一种动态碳排放因子下空调负荷的优化调度方法及装置与流程

本技术涉及计算机，更具体的说，是涉及一种动态碳排放因子下空调负荷的优化调度方法及装置。

背景技术：

1、

2、空调负荷作为最常用的家用电器之一，由于其控制灵活、调节能力大、对消费者舒适度影响小等特点，非常适合用于负荷分布的调节。一般来说，空调负荷是夏季占比超过40％。与其他恒温控制负荷一样，空调负荷适合在满足消费者舒适度的同时改变负荷分布。

3、然而，传统的空调负荷日前调度主要试图在考虑消费者舒适度的同时最大限度地降低电力成本，而忽略了电力消费者的碳排放这一重要因素，不利于绿色节能减排。

4、到目前为止，已经对电力交易和碳交易市场下电力消费者的最优运行进行了大量的研究，多数研究主要集中在发电方和需求方之间的最优协调。进一步的，有研究人员提出了一种混合启发式优化方法，为居民用户生成了最优的电器运行方案，在减少碳排放的同时节约能源成本。然而，该碳排放因子被假定为常数，这与实际碳排放并不一致。

5、如何设计一种动态碳排放因子下空调负荷的优化调度方法，以融合电力碳排放的因素，从而获得更高质量的调度最优值，是需要关注的问题。

技术实现思路

1、鉴于上述问题，提出了本技术以便提供一种动态碳排放因子下空调负荷的优化调度方法及装置，以融合电力碳排放的因素，从而获得更高质量的调度最优值，实现绿色减排。

2、为了实现上述目的，现提出具体方案如下：

3、一种动态碳排放因子下空调负荷的优化调度方法，包括：

4、利用第一公式计算每个消费节点的电力碳排放系数，每个消费节点中包含有空调负荷，所述第一公式为：

5、

6、其中，δi为第i个消费节点的电力碳排放系数，pg为连接到第i个消费节点的发电厂的输出有功功率，δg为各个发电厂在并网时的碳排放系数，ωi为第i个消费节点的分支连接节点的集合，pij为从第j个节点到第i个节点的输入有功功率，δj为第j个消费节点的电力碳排放系数，每个不具备分支连接节点的消费节点的电力碳排放系数为预先获得的；

7、利用第二公式构建空调环境模型，所述第二公式为：

8、

9、其中，tin(t)为第t个时间窗下空调所在的密闭空间的室内温度，每个时间窗的时间段为1小时，tin(t+1)为第t+1个时间窗下所述密闭空间的室内温度，tout(t+1)为第t+1个时间窗下所述密闭空间的室外温度，r为空调所在所述密闭空间的等效电阻，c为空调所在所述密闭空间的等效热容，δt为空调当前状态的持续时间，turnoff为空调关闭状态，turnon为空调打开状态，p为空调额定功率，ηcop为空调制冷能效系数；

10、根据各个消费节点的电力碳排放系数，以及所述空调环境模型，构建空调负荷优化调度模型；

11、通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解，确定所述空调负荷优化调度模型的最优解，以使所述空调负荷优化调度模型的各个空调负荷在所述最优解下进行调控。

12、可选的，所述空调负荷优化调度模型为：

13、min f＝ct+ce+cc

14、

15、其中，minf为总成本优化目标，ct为温度舒适度偏差，ce为电力成本，cc为碳排放成本，n为消费节点的总数量，ωj(t)为第j个消费节点在第t个时间窗下的室内温度权重，为第j个消费节点在第t个时间窗下的平均室内温度，为第j个消费节点在第t个时间窗下的设定室内温度，为第j个消费节点的空调负荷在第t个时间窗下的开关状态，为第j个消费节点的空调负荷在第t个时间窗下的开机持续时间，pj为第j个消费节点的空调负荷的额定功率，λe(t)为第j个消费节点在第t个时间窗下的电力价格，δj(t)为第j个消费节点在第t个时间窗下的电力碳排放系数，λc(t)为第j个消费节点在第t个时间窗下的碳排放价格。

16、可选的，所述通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解，确定所述空调负荷优化调度模型的最优解，包括：

17、在预设的混沌精英哈里斯鹰优化算法的探索阶段中，以所述空调负荷优化调度模型中每个消费节点作为哈里斯鹰个体，利用第三公式对各个消费节点进行初始化，得到种群，所述第三公式为：

18、

19、其中，x(k+1)为在第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，xrand(k)为在第k次迭代下所述种群中随机哈里斯鹰个体的位置，xrabbit(k)为在第k次迭代下所述种群中猎物的位置，n为所述种群中哈里斯鹰个体的数量，ub为所述种群中哈里斯鹰个体的位置上界，lb为所述种群中哈里斯鹰个体的位置下界，r1、r2、r3和r4均为区间[0，1]中的随机数，q为哈里斯鹰栖息特征参数，xm(k)为所述种群内所有哈里斯鹰个体的平均位置；

