譚智鋼， 程 靜,2*， 王維慶,2

(1.新疆大學(xué)電氣工程學(xué)院， 烏魯木齊 830047； 2.可再生能源并網(wǎng)與控制技術(shù)教育部工程中心， 烏魯木齊 830047)

微網(wǎng)系統(tǒng)作為一種清潔高效的發(fā)電系統(tǒng)，近年來受到密切關(guān)注。微網(wǎng)系統(tǒng)模型可分為并網(wǎng)型微網(wǎng)系統(tǒng)、孤島型微網(wǎng)系統(tǒng)和冷熱電聯(lián)供型微網(wǎng)系統(tǒng)。并網(wǎng)型微網(wǎng)系統(tǒng)作為一種基礎(chǔ)的類型，可滿足區(qū)域內(nèi)單一負(fù)荷類型的需求，難以同時(shí)滿足多種負(fù)荷類型的需求，孤島型微網(wǎng)系統(tǒng)由于受到地理位置等環(huán)境因素的限制，難以在大范圍內(nèi)推廣使用，冷熱電聯(lián)供型微網(wǎng)(combined cooling heating and power，CCHP)[1-2]綜合了并網(wǎng)型微網(wǎng)模型與電網(wǎng)進(jìn)行交互的優(yōu)點(diǎn)，而且克服了孤島型微網(wǎng)受地理環(huán)境等因素影響的缺點(diǎn)[3]，可以更好地滿足樓宇、辦公樓等居民居住地區(qū)不同類型負(fù)荷的需求。

文獻(xiàn)[4]對(duì)包含直流負(fù)荷、蓄電池、光伏的直流微網(wǎng)能量優(yōu)化管理進(jìn)行了研究，綜合考慮各組成部分成本和收益，采用粒子群優(yōu)化算法對(duì)模型進(jìn)行求解。文獻(xiàn)[5]提出了一種并行多目標(biāo)微分進(jìn)化算法，使孤島型微網(wǎng)實(shí)現(xiàn)節(jié)能減排的同時(shí)提升風(fēng)光消納率。文獻(xiàn)[6]引入一種復(fù)合粒子群優(yōu)化算法求解微電網(wǎng)能量管理多目標(biāo)優(yōu)化模型，解決了傳統(tǒng)優(yōu)化算法存在陷入局部最優(yōu)的問題。文獻(xiàn)[7]提出了一種解決微網(wǎng)群能量管理中各分布式電源出力分配問題的優(yōu)化策略，并利用遺傳-禁忌搜索算法進(jìn)行目標(biāo)函數(shù)尋優(yōu)。文獻(xiàn)[8]提出了一種基于功率交換單元和能量池的微網(wǎng)群結(jié)構(gòu)并研究其能量優(yōu)化管理問題,并采用基于變異粒子群算法的優(yōu)化方法求解優(yōu)化模型。文獻(xiàn)[9]提出一種含有風(fēng)光儲(chǔ)和電動(dòng)汽車的配網(wǎng)能量管理控制優(yōu)化混合整數(shù)線性規(guī)劃模型，利用啟發(fā)式算法求解該模型。文獻(xiàn)[10]提出了一種改進(jìn)型自適應(yīng)粒子群算法，求解考慮各子微網(wǎng)互為備用的獨(dú)立型直流微網(wǎng)群混合儲(chǔ)能聯(lián)合優(yōu)化問題。

上述研究都是針對(duì)單一時(shí)間尺度下的CCHP系統(tǒng)進(jìn)行能量優(yōu)化管理，沒有充分利用歷史數(shù)據(jù)，從歷史數(shù)據(jù)集中學(xué)習(xí)經(jīng)驗(yàn)。其次，采取的優(yōu)化方法存在過早陷入局部最優(yōu)、收斂速度過慢等問題，有進(jìn)一步提升的空間。為此，提出了一種基于改進(jìn)鯨魚優(yōu)化算法的多時(shí)間尺度下CCHP系統(tǒng)能量優(yōu)化管理方法，首先依據(jù)歷史數(shù)據(jù)對(duì)目標(biāo)日的氣象數(shù)據(jù)和負(fù)荷需求進(jìn)行預(yù)測(cè)，然后在預(yù)測(cè)數(shù)據(jù)的基礎(chǔ)上采用改進(jìn)鯨魚優(yōu)化算法對(duì)目標(biāo)日各設(shè)備的出力進(jìn)行優(yōu)化，為目標(biāo)日設(shè)備的實(shí)際出力提供參考，最終實(shí)現(xiàn)CCHP系統(tǒng)運(yùn)行經(jīng)濟(jì)成本最小和環(huán)境效益最大的目標(biāo)。

