CN106991539A - 一种能源系统优化调度方法及装置 - Google Patents

Abstract

本发明实施例公开了一种能源系统优化调度方法及装置。该方法包括：根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；根据所述场景集合建立所述能源系统优化调度的不确定性模型；求解所述不确定性模型以获取所述能源系统的优化调度方案。本发明实施例提供的技术方案，实现了不确定环境下多能源介质的协同优化调度，使得能源系统经济运行，提高了企业经济效益。

Description

一种能源系统优化调度方法及装置

技术领域

本发明实施例涉及能源系统优化调度技术领域，尤其涉及一种能源系统优化调度方法及装置。

背景技术

钢铁工业是我国重要的基础产业，也是制造业中的耗能大户，占全国能源消费的15％以上，高能耗问题日益成为制约钢铁工业发展的一个重要问题。近年来，我国钢铁企业在系统节能技术方面已经取得重要进展，很多企业均完成了企业级能源管理系统的建设，促进了企业节能工作的开展，实现了能源管理的信息化，将能源运行数据的采集、监控、综合利用等功能实现计算机管理,但还不能实现能源系统的高效优化与调配，能源系统的调度仍然依靠现场生产人员的经验来完成，很难保证整个系统的经济运行，导致大量能源浪费。

能源系统的优化调控是钢铁企业突破节能降耗进展极限的关键技术。目前，国内外学者对钢铁能源系统的优化调度问题进行一定的研究并取得了一些研究成果。然而，当前的研究成果主要针对的是参数确定下的能源优化问题，忽略了实际生产过程中的不确定性因素，如生产系统对能源需求的不确定波动、能源价格不确定变动以及系统内部设备故障不确定等等。这些不确定因素的存在，使得确定性模型无法有效地定义钢铁企业能源系统优化调度问题，进而可能造成最终优化方案与实际情况不符合，可操作性较差。正确处理钢铁企业能源系统实际运行中的不确定性对于实际系统优化方案的可实施性具有决定性的影响。

发明内容

本发明实施例提供一种能源系统优化调度方法及装置，以实现不确定环境下多能源介质的协同优化调度。

第一方面，本发明实施例提供了一种能源系统优化调度方法，该方法包括：

根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；

根据所述场景集合建立所述能源系统优化调度的不确定性模型；

求解所述不确定性模型以获取所述能源系统的优化调度方案。

第二方面，本发明实施例还提供了一种能源系统优化调度装置，该装置包括：

场景集合构建模块，用于根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；

不确定性模型建立模块，用于根据所述场景集合建立所述能源系统优化调度的不确定性模型；

优化调度方案求解模块，用于求解所述不确定性模型以获取所述能源系统的优化调度方案。

本发明实施例通过根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；根据场景集合建立能源系统优化调度的不确定性模型；求解不确定性模型以获取能源系统的优化调度方案，实现了不确定环境下多能源介质的协同优化调度，使得能源系统经济运行，提高了企业经济效益。

附图说明

图1是本发明实施例一提供的一种能源系统优化调度方法的流程图；

图2是本发明实施例二提供的一种能源系统优化调度方法的流程图；

图3a是本发明实施例三提供的一种能源系统优化调度方法的流程图；

图3b是本发明实施例三提供的基于Pareto最优的多目标差分进化算法对两目标无约束优化问题进行求解的过程示意图；

图4是本发明实施例四提供的一种能源系统优化调度装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例提供的能源系统优化调度方法的流程图，该方法可以由能源系统优化调度装置执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机等智能终端中。如图1所示，该方法包括：

S110、根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合。

在本实施例中，能源系统中的不确定变量是指能源系统在实际生产过程中的不确定因素，如生产系统对能源需求的不确定波动、能源价格的不确定变动及能源系统内部设备故障不确定等。示例性的，在钢铁能源系统中的不确定变量主要包括外购燃料、电力价格的不确定，针对不同季节、产品方案变化引起的能源需求的不确定，生产过程波动引起的不确定的煤气发生量和能源(蒸汽和电力)需求量的变化。

