技术摘要：
本发明公开了一种含多种清洁能源微能源网多目标随机规划方法，包括：根据微能源网运行策略构建微能源网的关键设备模型；分析微能源网中的不确定性因素，并构建不确定因素模型；结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成本和碳排放量为目  全部
背景技术：
微能源网位于“能源互联网”的末端，主要面向智能楼宇、居民小区、商业园区、农 村社区和孤立海岛等区域，通过能源的综合供应满足多种负荷的用能需求。近年来，在国家 能源政策的扶持下，微能源网对清洁能源的利用比例不断攀升，微能源网正由传统的“冷- 热-电”联供系统向多种清洁能源利用的高耦合、高能效系统转变。 考虑到分布式发电具有间歇性与波动性的特点，高渗透率的微能源网中通常存在 弃风、弃光现象，造成电能的大量浪费。传统的电化学储能方式无法满足清洁能源的发展需 求，氢能作为一种清洁高效的新能源，已成为我国能源技术发展的重要战略方向，加强氢能 基础设施建设势在必行。微能源网通过利用富余的电能电解水制氢，可有效提高电能的利 用率。 微能源网中源荷受到多种不确定因素的影响，忽略不确定性会降低规划的准确 性。同时微能源网中各能源相互耦合，系统的运行方式灵活多样，在对微能源网规划的过程 中不但要考虑系统的运行方式，而且要考虑经济、能耗、环保等多方面的指标。 在此背景下，有必要提出了一种含多种清洁能源微能源网多目标随机规划的方 法。
技术实现要素：
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种含多种 清洁能源微能源网多目标随机规划方法。 为实现上述目的，本发明采用的技术方案如下：一种含多种清洁能源微能源网多 目标随机规划方法，所述方法包括以下步骤： 步骤1，根据微能源网运行策略构建微能源网的关键设备模型； 步骤2，分析微能源网中的不确定性因素，并构建不确定因素模型； 步骤3，结合微能源网的关键设备模型和不确定因素模型，以微能源网的全生命周期成 本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约束条件，建立微能源 网的多目标随机规划模型； 步骤4，使用NSGA-II算法对微能源网的多目标随机规划模型进行求解，得到最佳的规 划方案。 进一步的，在步骤1中，根据微能源网运行策略构建微能源网的关键设备模型，微 9 CN 111737884 A 说　明　书 2/17 页 能源网包括风力发电设备、太阳能发电设备、微型燃气轮机、电储能设备、电转氢设备和制 冷制热设备，关键设备模型具体包括： 风力发电设备输出功率的大小与风速有关，其输出功率的模型表示为： 式中， 分别为切入风速、额定风速、切出风速； 为风力发电设备 的额定功率； 为风机功率； 为风速； 太阳能发电设备的输出功率只与光照强度和温度有关，其输出功率的模型表示为： 式中， 为太阳能发电设备的发电功率； 为光照强度； 为参考光照强度； 为参考温度； 为参考条件下太阳能发电设备的发电功率； 为温度功率系数,  为 温度； 微型燃气轮机为一个发电设备，能够利用天然气、氢气等燃烧产生的热能发电，其输出 功率的模型表示为： 式中， 为微型燃气轮机发电功率， 为发电效率， 为产热效率， 为天 然气的消耗速率， 为产热功率； 电储能设备的模型表示为： 式中， 为t时刻储能设备的电量， 分别为充电效率与放电效率， 10 CN 111737884 A 说　明　书 3/17 页 分别为充电功率与放电功率， 为储能设备的荷电状态， 为额定 容量， 为自放电系数； 电转氢设备的模型表示为： 式中， 分别为氢气、氧气的产出速率， 为电转氢设备的电功率， 为转换效率； 微能源网中的制冷制热设备包括地源热泵、吸收式制冷机和燃气锅炉； 地源热泵的模型表示为： 式中， 为制热功率， 为制热模式下的电功率， 为制冷功率， 为制 冷模式下的电功率， 为制热能效比， 为制冷能效比； 吸收式制冷机的模型表示为： 式中， 为制冷功率， 为性能系数， 为热耗能； 燃气锅炉的模型表示为： 式中， 为燃气锅炉制热功率， 为燃气锅炉效率， 为天然气的消耗率； 以“以热定电”模式为基础，提出考虑多种清洁能源利用的微能源网运行策略，微能源 网在运行时，既通过电制冷和电制热的方式满足冷热负荷的需求，又通过吸收制冷和燃气 制热的方式满足冷热负荷的需求，微能源网运行策略取决于两种方式的运行成本，引入电 制冷比 和电制热比 作为优化变量，经过优化使微能源网的运行成本达到最优，其中， 电制冷比 和电制热比 的模型表示为： 11 CN 111737884 A 说　明　书 4/17 页 式中，  为总制冷功率； 为总制热功率； 吸收式制冷机与燃气锅炉的模型分别表示为： 式中，   为总制冷功率； 为总制热功率； 为吸收式制冷机制冷功率； 为燃气锅炉制热功率； 在微能源网运行策略下，微能源网运行需满足冷、热、电功率平衡约束， 冷、热、电功率 