₂＝min[E_TH+E_FC+E_ES]，其中F₂表示调度区域内机组组合的运行总排放目标值，E_TH表示调度区域内火电机组的排放函数，E_FC表示调度区域内燃料电池机组的排放函数，E_ES表示调度区域内储能设备的排放函数；采用预定算法对基于能源环境效率的低碳调度模型进行求解，得到火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率的最优解，并将该最优解作为低碳调度方案。

可选地，在根据本发明的基于能源环境效率的低碳调度方法中，低碳调度模型的约束条件包括如下的一个或多个：区域容量约束、输电阻塞约束、区域电力负荷平衡约束和区域的能源环境效率约束。

可选地，在根据本发明的基于能源环境效率的低碳调度方法中，采用预定算法对基于能源环境效率的低碳调度模型进行求解的步骤包括：通过基于蜜蜂交配和混沌搜索的综合优化算法求解基于能源环境效率的低碳调度模型，得到多组机组运行总成本与机组气体的排放总量的解，通过基于ε约束的多目标优化函数自适应模糊处理算法计算多组解的线性隶属度，选取线性隶属度最高的解对应的火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率作最优低碳调度方案。

可选地，在根据本发明的基于能源环境效率的低碳调度方法中，调度区域内火电机组的排放函数E_TH为：E_TH＝∑_t∈T∑_j∈ET∑_g∈THP(g，t)*E_j(g,t)，其中，T表示进行调度的时间范围，ET表示机组排放气体的类型，指二氧化碳，二氧化硫和氮氧化物三类，TH表示调度区域内常规火电机组集合，P(g，t)表示调度区域内常规火电机组f在时刻t的出力功率，E_j(g，t)表示常规火电机组g在时刻t的单位排放。

可选地，在根据本发明的基于能源环境效率的低碳调度方法中，调度区域内燃料电池机组的排放函数E_FC为：E_FC＝∑_t∈T∑_j∈ET∑_f∈FCP(f，t)*E_j(f，t)，其中，FC表示调度区域内燃料电池机组集合，P(f，t)表示调度区域内燃料电池机组f在时刻t的出力功率，E_j(f，t)表示燃料电池机组g在时刻t的单位排放。

可选地，在根据本发明的基于能源环境效率的低碳调度方法中，调度区域内储能设备的排放函数E_ES为：E_ES＝∑_t∈T∑_j∈ET∑_e∈ESP(e，t)*E_j(e，t)，其中，ES表示调度区域内储能设备集合，P(e，t)表示调度区域内储能设备e在时刻t的出力功率，E_j(e,t)表示储能设备e在时刻t的单位排放。

根据本发明的一个方面，提供一种基于能源环境效率的低碳调度装置，该装置包括：低碳调度模型建立单元，适于建立基于能源效率的低碳调度模型，其控制变量包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率，其目标函数包括：F₁＝min[C_TH+C_FC+C_PV+C_WT+C_ES]，其中F₁表示调度区域内机组组合的运行总成本目标值，C_TH表示调度区域内火电机组的成本函数，包含火电的运行成本和启停成本，C_FC表示调度区域内燃料电池机组的成本函数，包含燃料电池机组的运行成本和启停成本，C_PV表示调度区域内光伏发电机组的成本函数，包含光伏发电的运行成和启停成本，C_WT表示调度区域内风电机组的成本函数，包含风电的运行成本和启停成本，C_ES表示调度区域内储能设备的成本函数，F₂＝min[E_TH+E_FC+E_ES]，其中F₂表示调度区域内机组组合的运行总排放目标值，E_TH表示调度区域内火电机组的排放函数，E_FC表示调度区域内燃料电池机组的排放函数，E_ES表示调度区域内储能设备的排放函数；模型求解单元，适于采用预定算法对基于能源环境效率的低碳调度模型进行求解，得到火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率的最优解，并将该最优解作为低碳调度方案。

可选地，在根据本发明的基于能源环境效率的低碳调度装置中，低碳调度模型的约束条件包括如下的一个或多个：区域容量约束、输电阻塞约束、区域电力负荷平衡约束和区域的能源环境效率约束。

可选地，在根据本发明的基于能源环境效率的低碳调度装置中，模型求解单元还适于：通过基于蜜蜂交配和混沌搜索的综合优化算法求解基于能源环境效率的低碳调度模型，得到多组机组运行总成本与机组气体排放总量的解，通过基于ε约束的多目标优化函数自适应模糊处理算法计算多组解的线性隶属度，选取线性隶属度最高的解对应的火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率作最优低碳调度方案。

可选地，在根据本发明的基于能源环境效率的低碳调度装置中，调度区域内火电机组的排放函数E_TH、调度区域内燃料电池机组的排放函数E_FC和调度区域内储能设备的排放函数E_ES分别为：E_TH＝∑_t∈T∑_j∈ET∑_g∈THP(g，t)*E_j(g，t)，E_FC＝∑_t∈T∑_j∈ET∑_f∈FCP(f，t)*E_j(f，t)，E_ES＝∑_t∈T∑_j∈ET∑_e∈ESP(e，t)*E_j(e，t)，其中，T表示进行调度的时间范围，ET表示机组排放气体的类型，指二氧化碳，二氧化硫和氮氧化物三类，TH表示调度区域内常规火电机组集合，FC表示调度区域内燃料电池机组集合，ES表示调度区域内储能设备集合，P(g，t)表示调度区域内常规火电机组f在时刻t的出力功率，P(f，t)表示调度区域内燃料电池机组f在时刻t的出力功率，P(e，t)表示调度区域内储能设备e在时刻t的出力功率，E_j(g,t)表示常规火电机组g在时刻t的单位排放，E_j(f，t)表示燃料电池机组g在时刻t的单位排放，E_j(e，t)表示储能设备e在时刻t的单位排放。

