一种基于ALIF-GRU-MTL源-荷联合预测的综合能源系统优化调度方法

一种基于alif
‑
gru
‑
mtl源
‑
荷联合预测的综合能源系统优化调度方法
技术领域
1.本发明涉及综合能源系统优化调度领域，尤其涉及一种基于alif
‑
gru
‑
mtl源
‑
荷联合预测的综合能源系统优化调度方法，为综合能源系统优化调度提供一种方法。


背景技术：

2.综合能源系统作为能源互联网的主要组织形式以及重要物理载体，打破传统能源系统间的壁垒，耦合了冷、热、电等多种能源，可以实现多能协同优化与能量的梯级利用，提高可再生能源的消纳，代表着未来能源领域的重要制高点。综合能源系统多元负荷随机性较高，风机、光伏出力的间歇性大、波动性强，导致系统弃风、弃光的现象较为普遍。如何合理安排各个供能设备运行计划满足系统供需平衡，实现系统的经济运行具有重要的现实意义。准确的多元负荷预测以及源端可再生能源出力预测是进行综合能源系统优化调度的重要前提，是综合能源系统运行和管理的一个重要研究方向，以此可以合理安排系统内各个设备的工作计划，保障系统内部源
‑
荷供需平衡。在精确的源
‑
荷联合预测基础上，建立综合能源系统优化调度模型，利用储能与多能耦合设备对系统运行状态进行优化，提高能源的综合利用效率、降低能源使用成本、提高可再生能源的消纳率，为节能减排、发展绿色经济提供理论基础与技术支持。
3.现有综合能源系统负荷预测以及可再生能源出力预测方法较多，但是多数只涉及方法研究较少与系统优化调度应用场景相结合。
4.一种在中国专利文献上公开的“一种计及源荷协同的节点负荷预测方法”，其公告号 cn108985508b，包括：获取节点负荷历史数据，包括负荷母线上的再生能源实际出力以及节点实际负荷；非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力；还原负荷调节状态下的节点理论负荷；将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；得到源荷协同的节点总负荷预测模型；基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测；将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。其不足之处是：现有的综合能源系统优化调度方法与系统源
‑
荷预测过程联系不紧密，且在进行系统多元负荷、源端可再生能源出力预测时未充分挖掘系统源
‑
荷的耦合特性。


技术实现要素：

5.本发明主要是为了解决现有的综合能源系统优化调度方法与系统源
‑
荷预测过程联系不紧密，且在进行系统多元负荷、源端可再生能源出力预测时未充分挖掘系统源
‑
荷的耦合特性的问题，提供一种基于alif
‑
gru
‑
mtl源
‑
荷联合预测的综合能源系统优化调度方法。
6.为了实现上述目的，本发明采用以下技术方案：一种基于alif
‑
gru
‑
mtl源
‑
荷联合预测的综合能源系统优化调度方法，包括以下
步骤：s1：确立综合能源系统的基本结构，根据设备类型建立数学模型；s2：进行综合能源系统源
‑
荷数据预处理，根据原始特征构造衍生特征完成特征工程；s3：基于alif
‑
gru
‑
mtl得到不同源
‑
荷分量序列的预测模型，将得到的源
‑
荷分量序列模型的预测结果求和重构并反归一化，得到最终的源
‑
荷预测结果；s4：建立综合能源系统优化调度模型，求解优化调度模型。
7.其中，alif是指自适应局部迭代滤波方法(adaptive local iterative filtering)，gru 是指门控循环神经网络(gate recurrent unit)，mtl是指多任务学习(multi
‑
task learning)。通过alif
‑
gru