平衡约束的模型表示为： 式中， 为t时刻损失电功率， 为t时刻总的电功率； 进一步的，在步骤2中，分析微能源网中的不确定性因素，并构建不确定因素模型，具体 表示为： 风力发电设备的输出功率与风速相关，采用威布尔分布拟合实际风速分布情况，其概 率密度函数可表示为： 式中，k为形状参数；c为尺度参数； 太阳能发电设备的输出功率与光照强度相关，采用Beta分布拟合实际光照强度分布情 况，其概率密度函数可表示为： 式中，α、β为形状参数， 为最大光照强度， 为伽马函数； 负荷预测表明，一段时间内负荷的大小服从正态分布，同时地域和气候因素影响着正 态分布的参数，概率密度可表示为： 12 CN 111737884 A 说　明　书 5/17 页 式中， 为负荷均值， 为负荷标准差； 根据城市电价与气价的定价规则，考虑到各类负荷的特性不同，这里认为电价服从均 匀分布，而天然气与氢气的价格服从三角分布，其概率密度可分别表示为： 式中，a、b分别为分布区间的下限与上限，e为电价，g为气价，c为三角分布的众数。 进一步的，在步骤3中，结合微能源网的关键设备模型和不确定因素模型，以微能 源网的全生命周期成本和碳排放量为目标函数，以微能源网的确定性约束和机会约束为约 束条件，建立微能源网的多目标随机规划模型，具体过程可表示为： 确立全生命周期成本和碳排放量两个目标函数，全生命周期成本可以表示为： 13 CN 111737884 A 说　明　书 6/17 页 式中， 为全生命周期成本； 为投资成本； 为重置成本； 为维护成 本； 为能源成本； 为设备残值；  j为微能源网中设备的序号， 为设备的单位 容量成本， 为设备的配置容量， 为设备的重置次数， 为设备的投入年限，Y为项目 的规划年限， 为设备的维护率， 为d日t时刻电网的购电功率， 为电网电价， 为燃气网络的购气功率， 为天然气价格， 为设备的残值率， 为氢气的 产出速率， 为氢能源价格； 碳排放量可以表示为： 式中， 为电能的折算系数， 为天然气的折算系数； 以下为约束条件，将风力发电设备、太阳能发电设备、微燃机、地源热泵、蓄电池和电转 氢的容量作为优化变量，同时考虑运行中电制冷比 、电制热比 的优化，优化变量需满 足： 式中， 分别为设备j的容量规划下限与上限； 设备运行需满足： 式中， 为设备j的运行功率， 为设备j的最大运行功率， 分别为蓄电池荷电状态下限与上限； 在微能源网的规划中包含多种随机变量，在优化的过程中考虑确定性约束和机会约 束，微能源网的运行受到多种非确定因素的影响，会出现电能富余的情况，这里定义电能的 损失率，并将其表示为机会约束的形式： 14 CN 111737884 A 说　明　书 7/17 页 式中， 为微能源网中富余的电量， 为风力发电设备与太阳能发电设备的发 电量， 为电能的损失率， 为允许损失率的最大值；  为置信度； 以上模型可以表示为： 式中，x为优化变量， 为随机变量； 为置信度，h与g分别代表等式约束与不 等式约束。 进一步的，在步骤4中，使用NSGA-II算法对微能源网的多目标随机规划模型进行 求解，得到最佳的规划方案，具体过程可表示为： 将建立的微能源网的多目标随机规划模型使用NSGA-II算法在MATLAB仿真平台上进行 求解； 采用模糊优选决策对解集进行处理，将解集中的数据转化为相对优属度，目标i方案j 的相对优属度可以表示为： 式中， 为目标i达到最优的方案， 为目标i达到最劣的方案，j为对应的方案； 对方案的数据进行评判并构建评判等级，这里把评判的等级划分为优级、中级和差级， 对应的相对优属度标准向量g=[1，0.5，0]，方案j归属于不同等级的相对隶属度为： 15 CN 111737884 A 说　明　书 8/17 页 式中， 为方案j对应的级别下限， 为级别上限， 为目标i的权重， 为方案j 与标准向量g间的广义欧氏距离； 将相对隶属度矩阵U与等级向量L相乘，矩阵H中最小值元素对应的方案即为决策的优 选方案，其表示为： 。 由上述对本发明的描述可知，与现有技术相比，本发明至少具有以下有益效果之 一： 1、本发明以全生命周期成本最小和碳排放量最小建立了微能源网的多目标随机规划 模型。采用具体的算例，对微能源网的多目标随机规划方法进行验证。结果表明，所提出的 微能源网多目标随机规划模型能够兼顾微能源网运行的经济性与环保性，能够根据不同的 规划要求给决策者提供多种规划方案。 2、本发明所构建的微能源网多目标随机规划方法相较于传统的确定性规划方法 得到的优化结果更为可行、更为有效，同时也适用于其他规划问题的研究。 附图说明 图1为本发明实施例中微能源网架构图； 图2为本发明实施例中考虑多种清洁能源利用的微能源网运行策略的流程框图； 图3为本发明实施例中微能源网的多目标随机规划模型求解步骤的流程框图； 图4为本发明实施例中随机规划结果与确定性规划结果的示意图； 图5为本发明实施例中确定优化结果与随机运行结果对比的示意图； 图6为本发明实施例中不同置信度水平的优化结果的示意图。