一种综合能源系统成本计算方法、装置及综合能源系统与流程

1.本发明涉及电动汽车技术领域，具体涉及一种综合能源系统成本计算方法、装置及综合能源系统。


背景技术：

2.综合能源系统(integrated energy system，ies)可以综合使用不同能源以满足电/冷/热不同负荷的需求，在电动汽车(electrical vehicle，ev)技术领域，能源集线器/能源中心(energy hub，eh)结构的引入使得ies是一个有效解决evs能源需求同时提高能源利用效率的途径。随着evs的大量推广，使得ev也将成为eh中不可忽视的组成单元。但是，ev的不确定性为eh的安全和效率带来极大挑战，在一定程度上会降低eh的可靠性和安全性。
3.那么，若能够考虑到ev的不确定性，设计一种应用于evs的ies是目前业界亟待解决的重要课题。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种综合能源系统成本计算方法、装置及综合能源系统，以解决有技术中ev的不确定性会降低eh的可靠性和安全性的问题。
5.根据第一方面，本发明实施例提供了一种综合能源系统成本计算方法，所述方法包括：
6.基于设备容量以及数量，构建综合能源系统的第一目标模型；所述第一目标模型用于输出综合能源系统规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制变量；
7.基于需求响应，构建综合能源系统的第二目标模型；第二目标模型用于输出综合能源系统运行阶段的最小化运行成本；
8.基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型；电动汽车运行模型用于表征电动汽车对应于综合能源系统规划以及运行阶段的不确定性；
9.基于综合能源系统的规划阶段与运行阶段，建立综合能源系统中各设备的约束；所述约束包括电动汽车运行约束、能量交换与供给上下限约束、储能设备能量约束以及负荷供需平衡约束，且，所述约束中具有二进制变量；
10.基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果；所述第一目标模型是根据连续和离散混合编码遗传算法进行计算的，所述第二目标模型是根据需求响应算法进行计算的。
11.结合第一方面，在第一方面第一实施方式中，所述基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型，具体包括：
12.基于电动汽车和能源中心相连并且开始充放电的阶段，利用概率分布函数构建第
一运行模型；
13.基于电动汽车行驶的阶段，利用概率分布函数构建第二运行模型；
14.基于电动汽车未和能源中心相连并且结束充放电的阶段阶段，利用概率分布函数构建第三运行模型。
15.结合第一方面，在第一方面第二实施方式中，所述约束还包括对可调节负荷约束。
16.结合第一方面，在第一方面第三实施方式中，所述基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果，具体包括：
17.获取初始化数据；
18.基于电动汽车运行模型以及各设备的约束，初始化规划场景和运行场景；
19.将所述初始化数据输入至所述第一目标模型中，并基于连续和离散混合编码遗传算法进行所述第一目标模型的计算，得到所述第一计算结果；
20.基于所述第一计算结果，将所述初始化数据输入至所述第二目标模型中，并基于需求响应算法进行所述第二目标模型的计算，得到所述第二计算结果。
21.结合第一方面第三实施方式，在第一方面第四实施方式中，所述将所述初始化数据输入至所述第一目标模型中，并基于连续和离散混合编码遗传算法进行所述第一目标模型的计算，得到所述第一计算结果，具体包括：
22.获取具有预设染色体规模的初始化种群；
23.对初始化种群中的染色体进行编码，并对编码后染色体的每一维变量进行赋值；
24.对初始化种群中所有染色体进行评价，确定初始化种群中每个染色体对应的适应值，并将初始化种群对应的最大适应值确定为遗传过程的适应值；
25.对初始化种群中的染色体进行选择操作，生成与初始化种群同等规模的父体种群；所述父代种群中的染色体为父代染色体；
26.按照预设交叉概率从父代种群中选择父代染色体进行交叉，每两个进行交叉的父代染色体按照预设交叉方案交换基因，生成两个新的子代染色体，并将子代染色体以及未进行交叉的父代染色体确定为子代种群；
27.按照变异概率对子代种群中染色体的基因进行变异操作，得到变异染色体，并将变异染色体以及未发生变异的染色体确定为变异种群；
28.确定变异种群中每个染色体对应的适应值，得到变异种群对应的最大适应值，并确定变异种群对应的最大适应值是否大于遗传过程的适应值；
29.确定大于遗传过程的适应值，将变异种群对应的最大适应值确定为遗传过程的适应值；
30.确定进化代数是否超过预设进化代数，若确定超过预设进化代数，基于遗传过程的适应值对应的染色体输出第一计算结果。
31.结合第一方面第三实施方式，在第一方面第五实施方式中，所述将所述初始化数据输入至所述第一目标模型中，并基于连续和离散混合编码遗传算法进行所述第一目标模型的计算，得到所述第一计算结果，还具体包括：
32.确定遗传过程的适应值是否达到预设的误差要求，若确定达到预设的误差要求，基于遗传过程的适应值对应的染色体输出第一计算结果。
33.根据第二方面，本发明实施例提供了一种综合能源系统成本计算装置，所述装置包括：
34.第一构建模块，用于基于设备容量以及数量，构建综合能源系统的第一目标模型；所述第一目标模型用于输出综合能源系统规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制变量；
