CN110535124A - 考虑负荷预测的海上综合能源系统日前多目标调度方法 - Google Patents

Abstract

本发明涉及一种考虑负荷预测的海上综合能源系统日前多目标调度方法，其步骤：获取预测未来24小时的电、气负荷数据；将所得负荷数据代入预先设置的海上综合能源系统日前多目标调度模型中，获取待求解决策量；根据待求解决策量，采用改进的粒子群算法对海上综合能源系统日前多目标调度模型进行求解，获得短期日前调度计划。本发明可以在保证系统最小运行成本的前提下极大地减少电压、气压的波动，保证系统各个时刻的电压、气压稳定性，提高海上综合能源系统的安全稳定运行水平，并为海上综合能源系统调度策略提供技术支撑。

Description

考虑负荷预测的海上综合能源系统日前多目标调度方法

技术领域

本发明涉及一种含多种能源形式的电力系统运行和控制技术领域，特别是关于一种考虑负荷预测的海上综合能源系统日前多目标调度方法。

背景技术

随着我国社会的高速发展，经济全球化、工业化进程不断加快，社会各界对于能源的需求量日益提高，而陆上油气资源的日益枯竭导致海上油田领域快速发展，海上油田已越来越成为我国油气资源的重要源头。一方面，我国海洋能源储备丰富，海上油田群的规模近年来已十分可观，另一方面，由于在石油生产过程中大量温室气体排放、海上电网运行条件较为恶劣等问题的存在，我国海上油田群平台在能源的高效利用方面面临着缺乏合理能源调度、环境污染、传统产能效率较低等问题。

而对于海上电力系统和天然气系统，特殊的地理位置和复杂的运行环境使得两者之间的协调运行与优化调度变得更加困难，这一现状使得海上综合能源系统具有很大的研究价值。由于海上综合能源系统中负荷终端能源消费形式存在差异，电、气负荷时间尺度不同，波动峰谷不一，大功率油气开采设备的投入或切除使用导致电压、气压存在波动，会干扰设备的正常稳定运行，甚至可能存在使燃气轮机等重要能源设备脱网的风险，并且由于能源需求侧负荷特性的差异，使电与气的负荷预测较难结合，难以由预测结果协同优化短期调度策略。

发明内容

针对上述问题，本发明的目的是提供一种考虑负荷预测的海上综合能源系统日前多目标调度方法，其能在保证系统最小运行成本的前提下极大地减少电压、气压的波动，保证系统各个时刻的电压、气压稳定性，提高海上综合能源系统的安全稳定运行水平，并为海上综合能源系统调度策略提供技术支撑。

为实现上述目的，本发明采取以下技术方案：一种考虑负荷预测的海上综合能源系统日前多目标调度方法，其包括以下步骤：1)获取预测未来24小时的电、气负荷数据；2)将所得负荷数据代入预先设置的海上综合能源系统日前多目标调度模型中，获取待求解决策量；3)根据待求解决策量，采用改进的粒子群算法对海上综合能源系统日前多目标调度模型进行求解，获得短期日前调度计划。

进一步，所述步骤1)中，含区间时间序列差分整合向量自回归的短期负荷预测模型ARIMA(p,d,q)建立方法包括以下步骤：

1.1)输入电、气负荷的历史区间时间序列{N_i}，且{N_i}满足：

N_i＝[a_i,b_i]＝(c_i,r_i)，

其中，N_i表示第i组历史数据；区间[a_i,b_i]称为随机区间，且a_i∈R,b_i∈R，R表示实数集；；c_i,r_i分别称为区间时间序列{N_i}的区间中点和区间半径；

1.2)计算差分序列

式中，d表示差分序列的阶数，初值为1；表示d阶差分；

1.3)检验差分序列是否为平稳时间序列，若为非平稳时间序列，则转到步骤1.2)重新计算；否则对得到的平稳时间序列{N_i′}建立改进的自回归移动平均模型VAR-ARMA(p,q)；

