一种基于两阶段能量优化的综合能源系统调度方法及装置与流程

[0001]
本申请涉及能源调度技术领域，尤其涉及一种基于两阶段能量优化的综合能源系统调度方法及装置。


背景技术：

[0002]
随着社会经济快速发展，能源需求增长与能源紧张之间的矛盾日益凸显。传统能源系统中，电、热、冷等能源子系统在设计、规划、运行和控制层面往往相互独立，导致能源整体利用率不高，安全性及可靠性降低等。综合能源系统(integrated energy system,ies)能有效地提升能源利用效率，实现按质用能，能源梯级利用，是未来的能源系统形态。
[0003]
有关电力系统的调度问题研究，目前已形成了成熟的解决方法，如迭代法、线性规划法、牛顿法、智能优化算法等。燃气机组、电热锅炉等能源转化设备的兴起使得电力系统与热力系统、天然气系统等的耦合愈加紧密，传统独立的电力调度和热能调度忽略了多个系统之间的耦合交互影响，导致优化结果过于乐观，因此开展综合能源系统优化调度的研究具有重要的意义。关于综合能源系统的协同优化调度，目前已有一定的研究成果：考虑电热损耗的电热综合能源系统多目标经济优化调度、考虑综合能源系统中可再生能源出力不确定性及负荷不确定性的优化调度、考虑综合能源经济优化目标及环境目标等的多目标优化调度等。


技术实现要素：

[0004]
本申请实施例提供了一种基于两阶段能量优化的综合能源系统调度方法及装置，使得提升了最优解的搜索速度，提高了搜索效率，避免进入局部最优的僵化状态，保证了结果的全局性和精确性。
[0005]
有鉴于此，本申请第一方面提供了一种基于两阶段能量优化的综合能源系统调度方法，所述方法包括：
[0006]
基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
[0007]
对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；
[0008]
采用改进的基于分层次密度聚类算法的bso算法，求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。
[0009]
可选的，所述日前调度优化模型的目标函数为：
[0010][0011]
式中，f表示经济调度成本，n
c
表示在综合能源系统中chp机组的数量，p
hk
(t)表示chp机组在时段t内的电出力，q
hk
(t)表示chp机组在时段t内的热出力，f(p
hk
(t),q
hk
(t))表示chp机组的运行成本，c
omhk
(t)表示在t时段内的chp机组维护成本；v表示综合能源系统内的光伏设备数量，p
pv
(t)为t时段内的光伏发电功率，c
pvl
(p
pv
(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，c
bj
(t)表示锂电池j在时段t内的寿命运行成本，c
ombj
(t)表示锂电池j在时段t内的维护成本；c
e
(t)、p
grid
(t)分别表示t时刻的购电价格和购电电量，c
h
(t)、q
grid
(t)分别表示t时刻的购热价格和购热功率，δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，p
gbi
(t)表示燃料电池i在时段t内发出的电功率，c
gbi
(p
gbi
(t))表示燃气锅炉i在时段t内的运行成本，c
omgbi
(p
gbi
(t)表示燃料电池i在时段t内的维护成本。
[0012]
可选的，所述日前调度优化模型的约束条件为：
[0013]
综合能源系统能量平衡约束：
[0014][0015]
式中，p
l
表示t时刻内的负荷预测功率；m为线路总数，p
loss
表示线路功率损耗；q
l
为t时刻内的热负荷预测值；x为热线路总数，q
loss
为线路热损耗；
[0016]
chp机组运行约束：
[0017]
p
hmin
≤p
hi
(t)≤p
hmax
[0018]
q
hmin
≤q
hi
(t)≤q
hmax
[0019]
式中，p
hmin
、p
hmax
分别代表cchp机组运行的电功率上下限；q
hmin
、q
hmax
分别代表cchp机组运行的热功率上下限；
[0020]
锂电池的荷电状态约束为：
[0021]
s
ocmin
≤s
oc
(t)≤s
