冉華軍，祝 杰，張 濤

（三峽大學(xué)電氣與新能源學(xué)院，湖北宜昌 443002）

0 引言

為了應(yīng)對(duì)能源危機(jī)，全球大力推進(jìn)能源互聯(lián)網(wǎng)的發(fā)展，各能源之間的關(guān)聯(lián)性和互補(bǔ)性日益加深，采用什么方法方式來提高綜合能源的利用效率、減小系統(tǒng)的碳排放量和節(jié)減系統(tǒng)的運(yùn)行成本已成為綜合能源系統(tǒng)需要著重考慮的問題[1]。包含風(fēng)電機(jī)組、熱電聯(lián)供（Combined Heating and Power System，CHP）系統(tǒng)、儲(chǔ)能設(shè)備以及其他供能機(jī)組的綜合能源系統(tǒng)（Integrated Energy System，IES）打破了以往傳統(tǒng)能源獨(dú)立運(yùn)行和規(guī)劃的模式，實(shí)現(xiàn)多種能源之間相互協(xié)同、耦合互補(bǔ)將成為未來人類社會(huì)能源發(fā)展的必經(jīng)之路[2-3]。因此，在能源的生產(chǎn)、轉(zhuǎn)換和使用的過程中，綜合能源系統(tǒng)的優(yōu)化調(diào)度以及經(jīng)濟(jì)性運(yùn)行受到了國(guó)內(nèi)外專家學(xué)者的重視。

隨著國(guó)家碳中和目標(biāo)的提出，綜合能源系統(tǒng)的低碳經(jīng)濟(jì)性研究受到了廣泛研究，文獻(xiàn)[4]建立了考慮碳交易成本的綜合能源系統(tǒng)經(jīng)濟(jì)調(diào)度模型，采用了布谷鳥算法進(jìn)行求解，仿真結(jié)果驗(yàn)證了模型在降低系統(tǒng)碳排放量方面的優(yōu)勢(shì)。文獻(xiàn)[5]提出了考慮柔性負(fù)荷和碳交易機(jī)制的綜合能源系統(tǒng)優(yōu)化調(diào)度模型，通過引入排放罰金機(jī)制促進(jìn)了系統(tǒng)的節(jié)能減排。文獻(xiàn)[6]將碳交易機(jī)制引入綜合能源系統(tǒng)，通過劃分碳排放量區(qū)間來構(gòu)造階梯型綜合能源系統(tǒng)調(diào)度模型，兼顧了系統(tǒng)低碳性與經(jīng)濟(jì)性。但上述文獻(xiàn)多為單目標(biāo)優(yōu)化或?qū)⒍嗄繕?biāo)加權(quán)轉(zhuǎn)化為單目標(biāo)，得到的最優(yōu)策略較為單一，無法對(duì)運(yùn)行經(jīng)濟(jì)性與低碳性進(jìn)行靈活地調(diào)控。因此多目標(biāo)優(yōu)化算法在IES 調(diào)度問題中得到了推廣應(yīng)用，文獻(xiàn)[7]提出了一種考慮隨機(jī)性的綜合能源系統(tǒng)多目標(biāo)日前調(diào)度方法，以最小化運(yùn)行成本和污染氣體排放量為目標(biāo)，采用了NSGA-II 算法求解得到一系列調(diào)度方案，實(shí)現(xiàn)了系統(tǒng)的經(jīng)濟(jì)環(huán)保運(yùn)行。文獻(xiàn)[8]考慮分時(shí)電價(jià)對(duì)冷熱電聯(lián)供系統(tǒng)的影響，以經(jīng)濟(jì)成本和環(huán)境成本為優(yōu)化目標(biāo)，根據(jù)求解得到的pareto 最優(yōu)解，驗(yàn)證了所提模型的節(jié)能減排優(yōu)勢(shì)。然而傳統(tǒng)的多目標(biāo)優(yōu)化算法在約束較復(fù)雜的調(diào)度問題中易陷入局部最優(yōu)，算法的性能仍有待提升。