具体的，分析能源系统运行中的不确定性因素，并确定不确定变量和不确定变量的描述形式。示例性的，针对外购燃料、电力价格的不确定变化按周期做离散化处理，来表达基于时间变化的不确定变量；针对由季节、产品方案变化等引起的能源需求确定性变化做多周期处理，即将整个调度周期划分为多个周期，每个周期能源需求量不同；将生产过程波动引起的不确定的煤气发生量和能源(蒸汽和电力)需求量，表达为符合一定概率形式的随机变量。根据大量历史数据对煤气发生量和汽电需求的随机波动进行概率统计。示例性的，钢铁能源系统生产工艺过程引起的煤气发生量和汽电需求符合正态分布，故将煤气发生量和汽电需求的不确定性变量表达为符合正态分布的概率函数N(μ_t,θ_t)，其中μ_t为各调度时段煤气发生量或汽电需求量的标称值，θ_t为相应的标准差。

根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合。具体的，将煤气发生、蒸汽和电力需求在未来t时段的发生情况用随机向量表示为该随机向量的一个实现被称为时段的一个场景，记为G表示煤气的种类数，R表示蒸汽的种类数，表示第st个场景下种类编号为G的煤气在t时间段的发生量，表示第st个场景下种类编号为R的蒸汽在t时间段的需求量，表示第st个场景下在t时间段的电力需求量。并为每个场景赋予一定的权值表示其在未来发生的概率，即场景ω_st发生的概率为σ_st。示例性的，根据不确定变量的概率分布，采用Monte-Carlo方法进行场景采样获得初始场景集合。其中，Monte-Carlo方法随机抽样N次，产生N个场景。基于场景缩减及场景树形成原理，依据缩减前后概率距离最小的原则对生成的初始场景集合进行缩减，并进而转化为树形结构,最终得到场景值及每个场景ω_st发生的概率。

S120、根据所述场景集合建立所述能源系统优化调度的不确定性模型。

在本实施例中，根据所建立的场景集合，建立能源系统优化调度的不确定性模型。其中，能源系统优化调度的不确定性模型包括一个目标函数和多个约束条件；所述目标函数为使得所述能源系统总运行成本最小的函数，所述约束条件使得所述能源系统正常运行。示例性的，以钢铁企业煤气-蒸汽-电力系统为例，所述目标函数为全周期内整个钢铁企业煤气-蒸汽-电力系统总运行成本最小的函数。其中，目标函数中的变量具体包括外购能源成本(包括外购动力煤、天然气等燃料费用、锅炉给水费用)、电能交换费用(电能供给不足时的外购电费以及电能富余时的外送电收益)；煤气相关惩罚费用(包括煤气放散惩罚费用、煤气柜位超出正常波动范围所产生的惩罚费用、煤气柜位偏离最佳位置所产生的惩罚费用)，则目标函数可以表达为

其中，

其中，ST表示不确定变量的场景集合数目，st表示场景编号，σ_st表示第st个场景的发生概率，FC_st表示第st个场景下的外购能源成本，EC_st表示第st个场景下的电能交换成本，GC_st表示第st个场景下的煤气相关惩罚费用，T为一个调度周期内所包含的时段数目，τ表示每个操作时段的长度，I表示能源系统中燃料锅炉数目，K表示能源系统中热电联产设备数目，C^ng、C^coal、C^oil和C^w分别表示外购天然气的单位价格，外购动力煤的单位价格，重油的单位价格以及锅炉给水的单位价格；和分别表示第st个场景下能源设备i在t时段的天然气消耗量，动力煤消耗量，重油消耗量以及用水量；为煤气g的放散惩罚系数，表示第st个场景下煤气g在t时段的放散量；和分别表示g煤气柜的柜位超出正常波动范围下限和上限的惩罚权重系数，和分别表示第st个场景下g煤气柜的柜位超出正常波动范围下限和上限的数量；和分别表示g煤气柜的柜位偏离最佳位置下限和上限的惩罚权重系数，和分别表示第st个场景下g煤气柜的柜位偏离最佳位置上限和下限的数量；表示第st个场景下在t时段企业内网与大电网的关口传输功率，δ_t,st表示第st个场景下外网在t时段的供电状态，表示t时段的外购电价，表示t时段的外送电价。

所述约束条件包括：单元设备性能模型、系统能源平衡约束、设备能力约束、机组负荷变化速率约束、混合煤气热值下限约束、生产用户用能要求等约束条件。下面分别对各个约束条件进行介绍。