35.第二构建模块，用于基于需求响应，构建综合能源系统的第二目标模型；第二目标模型用于输出综合能源系统运行阶段的最小化运行成本；
36.第三构建模块，用于基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型；电动汽车运行模型用于表征电动汽车对应于综合能源系统规划以及运行阶段的不确定性；
37.设备约束模块，用于基于综合能源系统的规划阶段与运行阶段，建立综合能源系统中各设备的约束；所述约束包括电动汽车运行约束、能量交换与供给上下限约束、储能设备能量约束以及负荷供需平衡约束，且，所述约束中具有二进制变量；
38.成本计算模块，用于基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果；所述第一目标模型是根据连续和离散混合编码遗传算法进行计算的，所述第二目标模型是根据需求响应算法进行计算的。
39.根据第三方面，本发明实施例提供了一种综合能源系统，所述系统包括：
40.输入侧、输出侧、能源设备以及能源中心；所述能源设备包括热电联产单元、锅炉、电热器、电储能设备、热储能设备、电热泵、吸收式冷冻机以及电动汽车；
41.所述输入侧包括电网络、天然气网络以及可再生能源系统，所述输出侧包括电负荷、冷负荷以及热负荷；
42.电网络、可再生能源系统、热电联产单元、电储能设备以及电动汽车参与电负荷的供给与平衡过程，天然气网络、锅炉、热电联产单元、电热器、热储能设备和电热泵参与热负荷的供给与平衡过程，天然气网络、锅炉、热电联产单元、电热器、热储能设备以及吸收式冷冻机参与冷负荷的供给与平衡过程；
43.所述系统中的各个设备通过所述能源中心进行设备之间的能量耦合与转换。
44.根据第四方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面中任一项优选实施例所述综合能源系统成本计算方法。
45.根据第五方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述综合能源系统成本计算方法的步骤。
46.本发明的综合能源系统成本计算方法、装置及综合能源系统，对于综合能源系统的规划和运行两阶段进行了优化，并分别建立了规划阶段的第一目标模型和运行阶段的第二目标模型，并且在综合能源系统规划和运行优化过程中考虑到电动汽车单元的不确定性，通过概率分布函数刻画电动汽车的随机性行为，提高第一以及第二目标模型的可靠性，在第一目标模型中进入二进制变量并且建立连续和离散混合编码遗传算法来进行计算，同
时在第二目标模型的计算过程中结合需求响应机制，从而降低综合能源系统的运行成本，通过本发明提供的综合能源系统成本计算方法，能够进行综合能源系统成本的优化以及对应的计算，为电动汽车大规模接入综合能源系统并进一步挖掘电动汽车虚拟储能特性参与调度提供有效参考。
附图说明
47.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
48.图1示出了本发明提供的综合能源系统的结构示意图；
49.图2示出了本发明提供的综合能源系统成本计算方法的流程示意图；
50.图3示出了本发明提供的综合能源系统成本计算方法中步骤s30的流程示意图；
51.图4示出了本发明提供的综合能源系统成本计算方法中步骤s50的流程示意图；
52.图5示出了本发明提供的综合能源系统成本计算方法中步骤s53的流程示意图之一；
53.图6示出了本发明提供的综合能源系统成本计算方法中步骤s53的流程示意图之二；
54.图7示出了本发明提供的实时节能的移动通信装置的结构示意图；
55.图8示出了本发明提供的实时节能的移动通信方法的电子设备的结构示意图。
具体实施方式
56.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
57.需求响应(demand response，dr)应用价格信号或者激励机制引导用户改变电力消费行为，从而提高用户需求弹性，在一定程度上可以缓解电网的供需压力，同时在综合能源系统的规划与运行过程中起着不可忽视的作用。因此，针对需求侧管理提出的算法和dr业务可以有效唤醒需求侧灵活资源从而提高消费者在能源运行系统中的价值与地位。
58.为了解决上述问题，在本实施例中提供了一种综合能源系统，如图1所示，示例的，该综合能源系统包括输入侧、输出侧、能源设备以及能源集线器/能源中心，输入侧包括电网络、天然气网络和可再生能源系统(renewable energy system，res)即包含了多种的能源输入端，输出侧包括电负荷、冷负荷以及热负荷。其中，电网络、res、热电联产单元(combined heat and power units,chp units)、电储能设备以及ev将参与电负荷的供给与平衡过程，天然气网络、锅炉(boiler)、chp units、电热器(electric heater，eh)、热储能(thermal storage，ts)设备和电热泵(electric heat pump，ehp)将满足热负荷的需求，天然气网络、锅炉(boiler)、chp units、电热器、ts设备以及吸收式冷冻机(absorption chiller，ac)负责满足冷负荷需求。ies中的设备通过能源集线器/能源中心(energy hub，eh)实现各个设备之间的能量耦合与转换，同时ev作为一种随机性强的不确定性电负荷。可以理解的是，图1所示的ies为电/热/冷ies。
59.图2是根据本发明实施例的综合能源系统成本计算方法的流程示意图，本发明实施例的综合能源系统成本计算方法可用于电子设备中，电子设备包括但不局限于电脑、移动终端等，该方法旨在最优化各设备容量和数量使得投资成本最小化以及最小化运行成本，即，实现ies规划阶段最小化投资成本以及ies运行阶段最小化运行成本。如图2所示，该方法包括如下步骤：