電轉(zhuǎn)氣（Power to Gas，P2G）設(shè)備作為電-氣耦合設(shè)備，可在低谷時(shí)段將難以消納的棄風(fēng)功率轉(zhuǎn)換為易于存儲(chǔ)的天然氣，實(shí)現(xiàn)電-氣網(wǎng)絡(luò)的深度耦合[9]。文獻(xiàn)[10]提出了考慮需求響應(yīng)的含P2G 電-氣綜合能源系統(tǒng)優(yōu)化調(diào)度模型，并采用機(jī)會(huì)約束對(duì)模型不確定性進(jìn)行處理。文獻(xiàn)[11]在考慮P2G 設(shè)備運(yùn)行成本的基礎(chǔ)上，提出了一種計(jì)及分段棄風(fēng)成本的多能源優(yōu)化運(yùn)行模型，分析了P2G 在提升風(fēng)電利用效率和減少系統(tǒng)供能成本方面的突出優(yōu)勢(shì)。但有關(guān)P2G在系統(tǒng)低碳調(diào)度中的研究仍較為欠缺，其P2G 的碳減排潛力仍有待挖掘[12]。

本文以綜合能源系統(tǒng)為研究對(duì)象，將系統(tǒng)運(yùn)行成本與碳排放量作為優(yōu)化目標(biāo)，考慮P2G 在節(jié)能減排方面的作用，建立綜合能源系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型。本文先分析了傳統(tǒng)類電磁機(jī)制算法（Electromagnetism-like Mechanism，ELM）的優(yōu)缺點(diǎn)再進(jìn)行改進(jìn)，模型的求解采用改進(jìn)的類電磁機(jī)制算法（Improved Electromagnetism-like Mechanism，IELM），通過仿真結(jié)果驗(yàn)證了模型與改進(jìn)算法的適用性與有效性，調(diào)度結(jié)果表明P2G 設(shè)備能有效提升系統(tǒng)棄風(fēng)消納水平和低碳經(jīng)濟(jì)性。

1 IES多能耦合設(shè)備數(shù)學(xué)模型

本文所提的IES 的基本結(jié)構(gòu)如圖1 所示，其中參與系統(tǒng)調(diào)度的設(shè)備包括風(fēng)電機(jī)組、熱電聯(lián)產(chǎn)機(jī)組、P2G、燃料電池和燃?xì)忮仩t和蓄電池[13]。系統(tǒng)的電負(fù)荷主要由上級(jí)電網(wǎng)、風(fēng)電機(jī)組、熱電聯(lián)產(chǎn)機(jī)組和蓄電池提供，熱負(fù)荷則是由燃?xì)忮仩t和熱電聯(lián)產(chǎn)機(jī)組提供，P2G 作為電-氣耦合設(shè)備，消耗系統(tǒng)中的電能產(chǎn)生天然氣為耗氣機(jī)組提供燃料。

圖1 綜合能源系統(tǒng)基本結(jié)構(gòu)Fig.1 Structure of integrated energy system

1.1 熱電聯(lián)產(chǎn)機(jī)組模型

熱電聯(lián)產(chǎn)機(jī)組（Combined Heat and Power，CHP）通過消耗天然氣產(chǎn)生電能和熱能，其電熱出力關(guān)系如式（1）所示：

式中：PCHP,t和HCHP,t分別為t時(shí)段CHP 機(jī)組的電功率和熱功率；kCHP為CHP 機(jī)組的熱電比；ηe為CHP機(jī)組的發(fā)電效率；ηloss為CHP 機(jī)組的熱損耗率；為天然氣的低熱值[14]；為t時(shí)段CHP 機(jī)組的耗氣量。

1.2 燃?xì)忮仩t模型

燃?xì)忮仩t（Gas Boiler，GB）通過燃燒天然氣為系統(tǒng)提供熱能，其數(shù)學(xué)模型可描述為：

式中：HGB,t為t時(shí)段GB 的熱功率；為t時(shí)段GB 的耗氣量；ηGB為GB 的制熱效率。

1.3 燃料電池模型

燃料電池（Fuel Cell，F(xiàn)C）為氣-電轉(zhuǎn)換設(shè)備，其產(chǎn)能的耗氣量表達(dá)式為：

式中：PFC,t為t時(shí)段FC 的熱功率；為t時(shí)段FC 的耗氣量；ηFC為FC 的發(fā)電效率。

1.4 P2G模型

P2G 裝置主要包含2 個(gè)化學(xué)過程：（1）將水電解成氫氣和氧氣；（2）二氧化碳和氫氣在高溫高壓的環(huán)境下產(chǎn)生甲烷。

P2G 耗碳量的表達(dá)式為：

P2G 甲烷產(chǎn)氣量的表達(dá)式為：

P2G 可利用自身的靈活出力特性實(shí)現(xiàn)棄風(fēng)功率的消納[15]，其棄風(fēng)消納量的表達(dá)式為：

式中：Ps,WT,t為t時(shí)段的棄風(fēng)消納量；Ppre,WT,t為t時(shí)段風(fēng)電預(yù)測(cè)功率；PWT,t為t時(shí)段風(fēng)電實(shí)際出力。