1 冷熱電聯(lián)供型微網(wǎng)系統(tǒng)

冷熱電聯(lián)供型微網(wǎng)系統(tǒng)主要提供冷、熱、電3種形式的能量，可實(shí)現(xiàn)能源的綜合利用和高效利用。所研究的CCHP系統(tǒng)主要包括光伏發(fā)電系統(tǒng)、風(fēng)力發(fā)電系統(tǒng)、聯(lián)供單元、儲(chǔ)能系統(tǒng)、燃?xì)廨啓C(jī)等設(shè)備，CCHP系統(tǒng)能量流向圖如圖1所示。

圖1 CCHP系統(tǒng)能量流向圖Fig.1 Energy flow diagram of CCHP system

1.1 蓄電池模型

蓄電池作為供電設(shè)備的重要補(bǔ)充，是CCHP系統(tǒng)供電過程很重要的一環(huán)。蓄電池在t時(shí)刻的荷電狀態(tài)(state of charge，SOC)與t-1時(shí)刻的荷電狀態(tài)和t-1～t時(shí)刻的充放電功率有關(guān)，可表示為

(1)

(2)

式中：SOC(t)為蓄電池在t時(shí)刻的荷電狀態(tài)；SOC(t-1)為蓄電池在t-1時(shí)刻的荷電狀態(tài)；Pcharge(t)和Pdischarge(t)分別為蓄電池在t時(shí)刻的充電功率和放電功率；Δt為充放電時(shí)間間隔；μcharge和μdischarge分別為蓄電池的充電和放電效率；E為蓄電池的容量。

蓄電池在運(yùn)行過程中還要滿足一定的約束條件，蓄電池模型約束條件為

SOCmin≤SOC(t)≤SOCmax

(3)

(4)

(5)

1.2 燃?xì)忮仩t模型

燃?xì)忮仩t是CCHP系統(tǒng)中產(chǎn)生熱能的重要設(shè)備，當(dāng)微型燃?xì)廨啓C(jī)和蓄熱裝置都無法滿足熱負(fù)荷的需求時(shí)，燃?xì)忮仩t作為可控設(shè)備啟動(dòng)以實(shí)現(xiàn)熱能的平衡。燃?xì)忮仩t的數(shù)學(xué)模型可表示為

Hgas(t)=Fgas(t)ρgasμgas

(6)

式(6)中：Hgas(t)為t時(shí)刻燃?xì)忮仩t產(chǎn)生的熱能；Fgas(t)為燃?xì)忮仩t在t時(shí)刻消耗的天然氣量；ρgas為天然氣熱值；μgas為燃?xì)忮仩t的制熱效率。

燃?xì)忮仩t在運(yùn)行過程中，也要滿足一定的約束條件：

(7)

1.3 聯(lián)供單元模型

聯(lián)供單元是CCHP系統(tǒng)的核心組成部分，作為可控設(shè)備不僅可以產(chǎn)生電能，而且還可以將產(chǎn)生電能過程中的余熱加以回收產(chǎn)生熱能，極大地提高了燃料的利用效率。

Pmt(t)=Fmt(t)ρmtμmt

(8)

式(8)中：Pmt(t)為t時(shí)刻聯(lián)供單元產(chǎn)生的電能；Fmt(t)為t時(shí)刻聯(lián)供單元消耗的天然氣量；ρmt為天然氣熱值；μmt為聯(lián)供單元的發(fā)電效率。

聯(lián)供單元在產(chǎn)生電能的過程中也要滿足一定的約束條件：

(9)

聯(lián)供單元在發(fā)電的同時(shí)還會(huì)產(chǎn)生大量余熱，發(fā)熱功率和消耗的天然氣之間的關(guān)系為

Hmt(t)=Fmt(t)ρmt(1-μmt)

(10)

式(10)中：Hmt(t)為t時(shí)刻聯(lián)供單元輸出的熱能。

聯(lián)供單元輸出熱能的過程中要滿足一定的約束條件：

(11)

1.4 制冷模型

1.4.1 吸附式制冷機(jī)模型

吸附式制冷機(jī)不僅可以吸收聯(lián)供單元產(chǎn)生的熱功率，還可以吸收燃?xì)忮仩t產(chǎn)生的熱功率，轉(zhuǎn)換關(guān)系為

