CN111860937A - 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 - Google Patents

Abstract

本发明涉及一种基于改进多目标灰狼算法的冷热电联供型微电网优化调度方法，步骤为：S1建立能源设备的数学模型，包括微型燃气轮机模型、余热锅炉模型、蓄电池模型、蓄热槽模型、溴化锂吸收式制冷机模型、风力机模型、光伏电池模型；S2结合电负荷、热负荷、冷负荷、能源设备的运行条件作为约束条件，建立微电网经济成本、CO和NOx的排放量最小化为目标的优化调度模型；S3以提高算法的运算速度和算法前期的探索能力为目标，对多目标灰狼优化算法及优化调度模型进行改进；S4基于改进多目标灰狼算法对优化调度模型进行求解。本方法使多目标灰狼优化算法的求解速度以及前期的搜寻能力显著提高，更加适用于微电网多目标优化模型的求解。

Description

基于改进多目标灰狼算法的冷热电联供型微电网优化方法

技术领域

本发明属于电力系统的调动技术领域，具体涉及一种基于改进多目标灰狼算法的冷热电联供型微电网优化方法。

背景技术

随着分布式能源供应系统的快速发展，热电联供系统以及冷热电联供系统已成为提高能源效率和减少温室气体排放的关键解决方案。冷热电联供系统采用能量梯级利用原理，使系统的能源利用效率显著高于普通热电效率，实现节能减排的目标。冷热电联供型微电网中多种能源设备耦合，相互影响与制约，运行策略具有很强的灵活性，需要进行统一的优化调度。深入对冷热电联供型微电网的研究，致力于多种能源系统的协调运行，提高微电网运行的经济性和环保性，对于冷热电联供型微电网的推广与发展有着重要意义。

目前，微电网的经济调度研究主要考虑经济和环保两方面的因素。建立了综合运行费用和环境惩罚因子的目标函数，对冷热电联供型微电网进行优化调度的方法在微电网的运行优化研究中使用普遍。这种将多目标问题转化为单目标的方法存在一定的问题：单目标优化得到的运行策略单一，用户无法进行灵活的选择。同时，单目标优化的结果无法使用户直接对运行策略的经济性和环保性进行调控，只是单纯以最佳的经济效益为目标。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种基于改进多目标灰狼算法的冷热电联供型微电网优化方法。

本发明为解决上述技术问题采取的技术方案为：

一种基于改进多目标灰狼算法的冷热电联供型微电网优化方法，其特征在于，包括如下步骤：

S1建立能源设备的数学模型，包括微型燃气轮机模型、余热锅炉模型、蓄电池模型、蓄热槽模型、溴化锂吸收式制冷机模型、风力机模型、光伏电池模型；

S2结合电负荷、热负荷、冷负荷、能源设备的运行条件作为约束条件，建立微电网经济成本、CO和NOx的排放量最小化为目标的优化调度模型；

S3以提高算法的运算速度和算法前期的探索能力为目标，对多目标灰狼优化算法及优化调度模型进行改进；

S4基于改进多目标灰狼算法对优化调度模型进行求解。

进一步的：S1中各模型表达式如下：

(1)微型燃气轮机模型：

微型燃气轮机的效率和污染气体排放量均与设备容量、负载水平相关，其效率的表达式为：

η_MTE＝r₀₁P_MTref+r₁₁R_MT+r₂₁P_MTrefR_MT+r₃₁

η_MTH＝r₀₂P_MTref+r₁₂R_MT+r₂₂P_MTrefR_MT+r₃₂

式中，η_MTE为发电效率，η_MTH为制热效率，P_MTref为设备的额定功率，R_MT为荷载率，r_ij为与设备相关的常数；

CO和NO_x是微型燃气轮机产生的主要污染气体，当微型燃气轮机在50％额定功率以下工作时，污染气体排放严重，基于此设定微型燃气轮机功率低于50％额定功率时关闭；CO和NO_x二者排放量的分段拟合函数为：

f_NOx(R_MT)＝350-310(R_MT-0.5)