根据本发明的技术方案，建立基于能源环境效率的低碳调度模型能够提高各个机组出力的经济性和环保效益。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个示例性实施例的基于能源环境效率的低碳调度方法的流程图；

图2示出了根据本发明一个示例型实施例的基于蜜蜂交配和混沌搜索的综合优化算法的流程图；

图3示出了根据本发明一个示例型实施例的基于能源环境效率的低碳调度装置的结构图；

图4示出了根据本发明一个示例型实施例的区域内机组运行总成本与气体排放总量关系的示意图；以及

图5示出了根据本发明一个示例型实施例的多组解对应的线性隶属度的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

智能园区(同调度区域)内多源协调低碳调度旨在实现园区内部多种类型能源的协调互补，提高能源环境效率并最大限度降低区域内的节能减排压力。能源环境效率的概念是在经济调度和节能调度的框架下引入的。能源环境效率是对经济发展与能源利用两者之间关系的一个评价方法，主要包括热力学指标、经济热量指标、排放指标等物理热量指标以及能源强度、能源系数、能源弹性等经济学指标，用来衡量经济发展的能耗和经济水平，例如，如果区域内的经济发展支柱主要是高耗能、高排放的产业，则其能源环境效率水平较低。

相比于物理热量指标，经济性指标在能源环境效率中的作用更重要，其更能够反映出能源利用与经济水平之间的关系。区域内的能源环境效率主要取决于以下几个方面：1)区域内的装机构成，如果区域内的可再生能源装机容量占比较大、火电占比较小，则其环保水平相应较高，区域内能源强度和能源弹性较低；2)区域内工业的能耗构成，如果区域内高耗能工业(耗煤、耗油工业等)较多，则其能耗水平较高，区域内能源强度和能源弹性较高；3)区域内的可再生能源利用水平，如果区域内弃风、弃光、弃水问题较严重，则区域内的能源环境效率水平便处于较差水平。

能源环境效率的引入与电力系统经济调度和节能调度密切相关，旨在提高风能等可再生能源的利用水平，促进区域内火电、水电、风电、太阳能光伏等各类能源的协调出力利用。能源环境效率的基本要素主要包含各类电源机组的出力预测和各类发电机组的经济调度和低碳调度组合等方面。

本发明旨在研究智能园区框架下基于能源环境效率的电力系统低碳调度模型，提出区域框架下的低碳、经济调度方法。

建立智能园区框架下基于能源环境效率的低碳调度模型。提出以同时最小化总运营成本和减少因发电机组排放的智能园区电网优化调度目标基本框架。其次，运用混合整数线性规划和多目标优化的思想构建目标函数，并考虑区域容量约束、输电阻塞约束、区域电力负荷平衡约束等约束条件。最后，采用模糊决策变量的处理方法，构建智能园区框架下基于能源环境效率的电力系统低碳调度模型。

采用基于蜜蜂交配和混沌搜索的综合优化算法，并加入基于ε约束的多目标优化函数自适应模糊处理算法对基于能源环境效率的低碳调度模型求解。具体过程如下。

图1示出了根据本发明一个示例性实施例的基于环境效率的低碳调度方法100的示意图。参照图1，该调度方法始于步骤S102，在步骤S102中，建立基于能源环境效率的低碳调度模型。低碳调度模型的建立过程具体如下：

首先，确定基于能源环境效率的低碳调度模型的控制变量，包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率。

然后，以各机组同时总运营成本最小和排放强度最低作为目标，构建基于能源环境效率的低碳调度模型的目标函数(Multi-objective Functions)，表达式如下：

$Multi-objectiveFumctions=\left\{\begin{array}{c}{F}_1=\min \left(\cos t\right)\\ F_2=\min \left(emission\right)\end{array}\right.---\left(1\right)$

其中，F₁表示智能园区内机组组合的运行总成本目标值，cost表示智能园区内机组组合的运行总成本函数，用以表征机组运行经济性，反映区域内能源强度；F₂表示智能园区内机组组合的运行总排放目标值，emission表示智能园区内机组组合的运行总排放函数，用以表征机组运行的排放强度，反映区域内环保水平。F₁与F₂的计算公式分别如式(2)和式(3)所示：

F₁＝min[C_TH+C_FC+C_PV+C_WT+C_ES] (2)

其中，C_TH表示火电机组的成本函数，包含火电的运行成本和启停成本；C_FC表示燃料电池机组的成本函数，包含燃料电池机组的运行成本和启停成本；C_PV表示光伏发电机组的成本函数，包含光伏发电的运行成和启停成本；C_WT表示风电机组的成本函数，包含风电的运行成本和启停成本；C_ES表示储能设备的成本函数。

F₂＝min[E_TH+E_FC+E_ES] (3)

其中，E_TH表示火电机组的排放函数；E_FC表示燃料电池机组的排放函数；E_ES表示储能设备的排放函数。此处所考虑的智能园区中的机组气体排放主要是指各类机组运行中所造成的气体排放，包含二氧化碳、二氧化硫和氮氧化物等污染气体的排放，具体计算公式下面会进行详细表述。

公式(2)表示智能园区中所有机组运行的成本函数，包含常规火电机组、燃料电池机组、光伏发电机组、风力发电机组以及储能设备。其中，火电机组和燃料机组考虑其运行成本和启停成本，光伏、风电及储能机组的启停成本忽略不计，则有：

