CN113759705A - 一种基于合作博弈论的多能源优化配置方法 - Google Patents

Abstract

本发明公开了一种基于合作博弈论的多能源优化配置方法。所述方法包括如下步骤：将四个主体考虑为一个合作博弈系统，四个主体的投资商合作成立一个联盟，进行容量配置投资；构建各能源主体收益函数、联盟收益函数和联盟风险函数；将多目标优化函数转化为单目标优化函数，利用粒子群算法迭代计算出联盟利益最大化情况下各合作博弈参与方的最优配置；各参与方分别输入收益合作倾向权重因子、风险合作倾向权重因子，以各合作博弈参与方的合作倾向程度相等为原则，分配联盟收益。本发明在多能源系统中同时考虑制氢储能和电动汽车能量缓冲的作用，且将风光出力波动性为合作博弈联盟及各参与者所带来的风险纳入优化指标和联盟收益分配指标。

Description

一种基于合作博弈论的多能源优化配置方法

技术领域

本发明涉及电力系统优化领域，尤其涉及一种基于合作博弈论的多能源优化配置方法。

背景技术

可再生能源中，风电、光伏的出力具有波动性和不确定性，既不能保证稳定的电力输出，也带来弃光弃风等资源浪费问题，对于投资者来说有一定风险。而制氢储能既能承担可再生能源能量缓冲的作用，又作为一种清洁能源，有助于低碳减排，可以考虑作为风光发电侧的储能装置消纳富余出力，减少弃风弃光。另一方面，电动汽车逐渐成为人们日常生活的一种重要选择，其作为可再生能源能量缓冲的作用也逐渐凸显，与风光形成互补，有平抑波动的作用。因此风-光-氢-车各主体利益相关，每个主体的配置都是多方博弈的结果，涉及个体收益最大化和可再生资源的合理整合利用。而博弈论是系统地协调多方利益的理论，将合作博弈论作为处理方式，能有效量化各博弈参与方的策略在协议下的收益和风险，也能指导对合作博弈联盟收益的合理分配。然而，将风-光-氢-车视为一个多能源合作博弈系统考虑的研究仍是一个空缺。

现有技术中，《基于纳什谈判理论的风–光–氢多主体能源系统合作运行方法》(摘自中国电机工程学报，文章编号：0258-8013(2021)01-0025-15)运用纳什谈判理论研究风-光-氢多主体能源系统在合作博弈下优化运行和合作收益公平分配的问题，但并未在多能源系统中考虑电动汽车能量缓冲的作用，也并未考虑风光出力波动性为合作博弈联盟及各参与者所带来的风险。因此未在优化中将联盟风险尽可能小作为目标，也未在收益合理分配环节考虑各参与者在合作中所承担的风险对合作倾向程度的影响。

发明内容

本发明的目的是解决上述现有技术中存在的不足之处，提供一种基于合作博弈论的多能源优化配置方法，考虑将多能源投资主体作为合作博弈参与者，将联盟收益函数就增加收益和减少最差条件风险进行多目标优化，求出最佳容量配置，并合理分配联盟收益，使各参与者对合作的倾向程度尽可能相等，即符合联盟稳固的要求。

风电和光伏作为可再生能源有取之不尽用之不竭的优势，但因为具有波动性和不确定性，难以保障稳定的输出，带来资源浪费问题和经济损失，此损失上确界可以用最差条件风险价值(WCVAR)量化。

考虑到风光出力在时间和空间上都具有一定的互补性，常将风电和光伏认为是同一生产环节。同时，氢能作为清洁能源，可被运用到储能中，既缓解弃风弃光等资源浪费问题，又不引起过多环境污染。随着电动汽车走进千家万户，电动汽车能量缓冲也在混合系统中起到重要作用，能有效平滑能量波动。这四者互为补充，组成可再生能源混合系统。而此系统的配置是这四个利益主体的相互博弈，一方的独立优化并不能实现资源的最有效利用和收益的最大化。签订合作协议，组成合作博弈联盟对四个参与方增加各自收益，减低各自风险均有助益。