20、每次对所述种群迭代开始时，更新所述种群中猎物的位置，得到所述猎物的更新位置；

21、利用第四公式计算当前迭代次数下的非线性逃逸能量因子，所述第四公式为：

22、

23、其中，ek为非线性逃逸能量因子，e0为逃逸能量因子，rand为区间[-1，1]中的随机数，k为当前迭代次数，kmax为最大迭代次数；

24、利用第五公式计算所述猎物在当前迭代次数下的逃脱概率，所述第五公式为：

25、

26、其中，rk+1为第k+1次迭代下的逃脱概率，rk为第k次迭代下的逃脱概率，xk为第k次迭代下的混沌映射参数；

27、在所述混沌精英哈里斯鹰优化算法的开发阶段中，根据所述逃脱概率和所述非线性逃逸能量因子，基于所述猎物在当前迭代次数下的位置，更新所述种群中最优哈里斯鹰个体的位置；

28、通过预设贪婪算法更新所述种群，得到更新后的种群；

29、若当前迭代次数未到达最大迭代次数，返回执行所述每次对所述种群迭代开始时，更新所述种群中猎物的位置，得到所述猎物的更新位置的步骤；

30、若当前迭代次数到达最大迭代次数，将所述种群中的最优哈里斯鹰个体作为所述空调负荷优化调度模型的最优解。

31、可选的，更新所述种群中猎物的位置，得到所述猎物的更新位置，包括：

32、基于所述空调负荷优化调度模型，确定当前种群中每个哈里斯鹰个体的适应度值；

33、根据当前种群中每个哈里斯鹰个体的适应度值，利用第六公式更新所述种群中猎物的位置，得到所述猎物的更新位置，所述第六公式为：

34、

35、其中，α、β和γ为所述种群中的最靠近当前所述猎物的位置的三个哈里斯鹰个体，xjbest(k)为在第k次迭代下所述种群中第j个哈里斯鹰个体的位置，f(xjbest(k))为在第k次迭代下所述种群中第j个哈里斯鹰个体的适应度值，xnew_rabbit(k)为所述猎物在第k次迭代下的更新位置。

36、可选的，根据所述逃脱概率和所述非线性逃逸能量因子，基于所述猎物在当前迭代次数下的位置，更新所述种群中最优哈里斯鹰个体的位置，包括：

37、当所述逃脱概率不小于第一阈值，且所述非线性逃逸能量因子不小于第二阈值时，利用第七公式所述种群中最优哈里斯鹰个体的位置，所述第七公式为：

38、

39、其中，x(k+1)为第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，x(k)为第k次迭代下所述种群中最优哈里斯鹰个体的位置，δx(k)为第k次迭代下所述种群中最优哈里斯鹰个体与所述猎物之间的差距，j为所述猎物在逃跑过程的跳跃距离，r5为区间[0，1]中的随机数。

40、可选的，根据所述逃脱概率和所述非线性逃逸能量因子，基于所述猎物在当前迭代次数下的位置，更新所述种群中最优哈里斯鹰个体的位置，包括：

41、当所述逃脱概率小于第一阈值，且所述非线性逃逸能量因子不小于第二阈值时，利用第八公式所述种群中最优哈里斯鹰个体的位置，所述第八公式为：

42、x(k+1)＝xrabbit(k)-ek|δx(k)|

43、其中，x(k+1)为第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，δx(k)为第k次迭代下所述种群中最优哈里斯鹰个体与所述猎物之间的差距。

44、可选的，根据所述逃脱概率和所述非线性逃逸能量因子，基于所述猎物在当前迭代次数下的位置，更新所述种群中最优哈里斯鹰个体的位置，包括：

45、当所述逃脱概率不小于第一阈值，且所述非线性逃逸能量因子小于第二阈值时，利用第九公式所述种群中最优哈里斯鹰个体的位置，所述第九公式为：

46、

47、其中，x(k+1)为第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，x(k)为第k次迭代下所述种群中最优哈里斯鹰个体的位置，r5为区间[0，1]中的随机数，j为所述猎物在逃跑过程的跳跃距离，y为第一策略结果，d为预设维度，s为所述预设维度的随机向量，lf(·)为levy飞行函数，z为第二策略结果，f(·)为预设策略函数。

48、可选的，根据所述逃脱概率和所述非线性逃逸能量因子，基于所述猎物在当前迭代次数下的位置，更新所述种群中最优哈里斯鹰个体的位置，包括：

49、当所述逃脱概率小于第一阈值，且所述非线性逃逸能量因子小于第二阈值时，利用第十公式所述种群中最优哈里斯鹰个体的位置，所述第十公式为：

50、

51、可选的，在更新所述种群中猎物的位置，得到所述猎物的更新位置之前，还包括：

52、确定当前迭代次数下所述种群中的各个哈里斯鹰个体的平均位置；

53、判断当前迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，是否与上一次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，以及上两次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置均相同；