$C_{TH}={\mathrm{\Σ}}_{g\∈TH}^{t\∈T}\begin{array}{c}\{P(g,t)*C(g,t)+{\mathrm{SUC}}_g*\mathrm{\δ}(g,t)*\[1-\mathrm{\δ}(g,t-1)\]\\ +{\mathrm{SDC}}_g*\mathrm{\δ}(g,t-1)*\[1-\mathrm{\δ}(g,t)\]\}\end{array}---\left(4\right)$

其中，TH为智能园区内常规火电机组集合，T为进行调度的时间范围(例如为24小时)，P(g，t)表示智能园区内常规火电机组g在t时刻(例如，t＝1，表示0小时到1小时时间段，t＝5，表示4小时到5小时时间段，以下所有的t的解释与此相同，不一一进行解释)的出力功率；C(g，t)表示机组g在t时刻的单位运行成本；SUC_g表示机组g的启动成本；SDC_g表示机组g的关停成本。此处，引入二进制变量δ表示机组的运行状态，δ(g，t)＝1表示机组g在t时刻处于运行状态，δ(g，t)＝0则表示机组g在t时刻处于关停状态，δ(g，t-1)对应表示机组g在t-1时刻机组所处的状态。

$C_{FC}={\Σ}_{f\∈FC}^{t\∈T}\begin{array}{c}\{P(f,t)*C(f,t)+{\mathrm{SUC}}_f*\mathrm{\δ}(f,t)*\[1-\mathrm{\δ}(f,t-1)\]\\ +{\mathrm{SDC}}_f*\mathrm{\δ}(f,t-1)*\[1-\mathrm{\δ}(f,t)\]\}\end{array}---\left(5\right)$

其中，FC为智能园区内燃料电池机组集合，T为进行调度的时间范围，P(f，t)表示智能园区内燃料电池机组f在时刻t的出力功率；C(f，t)表示机组f在t时刻的单位运行成本；SUC_f表示机组f的启动成本；SDC_f表示机组f的关停成本。此处，δ(f，t)＝1表示机组f在t时刻处于运行状态，δ(f，t)＝0则表示机组f在t时刻处于关停状态，δ(f，t-1)对应表示机组f在t-1时刻机组所处的状态。

$C_{PV}={\mathrm{\Σ}}_{s\∈PV}^{t\∈T}P(s,t)*C(s,t)---\left(6\right)$

其中，PV为智能园区内光伏发电机组集合，T为进行调度的时间范围，P(s，t)表示智能园区内光伏发电机组s在时刻t的出力功率，C(s，t)表示机组s在t时刻的单位运行成本，光伏发电机组的启动、关停成本忽略不计。

$C_{WT}={\mathrm{\Σ}}_{w\∈WT}^{t\∈T}P(w,t)*C(w,t)---\left(7\right)$

其中，WT为智能园区内风电机组集合，T为进行调度的时间范围，P(w，t)表示智能园区内风电机组w在时刻t的出力功率，C(w，t)表示机组w在t时刻的单位运行成本，风电机组的启动和关停成本忽略不计。

$C_{ES}={\mathrm{\Σ}}_{e\∈ES}^{t\∈T}\{P_C(e,t)*{\mathrm{SCC}}_e*\mathrm{\γ}(e,t)+P_D(e,t)*{\mathrm{SDC}}_e*\[1-\mathrm{\γ}(e,t)\]\}---\left(8\right)$

其中，ES为智能园区内储能设备集合，T为进行调度的时间范围，P_C(e，t)表示智能园区内储能设备e在t时刻的充电运行功率，SCC_e表示其充电运行成本，P_D(e，t)表示智能园区内储能设备e在t时刻的放电出力运行功率，SDC_e表示其放电出力的运行成本。此处，引入二进制变量γ用以表征储能设备的运行状态，γ(e，t)＝1表示储能设备e在t时刻处于充电运行状态，δ(e，t)＝0则表示储能设备e在t时刻处于放电出力运行状态。

式(3)表示智能园区中各类机组的排放函数，主要包括火电机组、燃料电池以及储能设备。

式(3)中，火电机组的排放函数如式(9)所示：

E_TH＝∑_t∈T∑_j∈ET∑_g∈THP(g，t)*E_j(g，t) (9)

其中，ET表示机组排放气体的类型，指二氧化碳，二氧化硫和氮氧化物三类，E_j(g，t)表示常规火电机组g在t时刻的单位排放。

式(3)中，燃料电池的排放函数如式(10)所示：

E_FC＝∑_t∈T∑_j∈ET∑_f∈FCP(f，t)*E_j(f，t) (10)

其中，E_j(f，t)表示燃料电池机组g在t时刻的单位排放。

式(3)中，储能设备的排放函数如式(11)所示：

E_ES＝∑_t∈T∑_j∈ET∑_e∈ESP(e，t)*E_j(e，t) (11)

其中，E_j(e,t)表示储能设备e在t时刻的单位排放。

最后，从智能园区内整个电力系统的运营安全、稳定要求出发，设定基于能源环境效率的低碳调度模型的约束条件，具体可以包括：

(a)区域容量约束：在低碳调度模型中，智能园区内各类机组的出力范围应限定在其额定最大出力范围内，即：

P_min(g，t)≤P(g，t)≤P_max(g，t) (12)

P_min(f，t)≤P(f，t)≤P_max(f，t) (13)

P_min(s，t)≤P(s，t)≤P_max(s，t) (14)