1.4)求解含区间时间序列差分整合向量自回归模型ARIMA(p,d,q)模型，得到未来24小时的有功负荷无功负荷以及气负荷

进一步，所述步骤1.3)中，改进的自回归移动平均模型VAR-ARMA(p,q)模型为：

θ_q(B)＝θ₁(B)+θ₂(B²)+θ₃(B³)+...+θ_p(B^q)，

式中，C为常数，ε_i为白噪声过程，B^p为滞后算子，为自回归系数，p为自回归阶数，θ_q为移动平均系数，q为移动平均阶数，B^q表示q阶滞后算子。

进一步，所述步骤2)中，海上综合能源系统日前多目标调度模型是结合海上电力系统、天然气系统与能源耦合环节的约束条件，以电压、气压偏移度最小和海上综合能源系统总成本最小为优化目标建立的。

进一步，所述步骤2)中，多目标优化调度模型中的目标为：

minF＝F₁+wF₂

式中，F表示总目标函数，w表示权重系数；F₁表示总成本，其中，分别表示OIENES的购电成本和购气成本，分别表示电转气设备单元P2G和燃气轮机的运行成本，Ω_E、Ω_G分别表示所有的购电节点集合和气源点集合，表示上级电网在t时段注入节点k的有功功率，表示气源中心s在t时段注入节点a的天然气流量，表示P2G单元在t时段所转换的天然气量，C_α,r为统一多项式成本函数，C_E,r为电力系统成本函数，C_G,r为天然气系统成本函数，E表示电力系统，G表示天然气系统。α为能源种类，a_α,r为成本多项式系数，r表示成本多项式次数；F₂表示电压、气压偏移度，其中，分别表示OIENES的电压、气压偏移度，n_E、n_G分别表示配电系统与配气系统的节点数，表示节点i在t时段的电压、表示节点a在t时段的气压，U_r、π_r分别表示短期负荷预测所得日前调度的电压与气压的期望值。

进一步，所述电力系统约束包括系统节点平衡约束和系统潮流约束：

系统节点平衡约束为：

其中，Q^t _G,k表示上级电网在t时段注入节点k的无功功率，与分别表示燃气轮机发电机组n在t时段注入节点k的有功出力和无功出力，表示电转气设备单元在t时段消耗的电功率，与分别表示在t时段节点k的有功功率和无功功率，下标中的T表示燃气轮机；

系统潮流约束为：

其中，分别表示节点k电压幅值的下限和上限；表示节点k与节点j之间的支路在t时段传输的有功功率，P_kjmin、P_kjmax分别表示支路kj有功功率的下限和上限；分别表示电源节点k在t时段输出的有功功率和无功功率，P_Gkmin、P_Gkmax分别表示电源节点k有功功率的下限和上限，Q_Gkmin、Q_Gkmax分别表示电源节点k无功功率的下限和上限。

进一步，所述天然气系统约束包括系统流量平衡约束和系统潮流约束：

系统流量平衡约束为：

其中，表示与节点a相连的管道在t时段的净流出的天然气流量，分别表示t时段内流出节点a的天然气流量和流入节点a的天然气流量；表示燃气轮机发电机组tn在t时段消耗的天然气量；

系统潮流约束为：

其中，表示气源s在t时段的供气量，分别表示节点a压比的下限和上限，分别表示气源中心s供气量的下限和上限，表示节点a与节点b之间管道的天然气流量，k_ab是与管道和气体相关的常数；表示节点b在t时段的气压。

进一步，所述耦合环节约束包括燃气轮机发电机组约束和电转气环节约束：

燃气轮机发电机组约束为：

P_e＝P·η_tm

P₂＝P_e-p₀

其中，表示进入压气机的天然气流量，N表示燃气轮机转轴的转速，表示压气机内的压比；表示进入燃气轮机的天然气流量，表示燃料流量；P表示燃气轮机的总膨胀功率，T_in、T_out分别表示进压气机和出压气机的气体温度，c_cp为定压比热容；P_e为燃气轮机输出功率，η_tm为动力透平轴机械效率；P₂为燃气轮机发电机组输出有功功率，p₀、E₀分别为同步发电机的空载损耗和空载电动势，U为电网电压，θ为与之间夹角。分别表示同步发电机空载电动势相量和电网电压相量；