本发明的目的至少通过如下技术方案之一实现。

一种基于合作博弈论的多能源优化配置方法，多能源主体包括风力发电、光伏发电、制氢储能和电动汽车能量缓冲；

所述优化配置方法包括如下步骤：

S1、将风力发电、光伏发电、制氢储能和电动汽车能量缓冲四个主体考虑为一个合作博弈系统，四个主体的投资商合作成立一个联盟，合作进行容量配置投资；

S2、通过场景模拟技术模拟出N个场景下风电出力，光伏出力以及工业、商业、居民和电动汽车的负荷值，再结合实际引入相关数据和参数构建各能源主体收益函数、联盟收益函数和联盟风险函数；

S3、将考虑了联盟收益和联盟风险的多目标优化函数转化为单目标优化函数，利用粒子群算法迭代计算出联盟利益最大化情况下各合作博弈参与方的最优配置；

S4、各参与方分别输入收益合作倾向权重因子、风险合作倾向权重因子，用以从合作后收益是否增加和风险是否降低的两个角度衡量各参与方的合作倾向程度，再以各合作博弈参与方的合作倾向程度相等为原则，分配联盟收益。

进一步地，步骤S1中，在合作博弈系统中，风力发电、光伏发电、制氢储能、电动汽车能量缓冲的投资商作为合作博弈参与方；各参与方先通过签订平等协议，成立一个联盟，即联盟收益为各参与方收益之和，联盟风险也视为联盟作为整体面临的风险；各参与方先作为联盟成员，合作追求联盟收益最大和联盟风险最低，在此基础上，通过合理分配收益实现各参与者利益最大化。

进一步地，步骤S2中，所述相关数据和参数包括设备价格数据、运行数据和电价数据；

所述设备价格数据包括：设备日投资成本、各项机组退休价值、各项机组维护成本以及电动汽车日管理维修费用；

所述运行数据包括：工业、商业、居民和电动汽车的负荷基准值以及风光出力的基准值；

所述电价数据包括：售电价格、制氢电价、弃风弃光惩罚值、售氢价格、购电价格以及辅助服务收益。

进一步地，步骤S2中，各能源主体收益和风险函数具体如下：

风力发电主体的收益函数具体如下：

F_W＝U_Wf+U_WH+U_WP+U₁-C_Wwaste-C_Wwork； (15)

其中，U_Wf代表向负荷售卖风电所获得的盈利；U_WH代表风力发电向制氢设备供电所获得的盈利；U_WP代表向电网售卖风电所获得的盈利；U₁代表风力发电相关政策补贴以及机组退休价值；C_Wwaste代表风力发电主要的亏损，即丢弃可再生能源的惩罚成本C_Wwaste；C_Wwork代表包括风力发电的维护成本的运行成本；

光伏发电主体的收益函数具体如下：

F_S＝U_Sf+U_SH+U_SP+U₂-C_Swaste-C_Swork； (16)

其中，U_Sf代表向负荷售卖光电所获得的盈利；U_SH代表光伏发电向制氢设备供电所获得的盈利；U_SP代表向电网售卖光电所获得的盈利；U₂代表光伏发电相关政策补贴以及机组退休价值U₁；C_Swaste代表光伏发电主要的亏损，即丢弃可再生能源的惩罚成本C_Wwaste；C_Swork代表包括光伏发电的维护成本的运行成本；

制氢储能主体收益函数具体如下

F_H＝U_H1+U₃-C_H1-C_Hm-U_HW-U_HS； (17)

其中，U_H1表示向客户端售卖氢气的盈利U_H1；U₃表示制氢储能相关政策补贴以及机组退休价值；C_H1表示从电网购电的成本C_H1；C_Hm表示制氢储能相关运行维护的成本，包括相应储能装置和电解槽的运营维修成本C_Hm；U_HW表示制氢储能支付给风力发电主体的购电费U_HW；U_HS表示制氢储能支付给光伏发电主体的购电费用；

电动汽车能量缓冲主体收益函数具体如下：

F_EV＝C_gov+C_re+C_off-C_cm； (18)

其中，C_gov代表电动汽车能量缓冲主体相关政府补贴，C_re代表电动汽车能量缓冲主体机组到期退役后的退役收入，C_off代表为光伏发电和风力发电提供缓冲能量的盈利，C_cm代表电动汽车能量缓冲主体日管理维修费用。

进一步地，步骤S2中，合作博弈中的联盟收益函数，为各合作博弈参与方的收益之和F_co，具体如下：

其中，F_W,F_S,F_H,F_EV分别表示各合作博弈参与者即风力发电、光伏发电、制氢储能和电动汽车能量缓冲主体的收益函数；S_W,S_S,S_H,S_EV分别表示用户输入的风力发电、光伏发电、制氢储能、电动汽车能量缓冲主体的初始化配置容量；x表示合作博弈系统中各合作博弈参与者的策略集合；