54、若是，利用第十一公式更新所述种群，得到更新后的种群，并返回执行所述判断当前迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，是否与上一次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，以及上两次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置均相同的步骤，所述第十一公式为：

55、

56、其中，x0(k)为当前迭代次数下所述种群更新前的最优哈里斯鹰个体的位置，gaussian为高斯函数，xt(k)为当前迭代次数下所述种群更新后的最优哈里斯鹰个体的位置，x*(k)为当前迭代次数下从所述种群中随机选择的一个哈里斯鹰个体的位置，σ为种群更新调整因子；

57、若否，直接执行所述更新所述种群中猎物的位置，得到所述猎物的更新位置的步骤。

58、一种动态碳排放因子下空调负荷的优化调度装置，包括：

59、碳排放系数计算单元，用于利用第一公式计算每个消费节点的电力碳排放系数，每个消费节点中包含有空调负荷，所述第一公式为：

60、

61、其中，δi为第i个消费节点的电力碳排放系数，pg为连接到第i个消费节点的发电厂的输出有功功率，δg为各个发电厂在并网时的碳排放系数，ωi为第i个消费节点的分支连接节点的集合，pij为从第j个节点到第i个节点的输入有功功率，δj为第j个消费节点的电力碳排放系数，每个不具备分支连接节点的消费节点的电力碳排放系数为预先获得的；

62、空调环境模型构建单元，用于利用第二公式构建空调环境模型，所述第二公式为：

63、

64、其中，tin(t)为第t个时间窗下空调所在的密闭空间的室内温度，每个时间窗的时间段为1小时，tin(t+1)为第t+1个时间窗下所述密闭空间的室内温度，tout(t+1)为第t+1个时间窗下所述密闭空间的室外温度，r为空调所在所述密闭空间的等效电阻，c为空调所在所述密闭空间的等效热容，δt为空调当前状态的持续时间，turnoff为空调关闭状态，turnon为空调打开状态，p为空调额定功率，ηcop为空调制冷能效系数；

65、优化调度模型构建单元，用于根据各个消费节点的电力碳排放系数，以及所述空调环境模型，构建空调负荷优化调度模型；

66、最优解确定单元，用于通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解，确定所述空调负荷优化调度模型的最优解，以使所述空调负荷优化调度模型的各个空调负荷在所述最优解下进行调控。

67、可选的，所述最优解确定单元，包括：

68、种群初始化单元，用于在预设的混沌精英哈里斯鹰优化算法的探索阶段中，以所述空调负荷优化调度模型中每个消费节点作为哈里斯鹰个体，利用第三公式对各个消费节点进行初始化，得到种群，所述第三公式为：

69、

70、其中，x(k+1)为在第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，xrand(k)为在第k次迭代下所述种群中随机哈里斯鹰个体的位置，xrabbit(k)为在第k次迭代下所述种群中猎物的位置，n为所述种群中哈里斯鹰个体的数量，ub为所述种群中哈里斯鹰个体的位置上界，lb为所述种群中哈里斯鹰个体的位置下界，r1、r2、r3和r4均为区间[0，1]中的随机数，q为哈里斯鹰栖息特征参数，xm(k)为所述种群内所有哈里斯鹰个体的平均位置；

71、猎物位置更新单元，用于每次对所述种群迭代开始时，更新所述种群中猎物的位置，得到所述猎物的更新位置；

72、逃逸能量因子计算单元，用于利用第四公式计算当前迭代次数下的非线性逃逸能量因子，所述第四公式为：

73、

74、其中，ek为非线性逃逸能量因子，e0为逃逸能量因子，rand为区间[-1，1]中的随机数，k为当前迭代次数，kmax为最大迭代次数；

75、逃脱概率计算单元，用于利用第五公式计算所述猎物在当前迭代次数下的逃脱概率，所述第五公式为：

76、

77、其中，rk+1为第k+1次迭代下的逃脱概率，rk为第k次迭代下的逃脱概率，xk为第k次迭代下的混沌映射参数；

78、最优个体位置更新单元，用于在所述混沌精英哈里斯鹰优化算法的开发阶段中，根据所述逃脱概率和所述非线性逃逸能量因子，基于所述猎物在当前迭代次数下的位置，更新所述种群中最优哈里斯鹰个体的位置；