1)设备性能模型

多燃料锅炉模型：

背压式汽轮机模型：

抽汽式汽轮机模型：

热电联产设备模型：

余热余能发电设备模型：

其中，q表示燃料种类编号，Q表示燃料种类总数，r表示蒸汽等级编号，R表示蒸汽的种类数，上标in和out分别代表物流进入、流出设备，i，j，k，m分别代表锅炉、汽轮机、热电联产设备、余热余能发电设备的设备编号，F表示燃料消耗量或蒸汽流量，P为发电功率，HV为燃料的低位发热值，E为回收的蒸汽或余能中可利用的能量，α，β，γ，μ，λ，ν，φ和为设备模型的回归系数，st表示场景编号。具体的，表示第st个场景下设备i在t时段的蒸汽消耗量，F_i,q,t,st表示第st个场景下锅炉i在t时段的编号为q的燃料的消耗量，P_j,t,st、P_k,t,st和P_m,t,st分别表示第st个场景下在t时段汽轮机j、热电联产设备k和余热余能发电设备m的发电功率，表示第st个场景下在t时段的流入第j台汽轮机的蒸汽流量，表示第st个场景下在t时段从第j台汽轮机流出的蒸汽等级编号为r的蒸汽流量，F_k,q,t,st表示第st个场景下热电联产设备k在t时段的编号为q的燃料的消耗量，F_k,r,t,st和F_m,r,t,st分别表示第st个场景下热电联产设备k和余热余能发电设备m在t时段的蒸汽等级编号为r的蒸汽流量，表示第st个场景下在t时段流入余热余能发电设备m的回收的蒸汽，H_q表示编号为q的燃料的低位发热值，μ_k,r、λ_k,r、ν_k,r和σ_k,r分别表示蒸汽等级编号为r的热电联产设备k模型的回归系数。α_i和β_i表示锅炉i模型的回归系数，μ_j和λ_j表示汽轮机j模型的回归系数，ν_j,r表示蒸汽等级编号为r的汽轮机j模型的回归系数，α_k、β_k、γ_k和φ_k均表示热电联产设备k模型的回归系数，μ_m和λ_m均表示余热余能发电设备m模型的回归系数，ν_m,r表示蒸汽等级编号为r的余热余能发电设备m模型的回归系数。需要说明的是，公式中其他类似的字母的含义和此相似，对此不再一一解释。

2)系统能源平衡约束

电力平衡约束：

蒸汽平衡约束：

煤气平衡约束：

其中，分别表示第st个场景下在t时段的电力需求量和r等级蒸汽需求量，V_g,t,st表示第st个场景下g煤气柜在t时段的柜位，表示第st个场景下在t时段的副产煤气g发生总量，F_u,g,t,st表示第st个场景下生产用户u在t时段内的副产煤气g消耗量。

3)设备能力约束

锅炉能力约束：

汽轮机能力约束：

热电联产设备能力约束：

余热余能发电设备能力约束：

其中，上标min和max分别对应变量的下限和上限值。

4)煤气柜操作约束

其中，和分别表示g煤气柜的柜位下下限，上上限，下限，上限和中心柜位。

5)机组负荷变化速率约束

-DR_j≤P_j,t,st-P_j,t-1,st≤UR_j

-DR_k≤P_k,t,st-P_k,t-1,st≤UR_k

-DR_m≤P_m,t,st-P_m,t-1,st≤UR_m

其中，UR和DR为机组在一个时段内能增加的最大负荷和能减小的最大负荷。

6)混合煤气掺烧热值约束

式中，表示锅炉i对混合煤气的低位发热值最低下限要求，HV_g表示副产煤气g的热值。

7)生产用户能源约束

其中，HV_u,t,st表示第st个场景下生产用户u在t时段所使用的混合煤气的低位发热值，表示第st个场景下生产用户u在t时段的能量需求。

8)关口功率约束

其中，P^tie,min和P^tie,max分别表示企业内网与外网关口交换功率的下限和上限。

S130、求解所述不确定性模型以获取所述能源系统的优化调度方案。

在本实施例中，对所述不确定性模型进行求解，得到在满足多个约束条件下使得目标函数的各个不确定变量的取值，从而获取能源系统的优化调度方案。

本发明实施例通过根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；根据场景集合建立能源系统优化调度的不确定性模型；求解不确定性模型以获取能源系统的优化调度方案，实现了不确定环境下多能源介质的协同优化调度，使得能源系统经济运行，提高了企业经济效益。