ocmax
[0022]
式中，s
ocmin
、s
ocmax
分别代表锂电池运行时荷电状态的上下限限制。
[0023]
系统从外网购能功率的的上下限约束：
[0024]
p
gridmin
≤p
grid
(t)≤p
gridmax
[0025]
q
gridmin
≤q
grid
(t)≤q
gridmax
；
[0026]
p
grid
(t)表示t时刻的购电电量；p
gridmin
、p
gridmax
分别表示t时刻系统从外网购电功率的上下限约束；q
grid
(t)表示t时刻的购热功率，q
gridmin
、q
gridmax
分别表示t时刻系统从外网购热功率的上下限约束。
[0027]
可选的，所述日内实时优化模型中供能设备修正模型为：
[0028][0029]
式中，分别为chp系统修正后的功率输出值，为光伏设备修正后的功率输出值，为燃气锅炉修正后的功率输出值；
[0030]
储能设备修正模型为：
[0031][0032]
式中，为修正后电储能设备的充放电功率，为修正后蓄热装置的输出功率。
[0033]
可选的，还包括：
[0034]
对所述供能设备修正模型以及所述储能设备修正模型进行归一化处理，所得优化目标函数如下：
[0035][0036]
其中，ζ1、ζ2为权重系数。
[0037]
可选的，所述采用改进的基于分层次密度聚类算法的bso算法求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数，具体为：
[0038]
s01：输入初始数据，形成可行解数据库，所述初始数据包括运行维护参数；
[0039]
s02：初始化最大迭代次数n
max
、初始变异产生概率以及初始随机数p
g0
；
[0040]
s03：采用分层次密度聚类算法计算可行解的k
dist
、k
den
，并得到密度层次r和簇类数f；
[0041]
s04：判断当前变异产生概率与所述初始变异产生概率的大小；
[0042]
s051：若所述当前变异产生概率不大于所述初始变异产生概率，则随机选择1个第一聚类簇作为种群搜索最优解；
[0043]
s052：产生一个随机数p
g
，若p
g
≤p
g0
，则随机选择第一聚类簇中任意可行解作为初始粒子计算新一代粒子速度，生成新解；否则，选择第一聚类簇中心对象为初始粒子计算新一代粒子速度，生成新解；
[0044]
s061：若所述当前变异产生概率大于所述初始变异产生概率，则随机选择2个第二聚类簇作为种群搜索最优解；
[0045]
s061：产生一个随机数p
g
，若p
g
≤p
g0
，则分别从2个第二聚类簇中各随机选择一个任意可行解，并将两个任意可行解进行融合作为初始粒子计算新一代粒子速度，生成新解；否则，选择2个第二聚类簇的中心对象为初始粒子计算新一代粒子速度，生成新解；
[0046]
s07：若迭代次数n≤n
max
，则返回步骤s04，直到迭代次数达到最大迭代次数时，输出种群最优个体。
[0047]
可选的，所述初始数据包括：chp机组的运行维护参数，α
k
、β
k
、γ
k
＞0、δ
k
、θ
k
＞0、ε
k
、λ
e
、λ
h
；光伏设备的运维参数：λ
pv
；储能电池的成本参数：n
es
(t)、λ
omb
；燃气锅炉成本参数：c
fc
、l
hvgb
、q
gbi
(t)、η
gb
、λ
gb
；外电网购电价格p
grid
(t)和外热网购热价格q
grid
(t)；光伏发电功率p
pv
(t)、综合能源系统电负荷预测结果p
l
及热负荷预测结果q
l
。
[0048]
本申请第二方面提供一种基于两阶段能量优化的综合能源系统调度装置，所述装置包括：
[0049]
第一模型构建单元，用于基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
[0050]
第二模型构建单元，用于对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型；
[0051]
求解单元，用于采用改进的基于分层次密度聚类算法的bso算法，求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。
[0052]
可选的，所述日前调度优化模型的目标函数为：
[0053][0054]
式中，f表示经济调度成本，n
c
