CN119809466A - 一种工业园区综合能源系统优化方法及系统 - Google Patents

Abstract

本发明公开了一种工业园区综合能源系统优化方法及系统，属于建筑及能源系统设计优化技术领域，通过确定能量平衡约束、设备容量约束、设备运行约束的约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，构建综合能源系统优化模型并确定目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出Pareto解集；对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。该方法构建的综合能源系统优化模型，能够在不同的运行条件下调整氢能的使用比例，从而达到最佳的能效和环保效果。

Description

一种工业园区综合能源系统优化方法及系统

技术领域

本发明涉及建筑及能源系统设计优化技术领域，更具体的涉及一种工业园区综合能源系统优化方法及系统。

背景技术

随着我国“双碳”目标的稳步推进，能源系统向低碳转型的背景下，如何利用可再生能源满足冷、热、电、气等多种负荷的需求，成为了一个重要的研究课题。

基于天然气掺氢工业园区的综合能源系统可以最大程度地利用太阳能等可再生能源，结合电解槽电解水制得的氢气，与天然气掺混后可以减少系统对于纯天然气的依赖，同时减少系统的碳排放。这种系统可以通过集成不同的能源设备和技术来实现多类型负荷的服务。

为提升工业园区多能互补综合能源系统设计优化的准确性和可靠性，传统的综合能源系统通常结合冷热电联产(CCHP)与天然气联产，形成冷热电联产系统。将光伏转化为电能，再转化为氢气。氢气可以混合到天然气管网中，形成掺氢天然气。这种综合能源利用方式，不仅可以减少企业或用户端对天然气的需求，还可以有效减少二氧化碳的排放。

然而，现有的天然气掺氢工业园区的综合能源系统优化方法，没有将太阳能等可再生能源制氢考虑在形成的掺氢天然气内，缺乏对于太阳能等可再生能源制氢后与天然气掺混时的掺氢比例的考量，无法有效解决工业园区多能互补综合能源系统运行的不经济性和不环保性问题，能源利用率低，导致运营成本高。

发明内容

针对上述领域中存在的问题，本发明提出了一种工业园区综合能源系统优化方法及系统，构建的综合能源系统优化模型将工业园区当地的气象数据、设计参数和负荷数据作为输入变量，将掺氢比例作为决策变量，以便在不同的运行条件下调整氢能的使用比例，从而达到最佳的能效和环保效果。

为解决上述技术问题，本发明公开了一种工业园区综合能源系统优化方法，包括以下步骤：

获取工业园区综合能源系统设备的设计参数、气象数据和工业园区内负荷数据；

建立综合能源系统中各设备的数学模型，确定能量平衡约束、设备容量约束、设备运行约束的约束条件；

根据约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，构建综合能源系统优化模型并确定目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集；

对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。

优选地，所述建立综合能源系统中各设备的数学模型，具体包括：

对冷热电联供型微网中各种设备建立数学模型，光伏组件的输出功率为：

P_pv＝P_pv,s×G×[1+k_pv(T_pv-T_pv,s)]/G_s

式中，P_pv为光伏发电在t时段内输出的功率，P_pv,s为标况条件下的最大光伏功率，G为t时段内太阳实际的辐照强度，k_pv为光伏组件的功率温度系数，T_pv为光伏组件在t时段内的实际温度，T_pv,s表示在标况条件下的环境温度，G_s表示在标况条件下太阳的辐照强度；

制氢储氢系统的数学模型包括电解制氢数学模型和储氢罐数学模型；

构建的电解制氢数学模型为：

0≤P_EL≤P_EL,max

|P_EL(t)-P_EL(t-1)|≤P_EL,up

式中，为t时刻制取的氢气量，P_EL,up为电解槽的爬坡上限，P_EL,max为电解槽的功率上限；

构建的储氢罐数学模型为：

E_c,min≤E_h(t)≤E_c,max

式中，E^t为储氢罐t时刻的储存量，E_c,min和E_c,max分别为储氢罐的最小、最大容量，和分别为当前时刻的充放氢量，和分别为充放氢效率，和分别为充放氢上限，为电解槽t时刻的产氢量，V_GT为t时段内所消耗的燃气量；

构建的燃气轮机烟气余热的数学模型为：

Q_GT＝V_GTη_GT×Q_LV×(1-η_GT-μ)/η_GT

式中，Q_GT为燃气轮机t时段内产生的烟气余热量，V_GT为t时段内所消耗的燃气量，η_GT为燃气轮机效率，μ为热损失系数，Q_LV为燃烧热值，燃烧热值会随着掺氢比例的变化而变化；

其中，掺氢天然气的总燃烧热值为：

Q_LV＝α×Q_Hmin+(1-α)×Q_gasmin

式中，Q_Hmin为氢气的低位热值，Q_gasmin为天然气的低位热值；

构建的吸收式制冷机的数学模型为：

Q_AC＝Q_GT×μ_cool×C_COP,AC

式中，Q_AC为吸收式制冷机在t时段内的制冷功率，μ_cool为余热输出功率中用于制冷的比例，C_COP,AC为吸收式制冷机组的性能系数，Q_GT为烟气的余热量；