电转气环节约束为：

其中，η_P2G为电转气单元设备的转化效率，H_g为天然气热值。

进一步，所述步骤3)中，改进的粒子群算法求解步骤如下：

3.1)结合电力系统与天然气系统的约束条件，输入约束条件中的已知参数，则待求解问题转化为：

其中，F₁表示总成本，F₂表示电压、气压偏移度；为待求解的决策量，分别表示节点k电压、节点k相角、发电节点k的有功出力、发电节点k的无功出力、气源点s的天然气流量、燃料流量、压气机压比、节点a的天然气压比、电转气设备单元的电功率；

3.2)将约束条件写为罚函数加入目标函数，使待求解决策量作为粒子代入改进的粒子群计算公式中，使得总成本F₁和电压、气压偏移度F₂达到最小值；

3.3)若求解结果满足精度要求，使总成本F₁和电压、气压偏移度F₂达到最小值，则输出优化调度结果；否则转到步骤3.2)重新求解，直至满足精度要求，得到短期日前调度计划。

进一步，所述改进的粒子群算法公式为：

式中，分别表示第u次迭代过程中第m个粒子的第n维位置和速度，w表示惯性因子，表示第u次迭代过程中历史最佳位置的第n维位置，表示第u次迭代过程中全局最佳位置，为粒子群在第u次迭代过程中的最优位置，c₁、c₂、c₃为更新公式的学习因子，rand为[0，1]之间的随机数。

本发明由于采取以上技术方案，其具有以下优点：现有研究多单独以系统运行成本或全局电压、气压波动为优化目标，且较少考虑燃气轮机的耦合作用。考虑到供能可靠性和经济性对海上综合能源系统的重要性，本发明从能源负荷终端和系统运行成本的角度出发，重点考虑了燃气轮机、P2G技术在海上综合能源系统中的耦合作用，以系统运行成本和全局电压、气压波动为优化目标，可以在保证系统最小运行成本的前提下极大地减少电压、气压的波动，提高海上综合能源系统的安全稳定运行水平。

附图说明

图1是本发明的整体流程示意图；

图2为电负荷、气负荷ARIMA短期预测相对误差图；

图3为MT、P2G及上级电网各时刻出力曲线图；

图4为各时刻系统最小电压、气压偏移度示意图；

图5为各时刻系统最小运行成本分布度。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种考虑负荷预测的海上综合能源系统日前多目标调度方法，其包括以下步骤：

1)获取预测未来24小时的电、气负荷数据：根据电、气负荷历史数据，利用含区间时间序列差分整合向量自回归的短期负荷预测模型，得到预测未来24小时的电、气负荷数据；

2)将所得负荷数据代入预先设置的海上综合能源系统日前多目标调度模型中，获取待求解决策量；

海上综合能源系统日前多目标调度模型的建立：结合海上电力系统、天然气系统与能源耦合环节的约束条件，以电压、气压偏移度最小和海上综合能源系统总成本最小为优化目标，建立海上综合能源系统日前多目标调度模型；

3)根据待求解决策量，采用改进的粒子群算法对海上综合能源系统日前多目标调度模型进行求解，获得短期日前调度计划。

上述步骤1)中，含区间时间序列差分整合向量自回归的短期负荷预测模型ARIMA(p,d,q)建立方法包括以下步骤：

1.1)输入电、气负荷的历史区间时间序列{N_i}，且{N_i}满足：

N_i＝[a_i,b_i]＝(c_i,r_i)，

其中，N_i表示第i组历史数据；区间[a_i,b_i]称为随机区间且a_i∈R,b_i∈R，R表示实数集；c_i,r_i分别称为区间时间序列{N_i}的区间中点和区间半径且满足：

