CN114282722A

CN114282722A - 分布式综合能源系统多目标优化方法、系统、装置及介质

Info

Publication number: CN114282722A
Application number: CN202111595408.4A
Authority: CN
Inventors: 程序; 吕志鹏; 王超; 周珊; 康琦; 宋振浩; 潘正阳; 杨晓霞; 张智慧; 胡宝玉; 史超; 米袆仑; 薛琳
Original assignee: China Online Shanghai Energy Internet Research Institute Co ltd; State Grid Corp of China SGCC; China Electric Power Research Institute Co Ltd CEPRI; State Grid Beijing Electric Power Co Ltd
Current assignee: China Online Shanghai Energy Internet Research Institute Co ltd; State Grid Corp of China SGCC; China Electric Power Research Institute Co Ltd CEPRI; State Grid Beijing Electric Power Co Ltd
Priority date: 2021-12-23
Filing date: 2021-12-23
Publication date: 2022-04-05

Abstract

本发明公开了一种分布式综合能源系统多目标优化方法、系统、装置及介质，方法包括：建立精细化时间尺度的分布式综合能源系统各设备元件模型，获取分布式综合能源系统的运行约束条件；分别建立分布式综合能源系统的环境效益模型、经济成本、用户舒适度精细化时间尺度模型；构建分布式综合能源系统的最优容量配置和运行策略的多目标优化模型；求解多目标优化模型的在线滚动分层优化调度解，以得到帕累托最优解集；确定帕累托最优解集中各方案的优先级，采用优先级最高的解对应的方案作为分布式综合能源系统的最优容量配置与运行策略。通过在日内调度阶段引入分钟级的滚动优化机制，实现对日前调度方案的实时修正。

Description

分布式综合能源系统多目标优化方法、系统、装置及介质

技术领域

本发明属于综合能源系统优化技术领域，具体涉及一种分布式综合能源系统多目标优化方法、系统、装置及介质。

背景技术

随着电力系统中新能源的增多，其运行难度不断增大，同时为满足用户多样化的能源需求，分布式综合能源系统能够成为电网的重要补充。

现有技术的缺陷和不足：新能源的随机波动因素、用户设备多种运行工况因素对分布式综合能源系统的优化调度的影响将变得不可忽略，而目前分布式综合能源系统中，能源设备、储能设备的模型精细化程度较低，且未能实现通过精细化的模型进行日内多目标优化的实时修正。

目前分布式综合能源系统中的多目标优化调度的模型，大多针对设备的年运行成本最优形成日前的经济性优化调度模型，在对日内优化调度研究中未形成有效的解决方案，因此无法满足综合系统中多设备、复杂工况、多能耦合实时协调控制的需求。且目前分布式综合能源系统中的多目标优化模型对于用户舒适度的考虑较少，精细化程度较低，无法满足用户需求多样化、用能成本精细化控制的要求。

发明内容

本发明的目的在于提供一种分布式综合能源系统多目标优化方法、系统、装置及介质。以解决现有技术中，分布式综合能源系统中的多目标优化调度的模型，精细化程度较低，无法满足用户需求多样化、用能出成本精细化控制要求的问题。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一方面，提供了一种基于日内滚动优化调度的分布式综合能源系统多目标优化方法，包括如下步骤：

建立分布式综合能源系统各设备元件模型，获取分布式综合能源系统的约束条件；

建立小时级的日前优化调度模型和分钟级的日内优化调度模型；其中，小时级的日前优化调度模型以分布式综合能源系统的年碳减排量最大、年运行成本最小、用户舒适度年成本最低为目标，分钟级的日内优化调度模型以分布式综合能源系统的日碳减排量最大、日运行成本最小、用户舒适度日成本最低为目标，形成分布式综合能源系统精细化时间尺度的环境效益模型、经济成本模型和用户舒适度模型；所述环境效益模型以碳减排量最大为目标；所述经济性模型的优化目标中加入了弃风、弃光的惩罚成本和用户舒适度惩罚成本；所述用户舒适度模型以用户舒适度成本最低为目标；