P_min(w，t)≤P(w，t)≤P_max(w，t) (15)

P_min(e，t)≤P(e，t)≤P_max(e，t) (16)

其中，P_min(g，t)和P_max(g，t)为智能园区内常规火电机组的额定最小和最大出力，P_min(f，t)和P_max(f，t)为智能园区内燃料电池机组的额定最小、最大出力，P_min(s，t)和P_max(s，t)为智能园区内光伏发电机组的额定最小、最大出力，P_min(w，t)和P_max(w，t)为智能园区内风力发电机组的额定最小、最大出力，P_min(e，t)和P_max(e，t)为智能园区内储能设备的额定最小、最大出力。

(b)输电阻塞约束：智能园区内各类机组的总出力水平不能超过区域内输电线路的最大承载能力，即：

$\begin{array}{c}P(g,t)*{\mathrm{\μ}}_g+P(f,t)*{\mathrm{\μ}}_f+P(s,t)*{\mathrm{\μ}}_s+P(w,t)*{\mathrm{\μ}}_w+P(e,t)*{\mathrm{\μ}}_e\≤\\ C_{\max }^{\mathrm{li}ne}\end{array}---\left(17\right)$

其中，表示智能园区内输电线路的最大承载能力，由线路中的变电站容量等级确定。此处，引入二进制变量μ，表示该线路中包含的机组类型，μ＝1表示该机组接入该输电线路，μ＝0则表示该机组并未接入该输电线路。

(c)区域电力负荷平衡约束：智能园区内各类机组的总出力水平应与需求侧的负荷需求保持平衡，以维持系统运行的稳定性，即：

∑_g∈THP(g，t)+∑_f∈FCP(f，t)+∑_s∈PVP(s，t)+∑_w∈WTP(w，t)+∑_e∈ESP(e，t)＝load(t) (18)

其中，load(t)表示智能园区内需求侧的总负荷水平。

(d)区域能源环境效率约束：以单位GDP能耗和气体排放量两个指标以形成智能园区内各类能源利用的能源环境效率约束。

单位GDP能耗约束如下：

EC_p＝M_tce/GDP≤EC_pmax (19)

其中，EC_p表示智能园区内的单位GDP能耗，M_tce表示智能园区内所耗一次能源总量折标煤的质量，GDP表示智能园区内的生产总值，EC_pmax表示智能园区内的单位GDP能耗额定值。

需要特别说明的是，模型中考虑的智能园区内的机组类型为常规火电机组、燃料电池机组、光伏发电机组、风电机组以及储能设备，耗费一次能源的只有常规火电机组，所以所研究的智能园区内的一次能源消费总量即为火力发电机组耗标煤总量，若所应用的智能园区中含有燃气发电、燃油发电等机组类型时，式(2)及(3)应增加对应变量表述。

智能园区的环境约束为气体排放量约束，即：

E_TH+E_FC+E_ES≤E_max (20)

为简化计算，该式对各类机组的气体排放做了加总的简化处理。其中，E_max表示智能园区中各类机组的气体总排放量额定值，表示智能园区中各类机组的气体排放总量应小于E_max。

在建立完基于能源环境效率的低碳调度模型后，调度方法进入步骤S104，通过预定算算求解基于能源环境效率的低碳调度模型，例如，预定算法可以为基于蜜蜂交配和混沌搜索的综合优化算法等，得到多组机组运行总成本与机组气体排放总量的解。本发明所要解决的基于能源环境效率的低碳调度属于多目标组合优化问题，求解该类优化问题不是得到单个目标最优的最优解，而是在两个乃至多个目标之间寻求一个满足决策者不同需求的非劣最优解集，使得决策者能够根据特定情景下的需求进行权衡。因此，求解基于能源环境效率的低碳调度模型的算法可以有多种，不限于基于蜜蜂交配和混沌搜索的综合优化算法。不过应当理解，本发明实施例对具体的算法不做限制，本领域技术人员可以根据需要合理选择。

以下以基于蜜蜂交配和混沌搜索的综合优化算法为例进行说明。

人工蜂群算法是一种模拟自然界蜂群交配、采蜜行为的群优化智能算法。通过模拟蜂群的交配飞行，将其视为一系列状态间的改变过程，在此过程中，蜂王以一定的速度在不同状态间转变，并以一定的概率在每一状态下与雄蜂进行交配，交配成功则雄峰的精子储存在蜂王受精囊中。在交配飞行中，蜂王不断调整状态的过程中，其速度逐渐衰退。当蜂王的速度衰减到一定的阈值范围时，蜂王停止交配飞行。在每一状态下，雄峰都以一定的概率与蜂王进行交配。交配完成后，雄蜂的精子到达蜂王的受精囊中，并在此积聚起来形成蜂群的基因池。蜂王产下卵后，会随机地更新积聚在受精囊中的基因，然后再接着产卵。基于此，本发明提出了基于蜜蜂交配过程的蜜蜂交配优化算法，具有初始参数少、步骤简单等优点。

该寻优步骤包括：

(1)蜂群初始化：确定初代蜂群的个体组合 其中，Q为蜂王(卵子)，为初代蜂王的第n个基因，D_m为初代第m雄峰(精子)，为初代中雄峰的第n个基因，N为蜜蜂个体中的基因数量。该蜂群个体基因组合即为一个初始解形式。

(2)交配飞行：分别计算蜂王和雄峰的适应度f(Q)、f(D)，从而得到雄峰一次将精子成功注入蜂王精囊的概率Δ(f)。在此基础上选择比较优秀的雄峰个体与蜂王进行交配，雄峰选择标准必须满足如下公式：