‑
mtl源
‑
荷联合预测将综合能源系统源
‑
荷预测与优化调度密切联系，并可以充分考虑系统源
‑
荷耦合特性。
8.作为优选，所述步骤s1包括以下步骤：s11：根据综合能源系统实际的设备部署情况以及能流类型确立系统的基本结构，明确不同设备之间的能量流动和耦合关系；s12：根据能流类型将系统划分为冷能流、热能流、电能流；s13：根据设备类型将系统内设备划分为源端设备、多能耦合设备、储能设备；s14：根据设备运行特性分别对源端设备、多能耦合设备、储能设备建立数学模型。
9.对不同类型设备分别建模，在设备运行特性分析的基础上，进行微型燃气轮机、燃气锅炉的建模完成源端设备的建模工作；进行余热锅炉、吸收式制冷机以及电制冷机的建模完成多能耦合设备的建模工作；进行蓄电池、蓄热装置、蓄冷装置的建模完成储能设备的建模工作。
10.作为优选，所述步骤s13中所述源端设备包括微型燃气轮机和燃气锅炉，所述多能耦合设备包括余热锅炉、吸收式制冷机和电制冷机，所述储能设备包括蓄电池、蓄热装置和蓄冷装置。
11.作为优选，所述步骤s2中所述进行综合能源系统源
‑
荷数据预处理包括以下步骤：s21：获取综合能源系统历史负荷数据、历史出力数据，获取与所述负荷数据及所述出力数据相对应的时间信息、气象数据；s22：对步骤s21中历史负荷数据、历史出力数据、时间信息和气象数据进行数据清洗工作，包括进行缺失值以及异常值的检测与处理；s23：对步骤s22中处理后数据中的连续型数据利用最小
‑
最大规范化处理，对步骤s22中处理后数据中的离散型数据进行one
‑
hot编码处理。
12.作为优选，所述步骤s2中所述根据原始特征构造完成特征工程包括以下步骤：s24：对步骤s23中经过数据预处理的综合能源系统数据进行耦合特性分析，选取相关性较高的气象数据、时间信息、历史负荷数据特征、历史出力数据特征；s25：利用步骤s24中经过筛选之后的数据特征构造衍生特征完成特征工程。
13.其中系统之中历史源
‑
荷数据与气象数据以及时间信息之间的耦合特性利用皮尔逊相关系数绘制热力图进行分析，用来衡量两个变量之间的相关性的大小。
14.作为优选，所述负荷数据包括冷、热、电负荷数据，所述出力数据包括光伏、风机出力数据，所述时间信息包括时刻、星期、月份，所述气象数据包括温湿度数据、风速数据、辐
照度数据、降水数据。
15.选取多种历史负荷数据、历史出力数据、时间信息和气象数据，进行多变量控制，确保函数模型的准确性和适用性。
16.作为优选，所述步骤s3中所述基于alif
‑
gru
‑
mtl得到不同源
‑
荷分量序列的预测模型包括如下步骤：s31：将步骤s2中经过预处理的综合能源系统源
‑
荷数据排成时间序列，并利用alif方法进行分解，分别得到历史负荷数据历史出力数据的具有不同频段的分量序列；s32：将步骤s31得到的源
‑
荷分量序列利用样本熵重构得到周期、波动以及趋势序列，其中冷、热、电负荷数据以及光伏、风机出力数据的周期序列分别为q1、h1、p1、冷、热、电负荷数据以及光伏、风机出力数据的波动序列分别为q2、h2、p2、冷、热、电负荷数据以及光伏、风机出力数据的趋势序列分别为q3、h3、p3、上标i＝1,2,3分别代表周期序列、波动序列以及趋势序列；s33：将步骤s32中得到的源
‑
荷周期序列、波动序列以及趋势序列与对应气象数据以及时间信息组合得到数据集，划分为训练集与测试集，分别用于源
‑
荷联合预测模型的训练与测试；s34：将步骤s33中得到的训练集输入模型进行训练，基于gru使用mtl分别对冷、热、电负荷以及光伏、风机出力的周期、波动以及趋势序列进行多任务学习的训练，得到不同源
‑ꢀ
荷分量序列的预测模型。
17.作为优选，所述步骤s3中所述将得到的源
‑
荷分量序列模型的预测结果求和重构并反归一化，得到最终的源
‑