根据联盟收益函数，计算出表示最差条件风险价值(WCVAR)的联盟风险函数R_co，用以表示在各参与者不同的决策下，联盟收益由于各种潜在因素所损失收益的上确界。

进一步地，步骤S3的具体步骤如下：

S3.1、设定粒子群算法迭代速率；

S3.2、根据联盟收益函数，利用粒子群算法迭代计算出联盟收益最大值F_comax；

S3.3、根据联盟风险函数，利用粒子群算法迭代计算出联盟风险最小值R_comin；

S3.4、接收用户输入的联盟收益权重因子α、联盟风险权重因子β，联盟收益权重因子和联盟风险权重因子反映投资者或冒险或稳健的主观投资意愿，具体如下：

S3.5、根据联盟收益权重因子α和联盟风险权重因子β，利用加权平方法，将联盟收益函数和联盟风险函数转化为单目标优化函数M，具体如下：

S3.6、利用粒子群算法迭代计算出单目标优化函数M的最小值，得到主观投资意向下的联盟最大收益和最小风险点，输出各合作博弈主体的相应配置作为优化结果。

进一步地，步骤S4中，以各参与方的合作倾向程度相等为原则分配联盟收益，具体步骤如下：

S4.1、计算考虑收益的各参与方合作倾向程度，即对比合作模式，非合作模式给其它参与者带来的收益减少与给参与者i带来的收益减少之比D_F.i，具体如下：

其中，i为W、S、H和EV中的一个或多个的组合；W、S、H和EV分别表示风力发电参与者、光伏发电参与者、制氢储能参与者和电动汽车能量缓冲参与者；{i}表示合作博弈联盟中所有参与者i的集合；v_F.{i}表示对应所有参与者i集合{i}的合作博弈联盟中参与者合作所得总收益与所有参与者在非合作状态下的收益之差，即联盟收益总支付；h_F.i表示所有主体加入联盟的合作博弈下，分配给参与者i的联盟收益支付；

S4.2、计算考虑风险的各参与方合作倾向程度，即对比合作模式，非合作模式给其它参与者带来的风险增加与给自身带来的风险增加之比D_R.i，具体如下：

式中，v_R.{i}表示本合作联盟中的总风险与所有参与者i在非合作状态下的风险总和之差，即联盟风险总支付；h_R.i表示所有主体加入联盟的合作博弈下，分配给参与者i的风险支付；

S4.3、接收用户输入的收益合作倾向权重因子η、风险合作倾向权重因子μ，收益合作倾向权重因子和风险合作倾向权重因子分别代表在参与者考虑合作的倾向程度时，对收益和风险的重视程度，具体如下：

S4.4、将考虑收益和风险的合作倾向程度通过合作倾向权重因子η和μ加权，得到参与者i的合作倾向程度D_∑.i，具体如下：

D_∑.i＝ηD_F.i+μD_R.i； (25)

S4.5、接受用户输入的风险承担系数

风险承担系数代表参与者追求收益提升时，对同时增加的风险的可接受程度，具体如下：

式中，{W,S,H,EV}\i表示除了参与者i，其余参与者合作的联盟；

表示参与者i可被分配到的最大收益支付，

表示参与者i可被分配到的最小风险支付；

S4.6、通过粒子群算法迭代计算出各参与者合作倾向程度相差最小的情况，即最符合整体理性和个体理性的收益分配策略，输出此时各合作博弈参与者的收益支付，具体如下：

minΔ＝(D_∑.W-D_∑.S)²(D_∑.W-D_∑.H)²(D_∑.W-D_∑.EV)²(D_∑.S-D_∑.H)²(D_∑.S-D_∑.EV)²(D_∑.H-D_∑.EV)² (27)

与现有技术相比，本发明的优点在于：

本发明在多能源系统中同时考虑制氢储能和电动汽车能量缓冲的作用，且将风光出力波动性为合作博弈联盟及各参与者所带来的风险纳入优化指标和联盟收益分配指标。在平衡风险和收益这两个指标时，充分考虑参与者的主观投资意愿。

