多系统联合优化调度方法及装置与流程

本发明实施例涉及能源优化调度技术领域，尤其涉及一种多系统联合优化调度方法及装置。

背景技术：

钢铁工业作为国民经济建设中重要的基础原材料工业之一，却是能源消耗大户，消耗的能源约占全国能源总消耗量的15％。高能源消耗不仅导致钢铁产品成本的增加,而且也意味着更多的污染和排放。能源系统优化调控的目的是根据生产过程能量使用环节和回收环节的情况，对能量转换和输配环节进行合理调整，保证生产过程能量供需平衡并最大限度减少二次能源放散和能源外购，以达到钢铁企业节能减排，降低成本的目标。

钢铁企业在生产过程中消耗的一次能源和二次能源包括电、原煤、重油、柴油、煤气、水、焦炭、蒸汽、氧气、压缩空气等20余种。其中，煤气、蒸汽和电力三种介质之间的交互最为频繁，关联度最高,可调度性大。图1示出了现有技术中典型钢铁企业煤气-电力-系统的的整体架构。一方面，煤气可经发电装置将热能转换为电能，还可经蒸汽动力设备产生蒸汽输入蒸汽管网；另一方面，部分能源转换设备在发电的同时还承担着向热用户提供不同品质蒸汽的任务。因此，副产煤气和蒸汽与电力的生产紧密相关，二者的数量大小和品质均对电力生产的数量产生间接或直接的影响。由于这三种能源介质不仅各自存在产耗、储存、缓冲和输配等多种形态，而且相互之间有着复杂的转换、替代等关联关系，这都使得能源优化调度成为一个非常复杂的工程，仅依靠现场生产人员的经验进行计划配置和调节运行，很难保证整个系统的经济运行，导致大量能源的浪费。

目前，对于钢铁企业能源系统优化调度的研究大多仍集中于单一能源介质子系统层面，如煤气系统、蒸汽系统、氧气系统等，并未广泛开展从系统工程的角度出发，把多种能源介质作为一个整体进行分析，忽略了不同能源之间的耦合关系，这种仅考虑某一种能源介质得到的只是局部优化的方案，而无法保证全局的最优平衡效果，显然已无法支撑企业实现能耗成本最小的需求。因此，为了更准确地描述钢铁企业能源系统的实际运行情况，提供更为合理优化调度方案，有必要综合考虑各种能源介质的联系，实现多能源介质特别是煤气、蒸汽和电力这三种重要能源介质的联合优化，进而实现能源系统的高效、经济、有序运行，最大限度地降低企业能源成本，提高经济效益。

技术实现要素：

针对上述技术问题，本发明实施例提供了一种多系统联合优化调度分析方法及装置，以实现多能源介质的联合优化。

一方面，本发明实施例提供了一种多系统联合优化调度方法，所述方法包括：

获取钢铁企业煤气-蒸汽-电力系统相关数据，其中，所述相关数据包括能源系统网络拓扑结构及系统中各能源转换设备的特性参数；

确定所述煤气-蒸汽-电力系统中各能源转换设备的性能模型；

确定分介质能源管网模型；

设定整个优化调度周期所包含的时段数，获取能源优化调度计算所需的输入数据；

建立所述煤气-蒸汽-电力系统的联合优化调度模型，其中，所述优化调度模型包括目标函数和约束条件；

采用混沌粒子群算法对所述联合优化调度模型进行求解，以得到整个所述煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案；

生成最终各能源转换设备的燃料分配、蒸汽和电力生产、各生产用户的能源分配和外购送电优化方案以及最优综合目标函数指标。

另一方面，本发明实施例还提供了一种多系统联合优化调度装置，所述装置包括：

数据获取模块，用于获取钢铁企业煤气-蒸汽-电力系统相关数据，其中，所述相关数据包括能源系统网络拓扑结构及系统中各能源转换设备的特性参数；

性能模型确定模块，用于确定所述煤气-蒸汽-电力系统中各能源转换设备的性能模型；

管网模型确定模块，用于确定分介质能源管网模型；

时段数设定模块，用于设定整个优化调度周期所包含的时段数，获取能源优化调度计算所需的输入数据；

调度模型建立模块，用于建立所述煤气-蒸汽-电力系统的联合优化调度模型，其中，所述优化调度模型包括目标函数和约束条件；

模型求解模块，用于采用混沌粒子群算法对所述联合优化调度模型进行求解，以得到整个所述煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案；