1.2)计算差分序列

式中，d表示差分序列的阶数，初值为1；表示d阶差分。

1.3)检验差分序列是否为平稳时间序列，若为非平稳时间序列，则转到步骤1.2)重新计算；否则可对得到的平稳时间序列{N_i′}建立改进的自回归移动平均模型VAR-ARMA(p,q)，具体形式为：

θ_q(B)＝θ₁(B)+θ₂(B²)+θ₃(B³)+...+θ_p(B^q)，

式中，C为常数，ε_i为白噪声过程，B^p为p阶滞后算子，为自回归系数，p为自回归阶数，θ_q为移动平均系数，q为移动平均阶数，B^q表示q阶滞后算子。

1.4)求解含区间时间序列差分整合向量自回归模型ARIMA(p,d,q)模型，得到未来24小时的有功负荷无功负荷以及气负荷其中，与分别表示在t时段节点k有功负荷和无功负荷的历史数据，表示节点a在t时段燃气负荷的历史数据，与分别表示在t时段节点k有功负荷和无功负荷的预测数据，表示节点a在t时段燃气负荷的预测数据，下标L表示负荷，C₁、C₂、C₃均为常数。具体形式为：

上述步骤2)中，海上综合能源系统日前多目标调度模型中的目标为：

minF＝F₁+wF₂

式中，F表示总目标函数，w表示权重系数；F₁表示总成本，其中，分别表示OIENES(海上综合能源系统)的购电成本和购气成本，分别表示电转气设备单元(P2G)和燃气轮机的运行成本，Ω_E、Ω_G分别表示所有的购电节点集合和气源点集合，表示上级电网在t时段注入节点k的有功功率，表示气源中心s在t时段注入节点a的天然气流量，表示P2G单元在t时段所转换的天然气量，C_α,r为统一多项式成本函数，C_E,r为电力系统成本函数，C_G,r为天然气系统成本函数，E表示电力系统，G表示天然气系统。其表达式为其中，α为能源种类，a_α,r为成本多项式系数，r表示成本多项式次数；F₂表示电压、气压偏移度，其中，分别表示OIENES的电压、气压偏移度，n_E、n_G分别表示配电系统与配气系统的节点数，表示节点k在t时段的电压、表示节点a在t时段的气压，U_r、π_r分别表示短期负荷预测所得日前调度的电压与气压的期望值。

上述步骤2)中，海上综合能源系统日前多目标调度模型中的海上电力系统约束、天然气系统约束和耦合环节约束分别为：

2.1)电力系统约束包括系统节点平衡约束和系统潮流约束；

系统节点平衡约束为：

其中，Q^t _G,k表示上级电网在t时段注入节点k的无功功率，与分别表示燃气轮机发电机组n在t时段注入节点k的有功出力和无功出力，表示电转气设备单元在t时段消耗的电功率，与分别表示在t时段节点k的有功功率和无功功率，下标中的T表示燃气轮机。

系统潮流约束为：

其中，分别表示节点k电压幅值的下限和上限；表示节点k与节点j之间的支路在t时段传输的有功功率，P_kjmin、P_kjmax分别表示支路kj有功功率的下限和上限；分别表示电源节点k在t时段输出的有功功率和无功功率，P_Gkmin、P_Gkmax分别表示电源节点k有功功率的下限和上限，Q_Gkmin、Q_Gkmax分别表示电源节点k无功功率的下限和上限。

2.2)天然气系统约束包括系统流量平衡约束和系统潮流约束；

系统流量平衡约束为：

其中，表示与节点a相连的管道在t时段的净流出的天然气流量，分别表示t时段内流出节点a的天然气流量和流入节点a的天然气流量；表示燃气轮机发电机组tn在t时段消耗的天然气量。

系统潮流约束为：

其中，表示气源s在t时段的供气量，分别表示节点a压比的下限和上限，分别表示气源中心s供气量的下限和上限，表示节点a与节点b之间管道的天然气流量，k_ab是与管道和气体相关的常数；表示节点b在t时段的气压。