2 考慮經(jīng)濟(jì)性與低碳性的IES多目標(biāo)優(yōu)化模型

2.1 目標(biāo)函數(shù)

2.1.1 經(jīng)濟(jì)性指標(biāo)

經(jīng)濟(jì)性指標(biāo)以總運(yùn)行成本F1最小化，包括運(yùn)維成本、燃料成本、交互成本和購(gòu)碳成本，其計(jì)算式如下：

式中：Fop,t為t時(shí)段總運(yùn)維成本；Fg,t為t時(shí)段總?cè)剂铣杀荆籉ex,t為t時(shí)段總交互成本；Fc,t為t時(shí)段的購(gòu)碳成本；T為總調(diào)度周期；N為常規(guī)機(jī)組的類型數(shù)；cop,i為第i種常規(guī)供能設(shè)備的運(yùn)維成本；Pi,t為第i種常規(guī)供能設(shè)備的出力；cg為天然氣單價(jià)；ce,t分別為t時(shí)段電價(jià)；Pex,t分別t時(shí)段的電交互功率；為購(gòu)碳價(jià)格。

2.1.2 環(huán)保性指標(biāo)

環(huán)保性指標(biāo)為碳排放量總量最小化，包括從主電網(wǎng)購(gòu)電時(shí)的碳排放量和設(shè)備運(yùn)行產(chǎn)生的碳排放量，其計(jì)算如下：

2.2 約束條件

2.2.1 常規(guī)機(jī)組運(yùn)行約束

式中：Pi,max和Pi,min分別為第i種常規(guī)供能設(shè)備的出力上、下限；Pi,down和Pi,up分別為第i種常規(guī)供能設(shè)備的下爬坡速率和上爬坡速率。

2.2.2 功率交互約束

式中：Pex,max和Pex,min分別為電交互功率的上、下限。

2.2.3 功率平衡約束

IES 運(yùn)行需滿足供需匹配約束的表達(dá)式如下：

式中：PES,t為t時(shí)段ES 的出力；Le,t和Lh,t分別為t時(shí)段的電、熱負(fù)荷。

2.2.4 蓄電池（energy storage，ES）運(yùn)行約束

式中：EES,t為t時(shí)段ES 的容量；EES,min和EES,max分別ES 的下、上限約束容量；PES,min和PES,max為ES的充放電功率的下、上限；EES,0和EES,T分別為ES在調(diào)度周期起始時(shí)刻和結(jié)束時(shí)刻的容量。

3 IELM算法

3.1 基本ELM

ELM 算法的基本尋優(yōu)公式如下[17-19]:

式中：ω為移動(dòng)步長(zhǎng)，是（0，1）之間的隨機(jī)數(shù)；H為空間中兩個(gè)電荷之間的距離；m為種群粒子總數(shù)；n為粒子維度；為第t次迭代中的第i個(gè)粒子；為第t 次迭代中適應(yīng)度值最好的粒子；為第t次迭代中的第j個(gè)粒子的電荷量；f(·)為粒子的適應(yīng)度值；‖ ‖· 為向量的2 范數(shù)；為第t次迭代中的第i個(gè)粒子的總矢量力；R為種群越界搜索約束；和分別為的上下限。

ELM 算法結(jié)構(gòu)簡(jiǎn)單，當(dāng)用其求解函數(shù)的全局最優(yōu)值時(shí)，無論是簡(jiǎn)單的函數(shù)表達(dá)式還是復(fù)雜高維的函數(shù)，ELM 算法都可以得到應(yīng)用。但是經(jīng)典ELM算法仍然存在以下不足：（1）初始種群是隨機(jī)產(chǎn)生的，不均勻的種群分布會(huì)影響搜索性能；（2）隨機(jī)線性搜索算法作為局部搜索策略過于簡(jiǎn)單，算法容易陷入局部最優(yōu)，使得算法不能得到真正的解；（3）粒子更新規(guī)則太簡(jiǎn)單，可能更新后的粒子反而更差，影響算法的求解精度和收斂性。

因此需要繼續(xù)對(duì)ELM 算法進(jìn)行研究和改進(jìn)，優(yōu)化算法的性能，使其在解決綜合能源系統(tǒng)優(yōu)化調(diào)度問題時(shí)具有更好的高效性和穩(wěn)定性。

