CN112419087A

CN112419087A - 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法

Info

Publication number: CN112419087A
Application number: CN202011310416.5A
Authority: CN
Inventors: 叶婷; 周冬旭; 王璞; 刘国峰; 王晓峰; 嵇文路; 滕力阳
Original assignee: State Grid Jiangsu Electric Power Co Ltd; Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Current assignee: State Grid Jiangsu Electric Power Co Ltd; Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2020-11-20
Filing date: 2020-11-20
Publication date: 2021-02-26
Anticipated expiration: 2040-11-20
Also published as: CN112419087B

Abstract

一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，考虑冷、热、电负荷和光伏出力等不确定因素，通过引入差分进化算法的交叉‑变异机制的粒子群算法，提高模型求解的速度以及寻优能力。本发明综合考虑了负荷预测误差及分布式能源不确定因素，能够体现综合能源系统多能互补，协调运行的理念，而且提高了优化结果的可行性。

Description

一种聚合综合能源楼宇的虚拟电厂日前优化调度方法

技术领域

本发明属于电力技术领域，为一种聚合综合能源楼宇的虚拟电厂日前优化调度方法。

背景技术

虚拟电厂(Virtual Power Plants,VPP)是实现智能配电网的重要技术之一，它是指通过分布式能源管理系统将配电网中分散安装的清洁能源、可控负荷和储能系统合并作为一个特别的电厂参与电网运行，从而很好地协调智能电网与分布式能源之间的矛盾，充分挖掘分布式能源为电网和用户所带来的价值和效益。

随着经济增长带动生活水平提高，以楼宇型虚拟电厂为代表的终端用户用能比例逐步增加。目前已有研究以建筑运行成本最低为目标函数，建立了综合能源楼宇的日前优化调度模型，考虑了电动汽车集群参与日前调度、楼宇能源运营商定价机制、需求响应补偿价等等因素，但忽略了负荷预测误差及分布式能源不确定因素的重要影响。

发明内容

本发明的目的在于针对上述存在的问题，提出一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，以楼宇型虚拟电厂经济成本为目标，考虑冷、热、电负荷和光伏出力等不确定因素，提出一种日前优化调度模型。

本发明的技术方案为：一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，考虑冷、热、电负荷和光伏出力等不确定因素，以楼宇型虚拟电厂经济成本为目标，提出一种日前优化调度模型，包括以下步骤：

S1、构建楼宇型虚拟电厂模型，包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统；

S2、考虑虚拟电厂的不确定因素，以总成本最低设定目标函数，总成本包括天然气使用成本、电能购买成本和设备折旧费用；

S3、设置虚拟电厂的设备容量约束、功率平衡约束：

S4、构建粒子群-差分混合算法模型用于优化调度计算，其中基于S函数调整粒子群算法的惯性权重；

S5、在虚拟电厂模型输入综合能源楼宇系统的各项参数；

S6、调用粒子群-差分混合算法优化求解虚拟电厂模型，进行日前优化调度，获得各种类型负荷、设备的优化结果。

本发明提出一种聚合综合能源楼宇的虚拟电厂日前调度方法，与传统虚拟电厂不同，本发明中的虚拟电厂聚合了综合能源楼宇系统，并以冷热电三联供系统实现虚拟电厂中冷-热- 电负荷的优化调度，实现了虚拟电厂内部多能互补、协调调度的友好互动局面，相较于传统的以电能为主的虚拟电厂形式，该模式大大提高了能源利用效率，提高了冷-热-电能量的就地消纳率。此外，针对传统虚拟电厂优化调度模型常采用的基于商业求解器或普通粒子群算法求解的思路，本发明进行了改进，具体为基于S曲线的动态调整和惯性权重策略，在粒子群算法中引入差分进化算法的交叉-变异机制，从而大大提高模型求解的速度以及寻优能力。