构建的换热器的数学模型为：

Q_HE＝Q_GT×μ_heat×η_HE

式中，Q_HE为换热器在t时段内的制冷功率，μ_heat为余热输出功率中用于制热的比例，η_HE为换热器换热效率；

构建的电制冷机的数学模型为：

Q_EC＝W_EC×COP_EC

式中，Q_EC为t时段内的制冷功率，W_EC为电制冷机的输入功率，COP_EC为电制冷机的制冷系数；

构建的燃气锅炉的数学模型为：

Q_GB＝Q_in×η_GB

式中，Q_GB为t时段内锅炉的加热功率，Q_in为燃气锅炉燃料所提供的输入能量，η_GB是燃气锅炉的制热效率。

优选地，所述确定能量平衡约束、设备容量约束、设备运行约束的数学模型的约束条件，具体包括：

能量平衡约束包括电力平衡约束、冷平衡约束和热平衡约束，其中：

电力平衡约束方程为：

P_GT+P_pv-P_EL-P_ch+P_dis+P_grid＝L_ele；

式中，P_ch和P_dis分别表示能量存储电池的充电和放电功率，P_grid表示从电网购电的电量，P_GT表示燃气轮机的发电量；

冷平衡约束方程为：

Q_AC+Q_EC＝L_cool

式中，Q_AC和Q_EC分别表示吸收式制冷机和电制冷机的制冷功率，L_cool表示系统的冷负荷；

热平衡约束方程为：

Q_GB+Q_HE＝L_hot

其中，Q_GB和Q_HE分别是中央供暖和热交换器的供暖功率，L_hot表示系统的热负荷；

设备的输出约束方程为：

P_i,t,min≤P_i,t≤P_i,t,max

P_f,t,min≤P_f,t≤P_f,t,max

式中，P_i,t和P_f,t分别表示非可调度设备和可调度设备的当前输出，P_i,t,min和P_i,t,max分别表示非可调度设备的最大和最小输出值，P_f,t,min和P_f,t,max分别表示调度设备有效输出的调度区间；

设备的上升约束方程为：

式中，P_i,t和P_i,t-1分别表示设备在当前时间和上一个时间点的功率，和分别表示设备每单位时间允许增加或减少的最大功率变化量；

能量存储系统的电池约束方程为：

O_EES.ch.minU_EES.ch(t)≤P_EES.ch(t)≤P_EES.ch.maxU_EES.ch(t)

P_EES._dis.minU_EES.dis(t)≤P_EES.dis(t)≤P_EES.dis.maxU_EES.dis(t)

式中，P_EES.ch.min和P_EES.ch.max分别表示存储电池充电的最小和最大功率水平，而P_EES.dis.min和P_EES.dis.max分别表示存储电池放电的最小和最大功率水平，E表示存储电池的最大容量，η_ech和η_e.ds分别表示存储电池的充电和放电系数，U_EES.ch(t)和U_EES.dis(t)分别表示存储电池的充电和放电状态标志，当取值为0时表示关闭，当取值为1时表示开启。

优选地，所述构建综合能源系统优化模型并确定目标函数，具体包括：

年总成本方程为：

F₁＝minATC＝C_in+C_grid+C_gas+C_om+C_EES+C_h

式中，G_in表示初始投资成本，C_gird，C_gas和C_om分别表示系统的购电成本、购气成本和运维成本，C_EES和C_h分别表示电力存储和氢气存储的成本；

其中，系统的购电成本方程为：

P_grid＝L_ele-P_GT-P_pv+P_EL+P_ch-P_dis

式中，P_grid表示系统实时从电网购买的功率，L_ele表示除了电解槽系统中其他设备的总电负荷，α_buy表示系统实时从电网购买的功率的成本，P_EL为电解槽实时的耗电功率，P_ch和P_dis分别表示能量存储电池的充电和放电功率，P_GT表示燃气轮机的发电量；

天然气的成本方程为：

式中，P_GI表示系统燃气轮机的实时运行功率，β_GI表示燃气轮机的功率系数，β_buy表示天然气的价格，U_GI表示燃气轮机的启停状态标志位，当取值为0时表示关闭，当取值为1时表示开启；

系统的运维成本方程为：

式中，C_i表示系统中每台设备的运维成本，P_i表示系统中每台设备的实时运行功率；

产生氢气的成本方程为：

式中，C_h表示产生氢气的成本，γ_EL表示电解池中产生氢气的成本，η_EL为电解槽的电解效率；

系统的碳排放量方程为：

F₂＝minCDE＝G_gas+G_grid

G_gas＝(1-α)×Q_fuel×EF_gas

式中，CDE表示系统的总碳排放量，G_gas表示系统中天然气消耗导致的碳排放量，Q_fuel为燃料的总需求量，EF_gas为天然气的碳排放系数，α为掺氢比例，G_grid表示购买自电网的电能导致的碳排放量；

系统的能源消耗量为消耗的天然气量，消耗的天然气量方程为：

F₃＝minFEC＝M_CCHP+M_burn

M_burn＝(1-α)×Q_fuel

式中，FEC是天然气的总消耗量，M_CCHP表示由冷热电联产系统消耗的天然气量，M_burn表示工业燃烧过程中考虑了掺氢比例后实际使用的天然气消耗量。

优选地，所述输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集，具体包括：

将工业园区内负荷数据作为初始条件，输入太阳光照幅度、环境温度、光伏装机容量、储电池容量和储氢罐容量，对生产和储存的氢气按照一定比例掺入天然气管网与天然气进行掺混，形成掺氢天然气，进行工业燃烧；

通过判断生产和储存的氢气的光伏、蓄电池的电量是否富裕，当富裕时，需要判断掺氢后的天然气的燃烧的系统的冷热负荷是否满足负荷需求，当满足时，将掺氢比例作为决策变量，通过基于模糊逼近理想解法的多目标鸽群优化算法，寻找满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集。

优选地，所述基于模糊逼近理想解法的多目标鸽群优化算法，包括以下步骤：

通过初始化多目标优化鸽群算法的参数，随机生成初始鸽群，在解空间中随机生成一组鸽子个体，每个鸽子代表一个解，解的维度与决策变量掺氢比例相同；

根据掺氢比例范围，生成与年总成本、碳排放量和能源消耗量目标函数值对应的解；

计算每个鸽子的适应度，进行适应度评估；

通过模糊逻辑将决策问题中的各种因素转化为模糊集合，并通过计算和分析这些模糊集合的隶属度，综合考虑各个因素的影响，得出一个最优或接近最优的掺氢比例的决策方案；

通过鸽群优化算法进行迭代优化，逐步改进种群中个体的性能，直到找到满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集。