(2)余热锅炉模型：

微型燃气轮机的烟气作为余热锅炉的热源，产生蒸汽或热水满足微电网的热负荷需求，余热锅炉的功率为：

式中，P_bl为余热锅炉的功率，P_MT为微型燃气轮机的功率，Q_ac为下级溴化锂吸收式制冷机所消耗的热功率，η_bl为余热锅炉的效率；

(3)蓄电池模型：

蓄电池储存微电网中产生的多余电量和在用电高峰时段进行辅助供电；蓄电池的充放电状态(SOC)为剩余电量与额定电量的比值：

式中，C_net蓄电池当前电量，C为蓄电池最大容量；

每个时间段蓄电池状态：

式中，P_b为电池功率，放电为正；△t为时间跨度；

(4)蓄热槽模型

蓄热槽储存微电网产生的剩余热量并加以利用，在储热过程中会造成热能的耗散；蓄热槽的具体模型为：

式中，E_HST,t为t时段蓄热槽内的热能，

为蓄热的损耗系数，P_HST,t为设备的功率，蓄热为正，放热为负；

(5)溴化锂吸收式制冷机模型：

溴化锂吸收式制冷机利用余热锅炉的烟气进行吸收式制冷，其数学模型为：

P_ac＝Q_ac·COP_ac

式中，P_ac为溴化锂吸收式制冷机的制冷功率，Q_ac为吸收烟气的热量，COP_ac为设备的制冷系数；

(6)风力机模型：

风力机的输出功率表达式为：

式中，V_in切入风速，V_out切出风速，v当前风速，V_r为额定风速，P_N风力发电机组额定输出功率；

(7)光伏电池模型：

光伏电池的输出功率表达式为：

式中，P_STC标准条件下的输出功率，G为实际光照强度，G_STC标准条件下的光照强度，1000W/m²。k为功率温度系数，T_e为环境温度，T_N为组件额定温度，T_STC模块在标准条件下的表面温度，25℃。

进一步的：S2建立优化模型的过程为：

S21建立目标函数：

优化目标包括三个：微电网运行费用、CO排放量以及NO_x排放量，具体为：

(1)建立微电网运行费用模型：

微电网运行费用包括三个方面:天然气费用、各设备的维护费用和微电网从大电网购售电产生的费用，具体数学表达式为：

式中，C₁为系统运行24小时总费用，C_gas为天然气价格，C_bl为余热锅炉设备维护费用，C_MT为微型燃气轮机设备维护费用，C_pv光伏电池设备维护费用，C_w风机设备维护费用，C_ac为溴化锂吸收式制冷机设备维护费用，C_HST为蓄热槽设备维护费用，P_ec为分体式空调功率，C_ec为分体式空调设备维护费用，P_eh为电采暖设备功率，C_eh为电采暖设备维护费用，C_p为从大电网购电价格，C_s为向大电网售电价格，P_g为微电网与大电网的交互功率，购电为正售电为负；