附图说明

图1为本发明所述聚合综合能源楼宇的虚拟电厂日前优化调度方法流程图；

图2为本发明所述综合能源楼宇系统结构图；

图3为本发明所述S曲线；

图4为本发明所述粒子群算法计算流程图；

图5为本发明实施例中夏季楼宇负荷；

图6为本发明实施例中电负荷优化结果；

图7为本发明实施例中冷热负荷优化结果；

图8为本发明实施例中储能设备优化结果。

具体实施方式

为使本发明创造的内容更加清楚，下面结合附图，对本发明创造的具体实施方式作进一步详细描述。应当注意，为了清楚的目的，附图和说明中省略了与本发明创造无关的、本领域普通技术人员已知的部件的表示和描述。

本发明一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是考虑冷、热、电负荷和光伏出力等不确定因素，通过引入差分进化算法的交叉-变异机制的粒子群算法，提高模型求解的速度以及寻优能力。如图1所示，具体包括以下步骤：

S1、构建包括综合能源楼宇系统、储能系统、电制冷/制热系统、屋顶光伏系统的虚拟电厂模型；

S2、以总成本最低构建调度模型的目标函数，总成本包括天然气使用成本、电能购买成本和设备折旧费用；并设置虚拟电厂的设备容量约束、功率平衡约束，同时在调度模型中考虑虚拟电厂的不确定因素；

S3、基于S曲线的惯性权重调整策略，改进粒子群-差分混合算法；

S4、输入综合能源楼宇系统的各项参数；

S5、求解虚拟电厂日前优化调度模型，获得各种类型负荷、设备的优化结果。

以某个综合能源楼宇系统为实施例，对本发明方法的具体实施进行说明。

步骤S1中，构建楼宇型虚拟电厂模型，如图2所示，楼宇型虚拟电厂模型的聚合单元包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统，综合能源楼宇系统内部聚合单元为微型燃气轮机系统、储电装置以及储热装置，各系统构建如下：

微型燃气轮机的数学模型描述如式(1)-(2)所示：

P_gt(t)＝F_gas(t)×η^gt×L_va/Δt (1)

其中，P_gt(t)为微型燃气轮机t时间段的发电功率；F_gas(t)为消耗的天然气量；η^gt为发电效率；L_va为天然气的低热值，取9.97kW·h/m³；Δt为一个优化时段；

分别为微型燃气轮机出力的上下限。

采用冷水机组的吸收式制冷机机组，制冷系数设为常数，其数学模型可简化为式(6)至式 (7)所示。

C_ab(t)＝η^ab×H_ab(t) (6)

其中，C_ab(t)为吸收式制冷机t时段制冷；η^ab为制冷效率；H_ab(t)为输入的余热；

分别为出力上下限。

通用的储电模型，数学模型描述如式(8)至(11)所示：

其中，W_bat(t+1)、W_bat(t)为储能电池在t+1和t时间段的储电量，单位kW·h；δ^bat为储电设备的能量自损失系数；P_ch(t)、P_dis(t)为在t时段储能电池的储电/放电功率，单位kW；η^bc、η^bd为储能电池的储电/放电效率；

为储能电池的最小/最大荷电状态；

为在t时间段储能设备的最大储电/放电功率。

本发明的储热模型的数学模型描述如式(12)至式(15)所示：

其中，Q_tes(t+1)、Q_tes(t)为储热设备在t+1和t时间段的储热量；δ^tes为能量自损失系数； H_ch(t)、H_dis(t)为在t时间段储热/放热功率；η^tc、η^td为储热/放热效率；Q_tes ^min、Q_tes ^max为最小/最大储热量；H_ch ^max、H_dis ^max为最大储热/放热功率。

空调系统消耗电功率与制冷功率关系如式(16)-(17)所示：

Q_ac(t)＝COP_ac×P_ac(t) (17)