3.2 改進(jìn)的多目標(biāo)類電磁機(jī)制算法

3.2.1 基于立方混沌映射的種群初始化

對(duì)于基本ELM 算法而言，初始種群的隨機(jī)性大，與最優(yōu)解往往相差甚遠(yuǎn)，嚴(yán)重影響了迭代搜索的效率。為提升種群多樣性和遍歷均勻性，引入立方混沌映射在搜索空間內(nèi)動(dòng)態(tài)、均勻地生成初始種群[20]。立方映射的表達(dá)式為：

式中：nh為混沌迭代次數(shù)。

3.2.2 引入差分算法中的交叉變異

為解決ELM 容易陷入局部最優(yōu)解的問題，引入差分算法中的變異和交叉策略[21]，粒子在更新位置時(shí)出現(xiàn)的自然阻礙，對(duì)ELM 中的粒子位置更新進(jìn)行處理，平衡全局搜索能力。具體操作如下：

1）在第t次迭代中，從種群全部個(gè)體中隨機(jī)選擇3 個(gè)不同個(gè)體，變異策略為：

式中：F為縮放因子，用于增大或減小差分向量的影響力；p1，p2，p3 為同一代粒子的不同標(biāo)記號(hào)。

2）為了豐富種群的多樣性，采用交叉操作來實(shí)現(xiàn)，即：

式中：Rcr為交叉概率。

3.2.3 引入自適應(yīng)權(quán)重因子

權(quán)重因子的隨機(jī)性會(huì)致使算法在后期迭代時(shí)不收斂。為協(xié)調(diào)算法的全局和局部搜索，提高其的收斂性能，令ω自適應(yīng)控制函數(shù)為：

式中：σ為隨機(jī)系數(shù)。

3.2.4 多目標(biāo)函數(shù)的處理

為求解本文所提多目標(biāo)函數(shù)的優(yōu)化配置模型，在以下2 個(gè)方面對(duì)基本ELM 算法進(jìn)行改進(jìn)：

1）引入NSGA-II 算法中的快速非支配排序、擁擠度計(jì)算和精英保留策略。具體原理可見文獻(xiàn)[22-24]。

2）采用模糊隸屬度法選擇綜合滿意度最高的解。

式中：fj為第j個(gè)目標(biāo)函數(shù)值；分別為第j個(gè)目標(biāo)函數(shù)的最小值和最大值。

根據(jù)式（23）計(jì)算pareto 最優(yōu)解集中各個(gè)解的綜合滿意度S，并選取綜合滿意度最大的解作為最優(yōu)折衷解。

式中：S為解的綜合滿意度；μj為第j個(gè)目標(biāo)函數(shù)。

4 算例分析

以北方某小型綜合能源系統(tǒng)為例，系統(tǒng)的基本結(jié)構(gòu)如圖1 所示，風(fēng)電及電熱負(fù)荷的預(yù)測(cè)數(shù)據(jù)如圖2 所示，各設(shè)備的參數(shù)如表1 所示，系統(tǒng)購(gòu)售電數(shù)據(jù)如表2 所示，天然氣價(jià)格為2 元/m3；天然氣低熱值為9.7 kWh/m3。

表1 各設(shè)備運(yùn)行成本Table 1 Operating cost of each equipment

表2 分時(shí)購(gòu)售電電價(jià)Table 2 Time-of-use power purchasing and selling price

圖2 風(fēng)電出力和電熱負(fù)荷分時(shí)預(yù)測(cè)圖Fig.2 Forecasting of wind power output，electric load and thermal load of each time period

4.1 算法對(duì)比

算法pareto 前沿對(duì)比如圖3 所示，傳統(tǒng)ELM 算法由于粒子移動(dòng)規(guī)則較為單一，在搜索過程中陷入了局部最優(yōu)，導(dǎo)致其前沿解十分集中，求解結(jié)果不能兼顧兩個(gè)目標(biāo)函數(shù)。NSGA-Ⅱ算法則通過非支配排序和精英保留策略有效的平衡了多個(gè)目標(biāo)之間的關(guān)其pareto 前沿分布較為分散，而改進(jìn)EIM 算法通過對(duì)傳統(tǒng)ELM 算法的初始種群設(shè)置和粒子更新進(jìn)行改進(jìn)，得到更加均勻的Pareto 前沿，算法的收斂性和求解精度明顯提升，驗(yàn)證了本文所提算法的有效性與優(yōu)越性。