(2)建立CO排放量模型

微电网中CO排放量的表达式为：

式中，C₂为系统运行24小时总CO排放量；

(3)建立NO_x排放量模型

微电网中CO排放量的表达式为：

S22建立约束条件

微电网优化模型的约束条件主要包含四个方面：电负荷约束、热负荷约束、冷负荷约束、能源设备的运行约束，具体为：

(1)电负荷约束：

微电网各个微元输出的电功率之和需满足电负荷的需求：

蓄电池处于放电状态时：(P_w+P_MT+P_pv+P_Bη_dis+P_g＝P_E)_i

蓄电池充电状态时：

式中，P_E为园区电负荷，η_dis为蓄电池放电效率，η_ch为蓄电池充电效率；

(2)热负荷约束

余热锅炉、蓄热槽和电采暖的输出热功率之和需满足园区热负荷的需求，另外需考虑由于蓄热槽的容量限制会造成热量的浪费，

蓄热槽放热：(P_bl+P_HSTμ_dis+P_eh≥P_H)_i

蓄热槽蓄热：

式中，P_H为园区热负荷，μ_dis为蓄热槽放热效率，μ_ch为蓄热槽蓄热效率；

(3)冷负荷约束：

溴化锂吸收式制冷机和分体空调输出的冷功率之和需满足园区冷负荷需求：

(P_ac+P_ec＝P_C)_i

式中，P_C为园区冷负荷；

(4)储能设备的约束条件：

为了保护蓄电池的工作寿命，蓄电池的SOC应处于一定的范围内：

(SOC_min≤SOC≤SOC_max)_i

式中，SOC_min和SOC_max是蓄电池电荷状态允许的最小和最大值；

蓄热槽的需热量也存在着一定约束：

(E_HST,min≤E_HST≤E_HST,max)_i

式中，E_HST,min和E_HST,max是蓄热槽的蓄热量所允许的最小和最大值；

(5)设备的运行约束：

微电网内能源设备的运行功率都应该处于对应的范围内：

(P_j,min≤P_j≤P_j,max)_i

式中，P_j,min为设备运行功率下限，P_j为设备实际运行功率，P_j,max为设备运行功率上限。

进一步的，S3的具体改进策略如下：

S31优化模型的简化：风机和光伏电池的设备维护费用相对较低且没有燃料费用，故在优化时可以按照可能的最大功率出力；

S32线性约束的转换，在灰狼初始化和位置更新时，每种负荷约束下都有一个设备的出力是由负荷减去其他设备的出力得到，再检验该设备的出力是否满足其运行功率的限制即可，以电负荷为例，与电网的交互功率表示为：

(P_g＝P_E-P_w-P_MT-P_pv-P_Bη_dis)_i

只需检验P_g是否满足功率的上下限约束即可；

S33灰狼初始化和位置更新的方式改变：在原始多目标灰狼优化算法中灰狼个体位置的每一维坐标是同时生成的，

原始灰狼的位置向量表示为：X＝(x_a,1,...,x_a,24,x_b,1,...,x_b,24,...,x_g,1,...,x_g,24)

其中，角标a,b,…,g代表不同的能源设备，角标中数字代表不同的时段；

针对微电网的负荷约束和时间段的相关性，将每只灰狼个体位置的初始化和更新方式按时间分为24组，将同一时间段的设备出力分为一组进行初始化和更新X_i＝(x_a,i,x_b,i,...,x_g,i)，判定满足负荷约束时再进行下一组设备出力的初始化或更新，24个组都满足负荷约束后进行合并再进行其他约束的检验以及后续计算；

S34 MOGWO算法的探索能力不足，对于其中的控制参数a而言，a越大则算法的探索能力越强；将线性缩小的控制参数a改为幂函数形式，以提高算法前期的搜索能力；

进一步的，S4的求解过程如下：

S41、设置灰狼的数量、最大迭代次数、搜索范围和外部种群Archive的参数等控制参数，输入约束条件和目标函数；

S42、灰狼初始化，随即生成灰狼个体，检验是否满足约束条件，直至生成足够数量的合格个体；计算灰狼的目标函数值，确定非支配个体，更新Archive；

S43、从Archive中按轮盘赌法选择α、β和δ狼，其余灰狼根据α、β和δ狼的位置进行更新，检验新生成的灰狼是否满足约束条件，直至生成足够数量的合格灰狼个体；

S44、计算灰狼的目标函数值，确定非支配个体，更新Archive；

S45、重复步骤3、4，直至达到最大迭代次数；

S46、输出Archive中的灰狼位置，即为微电网优化问题的一组Pareto解集。

本发明具有的优点和积极效果：

本发明通过对多目标灰狼优化算法进行改进，包括狼群的初始化和更新方式的优化以及优化控制参数的调整策略，再结合微电网优化模型进行改进，使多目标灰狼优化算法的求解速度以及前期的搜寻能力显著提高，更加适用于微电网多目标优化模型的求解。优化结果所得不同的优化策略通过改变各个能源设备的运行功率，可以对三个目标实现不同程度的优化，实现降低运行成本、减少污染气体排放的目标。三个优化目标之间存在一定的制约关系，无法同时达到最优。本发明中的优化策略可以让用户根据实际需要选择运行策略，优化结果具有灵活性与多样性。