实施例二

图2为本发明实施例提供的一种能源系统优化调度方法的流程图，本实施例在上述实施例的基础上，增加步骤：建立所述能源系统优化调度的确定性模型，并将根据所述场景集合建立所述能源系统优化调度的不确定性模型优化：根据所述场景集合，基于随机规划理论，将所述确定性模型转化为所述能源系统优化调度的不确定性模型。

如图2所示，本实施例的方法包括如下步骤：

S210、根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合。

S220、建立所述能源系统优化调度的确定性模型。

在本实施例中，能源系统优化调度的确定性模型是不考虑在能源系统运行过程中的不确定因素，所述确定性模型包括目标函数和约束条件。

所述目标函数为：以全周期内整个钢铁企业煤气-蒸汽-电力系统总运行费用最小为目标函数，具体包括外购能源成本FC(包括外购动力煤、天然气等燃料费用、锅炉给水费用)、电能交换费用EC(电能供给不足时的外购电费以及电能富余时的外送电收益)；煤气相关惩罚费用GC(包括煤气放散惩罚费用、煤气柜位超出正常波动范围所产生的惩罚费用、煤气柜位偏离最佳位置所产生的惩罚费用)。目标函数表达式如下：MinTC＝EC+FC+GC，其中

在上述各式中，T为一个调度周期内所包含的时段数目，τ表示每个操作时段的长度，I表示能源系统中燃料锅炉数目，K表示能源系统中热电联产设备数目，C^ng、C^coal、C^oil和C^w分别表示外购天然气的单位价格，外购动力煤的单位价格，重油的单位价格以及锅炉给水的单位价格；和分别表示设备i在t时段的天然气消耗量，动力煤消耗量，重油消耗量以及用水量；为煤气g的放散惩罚系数，煤气g在t时段的放散量；和为g煤气柜的柜位超出正常波动范围上限和下限的惩罚权重系数，和分别表示g煤气柜的柜位超出正常波动范围上限和下限的数量；和分别表示g煤气柜的柜位偏离最佳位置上限和下限的惩罚权重系数，和分别表示g煤气柜的柜位偏离最佳位置上限和下限的数量；表示在t时段企业内网与大电网的关口传输功率，δ_t表示外网在t时段的供电状态，δ_t为0,1量表征有无外供电，为t时段的外购电价，为t时段的外送电价。

所述约束条件包括：单元设备性能模型、系统能源平衡约束、设备能力约束、机组负荷变化速率约束、混合煤气热值限制、生产用户用能要求等约束条件。

1)单元设备性能模型

第i台多燃料混烧锅炉：

第j台汽轮机(背压式汽轮机或抽汽式汽轮机)：

背压式汽轮机模型：

抽汽式汽轮机模型：

第k台热电联产设备(掺烧煤气燃煤锅炉-蒸汽轮机发电机组或燃气-蒸汽联合循环发电机组)：

第m台余热余能发电设备(如干熄焦发电、烧结余热发电、高炉炉顶余压发电)：

式中，q表示燃料种类编号，r表示蒸汽等级编号，上标in和out分别代表物流进入、流出设备，F表示燃料消耗量或蒸汽流量，P为发电功率，HV为燃料的低位发热值，E为回收的蒸汽或余能中可利用的能量，α，β，γ，μ，λ，ν，φ和为设备模型的回归系数。

2)系统能源平衡约束

电力平衡约束：

蒸汽平衡约束：

煤气平衡约束：

其中， 分别表示在t时段的电力需求量和r等级蒸汽需求量，V_g,t g煤气柜在t时段的柜位，为在t时段的副产煤气g发生总量，F_u,g,t为生产用户u在t时段内的副产煤气g消耗量。

3)设备能力约束

锅炉能力约束：

汽轮机能力约束：

热电联产设备能力约束：

余热余能发电设备能力约束：

4)煤气柜操作约束

式中，和分别表示g煤气柜的柜位下下限，上上限，下限和上限。

5)机组负荷变化速率约束

-DR_j≤P_j,t-P_j,t-1≤UR_j

-DR_k≤P_k,t-P_k,t-1≤UR_k

-DR_m≤P_m,t-P_m,t-1≤UR_m

式中，UR和DR为机组在一个时段内能增加的最大负荷和能减小的最大负荷。

6)混合煤气掺烧热值约束

式中，表示锅炉i对混合煤气的低位发热值最低下限要求。7)生产用户用能要求

式中，HV_u,t表示生产用户u在t时段所使用的混合煤气的低位发热值，为生产用户u在t时段的能量需求。

8)关口交换功率约束

其中，P^tie,min和P^tie,max分别表示企业内网与外网关口交换功率的下限和上限。

需要说明的是，本实施例对S210与S220执行的先后顺序不做限定，可以先执行S210，再执行S220，也可以先执行S220，再执行S210。

S230、根据所述场景集合，基于随机规划理论，将所述确定性模型转化为所述能源系统优化调度的不确定性模型。

在本实施例中，根据所建立的场景集合，基于随机规划理论，将所建的确定性模型转化为对应的随机优化模型，即在煤气发生和汽电需求不确定性的目标函数和约束条件下，得到能源系统优化调度的不确定性模型。