方案生成模块，用于生成最终各能源转换设备的燃料分配、蒸汽和电力生产、各生产用户的能源分配和外购送电优化方案以及最优综合目标函数指标。

本发明实施例提供的多系统联合优化调度方法及装置，通过在构建各能源转换设备的性能模型中考虑了燃料、负荷以及操作条件的变化对效率的影响，采用数据多参数非线性拟合处理技术，反映了各设备实际生产内含的非线性特性，提高了模型的准确性与代表性；在构建优化调度模型中综合考虑了燃料价格、分时电价、煤气放散惩罚、煤气柜波动及锅炉喷嘴开关变化对系统能源成本的影响，同时考虑了各生产单元能源需求约束、设备能力约束、关口功率约束、锅炉喷嘴约束、煤气柜安全约束以及变负荷速率限制等各种约束条件，保证了能源优化调度方案的可执行性；同时，本发明提出一种混沌粒子粒子群算法对所建优化模型进行求解，能够很好解决多能源介质集成优化调度具有髙维数、非凸、非线性、多约束的问题，并且能够克服标准粒子群算法易陷入局部收敛和早熟的缺点，能够为能源系统寻求最经济的煤气分配、蒸汽和电力生产及外购送电方案，实现煤气、蒸汽和电力在能源使用、发生、转换和输配各环节全过程的集成协调与优化分配，从而降低企业能耗和能源成本，提高企业经济效益。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是现有技术提供的煤气-蒸汽-电力系统的整体架构框图；

图2是本发明第一实施例提供的多系统联合优化调度方法的流程图；

图3是本发明第二实施例提供的多系统联合优化调度方法中性能模型确定的流程图；

图4是本发明第三实施例提供的多系统联合优化调度方法中模型求解的流程图；

图5是本发明第四实施例提供的多系统联合优化调度装置的结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

第一实施例

本实施例提供了多系统联合优化调度方法的一种技术方案。

参见图2，多系统联合优化调度方法包括：

S21，获取钢铁企业煤气-蒸汽-电力系统相关数据，包括能源系统网络拓扑结构及系统中各能源转换设备的特性参数。所述各能源转换设备的特性参数包括负荷最大值、负荷最小值、最大升负荷速度、最大降负荷速度、设备正常操作范围、煤气掺烧比例上限、混合煤气热值下限等参数以及设备初始运行状态。

S22，确定钢铁企业煤气-蒸汽-电力系统中各能源转换设备的性能模型。

S23，确定分介质能源管网模型。获取煤气、蒸汽和电力各能源介质的产生、转换、输配信息，分别对各能源介质主管网进行编号，按照能源介质的流动方向，采用图论的有向图原理，通过关联矩阵(树枝矩阵，连枝矩阵)和基本回路矩阵将管网图(枝状网与环状网混合)信息数据化，并与能源生产和消耗节点相关联，构建分介质能源管网模型。

S24，设定整个优化调度周期所包含的时段数，获取能源优化调度计算所需的输入数据：包括调度周期内各种能源介质的供需预测曲线、生产和检修计划、各生产用户的能源需求预测曲线、电力峰谷时段及价格、外购送电计划等数据。

S25，建立钢铁企业煤气-蒸汽-电力系统联合优化调度模型。所述优化调度模型包括目标函数和约束条件。

所述目标函数为：以全周期内整个钢铁企业煤气-蒸汽-电力系统总运行费用最小为目标函数，具体包括外购燃料费用、锅炉给水费用、煤气柜位波动成本(气柜容量超限和偏离正常容量的惩罚)、煤气放散惩罚费用、锅炉点火器开关变化成本、设备维护费用、电能供给不足时的外购电费以及电能富余时的外送电收益。