附图说明

图1是基于合作博弈论的多能源优化配置方法流程图。

图2是多能源主体配置的电力系统的结构示意图。

具体实施方式

下面对本发明作进一步详细的说明，但本发明的实施方式不限于此。

实施例：

一种基于合作博弈论的多能源优化配置方法，如图2所示，多能源主体包括风力发电、光伏发电、制氢储能和电动汽车能量缓冲；

风力发电和光伏发电向电网、各负荷、电动汽车能量缓冲和制氢储能供电；电网向各负荷、制氢储能供电；电动汽车提供能量缓冲，必要时向各负荷供电。

如图1所示，所述优化配置方法包括如下步骤：

S1、将风力发电、光伏发电、制氢储能和电动汽车能量缓冲四个主体考虑为一个合作博弈系统，四个主体的投资商合作成立一个联盟，合作进行容量配置投资；

在合作博弈系统中，风力发电、光伏发电、制氢储能、电动汽车能量缓冲的投资商作为合作博弈参与方；各参与方先通过签订平等协议，成立一个联盟，即联盟收益为各参与方收益之和，联盟风险也视为联盟作为整体面临的风险；各参与方先作为联盟成员，合作追求联盟收益最大和联盟风险最低，在此基础上，通过合理分配收益实现各参与者利益最大化。

S2、通过场景模拟技术模拟出N个场景下风电出力，光伏出力以及工业、商业、居民和电动汽车的负荷值，再结合实际引入相关数据和参数构建各能源主体收益函数、联盟收益函数和联盟风险函数；

所述相关数据和参数包括设备价格数据、运行数据和电价数据；

所述设备价格数据包括：设备日投资成本、各项机组退休价值、各项机组维护成本以及电动汽车日管理维修费用；

所述运行数据包括：工业、商业、居民和电动汽车的负荷基准值以及风光出力的基准值；

所述电价数据包括：售电价格、制氢电价、弃风弃光惩罚值、售氢价格、购电价格以及辅助服务收益。

各能源主体收益和风险函数具体如下：

风力发电主体的收益函数具体如下：

F_W＝U_Wf+U_WH+U_WP+U₁-C_Wwaste-C_Wwork； (29)

其中，U_Wf代表向负荷售卖风电所获得的盈利；U_WH代表风力发电向制氢设备供电所获得的盈利；U_WP代表向电网售卖风电所获得的盈利；U₁代表风力发电相关政策补贴以及机组退休价值；C_Wwaste代表风力发电主要的亏损，即丢弃可再生能源的惩罚成本C_Wwaste；C_Wwork代表包括风力发电的维护成本的运行成本；

光伏发电主体的收益函数具体如下：

F_S＝U_Sf+U_SH+U_SP+U₂-C_Swaste-C_Swork； (30)

其中，U_Sf代表向负荷售卖光电所获得的盈利；U_SH代表光伏发电向制氢设备供电所获得的盈利；U_SP代表向电网售卖光电所获得的盈利；U₂代表光伏发电相关政策补贴以及机组退休价值U₁；C_Swaste代表光伏发电主要的亏损，即丢弃可生能源的惩罚成本C_Wwaste；C_Swork代表包括光伏发电的维护成本的运行成本；

制氢储能主体收益函数具体如下

F_H＝U_H1+U₃-C_H1-C_Hm-U_HW-U_HS； (31)

其中，U_H1表示向客户端售卖氢气的盈利U_H1；U₃表示制氢储能相关政策补贴以及机组退休价值；C_H1表示从电网购电的成本C_H1；C_Hm表示制氢储能相关运行维护的成本，包括相应储能装置和电解槽的运营维修成本C_Hm；U_HW表示制氢储能支付给风力发电主体的购电费U_HW；U_HS表示制氢储能支付给光伏发电主体的购电费用；

电动汽车能量缓冲主体收益函数具体如下：

F_EV＝C_gov+C_re+C_off-C_cm； (32)

其中，C_gov代表电动汽车能量缓冲主体相关政府补贴，C_re代表电动汽车能量缓冲主体机组到期退役后的退役收入，C_off代表为光伏发电和风力发电提供缓冲能量的盈利，C_cm代表电动汽车能量缓冲主体日管理维修费用。

合作博弈中的联盟收益函数，为各合作博弈参与方的收益之和F_co，具体如下：

其中，F_W,F_S,F_H,F_EV分别表示各合作博弈参与者即风力发电、光伏发电、制氢储能和电动汽车能量缓冲主体的收益函数；S_W,S_S,S_H,S_EV分别表示用户输入的风力发电、光伏发电、制氢储能、电动汽车能量缓冲主体的初始化配置容量；x表示合作博弈系统中各合作博弈参与者的策略集合；