S240、求解所述不确定性模型以获取所述能源系统的优化调度方案。

本发明实施例通过根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；建立能源系统优化调度的确定性模型，并根据场景集合，基于随机规划理论，将确定性模型转化为能源系统优化调度的不确定性模型；求解不确定性模型以获取能源系统的优化调度方案，实现了不确定环境下多能源介质的协同优化调度，使得能源系统经济运行，提高了企业经济效益。

实施例三

图3a为本发明实施例提供的一种能源系统优化调度方法的流程图，本实施例在上述实施例的基础上，增加步骤：获取能源系统数据，其中所述能源系统数据包括能源系统网络拓扑结构、煤气、蒸汽和电力子系统中的各单元设备的特性数据、各种能源介质的供需预测数据、生产检修计划及用户确定的调度参数，并将求解所述不确定性模型以获取所述能源系统的优化调度方案优化为：将不确定性模型中的单目标多约束优化问题转化成两目标无约束优化问题；采用基于Pareto最优的多目标差分进化算法对所述两目标无约束优化问题进行求解；输出所述能源系统的优化调度方案。

如图3a所示，本实施例的方法包括如下步骤：

S310、根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合。

S320、获取能源系统数据。

从DCS(Distributed Control System，分布式控制系统)、EMS(EnergyManagement System，能源管理系统)等系统数据库服务器中获取建立钢铁企业能源系统中各单元设备性能模型所需的初始数据，包括锅炉的动力煤耗量、煤气消耗量和产汽量，汽轮机的进汽量、发电量和抽汽量，热电联产设备的燃料消耗量、发电量和抽汽量，余热发电设备进汽量(或回收热能)、发电量和抽汽量的历史数据；副产煤气热值，各等级蒸汽温度和压力，以及外购燃料的热值和价格。对上述初始数据进行预处理(预处理方法包括但不限于局外点检测算法、线性平滑算法或标准化算法)，结合设备设计工况图和热力试验数据，绘制各设备不同工况运行特性曲线(能耗特性曲线或汽耗特性曲线)。根据所绘制的特性曲线的特点，采用数据多参数非线性拟合处理技术，构建各单元设备的性能模型，其中各单元设备的性能模型与实施例二提供的各单元设备的性能模型相同，在此不再赘述。

S330、根据所述能源系统数据建立所述能源系统优化调度的确定性模型。

S340、根据所述场景集合，基于随机规划理论，将所述确定性模型转化为所述能源系统优化调度的不确定性模型。

S350、将不确定性模型中的单目标多约束优化问题转化成两目标无约束优化问题。

具体的，根据公式将转化为具有两个优化目标的问题；

其中，

g_i(g)表示不等式约束，h_i(g)表示等式约束，i表示不等式约束或等式约束的序号，ξ表示等式约束条件的容许误差，ε表示控制参数，D表示的整个搜索空间，q表示不等式约束的个数，m表示不等式约束和等式约束的总的个数。

S360、采用基于Pareto最优的多目标差分进化算法对所述两目标无约束优化问题进行求解。

在本实施例中，采用基于Pareto最优的多目标差分进化算法对两目标无约束优化问题进行求解。具体的，参见图3b，基于Pareto最优的多目标差分进化算法对两目标无约束优化问题进行求解包括如下步骤：

S361、设置差分进化算法的控制参数。

具体的，获取煤气-蒸汽-电力多能源集成系统中各单元设备的特性参数，其中，包括负荷最大值、负荷最小值、最大升负荷速度、最大降负荷速度、燃料消耗范围、煤气掺烧比例上限、进汽范围、抽汽范围及装置初始运行状态等数据；获取整个优化调度周期所包含的时段数；获取用户输入能源优化调度有关数据，包括未来一个调度周期内各生产用户能源需求量预测曲线、煤气发生量预测曲线、生产和检修计划、设备启停状态、可用状态等数据。基于所获取的数据，设置差分进化算法的控制参数，包括变异参数，交叉参数及最大进化代数。