优选地，所述对Pareto解集进行多目标排序，包括以下步骤：

通过模糊逼近理想解法进行多目标排序，包括：

标准化决策矩阵：对多个目标的值进行无量纲化处理，比较在不同维度下的目标：

式中，和分别表示第i个目标的理想解和反理想解；

计算S值和R值：

式中，S_j为解x_j与所有目标的偏差总和，R_j为解x_j在最坏目标上的偏差，ω_i为每个目标的权重；

计算综合指标Q值：

式中，S^*和S^-分别表示所有解中S值的最优和最差值，R^*和R^-分别表示所有解中R值的最优和最差值，v为调节系数，表示权衡解的总体偏差和单个目标的最坏偏差。

优选地，所述获取最优解对应的各设备的实时功率情况，具体包括：

当迭代次数达到最大或者Pareto解集在多次迭代中没有显著变化时，停止迭代，通过模糊逼近理想解法对Pareto解集进行排序，得到一个优先级最高的解作为最终的最优解；

通过模糊决策方法，根据模糊逼近理想解法的排序结果和决策者的偏好，选择一个解或多个最优解作为最终决策；

根据选择的一个解或多个最优解作为最终决策，输出最优解对应的各设备的实时功率情况和掺氢比例。

优选地，所述获取工业园区综合能源系统设备的设计参数、气象数据、工业园区内负荷数据，其中：

所述综合能源系统设备包括：光伏发电系统、燃气轮机、蓄电池、热交换器、锅炉、吸收式冷水机组、电冷水机组、电解槽和储氢罐；

设备的设计参数包括：光伏板的装机容量、储氢罐的装机容量、储电池的装机容量；

气象数据包括：环境温度和光照辐射强度；

工业园区内负荷数据包括过渡季、冬季和夏季的典型日负荷数据；

将典型日负荷数据作为初始条件，输入光伏板的装机容量、储氢罐的装机容量、储电池的装机容量，将掺氢比例作为决策变量，用于构建综合能源系统优化模型。

优选地，还包括一种工业园区综合能源系统优化系统，包括：

数据获取模块，用于获取工业园区综合能源系统设备的设计参数、气象数据、工业园区内负荷数据；

系统优化模型构建模块，用于建立综合能源系统中各设备的数学模型，确定能量平衡约束、设备容量约束、设备运行约束的约束条件；

目标函数求解模块，用于根据约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，构建综合能源系统优化模型并确定目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集；

优化结果输出模块，用于对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。

与现有技术相比，本发明具有如下有益效果：

本发明提出的工业园区综合能源系统优化方法，构建的综合能源系统优化模型，将工业园区当地的气象数据、设计参数和负荷数据作为输入变量，并将掺氢比例作为决策变量，以便在不同的运行条件下调整氢能的使用比例，从而达到最佳的能效和环保效果，确保系统设计能够适应具体的环境和需求。设置该优化模型以年总成本、年碳排放和能源消耗量最小化为目标，进行决策优化，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集，并对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，即得到一个优先级最高的解作为最终的最优解，获取最优解对应的各设备的实时功率情况，使系统能够适应环境的变化来达到对系统的年总成本、年碳排放和能源消耗量的优化，确保在实现经济效益的同时，也能满足环境保护的要求。

附图说明

图1为本发明提出的工业园区综合能源系统优化方法流程示意图；

图2为本发明提出的工业园区综合能源系统优化方法算法的流程图；

图3为本发明实施例提供的工业园区综合能源系统的设备组成及其电、热、气、冷的输送系统图。

具体实施方式

下面将结合本发明实施例中的附图1-图3，对本发明实施例中的技术方案进行清楚、完整地描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。

实施例

如图1所示，本发明提出的一种工业园区综合能源系统优化方法，包括以下步骤：

S1：获取工业园区综合能源系统设备的设计参数、气象数据、工业园区内负荷数据；

S2：建立综合能源系统中各设备的数学模型，确定能量平衡约束、设备容量约束、设备运行约束的约束条件；

S3：根据约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，确定综合能源系统的年总成本、碳排放量和能源消耗量的目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集；

S4：对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。

工业园区综合能源系统设备包括光伏发电系统、燃气轮机、蓄电池、热交换器、锅炉、吸收式冷水机组、电冷水机组、电解槽、储氢罐等设备；能量管理系统，用于实现设备间的协调控制和能量优化。

具体的，在步骤S1中的气象数据(光伏数据)主要包括：环境温度、太阳光照幅度。设备设计参数主要包括：光伏板的装机容量、储氢罐的装机容量、储电池的装机容量。工业园区内负荷数据包括过渡季、冬季和夏季的典型日负荷数据。

如图3所示，本发明将具有掺氢天然气工业园区的综合能源系统的各个组件划分为四个模块，分别为上部供能单元、耦合设备单元、储能设备单元和最终使用的能源单元。上部供能单元：国家电网、光伏发电系统、天然气供气网络；耦合设备单元：燃气轮机、锅炉、热交换器；储能设备单元：蓄电池、储氢罐；最终使用的能源单元：电解槽、其他用户。

在步骤S2中提到的设备主要包括：光伏发电系统、燃气轮机、蓄电池、热交换器、锅炉、吸收式冷水机组、电冷水机组、电解槽、储氢罐等。

在冷热电联供型微网中，电能主要优先由光伏发电系统和燃气轮机发电提供，其次由蓄电池供电。同时，微电网可以通过与配电网之间的电力购售关系来平衡微电网内部对电能的需求，从而实现对电负荷的供电，从而形成了电能流动的方式。燃气轮机在运行过程中产生大量余热，可以通过吸收式制冷机和换热装置进行回收和转换，变成可供使用的冷能和热能。当吸收式制冷机和换热装置无法满足微冷网和微热网内部对冷能和热能的需求时，可以通过电制冷机和集中供热补充微冷网和微热网缺少的冷能和热能，从而形成冷能和热能的流动。氢气由电解槽制取，进入到天然气管网混合，天然气来自燃气公司，构成掺氢天然气的流动。