Cac(t)=Hac(t)μac

(12)

式(12)中：Cac(t)為吸附式制冷機(jī)在t時(shí)刻輸出的冷功率；Hac(t)為吸附式制冷機(jī)在t時(shí)刻吸收的熱功率；μac為吸附式制冷機(jī)的熱冷轉(zhuǎn)換效率。

吸附式制冷機(jī)在運(yùn)行過程中要滿足約束條件：

(13)

1.4.2 電制冷機(jī)模型

電制冷機(jī)是將CCHP系統(tǒng)中產(chǎn)生的電能轉(zhuǎn)換為冷能的設(shè)備，吸附式制冷機(jī)形成互補(bǔ)，充分利用CCHP系統(tǒng)中可控設(shè)備產(chǎn)生的能量形式，提高整個(gè)CCHP系統(tǒng)的能量利用效率。

電制冷機(jī)將電能轉(zhuǎn)換為冷能的公式為

Cec(t)=Pec(t)μec

(14)

式(14)中：Cec(t)為電制冷機(jī)在t時(shí)刻產(chǎn)生的冷功率；Pec(t)為電制冷機(jī)在t時(shí)刻吸收的電功率；μec為電制冷機(jī)的電冷轉(zhuǎn)換效率。

1.5 蓄熱裝置模型

蓄熱槽轉(zhuǎn)移熱能以緩解熱電需求不匹配問題，實(shí)現(xiàn)對(duì)熱負(fù)荷削峰填谷的作用。蓄熱槽模型為

Htst(t)=Htst(t-1)+Hcharge(t)μtst,chargeΔt

(15)

Htst(t)=Htst(t-1)+Hdischarge(t)/μtst,dischargeΔt

(16)

式中：Htst(t)和Htst(t-1)分別為t時(shí)刻和t-1時(shí)刻蓄熱槽存儲(chǔ)的熱能；Hcharge(t)和Hdischarge(t)分別為蓄熱槽在T時(shí)刻的蓄熱和放熱功率；μtst,charge和μtst,discharge分別為蓄熱槽的蓄熱和放熱效率。

蓄熱槽在運(yùn)行過程中要滿足約束條件：

(17)

(18)

(19)

1.6 熱交換裝置

在CCHP系統(tǒng)中，熱交換裝置將聯(lián)供單元產(chǎn)生的余熱和燃?xì)忮仩t產(chǎn)生熱能統(tǒng)一吸收后直接滿足熱負(fù)荷需求或者供給吸附式制冷機(jī)滿足冷負(fù)荷需求，其輸出熱功率和輸入熱功率與轉(zhuǎn)換效率有關(guān)，可表示為

Hhe(t)=Hhe,in(t)μhe

(20)

式(20)中：Hhe(t)和Hhe,in(t)分別為熱交換裝置的輸出和輸入功率；μhe為熱交換裝置的交換效率。

2 長短期記憶網(wǎng)絡(luò)

長短期記憶網(wǎng)絡(luò)(long short term memory, LSTM)[11-12]作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(recu-rrent neural network, RNN)，主要用于解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題。典型的LSTM結(jié)構(gòu)如圖2所示。

圖2 典型LSTM結(jié)構(gòu)Fig.2 Typical LSTM structure

3 改進(jìn)鯨魚優(yōu)化算法

鯨魚優(yōu)化算法(whale optimization algorithm，WOA)是受到鯨魚在海底運(yùn)用氣泡捕食法捕食的啟發(fā)而發(fā)明的一種優(yōu)化算法，主要包括：圍捕階段和氣泡捕食階段[13-14]。

3.1 圍捕階段

在圍捕階段，鯨魚可以感知獵物的位置并將其包圍。WOA假設(shè)當(dāng)前種群中最優(yōu)的個(gè)體為最優(yōu)解，其他個(gè)體向最優(yōu)解靠近并更新位置，可表示為

D=|CX*(t′)-X(t′)|

(21)

X(t′+1)=X*(t′)-AD

(22)

式中：t′為當(dāng)前迭代次數(shù)；A、C為系數(shù)向量；X*為當(dāng)前種群的最優(yōu)個(gè)體；X為更新后的個(gè)體。

系數(shù)向量A和C的表達(dá)式分別為

A=2ar-a

(23)

C=2r

(24)