S362、初始化种群。

在表示的整个搜索空间D中，随机生成NP个个体，组成初始种群设定优化模型参数初值ε(0)＝1，并令进化代数编号t＝0。

S363、计算各个个体的目标函数值。

S364、进行差分变异操作和交叉操作，以生成新个体。

对种群P^(t)种的每个个体按照下式依次进行变异操作和交叉操作，分别得到新变异个体和后代个体所有后代个体组成后代集

变异操作：

交叉操作：

其中，r₁,r₂,r₃∈{1,2,K,NP}随机选择，且r₁≠r₂≠r₃≠i，Mu为变异参数；j表示决策向量的维度编号，j_rand是区间[1,D]中随机选择的整数，rand_j(0,1)与j有关的0到1之间均匀分布的随机数，Cr为交叉参数。

S365、将进化群体P^(t)和后代群体Q^(t)合并生成混合群体。

具体的，对进化群体P^(t)和后代群体Q^(t)进行合并生成混合群体,即H^(t)＝P^(t)∪Q^(t)。

S366、进行选择操作。

采用Pareto支配关系的排序方法选择进入下一代的个体用Pareto支配关系对H^(t)进行非支配分层，逐层选择其中的非支配个体进入下一代种群P^(t+1)，直至达到其规模。首先找到H^(t)的所有非支配解，将其存入P^(t+1)，并从H^(t)中删除；若P^(t+1)没有达到预定规模，则再找出H^(t)中的非支配解，将其存入P^(t+1)，重复上述过程直至达到P^(t+1)的预定规模。若某一次将H^(t)的非支配解加入P^(t+1)时超过预定规模，则将这些个体按照约束违反值由小到大排序，选择需要数目的前若干个体进入P^(t+1)。

S367、更新控制参数。

具体的，令ε(t+1)＝ρε(t)，其中ρ是比例因子，通过调节ρ控制对约束偏好程度的扩大比例。

S368、判断是否满足终止条件，若是，则执行S369，否则返回执行S363。

S369、输出最优调度方案。

S370、输出所述能源系统的优化调度方案。

在本实施例中，根据上述方法生成钢铁能源系统中各生产用户和各能源单元设备的联合优化调度方案及目标函数的最优综合指标。

本发明实施例提供的技术方案，综合考虑钢铁企业煤气、蒸汽、电力等主要能源介质生产和使用特点以及不同能源介质之间的的复杂耦合关系，以能源系统运行总费用最小为目标函数，以物料平衡、能量平衡、燃料条件、工艺约束、设备能力限制等为约束条件，引入燃料、电力价格不确定和能源需求不确定性因素，结合多周期离散化处理和随机规划两种不同不确定性处理方法，构建不确定环境下多能源介质集成优化的模型，并采用基于多目标约束处理方法与智能算法相结合的优化求解策略，获得了煤气、蒸汽和电力在能源发生、转换和使用全过程各环节上的优化分配方案，有效解决了钢铁企业多能源介质集成优化调度问题，实现了能源系统经济运行，提高了企业经济效益。

实施例四

图4为本发明实施例提供的一种能源系统优化调度装置的结构框图，该装置可由软件和/或硬件实现，一般集成在智能终端中，可通过执行能源系统优化调度方法来获取不确定环境下能源系统的优化调度方案。如图4所示，该装置包括：场景集合构建模块410、不确定性模型建立模块420及优化调度方案求解模块430。

其中，场景集合构建模块410，用于根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；不确定性模型建立模块420，用于根据所述场景集合建立所述能源系统优化调度的不确定性模型；优化调度方案求解模块430，用于求解所述不确定性模型以获取所述能源系统的优化调度方案。

进一步的，还包括：

确定性模型建立模块，用于在所述根据所述场景集合建立所述能源系统优化调度的不确定性模型之前，建立所述能源系统优化调度的确定性模型；

所述不确定性模型建立模块420，用于：

根据所述场景集合，基于随机规划理论，将所述确定性模型转化为所述能源系统优化调度的不确定性模型。

进一步的，还包括：

能源系统数据获取模块，用于在所述建立所述能源系统优化调度的确定性模型之前，获取能源系统数据，其中所述能源系统数据包括能源系统网络拓扑结构、煤气、蒸汽和电力子系统中的各单元设备的特性数据、各种能源介质的供需预测数据、生产检修计划及用户确定的调度参数；