建立综合能源系统中各设备的数学模型，具体包括：

光伏组件的输出功率为：

P_pv＝P_pv,s×G×[1+k_pv(T_pv-T_pv,s)]/G_s

式中，P_pv为光伏发电在t时段内输出的功率，P_pv,s为标况条件下的最大光伏功率，G为t时段内太阳实际的辐照强度，k_pv为光伏组件的功率温度系数，T_pv为光伏组件在t时段内的实际温度，T_pv,s表示在标况条件下的环境温度，一般取25℃，G_s表示在标况条件下太阳的辐照强度，取1000W/m²。

构建的电解制氢数学模型为：

0≤P_EL≤P_EL,max

|P_EL(t)-P_EL(t-1)|≤P_EL,up

式中，为t时刻制取的氢气量，P_EL为电解槽实时的耗电功率，P_EL,up为电解槽的爬坡上限，η_EL为电解槽的电解效率，P_EL,max为电解槽的功率上限。

构建的储氢罐数学模型为：

E_c,min≤E_h(t)≤E_c,max

式中，E^t为储氢罐t时刻的储存量，E_c,min和E_c,max分别为储氢罐的最小、最大容量，和分别为当前时刻的充放氢量，和分别为充放氢效率，和分别为充放氢上限，为电解槽t时刻的产氢量，V_GT为t时段内所消耗的燃气量。

构建的燃气轮机烟气余热的数学模型为：

Q_GT＝V_GTη_GT×Q_LV×(1-η_GT-μ)/η_GT

式中，Q_GT为燃气轮机t时段内产生的烟气余热量，V_GT为t时段内所消耗的燃气量，η_GT为燃气轮机效率，μ为热损失系数，Q_LV为燃烧热值，燃烧热值会随着掺氢比例的变化而变化。

其中，掺氢天然气的总燃烧热值为：

Q_LV＝α×Q_Hmin+(1-α)×Q_gasmin

式中，Q_Hmin为氢气的低位热值，Q_gasmin为天然气的低位热值。

通过吸收余热进行制冷工作，其基本原理是利用溴化锂和水的化学特性。在制冷过程中，溴化锂水溶液吸收来自热源的热量，使溶液中的水蒸气被激发，从而产生冷却效果。这个过程不仅提高了能源的利用效率，还能够有效地将低品位热源转换为有用的冷能。

构建的吸收式制冷机的数学模型为：

Q_AC＝Q_GT×μ_cool×C_COP,AC

式中，Q_AC为吸收式制冷机在t时段内的制冷功率，μ_cool为余热输出功率中用于制冷的比例，C_COP,AC为吸收式制冷机组的性能系数，Q_GT为烟气的余热量。

构建的换热器的数学模型为：

Q_HE＝Q_GT×μ_heat×η_HE

式中，Q_HE为换热器在t时段内的制冷功率，μ_heat为余热输出功率中用于制热的比例，η_HE为换热器换热效率。

构建的电制冷机的数学模型为：

Q_EC＝W_EC×COP_EC

式中，Q_EC为t时段内的制冷功率，W_EC为电制冷机的输入功率，COP_EC为电制冷机的制冷系数。

构建的燃气锅炉的数学模型为：

Q_GB＝Q_in×η_GB

式中，Q_GB为t时段内锅炉的加热功率，Q_in为燃气锅炉燃料所提供的输入能量，η_GB是燃气锅炉的制热效率。

确定能量平衡约束、设备容量约束、设备运行约束的数学模型的约束条件，能量平衡约束包括电力平衡约束、冷平衡约束和热平衡约束，其中：

电力平衡约束方程为：

P_GT+P_pv-P_EL-P_ch+P_dis+P_grid＝L_ele；

式中，P_ch和P_dis分别表示能量存储电池的充电和放电功率，L_ele表示系统除电解槽的电负荷，P_grid表示从电网购电的电量，P_GT表示燃气轮机的发电量。

冷平衡约束方程为：

Q_AC+Q_EC＝L_cool

式中，Q_AC和Q_EC分别表示吸收式制冷机和电制冷机的制冷功率，L_cool表示系统的冷负荷。

热平衡约束方程为：

Q_GB+Q_HE＝L_hot

其中，Q_GB和Q_HE分别是中央供暖和热交换器的供暖功率，L_hot表示系统的热负荷。

设备的输出约束方程为：

P_i,t,min≤P_i,t≤P_i,t,max

P_f,t,min≤P_f,t≤P_f,t,max

式中，P_i,t和P_f,t分别表示非可调度设备和可调度设备的当前输出，P_i,t,min和P_i,t,max分别表示非可调度设备的最大和最小输出值，P_f,t,min和P_f,t,max分别表示调度设备有效输出的调度区间。

设备的上升约束方程为：

式中，P_i,t和P_i,t-1分别表示设备在当前时间和上一个时间点的功率，和分别表示设备每单位时间允许增加或减少的最大功率变化量。

电池通过储存电力，在用电高峰期放电以减少电网的购电量，从而降低了电网的总成本，虽然在电力平衡方程中体现了电池的充放电功率，但是需要对电网购电功率的表达式进行优化。

能量存储系统的电池约束方程为：

P_EES.ch.minU_EES.ch(t)≤P_EES.ch(t)≤P_EES.ch.maxU_EES.ch(t)

P_EES.dis.minU_EES.dis(t)≤P_EES.dis(t)≤P_EES.dis.maxU_EES.dis(t)

式中，P_EES.ch.min和P_EES.ch.max分别表示存储电池充电的最小和最大功率水平，而P_EES.dis.min和P_EES.dis.max分别表示存储电池放电的最小和最大功率水平，E表示存储电池的最大容量，η_ech和η_e.ds分别表示存储电池的充电和放电系数，U_EES.ch(t)和U_EES.dis(t)分别表示存储电池的充电和放电状态标志，当取值为0时表示关闭，当取值为1时表示开启。