荷预测结果包括以下步骤：s35：利用步骤34中得到的预测模型训练与预测，利用前m天的数据预测未来一天24个点的冷、热、电负荷以及光伏、风机出力，预测未来一天t时刻模型的输入与输出数据如下所示：下所示：式中：time(t)＝[hour,week,month]为时间信息包括时刻、星期、月份； weather(t)＝[tem,hum,ws,ir,rain]为利用日前气象预测的数据作为预测t时刻源
‑
荷时输入模型的气象特征，分别为温度、湿度、风速、辐照度、降水；分别表示同一序列的冷、热、电负荷以及光伏、风机出力特征，具体如下所示：出力特征，具体如下所示：出力特征，具体如下所示：出力特征，具体如下所示：出力特征，具体如下所示：
式中：利用前三天相同时刻t的源
‑
荷数据输入模型即m取3，为前三天与时刻t相同时刻的源
‑
荷数据，则关于模型训练过程的抽象表示如下：y(t)＝grui(x(t))式中：grui分别代表不同序列经过多任务学习训练得到的源
‑
荷周期序列、波动序列以及趋势序列的预测模型；s36：利用训练所得模型grui对测试集某天待预测时刻k的源
‑
荷对应序列i进行预测，则时刻k的冷、热、电负荷以及光伏、风机出力各个序列预测结果可以表示为：式中：分别为时刻k序列i的冷、热、电负荷以及光伏、风机出力预测值；对各个序列的冷、热、电负荷以及光伏、风机出力预测值分别进行求和重构，则重构之后时刻k源
‑
荷的预测值可以表示为：为：式中：q(k)、h(k)、p(k)、p
pv
(k)、p
wt
(k)分别为求和重构之后时刻k冷、热、电负荷以及光伏、风机出力预测值，对以上求和重构之后源
‑
荷预测值进行反归一化得到最终的源
‑
荷预测值。
[0018]
作为优选，所述步骤s4中所述建立综合能源系统优化调度模型包括以下步骤：s41：利用所述步骤s3中所述基于alif
‑
gru
‑
mtl得到不同源
‑
荷分量序列的预测模型获得的未来一天24个时段的冷、热、电负荷数据以及光伏、风机出力数据预测值，导入天然气价格和电价等能源市场信息与系统设备运行参数；s42：利用步骤s41中的源
‑
荷预测结果、设备运行参数，结合步骤s1中所建立的设备数学模型，根据综合能源系统运行的经济性、环保性、安全性建立优化调度模型的目标函数，优化调度的周期为一天，时间间隔为1小时；s43：将经济性、环保性这两个目标量化为成本建立一个统一的目标函数，具体如下：式中：c
ies
表示系统日运行总成本；c
grid
(t)为系统从外部电网购电费用；c
gas
(t)为系统购买天然气费用；c
operation
(t)为系统中各设备的运行维护费用；c
environment
(t)为系统的环保性惩罚费用，其中成本和费用单位均为元；s44：所述步骤s43中系统运行的经济性主要由系统的购电、购气费用以及系统内各设备的运行维护费用决定，系统外部电网购电费用计算公式如下：c
grid
(t)＝p
grid
(t).c
grid
(t)式中：p
grid
(t)为t时段外部电网输入综合能源系统的电功率，单位为kw；c
grid
(t)为t时段的电价，单位为元/kwh；综合能源系统购买天然气的费用由微型燃气轮机和燃气锅炉两个部分的消耗组成，具体计算公式如下：c
gas
(t)＝c
mt
(t)+c
gb
(t)
式中：c
mt
(t)为微型燃气轮机消耗的天然气成本，c
gb
(t)为燃气锅炉消耗的天然气成本，其中成本单位为元；系统运行维护费用与各设备单位输出功率成正比；s45：所述步骤s43中系统运行的环保性主要由系统的污染排放治理成本和弃光弃风的惩罚决定，其中污染排放治理成本由燃烧天然气的量和外部电网购电量决定，调度模型的目标同时考虑可再生能源的消纳，建立弃光弃风的惩罚，计算公式如下：c
environment
(t)＝c
pollution
(t)+c
pv
(t)+c
wt