圖3 各算法的Pareto對(duì)比Fig.3 Comparison of Pareto among algorithms

由表3 求解結(jié)果可知，3 種算法的折衷解中IELM 算法的運(yùn)行成本最低，并且其碳排放量介于ELM 算法與NSGA-II 算法之間。由于ELM 算法所得解陷入了局部最優(yōu)，其結(jié)果無實(shí)際應(yīng)用價(jià)值，因此可看出IELM 算法對(duì)優(yōu)化結(jié)果具有較好地提升。

表3 各算法求解結(jié)果對(duì)比Table 3 Comparison of solution result among algorithms

采用IELM 算法和NSGA-II 算法求得的總運(yùn)行費(fèi)用和碳排放量結(jié)果如圖4、圖5 所示。

圖4 2種算法總運(yùn)行費(fèi)用對(duì)比Fig.4 Comparison of total operating costs between two algorithms

圖5 2種算法碳排放量對(duì)比Fig.5 Comparison of carbon emissions between two algorithms

為驗(yàn)證IELM 算法的性能以及Pareto 解的最優(yōu)性，本文將IELM 以及NSGA-Ⅱ獨(dú)立運(yùn)行50 次，對(duì)不同的目標(biāo)函數(shù)可得到50 個(gè)外部解。根據(jù)圖4、圖5 提供的數(shù)據(jù)位置和分散情況進(jìn)行分析，進(jìn)而判斷不同算法的性能與Pareto 解的最優(yōu)性。根據(jù)圖4、圖5 的繪圖方法，箱體越小表明數(shù)據(jù)越集中即算法穩(wěn)定性越高；箱體中部的黑色粗線代表結(jié)果的均值。

由圖4 和圖5 可以看出，IELM 算法的數(shù)據(jù)分布明顯小于NSGA-II 算法，因此算法求解結(jié)果的穩(wěn)定性在改進(jìn)后得到了有效提升。與此同時(shí)，在求解結(jié)果的均值方面，2 種算法在總運(yùn)行費(fèi)用方面接近，而IELM 在碳排放量上明顯低于NSGA-II 算法，由此可見IELM 算法在解的整體精度上要優(yōu)于傳統(tǒng)NSGA-II 算法。

為驗(yàn)證前文所引入的立方混沌映射、差分交叉變異和自適應(yīng)權(quán)重對(duì)算法求解性能的影響，表4—表7 給出了3 種改進(jìn)方法對(duì)算法指標(biāo)影響的相關(guān)對(duì)比結(jié)果。每組結(jié)果基于算法50 次運(yùn)行結(jié)果取平均值得到，表4 中最優(yōu)初始解的適應(yīng)度平均值指50次運(yùn)行下的算法初始化種群的最優(yōu)折衷解的平均適應(yīng)度值，包括總運(yùn)行成本和碳排放量2 個(gè)目標(biāo)值，最優(yōu)適應(yīng)度平均值指50 次運(yùn)行情況下的最優(yōu)折衷解的平均適應(yīng)度值，包括總運(yùn)行成本和碳排放量2 個(gè)目標(biāo)值，表6 中種群熵的計(jì)算方法可見文獻(xiàn)[25]，種群熵值一般處于0.9-1，值越接近1 說明種群多樣性越差，表明算法陷入了局部最優(yōu)。

表4 混沌初始化對(duì)算法性能的影響Table 4 Influence of chaos initialization on algorithm performance

表5 差分交叉變異對(duì)算法性能的影響Table 5 Influence of differential crossover mutation on algorithm performance

表6 自適應(yīng)權(quán)重對(duì)算法性能的影響Table 6 Influence of adaptive weight on algorithm performance

從表4 可知，未引入混沌初始化的IELM 算法的初始解的位置和求解速度最差，現(xiàn)有大多數(shù)文獻(xiàn)采用的logistic 混沌初始化對(duì)算法初始解的生成和算法求解時(shí)間具有一定的積極作用，而本文所提的立方混沌映射初始化對(duì)兩種指標(biāo)的積極影響較傳統(tǒng)logistic 映射方法得到了進(jìn)一步加強(qiáng)。從表5 可知差分交叉變異的引入提升算法的求解精度，但交叉變異過程犧牲了一定的求解時(shí)間。從表6 可知，自適應(yīng)權(quán)重的引入有效提升算法的求解速度，與此同時(shí)種群熵得到了降低，提升了種群的多樣性，有效避免了算法陷入最優(yōu)解。綜合來看，引入的改進(jìn)算法分別對(duì)算法初始化位置、求解速度、求解精度和種群多樣性多個(gè)方面進(jìn)行了優(yōu)化，且3 種改進(jìn)方法在求解時(shí)間方面具有一定互補(bǔ)性，求解結(jié)果可以驗(yàn)證本文所提改進(jìn)方法的有效性。