在步骤S3中，确定综合能源系统的目标函数，其中：

第一个目标函数为综合能源系统的年总成本(F1)，年总成本包括各个设备投资成本，系统通过电网的购电成本、购气成本、运维成本，以及系统的储电、储氢成本。

第二个目标函数为综合能源系统的碳排放量(F2)，用来监测和控制CO2的排放。系统的碳排放量包含两部分，一部分是消耗天然气产生的，另一部分是电网购电产生的。

第三个目标函数为综合能源系统的能源消耗量(F3)，即天然气消耗量。系统的能源消耗量包含两部分，一部分是工业燃烧消耗的天然气，另一部分是冷热电联产系统消耗的天然气。

为了有效地进行优化，将掺氢比例设定为决策变量，以便在不同的运行条件下调整氢能的使用比例，从而达到最佳的能效和环保效果。基于这些输入和目标，建立了一个系统设计优化模型，通过约束条件确定系统的最佳运行策略，确保在实现经济效益的同时，也能满足环境保护的要求。

该系统优化设计模型的约束条件主要包含三部分，第一部分是能量平衡约束，包括电网平衡约束，热网平衡约束，冷网平衡约束；第二部分是设备容量约束，包含设备的最大输出功率以及最小输出功率；第三部分是设备运行约束，也叫做爬坡约束，表示为各个设备在单位时间内允许输出的最大功率和最小功率。同时，随着掺氢比例的增加，掺氢天然气更容易爆炸燃烧，而掺氢天然气的热值却随着掺氢比的增大而逐渐减小，为了确保天然气在掺氢后的安全性和保证掺氢天然气能够具有较高的热值，设计该系统的掺氢比例在0～20％之间。

年总成本方程为：

F₁＝minATC＝C_in+C_grid+C_gas+C_om+C_EES+C_h

式中，C_in表示初始投资成本，C_grid，C_gas和C_om分别表示系统的购电成本、购气成本和运维成本，C_EES和C_h分别表示电力存储和氢气存储的成本。

其中，系统的购电成本方程为：

P_grid＝L_ele-P_GT-P_pv+P_EL+P_ch-P_dis

式中，P_grid表示系统实时从电网购买的功率，P_EL为电解槽实时的耗电功率，α_buy表示系统实时从电网购买的功率的成本，P_ch和P_dis分别表示能量存储电池的充电和放电功率，P_GT表示燃气轮机的发电量。

天然气的成本方程为：

式中，P_GI表示系统燃气轮机的实时运行功率，β_GI表示燃气轮机的功率系数，β_buy表示天然气的价格，U_GI表示燃气轮机的启停状态标志位，当取值为0时表示关闭，当取值为1时表示开启。

系统的运维成本方程为：

式中，C_i表示系统中每台设备的运维成本，单位为美元($)。P_i表示系统中每台设备的实时运行功率。

产生氢气的成本方程为：

式中，C_h表示产生氢气的成本，γ_EL表示电解池中产生氢气的成本。

系统的碳排放量方程为：

F₂＝minCDE＝G_gas+G_grid

G_gas＝(1-α)×Q_fuel×EF_gas

式中，CDE表示系统的总碳排放量，G_gas表示系统中天然气消耗导致的碳排放量，Q_fuel为燃料的总需求量，EF_gas为天然气的碳排放系数；G_grid表示购买自电网的电能导致的碳排放量。

系统的能源消耗量为消耗的天然气量，消耗的天然气量方程为：

F₃＝minFEC＝M_CCHP+M_burn

M_burn＝(1-α)×Q_fuel

式中，FEC是天然气的总消耗量，M_CCHP表示由冷热电联产系统消耗的天然气量，M_burn表示工业燃烧过程中考虑了掺氢比例后实际使用的天然气消耗量。

本发明采用基于模糊逼近理想解法(Fuzzy-VIKOR)的多目标鸽群优化算法(MOPIO)对具有掺氢天然气工业园区的综合能源系统进行优化，并建立综合能源系统设计优化模型。

如图2所示，为了优化年总成本、年碳排放量和能源消耗量，采用了基于模糊逼近理想解法(Fuzzy-VIKOR)的多目标鸽群优化算法(MOPIO)进行求解。将工业园区内负荷数据作为初始条件，输入太阳光照幅度、环境温度、光伏装机容量、储电池容量和储氢罐容量，对生产和储存的氢气按照一定比例掺入天然气管网与天然气进行掺混，形成掺氢天然气，进行工业燃烧；通过判断生产和储存的氢气的光伏、蓄电池的电量是否富裕，当不富裕时需要从电网进行购电；当富裕时，需要判断掺氢后的天然气的燃烧的系统的冷热负荷是否满足负荷需求，当不满足时需要开启辅助设备；当满足时，将掺氢比例作为决策变量，通过基于模糊逼近理想解法的多目标鸽群优化算法(MOPIO)，寻找满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集。

根据工业园区多能互补综合能源系统的逐时负荷数据，选取了具有代表性的冬季、夏季和过渡季节典型日进行分析。系统引入了分时电价政策，方便引导用户用电稳定性和安全性，起到削峰填谷的作用。系统也引入了碳交易机制，用户可以根据系统所计算出的碳排放量，与碳交易配额相比较作差即为由于减少碳排放所获得的一部分收益。通过对这些典型日的负荷数据进行分析和处理，对工业园区的多能互补综合能源系统进行容量配置模型的求解。直到循环迭代次数达到最大设定值后，输出Pareto解集，并利用模糊决策的方法确定最终方案。

输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集，具体包括：

采用基于模糊逼近理想解法(Fuzzy-VIKOR)的多目标鸽群优化算法(MOPIO)求解出Pareto解集。多目标鸽群优化算法(MOPIO)是基于自然界鸽子导航行为启发而的一种优化算法，它通过模拟鸽子在迁徙时使用的导航机制，结合群体智能和多目标优化策略，从而找到一组能够在多个目标上达到折中效果的解。