根据联盟收益函数，计算出表示最差条件风险价值(WCVAR)的联盟风险函数R_co，用以表示在各参与者不同的决策下，联盟收益由于各种潜在因素所损失收益的上确界。

S3、将考虑了联盟收益和联盟风险的多目标优化函数转化为单目标优化函数，利用粒子群算法迭代计算出联盟利益最大化情况下各合作博弈参与方的最优配置，具体步骤如下：

S3.1、设定粒子群算法迭代速率；

S3.2、根据联盟收益函数，利用粒子群算法迭代计算出联盟收益最大值F_comax；

S3.3、根据联盟风险函数，利用粒子群算法迭代计算出联盟风险最小值R_comin；

S3.4、接收用户输入的联盟收益权重因子α、联盟风险权重因子β，联盟收益权重因子和联盟风险权重因子反映投资者或冒险或稳健的主观投资意愿，具体如下：

S3.5、根据联盟收益权重因子α和联盟风险权重因子β，利用加权平方法，将联盟收益函数和联盟风险函数转化为单目标优化函数M，具体如下：

S3.6、利用粒子群算法迭代计算出单目标优化函数M的最小值，得到主观投资意向下的联盟最大收益和最小风险点，输出各合作博弈主体的相应配置作为优化结果。

S4、各参与方分别输入收益合作倾向权重因子、风险合作倾向权重因子，用以从合作后收益是否增加和风险是否降低的两个角度衡量各参与方的合作倾向程度，再以各合作博弈参与方的合作倾向程度相等为原则，分配联盟收益，，具体步骤如下：

S4.1、计算考虑收益的各参与方合作倾向程度，即对比合作模式，非合作模式给其它参与者带来的收益减少与给参与者i带来的收益减少之比D_F.i，具体如下：

其中，i为W、S、H和EV中的一个或多个的组合；W、S、H和EV分别表示风力发电参与者、光伏发电参与者、制氢储能参与者和电动汽车能量缓冲参与者；{i}表示合作博弈联盟中所有参与者i的集合；v_F.{i}表示对应所有参与者i集合{i}的合作博弈联盟中参与者合作所得总收益与所有参与者在非合作状态下的收益之差，即联盟收益总支付；h_F.i表示所有主体加入联盟的合作博弈下，分配给参与者i的联盟收益支付；

S4.2、计算考虑风险的各参与方合作倾向程度，即对比合作模式，非合作模式给其它参与者带来的风险增加与给自身带来的风险增加之比D_R.i，具体如下：

式中，v_R.{i}表示本合作联盟中的总风险与所有参与者i在非合作状态下的风险总和之差，即联盟风险总支付；h_R.i表示所有主体加入联盟的合作博弈下，分配给参与者i的风险支付；

S4.3、接收用户输入的收益合作倾向权重因子η、风险合作倾向权重因子μ，收益合作倾向权重因子和风险合作倾向权重因子分别代表在参与者考虑合作的倾向程度时，对收益和风险的重视程度，具体如下：

S4.4、将考虑收益和风险的合作倾向程度通过合作倾向权重因子η和μ加权，得到参与者i的合作倾向程度D_∑.i，具体如下：

D_∑.i＝ηD_F.i+μD_R.i； (39)

S4.5、接受用户输入的风险承担系数

风险承担系数代表参与者追求收益提升时，对同时增加的风险的可接受程度，具体如下：

式中，{W,S,H,EV}\i表示除了参与者i，其余参与者合作的联盟；

表示参与者i可被分配到的最大收益支付，

表示参与者i可被分配到的最小风险支付；

S4.6、通过粒子群算法迭代计算出各参与者合作倾向程度相差最小的情况，即最符合整体理性和个体理性的收益分配策略，输出此时各合作博弈参与者的收益支付，具体如下：

minΔ＝(D_∑.W-D_∑.S)²(D_∑.W-D_∑.H)²(D_∑.W-D_∑.EV)²(D_∑.S-D_∑.H)²(D_∑.S-D_∑.EV)²(D_∑.H-D_∑.EV)² (41)

Claims (10)