式中：a為隨著迭代次數(shù)的增加由2線性遞減到0的向量；r為[0,1]范圍內(nèi)的隨機(jī)向量。

3.2 氣泡捕食階段

氣泡捕食階段主要包括3個(gè)過程：收縮包圍、螺旋更新和探索。

收縮包圍過程通過a隨著迭代次數(shù)的增加而減少來實(shí)現(xiàn)，當(dāng)a線性遞減的同時(shí)A也隨之減少，個(gè)體位置隨之更新，在二維空間內(nèi)個(gè)體位置發(fā)生變化，向獵物位置靠近。

螺旋更新過程通過計(jì)算個(gè)體當(dāng)前位置和獵物位置之間的距離，使個(gè)體向獵物位置靠近，實(shí)現(xiàn)個(gè)體位置更新。更新公式為

X(t′+1)=D′eblcos(2πl(wèi))+X*(t′)

(25)

式(25)中：D′=|X*(t′)-X(t′)|為鯨魚個(gè)體與獵物之間的位置；b為一常數(shù)值用來定義螺旋線圈的形狀；l為[-1,1]的隨機(jī)數(shù)。

鯨魚在圍捕獵物的同時(shí)繞螺旋線圈收縮圍捕半徑，假設(shè)有50%的概率在縮小包圍圈和螺旋更新中進(jìn)行。選擇更新個(gè)體位置，可表示為

(26)

式(26)中：p為[0,1]的隨機(jī)數(shù)。

探索過程是鯨魚在捕食階段從種群中隨機(jī)選擇個(gè)體進(jìn)行位置更新，可表示為

D=|CXrand(t′)-X|

(27)

X(t′+1)=Xrand(t′)-AD

(28)

式中：Xrand(t′)為從當(dāng)前種群中隨機(jī)選取的個(gè)體。

3.3 非線性更新因子

在原始鯨魚優(yōu)化算法的基礎(chǔ)上引入非線性更新因子取代原有的系數(shù)向量A和C，從而增加種群的豐富性。引入的非線性更新因子為

(29)

式(29)中：t′為當(dāng)前迭代次數(shù)；tmax為最大迭代次數(shù)。收斂因子在前期迭代過程中數(shù)值較大，可以在前期探索種群多樣性，增強(qiáng)全局搜索能力；在后期迭代過程中，數(shù)值逐漸減小，局部范圍內(nèi)增加種群多樣性，增強(qiáng)局部搜索能力。

3.4 交叉規(guī)則

為了增加鯨魚種群中個(gè)體的多樣性，將探索階段的變化公式進(jìn)行修改，引入交叉規(guī)則，使隨機(jī)產(chǎn)生的個(gè)體與現(xiàn)有個(gè)體進(jìn)行融合，以此來增加種群在迭代過程中的多樣性。

X(t′+1)=

(30)

式(30)中：Xrand(t′)為從當(dāng)前種群中隨機(jī)選擇的個(gè)體。

4 算例分析

選取某樓宇作為算例驗(yàn)證所提算法的有效性，氣象數(shù)據(jù)源自美國國家海洋和大氣管理局[15]，選取CCHP系統(tǒng)的整體運(yùn)行成本和環(huán)境效益為目標(biāo)函數(shù)，采用改進(jìn)鯨魚優(yōu)化算法在多時(shí)間尺度下優(yōu)化圖1所示的CCHP系統(tǒng)，系統(tǒng)中各設(shè)備參數(shù)見參考文獻(xiàn)[16]。

所討論的CCHP系統(tǒng)主要考慮整個(gè)系統(tǒng)在運(yùn)行過程中的成本和設(shè)備的固定購置成本，成本計(jì)算公式為

M=Mr+Me+ωMv

(31)

(32)

(33)

(34)

式中：Mr為運(yùn)行成本，主要包括t時(shí)刻聯(lián)供單元和燃?xì)廨啓C(jī)在運(yùn)行過程中消耗天然氣的成本Mgas(t)，以及當(dāng)系統(tǒng)中t時(shí)刻主動(dòng)出力設(shè)備無法滿足電能需求時(shí)從電網(wǎng)的購電成本Mbuy(t)之和；Me為系統(tǒng)中運(yùn)行設(shè)備的購置成本；Mv為t時(shí)刻電負(fù)荷缺額Pvacancy(t)、熱負(fù)荷缺額Hvacancy(t)和冷負(fù)荷缺額Cvacancy(t)之和；Mm為設(shè)備購置費(fèi)用；ω為懲罰因子，當(dāng)系統(tǒng)無法滿足冷熱電負(fù)荷需求時(shí)系統(tǒng)運(yùn)行成本將大大增加，將3種成本按權(quán)重疊加構(gòu)成改進(jìn)鯨魚優(yōu)化算法(improved whale optimization algorithm, IWOA)的目標(biāo)函數(shù)。