其中，Q_ac(t)、P_ac(t)分别表示在t时段楼宇型综合能源系统内空调系统消耗的总电功率和总制冷/热功率；COP_ac为制冷/热系数；

为提供用于制冷/热的最大电功率。

屋顶光伏系统的出力大小主要与实时的光伏组件安装的方位角与倾斜角度、太阳辐射强度、室外环境温度、光伏系统本身设计的容量等有关：

P_pv(t)＝S_pv×R×η^pv×cosθ (18)

其中，P_pv(t)是屋顶光伏系统的输出功率；S_pv是光伏阵列的总面积；R是t时段太阳辐射的强度；η^pv是光伏阵列的光-热-电转换效率；θ是光照入射角度。

步骤S2中，以总成本最低构建调度模型的目标函数，总成本包括天然气使用成本、电能购买成本和设备折旧费用；并设置虚拟电厂的设备容量约束、功率平衡约束，同时在调度模型中考虑不确定因素：

虚拟电厂内部不确定因素来源包括两个部分：屋顶光伏系统出力预测误差和冷、热、电负荷预测误差，将屋顶光伏预测误差δ_pv(t)和负荷预测误差δ_l(t)按正态分布的概率分布函数处理，其中，根据负荷预测精度差异，设置冷、热负荷预测方差0.02，电负荷预测方差0.015，屋顶光伏系统出力方差设置为0.15。采用随机期望值模型描述虚拟电厂内部的不确定性问题，随机期望模型的一般形式为：

式中：x为决策向量，ξ为随机变量，f(x,ξ)为目标函数，g_j(x,ξ)为第j个随机约束j∈[1,p]。

按照此形式，虚拟电厂的调度模型目标函数可表示为：

其中，C_ele(t)为t时间段对应的电价；C_g(t)为天然气价格；P_gd(t)为t时间段楼宇从电网购电的电功率；F_g(t)为t时间段天然气量；c_sen为储能设备设置的折旧损耗费用，P_sen(t)为t 时间段电/热储能的实时充放电/热功率，en取1为储能电池，取2为储热设备。

同时，结合式(19)中定义的随机期望值模型的约束条件，可将冷、热、电负荷的不确定性按如下约束式表示：

(1)电功率约束：

(2)热功率约束：

pr{H_gt(t)+P_s2(t)≥H_hx(t)+δ_lh(t)+H_ab(t)}≥α (22)

(3)冷功率约束：

pr{C_ab(t)+C_ac(t)≥P_loadc(t)+δ_lc(t)}≥α (23)

式中，P_loade(t)为第t时间段的电负荷；P_loadh(t)为第t时间段的热负荷；P_loadc(t)为t时段的冷负荷；α为置信水平，表示满足用户冷、热、电负荷需求的概率，α∈[0,1]，取值越逼近上限，优化结果的可信度越高，P_s1(t)表示电储能实际功率大小，P_s2(t)表示热储能实际功率大小，δ_pv(t)表示屋顶光伏出力误差，δ_le(t)表示电负荷预测误差，δ_lh(t)表热负荷预测误差，δ_lc(t)表示冷负荷预测误差，H_hx(t)表示热交换器出力，H_gt(t)表示燃气轮机排除余热量， H_ab(t)为输入吸收式制冷机的余热，C_ac(t)表示空调提供的冷负荷功率，P_ac(t)表示空调负荷的电功率。

此外，虚拟电厂的调度模型还需满足变压器容量约束：

P_trans(t)为t时间段经过变压器的功率，即为从电网购买的电功率；

分别为变压器的功率上下限约束。

步骤S3中，本发明进一步提出一种基于S曲线的改进粒子群-差分混合算法，具体如下：

如图3所示，S曲线，又称Logist曲线，是表现人口增长规律的曲线，整体规律呈现首先指数趋势快速增长然后逐渐饱和，速度减缓。

粒子群算法的速度、位置更新如式(25)至式(26)所示：

v_id(t+1)＝ωv_id(t)+c₁rand×(p_id-x_id(t))+c₂rand×(p_gd-x_id(t)) (25)

x_id(t+1)＝x_id(t)+v_id(t) (26)