60.s10、基于设备容量以及数量，构建ies的第一目标模型。在本发明实施例中，第一目标模型用于输出ies规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制变量(0-1二进制变量)，即，第一目标模型中加入了0-1二进制变量。
61.第一目标模型侧重于ies的规划问题，即，在步骤s10中构建的第一目标模型用于最优化设备容量和数量的情况下最小化ies规划阶段的初始投资成本。
62.在第一目标模型中引入二进制变量(0-1二进制变量)，使得该第一目标模型同时具有连续和离散变量，最后建立连续和离散混合编码遗传算法(hybrid real and binary coded genetic algorithm，hrbc-ga)来实现第一目标模型的求解。
63.s20、基于价格型需求响应(price-based demand response，pdr)和激励性需求响应(incentive-based demand response，idr)，构建ies的第二目标模型。在本发明实施例中，第二目标模型用于输出ies运行阶段的最小化运行成本。
64.第二目标模型侧重于ies的运行问题，即，在步骤s20中构建的第二目标模型用于基于pdr以及idr算法最小化ies运行阶段的运行成本。
65.s30、基于ev的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的ev运行模型。在本发明实施例中，ev运行模型用于表征ev对应于ies规划以及运行阶段的不确定性，即ev运行模型可以用来表征第一目标模型的不确定性以及第二目标模型的不确定性。
66.考虑到ev的日益普及以及ev的不确定性会对ies的规划和运行的可靠性和安全性带来影响，在步骤s30中，通过概率分布函数刻画ev的不确定性，以此提高步骤s10建立的第一目标模型以及步骤s20建立的第二目标模型的有效性。
67.s40、基于ies的规划阶段与运行阶段，建立ies中各设备的约束。在本发明实施例中，上述的约束包括ev运行约束、能量交换与供给上下限约束、电/热储能设备能量约束以及电/热/冷负荷供需平衡约束，以此建立各设备运行和eh状态约束，且，约束中具有二进制变量。
68.需要说明的是，部分约束中也具有二进制变量(0-1二进制变量)，二进制变量使得对应的模型同时具有连续和离散变量。
69.其中，考虑到ev运行优化过程以及为了进一步利用负荷侧灵活性资源，在本发明实施例中通过需求响应算法实现负荷灵活调控，dr参与者可以在峰时有意减少适当负荷，而在其它时段增加负荷需求，实现负荷转移以获取部分奖励，但是用户在参与需求响应业务时，其可响应的负荷调整范围存在一定的限制，因此建立了负荷约束。
70.s50、基于ev运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果，其中，第一目标模型是根据hrbc-ga进行计算的，第二目标模型是根据dr算法(包括了pdr以及idr)进行计算的。
71.针对需求侧管理提出的dr算法以及业务可以有效唤醒需求侧灵活资源从而提高
消费者在能源运行系统中的价值与地位，dr应用价格信号或者激励机制引导用户改变电力消费行为，从而提高用户需求弹性，在一定程度上可以缓解电网的供需压力，同时在ies的规划与运行过程中起着不可忽视的作用。
72.更具体的，对于ies中evs的不确定性，通过ev运行模型来刻画其随机性和不确定性，对于第一目标模型以及各设备约束中存在的0-1二进制变量，通过hrbc-ga进行计算，确保计算的结果更加准确有效。
73.本发明的提供的综合能源系统成本计算方法，对于综合能源系统ies的规划和运行两阶段进行了优化，并分别建立了规划阶段的第一目标模型和运行阶段的第二目标模型，并且在ies规划和运行优化过程中考虑到evs单元的不确定性，通过概率分布函数刻画ev的随机性行为，提高第一以及第二目标模型的可靠性，在第一目标模型中进入二进制变量并且建立连续和离散混合编码遗传算法来进行计算，同时在第二目标模型的计算过程中结合dr机制，从而降低ies的运行成本，通过本发明提供的综合能源系统成本计算方法，能够进行ies成本的优化以及对应的计算，为电动汽车大规模接入综合能源系统并进一步挖掘电动汽车虚拟储能特性参与调度提供有效参考。
74.具体的，步骤s10中构建ies长时间尺度规划目标函数即第一目标模型，第一目标模型其目的在于最优化设备容量和数量的情况下最小化初始投资成本，第一目标模型如下：
[0075][0076][0077]
0≤b
eq
≤1
[0078]
其中，icoc
eh
表示eh的初始投资成本；ir表示年利率；h
eq
表示设备使用寿命；表示设备的容量建设成本；表示设备的单位容量建设成本；表示设备eq的装机容量；表示设备eq的装机容量；b
eq
表示0-1二进制变量，具体的为ies规划阶段的0-1二进制决策变量；t表示一天内的调度时间，且最多为24h；c表示所有设备eq的集合。
[0079]
步骤s20中构建ies运行目标函数即第二目标模型，第二目标模型其目的在于基于pdr以及idr算法最小化运行成本，第二目标模型如下：
[0080][0081]
[0082][0083][0084][0085][0086][0087][0088][0089][0090]
其中，omc
eh
表示eh的初始运行成本；ρ(s)表示场景s的概率；d(se)表示季节se的天数，因此，即表示一年的天数；表示eh在场景s时刻t向电网络购买功率的成本；表示res设备的运行成本；表示chp设备的运行成本；表示boiler设备的运行成本；表示电储能设备和热储能设备的运行成本；表示碳排放成本；表示实施pdr以及idr业务的成本；表示未能满足部分负荷需求的成本；表示ev的运行成本；表示电网络卖给eh单位功率的电价；表示eh反送给电网络单位功率电能的价格；表示eh在场景s时刻t向电网络购买的电功率；表示eh在场景s时刻t向电网络反送的电功率；λ