(t)式中：c
pollution
(t)为系统的污染排放成本；c
pv
(t)为弃光惩罚；c
wt
(t)为弃风惩罚，其中成本和惩罚单位均为元。
[0019]
作为优选，所述步骤s4中所述求解优化调度模型包括以下步骤：s46：:利用所述步骤s41的源
‑
荷预测结果、设备运行参数，结合步骤s1中所建立的综合能源系统设备模型建立系统的约束条件，包括冷、热、电能流平衡约束、设备出力约束以及储能约束；s47：综合能源系统优化调度模型由所述步骤s43、s44、s45建立的系统优化调度目标函数以及步骤s46所建立的约束条件组成；s48：利用yalmip工具箱调用cplex进行优化调度模型的求解，输出各个时段参与系统优化调度的设备出力情况以及日运行成本。
[0020]
本发明的有益效果是：(1)该方法充分考虑综合能源系统多元负荷、源端可再生能源出力的耦合特性，使用多任务学习的方式可以更好的实现源
‑
荷预测任务之间的参数共享，提升综合能源系统源
‑
荷预测的准确性，为综合能源系统优化调度奠定基础；(2)该方法克服现有的综合能源系统优化调度方法与系统源
‑
荷预测过程联系不紧密的问题，将应用场景与源荷预测结果紧密联系，且在系统优化调度过程中全面考虑系统运行的经济性、环保性以及安全性。
附图说明
[0021]
图1是本发明中基于alif
‑
gru
‑
mtl综合能源系统源
‑
荷联合预测模型的示意图。
[0022]
图2是本发明综合能源系统结构示意图。
[0023]
图示说明：1
‑
源端设备，2
‑
多能耦合设备，3
‑
热能流，4
‑
负荷数据，5
‑
储能设备，6
‑
冷能流，7
‑
电能流，8
‑
出力数据。
具体实施方式
[0024]
下面结合附图和具体实施方式对本发明进一步的描述。
[0025]
本实例为北方某工业园综合能源系统，该能源系统所包含的负荷类型有冷负荷、热负荷、电负荷，源端可再生能源包括风机、光伏，该方法使综合能源系统源
‑
荷预测与优化调度联系密切，并且考虑系统源
‑
荷耦合特性，以综合能源系统优化调度方法为例。
[0026]
如图1和图2所示，一种基于alif
‑
gru
‑
mtl源
‑
荷联合预测的综合能源系统优化调度方法，包括以下步骤：s1：确立综合能源系统的基本结构，根据设备类型建立数学模型；s2：进行综合能源系统源
‑
荷数据预处理，根据原始特征构造完成特征工程；
s3：基于alif
‑
gru
‑
mtl得到不同源
‑
荷分量序列的预测模型，将得到的源
‑
荷分量序列模型的预测结果求和重构并反归一化，得到最终的源
‑
荷预测结果；s4：建立综合能源系统优化调度模型，求解优化调度模型。
[0027]
其中，alif是指自适应局部迭代滤波方法(adaptive local iterative filtering)，gru 是指门控循环神经网络(gate recurrent unit)，mtl是指多任务学习(multi
‑
task learning)。通过alif
‑
gru
‑
mtl源
‑
荷联合预测将综合能源系统源
‑
荷预测与优化调度密切联系，并可以充分考虑系统源
‑
荷耦合特性。
[0028]
步骤s1包括以下步骤：s11：根据综合能源系统实际的设备部署情况以及能流类型确立系统的基本结构，明确不同设备之间的能量流动和耦合关系；s12：根据能流类型将系统划分为冷能流6、热能流3、电能流7；s13：根据设备类型将系统内设备划分为源端设备1、多能耦合设备2、储能设备5；s14：根据设备运行特性分别对源端设备、多能耦合设备、储能设备建立数学模型。
[0029]
对不同类型设备分别建模，在设备运行特性分析的基础上，进行微型燃气轮机、燃气锅炉的建模完成源端设备的建模工作；进行余热锅炉、吸收式制冷机以及电制冷机的建模完成多能耦合设备的建模工作；进行蓄电池、蓄热装置、蓄冷装置的建模完成储能设备的建模工作。