79、种群更新单元，用于通过预设贪婪算法更新所述种群，得到更新后的种群；

80、若当前迭代次数未到达最大迭代次数，返回执行所述每次对所述种群迭代开始时，更新所述种群中猎物的位置，得到所述猎物的更新位置的步骤；

81、若当前迭代次数到达最大迭代次数，将所述种群中的最优哈里斯鹰个体作为所述空调负荷优化调度模型的最优解。

82、可选的，所述猎物位置更新单元，包括：

83、第一猎物位置更新子单元，用于基于所述空调负荷优化调度模型，确定当前种群中每个哈里斯鹰个体的适应度值；

84、第二猎物位置更新子单元，用于根据当前种群中每个哈里斯鹰个体的适应度值，利用第六公式更新所述种群中猎物的位置，得到所述猎物的更新位置，所述第六公式为：

85、

86、其中，α、β和γ为所述种群中的最靠近当前所述猎物的位置的三个哈里斯鹰个体，xjbest(k)为在第k次迭代下所述种群中第j个哈里斯鹰个体的位置，f(xjbest(k))为在第k次迭代下所述种群中第j个哈里斯鹰个体的适应度值，xnew_rabbit(k)为所述猎物在第k次迭代下的更新位置。

87、可选的，所述最优个体位置更新单元，包括：

88、第一最优个体位置更新子单元，用于当所述逃脱概率不小于第一阈值，且所述非线性逃逸能量因子不小于第二阈值时，利用第七公式所述种群中最优哈里斯鹰个体的位置，所述第七公式为：

89、

90、其中，x(k+1)为第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，x(k)为第k次迭代下所述种群中最优哈里斯鹰个体的位置，δx(k)为第k次迭代下所述种群中最优哈里斯鹰个体与所述猎物之间的差距，j为所述猎物在逃跑过程的跳跃距离，r5为区间[0，1]中的随机数。

91、可选的，所述最优个体位置更新单元，包括：

92、第二最优个体位置更新子单元，用于当所述逃脱概率小于第一阈值，且所述非线性逃逸能量因子不小于第二阈值时，利用第八公式所述种群中最优哈里斯鹰个体的位置，所述第八公式为：

93、x(k+1)＝xrabbit(k)-ek|δx(k)|

94、其中，x(k+1)为第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，δx(k)为第k次迭代下所述种群中最优哈里斯鹰个体与所述猎物之间的差距。

95、可选的，所述最优个体位置更新单元，包括：

96、第三最优个体位置更新子单元，用于当所述逃脱概率不小于第一阈值，且所述非线性逃逸能量因子小于第二阈值时，利用第九公式所述种群中最优哈里斯鹰个体的位置，所述第九公式为：

97、

98、其中，x(k+1)为第k+1次迭代下所述种群中最优哈里斯鹰个体的位置，x(k)为第k次迭代下所述种群中最优哈里斯鹰个体的位置，r5为区间[0，1]中的随机数，j为所述猎物在逃跑过程的跳跃距离，y为第一策略结果，d为预设维度，s为所述预设维度的随机向量，lf(·)为levy飞行函数，z为第二策略结果，f(·)为预设策略函数。

99、可选的，所述最优个体位置更新单元，包括：

100、第四最优个体位置更新子单元，用于当所述逃脱概率小于第一阈值，且所述非线性逃逸能量因子小于第二阈值时，利用第十公式所述种群中最优哈里斯鹰个体的位置，所述第十公式为：

101、

102、可选的，该装置还包括：

103、平均位置确定单元，用于在更新所述种群中猎物的位置，得到所述猎物的更新位置之前，确定当前迭代次数下所述种群中的各个哈里斯鹰个体的平均位置；

104、位置重复判断单元，用于判断当前迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，是否与上一次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，以及上两次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置均相同，若是，则执行种群调整单元，若否，则执行所述猎物位置更新单元；

105、所述执行种群调整单元，用于利用第十一公式更新所述种群，得到更新后的种群，并返回执行所述判断当前迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，是否与上一次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置，以及上两次迭代次数下所述种群中的各个哈里斯鹰个体的平均位置均相同的步骤，所述第十一公式为：

106、

107、其中，x0(k)为当前迭代次数下所述种群更新前的最优哈里斯鹰个体的位置，gaussian为高斯函数，xt(k)为当前迭代次数下所述种群更新后的最优哈里斯鹰个体的位置，x*(k)为当前迭代次数下从所述种群中随机选择的一个哈里斯鹰个体的位置，σ为种群更新调整因子。

108、借由上述技术方案，本技术通过计算每个消费节点的电力碳排放系数，构建空调环境模型，根据各个消费节点的电力碳排放系数，以及所述空调环境模型，构建空调负荷优化调度模型，通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解，确定所述空调负荷优化调度模型的最优解，以使所述空调负荷优化调度模型的各个空调负荷在所述最优解下进行调控。由此可见，引入了电力碳排放系数，并采用动态模型进行建立，与实际碳排放更贴切，混沌精英哈里斯鹰优化算法求解空调负荷优化调度模型能够提高了空调负荷低碳调控最优解的质量，进一步提高电力用户的运营效益，并实现绿色减排。