基于所述分布式综合能源系统的约束条件、分布式综合能源系统精细化时间尺度的环境效益模型、经济成本模型和用户舒适度模型，采用混合整数规划方法，构建分布式综合能源系统的最优容量配置和运行策略的多目标优化模型；

基于ε-约束法求解多目标优化模型的在线滚动分层优化调度解，以得到帕累托最优解集，其中每个帕累托解对应一个方案；

确定帕累托最优解集中各方案的优先级，采用优先级最高的解对应的方案作为分布式综合能源系统的最优容量配置与运行策略。

可选的，所述综合能源系统各设备元件模型包括：微燃机及余热回收系统模型、分布式光伏模型、分布式风电模型、电力电子变换装置模型、储能电池模型、热泵模型、电辅热装置模型以及储热装置模型。

可选的，所述环境效益模型如下：

其中，E_DCR分布式综合能源系统的碳减排量，

为时段t光伏设备的碳减排量，E^WT为时段t风力发电机设备的碳减排量，

为时段t微燃机设备的碳减排量；当日前采用1小时级的滚动优化时，时段t为1小时，一年中包含的时段个数N_t为8760个；当日内采用5分钟级的滚动优化时，时段t为5分钟，一天中包含的时段个数N_t为288个。

可选的，所述经济成本模型如下：

其中，C_DOC分布式综合能源系统的运行成本，C_MT,t为微燃机运行成本，C_grid,t为电网购电成本，C_ES,t为储能电池运行成本，C_WT,PV,t为时段t弃风、弃光惩罚成本，C_cf,t为用户舒适度惩罚成本；当日前采用1小时级的滚动优化时，时段t为1小时，一年中包含的时段个数N_t为8760个；当日内采用5分钟级的滚动优化时，时段t为5分钟，一天中包含的时段个数N_t为288个。

可选的，所述用户舒适度模型：

式中，C_DCC为用户舒适度成本，k为能源的种类数，L_k,t为k类能源的初始负荷功率，

为用户对k类能源进行需求响应后的实际用能量，y_k为用户对k类能源的偏好系数；当日前采用1小时级的滚动优化时，时段t为1小时，一年中包含的时段个数为8760个；当日内采用5分钟级的滚动优化，时段t为5分钟，一天中包含的时段个数为288个。

可选的，所述多目标优化模型包括：

分布式综合能源系统的日前优化目标、日内优化目标，分别以最大化年碳减排量、最小化年运行成本、最小化用户舒适度年成本，最大化日碳减排量、最小化日运行成本、最小化用户舒适度日成本为目标函数；

多目标优化模型的约束条件，包括设备出力约束、系统能量平衡约束、设备最小部分负载率约束、设备最大启动频次约束、设备爬坡约束。

可选的，基于数据包络分析法确定帕累托最优解集中各方案的优先级。

本发明的第二方面，提供了一种用于所述基于日内滚动优化调度的分布式综合能源系统多目标优化方法的系统，包括：

第一模型建立模块，用于建立分布式综合能源系统各设备元件模型，获取分布式综合能源系统的约束条件；

第二模型建立模块，用于建立小时级的日前优化调度模型和分钟级的日内优化调度模型；其中，小时级的日前优化调度模型以分布式综合能源系统的年碳减排量最大、年运行成本最小、用户舒适度年成本最低为目标，分钟级的日内优化调度模型以分布式综合能源系统的日碳减排量最大、日运行成本最小、用户舒适度日成本最低为目标，形成分布式综合能源系统精细化时间尺度的环境效益模型、经济成本模型和用户舒适度模型；所述环境效益模型以碳减排量最大为目标；所述经济性模型的优化目标中加入了弃风、弃光的惩罚成本和用户舒适度惩罚成本；所述用户舒适度模型以用户舒适度成本最低为目标；

第三模型建立模块，用于基于所述分布式综合能源系统的约束条件、分布式综合能源系统精细化时间尺度的环境效益模型、经济成本模型和用户舒适度模型，采用混合整数规划方法，构建分布式综合能源系统的最优容量配置和运行策略的多目标优化模型；