具体的，通过初始化多目标优化鸽群算法的参数，设置种群数量为200；最大迭代次数为1000次；决策变量掺氢比例的设置范围为0～20％；对于掺氢比例步长的设置，其初始值为1％，依次采用0.1％步长、0.01％步长进行优化计算，从而找到合适的掺氢比例。

随机生成初始鸽群，在解空间中随机生成一组鸽子个体，每个鸽子代表一个解，解的维度与决策变量掺氢比例相同；根据掺氢比例范围，生成与年总成本、碳排放量和能源消耗量目标函数值对应的解。解对应的优化变量主要包括总成本、碳排放量、天然气的消耗量，这些变量会根据掺氢比例的变化而变化。

进行适应度评估，每个鸽子位置表示为解向量x＝[x₁,x₂,…,x_n]，每个解通过最小年总成本、最少碳排放量以及最少能源消耗量进行评估；综合考虑年总成本、年碳排放量和能源消耗量三个优化目标，根据解的Pareto解集优势计算每个鸽子的适应度。

通过模糊逻辑将决策问题中的各种因素转化为模糊集合，并通过计算和分析这些模糊集合的隶属度，综合考虑各个因素的影响，得出一个最优或接近最优的掺氢比例的决策方案。

通过鸽群优化算法进行迭代优化，逐步改进种群中个体的性能，直到找到优化问题的Pareto解集。在迭代优化过程中，鸽子群算法主要包括指南针操作、地图操作、Pareto主导，其中：

指南针操作为主要进行鸽子个体的方向更新，根据鸽子当前的位置和飞行方向，每个鸽子的下一步方向由其历史最优位置以及群体中的最优解所引导，指南针操作主要模拟鸽子根据外部参照物调整方向的行为，按照以下公式进行优化迭代方向：

式中，表示第i个鸽子在第t代的当前位置，表示全局最优解，a表示调节步长的参数。

地图操作为主要进行鸽子个体的全局位置更新，鸽子会根据记忆中的位置(即历史最优解)来更新位置，增强全局搜索能力。每只鸽子的位置更新为：

式中，λ是衰减系数，e^-λ·t为指数衰减函数，随着时间的推移，鸽子依赖记忆的程度逐渐降低，从而保证了算法的收敛性，促使鸽子逐步收敛到全局最优解。

Pareto主导为在多目标优化中，鸽子个体之间的比较使用Pareto支配关系。例如解x₁支配解x₂的条件为：解x₁在所有目标上都优于或等于解x₂，且在至少一个目标上，x₁严格优于x₂。将非支配解存储在外部档案中，确保解的多样性，并记录当前迭代的Pareto解集，筛选出鸽群中的非支配解构成的Pareto解集。

在步骤S4中，通过模糊逼近理想解法对Pareto解集进行多目标排序，包括以下步骤：

标准化决策矩阵：对多个目标的值进行无量纲化处理，比较在不同维度下的目标：

式中，和分别表示第i个目标的理想解和反理想解。

计算S值和R值：

式中，S_j为解x_j与所有目标的偏差总和，R_j为解x_j在最坏目标上的偏差，ω_i为每个目标的权重。

计算综合指标Q值：

式中，S^*和S^-分别表示所有解中S值的最优和最差值，R^*和R^-分别表示所有解中R值的最优和最差值，v为调节系数，设置为0.5，表示权衡解的总体偏差和单个目标的最坏偏差。

当迭代次数达到最大或者Pareto解集在多次迭代中没有显著变化时，停止迭代，通过模糊逼近理想解法对Pareto解集进行排序，得到一个优先级最高的解作为最终的最优解，通过模糊决策方法，根据模糊逼近理想解法的排序结果和决策者的偏好，选择一个解或多个最优解作为最终决策，输出最优解对应的各设备的实时功率情况和掺氢比例。

本发明还提出了一种工业园区综合能源系统优化系统，其特征在于，包括：

数据获取模块，用于获取工业园区综合能源系统设备的设计参数、气象数据、工业园区内负荷数据；

系统优化模型构建模块，用于建立综合能源系统中各设备的数学模型，确定能量平衡约束、设备容量约束、设备运行约束的约束条件；

目标函数求解模块，用于根据约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，确定综合能源系统的年总成本、碳排放量和能源消耗量的目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集；

优化结果输出模块，用于对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。

本发明提出的该综合能源系统优化方法，构建的综合能源系统优化模型将当地的日照幅度、逐时气温变化以及工业园区的冷、热、电逐时负荷类型作为输入变量，以确保系统设计能够适应具体的环境和需求。这些输入数据将用于制定优化策略，以实现年总成本、年碳排放和能源消耗量(F1、F2、F3)的最小化，作为主要的优化目标，并对输出的Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况，来提高系统的整体效率和可靠性，使系统能够适应环境的变化来达到对系统的年总成本、年碳排放和能源消耗量的优化。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

另外，除非另有说明，否则本发明使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时，以本说明书的内容为准。

Claims (10)

1.一种工业园区综合能源系统优化方法，其特征在于，包括以下步骤：

获取工业园区综合能源系统设备的设计参数、气象数据和工业园区内负荷数据；

建立综合能源系统中各设备的数学模型，确定能量平衡约束、设备容量约束、设备运行约束的约束条件；

根据约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，构建综合能源系统优化模型并确定目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集；

对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。

2.根据权利要求1所述的工业园区综合能源系统优化方法，其特征在于，所述建立综合能源系统中各设备的数学模型，具体包括：

对冷热电联供型微网中各种设备建立数学模型，光伏组件的输出功率为：

P_pv＝P_pv,s×G×[1+k_pv(T_pv-T_pv,s)]/G_s

式中，P_pv为光伏发电在t时段内输出的功率，P_pv,s为标况条件下的最大光伏功率，G为t时段内太阳实际的辐照强度，k_pv为光伏组件的功率温度系数，T_pv为光伏组件在t时段内的实际温度，T_pv,s表示在标况条件下的环境温度，G_s表示在标况条件下太阳的辐照强度；