多時(shí)間尺度模式為在日前LSTM學(xué)習(xí)一個(gè)月內(nèi)前29 d的負(fù)荷和天氣數(shù)據(jù)，預(yù)測(cè)得到最后一天的負(fù)荷和天氣數(shù)據(jù)，運(yùn)用IWOA對(duì)CCHP系統(tǒng)中各設(shè)備的出力進(jìn)行優(yōu)化，得到最優(yōu)運(yùn)行成本下各設(shè)備的出力情況；日內(nèi)調(diào)度根據(jù)實(shí)時(shí)負(fù)荷和天氣數(shù)據(jù)對(duì)各設(shè)備出力進(jìn)行調(diào)整?？紤]到機(jī)械設(shè)備啟停成本的因素，在日內(nèi)對(duì)設(shè)備出力進(jìn)行優(yōu)化時(shí)，電負(fù)荷缺額和盈余由電網(wǎng)供給或消納，冷熱負(fù)荷缺額由燃?xì)廨啓C(jī)補(bǔ)充。

圖3 LSTM預(yù)測(cè)負(fù)荷曲線Fig.3 Predicted curve of loads by LSTM

4.1 日前優(yōu)化結(jié)果分析

經(jīng)過LSTM預(yù)測(cè)得到的冷熱電負(fù)荷數(shù)據(jù)如圖3所示。IWOA由預(yù)測(cè)和氣象數(shù)據(jù)獲得負(fù)荷數(shù)據(jù)及風(fēng)電、光伏出力，對(duì)其余設(shè)備出力情況進(jìn)行優(yōu)化，優(yōu)化后與差分進(jìn)化算法(differential evolution, DE)、粒子群算法(particle swarm optimization, PSO)、野草算法(invasive weed optimization, IWO)進(jìn)行對(duì)比，結(jié)果如表1所示。由表1可見，IWOA得到的最佳優(yōu)化成本較其他優(yōu)化算法平均提升4.03%。

各種算法的迭代收斂曲線如圖4所示?？梢钥闯觯琁WOA具有更強(qiáng)的全局搜索能力，在對(duì)比算法陷入局部最優(yōu)的情況下依然可以繼續(xù)進(jìn)行全局搜索，尋找更優(yōu)成本。在搜索速度方面僅次于PSO算法，但PSO算法的最佳優(yōu)化成本遠(yuǎn)低于IWOA算法收斂后的最佳優(yōu)化成本。其余3種算法的收斂速度均慢于IWOA，可見，IWOA算法在收斂速度和收斂結(jié)果方面具有明顯優(yōu)勢(shì)。

圖4 不同算法收斂曲線對(duì)比Fig.4 Comparison of convergence curves of different algorithms

獲得LSTM日前預(yù)測(cè)的負(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)后，運(yùn)用IWOA算法對(duì)CCHP系統(tǒng)中各個(gè)設(shè)備的容量進(jìn)行優(yōu)化，得到日前預(yù)測(cè)數(shù)據(jù)下各個(gè)設(shè)備的輸出功率情況，在進(jìn)行優(yōu)化過程中，對(duì)冷熱功率平衡進(jìn)行解耦，將電制冷機(jī)輸出的冷功率折算為電功率歸入電功率平衡中，將吸附式制冷機(jī)產(chǎn)生的冷功率折算熱功率歸入熱功率平衡中。冷熱功率平衡和電功率平衡如圖5、圖6所示。

結(jié)合圖5和圖6可以得出，經(jīng)過IWOA優(yōu)化后各設(shè)備的輸出功率均可以滿足電負(fù)荷和冷熱負(fù)荷需求，達(dá)到100%滿足需求。從圖6可以看出，電負(fù)荷主要由風(fēng)電和光伏系統(tǒng)滿足，其余大部分電負(fù)荷缺額由聯(lián)供單元滿足，少部分負(fù)荷缺額由蓄電池放出的電功率滿足。CCHP中的設(shè)備可以滿足電負(fù)荷需求，不需要與電網(wǎng)進(jìn)行交互。從圖5可以看出，冷熱負(fù)荷需求主要由燃?xì)忮仩t輸出的熱功率滿足，聯(lián)供單元輸出熱功率主要受聯(lián)供單元輸出電功率限制，極小部分冷熱負(fù)荷由蓄熱槽提供的熱功率滿足。