求解模块，用于基于ε-约束法求解多目标优化模型的在线滚动分层优化调度解，以得到帕累托最优解集，其中每个帕累托解对应一个方案；

优先级确定模块，用于基于数据包络分析法确定帕累托最优解集中各方案的优先级，采用优先级最高的解对应的方案作为分布式综合能源系统的最优容量配置与运行策略。

本发明的第三方面，提供了一种计算机装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法。

本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法。

本发明的有益效果如下：

本发明提供的多目标优化算法考虑污染气体排放的危害，因此增加了以碳减排量最大为目标的环境效益模型；并在经济性模型中加入了弃风、弃光的惩罚成本、用户舒适度惩罚成本；在优化目标中增加了以用户舒适度成本最低为目标的用户舒适度模型，；采用采用供能设备、电储能、热储能等精细化时间尺度的模型，能够有效支撑分布式综合能源系统多目标优化模型中日内滚动优化调度方案的实现。在线滚动优化分层优化调度模型，包括小时级的日前优化调度、分钟级的日内优化调度。通过在日内调度阶段引入分钟级的滚动优化机制，实现对日前调度方案的实时修正。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例分布式综合能源系统多目标优化方法的流程图。

图2为本发明实施例中求解多目标优化模型的流程图。

图3为本发明实施例中确定帕累托最优解集中各方案的优先级的流程图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。

本发明的第一方面，提供了一种基于日内滚动优化调度的分布式综合能源系统多目标优化方法，典型的应用场景分布式综合能源系统，包括微燃机及余热回收系统、分布式光伏、分布式风电、电力电子变换装置、储能电池、空气(地源)源热泵、电辅热装置(电锅炉)以及储热装置。

如图1所示，分布式综合能源系统多目标优化方法的具体步骤包括：

S1、建立精细化时间尺度的分布式综合能源系统各设备元件模型，获取分布式综合能源系统的约束条件；其中，约束条件包括分布式综合能源系统的运行约束和能量平衡约束等约束条件。

S2、在线滚动分层优化模型，由小时级的日前优化调度模型、分钟级的日内优化调度模型构成。其中，小时级的日前优化调度模型以分布式综合能源系统的年碳减排量最大、年运行成本最小、用户舒适度年成本最低为目标，分钟级的日内优化调度模型以分布式综合能源系统的日碳减排量最大、日运行成本最小、用户舒适度日成本最低为目标，因此形成分布式综合能源系统的环境效益模型、经济成本、用户舒适度精细化时间尺度模型；所述环境效益模型以碳减排量最大为目标；所述经济性模型的优化目标中加入了弃风、弃光的惩罚成本和用户舒适度惩罚成本；所述用户舒适度模型以用户舒适度成本最低为目标；

S3、基于所述分布式综合能源系统的运行约束和能量平衡约束等约束条件、分布式综合能源系统精细化时间尺度的环境效益模型、经济成本模型和用户舒适度模型，采用混合整数规划方法，构建分布式综合能源系统的最优容量配置和运行策略的多目标优化模型；

S4、基于ε-约束法求解多目标优化模型的在线滚动分层优化调度解，以得到帕累托最优解集，其中每个帕累托解对应一个方案；

S5、确定帕累托最优解集中各方案的优先级，采用优先级最高的解对应的方案作为分布式综合能源系统的最优容量配置与运行策略。

具体阐述如下：

(一)方法初始化

包括分布式综合能源系统的系统架构、设备主要参数、用户负荷特征及参数、系统环境参数、决策变量以及目标函数的定义及初始设定。

(二)建立精细化时间尺度的分布式综合能源系统各设备元件模型，具体包括微燃机及余热回收系统模型、分布式光伏模型、分布式风电模型、电力电子变换装置模型、储能电池模型、热泵模型(地源热泵)、电辅热装置(电锅炉)模型以及储热装置模型。