2.3)耦合环节约束包括燃气轮机发电机组约束和电转气环节约束；

燃气轮机发电机组约束为：

P_e＝P·η_tm

P₂＝P_e-p₀

其中，表示进入压气机的天然气流量，下标c表示压气机，N表示燃气轮机转轴的转速，表示压气机内的压比；表示流入燃气轮机的天然气流量，下标in表示流入燃气轮机，表示燃料流量，下标f表示燃料；P表示燃气轮机的总膨胀功率，T_in、T_out分别表示进压气机和出压气机的气体温度，c_cp为定压比热容，下标cp表示压强恒定；P_e为燃气轮机输出功率，下标e表示燃气轮机的输出，η_tm为动力透平轴机械效率，下标tm表示动力透平轴；P₂为燃气轮机发电机组输出有功功率，p₀、E₀分别为同步发电机的空载损耗和空载电动势，U为电网电压，θ为与之间夹角。分别表示同步发电机空载电动势相量和电网电压相量。

电转气环节约束为：

其中，η_P2G为电转气单元设备的转化效率，H_g为天然气热值，下标g表示天然气。

上述步骤3)中，改进的粒子群算法求解步骤如下：

3.1)结合电力系统与天然气系统的约束条件，输入约束条件中的已知参数，则待求解问题转化为：

其中，F₁表示总成本，F₂表示电压、气压偏移度；为待求解的决策量，表示节点k电压，表示节点k相角、表示发电节点k的有功出力、表示发电节点k的无功出力、表示气源点s的天然气流量、表示燃料流量、表示压气机压比、表示节点a的天然气压比、表示电转气设备单元的电功率。

3.2)将约束条件写为罚函数加入目标函数，使待求解决策量作为粒子代入改进的粒子群计算公式中，使得总成本F₁和电压、气压偏移度F₂达到最小值；

改进的粒子群算法公式为：

式中：分别表示第u次迭代过程中第m个粒子的第n维位置和速度，w表示惯性因子，表示第u次迭代过程中历史最佳位置的第n维位置，表示第u次迭代过程中全局最佳位置，为粒子群在第u次迭代过程中的最优位置，c₁、c₂、c₃为更新公式的学习因子，rand为[0，1]之间的随机数。

3.3)若求解结果满足精度要求，使总成本F₁和电压、气压偏移度F₂达到最小值，则输出优化调度结果；否则转到步骤3.2)重新求解，直至满足精度要求，即得到短期日前调度计划。

实施例

下面结合附图和具体实施例对本发明的实施方法作进一步的说明。

1)取1小时为时间步长，由过去一周的历史数据对系统进行未来1天24小时的ARIMA算法短期负荷预测。

如图2所示，以海上某平台为例，可以看出ARIMA算法的预测模型基本能够预测短期(电力、天然气)负荷的走向，预测精度基本可以控制在8％以内，相对达到了要求。最大相对误差为8.69％，出现在5：00时刻，气负荷由于其日波动性较小而预测更加精确。

2)通过求取多目标权重系数，将多目标问题转化为如下式所示的单目标问题：

minF＝F₁+w^*F₂

式中w^*为权重系数。

3)获取优化方案。结合全部约束条件，用改进的粒子群算法求解待求解问题。

如图3所示，为MT、P2G及上级电网各时刻出力曲线，可以看出由于经济性的限制，天然气供应成本相对较高，当负荷需求大幅增加时，为保证系统运行成本最小，该OIENES的平台应更倾向于向上级平台电网购电，以保证供需平衡。而相对上级电网购电量与燃气轮机出力而言，由于P2G设备的运行成本较高，且海上油田群平台的伴生气充足，P2G耦合单元的转化功率一直处于较低水平，对降低系统运行成本与降低气压、电压偏移度的总目标无较大作用。

如图4、图5所示，分别为各时刻系统最小电压、气压偏移度和各时刻系统最小运行成本分布，可以看出本文所采用的日前优化调度模型能通过提前制定调度计划和调整机组各时刻的出力使系统的总电压、气压偏移度基本控制在[0.03,0.3]以内，所优化的结果在保证系统最小运行成本的前提下极大地减少了电压、气压的波动，保证了系统各个时刻的电压、气压稳定性，使系统能够在稳定状态下运行。