附图说明

图1是本发明改进多目标灰狼算法的计算流程图。

具体实施方式

下面结合图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

本发明提出了一种基于改进多目标灰狼算法的冷热电联供型微电网的优化方法。将微电网的电负荷、热负荷、冷负荷、能源设备的运行条件作为约束条件，建立微电网经济成本、CO和NOx的排放量最小化为目标的优化调度模型，然后通过改进的多目标灰狼算法进行求解。主要步骤如下：

S1建立能源设备的数学模型，具体包括：

(1)微型燃气轮机模型

微型燃气轮机的效率和污染气体排放量均与设备容量、负载水平相关。其效率的表达式为：

η_MTE＝r₀₁P_MTref+r₁₁R_MT+r₂₁P_MTrefR_MT+r₃₁

η_MTH＝r₀₂P_MTref+r₁₂R_MT+r₂₂P_MTrefR_MT+r₃₂

式中，η_MTE为发电效率，η_MTH为制热效率，P_MTref为设备的额定功率，R_MT为荷载率，r_ij为与设备相关的常数。

CO和NO_x是微型燃气轮机产生的主要污染气体，当微型燃气轮机在50％额定功率以下工作时，污染气体排放严重，因此本专利中设定微型燃气轮机功率低于50％额定功率时关闭。CO和NO_x二者排放量的分段拟合函数为：

f_NOx(R_MT)＝350-310(R_MT-0.5)

(2)余热锅炉模型

微型燃气轮机的烟气作为余热锅炉的热源，产生蒸汽或热水满足微电网的热负荷需求，余热锅炉的功率为：

式中，P_bl为余热锅炉的功率，P_MT为微型燃气轮机的功率，Q_ac为下级溴化锂吸收式制冷机所消耗的热功率，η_bl为余热锅炉的效率。

(3)蓄电池模型

蓄电池可以储存微电网中产生的多余电量和在用电高峰时段进行辅助供电。蓄电池的充放电状态(SOC)为剩余电量与额定电量的比值：

式中，C_net蓄电池当前电量，C为蓄电池最大容量

每个时间段蓄电池状态：

式中，P_b为电池功率，放电为正；△t为时间跨度。

(4)蓄热槽模型

蓄热槽可以储存微电网产生的剩余热量并加以利用，但在储热过程中会造成热能的耗散。

蓄热槽的具体模型为：

式中，E_HST,t为t时段蓄热槽内的热能，

为蓄热的损耗系数，P_HST,t为设备的功率，蓄热为正，放热为负。

(5)溴化锂吸收式制冷机模型

溴化锂吸收式制冷机利用余热锅炉的烟气进行吸收式制冷，其数学模型为：

P_ac＝Q_ac·COP_ac

式中，P_ac为溴化锂吸收式制冷机的制冷功率，Q_ac为吸收烟气的热量，COP_ac为设备的制冷系数。

(6)风力机模型

风力机的输出功率表达式为：

式中，V_in切入风速，V_out切出风速，v当前风速，V_r为额定风速，P_N风力发电机组额定输出功率。

(7)光伏电池模型

光伏电池的输出功率表达式为：

式中，P_STC标准条件下的输出功率，G为实际光照强度，G_STC标准条件下的光照强度，1000W/m²。k为功率温度系数，T_e为环境温度，T_N为组件额定温度，T_STC模块在标准条件下的表面温度，25℃。