制氢储氢系统的数学模型包括电解制氢数学模型和储氢罐数学模型；

构建的电解制氢数学模型为：

0≤P_EL≤P_EL,max

|P_EL(t)-P_EL(t-1)|≤P_EL,up

式中，为t时刻制取的氢气量，P_EL,up为电解槽的爬坡上限，P_EL,max为电解槽的功率上限；

构建的储氢罐数学模型为：

E_c,min≤E_h(t)≤E_c,max

式中，E^t为储氢罐t时刻的储存量，E_c,min和E_c,max分别为储氢罐的最小、最大容量，和分别为当前时刻的充放氢量，和分别为充放氢效率，和分别为充放氢上限，为电解槽t时刻的产氢量，V_GT为t时段内所消耗的燃气量；

构建的燃气轮机烟气余热的数学模型为：

Q_GT＝V_GTη_GT×Q_LV×(1-η_GT-μ)/η_GT

式中，Q_GT为燃气轮机t时段内产生的烟气余热量，V_GT为t时段内所消耗的燃气量，η_GT为燃气轮机效率，μ为热损失系数，Q_LV为燃烧热值，燃烧热值会随着掺氢比例的变化而变化；

其中，掺氢天然气的总燃烧热值为：

Q_LV＝α×Q_Hmin+(1-α)×Q_gasmin

式中，Q_Hmin为氢气的低位热值，Qgasmin为天然气的低位热值；

构建的吸收式制冷机的数学模型为：

Q_AC＝Q_GT×μ_cool×C_COP,AC

式中，Q_AC为吸收式制冷机在t时段内的制冷功率，μ_cool为余热输出功率中用于制冷的比例，C_CoP,AC为吸收式制冷机组的性能系数，Q_GT为烟气的余热量；

构建的换热器的数学模型为：

Q_HE＝Q_GT×μ_heat×η_HE

式中，Q_HE为换热器在t时段内的制冷功率，μ_heat为余热输出功率中用于制热的比例，η_HE为换热器换热效率；

构建的电制冷机的数学模型为：

Q_EC＝W_EC×COP_EC

式中，Q_EC为t时段内的制冷功率，W_EC为电制冷机的输入功率，COP_EC为电制冷机的制冷系数；

构建的燃气锅炉的数学模型为：

Q_GB＝Q_in×η_GB

式中，Q_GB为t时段内锅炉的加热功率，Q_in为燃气锅炉燃料所提供的输入能量，η_GB是燃气锅炉的制热效率。

3.根据权利要求2所述的工业园区综合能源系统优化方法，其特征在于，所述确定能量平衡约束、设备容量约束、设备运行约束的数学模型的约束条件，具体包括：

能量平衡约束包括电力平衡约束、冷平衡约束和热平衡约束，其中：

电力平衡约束方程为：

P_GT+P_pv-P_EL-P_ch+P_dis+P_grid＝L_ele；

式中，P_ch和P_dis分别表示能量存储电池的充电和放电功率，P_grid表示从电网购电的电量，P_GT表示燃气轮机的发电量；

冷平衡约束方程为：

Q_AC+Q_EC＝L_cool

式中，Q_AC和Q_EC分别表示吸收式制冷机和电制冷机的制冷功率，L_cool表示系统的冷负荷；

热平衡约束方程为：

Q_GB+Q_HE＝L_hot

其中，Q_GB和Q_HE分别是中央供暖和热交换器的供暖功率，L_hot表示系统的热负荷；

设备的输出约束方程为：

P_i，t，min≤P_i，t≤P_i，t，max

P_f，t，min≤P_f，t≤P_f，t，max

式中，P_i，t和P_f，t分别表示非可调度设备和可调度设备的当前输出，P_i，t，min和P_i，t，max分别表示非可调度设备的最大和最小输出值，P_f，t，min和P_f，t，max分别表示调度设备有效输出的调度区间；

设备的上升约束方程为：

式中，P_i，t和P_i，t-1分别表示设备在当前时间和上一个时间点的功率，和分别表示设备每单位时间允许增加或减少的最大功率变化量；

能量存储系统的电池约束方程为：

P_EES.ch.minU_EES.ch(t)≤P_EES.ch(t)≤P_EES.ch.maxU_EES.ch(t)

P_EES.dis.minU_EES.dis(t)≤P_EES.dis(t)≤P_EES.dis.maxU_EES.dis(t)

式中，P_EES.ch.min和P_EES.ch.max分别表示存储电池充电的最小和最大功率水平，而P_EES.dis.min和P_{EES.dis，max}分别表示存储电池放电的最小和最大功率水平，E表示存储电池的最大容量，η_ech和η_e.ds分别表示存储电池的充电和放电系数，U_EES.ch(t)和U_EES.dis(t)分别表示存储电池的充电和放电状态标志，当取值为0时表示关闭，当取值为1时表示开启。

4.根据权利要求3所述的工业园区综合能源系统优化方法，其特征在于，所述构建综合能源系统优化模型并确定目标函数，具体包括：

年总成本方程为：

F₁＝minATC＝C_in+C_grid+C_gas+C_om+C_EES+C_h

式中，C_in表示初始投资成本，C_grid，C_gas和C_om分别表示系统的购电成本、购气成本和运维成本，C_EES和C_h分别表示电力存储和氢气存储的成本；

其中，系统的购电成本方程为：

P_grid＝L_ele-P_GT-P_pv+P_EL+P_ch-P_dis

式中，P_grid表示系统实时从电网购买的功率，L_ele表示除了电解槽系统中其他设备的总电负荷，α_buy表示系统实时从电网购买的功率的成本，P_EL为电解槽实时的耗电功率，P_ch和P_dis分别表示能量存储电池的充电和放电功率，P_GT表示燃气轮机的发电量；