式中，其中，v_id(t)为粒子的速度，ω为惯性权重，x_id(t)为粒子的位置，p_id为粒子的个体历史最优解，p_gd为群体所有粒子中的最优解，又称全局最优解，c₁和c₂为学习因子，一般设置c₁＝c₂＝2.0，也可以设置其他值，一般设置c₁＝c₂∈[0,4]；rand为区间[0,1]上的随机数。v_id(t+1)、x_id(t+1)分别表示下一轮迭代更新后的粒子速度以及粒子位置。

为了保证生长曲线的特性，又不破坏惯性权重的取值范围，本发明基于S曲线改进惯性权重，计算表达式如式(27)所示：

其中，q为当前迭代次数；q/q_max为惯性调整因子；normrnd(0,0.01)为均匀分布且方差取值为0.01随机数。

粒子群-差分混合算法结合了差分进化算法与粒子群优化算法，本发明基于S曲线改进粒子群算法惯性权重，在粒子群算法中引入差分进化算法的交叉-变异机制，如下：

(1)变异

设目前的种群为

其中i标记当前种群里的个数，m为种群中总的粒子个数，k标记当前的迭代数目，对种群中的每一个个体，均需从整个种群中随机选择三个个体与之相对应，这些个体之间满足相异的条件，此处以a、b、c三个个体为例，具体说明三者产生的变异算子的计算方式，具体如式(28)所示：

X_ik ^*＝X_ia+F×(X_ib-X_ic) (28)

其中，F为缩放因子，X_ik ^*为变异后的算子。

进一步，判断变异后的算子X_ik ^*是否在定义范围，否则对X_ik ^*赋值如式(29)所示：

X_ik ^*＝X_min+rand×(X_max-X_min) (29)

其中，X_max、X_min为自变量的上下界；，rand表示取0～1之间的一个随机数。

(2)交叉

交叉操作实际上是变异操作的延续，两者不可分割。式(30)为交叉操作的流程：对变异后生成的变量X_ik ^*的每一维变量(共m维)均进行交叉，通过生成的随机数与指定交叉概率 cr的比较，随机确定X_ik ^*第i维的具体值。所述的交叉可以理解为本位对应选择三个变量，经过变异生成的第四个变量与本位间的交叉，维数之间需一一对应。

其中，

表示经过交叉操作后的最终种群更新结果，

表示当前迭代次数，

表示迭代次数更新1次。式(30)表明，交叉操作后的更新思路为：当生成的随机数大于交叉概率cr时，按照种群变异结果

作为交叉结果；当生存的随机数小于交叉概率cr时，不进行变异，取原始种群结果X_i,k作为本轮交叉结果。

(3)选择

计算交叉-变异选择的个体与该个体对应的变异-交叉结果，根据两者适应度f做出选择：

式中，X_ik为需要确定的下一轮迭代的初始种群，X_ik0表示本轮迭代的初始种群，X_ik'表本轮经过交叉-变异操作后的新种群，f(X_ik0)表示对原始种群的适应度，f(X_ik')表示交叉- 变异后的种群的适应度，若交叉-变异后的适应度大于原始种群，则选择操作后的种群作为下一轮更新的初始值，反之，则仍然以本轮迭代的初始种群作为下一轮更新的初值。

采用粒子群-混合差分算法的计算流程图如图4所示。

步骤S5中，综合能源楼宇系统的各项参数包括以下内容：

微型燃气轮机、余热锅炉、吸收式制冷机、屋顶光伏、储热设备、储电设备的配置容量；

溴化锂制冷机的制冷系数COP_ab，空调制冷/制热系数COP_ac；储热设备的储热、放热效率η^tcη^td，储能电池组的充电、放电效率η^bcη^bd，最大储热、放热功率H_ch ^max H_dis ^max，最大充电、放电功率