$\mathrm{Pr}ob(Q,D)=\exp \left(\frac{-\mathrm{\Δ}\left(f\right)}{V\left(t\right)}\right)>r---\left(21\right)$

Δ(f)＝|f(Q)-f(D)| (22)

其中，Δ(f)是雄峰一次将精子成功注入蜂王受精囊的概率，即蜂王和雄峰适应度(f(Q)，f(D))的绝对差；r为在(0，1)范围中选定的一个数值作为选择雄峰D的阈值；V(t)为蜂王的飞行速度，蜂王在交配飞行过程中的飞行速度会逐渐衰减，当蜂王的速度衰减到一定的阈值范围内时便停止交配飞行。速度衰减满足如下的衰退方程：

V(t+1)＝α×V(t) (23)

其中，α∈[0,1]。

(3)交叉运算：交叉运算是雄峰与蜂王交配之后形成后代的过程，满足如下公式：

$X_m^j=Q^i+Ratio\×(Q^i-D_m^i)---\left(24\right)$

其中，为子代蜂群的第m个体，为亲代雄峰第m个体，Qⁱ为亲代蜂王，Ratio为待选定的参数。式(24)中的加减并非数学中的加减运算，代表基因的交叉。

在这里为解决蜜蜂交配优化的易出现局部最优的局限性，对交叉运算进行改进。随机选取三个亲代雄峰个体，分别为 通过下式计算找出两个改进的雄峰亲代个体，进而得到改进的子代个体：

$D_{improved1}^i=D_1^i+Ratio\×(D_2^i-D_3^i)=\[a_{im11}^i,a_{im12}^i...a_{im1n}^i\]---\left(25\right)$

$X_1^j=\[a_{11}^j,a_{12}^j...a_{1n}^j\]---\left(26\right)$

$D_{improved2}^i=Q+Ratio\×(D_2^i-D_3^i)=\[a_{im21}^i,a_{im22}^i...a_{im2n}^i\]---\left(28\right)$

$X_2^j=\[a_{21}^j,a_{22}^j...a_{2n}^j\]---\left(29\right)$

其中，γ₁、γ₂、γ₃为[0，1]之间的随机数。改进后的子代以及由公式(24)计算得到的子代组成一个新的子代。

混沌搜索算法是一种非导数优化算法，考虑了目标函数的不连续性和非线性因素。另外，由于采用混沌变量进行搜索，搜索过程具有混沌特性，有助于使搜索过程跳出局部极小点，并且具有计算量小、求解速度块。本发明将混沌搜索算法与蜜蜂交配优化算法相结合，对交配飞行环节的搜索性能进行了改进。

首先，引入Logistic方程生成混沌搜索变量，公式如下：

CXⁱ⁺¹＝λCXⁱ(1-CXⁱ)，CXⁱ∈[0，1]，i＝0，1，2…N_c (31)

其中，λ为控制参数，Logistic方程生成混沌序列 N为混沌变量个数；N_c为混沌搜索迭代次数。

对混沌序列进行迭代变换，其中，初始混沌变量为[0，1]之间且不等于0.25、0.5、0.75的随机数，迭代变换公式如下：

${\mathrm{cx}}_n^{i+1}=\left\{\begin{array}{cc}2{\mathrm{cx}}_n^i,& 0<{\mathrm{cx}}_n^i<0.5\\ 2(1-{\mathrm{cx}}_n^i),& 0.5<{\mathrm{cx}}_n^i<1\end{array}\right.---\left(32\right)$

${\mathrm{cx}}_n^0=rand(~)\&Element;\{0.25,0.5,0.75\}---\left(33\right)$

将蜜蜂交配优化算法的初代蜂群(为初代蜂群中第m个体)利用混沌搜索的方法进行迭代，即迭代公式如下：

构建初始混沌搜索变量

${\mathrm{CX}}^0=\&lsqb;{\mathrm{cx}}_1^0,{\mathrm{cx}}_2^0...{\mathrm{cx}}_n^0\&rsqb;---\left(34\right)$

${\mathrm{cx}}_n^0=\frac{a_{cn}^0-a_{cn}^{\min }}{a_{cn}^{\max }-a_{cn}^{\min }},n=1,2,\mathrm{...}N---\left(35\right)$

${\mathrm{CX}}^i=\&lsqb;{\mathrm{cx}}_1^i,{\mathrm{cx}}_2^i...{\mathrm{cx}}_n^i\&rsqb;,i=1,2,...N_c---\left(36\right)$

${\mathrm{cx}}_n^i={\mathrm{cx}}_n^{i-1}\&times;(a_{cn}^{\max }-a_{cn}^{\min })+a_{cn}^{\min },n=1,2,...N---\left(37\right)$

其中,分别为蜂群个体状态变量(基因)的最小值和最大值。利用上述算法对优化问题进行反复迭代计算，直到最终得到Pareto解。综合优化算法计算流程可参考图2。

得到多组机组运行总成本与机组气体排放总量的解后，在步骤S106中，通过预定算法例如基于ε约束的多目标优化函数自适应模糊处理算法计算所述多组解的线性隶属度，选取线性隶属度最高的解对应的火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率作最优低碳调度方案。应当理解，求解线性隶属度的算法有多种，本发明实施例对具体的算法不做限制，本领域技术人员可以根据需要合理选择。

在通过基于ε约束的多目标优化函数自适应模糊处理算法求解过程中，建立一个多目标优化问题公式，如下式：

MinF(x)＝(F₁(x)，…F_n(x))^T，x∈X (38)