1)精细化时间尺度的微燃机及余热回收装置模型

式中，P_MT,t为微燃机时段t发电的出力，Q_MT,t为微燃机时段t排出烟气可利用的热值，I_MT,t为微燃机t时刻输入燃料总能量，COP_el,t为微燃机实时电效率，COP_th,t为微燃机实时热效率，Δt为微燃机运行时间段，NSP_MT为微燃机投入运行的个数，MT表示微燃机。f_el,t为电负载率，f_th,t为热负载率。C_el,t为时段t的额定电功率、C_th,t为时段t的额定热功率。c₁～c₄，d₁～d₄分别为根据微燃机参数设置的调节系数。

2)精细化时间尺度的光伏模型

光伏发电系统输出功率的数学模型可以表述为：

E_PV,t＝W_t×NSP_PV,y×S×COP_PV

式中，E_PV,t为光伏发电系统时段t输出功率，W_t为对象区域辐照强度，NSP_PV,y为该运行年份光伏板搭建个数，S为单个光伏板面积，COP_PV为运行效率。

3)精细化时间尺度的风力发电机模型

精细化时间尺度的风力发电系统输出功率的数学模型可以表述为：

式中，E_WT,t为风力发电系统时段t输出功率，C_WT为风力发电机的切出功率，v_t为环境风速，v_rated为风力发电机的额定风速，v_in为风力发电机的切入风速，v_out为风力发电机的切出风速。a₁～a₄为根据风力发电机参数设置的调节系数。

4)精细化时间尺度的储能电池模型

精细化时间尺度的储能电池的模型可以表述为：

E_ES,t＝E_ES,t-1+[P_st,tδ_st,t-P_ex,t/δ_ex,t]Δt

式中，E_ES,t为储能电池时段t的储电量，P_ex,t为储能电池放电功率，P_st,t为时段t储能电池充电功率，δ_ex,t为时段t储能电池的放电效率，δ_st,t为时段t储能电池的充电效率，Δt为储能电池运行的时间段。

5)精细化时间尺度的地源热泵模型

精细化时间尺度的地源热泵的数学模型可由下式描述：

式中，P_HP,t为地源热泵时段t输出的总能量，COP_HP,t为地源热泵运行效率，I_HP,t为地源热泵输入总能量，C_HP为地源热泵额定运行功率，T为运行时间，f_HP,t为运行的负载率。NSP_HP为地源热泵投入运行的个数，b₁～b₄为根据地源热泵参数设置的调节系数，Δt为地源热泵运行的时间段。

6)精细化时间尺度的电锅炉模型

精细化时间尺度的电锅炉的能量转换模型可由下式描述：

Q_EB,t＝η_EB,he,t×E_EB,t

式中，Q_EB,t为时段t输出的热功率；E_EB,t为电锅炉时段t的耗电量；η_EB,he,t为电锅炉时段t的热效率。

7)精细化时间尺度的储热装置模型

精细化时间尺度的储热装置的模型可由下式描述：

H_HS,t＝(1-k_LOSS)H_HS,t-1+[Q_st,tk_st,t-Q_ex,t/k_ex,t]Δt

式中，H_HS,t为储热装置时段t的储热量，Q_ex,t为时段t储热装置放电功率，Q_st,t为时段t储热装置充电功率，k_ex,t为时段t储热装置的放热效率，k_st,t为时段t储热装置的吸热效率，k_LOSS为储热装置散热损失率，Δt为储热装置运行的时间段。

当日前采用1小时级的滚动优化，因此时段t为1小时，一年中包含的时段个数为8760个。当日内采用5分钟级的滚动优化，因此时段t为5分钟，一天中包含的时段个数为288个。

(三)建立环境效益、经济成本、用户舒适度模型。建立分布式综合能源系统的环境效益模型、经济成本、用户舒适度精细化时间尺度模型，其中，日前滚动优化以分布式综合能源系统的年碳减排量最大、年运行成本最小、用户舒适度年成本最低为目标；日内滚动优化以分布式综合能源系统的日碳减排量最大、日运行成本最小、用户舒适度日成本最低为目标，。