res
表示res设备消耗的单位天然气的成本；λg表示chp设备以及boiler设备消耗的单位天然气的成本；表示res设备消耗的天然气量；表示chp设备消耗的天然气量；表示boiler设备消耗的天然气量；表示电储能设备的运行损耗成本；表示热储能设备的运行损耗成本；表示电储能设备在场景s时刻t的充电功率；表示电储能设备在场景s时刻t的放电功率；表示热储
能设备在场景s时刻t的充热功率；表示热储能设备在场景s时刻t的放热功率；λ
em
表示碳排放处理成本；表示chp设备的碳排放系数；表示boiler设备的碳排放系数；表示pdr以及idr业务结算时的价格；表示热负荷或者电负荷在场景s时刻t符合上调的功率；表示热负荷或者电负荷在场景s时刻t符合削减的功率；λ
uec
为用户缺额负荷单位补偿价格；p
uec
表示用户负荷缺额；表示ev向eh买电的单位功率的价格；表示ev向eh送电的单位功率的价格；表示ev在场景s时刻t向eh购买的电功率；表示ev在场景s时刻t向eh反送的电功率。
[0091]
下面结合图3对本发明实施例提供的综合能源系统成本计算方法进行描述，步骤s30具体包括：
[0092]
s31、基于ev和eh相连并且开始充放电的阶段，利用概率分布函数构建第一运行模型。
[0093]
具体的，第一运行模型如下：
[0094][0095]
s32、基于eh行驶的阶段，利用概率分布函数构建第二运行模型。
[0096]
具体的，第二运行模型如下：
[0097][0098]
s33、基于eh未和eh相连并且结束充放电的阶段阶段，利用概率分布函数构建第三运行模型。
[0099]
具体的，第三运行模型如下：
[0100][0101]
其中，第一、第二和第三运行模型中t均需要大于0，α、β、其中，第一、第二和第三运行模型中t均需要大于0，α、β、以及均为经验常数；ta表示ev和eh相连并且开始充电或放电的时间；dh表示ev在24h内行使的里程；td表示ev未与eh连接并且结束充电或放电过程的时间。
[0102]
优选的，α、β、以及分别取值为7.6745、21.3812、17.27、0.8483、-0.0607、17.6568、7.1222以及-0.0523。
[0103]
步骤s40中，ev运行约束对应的第一约束模型如下：
[0104][0105][0106][0107][0108][0109][0110][0111]
其中，η
ev,ch
表示ev的充电效率；η
ev,dis
表示ev的放电效率；表示ev在场景s时刻t充电的功率；表示ev在场景s时刻t放电的功率；为场景s时刻t充电桩向ev的充电功率；表示ev在场景s时刻t-1的电池容量；表示ev在场景s时刻t的电池容量；e
ev-min
表示ev电池容量的下限；e
ev-max
表示ev电池容量的上限；表示场景s时刻t电动汽车储能的荷电状态；soc
min
表示ev储能的荷电状态下限；soc
max
表示ev储能的荷电状态上限。
[0112]
能量交换与供给上下限约束对应的第二约束模型如下：
[0113][0114][0115][0116][0117]
其中，p
e-min
(t,s)表示电网络和eh之间的功率传输下限；p
e-max
(t,s)表示电网络和eh之间的功率传输上限；为0-1二进制变量，为1时表示eh在场景s时刻t向电网络买电；为0-1二进制变量，为1时表示eh在场景s时刻t向电网络反送电；表示chp设备或者boiler设备在场景s时刻t从天然气源处购买的气功率；p
g-min
表示天然气可传输的功率传输下限；p
g-max
表示天然气可传输的功率传输上限。
[0118]
需要说明的是，和需要满足相应的约束，限制在同一时刻，电网和eh之间只能单向传输。
[0119]
电/热储能设备能量约束对应的第三约束模型如下：
[0120][0121][0122][0123][0124][0125][0126][0127][0128]
其中，表示电储能设备或者热储能设备在场景s时刻t-1的储能容量；表示电储能设备或者热储能设备在场景s时刻t的储能容量；表示电储能设备或者热储能设备的充电效率；表示电储能设备或者热储能设备的放电效率；表示电储能设备或者热储能设备在场景s时刻t的充电功率；表示电储能设备或者热储能设备在场景s时刻t的放电功率；表示电储能设备或者热储能设备在场景s时刻t的能量损失表示最大充放能功率和容量之间折算效率的下限；表示最大充放能功率和容量之间折算效率的上限；表示电储能设备或热储能设备最大充放能功率；表示电储能设备或热储能设备的能量损失系数；为储能充放电状态的0-1二进制变量，为1时表示电储能设备或者热储能设备此刻在充电；为储能充放电状态的0-1二进制变量，为1时表示电储能设备或者热储能设备此刻在放电。
[0129]
需要说明的是，和需要满足相应的约束，限制在同一时刻，储能设备不得同时进行充放电操作。
[0130]
电/热/冷负荷供需平衡约束对应的第四约束模型如下：
[0131][0132][0133][0134]
其中，pe(t,s)表示在场景s时刻t的电负荷；p
th