其中，n表示该多目标优化中包含的优化函数总数，x则表示该多目标优化中的n维决策变量，X表示决策变量的空间集合。

引入ε约束为求解多目标优化问题的一个常用方法，即在目标函数所包含的各个优化函数中选取一个作为主优化函数，其他函数则被作为约束，如下所示：

且

在运用ε约束法求解多目标约束问题时，需要做以下两种处理：

(1)多目标优化函数的有效集并不能进行优化，因此，本发明采用分层优化的方法进行处理。

(2)算法计算产生的结果可能并不是多目标优化问题的最优解，因此，可适当缩紧对非主函数的优化函数的约束，进行多次求解，对比产生优化解集。

通过引入ε约束对多目标优化函数进行处理之后，本发明引入模糊处理的方法对模型选出的解集进行选择，以求出模型的最优解。此时，对模型中每一个需要求最小解的优化函数引入线性的隶属约束，即：

${\mathrm{\&chi;}}_i^r=\left\{\begin{array}{cc}1,& F_i^r\&le;F_i^{\min }\\ \frac{F_i^{\max }-F_i^r}{F_i^{\max }-F_i^{\min }},& F_i^{\min }\&le;F_i^r\&le;F_i^{\max }\\ 0,& F_i^r\&GreaterEqual;F_i^{\max }\end{array}\right.---\left(40\right)$

同时，对多目标优化函数中需要进行最大优化的函数进行如下线性隶属约束处理：

${\mathrm{\&chi;}}_i^r=\left\{\begin{array}{cc}1,& F_i^r\&le;F_i^{\min }\\ \frac{F_i^r-F_i^{\min }}{F_i^{\max }-F_i^{\min }},& F_i^{\min }\&le;F_i^r\&le;F_i^{\max }\\ 0,& F_i^r\&GreaterEqual;F_i^{\max }\end{array}\right.---\left(41\right)$

其中，和表示优化函数F_i所能够取得的额定范围，即所求变量的额定最大值和额定最小值，表示优化函数F_i在第r次优化中所算得的优化值，表示优化函数F_i在第r次优化对应的线性隶属度的值。其中，线性隶属度的值用以表征优化函数F_i在第r次优化中所算得优化值的准确性。对优化函数在所有优化函数第r次计算中所算得优化解集的准确性进行处理，得出多目标优化函数通过计算得出解集的总的线性隶属度以表征该解集在第r次计算所得的准确性，即：

其中，χ^r表示所有优化函数在第r次计算的线性隶属度，χ^r的值越大，则此次计算所得解越接近最优解，线性隶属度最大的计算解选为多目标优化的最优解。表示优化函数F_i在所有优化函数集中的重要程度变量，且有而值的大小是由优化函数F_i所测算变量对智能园区电力系统中经济、环境因素的影响决定的，若该变量对区域内能源环境的有利影响越大，的值越大，反之，若该变量对区域内能源环境的不利影响越大，的值则越小。

如3示出了根据本发明一个实施例的基于能源环境效率的低碳调度装置的结构图。参考图3，该装置包括：低碳调度模型建立单元310和模型求解单元。

低碳调度模型建立单元310适于建立基于能源效率的低碳调度模型，其控制变量包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率，其目标函数包括：F₁＝min[C_TH+C_FC+C_PV+C_WT+C_ES]，其中F₁表示智能园区内机组组合的运行总成本目标值，用以表征机组运行经济性，反映区域内能源强度，C_TH表示调度区域内火电机组的成本函数，包含火电的运行成本和启停成本，C_FC表示调度区域内燃料电池机组的成本函数，包含燃料电池机组的运行成本和启停成本，C_PV表示调度区域内光伏发电机组的成本函数，包含光伏发电的运行成和启停成本，C_WT表示调度区域内风电机组的成本函数，包含风电的运行成本和启停成本，C_ES表示调度区域内储能设备的成本函数，F₂＝min[E_TH+E_FC+E_ES]，其中，F₂表示智能园区内机组组合的运行总排放目标值，用以表征机组运行的排放强度，反映区域内环保水平，E_TH表示调度区域内火电机组的排放函数，E_FC表示调度区域内燃料电池机组的排放函数，E_ES表示调度区域内储能设备的排放函数。所述模型的约束条件包括如下的一个或多个：区域容量约束、输电阻塞约束、区域电力负荷平衡约束和区域的能源环境效率约束。机组气体的排放包括二氧化碳、二氧化硫和氮氧化物。

低碳调度模型建立单元310的执行逻辑与步骤S102相同，具体可参见步骤S102的描述，这里不做赘述。

模型求解单元320适于采用预定算法对基于能源环境效率的低碳调度模型进行求解，得到火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率的最优解，并将该最优解作为低碳调度方案。例如，通过基于蜜蜂交配和混沌搜索的综合优化算法求解基于能源环境效率的低碳调度模型，得到多组机组运行总成本与机组气体排放总量的解，通过基于ε约束的多目标优化函数自适应模糊处理算法计算所述多组解的线性隶属度，选取线性隶属度最高的解对应的火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率作最优低碳调度方案。

模型求解单元320执行的逻辑与步骤S104、S106相同，具体可参见步骤S104、S106的描述，这里不做赘述。

以下给出本发明的一个实施例。

该实施例采用的智能园区电力系统包括2个常规火电机组、1个燃料电池机组、2个光伏发电机组、1个风力发电机组及1组储能设备。系统内所有机组都是在一个统一的功率因数下运行，且不考虑各个机组吸收或产生的无功功率。系统内所有机组都连接到同一个公用电网，电网内的实时调度由智能园区内部的调度中心统一负责。通过模型测算，得出系统在最少能源消费和最少排放下的调度策略，该调度策略为智能园区电力系统以每小时为基准的24小时调度方案。此外，系统排放包含二氧化碳、二氧化硫及氮氧化物三类。