1)精细化时间尺度的环境效益模型

分布式综合能源系统的碳减排量主要来自于使用风电、光伏等分布式能源和微燃机等天然气的使用设备，具体如下：

光伏发电设备的碳减排量：

式中，

为时段t光伏设备的碳减排量，λ_PV,t为时段t光伏设备的碳减排系数，P_PV,t为时段t光伏设备的有功出力。

风力发电机设备的碳减排量：

式中，E^WT为时段t风力发电机设备的碳减排量，λ_WT,t为风力发电机设备的碳减排系数，P_WT,t为风力发电机设备的有功出力。

微燃机设备的碳减排量：

式中，

为时段t微燃机设备的碳减排量，λ_MT,t为微燃机设备的碳减排系数，P_MT,t为微燃机设备的有功出力。

因此，精细化时间尺度的分布式综合能源系统的日碳减排量：

其中，E_DCR分布式综合能源系统的日碳减排量，当日前采用1小时级的滚动优化，因此时段t为1小时，一年中包含的时段个数为8760个。当日内采用5分钟级的滚动优化时，时段t为5分钟，一天中包含的时段个数N_t为288个。

2)精细化时间尺度的经济成本模型

分布式综合能源系统的日前优化和日内滚动优化分别以年运行成本最低、日运行成本最低为优化目标，年运行成本和日运行成本均包括微燃机机组运行成本、电网购电成本、储能电池运行成本、弃风、弃光惩罚成本、用户舒适度惩罚成本，具体计算如下：

微燃机机组的成本函数：

式中，C_MT,t为微燃机运行成本，C_f为天然气单价，P_MT,t为微燃机机组时段t发出的有功功率，η_MT,t为微燃机时段t的发电效率，L_NG为天然气热值，

为时段t微燃机的用气量。

电网购电成本：

C_grid,t＝C_{grid_buy,t}·P_{grid_buy,t}-C_{grid_sell,t}·P_{grid_sell,t}

式中，C_grid,t为电网购电成本，C_{grid_buy,t}为时段t电能购买单价，C_{grid_sell,t}为时段t电能出售单价，P_{grid_buy,t}为时段t从电网购买的有功功率，P_{grid_sell,t}为时段t从电网出售的有功功率。

储能电池运行成本：

式中，C_ES,t为储能电池运行成本，

为储能电池运行成本单价，P_ex,t为时段t储能电池放电功率，P_st,t为时段t储能电池充电功率。

弃风、弃光惩罚成本：

C_WT,PV,t＝ρ_WT,t(P_yc,WT,t-P_WT,t)+ρ_PV,t(P_yc,PV,t-P_PV,t)

式中，C_WT,PV,t为时段t弃风、弃光惩罚成本，ρ_WT,t为时段t弃风惩罚成本系数，P_yc,WT,t为时段t风机预测出力，P_WT,t为时段t风机实际出力，ρ_PV,t为时段t弃光惩罚成本系数，P_yc,PV,t为时段t光伏预测出力，P_PV,t为光伏实际出力。

用户舒适度惩罚成本：C_cf,t为用户舒适度惩罚成本。

因此，精细化时间尺度的分布式综合能源系统的运行成本：

其中，C_DOC分布式综合能源系统的日运行成本，当日前采用1小时级的滚动优化，因此时段t为1小时，一年中包含的时段个数为8760个。当日内采用5分钟级的滚动优化时，时段t为5分钟，一天中包含的时段个数N_t为288个。

3)精细化时间尺度的用户舒适度模型

分布式综合能源系统的日前小时级优化和日内分钟级滚动优化分别以用户舒适度年成本最低、用户舒适度日成本最低为优化目标：

为用户对k类能源进行需求响应后的实际用能量，y_k为用户对k类能源的偏好系数，为正数，y_k值越小，可中断负荷值越高。此处，K可取为5，系统中包含的能源有电、空调冷、空调热、蒸汽、生活热水。当日前采用1小时级的滚动优化，因此时段t为1小时，一年中包含的时段个数为8760个。当日内采用5分钟级的滚动优化，因此时段t为5分钟，一天中包含的时段个数为288个。