式中，T为一个调度周期内所包含的时段数目，I，J，K和M分别表示锅炉，汽轮机、热电联产设备以及余热余能发电设备的数目，G表示副产煤气的数目，τ表示每个操作时段的工作时间；C^ng，C^coal，C^oil和C^w分别表示外购天然气，动力煤，重油以及锅炉给水的单位价格；和分别表示设备i在t时段的天然气消耗量，动力煤消耗量，重油消耗量以及用水量；为煤气柜中煤气g放散的处罚权重，表示煤气柜中煤气g在t时段的放散量；和为g煤气柜的柜位超出正常波动范围上限和下限的处罚权重，和分别表示g煤气柜的柜位超出正常波动范围上限和下限的数量；和分别表示g煤气柜的柜位偏离最佳位置上限和下限的处罚权重，和分别表示g煤气柜的柜位偏离最佳位置上限和下限的数量；表示锅炉点火器开关变化的处罚权重，ΔN_i,g,t表示锅炉中所有点火器的开关变化数量；和分别表示同一锅炉中煤气g的两个和三个点火器同时开关转换的处罚权重；为二进制变量，分别代表在t时段同一锅炉中煤气g的两个点火器同时打开，同时关闭，三个点火器同时打开，同时关闭的状态；和F_i,t分别表示产汽设备i的设备运行维护费用(包括设备折旧、维修费用，人工薪酬等)以及在t时段的蒸汽产量，和P_j,t分别表示发电设备j的设备运行维护费用(包括设备折旧、维修费用，人工薪酬等)以及在t时段的发电量；表示在t时段企业内网与大电网的关口传输功率，δ_t表示外网在t时段的供电状态，δ_t为0,1量表征有无外供电，为t时段的外购电价，为t时段的外送电价。

所述约束条件包括：设备性能模型、系统能源平衡约束、设备能力约束、机组负荷变化速率约束、燃料消耗范围、混合煤气热值下限要求等约束条件。

1)系统能源平衡约束

电力平衡约束：

蒸汽平衡约束：

煤气平衡约束：

式中，r表示蒸汽等级编号，上标in和out分别代表物流进入和流出，F表示蒸汽流量或煤气流量，P为发电功率，分别表示在t时段的电力需求量和r等级蒸汽需求量，V_g,t表示g煤气柜在t时段的柜位，表示在t时段的副产煤气g的发生总量，F_u,g,t为生产用户u在t时段内的副产煤气g的消耗量。

2)设备能力约束

锅炉能力约束：

汽轮机能力约束：

热电联产设备能力约束：

余热余能发电设备能力约束：

式中，min和max分别表示最小值和最大值。

3)锅炉喷嘴约束

式中，表示在t时段内锅炉i中煤气g消耗量变化值；表示锅炉i中煤气g点火器的单位变化量；表示在t时段内锅炉i打开的点火器开关数量；表示在t时段内锅炉i关闭的点火器开关数量。

4)煤气柜操作约束

式中，和分别表示g煤气柜的柜位下下限，上上限，下限和上限。

5)机组负荷变化速率约束

-DR_j≤P_j,t-P_j,t-1≤UR_j (26)

-DR_k≤P_k,t-P_k,t-1≤UR_k (27)

-DR_m≤P_m,t-P_m,t-1≤UR_m (28)

式中，UR和DR为机组在一个时段内能增加的最大负荷和能减小的最大负荷。

6)混合煤气掺烧热值约束

式中，表示锅炉i对混合煤气的热值下限要求，H_g表示副产煤气g的热值。

7)生产用户用能要求

式中，H_u,t表示生产用户u在t时段所使用的混合煤气的热值，为生产用户u在t时段的能量需求。

8)关口交换功率约束

式中，P^tie,min和P^tie,max分别表示企业内网与外网关口交换功率的下限和上限。

S26，采用一种混沌粒子群算法对上步所建优化调度模型进行求解，以得到整个煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案。

S27，生成最终各能源转换设备的燃料分配、蒸汽和电力生产、各生产用户的能源分配和外购送电优化方案以及最优综合目标函数指标。

采用本发明提出的多能源系统联合优化调度方法，可以为钢铁企业提供未来数个调度周期内煤气-蒸汽-电力系统联合优化调度方案，包括煤气在整个生产系统和能源系统的分配方案，蒸汽在各能源转换设备间的生产调度，以及电力在各发电设备和外网间的生产调度和外购策略；本发明综合考虑了燃料价格、分时电价、煤气放散惩罚、煤气柜波动及锅炉喷嘴开关变化对于能源系统运行成本的影响，以全周期整个集成能源系统总运行成本最小为目标函数，以各生产单元能源需求约束、设备能力约束、关口功率约束、锅炉喷嘴约束、煤气柜安全约束以及变负荷速率限制等为约束条件，建立了钢铁企业煤气-蒸汽-电力系统联合优化调度模型，并采用智能优化算法迭代求解获煤气、蒸汽和电力三种介质全过程优化分配方案，有效解决了钢铁企业多能源介质集成优化调度问题。