表1 優(yōu)化結(jié)果對(duì)比Table 1 Comparison of optimization results

TST為蓄熱裝置產(chǎn)生的熱能；GAS為燃?xì)忮仩t產(chǎn)生的熱能； MT為聯(lián)供單元產(chǎn)生的熱能；H為熱負(fù)荷需求圖5 冷熱功率平衡曲線Fig.5 Cooling and heating power balance curve

Grid為CCHP微網(wǎng)與電網(wǎng)交互的電能；BAT_in為蓄電池吸收的電能； BAT_out為蓄電池釋放的電能；MT為聯(lián)供單元產(chǎn)生的電能；PV為 光伏系統(tǒng)產(chǎn)生的電能；WIND為風(fēng)力系統(tǒng)產(chǎn)生的電能；L為電能需求圖6 電功率平衡曲線Fig.6 Electric power balance curve

4.2 日內(nèi)運(yùn)行結(jié)果分析

得到日前各設(shè)備出力情況后，根據(jù)實(shí)時(shí)數(shù)據(jù)修正設(shè)備輸出，光伏和風(fēng)電系統(tǒng)的日前、日后輸出功率如圖7、圖8所示，與電網(wǎng)交互功率如圖9所示，燃?xì)忮仩t輸出功率如圖10所示。

圖7 光伏系統(tǒng)輸出功率曲線Fig.7 Output power curve of photovoltaic system

圖8 風(fēng)力發(fā)電系統(tǒng)輸出功率曲線Fig.8 Output power curve of wind system

圖9 電網(wǎng)交互功率曲線Fig.9 Grid interactive power curve

圖10 燃?xì)忮仩t輸出功率曲線Fig.10 Output power curve of gas boiler

由修正后的日內(nèi)各設(shè)備運(yùn)行情況來看，風(fēng)電和光伏系統(tǒng)的日前和日內(nèi)運(yùn)行情況相差較小，日前預(yù)測(cè)得到的功率可作為日內(nèi)輸出功率的參考，提前安排設(shè)備容量；與電網(wǎng)交互成本變化較大的原因?yàn)槿諆?nèi)電負(fù)荷需求只由電網(wǎng)進(jìn)行消納和吸收，這主要是考慮到其他運(yùn)行設(shè)備的啟停成本和調(diào)度靈活性方面。與電網(wǎng)交互相比設(shè)備，更加方便快捷，可及時(shí)滿足電負(fù)荷需求；燃?xì)忮仩t的日前和日內(nèi)輸出功率變化特點(diǎn)顯著，白天變化很小，是因?yàn)榘滋煨履茉丛O(shè)備產(chǎn)生的電功率可滿足一部分冷負(fù)荷需求，燃?xì)忮仩t只需滿足部分冷負(fù)荷需求；而在夜間，新能源設(shè)備輸出功率減少，大部分冷負(fù)荷需求轉(zhuǎn)移到吸附式制冷機(jī)，制冷機(jī)需要吸收大量熱功率，將其轉(zhuǎn)換為冷功率來滿足冷負(fù)荷需求。

5 結(jié)論

針對(duì)包含多種可再生能源的冷熱電聯(lián)供型微網(wǎng)的容量，綜合考慮系統(tǒng)的運(yùn)行成本和環(huán)境成本，運(yùn)用改進(jìn)鯨魚優(yōu)化算法對(duì)日前系統(tǒng)運(yùn)行進(jìn)行優(yōu)化，通過算例驗(yàn)證了改進(jìn)算法的優(yōu)越性，得出如下結(jié)論。

(1)在日前結(jié)合LSTM預(yù)測(cè)的優(yōu)化結(jié)果可為日內(nèi)設(shè)備運(yùn)行提供參考，最大程度減少設(shè)備頻繁啟停的運(yùn)行成本，使設(shè)備在日前和日內(nèi)出力誤差最小的情況下滿足冷熱電負(fù)荷需求。

(2)改進(jìn)鯨魚優(yōu)化算法與其他算法相比，最佳優(yōu)化成本平均降低4.02%，避免陷入局部最優(yōu)，收斂速度方面明顯提升，可更高效地得到優(yōu)化結(jié)果，實(shí)現(xiàn)能量調(diào)度。