(t,s)表示在场景s时刻t的热负荷；pc(t,s)表示在场景s时刻t的冷负荷；表示eh和电网络之间的传输效率；表示eh在场景s时刻t向电网络送电的功率；表示eh在场景s时刻t向电网络买电的功率；表示ehp设备电转热的效率；表示ehp设备电转冷效率；表示ehp设备在场景s时刻t的产热功率；表示ehp设备在场景s时刻t的产电功率；表示电热器在场景s时刻t的电功率；表示chp设备的产电效率；表示在场景s时刻t的产电功率；表示新能源等可再生能源的转换效率；表示新能源等可再生能源在场景s时刻t的产电功率；表示电负荷参与dr业务后转移到本时刻的负荷；表示热负荷参与dr业务后转移到本时刻的负荷；表示冷负荷参与dr业务后转移到本时刻的负荷；表示电负荷参与dr业务后削减的负荷；表示热负荷参与dr业务后削减的负荷；表示冷负荷参与dr业务后削减的负荷；表示热储能设备在场景s时刻t的充电功率；表示热储能设备在场景s时刻t的放电功率；表示吸收式制冷机在场景s时刻t的负荷；表示chp设备的气转热效率；表示boiler设备的气转热效率；表示chp设备的产热效率；表示boiler设备的产热效率；表示电热器的电转热效率；表示吸收式制冷机的热转冷效率；表示吸收式制冷机在场景s时刻t的功率；p
uec
(t,s)表示场景s时刻用t户负荷缺额；
表示电储能设备在场景s时刻t的充电功率；表示电储能在场景s时刻t的放电功率。
[0135]
可以看出，第三约束模型中的三个等式中第一个等式表示的是电负荷供需平衡，第二个等式表示的是热负荷供需平衡，第三个等式表示的是为冷负荷供需平衡。
[0136]
为了进一步利用负荷侧灵活性资源，加入需求响应算法实现负荷灵活调控，dr参与者可以在峰时有意减少适当负荷，而在其它时段增加负荷需求，实现负荷转移以获取部分奖励，但是用户在参与需求响应业务时，其可响应的负荷调整范围存在一定的限制，本发明实施例中会对可调节负荷进行相应的约束，对可调节负荷约束建立的第五约束模型如下：
[0137]
1)用户在价格信号下可调整负荷约束，即，用户参与idr业务可转移负荷约束：
[0138][0139][0140][0141][0142]
其中，dpr
sh-up
表示参与idr业务负荷可增加率；dpr
sh-down
表示参与idr业务负荷可削减加率；为0-1二进制变量，为1时表示参与idr业务负荷正在增加；为0-1二进制变量，为1时表示参与idr业务负荷正在削减。
[0143]
需要说明的是，和需要满足相应的约束，使得参与idr业务的用户在同一时刻负荷只能增加或削减。
[0144]
用户参与idr业务可转移负荷约束中第一个等式表示的是一个调度日内，参与idr业务的用户负荷需求总量不变，只是实现负荷在时段上的平移。
[0145]
2)用户在激励机制下可调整负荷约束，即，用户参与pdr业务可移负荷约束：
[0146][0147][0148]
其中，表示用户在价格信号下增加的负荷；表示用户在价格信号下削减的负荷；ξ
up
表示参与pdr业务实施增加负荷时段的价格-功率转化系数；
ξ
down
表示参与pdr业务实施削减负荷时段的价格-功率转化系数；表示的是参与pdr业务的实施价格；表示的是参与pdr业务的基准价格。
[0149]
用户参与pdr业务可转移负荷约束中第一个等式表示的是一个调度日内，参与pdr业务的用户负荷需求总量不变，只是实现负荷在时段上的平移。
[0150]
下面结合图4对本发明实施例提供的综合能源系统成本计算方法进行描述，步骤s50具体包括：
[0151]
s51、获取初始化数据，初始化数据即为待求解的数据。
[0152]
s52、基于电动汽车运行模型以及各设备的约束，初始化规划场景和运行场景。
[0153]
s53、将初始化数据输入至第一目标模型中，并基于hrbc-ga进行第一目标模型的计算，得到第一计算结果；
[0154]
s54、基于第一计算结果，将初始化数据输入至第二目标模型中，并基于dr算法进行第二目标模型的计算，得到第二计算结果。
[0155]
基于dr算法考虑电动汽车不确定特的综合能源系统规划和运行两阶段，构建长时间尺度的第一目标模型和短时间尺度的第二优化模型，规划阶段侧重于各设备容量和数量的确定，以初始投资成本最小为目标；第二阶段侧重于运行优化，以运行成本最小为目标，在运行过程中，考虑到dr算法，以进一步利用负荷灵活资源。考虑到电动汽车的广泛使用，本方法在规划和运行模型中，利用随机分布函数来刻画电动汽车的不确定性，进一步提高规划模型的可靠性。
[0156]
对于第一目标模型以及各种约束中引入了0-1二进制变量，使得模型和约束同时具有连续和离散变量，在本发明实施例中建立hrbc-ga来实现问题的求解。下面结合图5对本发明实施例提供的综合能源系统成本计算方法进行描述，步骤s53具体包括：
[0157]
s5301、获取具有预设染色体规模的初始化种群，即初始化种群，例如预设染色体规模为n。在本实施例中，初始化种群中染色体每个基因的值可以采用随机生成的方式生成并满足待求解的第一目标模型所定义的范围，此时当前进化代数generation＝0。
[0158]
s5302、对初始化种群中的染色体进行编码。优选的，在本发明实施例中采用二进制编码/连续数编码的方式对染色体进行编码，即，用一串二进制代码来表示变量或者以一串连续数来表示变量。染色体具有预设数量的编码单元，每个编码单元即为染色体的基因。采用生成随机数的方法对初始化种群中编码后染色体的每一维变量进行(初始化)赋值，并且在初始化赋值染色体时必须注意染色体是否满足第一目标模型对有效解的定义，能够在进化开始时保证初始的种群已经是一定程度上的优良种群的话，将能够有效提高算法找到全局最优解的能力。
[0159]
s5303、采用评估函数对初始化种群中所有染色体进行评价，分别计算每个染色体对应的适应值，确定初始化种群中适应值最大的染色体best，并且将染色体bes对应的最大适应值确定为遗传过程的适应值。
[0160]
在hrbc-ga中适应值越大的染色体越优，对种群中所有染色体进行评价，可以区分染色体的优劣。
[0161]
s5304、采用选择算子例如轮盘赌选择算法对初始化种群中的染色体进行选择操作，产生染色体规模同样为n的父体种群，例如第一次选择操作是从染色体规模为5的选择
了编号为2的染色体作为该父体种群编号为1的染色体。可以理解的是，第一次生成的父体种群即为第一进化代父体种群。