表示在综合能源系统中chp机组的数量，p
hk
(t)表示chp机组在时段t内的电出力，q
hk
(t)表示chp机组在时段t内的热出力，f(p
hk
(t),q
hk
(t))表示chp机组的运行成本，c
omhk
(t)表示在t时段内的chp机组维护成本；v表示综合能源系统内的光伏设备数量，p
pv
(t)为t时段内的光伏发电功率，c
pvl
(p
pv
(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，c
bj
(t)表示锂电池j在时段t内的寿命运行成本，c
ombj
(t)表示锂电池j在时段t内的维护成本；c
e
(t)、p
grid
(t)分别表示t时刻的购电价格和购电电量，c
h
(t)、q
grid
(t)分别表示t时刻的购热价格和购热功率，δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，p
gbi
(t)表示燃料电池i在时段t内发出的电功率，c
gbi
(p
gbi
(t))表示燃气锅炉i在时段t内的运行成本，c
omgbi
(p
gbi
(t)表示燃料电池i在时段t内的维护成本。
[0055]
可选的，所述日内实时优化模型中供能设备修正模型为：
[0056][0057]
式中，分别为chp系统修正后的功率输出值，为光伏设备修正后的功率输出值，为燃气锅炉修正后的功率输出值；
[0058]
储能设备修正模型为：
[0059][0060]
式中，为修正后电储能设备的充放电功率，为修正后蓄热装置的输出功率。
[0061]
从以上技术方案可以看出，本申请具有以下优点：
[0062]
本申请中，提供了一种基于两阶段能量优化的综合能源系统调度方法，方法包括：基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；对供能设备及储能设备按照其出力波动成本最小为目标进行修正，以构建综合能源系统的日内实时优化模型；采用改进的基于分层次密度聚类算法的bso算法求解所述日前调度优化模型以及日内实时优化模型的最优运行维护参数。
[0063]
本申请在模型层面考虑了日前调度优化和日内实时优化的双阶段经济优化模型，充分保证了系统在运行过程中的经济性；其次在第二阶段优化模型中加入供能设备的最经济性修正方案，以及考虑到储能系统的高投资成本特性，保证了系统运行对设备的安全稳定性。在模型算法方面，采用了改进的头脑风暴优化(bso)算法，并采用分层次密度聚类算法对初始可行解进行密度聚类，在保持可行解的种群多样化及搜索精细化的基础上，提升了最优解的搜索速度，提高了搜索效率，避免进入局部最优的僵化状态，保证了结果的全局性和精确性。
附图说明
[0064]
图1为本申请一种基于两阶段能量优化的综合能源系统调度方法的实施例的方法流程图；
[0065]
图2为本申请采用改进的基于分层次密度聚类算法的bso算法求解模型最优运行维护参数的方法流程图；
[0066]
图3为本申请一种基于两阶段能量优化的综合能源系统调度装置的一个实施例的装置结构示意图。
具体实施方式
[0067]
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0068]
图1为本申请一种基于两阶段能量优化的综合能源系统调度方法的一个实施例的方法流程图，图1中包括：
[0069]
101、基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以
及机组发电成本，构建综合能源系统的日前调度优化模型。
[0070]
需要说明的是，本申请的综合能源系统包括光伏发电装置、热电联产(combined heat andpower，chp)机组、储电系统、储热系统、燃气锅炉等供能、储能、用能单元。
[0071]
在日前调度阶段，通过对综合能源系统内的光伏发电预测结果与园区负荷预测结果，并考虑峰谷电价、能源发电成本等，建立日前阶段非线性调度优化模型。在优化过程中，计及储能电池的寿命损耗、chp机组的运行成本及维护成本、向大电网购售电成本及各设备单元的运行维护成本。
[0072]
具体的，对于综合能源系统内的光伏发电预测与园区热电负荷预测，考虑到热电负荷具有较强的规律性和周期性，并且受天气因素影响发生波动，热电负荷之间具有较强的耦合关系，因此利用天气数据进行光伏发电功率预测，并且基于天气数据信息进行园区热电负荷的联合预测。