第二实施例

本实施例以本发明上述实施例为基础，进一步的提供了多系统联合优化调度方法中性能模型确定的一种技术方案。在该技术方案中，确定所述煤气-蒸汽-电力系统中各能源转换设备的性能模型包括：从分立信息系统的数据库服务器中获取建立所述能源转换设备性能模型所需的初始数据；对所述初始数据进行预处理，结合设备设计工况图和热力试验数据，绘制所述能源转换设备的工况运行特性曲线；根据所绘制的特性曲线的特点，采用基于数据的多参数非线性拟合处理技术，构建所述能源转换设备的性能模型。

参见图3，确定所述煤气-蒸汽-电力系统中各能源转换设备的性能模型包括：

S31，从DCS、EMS等系统数据库服务器中获取建立钢铁企业能源系统中各能源转换设备性能模型所需的初始数据，包括锅炉的动力煤气耗量、副产煤气消耗量和产汽量，汽轮机的进汽量、发电量和抽汽量，热电联产设备的燃料消耗量、发电量和抽汽量，余热发电设备进汽量(或回收热能)、发电量和抽汽量的历史数据；副产煤气热值，各等级蒸汽温度和压力，以及外购燃料的热值和价格。

S32，对上述初始数据进行预处理(预处理方法包括但不限于局外点检测算法、线性平滑算法或标准化算法)，结合设备设计工况图和热力试验数据，绘制各设备不同工况运行特性曲线(能耗特性曲线或汽耗特性曲线)。

S33，根据所绘制的特性曲线的特点，采用基于数据的多参数非线性拟合处理技术，构建能源系统各设备的性能模型，其模型表达式如下：

第i台多燃料混烧锅炉：

第j台汽轮发电机(抽汽背压式或抽汽凝汽式)：

背压式模型：

抽汽式模型：

第k台热电联产设备(掺烧煤气燃煤锅炉-蒸汽轮机发电机组或燃气-蒸汽联合循环发电机组)：

第m台余热余能发电设备(如干熄焦发电、烧结余热发电、高炉炉顶余压发电)：

式中，q表示燃料种类编号，r表示蒸汽等级编号，上标in和out分别代表物流进入和流出，F表示燃料消耗量或蒸汽流量，P为发电功率，H为燃料的低位发热值或蒸汽的焓值，E为回收的蒸汽或余能中可利用的能量，α，β，γ，μ，λ，ν，φ和σ为设备模型的回归系数。

本实施例通过初始数据获取、数据预处理、曲线绘制，以及模型拟合，实现了多系统联合优化调度方法中的性能模型确定。

第三实施例

本实施例以本发明上述实施例为基础，进一步的提供了多系统联合优化调度方法中模型求解的一种技术方案。在该技术方案中，采用混沌粒子群算法对所述联合优化调度模型进行求解，以得到整个所述煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案包括：设置粒子群体规模、迭代次数、控制参数及优化变量范围；初始化粒子种群；构建适应度函数；计算当前种群各粒子的适应度值，并确定各粒子的个体极值和整个粒子群的全局极值；更新控制参数，其中，所述控制参数包括惯性权重和加速因子；更新当前种群的每个粒子的速度和位置；判断种群个体是否满足设备能力约束、生产用户能源需求约束及关口功率约束；若种群个体满足设备能力约束、生产用户能源需求约束及关口功率约束，判断种群个体是否满足机组的爬坡速率约束；若种群个体不满足爬坡速率约束，采用启发式方法进行机组爬坡约束的修复；若种群个体满足爬坡速率约束，采用自适应变异机制进行种群变异；更新个体极值和全局极值；判断是否达到迭代停止条件，如满足，则最后一次迭代的全局极值中每一维的权值即为所求结果。

参见图4，采用混沌粒子群算法对所述联合优化调度模型进行求解，以得到整个所述煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案包括：

S401，设置粒子群体规模、迭代次数、控制参数及优化变量范围。

S402，初始化种群。群体中每个粒子都是该优化问题的一个解决方案，即由一组决策变量组成，具体包括各能源设备的输入量与输出量(包括燃料消耗量、进汽量、产汽量、抽汽量、发电量等)、关口功率以及各生产用户的能源分配量。初始化种群，即在各决策变量可行域变化范围内随机产生一个初始种群。

S403，构建适应度函数。粒子群算法的优化目标是找到具有最优适应度值的个体，为了实现个体的优化选择，同时使优化结果满足设备性能模型等式约束，故定义适应度函数为目标函数和罚函数之和。其中，用于处理设备性能模型等式约束的罚函数，定义如下：