[0030]
步骤s13中源端设备包括微型燃气轮机和燃气锅炉，多能耦合设备包括余热锅炉、吸收式制冷机和电制冷机，储能设备包括蓄电池、蓄热装置和蓄冷装置。
[0031]
将多种源端设备、多能耦合设备和储能设备进行建模工作，实现系统多元负荷，充分挖掘系统源
‑
荷的耦合特性，确保函数模型的准确性和适用性。
[0032]
步骤s2中进行综合能源系统源
‑
荷数据预处理包括以下步骤：s21：获取综合能源系统历史负荷数据4、历史出力数据8，获取与负荷数据及出力数据相对应的时间信息、气象数据；s22：对步骤s21中历史负荷数据、历史出力数据、时间信息和气象数据进行数据清洗工作，包括进行缺失值以及异常值的检测与处理；s23：对步骤s22中处理后数据中的连续型数据利用最小
‑
最大规范化处理，对步骤s22中处理后数据中的离散型数据进行one
‑
hot编码处理。
[0033]
步骤s2中根据原始特征构造完成特征工程包括以下步骤：s24：对步骤s23中经过数据预处理的综合能源系统数据进行耦合特性分析，选取相关性较高的气象数据、时间信息、历史负荷数据特征、历史出力数据特征；s25：利用步骤s24中经过筛选之后的数据特征构造衍生特征完成特征工程。
[0034]
其中系统之中历史源
‑
荷数据与气象数据以及时间信息之间的耦合特性利用皮尔逊相关系数绘制热力图进行分析，用来衡量两个变量之间的相关性的大小。
[0035]
负荷数据包括冷、热、电负荷数据，出力数据包括光伏、风机出力数据，时间信息包括时刻、星期、月份，气象数据包括温湿度数据、风速数据、辐照度数据、降水数据。
[0036]
选取多种历史负荷数据、历史出力数据、时间信息和气象数据，进行多变量控制，确保函数模型的准确性和适用性。
[0037]
步骤s3中基于alif
‑
gru
‑
mtl得到不同源
‑
荷分量序列的预测模型包括如下步骤：
s31：将步骤s2中经过预处理的综合能源系统源
‑
荷数据排成时间序列，并利用alif方法进行分解，分别得到历史负荷数据历史出力数据的具有不同频段的分量序列；s32：将步骤s31得到的源
‑
荷分量序列利用样本熵重构得到周期、波动以及趋势序列，其中冷、热、电负荷数据以及光伏、风机出力数据的周期序列分别为q1、h1、p1、冷、热、电负荷数据以及光伏、风机出力数据的波动序列分别为q2、h2、p2、冷、热、电负荷数据以及光伏、风机出力数据的趋势序列分别为q3、h3、p3、上标i＝1,2,3分别代表周期序列、波动序列以及趋势序列；s33：将步骤s32中得到的源
‑
荷周期序列、波动序列以及趋势序列与对应气象数据以及时间信息组合得到数据集，划分为训练集与测试集，分别用于源
‑
荷联合预测模型的训练与测试；s34：将步骤s33中得到的训练集输入模型进行训练，基于gru使用mtl分别对冷、热、电负荷以及光伏、风机出力的周期、波动以及趋势序列进行多任务学习的训练，得到不同源
‑ꢀ
荷分量序列的预测模型。
[0038]
步骤s3中将得到的源
‑
荷分量序列模型的预测结果求和重构并反归一化，得到最终的源
‑
荷预测结果包括以下步骤：s35：利用步骤34中得到的预测模型训练与预测，利用前m天的数据预测未来一天24个点的冷、热、电负荷以及光伏、风机出力，预测未来一天t时刻模型的输入与输出数据如下所示：下所示：式中：time(t)＝[hour,week,month]为时间信息包括时刻、星期、月份； weather(t)＝[tem,hum,ws,ir,rain]为利用日前气象预测的数据作为预测t时刻源
‑
荷时输入模型的气象特征，分别为温度、湿度、风速、辐照度、降水；分别表示同一序列的冷、热、电负荷以及光伏、风机出力特征，具体如下所示：出力特征，具体如下所示：出力特征，具体如下所示：出力特征，具体如下所示：出力特征，具体如下所示：式中：利用前三天相同时刻t的源