[0073]
首先对于区域天气数据进行预测和校准，采用以未来天气预报数据为主，天气预报历史数据和本地区域气象部门实时数据修正为辅的方法，对区域内的天气数据采用未来预测、实时修正、历史数据相结合的方法，进行精准的天气预测，并基于精准天气数据进行光伏功率出力预测。
[0074][0075]
式中，p
pv
(t)为t时刻光伏预测出力，p
stc
为标况下(太阳辐射强度i
stc
＝1000w/m2，温度t
stc
＝298k))下的光伏板出力，为t时刻根据气象数据预测的太阳辐射强度。
[0076]
根据对历史数据天气数据和负荷之间的相关性分析，挑选与热电负荷相关性较强的未来天气数据历史天气数据历史负荷数据作为训练样本，输出对应的热电负荷期望样本采用遗传算法优化bp神经网络模型(the geneticalgorithm to optimize bpneural network，ga-bp)进行预测。
[0077][0078][0079][0080][0081]
式中，t为天气数据类型，k为所要预测的天气时刻，i为当前时刻；t为选择负荷预测时域；l为历史天气时刻；r为选择历史天气时域，a为负荷数据的类型，电、热两种负荷，c为负荷预测时刻。
[0082]
具体的，日前调度优化模型的目标函数为：
[0083][0084]
式中，f表示经济调度成本，n
c
表示在综合能源系统中chp机组的数量，p
hk
(t)表示chp机组在时段t内的电出力，q
hk
(t)表示chp机组在时段t内的热出力，f(p
hk
(t),q
hk
(t))表示chp机组的运行成本，c
omhk
(t)表示在t时段内的chp机组维护成本；v表示综合能源系统内的光伏设备数量，p
pv
(t)为t时段内的光伏发电功率，c
pvl
(p
pv
(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，c
bj
(t)表示锂电池j在时段t内的寿命运行成本，c
ombj
(t)表示锂电池j在时段t内的维护成本；c
e
(t)、p
grid
(t)分别表示t时刻的购电价格和购电电量，c
h
(t)、q
grid
(t)分别表示t时刻的购热价格和购热功率，δt表示单位时间段，取为1h；n表示综合能源系统中燃气锅炉的数量，p
gbi
(t)表示燃料电池i在时段t内发出的电功率，c
gbi
(p
gbi
(t))表示燃气锅炉i在时段t内的运行成本，c
omgbi
(p
gbi
(t)表示燃料电池i在时段t内的维护成本。
[0085]
其中，对于chp机组的运行成本通常以二次凸函数形式的机组燃料费用描述如下：
[0086][0087]
式中，α
k
、β
k
、γ
k
＞0、δ
k
、θ
k
＞0和ε
k
表示chp机组运行成本参数。
[0088]
其运营维护成本为：
[0089][0090]
其中，λ
e
、λ
h
表示为chp机组单位电功率出力和单位热功率出力的维护成本系数。
[0091]
光伏设备单元的维护成本为：
[0092]
c
pv
(p
pv
(t))＝λ
pv
p
pv
(t)δt
[0093]
式中，λ
pv
为光伏出力单元的单位电出力维护成本系数。
[0094]
储能锂电池的运行成本函数与锂电池的运行寿命、放电深度均有关系。其中放电深度指的是储能锂电池在运行过程中所放出的电量与其额定容量的比例，放电深度越深，锂电池的运行寿命越短，其使用寿命与放电深度之间的关系为：
[0095]
r
life
(t)＝-3278n
es
(t)
4-5n
es
(t)3+12823n
es
(t)
2-14122n
es
(t)+5112
[0096]
式中，r
life
(t)表示储能电池的使用寿命，n
es
(t)表示放电深度。
[0097]
因此，储能锂电池的使用寿命成本为：
[0098][0099]
式中，c
inv
为锂电池的初始投资成本，表示0-1变量，当锂电池处于充电状态时，取1，p
ch
(t)表示锂电池在t时间内的充电功率；当锂电池处于放电状态时，
取1，p
dis
(t)表示锂电池在t时段内的放电功率；e
lb
表示锂电池的额定容量。
[0100]
其中，储能锂电池的维护成本函数为：
[0101][0102]
式中，c
omb