S2在上述模型的基础上考虑电负荷、热负荷、冷负荷、能源设备的运行条件作为约束条件，得到微电网的优化模型，具体优化模型如下：

S21建立目标函数

优化目标包括3个：微电网运行费用、CO排放量以及NO_x排放量，具体模型为：

(1)微电网运行费用模型：

微电网运行费用包括三个方面:天然气费用、各设备的维护费用和微电网从大电网购售电产生的费用。具体数学表达式为：

式中，C₁为系统运行24小时总费用，C_gas为天然气价格，C_bl为余热锅炉设备维护费用，C_MT为微型燃气轮机设备维护费用，C_pv光伏电池设备维护费用，C_w风机设备维护费用，C_ac为溴化锂吸收式制冷机设备维护费用，C_HST为蓄热槽设备维护费用，P_ec为分体式空调功率，C_ec为分体式空调设备维护费用，P_eh为电采暖设备功率，C_eh为电采暖设备维护费用，C_p为从大电网购电价格，C_s为向大电网售电价格，P_g为微电网与大电网的交互功率，购电为正售电为负。

(2)CO排放量模型：

微电网中CO排放量的表达式为：

式中，C₂为系统运行24小时总CO排放量。

(3)NO_x排放量模型：

微电网中CO排放量的表达式为：

S22建立约束条件

微电网优化模型的约束条件主要包含四个方面：电负荷约束、热负荷约束、冷负荷约束、能源设备的运行约束，具体表示为：

(1)电负荷约束：

微电网各个微元输出的电功率之和需满足电负荷的需求：

蓄电池处于放电状态时：(P_w+P_MT+P_pv+P_Bη_dis+P_g＝P_E)_i

蓄电池充电状态时：

式中，P_E为园区电负荷，η_dis为蓄电池放电效率，η_ch为蓄电池充电效率。

(2)热负荷约束：

余热锅炉、蓄热槽和电采暖的输出热功率之和需满足园区热负荷的需求，但是由于蓄热槽的容量限制可能会造成热量的浪费：

蓄热槽放热：(P_bl+P_HSTμ_dis+P_eh≥P_H)_i

蓄热槽蓄热：

式中，P_H为园区热负荷，μ_dis为蓄热槽放热效率，μ_ch为蓄热槽蓄热效率。

(3)冷负荷约束：

溴化锂吸收式制冷机和分体空调输出的冷功率之和需满足园区冷负荷需求：

(P_ac+P_ec＝P_C)_i

式中，P_C为园区冷负荷。

(4)储能设备的约束条件：

为了保护蓄电池的工作寿命，蓄电池的SOC应处于一定的范围内：

(SOC_min≤SOC≤SOC_max)_i

式中，SOC_min和SOC_max是蓄电池电荷状态允许的最小和最大值。

蓄热槽的需热量也存在着一定约束：

(E_HST,min≤E_HST≤E_HST,max)_i

式中，E_HST,min和E_HST,max是蓄热槽的蓄热量所允许的最小和最大值。

(5)设备的运行约束

微电网内能源设备的运行功率都应该处于对应的范围内：

(P_j,min≤P_j≤P_j,max)_i

式中，P_j,min为设备运行功率下限，P_j为设备实际运行功率，P_j,max为设备运行功率上限。

S3以提高算法的运算速度和算法前期的探索能力为目标，对多目标灰狼优化算法及优化调度模型进行改进。具体改进策略如下：

S31优化模型的简化，风机和光伏电池的设备维护费用相对较低且没有燃料费用，故在优化时可以按照可能的最大功率出力。

S32线性约束的转换，在灰狼初始化和位置更新时，每种负荷约束下都有一个设备的出力是由负荷减去其他设备的出力得到，再检验该设备的出力是否满足其运行功率的限制即可。以电负荷为例，与电网的交互功率可以表示为：

(P_g＝P_E-P_w-P_MT-P_pv-P_Bη_dis)_i

只需检验P_g是否满足功率的上下限约束即可。

S33灰狼初始化和位置更新的方式改变。在原始多目标灰狼优化算法中灰狼个体位置的每一维坐标是同时生成的。

原始灰狼的位置向量表示为：X＝(x_a,1,...,x_a,24,x_b,1,...,x_b,24,...,x_g,1,...,x_g,24)