电负荷功率P_loade(t)，热负荷功率P_loadh(t)，冷负荷功率P_loadc(t)，屋顶光伏功率 P_pv(t)；天然气价C_g(t)，商业楼宇分时电价C_ele(t)；改进粒子群算法参数：交叉概率cr，缩放因子F，学习因子c₁，c₂，惯性因子最大/最小值ω_max，ω_min，粒子速度最大值v_max，最大迭代次数，种群数量，置信水平。

下面通过一个实施例来说明本发明所述安全调度方法的有效性。

本实施例的综合能源楼宇系统设备容量配置如表1所示。

表1综合能源楼宇系统设备容量配置

溴化锂制冷机的制冷系数COP_ab取1.2；空调制冷/制热系数COP_ac取3.0；储热设备的储热、放热效率η^tcη^td分别取0.85和0.9；储能电池组的充电、放电效率η^bcη^bd分别取0.85和0.9；最大储热、放热功率H_ch ^max H_dis ^max 20kW；最大充电、放电功率

20kW。

电负荷P_loade(t)热负荷P_loadh(t)冷负荷P_loadc(t)屋顶光伏功率P_pv(t)曲线如图5所示

天然气价为2.68元/立方米。

商业楼宇分时电价C_ele(t)如表2

表2商业楼宇分时电价

粒子群算法参数设置：cr＝0.8，c₁＝c₂＝2.0，ω_max＝0.9，ω_min＝0.4,v_max＝2.0，最大迭代次数设置为200，种群数量设置为100，置信水平设置为0.95。

优化结果如图6-8。由优化结果可见，冷热电三联供系统仅在电价为非谷时间段出力，主要因为天然气价格相比电价在谷段经济性较差，在分时电价峰值时间段经济性最好；除此之外，受电价和气价影响的设备还有储能电池，储能电池在峰值时间段仅作为电源放电，在平段和谷段充放电行为不受电价限制。而储热系统受价格影响较小，仅与冷热负荷需求量大小有关。

因此，本发明提出的考虑不确定因素的虚拟电厂日前优化运行结果能够体现综合能源系统多能互补，协调运行的理念，而且提高了优化结果的可行性。考虑经济性的情况下，冷热电三联供系统仅在商业分时电价与天然气价格间差距较小的时间段出力，经济性较好。从新能源消纳能力来看，聚合综合能源楼宇的虚拟电厂具备较好的新能源消纳能力，合理的光伏配置能够提高系统的低碳环保性。从储能设备的灵活程度来看，储能电池与储热设备灵活性较高，而且能够得到合理利用。

以上仅表达了本发明创造的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明创造专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明创造的保护范围。因此，本发明创造专利的保护范围应以所附权利要求为准。

Claims

1.一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是考虑冷、热、电负荷和光伏出力等不确定因素，以楼宇型虚拟电厂经济成本为目标，提出一种日前优化调度模型，包括以下步骤：

S2、以总成本最低构建调度模型的目标函数，总成本包括天然气使用成本、电能购买成本和设备折旧费用，并设置虚拟电厂的设备容量约束、功率平衡约束，同时在调度模型中考虑虚拟电厂的不确定因素：

S3、构建粒子群-差分混合算法模型用于优化调度计算，其中基于S函数调整粒子群算法的惯性权重；

S4、在虚拟电厂模型输入综合能源楼宇系统的各项参数；

S5、调用粒子群-差分混合算法优化求解虚拟电厂模型，进行日前优化调度，获得各种类型负荷、设备的优化结果。

2.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是构建楼宇型虚拟电厂模型，其聚合单元包括综合能源楼宇系统、储能系统、电制冷/制热系统和屋顶光伏系统，综合能源楼宇系统内部聚合单元包括微型燃气轮机系统、储电装置以及储热装置，各系统构建如下：

微型燃气轮机的数学模型描述如式(1)-(2)所示：

P_gt(t)＝F_gas(t)×η^gt×L_va/Δt (1)