(t)表示t时段内储能锂电池的维护成本，λ
omb
表示储能锂电池的维护成本系数。
[0103]
其中，燃气锅炉的成本函数为：
[0104][0105]
式中，c
fc
为燃气的价格，l
hvgb
为燃气的低热值，q
gbi
(t)为燃气锅炉的热输出功率，η
gb
为的输出效率。
[0106]
燃气锅炉的维护成本函数为：
[0107]
c
omgbi
(q
gbi
(t))＝λ
gb
q
gbi
(t)δt
[0108]
式中，λ
gb
为表示燃汽轮机组的维护成本系数。
[0109]
日前经济优化调度约束条件有，综合能源系统能量平衡约束：
[0110][0111]
式中，p
l
表示t时刻内的负荷预测功率；m为线路总数，p
loss
表示线路功率损耗；；q
l
为t时刻内的热负荷预测值；x为热线路总数，q
loss
为线路热损耗。
[0112]
chp机组运行约束：
[0113]
p
hmin
≤p
hi
(t)≤p
hmax
[0114]
q
hmin
≤q
hi
(t)≤q
hmax
[0115]
式中，p
hmin
、p
hmax
分别代表cchp机组运行的电功率上下限；q
hmin
、q
hmax
分别代表cchp机组运行的热功率上下限。
[0116]
储能锂电池在运行时，锂电池内电能的剩余容量与它满充电状态时容量比值的百分数，称为锂电池的荷电状态，表示为：
[0117][0118]
式中，e
lb
(t)表示t时间内锂电池的剩余容量。
[0119]
为保证锂电池的运行寿命，锂电池的荷电状态约束为：
[0120]
s
ocmin
≤s
oc
(t)≤s
ocmax
[0121]
式中，s
ocmin
、s
ocmax
分别代表锂电池运行时荷电状态的上下限限制。
[0122]
联络线交互功率约束为，在同一时段t内，综合能源系统处于购电状态或售电状态，因此需要满足约束：
[0123]
系统从外网购能功率的的上下限约束：
[0124]
p
gridmin
≤p
grid
(t)≤p
gridmax
[0125]
q
gridmin
≤q
grid
(t)≤q
gridmax
；
[0126]
p
grid
(t)表示t时刻的购电电量；p
gridmin
、p
gridmax
分别表示t时刻系统从外网购电功率的上下限约束；q
grid
(t)表示t时刻的购热功率，q
gridmin
、q
gridmax
分别表示t时刻系统从外网购热功率的上下限约束。
[0127]
102、对供能设备及储能设备按照出力波动成本最小为目标进行修正，构建综合能源系统的日内实时优化模型。
[0128]
需要说明的是，为考虑到日前优化过程中的光伏、负荷等功率预测误差等因素，故采用日内实时调度方案。日内实时调度方案综合结合系统中设备的运行状态、储能充放电情况、预测误差等，对于当前的机组运行情况做出调整，平衡系统的负荷及减少运行费用。对于系统内的各供能设备，按照其运行成本最小进行修正；对于系统内的储能设备，按照其出力波动成本最小为目标进行修正。
[0129]
具体的，供能设备修正模型为：
[0130][0131]
式中，分别为chp系统修正后的功率输出值，为光伏设备修正后的功率输出值，为燃气锅炉修正后的功率输出值。
[0132]
储能设备修正模型为：
[0133][0134]
式中，为修正后电储能设备的充放电功率，为修正后蓄热装置的输出功率。
[0135]
为综合考虑供能设备和储能设备的不同优化目标，对供能设备修正模型以及储能设备修正模型进行归一化处理，所得优化目标函数如下：
[0136][0137]
其中，ζ1、ζ2为权重系数，决策者可根据实际需求设置不同的偏好程度。
[0138]
第二阶段优化为经过修正后的各供能设备及储能设备的最优出力，其电能平衡约束、热能平衡约束等与第一阶段类似。
[0139]
103、采用改进的基于分层次密度聚类算法的bso算法，求解日前调度优化模型以及日内实时优化模型的最优运行维护参数。
[0140]
需要说明的是，由于综合能源系统的优化调度问题属于多维空间的非线性、多参数耦合相关的最优解寻优过程，因此，可以采用头脑风暴优化(bso)算法进行求解。为了解决bso算法存在着容易陷入局部最优，过度依赖人工设定聚类簇数量等问题，本申请采用利用分层次密度聚类算法对综合能源系统的调度可行解进行分层次聚类，以求取最优可行解。
[0141]