[0162]
具体的，选择操作是在选择更好的解决方案和逐步淘汰不好的解决方案的基础上解决规划问题，使用选择算子生成每一次进化代所需的父体种群。
[0163]
s5305、按照预设交叉概率从该种群中选择染色体进行交叉(交配)，这两个染色体即为父代染色体，每两个进行交配的(父代)染色体按照预设交叉方案交换基因，例如交叉部分的基因，进而产生两个新的子代染色体，子代染色体取代父代染色体进入新的种群，新的种群为子代种群，同时，未进行交叉的染色体也会直接复制进入新种群即子代种群中。可以理解的是，第一次交叉即第一次进化代时的交叉过程产生的子代种群为第一进化代子代种群。
[0164]
在染色体交叉阶段，每个染色体能否进行交配由交配概率决定，即每两个按照预设交叉概率选择出来的染色体进行交配，经过交换各自的部分基因，产生两个新的子代染色体，具体操作是随机产生一个有效的交叉位置，染色体交换位于该交叉位置后的所有基因。
[0165]
例如，一串二进制变量编码的交叉节点和交叉是否成功都存在一定的概率。在这个运算过程中，从生成的总体中随机选择两个父个体，再在各个父个体中随机选择一个节点，以一定的概率实现是否交叉。
[0166]
s5306、按照变异概率对子代种群中染色体的基因进行变异操作，发生变异的基因数值发生改变，得到变异染色体，变异染色体取代原有的子代染色体进入新种群，新的种群为变异种群，同时，未发生变异的染色体直接进人新种群。可以理解的是，第一次交叉即第一次进化代时的交叉过程产生的子代种群为第一进化代子代种群。可以理解的是，第一次变异即第一次进化代时的变异过程产生的变异种群为第一进化代变异种群。
[0167]
对于染色体二进制编码方式，变异过程将是从
‘0’
转换成
‘1’
，反之亦然；对于染色体连续型编码方式，对于任意正实数η，且随机变量v定义在概率范围[0,1]之间，则变异可以定义为：
[0168][0169][0170]
其中，q
it
介于范围内的任一连续性变量；的取值由p(ω)＝0.5(η+1)(1-|ω|)
η
决定。
[0171]
s5307、变异种群取代原有的子代种群﹐重新计算变异种群中各个染色体的适应值，确定变异种群中适应值最大的染色体，该染色体对应的适应值即为变异种群对应的最大适应值，并确定变异种群对应的最大适应值是否大于遗传过程的适应值。
[0172]
s5308、若变异种群的最大适应值大于之前染色体best的适应值，则以该最大适应值对应的染色体替代染色体best的适应值，即，将变异种群的最大适应值重新确定为遗传过程的适应值。
[0173]
s5309、当前进化代数generation加1，如果进化代数超过预设进化代数，停止hrbc-ga，基于遗传过程的适应值对应的染色体输出第一计算结果。否则重复步骤s5304至步骤s5309，直至能够输出第一计算结果。
[0174]
作为本发明实施例的另一些可选实施方式，终止hrbc-ga的条件不仅可以是进化代数超过预设进化代数还可以是遗传过程的适应值达到规定的误差要求。下面结合图5对本发明实施例提供的综合能源系统成本计算方法进行描述，步骤s53具体包括：
[0175]
s5307、变异种群取代原有的子代种群﹐重新计算变异种群中各个染色体的适应值，确定变异种群中适应值最大的染色体，该染色体对应的适应值即为变异种群对应的最大适应值，并确定变异种群对应的最大适应值是否大于遗传过程的适应值。
[0176]
s5308、若变异种群的最大适应值大于之前染色体best的适应值，则以该最大适应值对应的染色体替代染色体best的适应值，即，将变异种群的最大适应值重新确定为遗传过程的适应值。
[0177]
s5310、确定遗传过程的适应值是否达到预设的误差要求，若达到预设的误差要求，基于遗传过程的适应值对应的染色体输出第一计算结果。否则重复步骤s5304至步骤s5308以及步骤s5310，直至能够输出第一计算结果。
[0178]
下面对本发明实施例提供的综合能源系统成本计算装置进行描述，下文描述的综合能源系统成本计算装置与上文描述的综合能源系统成本计算方法可相互对应参照。
[0179]
图7是根据本发明实施例的综合能源系统成本计算装置的结果示意图，本发明实施例的综合能源系统成本计算装置可用于电子设备中，电子设备包括但不局限于电脑、移动终端等，该装置旨在最优化各设备容量和数量使得投资成本最小化以及最小化运行成本，即，实现ies规划阶段最小化投资成本以及ies运行阶段最小化运行成本。如图2所示，该装置包括：
[0180]
第一构建模块10，用于基于设备容量以及数量，构建ies的第一目标模型。在本发明实施例中，第一目标模型用于输出ies规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制变量(0-1二进制变量)，即，第一目标模型中加入了0-1二进制变量。
[0181]
第一目标模型侧重于ies的规划问题，即，在第一构建模块10中构建的第一目标模型用于最优化设备容量和数量的情况下最小化ies规划阶段的初始投资成本。
[0182]
在第一目标模型中引入二进制变量(0-1二进制变量)，使得该第一目标模型同时具有连续和离散变量，最后建立hrbc-ga来实现第一目标模型的求解。
[0183]
第二构建模块20，用于基于pdr和idr，构建ies的第二目标模型。在本发明实施例中，第二目标模型用于输出ies运行阶段的最小化运行成本。
[0184]
第二目标模型侧重于ies的运行问题，即，在第二构建模块20中构建的第二目标模型用于基于pdr以及idr算法最小化ies运行阶段的运行成本。
[0185]
第三构建模块30，用于基于ev的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的ev运行模型。在本发明实施例中，ev运行模型用于表征ev对应于ies规划以及运行阶段的不确定性，即ev运行模型可以用来表征第一目标模型的不确定性