其中，P_gt(t)为微型燃气轮机t时间段的发电功率；F_gas(t)为消耗的天然气量；η^gt为发电效率；L_va为天然气的低热值，取9.97kW·h/m³；Δt为优化时段；

分别为微型燃气轮机出力的上下限；

采用冷水机组的吸收式制冷机机组，制冷系数设为常数，其数学模型如式(6)至式(7)所示：

C_ab(t)＝η^ab×H_ab(t) (6)

分别为出力上下限；

储电模型描述如式(8)至(11)所示：

其中，W_bat(t+1)、W_bat(t)为储能电池在t+1和t时间段的储电量，单位kW·h；δ^bat为储电设备的能量自损失系数；P_ch(t)、P_dis(t)为在t时段储能电池的储电、放电功率，单位kW；η^bc、η^bd为储能电池的储电、放电效率；

为储能电池的最小、最大荷电状态；

为储能设备的最大储电、放电功率；

储热模型描述如式(12)至式(15)所示：

其中，Q_tes(t+1)、Q_tes(t)为储热设备在t+1和t时间段的储热量；δ^tes为能量自损失系数；H_ch(t)、H_dis(t)为在t时间段储热、放热功率；η^tc、η^td为储热、放热效率；Q_tes ^min、Q_tes ^max为最小、最大储热量；H_ch ^max、H_dis ^max为最大储热、放热功率；

空调系统消耗电功率与制冷/制热功率关系如式(16)-(17)所示：

Q_ac(t)＝COP_ac×P_ac(t) (17)

为提供用于制冷/热的最大电功率；

屋顶光伏系统模型描述为：

P_pv(t)＝S_pv×R×η^pv×cosθ (18)

3.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是S2具体为：

虚拟电厂内部不确定因素来源包括两个部分：屋顶光伏系统出力预测误差和冷、热、电的负荷预测误差，将屋顶光伏预测误差δ_pv(t)和负荷预测误差δ_l(t)按正态分布的概率分布函数处理，其中，根据负荷预测精度差异，设置冷、热负荷预测方差为0.02，电负荷预测方差为0.015，屋顶光伏系统出力方差设置为0.15，采用随机期望值模型描述虚拟电厂内部的不确定性问题，随机期望模型的一般形式为：

式中：x为决策向量，ξ为随机变量，f(x,ξ)为目标函数，g_j(x,ξ)为第j个随机约束j∈[1,p]；

按照此形式，虚拟电厂的调度模型目标函数表示为：

其中，C_ele(t)为t时间段对应的电价；C_g(t)为天然气价格；P_gd(t)为t时间段楼宇从电网购电的电功率；F_g(t)为t时间段天然气量；c_sen为储能设备设置的折旧损耗费用，P_sen(t)为t时间段电/热储能的实时充放电/热功率，en取1为储能电池，取2为储热设备；

结合式(19)中定义的随机期望值模型的约束条件，将冷、热、电负荷的不确定性按如下约束式表示：

(1)电功率约束：

(2)热功率约束：

pr{H_gt(t)+P_s2(t)≥H_hx(t)+δ_lh(t)+H_ab(t)}≥α (22)

(3)冷功率约束：

pr{C_ab(t)+C_ac(t)≥P_loadc(t)+δ_lc(t)}≥α (23)

式中，P_loade(t)为第t时间段的电负荷；P_loadh(t)为第t时间段的热负荷；P_loadc(t)为t时段的冷负荷；α为置信水平，表示满足用户冷、热、电负荷需求的概率，α∈[0,1]，取值越逼近上限，优化结果的可信度越高，P_s1(t)表示电储能实际功率大小，P_s2(t)表示热储能实际功率大小，δ_pv(t)表示屋顶光伏出力误差，δ_le(t)表示电负荷预测误差，δ_lh(t)表热负荷预测误差，δ_lc(t)表示冷负荷预测误差，H_hx(t)表示热交换器出力，H_gt(t)表示燃气轮机排除余热量，H_ab(t)为输入吸收式制冷机的余热，C_ac(t)表示空调提供的冷负荷功率，P_ac(t)表示空调负荷的电功率；