采用改进的基于分层次密度聚类算法的bso算法求解日前调度优化模型以及日内实时优化模型，其方法流程图如图2所示，包括：
[0142]
s01：输入初始数据，形成可行解数据库；初始数据包括chp机组的运行维护参数，α
k
、β
k
、γ
k
＞0、δ
k
、θ
k
＞0、ε
k
、λ
e
、λ
h
；光伏设备的运维参数：λ
pv
；储能电池的成本参数：n
es
(t)、λ
omb
；燃气锅炉成本参数：c
fc
、l
hvgb
、q
gbi
(t)、η
gb
、λ
gb
；外电网购电价格p
grid
(t)和外热网购热价格q
grid
(t)；光伏发电功率p
pv
(t)、综合能源系统电负荷预测结果p
l
及热负荷预测结果q
l
。
[0143]
s02：初始化最大迭代次数n
max
、初始变异产生概率以及初始随机数p
g0
。
[0144]
需要说明的是，本申请将pso(粒子群优化算法)算法引入到bso算法中，分别在同种群内或跨种群进行搜索。pso算法的搜索过程可通过两个层级进行：首先通过一定的概率方法来确定是否在同一个种群内进行搜索，然后在所选定的一个或多个种群内按照一定的规则或概率方法来进行确定中心对象以产生新解。
[0145]
为了算法搜索过程中种群的多样性和随机性，生成在同种群或跨种群搜索概率(变异产生概率)p
c
的概率分布：
[0146][0147]
式中，g
cv
(a
f
)表示可行解经过密度聚类后产生的簇a
f
的变异度，a为簇中可行解的数量，g
i
为可行解x
i
的适应度函数值，g
′
为簇中所有可行解的适应度函数均值，f为可行解分类产生的簇的总数。
[0148]
p
c
＝g
cv
(a
f
)/g
cv0
[0149]
式中，g
cv0
为可行解变异度适应值的初始阈值。将pso算法引入bso中，以g
cv
(a
f
)和p
c
为依据，在同种群内或跨种群进行搜索：
[0150]
若p
c
大于设定的阈值时，以随机选择两个种群为对象开始搜索。这样就可以实现种群间的横向搜索，保证搜索种群的多样性，避免形成局部最优结果；若p
c
小于设定的阈值时，随机选择其中一个种群进行搜索。这样可以实现种群内的纵向搜索，以保证搜索的精确度，求得最优结果。
[0151]
s03：采用分层次密度聚类算法计算可行解的k
dist
、k
den
，并得到密度层次r和簇类数f。
[0152]
需要说明的是，本申请采用分层次密度聚类对综合能源系统的调度可行解进行分层次聚类，以求取最优可行解。分层次密度聚类的步骤包括：
[0153]
计算可行解之间的距离。对形成的初始可行解集合计算各可行解之间的距离，计算公式如下：
[0154][0155]
式中，d表示可行解之间的距离，x
i
和x
j
分别表示第i和第j个可行解。
[0156]
计算k
dist
与k
den
，其中k
dist
定义为可行解集合中任一可行解x
i
到第k个最近可行解的距离，k
den
指k值与k
dist
之比。其计算公示如下：
[0157][0158][0159]
密度层次划分。将生成的初始可行解集合x0按照可行解距离进行划分层次。首先，将任一选取可行解x0作为中心对象，按照其他可行解到x0距离进行排序，并按照给定的k值选取最近的k个可行解作为边界对象，形成包含k+1个可行解的新集合x1；然后分别计算k+1个可行解的k
dist
与k
den
，并求解k+1个k
den
的均值与标准差：
[0160][0161][0162]
最后，将新的集合x1的边界对象作为新的中心对象，选取离x1集合边界最近的一个可行解x1，计算k
dist
(x
i
,k1)，k
den
(x1)；若k
den
(x1)＞3σ，则将新解x1归类入x0；若k
den
(x1)≤3σ，则将新解x1作为新的中心对象进行求解。
[0163]
本申请按照上述步骤将可行解集合x0划分成多个层次对综合能源系统的调度可行解进行分层次聚类。
[0164]
s04：判断当前变异产生概率与初始变异产生概率的大小。
[0165]
s051：若当前变异产生概率不大于初始的变异产生概率，则随机选择1个第一聚类簇作为种群搜索最优解；
[0166]
s052：产生一个随机数p
g
，若p
g
≤p
g0
，则随机选择第一聚类簇中任意可行解作为初始粒子计算新一代粒子速度，生成新解；否则，选择第一聚类簇中心对象为初始粒子计算新一代粒子速度，生成新解。
[0167]