‑
荷数据输入模型即m取3，为前三天与时刻t相同时刻的源
‑
荷数据，则关于模型训练过程的抽象表示如下：y(t)＝grui(x(t))式中：grui分别代表不同序列经过多任务学习训练得到的源
‑
荷周期序列、波动序
列以及趋势序列的预测模型；s36：利用训练所得模型grui对测试集某天待预测时刻k的源
‑
荷对应序列i进行预测，则时刻k的冷、热、电负荷以及光伏、风机出力各个序列预测结果可以表示为：式中：分别为时刻k序列i的冷、热、电负荷以及光伏、风机出力预测值；对各个序列的冷、热、电负荷以及光伏、风机出力预测值分别进行求和重构，则重构之后时刻k源
‑
荷的预测值可以表示为：荷的预测值可以表示为：式中：q(k)、h(k)、p(k)、p
pv
(k)、p
wt
(k)分别为求和重构之后时刻k冷、热、电负荷以及光伏、风机出力预测值，对以上求和重构之后源
‑
荷预测值进行反归一化得到最终的源
‑
荷预测值。
[0039]
步骤s4中建立综合能源系统优化调度模型包括以下步骤：s41：利用步骤s3中基于alif
‑
gru
‑
mtl得到不同源
‑
荷分量序列的预测模型获得的未来一天24个时段的冷、热、电负荷数据以及光伏、风机出力数据预测值，导入天然气价格和电价等能源市场信息与系统设备运行参数；s42：利用步骤s41中的源
‑
荷预测结果、设备运行参数，结合步骤s1中所建立的设备数学模型，根据综合能源系统运行的经济性、环保性、安全性建立优化调度模型的目标函数，优化调度的周期为一天，时间间隔为1小时；s43：将经济性、环保性这两个目标量化为成本建立一个统一的目标函数，具体如下：式中：c
ies
表示系统日运行总成本；c
grid
(t)为系统从外部电网购电费用；c
gas
(t)为系统购买天然气费用；c
operation
(t)为系统中各设备的运行维护费用；c
environment
(t)为系统的环保性惩罚费用，其中成本和费用单位均为元；s44：步骤s43中系统运行的经济性主要由系统的购电、购气费用以及系统内各设备的运行维护费用决定，系统外部电网购电费用计算公式如下：c
grid
(t)＝p
grid
(t).c
grid
(t)式中：p
grid
(t)为t时段外部电网输入综合能源系统的电功率，单位为kw；c
grid
(t)为t时段的电价，单位为元/kwh；综合能源系统购买天然气的费用由微型燃气轮机和燃气锅炉两个部分的消耗组成，具体计算公式如下：c
gas
(t)＝c
mt
(t)+c
gb
(t)式中：c
mt
(t)为微型燃气轮机消耗的天然气成本，c
gb
(t)为燃气锅炉消耗的天然气成本，其中成本单位为元；具体计算公式如下：
式中：p
mt
(t)为t时段微型燃气轮机输出的电功率(kw)；η
mt
(t)为t时段微型燃气轮机对应的发电效率(％)；h
gb
(t)为t时段燃气锅炉输出的热功率(kw)；η
gb
为燃气锅炉的效率(％)； c
gas
(t)为t时段天然气的价格(元/m3)；hi为天然气低位热值，取常数9.8(kwh/m3)；系统运行维护费用与各设备单位输出功率成正比，具体计算公式如下：式中:c
operation
(t)为系统的运行维护成本；β
pv
、β
wt
、β
mt
、β
gb
、β
whb
、β
ec
、β
ac
、β
bs
、β
hs
、β
cs
分别为光伏、风机、微型燃气轮机、燃气锅炉、余热锅炉、电制冷机、吸收式制冷机、蓄电池、蓄热装置、蓄冷装置的单位输出功率运行维护费用(元/kwh)；系统运行维护费用与各设备单位输出功率成正比；s45：步骤s43中系统运行的环保性主要由系统的污染排放治理成本和弃光弃风的惩罚决定，其中污染排放治理成本由燃烧天然气的量和外部电网购电量决定，调度模型的目标同时考虑可再生能源的消纳，建立弃光弃风的惩罚，计算公式如下：c