所述确定性模型建立模块，用于：

根据所述能源系统数据建立所述能源系统优化调度的确定性模型。

其中，所述能源系统优化调度的不确定性模型包括一个目标函数和多个约束条件；

所述目标函数为使得所述能源系统总运行成本最小的函数，所述约束条件使得所述能源系统正常运行；

所述优化调度方案求解模块430，包括：

优化问题转化单元，用于将不确定性模型中的单目标多约束优化问题转化成两目标无约束优化问题；

优化问题求解单元，用于采用基于Pareto最优的多目标差分进化算法对所述两目标无约束优化问题进行求解；

优化调度方案输出单元，用于输出所述能源系统的优化调度方案。

其中，所述目标函数为

其中，G表示煤气的种类数，R表示蒸汽的种类数，表示第st个场景下种类编号为G的煤气在t时间段的发生量，表示第st个场景下种类编号为R的蒸汽在t时间段的需求量，表示第st个场景下在t时间段的电力需求量，ST表示不确定变量的场景集合数目，st表示场景编号，σ_st表示第st个场景的发生概率，FC_st表示第st个场景下的燃料成本，EC_st表示第st个场景下的电能交换成本，GC_st表示第st个场景下的煤气惩罚费用；

所述优化问题转化单元用于：

根据公式将转化为具有两个优化目标的问题；

其中，

g_i(g)表示不等式约束，h_i(g)表示等式约束，i表示不等式约束或等式约束的序号，ξ表示等式约束条件的容许误差，ε表示控制参数，D表示的整个搜索空间，q表示不等式约束的个数，m表示不等式约束和等式约束的总的个数。

本实施例提供的能源系统优化调度装置，通过根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；根据场景集合建立能源系统优化调度的不确定性模型；求解不确定性模型以获取能源系统的优化调度方案，实现了不确定环境下多能源介质的协同优化调度，使得能源系统经济运行，提高了企业经济效益。

上述实施例中提供的能源系统优化调度装置可执行本发明任意实施例所提供的能源系统优化调度方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的能源系统优化调度方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种能源系统优化调度方法，其特征在于，包括：

根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；

根据所述场景集合建立所述能源系统优化调度的不确定性模型；

求解所述不确定性模型以获取所述能源系统的优化调度方案。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述场景集合建立所述能源系统优化调度的不确定性模型之前，还包括：

建立所述能源系统优化调度的确定性模型；

所述根据所述场景集合建立所述能源系统优化调度的不确定性模型包括：

根据所述场景集合，基于随机规划理论，将所述确定性模型转化为所述能源系统优化调度的不确定性模型。

3.根据权利要求2所述的方法，其特征在于，在所述建立所述能源系统优化调度的确定性模型之前，还包括：

获取能源系统数据，其中所述能源系统数据包括能源系统网络拓扑结构、煤气、蒸汽和电力子系统中的各单元设备的特性数据、各种能源介质的供需预测数据、生产检修计划及用户确定的调度参数；

所述建立所述能源系统优化调度的确定性模型，包括：

根据所述能源系统数据建立所述能源系统优化调度的确定性模型。

4.根据权利要求1所述的方法，其特征在于，所述能源系统优化调度的不确定性模型包括一个目标函数和多个约束条件；

所述目标函数为使得所述能源系统总运行成本最小的函数，所述约束条件使得所述能源系统正常运行；

所述求解所述不确定性模型以获取所述能源系统的优化调度方案，包括：

将不确定性模型中的单目标多约束优化问题转化成两目标无约束优化问题；

采用基于Pareto最优的多目标差分进化算法对所述两目标无约束优化问题进行求解；

输出所述能源系统的优化调度方案。

5.根据权利要求4所述的方法，其特征在于，

所述目标函数为

其中，G表示煤气的种类数，R表示蒸汽的种类数，表示第st个场景下种类编号为G的煤气在t时间段的-发生量，表示第st个场景下种类编号为R的蒸汽在t时间段的需求量，表示第st个场景下在t时间段的电力需求量，ST表示不确定变量的场景集合数目，st表示场景编号，σ_st表示第st个场景的发生概率，FC_st表示第st个场景下的外购能源成本，EC_st表示第st个场景下的电能交换成本，GC_st表示第st个场景下的煤气相关惩罚费用；