以及第二目标模型的不确定性。
[0186]
考虑到ev的日益普及以及ev的不确定性会对ies的规划和运行的可靠性和安全性带来影响，在步骤s30中，通过概率分布函数刻画ev的不确定性，以此提高第一构建模块10建立的第一目标模型以及第二构建模块20建立的第二目标模型的有效性。
[0187]
设备约束模块40，用于基于ies的规划阶段与运行阶段，建立ies中各设备的约束。在本发明实施例中，上述的约束包括ev运行约束、能量交换与供给上下限约束、电/热储能设备能量约束以及电/热/冷负荷供需平衡约束，以此建立各设备运行和eh状态约束。
[0188]
需要说明的是，部分约束中也具有二进制变量(0-1二进制变量)，二进制变量使得对应的模型同时具有连续和离散变量。
[0189]
其中，考虑到ev运行优化过程以及为了进一步利用负荷侧灵活性资源，在本发明实施例中通过需求响应算法实现负荷灵活调控，dr参与者可以在峰时有意减少适当负荷，而在其它时段增加负荷需求，实现负荷转移以获取部分奖励，但是用户在参与需求响应业务时，其可响应的负荷调整范围存在一定的限制，因此建立了负荷约束。
[0190]
成本计算模块50，用于基于ev运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果，其中，第一目标模型是根据hrbc-ga进行计算的，第二目标模型是根据dr算法(包括了pdr以及idr)进行计算的。
[0191]
针对需求侧管理提出的dr算法以及业务可以有效唤醒需求侧灵活资源从而提高消费者在能源运行系统中的价值与地位，dr应用价格信号或者激励机制引导用户改变电力消费行为，从而提高用户需求弹性，在一定程度上可以缓解电网的供需压力，同时在ies的规划与运行过程中起着不可忽视的作用。
[0192]
更具体的，对于ies中evs的不确定性，通过ev运行模型来刻画其随机性和不确定性，对于第一目标模型以及各设备约束中存在的0-1二进制变量，通过hrbc-ga进行计算，确保计算的结果更加准确有效。
[0193]
本发明的提供的综合能源系统成本计算装置，对于综合能源系统ies的规划和运行两阶段进行了优化，并分别建立了规划阶段的第一目标模型和运行阶段的第二目标模型，并且在ies规划和运行优化过程中考虑到evs单元的不确定性，通过概率分布函数刻画ev的随机性行为，提高第一以及第二目标模型的可靠性，在第一目标模型中进入二进制变量并且建立连续和离散混合编码遗传算法来进行计算，同时在第二目标模型的计算过程中结合dr机制，从而降低ies的运行成本，通过本发明提供的综合能源系统成本计算方法，能够进行ies成本的优化以及对应的计算，为电动汽车大规模接入综合能源系统并进一步挖掘电动汽车虚拟储能特性参与调度提供有效参考。
[0194]
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行综合能源系统成本计算方法，该方法包括：
[0195]
基于设备容量以及数量，构建综合能源系统的第一目标模型；所述第一目标模型用于输出综合能源系统规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制
变量；
[0196]
基于需求响应，构建综合能源系统的第二目标模型；第二目标模型用于输出综合能源系统运行阶段的最小化运行成本；
[0197]
基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型；电动汽车运行模型用于表征电动汽车对应于综合能源系统规划以及运行阶段的不确定性；
[0198]
基于综合能源系统的规划阶段与运行阶段，建立综合能源系统中各设备的约束；所述约束包括电动汽车运行约束、能量交换与供给上下限约束、电/热储能设备能量约束以及电/热/冷负荷供需平衡约束；
[0199]
基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果；所述第一目标模型是根据连续和离散混合编码遗传算法进行计算的，所述第二目标模型是根据需求响应算法进行计算的。
[0200]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

技术特征：
1.一种综合能源系统成本计算方法，其特征在于，所述方法包括：基于设备容量以及数量，构建综合能源系统的第一目标模型；所述第一目标模型用于输出综合能源系统规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制变量；基于需求响应，构建综合能源系统的第二目标模型；第二目标模型用于输出综合能源系统运行阶段的最小化运行成本；基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型；电动汽车运行模型用于表征电动汽车对应于综合能源系统规划以及运行阶段的不确定性；基于综合能源系统的规划阶段与运行阶段，建立综合能源系统中各设备的约束；所述约束包括电动汽车运行约束、能量交换与供给上下限约束、储能设备能量约束以及负荷供需平衡约束，且，所述约束中具有二进制变量；基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果；所述第一目标模型是根据连续和离散混合编码遗传算法进行计算的，所述第二目标模型是根据需求响应算法进行计算的。2.根据权利要求1所述的综合能源系统成本计算方法，其特征在于，所述基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型，具体包括：基于电动汽车和能源中心相连并且开始充放电的阶段，利用概率分布函数构建第一运行模型；基于电动汽车行驶的阶段，利用概率分布函数构建第二运行模型；基于电动汽车未和能源中心相连并且结束充放电的阶段阶段，利用概率分布函数构建第三运行模型。