(四)基于混合整数规划方法，构建分布式综合能源系统的容量配置和运行策略的多目标优化模型，多目标优化模型包括目标函数和约束条件两部分。

1)目标函数

建立分布式综合能源系统的多目标优化模型的目标函数，分布式综合能源系统的日前优化目标、日内优化目标分别以最大化年碳减排量、最小化年运行成本、最小化用户舒适度年成本，最大化日碳减排量、最小化日运行成本、最小化用户舒适度日成本为目标函数，如下式：

max(E_DCR)

min(C_DOC)

min(C_DCC)

2)约束条件

多目标优化模型的约束条件主要包括设备出力、系统能量平衡约束、设备最小部分负载率约束、设备最大启动频次约束、设备爬坡约束。

(1)设备运行约束

微燃机在运行过程时，每一时刻的出力都不能超过其装机容量，且满足爬坡率的上下限，具体约束如下：

式中，

为微燃机的输出功率，

为微燃机的额定功率，ΔP^MT为微燃机输入功率变化量，

为微燃机爬坡率下限，

为微燃机爬坡率上限。

储能充放电约束，储能电池容量约束：

式中，E_ES为储能电池运行功率，P_Charge为储能电池充电功率，P_Dis-charge为储能电池放电功率，

为储能电池容量，δ_ex为储能电池的放电效率，δ_st为储能电池的充电效率，P_Charge·P_Dis-charge＝0表示储能电池不同时充放电，

为储能电池功率充放电功率下限，

为储能电池功率充放电功率上限。

储热充放热约束，储热容量约束：

式中，H_HS为储热装置功率，H_Charge为储热装置充热功率，H_Dis-charge为储热装置放热功率，

为储热装置容量，k_ex为储热装置的放热效率，k_st为储热装置的吸热效率，H_Charge·H_Dis-charge＝0表示电储热装置不同时充放热，

为储热装置充放热功率下限，

为储热装置充放热功率上限。光伏、风力发电机、地源热泵、电锅炉各时刻的处理均不超过各自的装机容量。

(2)能量平衡约束

所述的能量平衡约束包括电能平衡、热能平衡以及冷能平衡，具体如下：

P_e,load(t)＝P_WT(t)+P_PV(t)+P_ES(t)+P_MT,e(t)+P_grid(t)

Q_he,load(t)＝Q_MT,he(t)+Q_HS,he(t)+Q_HP,he(t)+Q_EB,he(t)+Q_buy,he(t)

Q_co,load(t)＝Q_HP,co(t)

式中，P_e,load(t)、Q_he,load(t)、Q_co,load(t)分别为系统中电、热、冷负荷；P_WT(t)、P_PV(t)、P_ES(t)、P_MT,e(t)、P_grid(t)分别为系统中风力发电机、光伏的电出力、储能电池与电网交互的电量、微燃机的电出力，和系统与电网交互的电量；Q_MT,he(t)、Q_HS,he(t)、Q_HP,he(t)、Q_EB,he(t)、Q_buy,he(t)分别为系统中微燃机的热出力、储热设备与热网交互的热功率、热泵、电锅炉的热出力，和系统与热网交互的热量；Q_HP,co(t)为热泵的冷出力。

(3)设备最大启动频次约束

由于微燃机启动时间较长，为保证系统正常运行，对微燃机启停次数加以约束，限制微燃机每次启停至多一次，具体如下：

其中，

为表示设备每日启停次数的二进制变量；

为控制微燃机开关状态的二进制变量。

(五)基于ε-约束法求解日前小时级、日内分钟级多目标在线滚动优化调度的帕累托最优解集。

ε-约束法可以将原本的多目标优化问题转化为单目标问题，通过多为偏好分析线性规划法和逼近于理想解的排序法，最终得到多目标优化的非劣解集，即帕累托前沿，如图2所示，具体步骤如下：

1)分别以经济性目标、环保性目标和用户舒适度为目标函数对系统进行单目标优化，并将求解结果作为帕累托前沿的两个端点；

2)形成日前小时级多目标优化调度，选择其中一个目标函数进行细分，在两个帕累托前沿端点的范围内根据求解需求进行分段，将该目标函数转换为若干段约束条件，在每段约束条件下，以另外一个目标函数为目标对模型进行优化求解，从而得到一系列最优解，连点成线得到帕累托前沿；