1.一种基于合作博弈论的多能源优化配置方法，其特征在于，多能源主体包括风力发电、光伏发电、制氢储能和电动汽车能量缓冲；

所述优化配置方法包括如下步骤：

S1、将风力发电、光伏发电、制氢储能和电动汽车能量缓冲四个主体考虑为一个合作博弈系统，四个主体的投资商合作成立一个联盟，合作进行容量配置投资；

S2、通过场景模拟技术模拟出N个场景下风电出力，光伏出力以及工业、商业、居民和电动汽车的负荷值，再结合实际引入相关数据和参数构建各能源主体收益函数、联盟收益函数和联盟风险函数；

S3、将考虑了联盟收益和联盟风险的多目标优化函数转化为单目标优化函数，利用粒子群算法迭代计算出联盟利益最大化情况下各合作博弈参与方的最优配置；

S4、各参与方分别输入收益合作倾向权重因子、风险合作倾向权重因子，用以从合作后收益是否增加和风险是否降低的两个角度衡量各参与方的合作倾向程度，再以各合作博弈参与方的合作倾向程度相等为原则，分配联盟收益。

2.根据权利要求1所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，步骤S1中，在合作博弈系统中，风力发电、光伏发电、制氢储能、电动汽车能量缓冲的投资商作为合作博弈参与方；各参与方先通过签订平等协议，成立一个联盟，即联盟收益为各参与方收益之和，联盟风险也视为联盟作为整体面临的风险；各参与方先作为联盟成员，合作追求联盟收益最大和联盟风险最低，在此基础上，通过合理分配收益实现各参与者利益最大化。

3.根据权利要求1所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，步骤S2中，所述相关数据和参数包括设备价格数据、运行数据和电价数据；

所述设备价格数据包括：设备日投资成本、各项机组退休价值、各项机组维护成本以及电动汽车日管理维修费用；

所述运行数据包括：工业、商业、居民和电动汽车的负荷基准值以及风光出力的基准值；

所述电价数据包括：售电价格、制氢电价、弃风弃光惩罚值、售氢价格、购电价格以及辅助服务收益。

4.根据权利要求1所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，步骤S2中，各能源主体收益和风险函数具体如下：

风力发电主体的收益函数具体如下：

F_W＝U_Wf+U_WH+U_WP+U₁-C_Wwaste-C_Wwork； (1)

其中，U_Wf代表向负荷售卖风电所获得的盈利；U_WH代表风力发电向制氢设备供电所获得的盈利；U_WP代表向电网售卖风电所获得的盈利；U₁代表风力发电相关政策补贴以及机组退休价值；C_Wwaste代表风力发电主要的亏损，即丢弃可再生能源的惩罚成本C_Wwaste；C_Wwork代表包括风力发电的维护成本的运行成本；

光伏发电主体的收益函数具体如下：

F_S＝U_Sf+U_SH+U_SP+U₂-C_Swaste-C_Swork； (2)

其中，U_Sf代表向负荷售卖光电所获得的盈利；U_SH代表光伏发电向制氢设备供电所获得的盈利；U_SP代表向电网售卖光电所获得的盈利；U₂代表光伏发电相关政策补贴以及机组退休价值U₁；C_Swaste代表光伏发电主要的亏损，即丢弃可再生能源的惩罚成本C_Wwaste；C_Swork代表包括光伏发电的维护成本的运行成本；

制氢储能主体收益函数具体如下

F_H＝U_H1+U₃-C_H1-C_Hm-U_HW-U_HS； (3)

其中，U_H1表示向客户端售卖氢气的盈利U_H1；U₃表示制氢储能相关政策补贴以及机组退休价值；C_H1表示从电网购电的成本C_H1；C_Hm表示制氢储能相关运行维护的成本，包括相应储能装置和电解槽的运营维修成本C_Hm；U_HW表示制氢储能支付给风力发电主体的购电费U_HW；U_HS表示制氢储能支付给光伏发电主体的购电费用；

电动汽车能量缓冲主体收益函数具体如下：

F_EV＝C_gov+C_re+C_off-C_cm； (4)

其中，C_gov代表电动汽车能量缓冲主体相关政府补贴，C_re代表电动汽车能量缓冲主体机组到期退役后的退役收入，C_off代表为光伏发电和风力发电提供缓冲能量的盈利，C_cm代表电动汽车能量缓冲主体日管理维修费用。

5.根据权利要求4所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，步骤S2中，合作博弈中的联盟收益函数，为各合作博弈参与方的收益之和F_co，具体如下：