实施例所需要的智能园区电力系统基本参数如表1所示，包括各个机组的额定出力约束、各类机组的运行成本水平、启停成本水平、二氧化碳等气体的排放参数等。此外，系统中储能设备的容量为1MWh，且为简化计算，其充放电功率均假设为1。

表1智能园区基本参数

系统中风电、光伏发电某一天的出力预测值，负荷预测值及对应的阶梯电价如表2所示，其中系统所处区域的电价采用阶梯电价的形式，当区域内各机组出力不能满足区域内负荷水平时，可向区域外公用电网购电以满足需求，当区域内各机组出力水平高于区域内负荷水平时，可向区域外公用电网售电。

表2智能园区风电、光伏发电、负荷水平及电价

设定系统单位GDP能耗约束为6.392吨标准煤/万欧元，也就是说，园区内每产生一万欧元的国民生产总值，其内部常规火电机组所消耗的标准煤总量不应超过6.392吨。数据显示，该园区年GDP总量约为1496万欧元，折合为每天为4.1万欧元左右，即园区内日耗标煤总量应不超过26.2吨，日气体排放总量不应超过70吨。需要注意的是，园区内除了常规火电机组，其工业、商业也消耗一定的燃煤，此处按比例0.41计算，即园区内火电日耗标煤总量约为10.8吨，日气体排放总量约束约为24.8吨。

采用基于蜜蜂交配和混沌搜索的综合优化算法对模型进行求解，经测算共得出20组对应解，园区内机组运行总成本与气体排放总量之间的关系如图4所示。可以看出，系统运行成本和总排放之间呈一定的反比关系，随着系统运行总排放的减少，其所需的运行成本则越高。其中，园区电力系统总排放量最大为28.3吨，此时系统总运行成本约为7250欧元，园区电力系统总排放量最低为4.1吨，此时系统总运行成本约为7.5万欧元，远远超过了该区域内的国民生产总值。

为求出系统在能源环境约束下的最优调度方案，需要通过基于ε约束的多目标优化函数自适应模糊处理，计算出每个解的线性隶属度，并对其进行排序筛选。此处，首先根据区域运行要求对运行成本优化函数和总气体排放优化函数的重要程度变量进行赋值，此处，认定系统的运行成本优化函数与总气体排放优化函数具备等同的重要性，其重要程度变量的值均取1。据此，得出20个优化解对应的线性隶属度，如图5所示。

参考图5，在优化算出的20个方案中，线性隶属度最高的为方案4，其线性隶属度为0.9383，最低的为方案20，其线性隶属度为0.0002。因此，方案4为系统内的区域最优调度方案，此时系统的总排放为18.8吨，总运行成本为1.1万欧元，各类机组的出力功率如表3所示。

表3基于能源环境效率的区域最优调度策略

对比风电和光伏发电出力预测值，可以看出，在考虑能源环境效率的区域调度策略下，园区电力系统内风电、光伏发电得到了有效利用，利用率均在80％以上。同时，当天向区域外购置电量共471MWh，对应各时段区域间交易阶梯电价算得当天园区电力系统的电力购置成本为6011.8欧元。同时，园区电力系统向区域外所售电量共185.45MWh，对应各时段区域间交易阶梯电价算得当天园区电力系统的售电收入为6670.0欧元，即全天智能园区电力系统购售电顺差为658.2欧元。且，此时园区电力系统当天的总排放为18.8吨，总运行成本为1.1万欧元。

根据本发明的技术方案，建立基于能源环境效率的低碳调度模型提高了智能园区内各类机组调度出力的经济性和环保效益。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种基于能源环境效率的低碳调度方法，所述方法包括：

建立基于能源环境效率的低碳调度模型，其控制变量包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率，其目标函数包括：

F₁＝min[C_TH+C_FC+C_PV+C_WT+C_ES]，其中F₁表示调度区域内机组组合的运行总成本目标值，C_TH表示调度区域内火电机组的成本函数，包含火电的运行成本和启停成本，C_FC表示调度区域内燃料电池机组的成本函数，包含燃料电池机组的运行成本和启停成本，C_PV表示调度区域内光伏发电机组的成本函数，包含光伏发电的运行成和启停成本，C_WT表示调度区域内风电机组的成本函数，包含风电的运行成本和启停成本，C_ES表示调度区域内储能设备的成本函数，

F₂＝min[E_TH+E_FC+E_ES]，其中F₂表示调度区域内机组组合的运行总排放目标值，E_TH表示调度区域内火电机组的排放函数，E_FC表示调度区域内燃料电池机组的排放函数，E_ES表示调度区域内储能设备的排放函数；

采用预定算法对基于能源环境效率的低碳调度模型进行求解，得到火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率的最优解，并将该最优解作为低碳调度方案。

2.如权利要求1所述的调度方法，其中所述低碳调度模型的约束条件包括如下的一个或多个：区域容量约束、输电阻塞约束、区域电力负荷平衡约束和区域的能源环境效率约束。

3.如权利要求1所述的调度方法，其中所述采用预定算法对基于能源环境效率的低碳调度模型进行求解的步骤包括：

通过基于蜜蜂交配和混沌搜索的综合优化算法求解基于能源环境效率的低碳调度模型，得到多组机组运行总成本与机组气体的排放总量的解，通过基于ε约束的多目标优化函数自适应模糊处理算法计算所述多组解的线性隶属度，选取线性隶属度最高的解对应的火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率作最优低碳调度方案。