天然气的成本方程为：

式中，P_GI表示系统燃气轮机的实时运行功率，β_GI表示燃气轮机的功率系数，β_buy表示天然气的价格，U_GI表示燃气轮机的启停状态标志位，当取值为0时表示关闭，当取值为1时表示开启；

系统的运维成本方程为：

式中，C_i表示系统中每台设备的运维成本，P_i表示系统中每台设备的实时运行功率；

产生氢气的成本方程为：

式中，C_h表示产生氢气的成本，γ_EL表示电解池中产生氢气的成本，η_EL为电解槽的电解效率；

系统的碳排放量方程为：

F₂＝minCDE＝G_gas+G_grid

G_gas＝(1-α)×Q_fuel×EF_gas

式中，CDE表示系统的总碳排放量，G_gas表示系统中天然气消耗导致的碳排放量，Q_fuel为燃料的总需求量，EF_gas为天然气的碳排放系数，α为掺氢比例，G_grid表示购买自电网的电能导致的碳排放量；

系统的能源消耗量为消耗的天然气量，消耗的天然气量方程为：

F₃＝minFEC＝M_CCHP+M_burn

M_burn＝(1-α)×Q_fuei

式中，FEC是天然气的总消耗量，M_CCHP表示由冷热电联产系统消耗的天然气量，M_burn表示工业燃烧过程中考虑了掺氢比例后实际使用的天然气消耗量。

5.根据权利要求4所述的工业园区综合能源系统优化方法，其特征在于，所述输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集，具体包括：

将工业园区内负荷数据作为初始条件，输入太阳光照幅度、环境温度、光伏装机容量、储电池容量和储氢罐容量，对生产和储存的氢气按照一定比例掺入天然气管网与天然气进行掺混，形成掺氢天然气，进行工业燃烧；

通过判断生产和储存的氢气的光伏、蓄电池的电量是否富裕，当富裕时，需要判断掺氢后的天然气的燃烧的系统的冷热负荷是否满足负荷需求，当满足时，将掺氢比例作为决策变量，通过基于模糊逼近理想解法的多目标鸽群优化算法，寻找满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集。

6.根据权利要求5所述的工业园区综合能源系统优化方法，其特征在于，所述基于模糊逼近理想解法的多目标鸽群优化算法，包括以下步骤：

通过初始化多目标优化鸽群算法的参数，随机生成初始鸽群，在解空间中随机生成一组鸽子个体，每个鸽子代表一个解，解的维度与决策变量掺氢比例相同；

根据掺氢比例范围，生成与年总成本、碳排放量和能源消耗量目标函数值对应的解；

计算每个鸽子的适应度，进行适应度评估；

通过模糊逻辑将决策问题中的各种因素转化为模糊集合，并通过计算和分析这些模糊集合的隶属度，综合考虑各个因素的影响，得出一个最优或接近最优的掺氢比例的决策方案；

通过鸽群优化算法进行迭代优化，逐步改进种群中个体的性能，直到找到满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集。

7.根据权利要求6所述的工业园区综合能源系统优化方法，其特征在于，所述对Pareto解集进行多目标排序，包括以下步骤：

通过模糊逼近理想解法进行多目标排序，包括：

标准化决策矩阵：对多个目标的值进行无量纲化处理，比较在不同维度下的目标：

式中，和分别表示第i个目标的理想解和反理想解；

计算S值和R值：

式中，S_j为解x_j与所有目标的偏差总和，R_j为解x_j在最坏目标上的偏差，ω_i为每个目标的权重；

计算综合指标Q值：

式中，S^*和S^-分别表示所有解中S值的最优和最差值，R^*和R^-分别表示所有解中R值的最优和最差值，v为调节系数，表示权衡解的总体偏差和单个目标的最坏偏差。

8.根据权利要求7所述的工业园区综合能源系统优化方法，其特征在于，所述获取最优解对应的各设备的实时功率情况，具体包括：

当迭代次数达到最大或者Pareto解集在多次迭代中没有显著变化时，停止迭代，通过模糊逼近理想解法对Pareto解集进行排序，得到一个优先级最高的解作为最终的最优解；

通过模糊决策方法，根据模糊逼近理想解法的排序结果和决策者的偏好，选择一个解或多个最优解作为最终决策；

根据选择的一个解或多个最优解作为最终决策，输出最优解对应的各设备的实时功率情况和掺氢比例。

9.根据权利要求1所述的工业园区综合能源系统优化方法，其特征在于，所述获取工业园区综合能源系统设备的设计参数、气象数据、工业园区内负荷数据，其中：

所述综合能源系统设备包括：光伏发电系统、燃气轮机、蓄电池、热交换器、锅炉、吸收式冷水机组、电冷水机组、电解槽和储氢罐；

设备的设计参数包括：光伏板的装机容量、储氢罐的装机容量、储电池的装机容量；

气象数据包括：环境温度和光照辐射强度；

工业园区内负荷数据包括过渡季、冬季和夏季的典型日负荷数据；

将典型日负荷数据作为初始条件，输入光伏板的装机容量、储氢罐的装机容量、储电池的装机容量，将掺氢比例作为决策变量，用于构建综合能源系统优化模型。

10.一种工业园区综合能源系统优化系统，其特征在于，包括：

数据获取模块，用于获取工业园区综合能源系统设备的设计参数、气象数据、工业园区内负荷数据；

系统优化模型构建模块，用于建立综合能源系统中各设备的数学模型，确定能量平衡约束、设备容量约束、设备运行约束的约束条件；

目标函数求解模块，用于根据约束条件，将工业园区内负荷数据作为初始条件，输入设计参数和气象数据，并将掺氢比例作为决策变量，构建综合能源系统优化模型并确定目标函数；以综合能源系统的年总成本、碳排放量和能源消耗量最小化为目标，对目标函数进行求解，输出满足最小年总成本、最少碳排放量以及最少能源消耗量的Pareto解集；

优化结果输出模块，用于对Pareto解集进行多目标排序，筛选出决策变量对应的最优解，获取最优解对应的各设备的实时功率情况。