3.根据权利要求1所述的综合能源系统成本计算方法，其特征在于，所述约束还包括对可调节负荷约束。4.根据权利要求1所述的综合能源系统成本计算方法，其特征在于，所述基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果，具体包括：获取初始化数据；基于电动汽车运行模型以及各设备的约束，初始化规划场景和运行场景；将所述初始化数据输入至所述第一目标模型中，并基于连续和离散混合编码遗传算法进行所述第一目标模型的计算，得到所述第一计算结果；基于所述第一计算结果，将所述初始化数据输入至所述第二目标模型中，并基于需求响应算法进行所述第二目标模型的计算，得到所述第二计算结果。5.根据权利要求4所述的综合能源系统成本计算方法，其特征在于，所述将所述初始化数据输入至所述第一目标模型中，并基于连续和离散混合编码遗传算法进行所述第一目标模型的计算，得到所述第一计算结果，具体包括：获取具有预设染色体规模的初始化种群；对初始化种群中的染色体进行编码，并对编码后染色体的每一维变量进行赋值；
对初始化种群中所有染色体进行评价，确定初始化种群中每个染色体对应的适应值，并将初始化种群对应的最大适应值确定为遗传过程的适应值；对初始化种群中的染色体进行选择操作，生成与初始化种群同等规模的父体种群；所述父代种群中的染色体为父代染色体；按照预设交叉概率从父代种群中选择父代染色体进行交叉，每两个进行交叉的父代染色体按照预设交叉方案交换基因，生成两个新的子代染色体，并将子代染色体以及未进行交叉的父代染色体确定为子代种群；按照变异概率对子代种群中染色体的基因进行变异操作，得到变异染色体，并将变异染色体以及未发生变异的染色体确定为变异种群；确定变异种群中每个染色体对应的适应值，得到变异种群对应的最大适应值，并确定变异种群对应的最大适应值是否大于遗传过程的适应值；确定大于遗传过程的适应值，将变异种群对应的最大适应值确定为遗传过程的适应值；确定进化代数是否超过预设进化代数，若确定超过预设进化代数，基于遗传过程的适应值对应的染色体输出第一计算结果。6.根据权利要求4所述的综合能源系统成本计算方法，其特征在于，所述将所述初始化数据输入至所述第一目标模型中，并基于连续和离散混合编码遗传算法进行所述第一目标模型的计算，得到所述第一计算结果，还具体包括：确定遗传过程的适应值是否达到预设的误差要求，若确定达到预设的误差要求，基于遗传过程的适应值对应的染色体输出第一计算结果。7.一种综合能源系统成本计算装置，其特征在于，所述装置包括：第一构建模块，用于基于设备容量以及数量，构建综合能源系统的第一目标模型；所述第一目标模型用于输出综合能源系统规划阶段的最小化初始投资成本，且，第一目标模型中具有二进制变量；第二构建模块，用于基于需求响应，构建综合能源系统的第二目标模型；第二目标模型用于输出综合能源系统运行阶段的最小化运行成本；第三构建模块，用于基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型；电动汽车运行模型用于表征电动汽车对应于综合能源系统规划以及运行阶段的不确定性；设备约束模块，用于基于综合能源系统的规划阶段与运行阶段，建立综合能源系统中各设备的约束；所述约束包括电动汽车运行约束、能量交换与供给上下限约束、储能设备能量约束以及负荷供需平衡约束，且，所述约束中具有二进制变量；成本计算模块，用于基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果；所述第一目标模型是根据连续和离散混合编码遗传算法进行计算的，所述第二目标模型是根据需求响应算法进行计算的。8.一种综合能源系统，其特征在于，所述系统包括：输入侧、输出侧、能源设备以及能源中心；所述能源设备包括热电联产单元、锅炉、电热器、电储能设备、热储能设备、电热泵、吸收式冷冻机以及电动汽车；
所述输入侧包括电网络、天然气网络以及可再生能源系统，所述输出侧包括电负荷、冷负荷以及热负荷；电网络、可再生能源系统、热电联产单元、电储能设备以及电动汽车参与电负荷的供给与平衡过程，天然气网络、锅炉、热电联产单元、电热器、热储能设备和电热泵参与热负荷的供给与平衡过程，天然气网络、锅炉、热电联产单元、电热器、热储能设备以及吸收式冷冻机参与冷负荷的供给与平衡过程；所述系统中的各个设备通过所述能源中心进行设备之间的能量耦合与转换。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述综合能源系统成本计算方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述综合能源系统成本计算的步骤。

技术总结
本发明公开了一种综合能源系统成本计算方法、装置及综合能源系统，涉及电动汽车技术领域，该方法包括：基于设备容量以及数量，构建综合能源系统的第一目标模型；基于需求响应，构建综合能源系统的第二目标模型；基于电动汽车的不同运行阶段，利用概率分布函数构建第一目标模型以及第二目标模型的电动汽车运行模型；建立综合能源系统中各设备的约束；基于电动汽车运行模型以及各设备的约束，确定第一目标模型输出的第一计算结果，并基于第一计算结果确定第二目标模型输出的第二计算结果。本发明能够进行综合能源系统成本的优化以及对应的计算，为电动汽车大规模接入综合能源系统并进一步挖掘电动汽车虚拟储能特性参与调度提供有效参考。供有效参考。供有效参考。


技术研发人员：沈增祥 陈飘 钟灵军
受保护的技术使用者：杭州鸿晟电力设计咨询有限公司
技术研发日：2023.06.03
技术公布日：2023/9/12