4.2 IES調(diào)度情況

為了對(duì)比P2G 在降低系統(tǒng)運(yùn)行成本與碳排放量方面的優(yōu)勢(shì)，本文設(shè)置了2 種對(duì)比情景：情景1：在系統(tǒng)經(jīng)濟(jì)調(diào)度中考慮P2G；情景2：在系統(tǒng)經(jīng)濟(jì)調(diào)度中不考慮P2G。并對(duì)兩種情景進(jìn)行求解，結(jié)果如表7 所示。

表7 各情景下求解結(jié)果對(duì)比Table 7 Comparison of solution result under different scenarios

2 種情景下的各時(shí)刻購(gòu)氣量如圖6 所示。

圖6 各時(shí)刻購(gòu)氣量對(duì)比Fig.6 Comparison of gas purchasing of each time period

根據(jù)圖6 的求解結(jié)果可知，情景1 的總運(yùn)行成本和碳排放量都低于情景2，說明P2G 裝置對(duì)于降低系統(tǒng)運(yùn)行成本于碳排放量具有積極意義。這是由于P2G 裝置可將部分碳排放的CO2與水通過甲烷化反應(yīng)制造甲烷，再供給燃?xì)馐褂迷O(shè)備，從而降低了系統(tǒng)購(gòu)氣量。這一方面降低了系統(tǒng)的總運(yùn)行成本，另一方面也使得機(jī)組的運(yùn)行更加合理，從而降低了系統(tǒng)碳排放。

2 種情景下的各時(shí)刻棄風(fēng)消納量如圖7 所示。

圖7 各時(shí)刻棄風(fēng)消納量對(duì)比Fig.7 Comparison of integration of curtailed wind power of each time period

由圖7 可看出加入P2G 裝置后系統(tǒng)風(fēng)電消納情況明顯得到改善。P2G 裝置可利用棄風(fēng)功率電解水產(chǎn)生氫氣，氫氣和二氧化碳在高溫高壓下產(chǎn)生甲烷，提供給燃?xì)庀到y(tǒng)，從而提升了系統(tǒng)風(fēng)電消納率。

在情景1 下的各時(shí)刻運(yùn)行成本和碳排放量如圖8 所示。

圖8 情景1的各時(shí)刻運(yùn)行成本和碳排放量Fig.8 Operating costs and carbon emissions of each time period in scenario 1

從圖8 可看出碳排放量在夜間18～24 h 較大，零點(diǎn)之后碳排放量逐漸減小。碳排放量主要來自于燃?xì)鈾C(jī)組，由于受系統(tǒng)“以熱定電”的影響，碳排放量的變化趨勢(shì)大致與熱負(fù)荷功率變化情況接近。由于P2G 設(shè)備與風(fēng)電機(jī)組參與供電，系統(tǒng)總運(yùn)行成本則與電功率的變化趨勢(shì)接近。

5 結(jié)論

本文針對(duì)綜合能源系統(tǒng)節(jié)能減排問題，引入P2G 設(shè)備促進(jìn)系統(tǒng)消納棄風(fēng)和實(shí)現(xiàn)碳減排，構(gòu)建了考慮經(jīng)濟(jì)性與低碳性的IES 多目標(biāo)優(yōu)化調(diào)度模型，并采用改進(jìn)的類電磁機(jī)制算法對(duì)模型進(jìn)行求解，仿真結(jié)果表明：P2G 設(shè)備能有效降低系統(tǒng)購(gòu)氣量，并且對(duì)于系統(tǒng)的棄風(fēng)消納具有積極作用；改進(jìn)的類電磁機(jī)制算法在求解精度和算法穩(wěn)定性上都優(yōu)于傳統(tǒng)的多目標(biāo)算法。

本文所提出的IES 調(diào)度模型尚未考慮電-氣-熱網(wǎng)絡(luò)的能量流失及動(dòng)態(tài)特性，后續(xù)會(huì)研究設(shè)備和網(wǎng)絡(luò)的動(dòng)態(tài)運(yùn)行模型，構(gòu)建合理的能源損耗評(píng)估指標(biāo)，制定更加精確調(diào)度策略。