其中，角标a,b,…,g代表不同的能源设备，角标中数字代表不同的时段。

针对微电网的负荷约束和时间段的相关性，本发明将每只灰狼个体位置的初始化和更新方式按时间分为24组，将同一时间段的设备出力分为一组进行初始化和更新X_i＝(x_a,i,x_b,i,...,x_g,i)，判定满足负荷约束时再进行下一组设备出力的初始化或更新，24个组都满足负荷约束后进行合并再进行其他约束的检验以及后续计算。

这种做法的优势在于，当某个时段的设备出力不符合约束时，只需重新生成该时段的设备出力而非个体的所有时段的设备出力，从而缩短计算时间。

S34MOGWO算法的探索能力不足，对于其中的控制参数a而言，a越大则算法的探索能力越强。在本专利中将将线性缩小的控制参数a改为幂函数形式，以提高算法前期的搜索能力。

S4基于改进多目标灰狼算法对优化调度模型进行求解

每一只灰狼个体代表一种调度方案，个体维数代表优化能源设备出力的数目，每一维的位置信息表示设备具体的出力，将微电网运行费用、CO排放量以及NOx排放量适应度函数，采用改进的灰狼算法对运行调度优化编制，其求解过程如下：

S41、设置灰狼的数量、最大迭代次数、搜索范围和外部种群Archive的参数等控制参数,输入约束条件和目标函数；

S42、灰狼初始化，随即生成灰狼个体，检验是否满足约束条件，直至生成足够数量的合格个体；计算灰狼的目标函数值，确定非支配个体，更新Archive。

S43、从Archive中按轮盘赌法选择α、β和δ狼，其余灰狼根据α、β和δ狼的位置进行更新，检验新生成的灰狼是否满足约束条件，直至生成足够数量的合格灰狼个体；

S44、计算灰狼的目标函数值，确定非支配个体，更新Archive；

S45、重复步骤3、4，直至达到最大迭代次数；

S46、输出Archive中的灰狼位置，即为微电网优化问题的一组Pareto解集。

与原有的求解方法相比较,灰狼算法具有求解精度高、收敛速度快等优点,非常适合于解决多约束条件下的复杂函数优化问题。优化策略可以让用户根据实际需要选择运行策略，优化结果具有灵活性与多样性。

尽管为说明目的公开了本发明的实施例和图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和图所公开的内容。

Claims (5)

1.一种基于改进多目标灰狼算法的冷热电联供型微电网优化方法，其特征在于，包括如下步骤：

S1建立能源设备的数学模型，包括微型燃气轮机模型、余热锅炉模型、蓄电池模型、蓄热槽模型、溴化锂吸收式制冷机模型、风力机模型、光伏电池模型；

S2结合电负荷、热负荷、冷负荷、能源设备的运行条件作为约束条件，建立微电网经济成本、CO和NOx的排放量最小化为目标的优化调度模型；

S3以提高算法的运算速度和算法前期的探索能力为目标，对多目标灰狼优化算法及优化调度模型进行改进；

S4基于改进多目标灰狼算法对优化调度模型进行求解。

2.根据权利要求1所述的基于改进多目标灰狼算法的冷热电联供型微电网优化方法，其特征在于：S1中各模型表达式如下：

(1)微型燃气轮机模型：

微型燃气轮机的效率和污染气体排放量均与设备容量、负载水平相关，其效率的表达式为：

η_MTE＝r₀₁P_MTref+r₁₁R_MT+r₂₁P_MTrefR_MT+r₃₁

η_MTH＝r₀₂P_MTref+r₁₂R_MT+r₂₂P_MTrefR_MT+r₃₂

式中，η_MTE为发电效率，η_MTH为制热效率，P_MTref为设备的额定功率，R_MT为荷载率，r_ij为与设备相关的常数；

CO和NO_x是微型燃气轮机产生的主要污染气体，当微型燃气轮机在50％额定功率以下工作时，污染气体排放严重，基于此设定微型燃气轮机功率低于50％额定功率时关闭；CO和NO_x二者排放量的分段拟合函数为：

f_NOx(R_MT)＝350-310(R_MT-0.5)