3)形成日内分钟级的滚动优化调度，选择其中一个目标函数进行细分，在两个帕累托前沿端点的范围内根据求解需求进行分段，将该目标函数转换为若干段约束条件，在每段约束条件下，以另外一个目标函数为目标对模型进行优化求解，从而得到一系列最优解，连点成线得到帕累托前沿。

(六)基于数据包络分析法确定帕累托最优解集中各方案的优先级，确定分布式综合能源系统的最优容量配置与运行策略，基于在线滚动分层优化调度，并根据日内滚动优化调度对日前调度方案进行实时修正。

作为应用于本发明的实施例，分布式综合能源系统在进行多目标优化时求解得到的一个非支配解集，解集中每一个解之间并没有优劣之分。本实施例采用多目标评价与决策方法，对比分析帕累托前沿上的所有解，进一步优中选优得到系统的综合最优解，即最优配置方案。

方法具体步骤如下：

1)建立综合能源效率最大化为评估决策单元，

其中，η_MT,t、η_grid、η_pv分别为微燃机发电效率、一次能源转化为市电的效率、光伏发电效率。E_ele为系统输出的电功率，E_MT,t为微燃机的发电功率，Q_he系统输出的热功率，E_im为电网的购电功率，Q_co系统输出的冷功率，E_pv为光伏系统的发电功率。

2)最优容量配置及运行策略优化方案决策

求解各个评估目标方案的相对效率值，并根据相对效率值的大小进行排序，相对效率值越高的能源设备容量配置及运行策略优化方案相对于其他方案来说表现更好，根据日内滚动优化调度对日前调度方案进行实时修正。

本发明的第二方面，提供了一种用于所述基于日前小时级、日内分钟级在线滚动优化调度的分布式综合能源系统多目标优化方法的系统，包括：

第一模型建立模块，用于建立精细化时间尺度的分布式综合能源系统各设备元件模型，获取分布式综合能源系统的约束条件；

第二模型建立模块，用于建立分布式综合能源系统的环境效益模型、经济成本模型、用户舒适度精细化时间尺度的在线分层优化模型。所述在线滚动分层优化模型，由小时级的日前优化调度模型、分钟级的日内优化调度模型构成。其中，小时级的日前优化调度模型以分布式综合能源系统的年碳减排量最大、年运行成本最小、用户舒适度年成本最低为目标，分钟级的日内优化调度模型以分布式综合能源系统的日碳减排量最大、日运行成本最小、用户舒适度日成本最低为目标，因此形成分布式综合能源系统的环境效益模型、经济成本、用户舒适度精细化时间尺度模型；

第三模型建立模块，用于基于所述分布式综合能源系统的运行约束和能量平衡约束等约束条件、环境效益模型、经济成本、用户舒适度模型，采用混合整数规划方法，构建分布式综合能源系统的容量配置和运行策略的多目标优化模型；

优先级确定模块，用于确定帕累托最优解集中各方案的优先级，采用优先级最高的解对应的方案作为分布式综合能源系统的最优容量配置与运行策略。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims

1.一种基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，所述综合能源系统各设备元件模型包括：微燃机及余热回收系统模型、分布式光伏模型、分布式风电模型、电力电子变换装置模型、储能电池模型、热泵模型、电辅热装置模型以及储热装置模型。

3.根据权利要求1所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，所述环境效益模型如下：

其中，E_DCR分布式综合能源系统的碳减排量，

4.根据权利要求2所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，所述经济成本模型如下：

5.根据权利要求2所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，所述用户舒适度模型：

6.根据权利要求1所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，所述多目标优化模型包括：

7.根据权利要求1所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法，其特征在于，基于数据包络分析法确定帕累托最优解集中各方案的优先级。

8.一种用于所述基于日内滚动优化调度的分布式综合能源系统多目标优化方法的系统，其特征在于，包括：

9.一种计算机装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的基于日内滚动优化调度的分布式综合能源系统多目标优化方法。