综上，本发明从能源负荷终端和系统运行成本的角度出发，重点考虑了燃气轮机、P2G技术在海上综合能源系统中的耦合作用，可以在保证系统最小运行成本的前提下极大地减少电压、气压的波动，保证系统各个时刻的电压、气压稳定性。

上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种考虑负荷预测的海上综合能源系统日前多目标调度方法，其特征在于包括以下步骤：

1)获取预测未来24小时的电、气负荷数据；

2)将所得负荷数据代入预先设置的海上综合能源系统日前多目标调度模型中，获取待求解决策量；

3)根据待求解决策量，采用改进的粒子群算法对海上综合能源系统日前多目标调度模型进行求解，获得短期日前调度计划。

2.如权利要求1所述优化调度方法，其特征在于：所述步骤1)中，含区间时间序列差分整合向量自回归的短期负荷预测模型ARIMA(p，d，q)建立方法包括以下步骤：

1.1)输入电、气负荷的历史区间时间序列{N_i}，且{N_i}满足：

N_i＝[a_i，b_i]＝(c_i，r_i)，

其中，N_i表示第i组历史数据；区间[a_i，b_i]称为随机区间，且a_i∈R，b_i∈R，R表示实数集；；c_i，r_i分别称为区间时间序列{N_i}的区间中点和区间半径；

1.2)计算差分序列

式中，d表示差分序列的阶数，初值为1；表示d阶差分；

1.3)检验差分序列是否为平稳时间序列，若为非平稳时间序列，则转到步骤1.2)重新计算；否则对得到的平稳时间序列{N_i′}建立改进的自回归移动平均模型VAR-ARMA(p，q)；

1.4)求解含区间时间序列差分整合向量自回归模型ARIMA(p，d，q)模型，得到未来24小时的有功负荷无功负荷以及气负荷

3.如权利要求2所述优化调度方法，其特征在于：所述步骤1.3)中，改进的自回归移动平均模型VAR-ARMA(p，q)模型为：

θ_q(B)＝θ₁(B)+θ₂(B²)+θ₃(B³)+...+θ_p(B^q)，

式中，C为常数，ε_i为白噪声过程，B^p为滞后算子，为自回归系数，p为自回归阶数，θ_q为移动平均系数，q为移动平均阶数，B^q表示q阶滞后算子。

4.如权利要求1所述优化调度方法，其特征在于：所述步骤2)中，海上综合能源系统日前多目标调度模型是结合海上电力系统、天然气系统与能源耦合环节的约束条件，以电压、气压偏移度最小和海上综合能源系统总成本最小为优化目标建立的。

5.如权利要求1或4所述优化调度方法，其特征在于：所述步骤2)中，多目标优化调度模型中的目标为：

minF＝F₁+wF₂

式中，F表示总目标函数，w表示权重系数；F₁表示总成本，其中，f₁ ^t、分别表示OIENES的购电成本和购气成本，分别表示电转气设备单元P2G和燃气轮机的运行成本，Ω_E、Ω_G分别表示所有的购电节点集合和气源点集合，表示上级电网在t时段注入节点k的有功功率，表示气源中心s在t时段注入节点a的天然气流量，表示P2G单元在t时段所转换的天然气量，C_α，r为统一多项式成本函数，C_E，r为电力系统成本函数，C_G，r为天然气系统成本函数，E表示电力系统，G表示天然气系统。α为能源种类，a_α，r为成本多项式系数，r表示成本多项式次数；F₂表示电压、气压偏移度，其中，分别表示OIENES的电压、气压偏移度，n_E、n_G分别表示配电系统与配气系统的节点数，表示节点i在t时段的电压、表示节点a在t时段的气压，U_r、π_r分别表示短期负荷预测所得日前调度的电压与气压的期望值。