(2)余热锅炉模型：

微型燃气轮机的烟气作为余热锅炉的热源，产生蒸汽或热水满足微电网的热负荷需求，余热锅炉的功率为：

式中，P_bl为余热锅炉的功率，P_MT为微型燃气轮机的功率，Q_ac为下级溴化锂吸收式制冷机所消耗的热功率，η_bl为余热锅炉的效率；

(3)蓄电池模型：

蓄电池储存微电网中产生的多余电量和在用电高峰时段进行辅助供电；蓄电池的充放电状态(SOC)为剩余电量与额定电量的比值：

式中，C_net蓄电池当前电量，C为蓄电池最大容量；

每个时间段蓄电池状态：

式中，P_b为电池功率，放电为正；△t为时间跨度；

(4)蓄热槽模型

蓄热槽储存微电网产生的剩余热量并加以利用，在储热过程中会造成热能的耗散；蓄热槽的具体模型为：

式中，E_HSTt为t时段蓄热槽内的热能，

为蓄热的损耗系数，P_HST,t为设备的功率，蓄热为正，放热为负；

(5)溴化锂吸收式制冷机模型：

溴化锂吸收式制冷机利用余热锅炉的烟气进行吸收式制冷，其数学模型为：

P_ac＝Q_ac·COP_ac

式中，P_ac为溴化锂吸收式制冷机的制冷功率，Q_ac为吸收烟气的热量，COP_ac为设备的制冷系数；

(6)风力机模型：

风力机的输出功率表达式为：

式中，V_in切入风速，V_out切出风速，v当前风速，V_r为额定风速，P_N风力发电机组额定输出功率；

(7)光伏电池模型：

光伏电池的输出功率表达式为：

式中，P_STC标准条件下的输出功率，G为实际光照强度，G_STC标准条件下的光照强度，1000W/m²，k为功率温度系数，T_e为环境温度，T_N为组件额定温度，T_STC模块在标准条件下的表面温度，25℃。

3.根据权利要求2所述的基于改进多目标灰狼算法的冷热电联供型微电网优化方法，其特征在于，S2建立优化模型的过程为：

S21建立目标函数：

优化目标包括三个：微电网运行费用、CO排放量以及NO_x排放量，具体为：

(1)建立微电网运行费用模型：

微电网运行费用包括三个方面:天然气费用、各设备的维护费用和微电网从大电网购售电产生的费用，具体数学表达式为：

式中，C₁为系统运行24小时总费用，C_gas为天然气价格，C_bl为余热锅炉设备维护费用，C_MT为微型燃气轮机设备维护费用，C_pv光伏电池设备维护费用，C_w风机设备维护费用，C_ac为溴化锂吸收式制冷机设备维护费用，C_HST为蓄热槽设备维护费用，P_ec为分体式空调功率，C_ec为分体式空调设备维护费用，P_eh为电采暖设备功率，C_eh为电采暖设备维护费用，C_p为从大电网购电价格，C_s为向大电网售电价格，P_g为微电网与大电网的交互功率，购电为正售电为负；