environment
(t)＝c
pollution
(t)+c
pv
(t)+c
wt
(t)式中：c
pollution
(t)为系统的污染排放成本；c
pv
(t)为弃光惩罚；c
wt
(t)为弃风惩罚，其中成本和惩罚单位均为元；具体的计算公式如下：其中成本和惩罚单位均为元；具体的计算公式如下：其中成本和惩罚单位均为元；具体的计算公式如下：式中：c
pollution
(t)为污染排放成本；k表示排放的不同污染物；β
k
为治理污染物k所需费用；为电网污染物k的排放系数；为微型燃气轮机污染物k的排放系数；为燃气锅炉污染物k的排放系数；p
pv
(t)为t时段光伏实际出力值(kw)，为t时段光伏的实际消纳值(kw)，c
pv
为光伏未消纳部分的惩罚成本(元/kw)；p
wt
(t)为t时段风机实际出力值(kw)，为t时段风机的实际消纳值(kw)，c
wt
为风机未消纳部分的惩罚成本(元/kw)。
[0040]
步骤s4中求解优化调度模型包括以下步骤：s46：:利用步骤s41的源
‑
荷预测结果、设备运行参数，结合步骤s1中所建立的综合能源系统设备模型建立系统的约束条件，包括冷、热、电能流平衡约束、设备出力约束以及储能约束；其中冷能流平衡约束为：
式中：q(t)为系统冷负荷；q
ec
(t)为电制冷机的制冷功率；q
ac
(t)为吸收式制冷机的制冷功率；和分别为蓄冷装置的放冷状态和放冷功率；和分别为蓄冷装置的蓄冷状态和蓄冷功率，蓄冷、放冷状态为0
‑
1变量；热能流平衡约束为：式中：h(t)为系统的热负荷；h
gb
(t)为燃气锅炉热功率输出；h
whb
(t)为余热锅炉的热功率输出；h
ac
(t)为吸收式制冷机消耗的热功率；和分别为蓄热装置的放热状态和放热功率；和分别为蓄热装置的蓄热状态和蓄热功率，蓄热、放热状态为0
‑
1变量；电能流平衡约束为：式中：p(t)为系统的电负荷；p
grid
(t)为外部电网输入综合能源系统的电功率；为光伏的实际消纳值；为风机的实际消纳值；p
mt
(t)为微型燃气轮机的发电功率；p
ec
(t)为电制冷机消耗的电功率；和分别为蓄电池的放电状态和放电功率；和充电状态和充电功率，充电、放电状态为0
‑
1变量；设备出力约束：设备出力约束：设备出力约束：设备出力约束：设备出力约束：式中：为外部电网输入综合能源系统的最大电功率；表示燃气锅炉的额定制热功率 (kw)；表示余热锅炉的额定制热功率(kw)；表示吸收式制冷机的额定制冷功率 (kw)；表示电制冷机的额定制冷功率(kw)；储能约束，以蓄电池为例，蓄热装置和蓄冷装置类似，不再赘述；蓄电池运行过程中充电和放电不可同时进行，且具有一定的充放电功率约束，具体的约束如下：中充电和放电不可同时进行，且具有一定的充放电功率约束，具体的约束如下：中充电和放电不可同时进行，且具有一定的充放电功率约束，具体的约束如下：式中：和分别表示t时段蓄电池的充、放电状态为0
‑
1变量；和分别表示蓄电池充电功率的上下限；分别表示蓄电池放电功率的上下
限。蓄电池除了满足如上约束之外还需满足容量上下限约束，同时运行周期结束后需保持蓄电池储存的能量不变，具体如下所示：soc
bs
(0)＝soc
bs
(24)式中：和分别表示蓄电池储存能量的上下限；soc
bs
(0)和soc
bs
(24)分别表示运行周期开始时段0和运行周期结束时段24蓄电池的储能情况；s47：综合能源系统优化调度模型由步骤s43、s44、s45建立的系统优化调度目标函数以及步骤s46所建立的约束条件组成；s48：利用yalmip工具箱调用cplex进行优化调度模型的求解，输出各个时段参与系统优化调度的设备出力情况以及日运行成本。
[0041]
应理解，该实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。