所述将不确定性模型中的单目标多约束优化问题转化成两目标无约束优化问题包括：

根据公式将转化为具有两个优化目标的无约束优化问题；

其中，

$G_i\left(\stackrel{uur}{{\mathrm{\ω}}_{st}}\right)=\left\{\begin{array}{cc}\max \{0,g_i\left(\stackrel{uur}{{\mathrm{\ω}}_{st}}\right)\},& i=1,2L,q,\\ \max \{0,|h_i\left(\stackrel{uur}{{\mathrm{\ω}}_{st}}\right)|-\mathrm{\ξ}\},& i=q+1,L,m\end{array}\right.$

g_i(g)表示不等式约束，h_i(g)表示等式约束，i表示不等式约束或等式约束的序号，ξ表示等式约束条件的容许误差，ε表示控制参数，D表示的整个搜索空间，q表示不等式约束的个数，m表示不等式约束和等式约束的总个数。

6.一种能源系统优化调度装置，其特征在于，包括：

场景集合构建模块，用于根据能源系统中的不确定变量及不确定变量的概率分布，构建煤气发生及汽电需求不确定性的场景集合；

不确定性模型建立模块，用于根据所述场景集合建立所述能源系统优化调度的不确定性模型；

优化调度方案求解模块，用于求解所述不确定性模型以获取所述能源系统的优化调度方案。

7.根据权利要求6所述的装置，其特征在于，还包括：

确定性模型建立模块，用于在所述根据所述场景集合建立所述能源系统优化调度的不确定性模型之前，建立所述能源系统优化调度的确定性模型；

所述不确定性模型建立模块，用于：

根据所述场景集合，基于随机规划理论，将所述确定性模型转化为所述能源系统优化调度的不确定性模型。

8.根据权利要求7所述的装置，其特征在于，还包括：

能源系统数据获取模块，用于在所述建立所述能源系统优化调度的确定性模型之前，获取能源系统数据，其中所述能源系统数据包括能源系统网络拓扑结构、煤气、蒸汽和电力子系统中的各单元设备的特性数据、各种能源介质的供需预测数据、生产检修计划及用户确定的调度参数；

所述确定性模型建立模块，用于：

根据所述能源系统数据建立所述能源系统优化调度的确定性模型。

9.根据权利要求6所述的装置，其特征在于，所述能源系统优化调度的不确定性模型包括一个目标函数和多个约束条件；

所述目标函数为使得所述能源系统总运行成本最小的函数，所述约束条件使得所述能源系统正常运行；

所述优化调度方案求解模块，包括：

优化问题转化单元，用于将不确定性模型中的单目标多约束优化问题转化成两目标无约束优化问题；

优化问题求解单元，用于采用基于Pareto最优的多目标差分进化算法对所述两目标无约束优化问题进行求解；

优化调度方案输出单元，用于输出所述能源系统的优化调度方案。

10.根据权利要求9所述的装置，其特征在于，

所述目标函数为

其中，G表示煤气的种类数，R表示蒸汽的种类数，表示第st个场景下种类编号为G的煤气在t时间段的发生量，表示第st个场景下种类编号为R的蒸汽在t时间段的需求量，表示第st个场景下在t时间段的电力需求量，ST表示不确定变量的场景集合数目，st表示场景编号，σ_st表示第st个场景的发生概率，FC_st表示第st个场景下的外购能源成本，EC_st表示第st个场景下的电能交换成本，GC_st表示第st个场景下的煤气相关惩罚费用；

所述优化问题转化单元用于：

根据公式将转化为具有两个优化目标的无约束优化问题；

其中，

$G_i\left(\stackrel{uur}{{\mathrm{\ω}}_{st}}\right)=\left\{\begin{array}{cc}\max \{0,g_i\left(\stackrel{uur}{{\mathrm{\ω}}_{st}}\right)\},& i=1,2L,q,\\ \max \{0,|h_i\left(\stackrel{uur}{{\mathrm{\ω}}_{st}}\right)|-\mathrm{\ξ}\},& i=q+1,L,m\end{array}\right.$

g_i(g)表示不等式约束，h_i(g)表示等式约束，i表示不等式约束或等式约束的序号，ξ表示等式约束条件的容许误差，ε表示控制参数，D表示的整个搜索空间，q表示不等式约束的个数，m表示不等式约束和等式约束的总个数。