4.如权利要求1所述的调度方法，其中所述调度区域内火电机组的排放函数E_TH为：

$E_{TH}=\underset{t\&Element;T}{\&Sigma;}\underset{j\&Element;ET}{\&Sigma;}\underset{g\&Element;TH}{\&Sigma;}P(g,t)*E_j(g,t)$

其中，TH表示调度区域内常规火电机组集合，T表示进行调度的时间范围，ET表示机组排放气体的类型，指二氧化碳，二氧化硫和氮氧化物三类，P(g，t)表示调度区域内常规火电机组f在时刻t的出力功率，E_j(g，t)表示常规火电机组g在时刻t的单位排放。

5.如权利要求1或4所述的调度方法，其中所述调度区域内燃料电池机组的排放函数E_FC为：

$E_{FC}=\underset{t\&Element;T}{\&Sigma;}\underset{j\&Element;ET}{\&Sigma;}\underset{f\&Element;FC}{\&Sigma;}P(f,t)*E_j(f,t)$

其中，FC表示调度区域内燃料电池机组集合，P(f，t)表示调度区域内燃料电池机组f在时刻t的出力功率，E_j(f，t)表示燃料电池机组f在时刻t的单位排放。

6.如权利要求1或4所述的调度方法，其中所述调度区域内储能设备的排放函数E_ES为：

$E_{ES}=\underset{t\&Element;T}{\&Sigma;}\underset{j\&Element;ET}{\&Sigma;}\underset{e\&Element;ES}{\&Sigma;}P(e,t)*E_j(e,t)$

其中，ES表示调度区域内储能设备集合，P(e，t)表示调度区域内储能设备e在时刻t的出力功率，E_j(e，t)表示储能设备e在时刻t的单位排放。

7.一种基于能源环境效率的低碳调度装置，该装置包括：

低碳调度模型建立单元，适于建立基于能源效率的低碳调度模型，其控制变量包括火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率，其目标函数包括：

F₁＝min[C_TH+C_FC+C_PV+C_WT+C_ES]，其中F₁表示调度区域内机组组合的运行总成本目标值，C_TH表示调度区域内火电机组的成本函数，包含火电的运行成本和启停成本，C_FC表示调度区域内燃料电池机组的成本函数，包含燃料电池机组的运行成本和启停成本，C_PV表示调度区域内光伏发电机组的成本函数，包含光伏发电的运行成和启停成本，C_WT表示调度区域内风电机组的成本函数，包含风电的运行成本和启停成本，C_ES表示调度区域内储能设备的成本函数，

F₂＝min[E_TH+E_FC+E_ES]，其中F₂表示调度区域内机组组合的运行总排放目标值，E_TH表示调度区域内火电机组的排放函数，E_FC表示调度区域内燃料电池机组的排放函数，E_ES表示调度区域内储能设备的排放函数；

模型求解单元，适于采用预定算法对基于能源环境效率的低碳调度模型进行求解，得到火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率的最优解，并将该最优解作为低碳调度方案。

8.如权利要求7所述的调度装置，其中所述低碳调度模型的约束条件包括如下的一个或多个：区域容量约束、输电阻塞约束、区域电力负荷平衡约束和区域的能源环境效率约束。

9.如权利要求7所述的调度装置，其中所述模型求解单元还适于：

通过基于蜜蜂交配和混沌搜索的综合优化算法求解基于能源环境效率的低碳调度模型，得到多组机组运行总成本与机组气体排放总量的解，通过基于ε约束的多目标优化函数自适应模糊处理算法计算所述多组解的线性隶属度，选取线性隶属度最高的解对应的火电机组的出力功率、燃料电池机组的出力功率、光伏发电机组的出力功率、风电机组的出力功率和储能设备的出力功率作最优低碳调度方案。

10.如权利要求7所述的调度装置，其中所述调度区域内火电机组的排放函数E_TH、调度区域内燃料电池机组的排放函数E_FC和调度区域内储能设备的排放函数E_ES分别为：

$E_{TH}=\underset{t\&Element;T}{\&Sigma;}\underset{j\&Element;ET}{\&Sigma;}\underset{g\&Element;TH}{\&Sigma;}P(g,t)*E_j(g,t)$

$E_{FC}=\underset{t\&Element;T}{\&Sigma;}\underset{j\&Element;ET}{\&Sigma;}\underset{f\&Element;FC}{\&Sigma;}P(f,t)*E_j(f,t)$

$E_{ES}=\underset{t\&Element;T}{\&Sigma;}\underset{j\&Element;ET}{\&Sigma;}\underset{e\&Element;ES}{\&Sigma;}P(e,t)*E_j(e,t)$

其中，T表示进行调度的时间范围，ET表示机组排放气体的类型，指二氧化碳，二氧化硫和氮氧化物三类，TH表示调度区域内常规火电机组集合，FC表示调度区域内燃料电池机组集合，ES表示调度区域内储能设备集合，P(g，t)表示调度区域内常规火电机组f在时刻t的出力功率，P(f，t)表示调度区域内燃料电池机组f在时刻t的出力功率，P(e,t)表示调度区域内储能设备e在时刻t的出力功率，E_j(g，t)表示常规火电机组g在时刻t的单位排放，E_j(f，t)表示燃料电池机组g在时刻t的单位排放，E_j(e，t)表示储能设备e在时刻t的单位排放。