s061：若当前变异产生概率大于初始的变异产生概率，则随机选择2个第二聚类簇作为种群搜索最优解；
[0168]
s061：产生一个随机数p
g
，若p
g
≤p
g0
，则分别从2个第二聚类簇中各随机选择一个任意可行解，并将两个任意可行解进行融合作为初始粒子计算新一代粒子速度，生成新解；否则，选择2个第二聚类簇的中心对象为初始粒子计算新一代粒子速度，生成新解。
[0169]
s07：若迭代次数n≤n
max
，则返回步骤s04，直到迭代次数达到最大迭代次数时，输出种群最优个体。
[0170]
本申请首先在模型层面考虑了日前调度优化和日内实时优化的双阶段经济优化模型，充分保证了系统在运行过程中的经济性；其次在第二阶段优化模型中加入供能设备的最经济性修正方案，既保证了预测误差和负荷波动带来的能量平衡问题，同时也能满足最优经济性条件；考虑到储能系统的高投资成本特性，在第二阶段优化中将储能系统的波动成本最小作为优化目标，保证了系统运行对设备的安全稳定性。在模型算法方面，采用了改进的头脑风暴优化(bso)算法，并采用分层次密度聚类算法对初始可行解进行密度聚类，在保持可行解的种群多样化及搜索精细化的基础上，提升了最优解的搜索速度，提高了搜索效率，避免进入局部最优的僵化状态，保证了结果的全局性和精确性。
[0171]
以上是本申请的方法的实施例，本申请还包括一种基于两阶段能量优化的综合能源系统调度装置的一个实施例，如图3所示，图3中包括：
[0172]
第一模型构建单元201，用于基于综合能源系统内的光伏发电预测结果、园区负荷预测结果、峰谷电价以及机组发电成本，构建综合能源系统的日前调度优化模型；
[0173]
第二模型构建单元202，用于对供能设备及储能设备按照其出力波动成本最小为目标进行修正，以构建综合能源系统的日内实时优化模型；
[0174]
求解单元203，用于采用改进的基于分层次密度聚类算法的bso算法求解日前调度优化模型以及日内实时优化模型的最优运行维护参数。
[0175]
在一种具体的实施方式中，日前调度优化模型的目标函数为：
[0176][0177]
式中，f表示经济调度成本，n
c
表示在综合能源系统中chp机组的数量，p
hk
(t)表示chp机组在时段t内的电出力，q
hk
(t)表示chp机组在时段t内的热出力，f(p
hk
(t),q
hk
(t))表示chp机组的运行成本，c
omhk
(t)表示在t时段内的chp机组维护成本；v表示综合能源系统内的光伏设备数量，p
pv
(t)为t时段内的光伏发电功率，c
pvl
(p
pv
(t))表示t时段内的光伏发电维护成本；m表示在综合能源系统中储能锂电池的数量，c
bj
(t)表示锂电池j在时段t内的寿命运行成本，c
ombj
(t)表示锂电池j在时段t内的维护成本；c
e
(t)、p
grid
(t)分别表示t时刻的购电价格和购电电量，c
h
(t)、q
grid
(t)分别表示t时刻的购热价格和购热功率，δt表示单位时间段；n表示综合能源系统中燃气锅炉的数量，p
gbi
(t)表示燃料电池i在时段t内发出的电功率，c
gbi
(p
gbi
(t))表示燃气锅炉i在时段t内的运行成本，c
omgbi
(p
gbi
(t)表示燃料电池i在时段t内的维护成本。
[0178]
在一种具体的实施方式中，日内实时优化模型中供能设备修正模型为：
[0179][0180]
式中，分别为chp系统修正后的功率输出值，为光伏设备修正后的功率输出值，为燃气锅炉修正后的功率输出值；
[0181]
储能设备修正模型为：
[0182]
[0183]
式中，为修正后电储能设备的充放电功率，为修正后蓄热装置的输出功率。
[0184]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0185]
本申请中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0186]
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0187]
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0188]
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。