6.如权利要求4所述优化调度方法，其特征在于：所述电力系统约束包括系统节点平衡约束和系统潮流约束：

系统节点平衡约束为：

其中，Q^t _G，k表示上级电网在t时段注入节点k的无功功率，与分别表示燃气轮机发电机组n在t时段注入节点k的有功出力和无功出力，表示电转气设备单元在t时段消耗的电功率，与分别表示在t时段节点k的有功功率和无功功率，下标中的T表示燃气轮机；

系统潮流约束为：

其中，分别表示节点k电压幅值的下限和上限；表示节点k与节点j之间的支路在t时段传输的有功功率，P_kjmin、P_kjmax分别表示支路kj有功功率的下限和上限；分别表示电源节点k在t时段输出的有功功率和无功功率，P_GKmin、P_Gkmax分别表示电源节点k有功功率的下限和上限，Q_Gkmin、Q_GKmax分别表示电源节点k无功功率的下限和上限。

7.如权利要求4所述优化调度方法，其特征在于：所述天然气系统约束包括系统流量平衡约束和系统潮流约束：

系统流量平衡约束为：

其中，表示与节点a相连的管道在t时段的净流出的天然气流量，分别表示t时段内流出节点a的天然气流量和流入节点a的天然气流量；表示燃气轮机发电机组tn在t时段消耗的天然气量；

系统潮流约束为：

其中，表示气源s在t时段的供气量，分别表示节点a压比的下限和上限，分别表示气源中心s供气量的下限和上限，表示节点a与节点b之间管道的天然气流量，k_ab是与管道和气体相关的常数；表示节点b在t时段的气压。

8.如权利要求4所述优化调度方法，其特征在于：所述耦合环节约束包括燃气轮机发电机组约束和电转气环节约束：

燃气轮机发电机组约束为：

P_e＝P·η_tm

P₂＝P_e-p₀

其中，表示进入压气机的天然气流量，N表示燃气轮机转轴的转速，表示压气机内的压比；表示进入燃气轮机的天然气流量，表示燃料流量；P表示燃气轮机的总膨胀功率，T_in、T_out分别表示进压气机和出压气机的气体温度，c_cp为定压比热容；P_e为燃气轮机输出功率，η_tm为动力透平轴机械效率；P₂为燃气轮机发电机组输出有功功率，p₀、E₀分别为同步发电机的空载损耗和空载电动势，U为电网电压，θ为与之间夹角。分别表示同步发电机空载电动势相量和电网电压相量；

电转气环节约束为：

其中，η_P2G为电转气单元设备的转化效率，H_g为天然气热值。

9.如权利要求1所述优化调度方法，其特征在于：所述步骤3)中，改进的粒子群算法求解步骤如下：

3.1)结合电力系统与天然气系统的约束条件，输入约束条件中的已知参数，则待求解问题转化为：

其中，F₁表示总成本，F₂表示电压、气压偏移度；为待求解的决策量，分别表示节点k电压、节点k相角、发电节点k的有功出力、发电节点k的无功出力、气源点s的天然气流量、燃料流量、压气机压比、节点a的天然气压比、电转气设备单元的电功率；

3.2)将约束条件写为罚函数加入目标函数，使待求解决策量作为粒子代入改进的粒子群计算公式中，使得总成本F₁和电压、气压偏移度F₂达到最小值；

3.3)若求解结果满足精度要求，使总成本F₁和电压、气压偏移度F₂达到最小值，则输出优化调度结果；否则转到步骤3.2)重新求解，直至满足精度要求，得到短期日前调度计划。

10.如权利要求9所述优化调度方法，其特征在于：所述改进的粒子群算法公式为：

式中，分别表示第u次迭代过程中第m个粒子的第n维位置和速度，w表示惯性因子，表示第u次迭代过程中历史最佳位置的第n维位置，表示第u次迭代过程中全局最佳位置，为粒子群在第u次迭代过程中的最优位置，c₁、c₂、c₃为更新公式的学习因子，rand为[0，1]之间的随机数。