S404，计算当前种群各粒子的适应度值，并确定各粒子的个体极值和整个粒子群的全局极值。

S405，更新控制参数，即惯性权重和加速因子。为了增强算法的全局收敛能力，减少陷入局部极值的可能性，在每次迭代过程中利用混沌的遍历性搜索来进行惯性权重的调整，即惯性权重W将会随着迭代次数的增加而按照混沌模型逐渐减小。此外，加速因子c₁采用线性递减，c₂线性递增的策略，这样进一步加强粒子向全局最优点的收敛能力。

S406，更新当前种群的每个粒子的速度和位置。

S407，判断种群个体是否满足设备能力约束、生产用户能源需求约束及关口功率约束，若满足，则转操作S408；若不满足，则采用下面伪代码对得到不可行方案(即不满足约束条件的个体)进行处理：

IF Y<Y^min THEN

IFTHEN

其中，Y_i表示第i个决策变量。

S408，判断种群个体是否满足机组的爬坡速率约束，若满足，则转操作S409；若不满足，则对得到不可行方案(不满足约束条件的个体)，采用启发式方法进行机组爬坡约束的修复。

所述启发式修正策略处理极值爬坡速率约束过程，包括如下步骤：

1)初始化发电机组编号j＝1。

2)确定发电机j在时段t的有功出力上限和下限如果t＝1，和否则，和

3)判读发电机j在时段t的有功出力P_j,t是否满足发电机的容量和爬坡约束。如果不满足，那么根据以下公式做进一步的修正。

4)如果j≤N_G(其中，N_G表示发电机数目)，那么j＝j+1，并跳转到步骤2)。

5)启发式修正过程结束。

S409，变异。为了增加种群的多样性，采用自适应变异机制。首先，对种群中的每个个体，根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量。然后，将这两个变异向量所对应的适应值和当前个体的新适应值进行比较，根据贪婪原则选择适应度最优者作为下一代。

S410，更新个体极值和全局极值。为了选择适应度最优个体作为下一代，同时满足能源平衡约束，采用基于可行规则的方法处理能源平衡约束，进行支配关系判断，并实现个体极值和全局极值的更新。

所述的基于可行性规则的约束处理和极值更新过程，包括如下步骤如下：

1)设t代表粒子群算法迭代次数，令t＝1；

2)设置i代表个体序号，i＝1；

3)设定Pbest_i(t)表示种群个体i在第t迭代中的个体最好位置，判断Pbest_i(t)是否满足系统能源平衡约束条件，若不满足，计算其约束违反量。其中，约束条件违反量计算函数定义如下：

4)设定Y_i(t+1)表示种群个体i在第t+1迭代中的个体位置，判断其是否满足能源平衡约束。如果满足系统能源平衡约束则标记为可行解；否则，标记为不可行解，并计算其系统能源平衡约束条件违反值F_V(Y_i(t+1))。

5)根据可行性规则，将个体极值Pbest_i(t)和Y_i(t+1)进行比较，如果符合以下三个条件之一，则更新Pbest_i(t)，即Pbest_i(t+1)＝Y_i(t+1)；否则Pbest_i(t+1)＝Pbest_i(t)。具体条件如下：

①Pbest_i(t)和Y_i(t+1)均为可行解，且Y_i(t+1)的适应度值优于Pbest_i(t)的适应度值；

②X_i(t+1)为可行解，Pbest_i(t)为不可行解；

③若Pbest_i(t)和Y_i(t+1)都是不可行解，且Y_i(t+1)的约束条件违反量小于Pbest_i(t)的违反量，即F_V(Y_i(t+1))<F_V(Pbest_i(t))。

6)假定Gbest(t)表示在第t迭代中种群最好位置，判断Gbest(t)是否满足能源平衡约束条件，若不满足，计算其约束调节违反量F_V(Gbest(t))。

7)同样，根据可行性规则，将个体极值Pbest_i(t)和种群极值Gbest(t)进行比较，如果符合以下三个条件之一，则更新Gbest(t)，即Gbest(t+1)＝Pbest_i(t)，否则Gbest(t+1)＝Gbest_i(t)。具体条件如下：