其中，F_W,F_S,F_H,F_EV分别表示各合作博弈参与者即风力发电、光伏发电、制氢储能和电动汽车能量缓冲主体的收益函数；S_W,S_S,S_H,S_EV分别表示用户输入的风力发电、光伏发电、制氢储能、电动汽车能量缓冲主体的初始化配置容量；x表示合作博弈系统中各合作博弈参与者的策略集合。

6.根据权利要求5所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，根据联盟收益函数，计算出表示最差条件风险价值的联盟风险函数R_co，用以表示在各参与者不同的决策下，联盟收益由于各种潜在因素所损失收益的上确界。

7.根据权利要求6所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，步骤S3的具体步骤如下：

S3.1、设定粒子群算法迭代速率；

S3.2、根据联盟收益函数，利用粒子群算法迭代计算出联盟收益最大值F_comax；

S3.3、根据联盟风险函数，利用粒子群算法迭代计算出联盟风险最小值R_comin；

S3.4、接收用户输入的联盟收益权重因子α、联盟风险权重因子β，联盟收益权重因子和联盟风险权重因子反映投资者或冒险或稳健的主观投资意愿，具体如下：

S3.5、根据联盟收益权重因子α和联盟风险权重因子β，利用加权平方法，将联盟收益函数和联盟风险函数转化为单目标优化函数M；

S3.6、利用粒子群算法迭代计算出单目标优化函数M的最小值，得到主观投资意向下的联盟最大收益和最小风险点，输出各合作博弈主体的相应配置作为优化结果。

8.根据权利要求7所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，所述单目标优化函数M具体如下：

9.根据权利要求1所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，步骤S4中，以各参与方的合作倾向程度相等为原则分配联盟收益，具体步骤如下：

S4.1、计算考虑收益的各参与方合作倾向程度，即对比合作模式，非合作模式给其它参与者带来的收益减少与给参与者i带来的收益减少之比D_F.i，具体如下：

其中，i为W、S、H和EV中的一个或多个的组合；W、S、H和EV分别表示风力发电参与者、光伏发电参与者、制氢储能参与者和电动汽车能量缓冲参与者；{i}表示合作博弈联盟中所有参与者i的集合；v_F.{i}表示对应所有参与者i集合{i}的合作博弈联盟中参与者合作所得总收益与所有参与者在非合作状态下的收益之差，即联盟收益总支付；h_F.i表示所有主体加入联盟的合作博弈下，分配给参与者i的联盟收益支付；

S4.2、计算考虑风险的各参与方合作倾向程度，即对比合作模式，非合作模式给其它参与者带来的风险增加与给自身带来的风险增加之比D_R.i，具体如下：

式中，v_R.{i}表示本合作联盟中的总风险与所有参与者i在非合作状态下的风险总和之差，即联盟风险总支付；h_R.i表示所有主体加入联盟的合作博弈下，分配给参与者i的风险支付；

S4.3、接收用户输入的收益合作倾向权重因子η、风险合作倾向权重因子μ，收益合作倾向权重因子和风险合作倾向权重因子分别代表在参与者考虑合作的倾向程度时，对收益和风险的重视程度，具体如下：

S4.4、将考虑收益和风险的合作倾向程度通过合作倾向权重因子η和μ加权，得到参与者i的合作倾向程度D_∑.i，具体如下：

D_∑.i＝ηD_F.i+μD_R.i； (11)

S4.5、接受用户输入的风险承担系数

风险承担系数代表参与者追求收益提升时，对同时增加的风险的可接受程度，具体如下：

式中，{W,S,H,EV}\i表示除了参与者i，其余参与者合作的联盟；

表示参与者i可被分配到的最大收益支付，

表示参与者i可被分配到的最小风险支付；

S4.6、通过粒子群算法迭代计算出各参与者合作倾向程度相差最小的情况，即最符合整体理性和个体理性的收益分配策略，输出此时各合作博弈参与者的收益支付。

10.根据权利要求9所述的一种基于合作博弈论的多能源优化配置方法，其特征在于，通过粒子群算法迭代计算出各参与者合作倾向程度相差最小的情况，具体如下：

minΔ＝(D_∑.W-D_∑.S)²(D_∑.W-D_∑.H)²(D_∑.W-D_∑.EV)²(D_∑.S-D_∑.H)²(D_∑.S-D_∑.EV)²(D_∑.H-D_∑.EV)² (13)

Images