此外，虚拟电厂的调度模型还需满足变压器容量约束：

分别为变压器的功率上下限约束。

4.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是步骤S3的粒子群-差分混合算法模型基于变异交叉机制，具体如下：

(1)变异

设当前种群为

其中i标记当前种群里的个数，m为种群中总的粒子个数，k标记当前的迭代数目，对种群中的每一个个体，均需从整个种群中随机选择三个个体与之相对应，这些个体之间满足相异的条件，以a、b、c三个个体为例，三者产生的变异算子的计算方式如式(28)所示：

X_ik ^*＝X_ia+F×(X_ib-X_ic) (28)

其中，F为缩放因子，X_ik ^*为变异后的算子；

进一步判断变异后的算子X_ik ^*是否在定义范围，否则对X_ik ^*赋值如式(29)所示：

X_ik ^*＝X_min+rand×(X_max-X_min) (29)

其中，X_max、X_min为自变量的上下界；，rand表示取0～1之间的一个随机数；

(2)交叉

对变异后生成的变量X_ik ^*的每一维变量均进行交叉，通过生成的随机数与指定交叉概率cr的比较，随机确定X_ik ^*第i维的具体值：

其中，

表示经过交叉操作后的最终种群更新结果，

表示当前迭代次数，

表示迭代次数更新1次，当生成的随机数大于交叉概率cr时，按照种群变异结果

作为交叉结果；当生存的随机数小于交叉概率cr时，不进行变异，取原始种群结果X_i,k作为本轮交叉结果；

(3)选择

式中，X_ik为需要确定的下一轮迭代的初始种群，X_ik0表示本轮迭代的初始种群，X_ik'表本轮经过交叉-变异操作后的新种群，f(X_ik0)表示对原始种群的适应度，f(X_ik')表示交叉-变异后的种群的适应度，若交叉-变异后的适应度大于原始种群，则选择操作后的种群作为下一轮更新的初始值，反之，则仍然以本轮迭代的初始种群作为下一轮更新的初值。

5.根据权利要求4所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是基于S函数调整粒子群算法的惯性权重：

粒子群算法的速度、位置更新如式(25)至式(26)所示：

v_id(t+1)＝ωv_id(t)+c₁rand×(p_id-x_id(t))+c₂rand×(p_gd-x_id(t)) (25)

x_id(t+1)＝x_id(t)+v_id(t) (26)

式中，其中，v_id(t)为粒子的速度，ω为惯性权重，x_id(t)为粒子的位置，p_id为粒子的个体历史最优解，p_gd为群体所有粒子中的最优解，又称全局最优解，c₁和c₂为学习因子；rand为区间[0,1]上的随机数，v_id(t+1)、x_id(t+1)分别表示下一轮迭代更新后的粒子速度以及粒子位置；

惯性权重计算表达式如式(27)所示：

6.根据权利要求1所述的一种聚合综合能源楼宇的虚拟电厂日前优化调度方法，其特征是步骤S5中，综合能源楼宇系统的各项参数包括：

微型燃气轮机、余热锅炉、吸收式制冷机、屋顶光伏、储热设备、储电设备的配置容量；溴化锂制冷机的制冷系数COP_ab，空调制冷/制热系数COP_ac；储热设备的储热、放热效率η^tcη^td，储能电池组的充电、放电效率η^bcη^bd，最大储热、放热功率H_ch ^maxH_dis ^max，最大充电、放电功率

电负荷功率P_loade(t)，热负荷功率P_loadh(t)，冷负荷功率P_loadc(t)，屋顶光伏功率P_pv(t)；天然气价C_g(t)，商业楼宇分时电价C_ele(t)；改进粒子群算法参数：交叉概率cr，缩放因子F，c₁，c₂，ω_max，ω_min,粒子速度最大值v_max，最大迭代次数，种群数量，置信水平。