(2)建立CO排放量模型

微电网中CO排放量的表达式为：

式中，C₂为系统运行24小时总CO排放量；

(3)建立NO_x排放量模型

微电网中CO排放量的表达式为：

S22建立约束条件

微电网优化模型的约束条件主要包含四个方面：电负荷约束、热负荷约束、冷负荷约束、能源设备的运行约束，具体为：

(1)电负荷约束：

微电网各个微元输出的电功率之和需满足电负荷的需求：

蓄电池处于放电状态时：(P_w+P_MT+P_pv+P_Bη_dis+P_g＝P_E)_i

蓄电池充电状态时：

式中，P_E为园区电负荷，η_dis为蓄电池放电效率，η_ch为蓄电池充电效率；

(2)热负荷约束

余热锅炉、蓄热槽和电采暖的输出热功率之和需满足园区热负荷的需求，另外需考虑由于蓄热槽的容量限制会造成热量的浪费，

蓄热槽放热：(P_bl+P_HSTμ_dis+P_eh≥P_H)_i

蓄热槽蓄热：

式中，P_H为园区热负荷，μ_dis为蓄热槽放热效率，μ_ch为蓄热槽蓄热效率；

(3)冷负荷约束：

溴化锂吸收式制冷机和分体空调输出的冷功率之和需满足园区冷负荷需求：

(P_ac+P_ec＝P_C)_i

式中，P_C为园区冷负荷；

(4)储能设备的约束条件：

为了保护蓄电池的工作寿命，蓄电池的SOC应处于一定的范围内：

(SOC_min≤SOC≤SOC_max)_i

式中，SOC_min和SOC_max是蓄电池电荷状态允许的最小和最大值；

蓄热槽的需热量也存在着一定约束：

(E_HST,min≤E_HST≤E_HST,max)_i

式中，E_HST,min和E_HST,max是蓄热槽的蓄热量所允许的最小和最大值；

(5)设备的运行约束：

微电网内能源设备的运行功率都应该处于对应的范围内：

(P_j,min≤P_j≤P_j,max)_i

式中，P_j,min为设备运行功率下限，P_j为设备实际运行功率，P_j,max为设备运行功率上限。

4.根据权利要求3所述的基于改进多目标灰狼算法的冷热电联供型微电网优化方法，其特征在于，S3的具体改进策略如下：

S31优化模型的简化：风机和光伏电池的设备维护费用相对较低且没有燃料费用，故在优化时可以按照可能的最大功率出力；

S32线性约束的转换，在灰狼初始化和位置更新时，每种负荷约束下都有一个设备的出力是由负荷减去其他设备的出力得到，再检验该设备的出力是否满足其运行功率的限制即可，以电负荷为例，与电网的交互功率表示为：

(P_g＝P_E-P_w-P_MT-P_pv-P_Bη_dis)_i

只需检验P_g是否满足功率的上下限约束即可；

S33灰狼初始化和位置更新的方式改变：在原始多目标灰狼优化算法中灰狼个体位置的每一维坐标是同时生成的，

原始灰狼的位置向量表示为：X＝(x_a,1,...,x_a,24,x_b,1,...,x_b,24,...,x_g,1,...,x_g,24)

其中，角标a,b,…,g代表不同的能源设备，角标中数字代表不同的时段；

针对微电网的负荷约束和时间段的相关性，将每只灰狼个体位置的初始化和更新方式按时间分为24组，将同一时间段的设备出力分为一组进行初始化和更新X_i＝(x_a,i,x_b,i,...,x_g,i)，判定满足负荷约束时再进行下一组设备出力的初始化或更新，24个组都满足负荷约束后进行合并再进行其他约束的检验以及后续计算；

S34 MOGWO算法的探索能力不足，对于其中的控制参数a而言，a越大则算法的探索能力越强；将线性缩小的控制参数a改为幂函数形式，以提高算法前期的搜索能力；

5.根据权利要求4所述的基于改进多目标灰狼算法的冷热电联供型微电网优化方法，其特征在于：S4的求解过程如下：

S41、设置灰狼的数量、最大迭代次数、搜索范围和外部种群Archive的参数等控制参数，输入约束条件和目标函数；

S42、灰狼初始化，随即生成灰狼个体，检验是否满足约束条件，直至生成足够数量的合格个体；计算灰狼的目标函数值，确定非支配个体，更新Archive；

S43、从Archive中按轮盘赌法选择α、β和δ狼，其余灰狼根据α、β和δ狼的位置进行更新，检验新生成的灰狼是否满足约束条件，直至生成足够数量的合格灰狼个体；

S44、计算灰狼的目标函数值，确定非支配个体，更新Archive；

S45、重复步骤3、4，直至达到最大迭代次数；

S46、输出Archive中的灰狼位置，即为微电网优化问题的一组Pareto解集。

Images