①Gbest(t)和Pbest_i(t)均为可行解，且Pbest_i(t)的适应度值优于Gbest(t)的适应度值；

②Pbest_i(t)为可行解，Gbest(t)为不可行解；

③若Gbest(t)和Pbest_i(t)都是不可行解，且Pbest_i(t)的约束条件违反量小于Gbest(t)的违反量值，即F_V(Pbest_i(t))<F_V(Gbest(t))。

8)i＝i+1，判断是否遍历种群，若已遍历则转至步骤9)，否则转至步骤3)。

9)t＝t+1。判断是粒子群算法是否达到最大迭代次数，若达到则转至步骤10)，否则转至步骤3)。

S411，判断是否达到迭代停止条件，如满足，则最后一次迭代的全局极值中每一维的权值即为所求的；若不满足，转向操作S405，算法继续迭代，直至满足条件。

本实施例通过根据混沌粒子群算法对构建的所述联合优化调度模型进行求解，实现了模型求解操作。

第四实施例

本实施例提供了多系统联合优化调度装置的一种技术方案。参见图5，所述多系统联合优化调度装置包括：数据获取模块51、性能模型确定模块52、管网模型确定模块53、时段数设定模块54、调度模型建立模块55、模型求解模块56，以及方案生成模块57。

所述数据获取模块51用于获取钢铁企业煤气-蒸汽-电力系统相关数据，其中，所述相关数据包括能源系统网络拓扑结构及系统中各能源转换设备的特性参数。

所述性能模型确定模块52用于确定所述煤气-蒸汽-电力系统中各能源转换设备的性能模型。

所述管网模型确定模块53用于确定分介质能源管网模型。

所述时段数设定模块54用于设定整个优化调度周期所包含的时段数，获取能源优化调度计算所需的输入数据。

所述调度模型建立模块55用于建立所述煤气-蒸汽-电力系统的联合优化调度模型，其中，所述优化调度模型包括目标函数和约束条件。

所述模型求解模块56用于采用混沌粒子群算法对所述联合优化调度模型进行求解，以得到整个所述煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案。

所述方案生成模块57用于生成最终各能源转换设备的燃料分配、蒸汽和电力生产、各生产用户的能源分配和外购送电优化方案以及最优综合目标函数指标。

进一步的，所述性能模型确定模块52包括：初始数据获取单元、曲线绘制单元，以及模型构建单元。

所述初始数据获取单元用于从分立信息系统的数据库服务器中获取建立所述能源转换设备性能模型所需的初始数据。

所述曲线绘制单元用于对所述初始数据进行预处理，结合设备设计工况图和热力试验数据，绘制所述能源转换设备的工况运行特性曲线。

所述模型构建单元用于根据所绘制的特性曲线的特点，采用基于数据的多参数非线性拟合处理技术，构建所述能源转换设备的性能模型。

进一步的，所述模型求解模块56包括：参数设置单元、种群初始化单元、函数构造单元、适应度计算单元、参数更新单元、速度位置更新单元、第一约束判断单元、第二约束判断单元、修复单元、变异单元、极值更新单元，以及计算停止单元。

所述参数设置单元用于设置粒子群体规模、迭代次数、控制参数及优化变量范围；所述种群初始化单元用于初始化粒子种群。

所述函数构造单元用于构建适应度函数。

所述适应度计算单元用于计算当前种群各粒子的适应度值，并确定各粒子的个体极值和整个粒子群的全局极值。

所述参数更新单元用于更新控制参数，其中，所述控制参数包括惯性权重和加速因子。

所述速度位置更新单元用于更新当前种群的每个粒子的速度和位置。

所述第一约束判断单元用于判断种群个体是否满足设备能力约束、生产用户能源需求约束及关口功率约束。

所述第二约束判断单元用于当种群个体满足设备能力约束、生产用户能源需求约束及关口功率约束之时，判断种群个体是否满足机组的爬坡速率约束。

所述修复单元用于当种群个体不满足爬坡速率约束之时，采用启发式方法进行机组爬坡约束的修复。

所述变异单元用于若种群个体满足爬坡速率约束，采用自适应变异机制进行种群变异。

所述极值更新单元用于更新个体极值和全局极值。

所述计算停止单元用于判断是否达到迭代停止条件，如满足，则最后一次迭代的全局极值中每一维的权值即为所求结果。

进一步的，所述修复单元具体用于：初始化发电机组编号；确定发电机在确定时段的有功出力上限和下限；判读发电机在确定时段的有功出力是否满足发电机的容量和爬坡约束。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。